DE102020131786A1

DE102020131786A1 - Method for metal artifact avoidance in x-ray imaging

Info

Publication number: DE102020131786A1
Application number: DE102020131786.7A
Authority: DE
Inventors: Jeffrey H. Siewerdsen; Pengwei Wu; Niral M. Sheth; Bjoern W. Kreher
Original assignee: Siemens Healthcare GmbH; Johns Hopkins University
Current assignee: Siemens Healthineers Ag De; THE JOHNS-HOPKINS UNIVERSITY, BALTIMORE, US
Priority date: 2019-12-06
Filing date: 2020-12-01
Publication date: 2021-06-10
Also published as: CN112927315A; US20210174502A1; US11790525B2

Abstract

Ein System und Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung wird bereitgestellt. Das Verfahren umfasst das Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; das Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten reduziert; das Bewegen eines Bildgebungssystems zu Orten, die mit dem Quellen-Detektor-Orbit, der geschätzt wurde, übereinstimmen; und das Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
Diese Anmeldung beansprucht die Priorität der am 6. Dezember 2019 eingereichten vorläufigen US-Anmeldung Nr. 62/944,615 , deren Offenbarung hiermit durch Bezugnahme in vollem Umfang einbezogen wird.
FELD
Die vorliegende Lehre betrifft allgemein die Röntgenbildgebung und insbesondere ein System und ein Verfahren zur Vermeidung von Metallartefakten bei der Röntgenbildgebung.
HINTERGRUND
Die dreidimensionale volumetrische Röntgenbildgebung - z. B. Röntgen-Computertomographie (CT) oder Cone-Beam-CT (CBCT) - ist ein weit verbreitetes Mittel zur Abbildung des Körpers bei diagnostischen und bildgesteuerten medizinischen Verfahren. Die CT ist eine tragende Säule der diagnostischen Radiologie, und CBCT-Systeme haben sich für eine Vielzahl spezialisierter Anwendungen entwickelt, umfassend die diagnostische Bildgebung in der Zahn-, HNO-, Orthopädie- und Brustdiagnostik sowie für die interventionelle Führung in der bildgesteuerten Chirurgie, interventionellen Radiologie und bildgesteuerten Strahlentherapie. Solche CBCT-Systeme bieten die Vorteile der Tragbarkeit, des geringen Platzbedarfs, der niedrigen Kosten und der Fähigkeit sowohl zur Durchleuchtung als auch zur 3D-Bildgebung. Das primäre Anwendungsgebiet der nachfolgend beschriebenen Erfindung ist die bildgeführte CBCT-Chirurgie, bei der Metallimplantate im Körper oft eine Einschränkung der Bildqualität darstellen. Sekundäre Anwendungen umfassen andere Bereiche der CBCT-Bildgebung (z. B. spezielle diagnostische Bildgebungssysteme in der Zahn-, HNO- oder orthopädischen Bildgebung) und möglicherweise einige Anwendungen der CT (z. B. interventionelle CT und/oder diagnostische CT).
Zu den Faktoren, die die Bildqualität bei CT und CBCT beeinträchtigen, gehören Bildartefakte, die von Objekten mit hoher Dichte (z. B. Metall) verursacht werden, wie z. B. chirurgische Klammern und Heftklammern, Zahnfüllungen, chirurgische Instrumente, orthopädische Implantate usw. Solche Objekte verursachen verschiedene Bildartefakte (allgemein als „Metallartefakte“ bezeichnet), die nützliche Informationen über das abgebildete Gewebe verdecken und die Abgrenzung der Metallobjekte selbst erschweren können. Ein Beispielszenario in der intraoperativen Bildgebung ist die Notwendigkeit, die Platzierung eines Metallinstruments (z. B. einer implantierten Schraube) in Bezug auf die umgebende Anatomie für die Führung, Navigation und Validierung der Platzierung eines chirurgischen Bauelements präzise zu visualisieren. Eine große Anzahl und/oder hohe Dichte von Metallobjekten im Sichtfeld (englisch: field-of-view, FOV) kann die Bildqualität stark beeinträchtigen und die Visualisierung der umliegenden Anatomie sowie die Bestätigung der Platzierung des Bauelements erschweren.
Die vorgenannten Artefakte umfassen dunkle und helle Streifen und Schlieren, die typischerweise als Metallartefakte bezeichnet werden. Solche Artefakte sind auf verschiedene Effekte zurückzuführen, umfassend Strahlenhärtung (Verschiebung des Röntgenenergiespektrums, die Fehler oder Verzerrungen im Detektorsignal verursacht), Röntgenstreuung (ein hoher Anteil an gestreuter Röntgenstrahlung, die zum Detektorsignal im stark dämpfenden Bereich von Metallobjekten beiträgt) und Photonenmangel (eine geringe Anzahl von Röntgenphotonen, die zum Detektorsignal im stark dämpfenden Bereich von Metallobjekten beiträgt). Darüber hinaus sind solche Effekte empfindlich gegenüber geometrischer Instabilität und geometrischen Kalibrierungsfehlern des Bildgebungssystems (insbesondere bei mobilen CBCT-Systemen, die im Vergleich zu Fixed-Gantry-CT- oder CBCT-Systemen mechanisch weniger stabil sind).
In Anerkennung der großen Herausforderung, die mit Metallartefakten verbunden ist, wurden zahlreiche Ansätze zur Reduzierung von Metallartefakten (englisch: metal artifact reduction, MAR) vorgeschlagen und implementiert, jeweils mit unterschiedlichen Vorteilen und einigen Mängeln. MAR-Algorithmen sind im Allgemeinen softwarebasiert und können in die folgenden großen Kategorien eingeteilt werden: (1) solche, die die gemessenen Projektionsdaten innerhalb der metallbeeinflussten Bereiche durch eine Korrektur der Detektorpixelwerte modifizieren (z. B. Interpolation/Übermalung). Solche Verfahren werden im Allgemeinen als Projection-Domain Metal Artefacts Correction (PMAC) bezeichnet; (2) Verfahren, die sich auf ein physikalisches Modell der Artefaktquellen berufen (z. B. spektrale Röntgenstrahlhärtung) und die Bildqualität durch iterative modellbasierte Bildrekonstruktion (MBIR) verbessern; und (3) Verfahren, die vorherige Informationen über die Metallobjekte (z. B. die genaue Form des Objekts) oder den Patienten (z. B. vorherige CT/MRI-Scans) in Kombination mit (1) und/oder (2) verwenden.
Zu den Nachteilen solcher MAR-Verfahren gehören: (1) Fehler bei der Lokalisierung des metallbeeinflussten Bereichs und/oder bei der Korrektur der Detektorpixelwerte; (2) Fehler bei der Modellierung des Röntgenstrahls oder anderer physikalischer Eigenschaften der Quelle der Artefakte; (3) das Erfordernis vorheriger Informationen über die Metallobjekte oder den Patienten, die möglicherweise nicht verfügbar oder schwer zu beschaffen sind; und (4) ein potenziell großer Rechenaufwand, wenn ein iterativer Algorithmus beteiligt ist. Trotz jahrzehntelanger Forschung und Entwicklung von MAR-Verfahren und deren Einsatz in einer Vielzahl von kommerziell erhältlichen klinischen CT- und CBCT-Systemen sind Metallartefakte nach wie vor eine Hauptquelle für Bildverschlechterungen.
Es besteht die Notwendigkeit, Techniken zu entwickeln, die die oben genannten Mängel überwinden. Außerdem funktionieren solche Verfahren besser, wenn die Qualität der im 3D-Scan erfassten Röntgenprojektionsdaten höher ist, d. h. wenn die Röntgenprojektionsdaten weniger durch Rauschen, Fehler und/oder Verzerrungen im Zusammenhang mit Metallobjekten im interessierenden Volumen beeinträchtigt sind. Das bedeutet, dass MAR-Verfahren besser funktionieren, wenn es weniger Artefakte zu korrigieren gibt. Das Verfahren stellt Röntgenprojektionsdaten bereit, die weniger von Metallobjekten beeinflusst sind (d. h. weniger Rauschen, Fehler und/oder Verzerrungen aufweisen), so dass die resultierenden 3D-Bildrekonstruktionen weniger Metallartefakte aufweisen, was möglicherweise die Notwendigkeit von MAR überflüssig macht, und/oder dass die Anwendung von MAR-Methoden besser funktioniert als bei Projektionsdaten, die auf herkömmliche Weise erfasst wurden.
ZUSAMMENFASSUNG
Gemäß den Beispielen der vorliegenden Offenbarung wird ein Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung bereitgestellt. Das Verfahren umfasst das Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; das Schätzen eines Quellen-Detektor-Orbits, das die Ausprägung von Metallartefakten reduziert; das Bewegen eines Bildgebungssystems an Orte, die mit dem geschätzten Quellen-Detektor-Orbit übereinstimmen; und das Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit. In einigen Beispielen ist die geschätzte Position möglicherweise nicht realisierbar, da das System typischerweise die bestehenden räumlichen Einschränkungen (wie Tischposition, Patientengröße, Werkzeuge usw.) nicht kennt. Daher kann das System den Benutzer dabei unterstützen, das Bildgebungssystem an einen optimalen Standort zu bewegen, der sowohl die geschätzte Position als auch die räumlichen Beschränkungen berücksichtigt.
Verschiedene zusätzliche Funktionen können in dem computerimplementierten Verfahren implementiert werden, umfassend die folgenden. Die Bestimmung kann ferner eines oder mehrere der folgenden Merkmale umfassen: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse, Verwenden eines oder mehrerer zuvor erfasster Röntgenbilder, oder Verwenden eines Verfolgungssystems, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren. Der Quellen-Detektor-Orbit kann die Position und Ausrichtung einer Röntgenquelle und eines Detektors für die in der 3D-Röntgenbildgebung zu erfassenden Projektionen umfassen. Das Schätzen der Quelle-Detektor-Bahn umfasst ferner das Berechnen einer Zielfunktion, die auf der ermittelten 3D-Position des Metalls basiert, wobei die Zielfunktion eine Eigenschaft beschreibt, die mit Metallartefakten bei der 3D-Bildrekonstruktion verbunden ist. Die Eigenschaft kann eine Schätzung einer spektralen Verschiebung, einer Dämpfung oder Kombinationen davon umfassen. Die Zielfunktion kann auf einer oder mehreren der folgenden Größen basieren: einer Standardabweichung einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einem Maximum der metrischen Karte entlang der Rotationsachse des Gantrys, einer Summe der metrischen Karten für einen Bereich von Rotationswinkeln des Gantrys. Der Schweregrad von Metallartefakten kann im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert werden. Das Scannen kann ferner die Erfassung einer Vielzahl von Röntgenprojektionen entlang des Quelle-Detektor-Orbits und das Ausbilden einer 3D-Bildrekonstruktion des Objekts umfassen. Das Ausbilden der 3D-Bildrekonstruktion kann ferner die Durchführung eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen umfassen, die eine gefilterte 3D-Rückprojektion oder eine modellbasierte Bildrekonstruktion umfassen.
