DoseSave
DoseSave · Konular · BT Rekonstrüksiyonu Nasıl Çalışır? FBP, İteratif ve Derin Öğrenme — Animasyonlarla
Rekonstrüksiyon · Animasyon

BT Rekonstrüksiyonu Nasıl Çalışır? FBP, İteratif ve Derin Öğrenme — Animasyonlarla

BT tarayıcısı doğrudan kesit üretmez; yüzlerce açıdan 'gölge' (projeksiyon) ölçer ve görüntüyü bunlardan geri hesaplar. Bu hesabın üç kuşağını adım adım, animasyonlu görsellerle izliyoruz: geri projeksiyon, filtreli geri projeksiyon ve iteratif/derin öğrenme.

Orta seviye· ~14 dakika· Kaynaklı

Bir BT tarayıcısı kesit görüntüyü doğrudan "çekmez". Yaptığı tek şey, hastayı yüzlerce açıdan geçen ışınların ne kadar zayıfladığını ölçmektir. Görüntü, bu ölçümlerden geri hesaplanır — işte buna rekonstrüksiyon denir. Bu yazıda o hesabın nasıl çalıştığını ve üç kuşağını adım adım izliyoruz.

Projeksiyon ve sinogram

Tek bir açıdan alınan ölçüm bir projeksiyondur: o yöndeki ışınların toplam zayıflamasını veren bir profil — bir tür gölge.1 Tüp ve dedektör döndükçe her açıdan bir projeksiyon toplanır; bunların hepsi bir araya geldiğinde sinogram denen ham veri oluşur.

her açıdan bir projeksiyonsinogram (açıya göre projeksiyonlar)Ölçüm → sinogram
Her açıda alınan profil (projeksiyon) bir satır olarak sinograma yazılır. Bir noktanın izi sinogramda bir sinüs eğrisi çizer — adı buradan gelir.

Geri projeksiyon: neden bulanık?

En sezgisel fikir geri projeksiyondur: her projeksiyonu, ölçüldüğü yön boyunca görüntü düzlemine geri "yayarsınız". Ama 360° boyunca toplanan bu yaymalar üst üste binince, keskin bir nokta yerine 1/r bulanıklığı oluşur — yani basit geri projeksiyon görüntüyü kaçınılmaz olarak bulanıklaştırır.1

Geri yaymalar üst üste binersonuç: bulanık leke (1/r)gerçek noktageri projeksiyon →+ bir açı
Her geri yayma merkezde toplanır; üst üste binen yaymalar keskin noktayı 1/r profilli bulanık bir lekeye dönüştürür. Bu yüzden basit geri projeksiyon tek başına yetmez.

Filtreli geri projeksiyon (FBP)

Çözüm zekicedir: her projeksiyonu geri yaymadan önce bir filtreden (konvolüsyon) geçirmek. Bu filtre, profile negatif yan-loblar ekleyerek 1/r bulanıklığını tam olarak götürür; sonuç keskin bir görüntüdür.1 Onlarca yıl standart olan yöntem budur. Filtre seçimi temel bir dengedir: daha keskin filtre uzaysal çözünürlüğü artırır ama gürültüyü de yükseltir.1

ölçülen profilfiltre ⊗filtreli profil (negatif yan-loblar)filtresiz → bulanıkfiltreli → keskinFBP: önce filtre, sonra geri yay
Filtre, profile negatif yan-loblar ekler; geri yayıldığında komşu bulanıklığı söndürür ve keskin görüntü kalır. Keskinlik–gürültü dengesini filtre seçimi belirler.

İteratif rekonstrüksiyon (IR)

İteratif rekonstrüksiyon problemi döngüyle çözer. Başlangıç bir tahmin (sabit görüntü ya da bir FBP görüntüsü) olabilir. Sonra: mevcut görüntü tahmininden ileri projeksiyonlar üretilir, bunlar ölçülen projeksiyonlarla karşılaştırılır; aradaki fark hata matrisidir. Algoritma bu hatayı azaltacak şekilde görüntüyü günceller ve döngü tekrar eder.1 Hesap yükü yüksektir; tüm büyük üreticiler uygulamıştır ve başlıca getirisi doz azaltma potansiyelidir.1

① Tahmin(başlangıç görüntü)② İleriprojeksiyon③ Ölçülenlekarşılaştır → hata④ Görüntüyügüncellehata azaldıkça:hata matrisi → küçülürDöngü: tahmin → ileri projeksiyon → karşılaştır → güncelle
Her turda tahmin ileri-projekte edilir, ölçülenle kıyaslanır ve fark (hata) azaltılacak şekilde görüntü güncellenir. Birkaç tur sonra gürültü daha düşük, doz daha az olabilir.

Derin öğrenme rekonstrüksiyonu (DLR)

En yeni kuşak, yüksek kaliteli referans görüntülerden öğrenilen örüntülerle gürültüyü, doku yapısını koruyarak bastırmayı hedefleyen derin öğrenme ağlarıdır. Çalışmalar, DLR'nin düşük dozda bile lezyon saptamayı ve düşük-kontrast ayırt edilebilirliğini iyileştirebildiğini göstermiştir.23 Performans eğitim verisine, mimariye ve klinik göreve bağlıdır; bu yüzden yerel doğrulama şarttır.

düşük doz · gürültülüsinir ağıgürültü azaltılmışDLR: öğrenilmiş gürültü azaltma
Ağ, gürültülü düşük-doz girdiyi öğrendiği örüntülerle temizler. Etkisi protokole ve göreve bağlıdır; klinik kullanımda yerel kalite kontrolle doğrulanmalıdır.
İlgili yazılar
Yöntemlerin güçlü/zayıf yönlerinin tablosu için: FBP, İteratif ve Derin Öğrenme Rekonstrüksiyonu. BT'de doz metrikleri için: CTDIvol, DLP ve SSDE. Parametre etkisi için: BT Parametreleri.

Kaynaklar

  1. 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.
  2. Brady SL, et al. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. RadioGraphics, 2021. pubs.rsna.org
  3. Düşük kontrast ayırt edilebilirliği ve doz azaltımında derin öğrenme rekonstrüksiyonu — fantom çalışması. PMC8980706
Not: Bu içerik eğitim amaçlıdır; klinik karar veya mevzuat uyumu için yetkili medikal fizik uzmanına ve güncel düzenlemelere başvurun.

← Tüm makaleler