DoseSave
DoseSave · Themen · FBP, iterative und Deep-Learning-Rekonstruktion
Rekonstruktion

FBP, iterative und Deep-Learning-Rekonstruktion

Der Weg von den rohen Projektionsdaten zu einem diagnostischen Bild hat in 50 Jahren drei große Generationen durchlaufen. Wir untersuchen die Funktionsweise jeder und ihr Potenzial zur Dosisreduktion.

Mittleres Niveau· ~14 Min. Lesezeit· Mit Quellen

Ein CT-Scanner erzeugt nicht direkt ein Bild. Während die Gantry rotiert, zeichnen Röhre und Detektoren aus Tausenden Winkeln Schwächungsprofile auf; die Umwandlung dieser Rohdaten in ein Schichtbild heißt Rekonstruktion. Das Kernspannungsfeld: Senkt man die Dosis durch weniger Photonen, werden die Projektionen verrauscht, und die Aufgabe des Algorithmus ist es, mit dem Rauschen umzugehen und zugleich die wahre Anatomie zu erhalten.

Gefilterte Rückprojektion (FBP)

Die FBP ist seit den frühen 1970er-Jahren die vorherrschende Technik. Sie ist analytisch: Jede Projektion wird gefiltert und auf die Bildebene rückprojiziert. Sie ist schnell, vorhersagbar und erzeugt eine natürliche Rauschtextur. Bei niedriger Dosis führt der Photonenmangel jedoch zu ausgeprägtem Rauschen und Streifenartefakten.1

Iterative Rekonstruktion (IR)

Die iterative Rekonstruktion löst das Problem in Zyklen: Es wird eine Bildschätzung erstellt, daraus werden virtuelle Projektionen erzeugt, mit den realen Messungen verglichen und aktualisiert, bis die Differenz schrumpft. So ergeben sich aus denselben Daten rauschärmere Bilder als mit FBP, was die Tür zu gleicher Qualität bei niedrigerer Dosis öffnet.2

Der versteckte Preis der IR
Aggressive IR — besonders unterhalb einer bestimmten Dosisschwelle — kann die Rauschtextur verschieben, was zu einem „plastischen“ Aussehen und einer verringerten Niedrigkontrast-Erkennbarkeit führt.

Deep-Learning-Rekonstruktion (DLR)

Die neueste Generation, DLR, zielt darauf ab, das Rauschen zu unterdrücken und dabei die Gewebetextur weitgehend zu erhalten, mithilfe von Mustern, die aus hochwertigen Referenzbildern gelernt wurden. Trainingsdaten, Architektur und klinische Aufgabe können je nach Hersteller und Algorithmus variieren. Studien zeigen, dass DLR die Läsionserkennung gegenüber IR und FBP verbessern kann; in einer Phantomstudie, in der die Dosis auf ein sehr niedriges CTDIvol-Niveau (z. B. ~0,5 mGy) gesenkt wurde, war die FBP-Erkennbarkeit beeinträchtigt, während DLR sie erhielt.3

Methode Stärke Risiko Klinische Anmerkung
FBP Schnell, vorhersagbar, natürliche Rauschtextur Rauschen und Streifenartefakte bei niedriger Dosis Weiterhin eine wichtige Referenzmethode
IR Reduziert Rauschen, kann Dosisreduktion ermöglichen Plastisches Aussehen, verringerte Niedrigkontrast-Erkennbarkeit Aggressive Nutzung erfordert Validierung
DLR Hohes Potenzial für Rauschreduktion + Texturerhalt Abhängig von Trainingsdaten, Algorithmus und Aufgabe Muss mit lokalem Protokoll und QK validiert werden
Wichtiger Vorbehalt
Die Leistung von DLR hängt von den Trainingsdaten und der klinischen Aufgabe ab. Eine aufgabenbasierte Validierung und lokale Qualitätskontrolle vor dem klinischen Einsatz sind unerlässlich.

Quellen

  1. Zeng D, et al. Fast filtered backprojection algorithm for low-dose CT. PMC8294203
  2. Brady SL, et al. Deep Learning–based Reconstruction for Lower-Dose Pediatric CT. RadioGraphics, 2021. pubs.rsna.org
  3. Low-contrast detectability and dose reduction using deep learning image reconstruction — 20-reader liver phantom study. PMC8980706
Hinweis: Dieser Inhalt dient der Ausbildung; für klinische Entscheidungen oder die Einhaltung von Vorschriften konsultieren Sie eine qualifizierte Medizinphysik-Expertin bzw. einen Experten sowie die geltenden Bestimmungen.

← Alle Artikel