Gemäß Beispielen der vorliegenden Offenbarung wird ein 3D-Röntgenbildgebungssystem bereitgestellt. Das 3D-Röntgenbildgebungssystem kann eine 3D-Röntgenbildgebungsvorrichtung umfassen, die eine Gantry umfasst, die in einer Vielzahl von Neigungswinkeln entlang einer Neigungsachse und einer Vielzahl von Rotationswinkeln entlang einer Rotationsachse beweglich ist; und einen Hardware-Prozessor, der so eingerichtet ist, dass er Befehle ausführt, die Folgendes umfassen: Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; Schätzen eines Quellen-Detektor-Orbits, das die Ausprägung von Metallartefakten reduziert; Bewegen eines Bildgebungssystems zu Orten, die mit dem geschätzten Quellen-Detektor-Orbit übereinstimmen; und Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.
Verschiedene zusätzliche Merkmale können in dem computer-implementierten Verfahren implementiert werden, umfassend die folgenden. Die Bestimmung kann ferner eines oder mehrere der folgenden Merkmale umfassen: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse, Verwenden eines oder mehrerer zuvor erfasster Röntgenbilder oder Verwenden eines Verfolgungssystems, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren. Der Quellen-Detektor-Orbit kann eine Position und Orientierung einer Röntgenquelle und eines Detektors für die in der 3D-Röntgenbildgebung zu erfassenden Projektionen umfassen. Das Schätzen des Quelle-Detektor-Orbits kann ferner das Berechnen einer Zielfunktion umfassen, die auf der ermittelten 3D-Position des Metalls basiert, wobei die Zielfunktion eine Eigenschaft beschreibt, die mit Metallartefakten bei der 3D-Bildrekonstruktion verbunden ist. Die Eigenschaft kann eine Schätzung einer spektralen Verschiebung, einer Dämpfung oder Kombinationen davon umfassen. Die Zielfunktion kann auf einer oder mehreren der folgenden Größen basieren: eine Standardabweichung einer metrischen Karte entlang einer Rotationsachse einer Gantry, ein Maximum der metrischen Karte entlang der Rotationsachse der Gantry, eine Summe der metrischen Karten für einen Bereich von Rotationswinkeln der Gantry. Die Ausprägung von Metallartefakten kann im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert werden. Das Abtasten kann ferner das Erfassen einer Vielzahl von Röntgenprojektionen entlang der Quelle-Detektor-Bahn und das Ausbilden einer 3D-Bildrekonstruktion des Objekts umfassen. Das Ausbilden der 3D-Bildrekonstruktion kann ferner die Durchführung eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen umfassen, die eine gefilterte 3D-Rückprojektion oder eine modellbasierte Bildrekonstruktion umfassen.
Gemäß Beispielen der vorliegenden Offenbarung wird ein nicht-transitorisches computerlesbares Medium bereitgestellt, das Befehle umfasst, die, wenn sie von einem Hardware-Prozessor ausgeführt werden, so eingerichtet sind, dass sie ein Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung durchführen, wobei das Verfahren Folgendes umfasst: Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten verringert; Bewegen eines Bildgebungssystems zu Orten, die mit dem geschätzten Quellen-Detektor-Orbit übereinstimmen; und Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit .
Gemäß Beispielen der vorliegenden Offenbarung wird ein computerimplementiertes Verfahren zur Vermeidung von Metallartefakten in der Computertomographie (CT)-Bildgebung bereitgestellt. Das computerimplementierte Verfahren umfasst das Erfassen einer Vielzahl von Anfangsansichten einer Zielposition eines abgebildeten Volumens, um eine anfängliche Führung bei der CT-Bildgebung unter Verwendung eines CT-Bildelements bereitzustellen; das Ausbilden einer groben 3D-Dämpfungskarte der Zielposition durch einen Hardwareprozessor; das Segmentieren der groben 3D-Dämpfungskarte in eine Vielzahl von Bildern mit ähnlichen Eigenschaften unter Verwendung eines vom Hardwareprozessor ausgeführten Segmentierungsalgorithmus; Berechnen einer grafischen Darstellung durch den Hardware-Prozessor, die sich auf einen Schweregrad eines Metallartefakts in der Zielposition bezieht; Berechnen einer Zielfunktion durch den Hardware-Prozessor, die in Bezug auf einen Neigungswinkel eines Bauelements des CT-Bildgebungsgeräts definiert ist, um die Ausprägung des Metallartefakts über einen Bereich von Rotationswinkeln des Bauelements zu erfassen; und Bestimmen eines gewünschten Neigungswinkels durch den Hardware-Prozessor basierend auf der Zielfunktion für das Bauelement, bei dem ein 3D-Bildscan der Zielposition durchgeführt werden soll, um das Metallartefakt zu vermeiden.
Verschiedene zusätzliche Funktionen können in dem computerimplementierten Verfahren implementiert werden, einschließlich der folgenden. Die Mehrzahl von Anfangsansichten kann eine Mehrzahl von Erkundungsansichten umfassen, wobei eine Erkundungsansicht der Mehrzahl von Erkundungsansichten eine Betriebsart des CT-Bauelements ist, um CT-Schichten zur Anfangspositionierung des CT-Bauelements vorzuschreiben. Die grobe 3D-Dämpfungskarte kann durch Rückprojektion jeder der Vielzahl von Erkundungsansichten ausgebildet werden. Der gewünschte Neigungswinkel kann basierend auf der Bestimmung eines Minimums der Zielfunktion bestimmt werden. Die grafische Darstellung kann eine metrische Karte umfassen, die Rotationswinkel mit Neigungswinkeln des Gantrys betrifft. Die Zielfunktion kann auf einer Standardabweichung der metrischen Karte entlang einer Rotationsachse des Gantrys beruhen. Die Zielfunktion kann auf einem Maximum der metrischen Abbildung entlang einer Rotationsachse des Gantrys basieren. Die Zielfunktion kann auf einer Summe der metrischen Abbildungen für den Bereich der Rotationswinkel des Gantrys basieren. Das computerimplementierte Verfahren kann ferner die Durchführung des 3D-Bildscans der Zielposition auf der Grundlage des ermittelten Sollneigungswinkels umfassen. Das computerimplementierte Verfahren kann ferner das Bereitstellen des gewünschten Neigungswinkels an einen Bediener des CT-Bauelements umfassen, für das der 3D-Bildscan durchgeführt wird.
Gemäß Beispielen der vorliegenden Offenbarung wird ein Computertomographie-(CT)-Bildgebungssystem bereitgestellt, das ein CT-Bildgebungselement umfassen kann, das eine Gantry umfasst, die in einer Vielzahl von Neigungswinkeln entlang einer Neigungsachse und einer Vielzahl von Drehwinkeln entlang einer Drehachse beweglich ist; und einen Hardware-Prozessor, der so eingerichtet ist, dass er Anweisungen ausführt, die Folgendes umfassen: Erfassen mehrerer anfänglicher Ansichten einer Zielposition eines abgebildeten Volumens, um eine anfängliche Führung bei der CT-Bildgebung unter Verwendung des CT-Bauelements bereitzustellen; Ausbilden einer groben 3D-Dämpfungskarte der Zielposition; Segmentieren der groben 3D-Dämpfungskarte unter Verwendung eines Segmentierungsalgorithmus in mehrere Bilder mit ähnlichen Eigenschaften; Berechnen einer grafischen Darstellung, die sich auf eine Ausprägung eines Metallartefakts an der Zielposition bezieht; Berechnen einer Zielfunktion, die in Bezug auf den Neigungswinkel definiert ist, um die Ausprägung des Metallartefakts über einen Bereich von Drehwinkeln der Gantry zu erfassen; und Bestimmen eines gewünschten Neigungswinkels basierend auf der Zielfunktion für die Gantry, bei dem ein 3D-Bildscan der Zielposition durchgeführt werden soll, um das Metallartefakt zu vermeiden.
Verschiedene zusätzliche Funktionen können in dem CT-Bildgebungssystem implementiert werden, umfassend die folgenden. Die Mehrzahl von Anfangsansichten kann eine Mehrzahl von Erkundungsansichten umfassen, wobei eine Erkundungsansicht der Mehrzahl von Erkundungsansichten eine Betriebsart des CT-Bildgebungselements ist, um CT-Schichten zur Anfangspositionierung des CT-Bildgebungselements vorzuschreiben. Die grobe 3D-Dämpfungskarte kann durch Rückprojektion jeder der Vielzahl von Erkundungsansichten ausgebildet werden. Der gewünschte Neigungswinkel wird auf der Grundlage der Bestimmung eines Minimums der Zielfunktion ermittelt. Die grafische Darstellung umfasst eine metrische Karte, die Rotationswinkel mit Neigungswinkeln des Gantrys betrifft. Die Zielfunktion basiert auf einer Standardabweichung der metrischen Karte entlang einer Rotationsachse des Gantrys. Die Zielfunktion kann auf einem Maximum der metrischen Abbildung entlang einer Rotationsachse des Gantrys basieren. Die Zielfunktion kann auf einer Summe metrischer Abbildungen für den Bereich von Drehwinkeln des Gantrys beruhen. Der Hardware-Prozessor kann ferner so eingerichtet sein, dass er Anweisungen ausführt, die die Durchführung des 3D-Bildscans der Zielposition auf der Grundlage des ermittelten gewünschten Neigungswinkels umfassen. Der Hardware-Prozessor kann ferner so konfiguriert sein, dass er Anweisungen ausführt, die das Bereitstellen des gewünschten Neigungswinkels für einen Bediener des CT-Bauelements umfassen, für das der 3D-Bildscan durchgeführt wird.
Figurenliste
Die beigefügten Zeichnungen, die Bestandteil dieser Offenbarung sind, veranschaulichen Implementierungen der vorliegenden Lehre und dienen zusammen mit der Beschreibung zur Erläuterung der Prinzipien der Offenbarung. In den Figuren:

1A und 1B zeigen eine Illustration eines Beispielsystems und einer Beispielgeometrie für MAA. Der Neigungswinkel (ϕ*) definiert eine kreisförmige Orbit-Scan-Ebene, die Metallartefakte in der 3D-Bildrekonstruktion reduziert.
2 zeigt ein Flussdiagramm für ein MAA-Verfahren gemäß Beispielen der vorliegenden Offenbarung.
3A-3C zeigen eine illustrative Simulationsstudie des MAA-Verfahrens. 3A zeigt die Volumendarstellung eines zylindrischen Wasserphantoms, das verschiedene Metallkugeln und Stäbe enthält. Zwei Erkundungsprojektionsansichten (AP und Lateral)) des Phantoms, entsprechend p(u,v|θ = 0, ϕ = 0) und p(u,v|θ = 90,ϕ = 0) im MAA-Verfahren. 3B zeigt das rückprojizierte Volumen (grobe 3D-Dämpfungskarte, bezeichnet mit µ_c) aus zwei Erkundungsansichten. 3C zeigt eine einfache intensitätsbasierte Segmentierung (die segmentierte grobe 3D-Dämpfungskarte, bezeichnet als µ_seg) von Metallobjekten mit hoher Dichte aus der Dämpfungskarte in 3B. Der gestrichelt eingezeichnete Bereich in 3C zeigt eine vergrößerte Ansicht eines der segmentierten Bereiche.
