Ein CT-Scanner „nimmt“ ein Schnittbild nicht direkt auf. Er misst nur, wie stark die Strahlen, die den Patienten aus Hunderten Winkeln durchqueren, geschwächt werden. Das Bild wird aus diesen Messungen zurückgerechnet — und genau das ist die Rekonstruktion. Hier verfolgen wir Schritt für Schritt, wie diese Berechnung funktioniert, und ihre drei Generationen.
Projektion und Sinogramm
Eine Messung aus einem einzelnen Winkel ist eine Projektion: ein Profil, das die Gesamtschwächung der Strahlen in dieser Richtung angibt — eine Art Schatten.1 Während Röhre und Detektor rotieren, wird aus jedem Winkel eine Projektion erfasst; zusammen bilden sie die Rohdaten, das sogenannte Sinogramm.
Rückprojektion: warum unscharf?
Die intuitivste Idee ist die Rückprojektion: Jede Projektion wird entlang der Richtung, in der sie gemessen wurde, über die Bildebene zurück „verschmiert“. Doch wenn sich diese über 360° summierten Verschmierungen überlagern, entsteht kein scharfer Punkt, sondern eine 1/r-Unschärfe — die einfache Rückprojektion verwischt das Bild also zwangsläufig.1
Gefilterte Rückprojektion (FBP)
Der Trick ist raffiniert: Jede Projektion wird vor dem Rückprojizieren durch einen Filter (Faltung) geschickt. Der Filter fügt dem Profil negative Nebenkeulen hinzu, die die 1/r-Unschärfe genau aufheben, sodass ein scharfes Bild bleibt.1 Das war jahrzehntelang die Standardmethode. Die Filterwahl ist ein grundlegender Kompromiss: Ein schärferer Filter erhöht die Ortsauflösung, steigert aber auch das Rauschen.1
Iterative Rekonstruktion (IR)
Die iterative Rekonstruktion löst das Problem in einer Schleife. Der Start kann eine Schätzung sein (ein konstantes Bild oder ein FBP-Bild). Dann: Aus der aktuellen Bildschätzung werden Vorwärtsprojektionen erzeugt und mit den gemessenen Projektionen verglichen; die Differenz ist die Fehlermatrix. Der Algorithmus aktualisiert das Bild so, dass dieser Fehler verringert wird, und die Schleife wiederholt sich.1 Sie ist rechenintensiv; alle großen Hersteller haben sie umgesetzt, und ihr Hauptnutzen ist das Potenzial zur Dosisreduktion.1
Deep-Learning-Rekonstruktion (DLR)
Die neueste Generation sind Deep-Learning-Netze, die Rauschen unterdrücken und dabei die Gewebetextur erhalten sollen, indem sie aus hochwertigen Referenzbildern gelernte Muster nutzen. Studien zeigen, dass die DLR die Läsionsdetektion und die Niedrigkontrast-Erkennbarkeit selbst bei niedriger Dosis verbessern kann.23 Die Leistung hängt von den Trainingsdaten, der Architektur und der klinischen Aufgabe ab, daher ist eine lokale Validierung unerlässlich.
Quellen
- Bushberg JT, Seibert JA, Leidholdt EM, Boone JM. The Essential Physics of Medical Imaging, 3rd ed. Lippincott Williams & Wilkins, 2011. Bölüm 10 (Computed Tomography) — projeksiyon (s.351), basit ve filtreli geri projeksiyon, 1/r bulanıklığı ve rekonstrüksiyon filtresi (s.353), iteratif rekonstrüksiyon (s.357). Atıflardaki sayfa numaraları bu baskıya aittir.
- Brady SL, et al. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. RadioGraphics, 2021. pubs.rsna.org
- Düşük kontrast ayırt edilebilirliği ve doz azaltımında derin öğrenme rekonstrüksiyonu — fantom çalışması. PMC8980706