4 zeigt eine metrische Karte q(θ, ϕ), die aus Ansichten (simulierte Vorwärtsprojektion) der vollständigen 3D-Dämpfungskarte von Metallobjekten berechnet wurde. q(θ, ϕ) (das die Menge der metallbezogenen BH-Artefakte betrifft, Gl. (1)) wird hier für alle möglichen C-Bogen-Gantry-Winkel und Neigungen berechnet. Das hier gezeigte Ergebnis wird unter der Annahme berechnet, dass die Metallobjekte perfekt bekannt sind - d.h. die vollständige 3D-Dämpfungskarte der Metallobjekte anstelle von µ_seg.
5 zeigt die Zielfunktion Q(ϕ), die aus der metrischen Karte q(θ, ϕ) in 4 berechnet wurde. Die hier dargestellte Form für Q(ϕ) ist Gl. (6). Die Minima in der Zielfunktion Q(ϕ) (Q(ϕ) = max q(θ,ϕ)) stellen Neigungswinkel (ϕ*) dar, die Metallartefakte in der 3D-Bildrekonstruktion am besten vermeiden (markiert durch Pfeile 502 und 504).
6 zeigt eine Illustration des Neigungswinkels, der Metallartefakte mit dem MAA-Verfahren für das simulierte Phantom in 3A reduziert. Hier sind 3D-Bildrekonstruktionen bei verschiedenen Neigungswinkeln (oben in jeder Teilfigur markiert, ϕ = 1-30 Grad) dargestellt. Die Bilder, die den Minima in Q(ϕ) entsprechen (Pfeile 502 und 504 in 5), sind jeweils durch Sterne 602 und 604 für ϕ = 8 bzw. 27 Grad gekennzeichnet.
7A und 7B zeigen die MAA-Metriken, die aus nur 2 Erkundungsprojektionsansichten berechnet wurden. 7A zeigt die metrische Karte q(θ, ϕ). Beachten Sie die Ähnlichkeit mit 4 (wo die metrische Karte unter der Annahme einer vollständigen 3D-Dämpfungskarte der Metallobjekte berechnet wurde). Die aus nur 2 Ansichten berechnete metrische Karte schafft es immer noch, Ansichten zu lokalisieren, die einer hohen Dämpfung (hohe spektrale Verschiebung) entsprechen, die zu Metallartefakten führen. 7B zeigt die Zielfunktion Q(ϕ), die aus horizontalen Linien in der metrischen Karte von 7A berechnet wurde. Dies reproduziert wiederum die idealisierten Ergebnisse von 5 und zeigt wünschenswerte Neigungswinkel bei ^∼ϕ = 8° und ^∼ϕ = 27° (Pfeile 702 und 704).
8A-8E zeigen physikalische Phantomversuchsergebnisse für das MAA-Verfahren. 8A zeigt zwei Erkundungsprojektionsansichten, p(u,v|θ = 0,ϕ = 0) und p(u, v|θ = 90, ϕ = 0). 8B zeigt eine grobe 3D-Dämpfungskarte (µ_c), die durch ungewichtete Rückprojektion der beiden Erkundungsansichten in 8A ausgebildet wurde. 8C zeigt die intensitätsbasierte Segmentierung der groben 3D-Dämpfungskarte (µ_seg).
8D zeigt die mit Gleichung (1) berechnete metrische Karte q(θ, ϕ) durch Vorwärtsprojektion von 8C (µ_seg). 8E zeigt die aus horizontalen Linien in 8D berechnete Zielfunktion Q(ϕ), deren Minimum Neigungswinkel (ϕ*) vorschlägt, die Metallartefakte vermeiden.
9A-9F zeigen axiale Ansichten des Thoraxphantoms, die mit verschiedenen Neigungswinkeln aufgenommen wurden. Beachten Sie die Artefakte (helle und dunkle Streifen um die Wirbelsäulenschraube) für ϕ = 0°, verglichen mit der Reduzierung solcher Artefakte für Bilder, die mit dem Neigungswinkel ϕ = 20° oder 30° aufgenommen wurden, der durch das MAA-Verfahren vorhergesagt wurde.
10A zeigt ein koronales Bild des Simulationsphantoms #2. 10B zeigt ein Volumen-Rendering des Simulationsphantoms #2 (mit Schrauben dargestellt).
11A zeigt die q(θ, ϕ) metrische Karte, die aus dem Simulationsphantom #2 2 berechnet wurde. Die optimale nicht kreisförmige Bahn ist durch die Kurve 1102 markiert. 11B zeigt das Q(ϕ)-Objektiv (halbkreisförmig), aufgetragen über einen Bereich von Gantry-Neigungswinkeln. Das nicht-zirkuläre Q(ϕ(θ)) erreicht einen niedrigeren Wert als jede Einstellung des halbzirkulären Umlaufs. 11C zeigt axiale Schichten (Schraube #3, Winkel außerhalb der Ebene 0°), die mit optimaler zirkulärer (oben) und nicht-zirkulärer (unten) Umlaufbahn aufgenommen wurden (rekonstruiert mit dem „Penalized Weighted Least Square“ (PWLS) Verfahren). 11D zeigt drei Beispielschrauben (#4-6, Winkel außerhalb der Ebene 0°, 11° bzw. 22°), die mit optimaler halbzirkulärer (oben) und nicht-zirkulärer (unten) Umlaufbahn aufgenommen wurden, wobei auffällt, dass die mit dem nicht-zirkulären MAA-Verfahren gewonnenen Bilder deutlich weniger Metallartefakte aufweisen. Gekippte axiale Ansichten über den Schaft jeder Schraube wurden gezeigt. 11E zeigt das axiale Bild der simulierten Schraube in Grundeinstellung.
12 zeigt das Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung gemäß den Beispielen der vorliegenden Offenbarung.
13A und 13B zeigen einen mobilen C-Bogen, geometrische Parameter des C-Bogens bzw. eine vergrößerte Ansicht des Detektors gemäß den Beispielen der vorliegenden Offenbarung. Die neun über die geometrische Kalibrierung ermittelten Parameter (Freiheitsgrade) sind markiert. (B) Quelle-Detektor-Umlaufbahnen, dargestellt auf einer Kugel. Dargestellt sind kreisförmige Bahnen (verschiedene Einstellungen der Gantry-Neigung, ϕ). Ein nicht kreisförmiger Orbit ist als Beispiel dargestellt (ϕ ändert sich mit θ). Der gezoomte Ausschnitt zeigt die Schätzung der geometrischen Parametrisierung für eine Ansicht, die durch Interpolation der vier nächstgelegenen Scheitelpunkte in einer Bibliothek geometrischer Kalibrierungen von zirkulären Scans ermittelt wurde.
14 zeigt ein neuronales Ende-zu-Ende-Netzwerk für die 3D-Lokalisierung/Segmentierung von Metallinstrumenten gemäß Beispielen der vorliegenden Offenbarung.
15A und 15B zeigen den Grad der Reproduzierbarkeit der Systemgeometrie für die vorgegebene, nicht zirkuläre Umlaufbahn gemäß Beispielen der vorliegenden Offenbarung.
16A - 16D zeigen die Auswirkung der geometrischen Kalibrierungsgenauigkeit auf die räumliche Auflösung (Modulationsübertragungsfunktion, kurz MTF) und die 3D-Bildqualität, wobei 16A die MTF für die drei Szenarien zeigt, die durch die Anordnung in 13A und 13B definiert sind, und 16B, 16C und 16D zeigen axiale und sagittale vergrößerte Ansichten (Schädelbasis) eines Kopfphantoms für die drei Szenarien.
17A, 17B und 17C zeigen die erwartete Verringerung der Kegelstrahlartefakte von nicht kreisförmigen Bahnen in sagittalen Bildern eines Kopfphantoms, das Stapel von flachen Scheiben enthält, wie sie durch die Anordnung von 13A und 13B definiert sind. Die scheinbare Dicke (full-width-at-half-maximum, bezeichnet als FWHM) des Randes der obersten Scheibe wurde von 9 mm für das Standard-„Kreisprotokoll“ auf ihre wahre Dicke (^~5,5 mm) für beide nicht-kreisförmigen Szenarien reduziert.
18 zeigt die Leistung der Segmentierung von realen oder simulierten Metallimplantaten in Bezug auf den Dice-Koeffizienten (bezeichnet als DC) in Validierungstests von drei Netzwerktypen (einfaches U-Netz, duales U-Netz und Ende zu Ende) in Abhängigkeit von der Anzahl der Projektionsansichten.
19A-19E zeigt die Segmentierungsleistung von drei neuronalen Netzen im Testdatensatz (Kadaver mit 12 Pedikelschrauben) gemäß den Beispielen der vorliegenden Offenbarung. 19A-19C zeigen Beispiele für die Segmentierung axialer Schichten, die mit der Grundwahrheit überlagert sind.) Die Segmentierungen sind für eine unterschiedliche Anzahl von Scout-Ansichten dargestellt. 19D zeigt die aus zwei Ansichten berechnete Isofläche von µ_seg für das Ende-zu-Ende-Verfahren. 19E zeigt die Isofläche der Segmentierung der Bodenwahrheit (mit der gleichen Abwärtsabtastung wie µ_seg).
20A-20F zeigt ein MAA-Verfahren, das gemäß den Beispielen der vorliegenden Offenbarung auf ein mit acht Pedikelschrauben implantiertes Brustkorbphantom angewendet wurde. 20A zeigt die (θ, ϕ) metrische Karte, überlagert mit der optimalen nicht-zirkulären Umlaufbahn. 20B zeigt das Ausmaß des Blooming-Artefakts (FWHM des Schraubenschafts) für jede der 8 Schrauben. Axiale Bilder in (20C und 20E) für zirkuläre und (MAA) nicht-zirkuläre Scans zeigen die Verbesserung der visuellen Bildqualitätserfassung, die ferner in (20D und 20F) durch gezoomte quasi-axiale Schnitte in der Ebene mit jeder Schraube dargestellt wird.
21 zeigt ein weiteres Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung gemäß Beispielen der vorliegenden Offenbarung.
22 zeigt ein weiteres Verfahren zur Vermeidung von Metallartefakten in der 3D-Röntgenbildgebung unter Verwendung eines CNN-Netzwerks gemäß Beispielen der vorliegenden Offenbarung.
23 ist ein Beispiel einer Hardware-Konfiguration für ein Bauelement, gemäß Beispielen der vorliegenden Offenbarung.

Es ist zu beachten, dass einige Details der Figuren vereinfacht wurden und gezeichnet sind, um das Verständnis der vorliegenden Lehre zu erleichtern, und nicht, um eine strenge Strukturierung, Detailgenauigkeit und Skalierung zu gewährleisten.
AUSFÜHRLICHE BESCHREIBUNG
Allgemein gesagt, stellen Beispiele der vorliegenden Offenbarung ein System und Verfahren zur Vermeidung von Metallartefakten (MAA) bereit, das sich von PMAC und MBIR unterscheidet und eine Verbesserung gegenüber diesen darstellt, keine Vorinformationen des Patienten über Metallimplantate voraussetzt, auf Wunsch in Kombination mit PMAC und/oder MBIR verwendet werden kann und an sich nur einen geringen oder gar keinen Rechenaufwand verursacht. Konkret stellt das vorliegende System und Verfahren MAA bereit, indem es die CT- oder CBCT-Bildaufnahme so anpasst, dass der Einfluss von Metallobjekten auf die Projektionsdaten und damit die Schwere der Metallartefakte reduziert wird. Das vorliegende System und Verfahren liefert nicht unbedingt „minimale“ oder „null“ Metallartefakte, stellt aber weniger Artefakte bereit als ein herkömmlicher Scan.
Aspekte der vorliegenden Offenbarung unterscheiden sich von früheren PMAC-Ansätzen in folgender Weise: (1) Das vorliegende System und Verfahren ist eine hardwarebasierte Lösung, die, anstatt Metallartefakte in der Nacherfassungsphase zu korrigieren, versucht, Metallartefakte von vornherein während der Bildaufnahme zu vermeiden. Das Verfahren ist robuster als softwarebasierte Verfahren und kann ohne größere Änderungen an der Artefaktkorrektur- und Rekonstruktionspipeline leicht in aktuelle CBCT-Systeme integriert werden - d.h. der MAA-Ansatz ist konsistent mit (kann in Kombination mit) bestehenden PMAC-Methoden verwendet werden und (2) die für das automatische Trajektoriendesign benötigten Informationen werden durch eine kleine Anzahl (z.B. zwei) Erkundungsansichten gewonnen. Im Gegensatz zu einigen oben erwähnten Verfahren sind für die vorgeschlagene Lösung keine Vorabinformationen über die Metallobjekte oder den Patienten erforderlich, obwohl solche Vorabinformationen umfassend einbezogen werden können - zum Beispiel, um den Segmentierungsschritt in 208 von 2 zu verbessern. Das Verfahren zur Bestimmung des Gantry-Neigungswinkels auf der Basis von nur zwei Erkundungsansichten. Das Verfahren zur Bestimmung des Neigungswinkels für MAA mit einem CBCT-Bildgebungssystem wird auf der Basis von bis zu zwei Erkundungsansichten mit den nachfolgend beschriebenen Verfahren berechnet. Die Bestimmung des Neigungswinkels wird als einfaches Optimierungsproblem (in Bezug auf ϕ) mit dem Ziel der Reduzierung von Metallartefakten ausgebildet. Das Problem wird der Einfachheit und Recheneffizienz halber in der Projektionsdomäne abgebildet.
Normalerweise nehmen CT- oder CBCT-Systeme Projektionsbilddaten über einen Kreisorbit auf - d. h., die Röntgenquelle und der Detektor bewegen sich auf einem Kreis um den Patienten - und die Ebene, die diesen Kreisorbit enthält, ist orthogonal zur Längsachse des Patienten. Beachten Sie die drei folgenden Punkte in Bezug auf den Quellen-Detektor-Orbit:
(i) In früheren Arbeiten wurde über verschiedene bildgebende Verfahren berichtet, die nicht kreisförmige Orbits beinhalten - z. B. um das FOV zu erweitern, um „Kegelstrahl-Artefakte“ zu reduzieren (die sich völlig von Metallartefakten unterscheiden), oder um die Raumfrequenzabtastung in Bezug auf eine bestimmte Bildgebungsaufgabe zu maximieren. Nicht kreisförmige Orbits erfordern in der Regel anspruchsvollere analytische oder iterative (MBIR) Verfahren im Vergleich zur einfachen gefilterten 3D-Rückprojektion (die für kreisförmige Orbits geeignet ist und die häufigste Grundlage der CT- oder CBCT-Bildrekonstruktionsverfahren darstellt).
(ii) Darüber hinaus ist es nicht ungewöhnlich, dass CT- oder CBCT-Daten mit einem kreisförmigen Orbit erfasst werden, der in Bezug auf die Längsachse des Patienten gekippt ist. Bei der diagnostischen CT des Kopfes beispielsweise wird die Gantry des CT-Scanners manchmal entlang der canthomeatalen Linie gekippt, um Strahlenhärtungseffekte im Zusammenhang mit den Felsenknochen des Schädels zu reduzieren. Diese Technik der Gantry-Neigung ist ziemlich spezifisch für die Bildgebung des Schädels und dient der Überwindung der hohen Dämpfung an den üblichen anatomischen Stellen (und ist nicht auf die Vermeidung von Metallartefakten ausgerichtet). Ein gekippter (kreisförmiger) Orbit ist immer noch mit der gefilterten 3D-Rückprojektion (bezeichnet als FBP) und anderen analytischen Rekonstruktionstechniken vereinbar. Ein nicht kreisförmiger Orbit ist möglicherweise nicht mit der grundlegenden 3D-FBP oder anderen analytischen Rekonstruktionsalgorithmen konsistent. Sowohl kreisförmige als auch nicht kreisförmige Orbits können im Allgemeinen mit einer typischen modellbasierten iterativen 3D-Rekonstruktion (MBIR) mit Kenntnis der Systemgeometrie konsistent sein. Sowohl zirkuläre als auch nicht-zirkuläre Orbits können mit Hilfe eines neuronalen Netzwerks für tiefes Lernen (DL), eines Faltungsneuronalen Netzwerks (CNN) oder anderer betreffender Verfahren rekonstruiert werden. Das MAA-Verfahren ist auf alle derartigen Rekonstruktions- und Nachbearbeitungsmethoden anwendbar, da es sich auf das Verfahren der Datenerfassung und nicht auf das Verfahren der Rekonstruktion an sich bezieht.
(iii) Das Verfahren MAA richtet den Quellen-Detektor-Orbit so ein, dass speziell der Einfluss von Metallobjekten auf die Projektionsdaten minimiert wird - z. B. Signalverzerrungen, die mit der Abschwächung des Röntgenstrahls durch Metallobjekte verbunden sind. Ein nachfolgend beschriebenes, nicht einschränkendes Beispiel beinhaltet einen geneigten kreisförmigen (oder halbkreisförmigen) Orbit [wie in (ii)] und wählt den Neigungswinkel in einer Weise, die speziell die Auswirkungen von stark dämpfenden Metallobjekten auf die Projektionsdaten minimiert (und dadurch hilft, Metallartefakte in der 3D-Bildrekonstruktion zu vermeiden).
In einem nicht einschränkenden Beispiel beinhaltet MAA einen titulierten kreisförmigen Orbit, wobei der Neigungswinkel durch eine kleine Anzahl von Projektionsansichten (z. B. 2 Ansichten) bestimmt wird, die als „Erkundungs“-Ansichten (engl.: „Scout“-views) bezeichnet werden. Aus nur 2 Erkundungsansichten kann ein geneigter kreisförmiger Orbit bestimmt werden, der den Einfluss von Metall auf die Projektionsdaten minimiert - d.h. Metallartefakte von vornherein vermeidet, anstatt sie mit PMAC zu korrigieren oder ihren Einfluss bei der Bildrekonstruktion mit MBIR zu reduzieren. Nichtsdestotrotz sind Scans, die mit dem MAA-Verfahren aufgenommen wurden, immer noch mit PMAC und/oder MBIR kompatibel und können in ähnlicher Weise von den Eigenschaften beider Verfahren profitieren.
1A und 1B zeigen eine Illustration eines Beispielsystems und einer Beispielgeometrie für MAA gemäß Beispielen der vorliegenden Offenbarung. 1A zeigt ein CT-System 102 mit einer Gantry 104 in Form eines beweglichen C-Arms oder O-Arms, die in zumindest zwei Freiheitsgraden beweglich ist, bezeichnet durch den Kippwinkel (ϕ*) 106 und den Drehwinkel (ϑ) 108. Der Kippwinkel (ϕ*) 106 definiert eine kreisförmige Orbit-Scan-Ebene, die Metallartefakte in der 3D-Bildrekonstruktion reduziert. Der Kippwinkel kann von -30° bis +30° variieren. Der Drehwinkel kann von 0° bis 196° variieren. Da der C-Bogen eine motorisierte Steuerung sowohl des Neigungs- als auch des Rotationswinkels bereitstellt, können nicht-kreisförmige Orbits durch computergesteuerte Variation des Neigungs- und Rotationswinkels während des Abtastens ausgeführt werden. Ein mobiler C-Bogen oder ein O-Bogen sind typische Beispiele für CBCT-Bildgebungssysteme, die eine gekippte kreisförmige Trajektorie ausführen können. Ein mobiler C-Bogen oder O-Bogen sind typische Beispiele für CBCT-Bildgebungssysteme, die über eine Röntgenröhre, einen computergesteuerten Röhrenausgang und einen Röntgendetektor (z. B. einen Flachdetektor, FPD) mit einer Detektorfläche verfügen können, die ausreicht, um ein interessierendes Volumen im 3D-Scan abzudecken. Die Systemgeometrie wird in der Regel durch einen Quelle-Detektor-Abstand (SDD) und einen Quelle-Achse-Abstand (SAD) definiert, was zu einem volumetrischen Sichtfeld (FOV) führt, das ein interessierendes Volumen abdeckt. Ein nominales Scan-Protokoll umfasst eine Vielzahl von Projektionen, die über einen Scan-Bogen von 180° oder mehr bei bestimmten Einstellungen der Röntgenröhrenleistung und der Scan-Zeit erfasst werden. Zu den Systemen, die für die vorliegende Offenbarung geeignet sind, gehören isozentrische oder nicht-isozentrische C-Bögen, O-Bögen, C-Bögen mit festem Raum (z. B. Axiom Artis Zee) oder diagnostische CT-Scanner mit Ringportal, die eine Gantry-Neigung ermöglichen (z. B. Somatom Definition).
1A zeigt auch das Koordinatensystem (x, y, z) 110 für das zu scannende Objekt 112 und das Koordinatensystem (u, v) 114 für eine Ebene der Gantry 104. 1A zeigt auch eine normale (nicht gekippte) kreisförmige Trajektorie (Kippwinkel ϕ = 0, dargestellt durch Kreis 114, und eine gekippte kreisförmige Trajektorie, dargestellt durch Kreis 116. 1B zeigt das Diagnosesystem 114, das gemäß den Beispielen der vorliegenden Offenbarung mit dem CT-System 102 gekoppelt werden kann. Das Steuersystem 118 kann ein Computersystem umfassen, das zur Verarbeitung und Anzeige der Ergebnisse des CT-Systems 102 unter Verwendung des Verfahrens, wie es ferner unten beschrieben wird, verwendet wird.
2 zeigt ein computerimplementiertes Verfahren 200 zur Vermeidung von Metallartefakten bei der CT-Bildgebung gemäß den Beispielen der vorliegenden Offenbarung. Vor Beginn des Verfahrens 200 werden ein Patient und ein Metallinstrumentarium auf einem Tisch des CT-Systems 102 positioniert und ein Abtastvorgang ist bei 202 angegeben.
Das Verfahren 200 wird fortgesetzt, indem bei 204 eine Vielzahl (z. B. 2 oder mehr) von Erkundungsansichten entlang einer normalen (nicht gekippten) kreisförmigen Trajektorie (Kippwinkel ϕ = 0, dargestellt durch Kreis 114 in 1A) aufgenommen wird. Nach der Bestimmung des Kippwinkels ϕ* wird ein 3D-Scan des Patienten mit dieser gekippten Kreisbahn durchgeführt (dargestellt durch Kreis 116 in 1A). Bei einer nominalen, nicht gekippten Kreisgeometrie werden zwei Erkundungsansichten (z. B. laterale und AP-Ansichten im Abstand von 90 Grad) erfasst. Projektionsansichten, die bei bestimmten θ und ϕ) erfasst werden, werden als p(u, v|θ_i, ϕ_i) bezeichnet. Mit dieser Definition können die beiden Erkundungsansichten (i = 1,2) als p(µ,v|θ = 0,ϕ = 0) und p(u,v|θ = 90, ϕ = 0) bezeichnet werden. Diese Erkundungsansichten können mit einer sehr geringen Dosis aufgenommen werden, da sie nur Bereiche darstellen müssen, die mit Metallobjekten verbunden sind. Die Aufnahme von Standard-Erkundungsansichten zu Beginn der Prozedur ist typisch und bedeutet keinen zusätzlichen Arbeitsablauf oder Dosis für den Patienten.
Das Verfahren 200 fährt bei 206 mit dem Ausbilden einer groben 3D-Dämpfungskarte (µ_c) durch Rückprojektion der bei 204 erfassten Erkundungsansicht fort. Um dichte Anatomie und Metallobjekte auf der Grundlage der erfassten Erkundungsansichten zu lokalisieren, werden die beiden Erkundungsansichten rückprojiziert, um eine grobe 3D-Dämpfungskarte (µ_c) zu bilden, die dann segmentiert wird, um eine segmentierte grobe 3D-Dämpfungskarte (µ_seg) zu bilden, die nur die Voxel mit hoher Dämpfung enthält. Das Verfahren kann mit einfachen Segmentierungsmethoden durchgeführt werden, z. B. mit adaptiver Schwellenwertbildung, oder mit fortschrittlicheren Methoden, die auf maschinellem Lernen, Deep Learning, Faltungsneuronalen Netzen (CNN) usw. basieren.
Das Verfahren 200 fährt bei 208 mit der Segmentierung der groben 3D-Dämpfungskarte (µ_seg) fort, um eine besonders dichte Anatomie und/oder Metallobjekte mit hoher Dichte zu lokalisieren. Beispielhafte Verfahren zur Bestimmung von µ_seg aus der groben Dämpfungskarte umfassen (sind aber nicht darauf beschränkt) Intensitätsschwellenwertbildung, Wachsen von Bereichen und auf künstlichen neuronalen Netzen basierende Klassifizierung. Solche Segmentierungsverfahren können mit oder ohne vorherige Informationen über die Größe, Form, Anzahl und/oder den Materialgehalt von Metallobjekten arbeiten, von denen bekannt ist oder angenommen wird, dass sie sich im Patienten befinden. Der Neigungswinkel ϕ, der die Metallartefakte minimiert, wird aus µ_seg bestimmt. Beispielhafte Verfahren zur Bestimmung von ϕ aus µ_seg werden im Folgenden beschrieben - mit einer Zielfunktion, die für eine bestimmte Auswahl von ϕ (ϕ*) im Projektionsbereich minimiert wird. Beachten Sie, dass die Zielfunktion durch erschöpfende Suche minimiert werden kann (iterative Optimierung nicht erforderlich).
In einem nicht einschränkenden Beispiel werden die in 204, 206 und 208 beschriebenen Operationen seriell durchgeführt, wie in 2 gezeigt. Dieses erste Beispiel wird in 18, 19 als „Einzel-U-Netz“ bezeichnet, wobei die Einzel-U-Netz-Operation in 2 durch 208 gekennzeichnet ist.
In einem weiteren, nicht einschränkenden Beispiel können die Erkundungsansichten segmentiert werden, um Bereiche mit dichter Anatomie und Metallobjekten mit hoher Dichte zu definieren, bevor sie zur Bildung von µ_c zurückprojiziert werden. Dieses Verfahren kann die Genauigkeit von µ_seg potenziell verbessern, wird aber durch überlappende Strukturen und einen sehr großen dynamischen Bereich von Signalen in den Projektionsdaten erschwert. Einige Verfahren (z. B. KC-Recon) [15] wurden entwickelt, um solche Herausforderungen zu überwinden. Diese Segmentierungsoperation wird zwischen den in 2 beschriebenen Operationen 204 und 206 durchgeführt. Dieses zweite Beispiel wird in 18, 19 als „Duales U-Netz“ bezeichnet. 21 zeigt ein Verfahren 2100, das das Dual-U-Net-Beispiel illustriert. Wie in 21 gezeigt, sind die Operationen 2102 und 2104 die gleichen wie die Operationen 202 und 204. Nach den Operationen von 2104, bei denen eine Vielzahl von Erkundungsansichten erfasst werden, werden die Erkundungsansichten im Projektionsbereich segmentiert, um nur besonders dichte Anatomie und/oder Metallobjekte mit hoher Dichte zu enthalten, wie in 2106. Das Verfahren 2100 fährt dann fort, eine grobe 3D-Dämpfungskarte durch Rückprojektion der Erkundungsansicht zu bilden, wie in 2108. Das Verfahren 2100 fährt dann mit der Segmentierung der groben 3D-Dämpfungskarte im Bildbereich fort, wie in 2110. Die Operationen von 2104 und 2110 stellen die „Dual U-Net“-Natur dieses Verfahrens dar. Das Verfahren 2100 fährt dann mit den Operationen 2112, 2114, 2116 und 2118 fort, die die gleichen sind wie die Operationen 210-216.
In einem weiteren nicht einschränkenden Beispiel kann die grobe 3D-Dämpfungskarte µ_c auch über die FBP-Rekonstruktion einer größeren Anzahl von Sparse Ansichten (mehr Ansichten im Vergleich zu den anderen Beispielen, z. B. 10 Ansichten) bestimmt werden. Anstatt eine einfache Rückprojektion durchzuführen, impliziert FBP einen „Filter“ auf die Projektionsdaten vor der Rückprojektion. Aus durchgeführten Studien geht hervor, dass die Filterung die Leistung bei nur 2 Erkundungsansichten nicht verbessert, wohl aber bei einer größeren Anzahl gesammelter Erkundungsansichten. µ_c kann dann segmentiert werden, um µ_seg auszubilden, wie im ersten oben besprochenen Beispiel.
In einem weiteren, nicht einschränkenden Beispiel kann die segmentierte grobe 3D-Dämpfung µ_seg direkt aus Erkundungsansichten mit einem „Ende-zu-Ende“-Ansatz des Faltungsneuronalen Netzes (CNN) bestimmt werden, wie in 18, 19 dargestellt und ferner unten besprochen, der es dem Netz ermöglicht, die Ausgabe zu lernen, ohne explizit ein Zwischenergebnis zu erzeugen - d. h. es ist nicht notwendig, µ_c als Zwischenschritt zu berechnen. Ein Beispiel für den Aufbau des „Ende-zu-Ende“- CNN ist in 14 beschrieben. In diesem Beispiel werden die in 206 und 208 beschriebenen Operationen in einer einzigen Operation durchgeführt. 22 zeigt ein Verfahren 2200, das das Beispiel des „Ende-zu-Ende“-Verfahrens illustriert. Wie in 22 gezeigt, sind die Operationen 2202 und 2204 die gleichen wie die Operationen 202 und 204. Nach den Operationen von 2204, bei denen eine Vielzahl von Erkundungsansichten erfasst werden, bestimmt das „Ende-zu-Ende“- CNN die segmentierte grobe 3D-Dämpfungskarte, wie in 2206 und wie weiter unten beschrieben. Das Verfahren 2200 fährt dann fort, die Operationen 2208, 2010, 2112 und 2114 auszuführen, die dieselben sind, wie durch die Operationen von 210-216 beschrieben.
Das Verfahren 200 fährt fort, indem es bei 210 eine metrische Karte berechnet, die auf der Segmentierung der groben 3D-Dämpfungskarte (µ_seg) basiert. Eine metrische Karte (bezeichnet als q(θ, ϕ)) wird in der Projektionsdomäne definiert, die sich auf die Ausprägung der Metallartefakte bezieht, die bei der 3D-Bildrekonstruktion auftreten werden. Beachten Sie, dass q(θ,ϕ) für jede Projektionsansicht (θ) bei jedem Neigungswinkel (ϕ) definiert ist, die alle durch Vorwärtsprojektion von µ_seg gemäß der tatsächlichen Geometrie des Bildgebungssystems erzeugt werden.
Es wird eine metrische Karte (bezeichnet als q(θ,ϕ)) definiert, die sich auf die Schwere der Metallartefakte bezieht, die bei der 3D-Bildrekonstruktion entstehen werden. Beachten Sie, dass q(θ,ϕ) für jede Projektionsansicht in der Projektionsdomäne (bezeichnet durch 2D-Raumkoordinaten (u, v) des Detektors) definiert wird, um eine zeitaufwändige Suche in der 3D-Rekonstruktionsdomäne zu vermeiden. Im Folgenden werden drei Beispiel-Definitionen von q(θ,ϕ) beschrieben.
Beispiel 1 (Polyenergetische Verschiebung): Berechnung des Anteils der durch Metall (Objekte mit hoher Dichte) induzierten Strahlhärtungsartefakte (BH) (Spektralverschiebung) im Projektionsbereich für jeden Drehwinkel (θ) und Neigungswinkel (ϕ): $q (θ, Φ) = \sum_{u, v} (p_{m o n o} (u, v | θ, Φ) - p_{p o l y} (u, v | θ, Φ))$
wobei p_mono (u,v|θ,ϕ) der simulierte monoenergetische Linienintegralwert am Detektorpixelindex (u, v) ist, der durch Vorwärtsprojektion von µ_seg im vorherigen Schritt bestimmt wird, wobei die Vorwärtsprojektionsgeometrie durch θ und ϕ definiert ist. Da der Vorwärtsprojektionsoperator monoenergetisch ist, ist p_mono(u,v|θ, ϕ) ohne BH-Artefakte. Daher werden simulierte Strahlverhärtungsartefakte mit der folgenden Formel hinzugefügt, um das entsprechende BH-kontaminierte polyenergetische Linienintegral p_poly(u,v|θ, Φ) zu erzeugen: $p_{p o l y} (u, v | θ, Φ) = \sum_{i = 1}^{N} α_{i} p_{m o n o}^{i} (u, v | θ ϕ)$
wobei α_i die Polynomkoeffizienten sind, die durch das einfallende Spektrum der Röntgenröhre und die Dämpfungseigenschaften des Metallobjekts bestimmt werden.
Beispiel 2 (Maximale Abschwächung): Berechnung der Summation der k größten monoenergetischen Linienintegrale für jedes θ und ϕ: $q (θ, ϕ) = \sum_{k} m a x k (p_{m o n o} (u, v | θ, Φ))$
wobei p_mono(u,v|θ,ϕ) der simulierte monoenergetische Linienintegralwert am Detektorpixelindex (u, v) wie oben ist, maxk ist ein Operator, der den k größten Wert aus dem Argument nimmt.
Beispiel 3 (Monoenergetischer Schwellwert): Berechnung einer Summation der monoenergetischen Linienintegralwerte, die über einem bestimmten Schwellenwert liegen, für jedes θ und Φ. Die Schwellenwert-Operation kann dazu beitragen, die Auswirkungen von Metallobjekten mit hoher Dichte vom anatomischen Hintergrund mit niedriger Dichte (Weichgewebe usw.) im Projektionsbereich zu isolieren. $q (θ, ϕ) = \sum_{u, v} T h r e s h (p_{m o n o} (u, v | θ, ϕ))$
wobei p_mono(u,v|θ,Φ) der simulierte monoenergetische Linienintegralwert am Detektorpixelindex (u, v) wie oben ist, Thresh ist ein Operator, der Werte aus dem Argument nimmt, die über einer bestimmten Schwelle liegen.
Beispiel 4: Berechnung einer Summation des monoenergetischen Linienintegrals über die gesamte Projektionsansicht für jedes θ und ϕ. $q (θ, ϕ) = \sum_{u, v} p_{m o n o} (u, v | θ, ϕ)$
wobei p_mono(u,vlθ,Φ) der simulierte monoenergetische Linienintegralwert am Detektorpixelindex (u, v) wie oben ist.
Alternative Formulierungen der metrischen Abbildung q(θ,ϕ) können natürlich konstruiert werden - z. B. eine logarithmische Transformation eines der obigen Beispiele.
Beispiel 1 (Gleichung (1)) ist ein nicht-einschränkendes Beispiel in der hier beschriebenen MAA-Lösung. Simulation und Phantomexperimente zeigen, dass diese Formulierung eine zuverlässige Vermeidung von Metallartefakten bereitstellt (insbesondere die Strahlverhärtungskomponente der Metallartefakte).
Zur Veranschaulichung des vorgestellten Verfahrens wurde eine Simulationsstudie durchgeführt. Die Simulation ahmt die Geometrie und das Röntgenspektrum des in 1A dargestellten CBCT-Systems nach. Das digitale Phantom, das in der Simulation verwendet wurde, ist ein Zylinder aus Wasser, der mehrere Metallkugeln und zylindrische Stangeneinsätze enthält. 3A zeigt ein Volumen-Rendering des Phantoms sowie zwei beschriftete Erkundungsansichten (AP und Lateral) des Phantoms, entsprechend p(µ,v|θ = 0,ϕ = 0) und p(µ,v|θ = 90,ϕ = 0). In diesem Beispiel überlappen sich zwei Metallkugeln in der AP-Ansicht, was in diesem Bereich zu besonders originalgetreuen Projektionsdaten führt und starke Metallartefakte in der 3D-Bildrekonstruktion zur Folge hat. 3B zeigt die grobe 3D-Dämpfungskarte, die unter Verwendung eines rückprojizierten Volumens (grobe 3D-Dämpfungskarte, bezeichnet mit µ_c) aus zwei Erkundungsansichten ausgebildet wurde. 3C zeigt das Ergebnis einer einfachen intensitätsbasierten Segmentierung der Abschwächungskarte in 3B. Aus der segmentierten groben 3D-Dämpfungskarte (µ_seg) wird, wie hier beschrieben, ein gekippter Orbit berechnet, der Metallartefakte so weit wie möglich vermeidet. Der gestrichelt eingezeichnete Bereich in 3C zeigt eine vergrößerte Ansicht eines der segmentierten Bereiche.
Zur Veranschaulichung wird unter Verwendung des simulierten Phantoms in 1A unten eine Berechnung der metrischen Karte q(θ, ϕ) gezeigt, unter der Annahme, dass die Metallobjekte bekannt sind, d. h. eine vollständige 3D-Dämpfungskarte der Metallobjekte anstelle der segmentierten groben 3D-Dämpfungskarte (µ_seg). Ein realistischerer Fall mit nur zwei Ansichten eines unbekannten Phantoms (d. h. unter Verwendung von µ_seg) wird hier diskutiert.
Eine Berechnung von q(θ, ϕ) gemäß Gleichung (1) für das simulierte Objekt in 3 ist in 4 dargestellt. Man kann deutlich die hellen Bereiche erkennen, die θ und ϕ angeben, die zu starken Metallartefakten (Low-Fidelity-Ansichten) führen und daher vermieden werden sollten. Beachten Sie auch die Einfachheit der MAA-Lösung: Wünschenswerte Quelle-Detektor-Neigungswinkel werden einfach durch horizontale Linien (kreisförmige Trajektorie) mit niedrigeren Werten in der q(θ, ϕ)-Karte definiert, und einige horizontale Linien (d. h. einige Neigungswinkel) werden eindeutig eine höhere Dämpfung (Metallartefakte) aufweisen als andere. Das Finden von ϕ* (minimierte Metallartefakte) für eine geneigte kreisförmige Geometrie ist einfach äquivalent zum Finden der horizontalen Linie in der q(θ,ϕ)-Karte, die die Zielfunktion, bezeichnet als Q(φ), in Bezug auf den Neigungswinkel ϕ minimiert.
4 zeigt eine metrische Karte q(θ, ϕ), die aus Ansichten (simulierte Vorwärtsprojektion) der vollständigen 3D-Dämpfungskarte von Metallobjekten berechnet wird. q(θ, ϕ) (das den Anteil der metallbezogenen BH-Artefakte betrifft, Gl. (1)) wird hier für alle möglichen C-Bogen-Gantry-Winkel und Neigungen berechnet. Das hier gezeigte Ergebnis wird unter der Annahme berechnet, dass die Metallobjekte perfekt bekannt sind - d. h. die vollständige 3D-Dämpfungskarte der Metallobjekte anstelle von µ_seg.
Mit q(θ,ϕ) vorausgesetzt, kann man dann die Zielfunktion Q berechnen: $\underset{ϕ (θ)}{arg min} Q (ϕ (θ)) = σ [q (θ, ϕ (θ))]$
(Szenario I): Wenn ϕ(θ) für alle θ konstant ist: gekippte Kreisbahn (Trajektorie), entspricht einer horizontalen Linie in 4, so dass jede horizontale gerade Linie (von links nach rechts) in 4 einer (gekippten) Kreisbahn und jede gekrümmte Linie (von links nach rechts) einer nicht kreisförmigen Bahn entspricht, z. B. wie in 11 dargestellt. (Szenario II): Wenn ϕ(θ) nicht für alle θ konstant ist: nicht kreisförmige Bahn (Trajektorie), entspricht einer gekrümmten Linie in 4 (z. B. Linie 1102 in 11).
Kreisförmiger Orbit mit optimaler Gantry-Neigung: Das Ziel der obigen Gleichung kann auf den Fall vereinfacht werden, den gekippten (kreisförmigen / halbkreisförmigen) Orbit mit der Bezeichnung Q(ϕ) zu finden. Diese Vereinfachung läuft darauf hinaus, eine „horizontale“ Reihe der metrischen Karte q(θ,ϕ) mit minimaler (oder reduzierter) Standardabweichung zu finden - d. h. einen skalaren Wert von ϕ (ϕ*), der durch erschöpfende Suche im begrenzten Variablenraum leicht gelöst werden kann. In der Praxis gibt es eine Reihe potenzieller Herausforderungen, die mit zunehmend größeren Neigungswinkeln verbunden sind, umfassend ein erhöhtes Risiko der Kollision mit dem Operationstisch und eine verringerte Reproduzierbarkeit bei der geometrischen Kalibrierung. Daher entspricht die „optimale“ Neigung einem Wert von ϕ, der so klein wie möglich, aber so groß wie nötig ist, um Metallartefakte zu vermeiden oder zu reduzieren.
Nicht-kreisförmiger Orbit: Eine zunehmende Anzahl moderner C-Bogen-Systeme ist in der Lage, nicht-kreisförmige Orbits zu fahren - z. B. große stationäre Roboter-C-Bögen (wie der Artis Pheno, Siemens Healthineers) oder sogar der in 1 gezeigte mobile C-Bogen (Cios Spin 3D), der eine Computersteuerung von θ und ϕ bereitstellt. Dies eröffnet die Möglichkeit einer vollständigen Optimierung über ϕ(θ) (d. h. ein nicht kreisförmiger Orbit), um eine noch niedrigere Zielfunktion (Q(ϕ(θ))) im Vergleich zu einem einfachen gekippten kreisförmigen Orbit (Q(ϕ)) zu erreichen, wie oben beschrieben. Um die Dimensionalität des Problems zu reduzieren und einen glatten und realistischen Orbit zu fördern, haben wir ϕ(θ) als eine Überlagerung von kubischen b-Spline-Kernen modelliert, die jeweils an einem von N = 10 Knoten (bei θ_i) gleichmäßig über den Scanbogen verteilt sind : $ϕ (θ) = \sum_{i = 0}^{N} f_{i} B (θ - θ_{i})$
wobei B ein kubischer b-Spline und f_i der Steuerparameter für Knoten i ist. Die Optimierung in Gleichung (7) ist im Allgemeinen nicht konvex und kann mit herkömmlichen gradientenbasierten Verfahren schwierig zu lösen sein. Ein beispielhaftes Verfahren, mit dem eine Minimierung von Gl. (7) gelöst werden kann, ist die Covariance Matrix Adaptation Evolution Strategy (CMA-ES), wie von N. Hansen and S. Kern, Evaluating the CMA Evolution Strategy on Multimodal Test Functions, in Parallel Problem Solving from Nature - PPSN VIII, edited by X. Yao, E.K. Burke, J.A. Lozano, et al. (Springer Berlin Heidelberg, Berlin, Heidelberg, 2004), pp. 282-291 als ein robuster Löser von Gl. (7), der nahezu in Echtzeit arbeitet.
Das Verfahren 200 fährt fort mit der Berechnung (212) einer Zielfunktion Q(ϕ), die in Bezug auf den Neigungswinkel φ definiert ist, um die Gesamtausprägung der Metallartefakte über alle θ zu erfassen. Der Neigungswinkel, der Metallartefakte am besten vermeidet (bezeichnet als ϕ*), wird dann durch Durchsuchen des gesamten Bereichs möglicher Gantry-Neigungen (ϕ) berechnet, um Q(ϕ) zu minimieren. Es ist wichtig zu beachten, dass eine strenge Minimierung von Q(ϕ) nicht unbedingt notwendig ist. Zum Beispiel kann in einigen Szenarien Q(ϕ) monoton mit ϕ abnehmen (kein Minimum). In einem solchen Fall sollte man den Wert von Q(ϕ) finden, der so klein wie möglich, aber so groß wie nötig ist, um Metallartefakte zu vermeiden. In diesem Sinne ist die Auswahl des Winkels ϕ* keine echte „Minimierung“ oder „Optimierung“, sondern lädt zu wichtigen praktischen Überlegungen ein (d.h. „so klein wie möglich, aber so groß wie nötig“).
Eine Zielfunktion Q(ϕ) wird in Bezug auf ϕ definiert, um die Gesamtausprägung der Metallartefakte über alle θ zu erfassen:
Beispiel 1 (Variation der metrischen Karte): $Q (ϕ) = σ_{θ} [q (θ, ϕ)]$
wobei σ_θ die Standardabweichung entlang der θ-Achse ist.
Beispiel 2 (Maximum der metrischen Karte): $Q (ϕ) = max q (θ, ϕ)$
wobei der „max“-Operator den maximalen Wert entlang der θ-Achse annimmt.
Beispiel 3 (Summe der metrischen Karte): $Q (ϕ) = \sum_{θ} q (θ, ϕ)$
wobei der Summenoperator eine Summe über horizontale Linien in der metrischen Karte ist.
Es können auch alternative Formulierungen von Q(ϕ) konstruiert werden. Beispiel 1 (z. B. Gleichung (8)) ist ein nicht einschränkendes Beispiel in der hier beschriebenen MAA-Lösung, obwohl es Situationen geben kann, in denen die anderen Q-Ziele besser geeignet sein können. Unter Verwendung der q(θ, ϕ)-Karte aus 4 ist die Berechnung von Q(ϕ) unter Verwendung von Gleichung (8) in 5 dargestellt.
5 zeigt die Zielfunktion Q(ϕ), die aus der metrischen Abbildung q(θ,ϕ) in 4 berechnet wurde. Die hier gezeigte Form für Q(ϕ) ist Gl. (8). Die Minima in der Zielfunktion Q(ϕ) (Q(ϕ) = max q(θ, ϕ)) stellen Neigungswinkel (ϕ*) dar, die Metallartefakte in der 3D-Bildrekonstruktion am besten vermeiden (markiert durch Pfeile 502 und 504).
Das Verfahren 200 fährt damit fort, bei 214 einen Neigungswinkel φ zu bestimmen, bei dem die 3D-Bilderfassung durchgeführt werden soll: Winkel ϕ*. Der 3D-Scan des Patienten wird mit der gekippten kreisförmigen Trajektorie (gekippt um ϕ*) durchgeführt. Der Kippwinkel, der Metallartefakte am besten vermeidet (ϕ*), wird berechnet, indem der Bereich der möglichen Gantry-Kippungen (ϕ) gesucht wird, um Q(ϕ) zu minimieren. Zum Beispiel könnte eine C-Bogen-Gantry in der Regel eine zuverlässige Bildgebung und geometrische Kalibrierung über einen Bereich von ϕ von -30° bis +30° bereitstellen, was dem in 5 dargestellten Bereich entspricht. Beachten Sie, dass die erschöpfende Suche über alle möglichen ϕ im Vergleich zu einer vollständigen iterativen Optimierung aufgrund der Einfachheit der q(θ,ϕ) und Q(ϕ) Projektionsbereichsformulierungen einfach und zuverlässig ist. Diese Suche nach allen möglichen Gantry-Neigungen (ϕ) entspricht einfach der Betrachtung aller horizontalen Linien in 4 (metrische Abbildung q(θ,ϕ)) und der Berechnung von Q(ϕ) für jede horizontale Linie. Das heißt, dass die horizontale Linie in 4, die Q(ϕ) minimiert, den gewünschten Neigungswinkel (ϕ*) für MAA darstellt.
In 5 sind zwei mögliche Neigungswinkel, die Q(ϕ)) zu minimieren scheinen, durch den Pfeil 502 bei φ ^~ 8° und den Pfeil 504 bei φ ^~ 27° dargestellt. Aus der metrischen Karte q(θ,ϕ) in 4 geht hervor, dass diese Winkel die Low-Fidelity-Ansichten („helle Flecken“) vermeiden, die mit den Metallkugeln und dem Stab im Phantom verbunden sind.
Das Verfahren 200 kann fortgesetzt werden, indem bei 216 Kollisionsprüfungen des CT-Systems 102 und/oder der Gantry 104 durchgeführt werden und die 3D-Bildaufnahme mit dem gewünschten Neigungswinkel durchgeführt wird, um ein 3D-Bild zu erhalten, das das Metallartefakt vermeidet.
6 zeigt 3D-Bildrekonstruktionen (axiale Schichten) für das Phantom aus 3A, das unter verschiedenen Neigungswinkeln aufgenommen wurde. Es wird ein halber Bereich möglicher Neigungswinkel gezeigt, der am oberen Rand jeder Teilfigur mit ϕ = 1°, 2°, ... 30° gekennzeichnet ist. Das Metallartefakt, das mit zwei Metallkugeln in der axialen Ebene verbunden ist, ist als dunkler horizontaler Streifen in den Bildern sichtbar. Das Metallartefakt ist bei den Neigungswinkeln ϕ = 1°, 2°,... stark ausgeprägt. Beachten Sie die beiden Bilder bei ϕ = 8° and ϕ = 27°, die durch die Sterne 602 bzw. 604 gekennzeichnet sind. Diese Neigungswinkel entsprechen den Pfeilen 502 und 504 in 5 (Minima in Q(ϕ)), die zur Vermeidung von Metallartefakten vorhergesagt wurden. 6 veranschaulicht, dass diese Winkel tatsächlich das Metallartefakt vermeiden.
6 zeigt eine Illustration des Neigungswinkels, der Metallartefakte mit dem MAA-Verfahren für das simulierte Phantom in 3A reduziert. Hier sind 3D-Bildrekonstruktionen bei verschiedenen Neigungswinkeln (oben in jeder Teilfigur markiert, ϕ = 1-30 Grad) dargestellt. Die Bilder, die den Minima in Q(ϕ) entsprechen (Pfeile 502 und 504 in 5), sind durch den Stern 602 bei ϕ= 8 Grad und den Stern 604 bei 27 Grad gekennzeichnet.
Zur Veranschaulichung zeigen die Ergebnisse von 4, 5 und 6 das vorliegende Verfahren in einem idealisierten (unrealistischen) Szenario, in dem eine vollständige 3D-Dämpfungskarte der Metallobjekte bekannt ist. Dies dient lediglich dazu, dem Leser ein anschauliches Verständnis der zugrunde liegenden Prinzipien zu vermitteln. Eine nicht einschränkende Ausführungsform erreicht dasselbe mit nur 2 Erkundungsansichten ohne Kenntnis der Dämpfungskarte des Phantoms. 7A und 7B zeigen die Ergebnisse von 2 Erkundungsprojektionsansichten. Zunächst werden 2 Erkundungsprojektionsansichten des Phantoms erfasst (AP- und Lateralansichten wie in 3A), entsprechend p(u,v|θ = 0,ϕ= 0) und p(u,v|θ = 90,ϕ = 0). Die ungewichtete Rückprojektion dieser 2 Erkundungsansichten bildet eine grobe 3D-Dämpfungskarte (µ_c), wie in 3B gezeigt. Diese grobe 3D-Dämpfungskarte wird dann über eine einfache Intensitätsschwellenbildung segmentiert, wie in 3C gezeigt, entsprechend µ_seg. Für das Beispielphantom ergibt sich daraus die Lokalisierung (nicht die genaue Form) von zwei stark dämpfenden Metallobjekten.
Die metrische Karte q(θ,φ) wird dann durch Vorwärtsprojektion von µ_seg bestimmt. Das Ergebnis ist in 7A dargestellt. Beachten Sie wieder die hellen Flecken, die Ansichten entsprechen, bei denen starke Dämpfungen und Metallartefakte zu erwarten sind. Beachten Sie auch den Unterschied zwischen 7A und 4: Die metrische Karte q(θ,ϕ) aus 7A wurde aus nur 2 Erkundungsansichten (von µ_seg) berechnet, während die metrische Karte q(θ, ϕ)von 4 aus einer vollständigen Kenntnis der Metallobjekte innerhalb des digitalen Phantoms (vollständige 3D-Dämpfungskarte der Metallobjekte) entstand. Obwohl nur 2 Ansichten zur Verfügung stehen, aus denen µ_seg geschätzt werden kann, identifiziert das Verfahren korrekt die Projektionsansichten, die mit starken Metallartefakten verbunden sind.
Die Zielfunktion Q(ϕ) kann dann aus der metrischen Karte q(θ,ϕ) bestimmt werden, wie in 7B gezeigt. Beachten Sie auch hier die Unterschiede zwischen dem Q(ϕ)-Ziel in 7B und dem in 5. Das Ziel in 7B wurde auf der Grundlage von nur zwei Erkundungsansichten berechnet, aber es identifiziert die wünschenswerten Neigungswinkel bei ^~φ = 8° und ^~φ = 27° richtig. Die Metriken (q(θ,ϕ) und Q(ϕ)), die mit µ_seg (in 7) bestimmt wurden, stimmen relativ gut mit denen überein, die mit der vollständigen 3D-Dämpfungskarte der Metallobjekte (in 4 und 5) bestimmt wurden, was die Machbarkeit der Verwendung von nur zwei Erkundungsansichten zur Bestimmung des erforderlichen Neigungswinkels zeigt.
7A und 7B zeigen die MAA-Metriken, die aus nur zwei Erkundungsansichten berechnet wurden. 7A zeigt die metrische Karte q(θ, ϕ). Beachten Sie die Ähnlichkeit mit 4 (wo die metrische Karte unter der Annahme einer vollständigen 3D-Dämpfungskarte der Metallobjekte berechnet wurde). Die metrische Karte, die aus nur 2 Ansichten berechnet wird, schafft es immer noch, Ansichten mit hoher Dämpfung zu lokalisieren, die zu Metallartefakten führen. 7B zeigt die Zielfunktion Q(ϕ), die aus horizontalen Linien in der metrischen Karte von 7A berechnet wurde. Dies reproduziert wiederum die idealisierten Ergebnisse von 5 und zeigt wünschenswerte Neigungswinkel bei ^~φ = 8° und ^~φ = 27° (Pfeile 502 bzw. 504).
Das Verfahren wurde ferner mit einem physikalischen Phantomexperiment unter Verwendung des in 1A gezeigten CBCT-Systems mit einem mobilen C-Arm getestet. Wie in 9 gezeigt, wurde in dieser Studie ein anthropomorphes Brustkorbphantom mit zwei beidseitig in der Nähe der Wirbelsäule platzierten Pedikelschrauben verwendet.
Es wurden zwei Erkundungsansichten des Phantoms aufgenommen - dargestellt in 8A, entsprechend p(u,v|θ = 0,ϕ = 0) und p(u,v|θ = 90,ϕ = 0). Eine grobe 3D-Dämpfungskarte [µ_c, 8B] wird dann durch (ungewichtete) Rückprojektion der beiden Erkundungsansichten 8A bestimmt, die dann durch Intensitätsschwellenwertbildung segmentiert wird, um die segmentierte grobe 3D-Dämpfungskarte (µ_seg) in 8C zu erhalten.
Die metrische Karte q(θ,ϕ) wird (unter Verwendung von Gleichung (1)) durch Vorwärtsprojektion von µ_seg (c) wie oben beschrieben berechnet und ergibt die Karte in 8D. Beachten Sie den hellen Fleck in der Mitte der metrischen Karte über θ ^~ 100° und ϕ von -15 bis 15°. Dies impliziert, dass fast alle Neigungswinkel (ϕ > ^~15° oder < ^~-15°) Metallartefakte für dieses Phantom weitgehend vermeiden.
Die Zielfunktion Q(ϕ) wird aus der metrischen Karte q(θ,ϕ) in (d) berechnet, was zu der in 8E dargestellten Funktion führt. Die breite Spitze in der Nähe von φ ^~ 0° markiert einen Bereich der Gantry-Neigung, der eindeutig vermieden werden sollte. Dieses Szenario veranschaulicht das übliche Problem der Bildgebung bei φ = 0°, bei dem es zu großen Metallartefakten kommen würde. Minima in Q(ϕ) (bzw. sehr niedrige Werte in Q(ϕ) relativ zum Spitzenwert) kennzeichnen wünschenswerte Neigungswinkel (φ*).
3D-Bildrekonstruktionen des Phantoms sind in 9A-9F für ϕ von -30° bis 30° dargestellt. Man sieht, dass bei ϕ nahe 0° (der konventionelle Fall) das Phantom unter starken Metallartefakten leidet - dunkles Band an der Spitze der Schraube und das „Blooming“ am Rand der Schraube. Bei einem Neigungswinkel größer als +15° oder -15° (z. B. ϕ = 30°) hingegen werden die Metallartefakte wie gewünscht reduziert, was eine viel bessere Abgrenzung des Schraubenrandes ermöglicht. Diese Beobachtung stimmt mit den ϕ-Optimierungsergebnissen aus 8D und 8E überein.
8A-8E zeigen die Ergebnisse des physikalischen Phantomexperiments für das MAA-Verfahren. 8A zeigt zwei Erkundungsansichten, p(u,v|θ = 0, ϕ = 0) und p(u, v|θ = 90, ϕ = 0). 8B zeigt eine grobe 3D-Dämpfungskarte (µ_c), die durch ungewichtete Rückprojektion der beiden Erkundungsansichten in 8A gebildet wurde. 8C zeigt die intensitätsbasierte Segmentierung der groben 3D-Dämpfungskarte (µ_seg). 8D zeigt die mit Gleichung (1) berechnete metrische Karte q(θ,ϕ) durch Vorwärtsprojektion von 8C (µ_seg). 8E zeigt die aus horizontalen Linien in 8D berechnete Zielfunktion Q(ϕ), deren Minimum Neigungswinkel (ϕ*) vorschlägt, die Metallartefakte vermeiden.
9A-9F zeigen axiale Ansichten des Thoraxphantoms, die mit verschiedenen Neigungswinkeln aufgenommen wurden. Beachten Sie die Artefakte (helle und dunkle Streifen um die Wirbelsäulenschraube) für Φ= 0°, verglichen mit der Vermeidung solcher Artefakte für Bilder, die mit dem Neigungswinkel φ = 20 oder 30° aufgenommen wurden, der durch das vorliegende Verfahren vorhergesagt wird.
Das 3D-Bild wird mit bewährten Verfahren rekonstruiert. Da der Orbit kreisförmig ist, kann das 3D-Bild durch gängige 3D-gefilterte Rückprojektionen gebildet werden. Alternativ kann das 3D-Bild durch iteratives MBIR rekonstruiert werden, was die gesamten Signal-Rausch-Eigenschaften verbessern kann, wie es bei MBIR üblich ist. Optional kann das 3D-Bild mit der Verarbeitung der Projektionsdaten und/oder der Bildrekonstruktion über verschiedene PMAC-Verfahren rekonstruiert werden, um ferner Metallartefakte zu unterdrücken. Andere Artefaktkorrekturen (z. B. Röntgenstreuung, Verzögerung oder Bewegungsartefakte) können ebenfalls optional angewendet werden, wie im Stand der Technik üblich. Die Kette der 3D-Bildrekonstruktion und -verarbeitung ist relativ unverändert. Ein wichtiger Aspekt ist natürlich, dass die dem Verfahren zur 3D-Bildrekonstruktion zugrunde liegende Systemgeometrie die Gantry-Neigung berücksichtigen muss, z. B. muss die geometrische Kalibrierung des Systems die Gantry-Neigung berücksichtigen.
So wird vor dem eigentlichen 3D-Scan eine Quelle-Detektor-Trajektorie (d. h. eine geneigte Kreisbahn) festgelegt, die Metallartefakte vermeidet. Dadurch werden Metallartefakte vermieden, ohne dass vorherige Informationen oder Änderungen an der Bildverarbeitungspipeline zur Rekonstruktion und Artefaktkorrektur erforderlich sind.
In einer zweiten Simulationsstudie wurde der MAA-Ansatz auf ein Szenario mit realistischerer Anatomie und metallischer Instrumentierung mit einem nicht kreisförmigen Orbit erweitert. 10A zeigt ein koronales Bild des Simulationsphantoms #2. 10B zeigt ein Volumen-Rendering des Simulationsphantoms #2. Wie in 10A und 10B gezeigt, hat Experiment #2 die Anatomie eines menschlichen Brustkorbs simuliert (gezeichnet aus dem Krebsbildarchiv (TCIA) Datensatz), der mit drei Paaren von bilateralen Wirbelsäulenstielschrauben implantiert wurde (außerhalb der Ebene in Bezug auf die zentrale axiale Ebene um -22°, -11°, 0° auf einer Seite der Wirbelsäule und 0°, +11° und +22° auf der anderen Seite der Wirbelsäule) und jeweils mit #1-6 bezeichnet ist. Um eine gewisse Komplexität hinzuzufügen, wurde die Dämpfung der Schrauben #1-3 im Vergleich zu den Schrauben #4-6 um 10% erhöht. Wir erweitern die Orbit-Optimierung auf nicht kreisförmige Orbits. Wir haben analysiert, inwieweit der nicht kreisförmige Orbit die Metallartefakte im Vergleich zum optimalen geneigten kreisförmigen Orbit in Bezug auf die visuelle Bildqualität und den RMSE von der Grundwahrheit reduziert.
11A-11E zeigen das Ergebnis der Simulation #2: Simulation der realistischen Anatomie und Schrauben für die MAA-Vorhersage des optimalen nicht-kreisförmigen Orbits.
11A zeigt insbesondere die metrische Karte q(θ,ϕ). Der optimale nicht-zirkuläre Orbit ist in grün markiert. 11B zeigt das Q(ϕ)-Objektiv (halbkreisförmig), aufgetragen über einen Bereich von Gantry-Neigungswinkeln. Das nicht kreisförmige Q(ϕ(θ)) erreicht einen niedrigeren Wert als jede Einstellung des halbkreisförmigen Orbits. 11C zeigt axiale Schichten (Schraube #3, Winkel außerhalb der Ebene 0°), die mit optimalem zirkulärem (oben) und nicht-zirkulärem (unten) Orbit aufgenommen wurden (rekonstruiert mit dem Verfahren der gewichteten kleinsten Quadrate (PWLS)). 11D zeigt drei Beispielschrauben (#4-6, Winkel außerhalb der Ebene 0°, 11° bzw. 22°), die mit optimaler halbkreisförmiger (oben) und nicht-kreisförmiger (unten) Umlaufbahn aufgenommen wurden. Gekippte axiale Ansichten über den Schaft jeder Schraube wurden gezeigt. 11E zeigt das grundlegende axiale Bild der simulierten Schraube.
Ergebnis für diese Simulation: 11A-11E zeigt die für das simulierte Wirbelsäulenphantom berechnete metrische Karte q(θ, ϕ). Beachten Sie die beiden hellen Bereiche, die den Low-Fidelity-Ansichten (starke metallinduzierte Verzerrung) durch den Schraubenschaft entsprechen. Der optimale gekippte halbkreisförmige Orbit, der auf Q(ϕ) basiert, schlägt einen Kippwinkel von ϕ ^~ 4° vor, der einige der Low-Fidelity-Ansichten vermeidet, aber nicht alle, wie im Bild von 11C zu sehen ist, das ziemlich starke Restmetallartefakte aufweist (obwohl dies immer noch eine Verbesserung gegenüber dem nicht gekippten Orbit ist, der aus Gründen der Kürze nicht gezeigt wird). Beachten Sie, dass Q(ϕ) ein Zielwert für das gesamte Metallartefakt ist, das von allen Schrauben in den Projektionsdaten ausgeht; während also ein größerer Kippwinkel (z. B. ϕ = -20°) das Artefakt der Schraube #3 (Winkel außerhalb der Ebene: 0°, 11C) reduzieren könnte, würde dies zu erhöhten Metallartefakten für andere Schrauben wie Schraube #1 und #2 führen (Winkel außerhalb der Ebene: -22° bzw. -11°). Für diesen Fall gibt es also keine einzige Gantry-Neigung, die die Artefakte für alle Schrauben im Wesentlichen reduziert.
Dieses Problem wurde durch die Erweiterung des MAA-Ansatzes zur Optimierung des nicht-kreisförmigen Orbits gelöst. Der optimale nicht-kreisförmige Orbit (markiert durch die in 11A überlagerte Kurve 1102) vermied die meisten der Low-Fidelity-Ansichten und führte, wie in 11B gezeigt, zu einer viel niedrigeren Q(ϕ(θ)) Eigenschaft im Vergleich zum optimalen kreisförmigen Orbit. Der optimale nicht kreisförmige MAA-Orbit erzielte eine starke Reduzierung der Metallartefakte für alle Schrauben - ersichtlich im unteren Bild von 11C und den Tafeln in 11D. Während einige Restartefakte immer noch offensichtlich sind (insbesondere für Schraube #1-3, deren Dämpfung höher ist), reduzierte der MAA-Orbit den Gesamt-RMSE um ^~46%, was die Effektivität des MAA-Verfahrens für die Definition von nicht-kreisförmigen Orbits bestätigt.
12 zeigt das Verfahren 1200 zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung gemäß den Beispielen der vorliegenden Offenbarung. Das Verfahren 1200 beginnt mit der Bestimmung einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse bei 1202. Die Bestimmung bei 1204 kann ferner eines oder mehrere der folgenden Verfahren umfassen: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse bei 1204, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse bei 1206, Verwenden eines oder mehrerer zuvor erfasster Röntgenbilder oder Verwenden eines Verfolgungssystems bei 1208, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren.
Das Verfahren 1200 fährt bei 1210 mit der Schätzung eines Quellen-Detektor-Orbits fort, der die Ausprägung von Metallartefakten reduziert. Der Quellen-Detektor-Orbit umfasst eine Position und Orientierung einer Röntgenquelle und eines Detektors für Projektionen, die bei der 3D-Röntgenbildgebung zu erfassen sind. Die Ausprägung von Metallartefakten wird im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert. Das Schätzen des Quellen-Detektor-Orbits bei 1210 kann ferner das Berechnen einer Zielfunktion bei 1212 umfassen, die auf der ermittelten 3D-Position des Metalls basiert. Die Zielfunktion beschreibt eine Eigenschaft, die mit Metallartefakten in der 3D-Bildrekonstruktion verbunden ist. Die Eigenschaft kann z. B. eine Schätzung einer Spektralverschiebung oder einer Abschwächung umfassen.
Das Verfahren 1200 wird fortgesetzt, indem bei 1214 ein Bildgebungssystem an Orte bewegt wird, die mit dem geschätzten Quellen-Detektor-Orbit übereinstimmen, oder an Orte in der Nähe des geschätzten Quellen-Detektor-Orbits und innerhalb bestehender räumlicher Beschränkungen. Das Verschieben bei 1214 kann auf Einschränkungen des Bildgebungssystems (z. B. elektrische oder mechanische Grenzen) und auf der Lage des interessierenden Volumens basieren (so dass das resultierende 3D-Bild das interessierende Volumen enthält). Der Quellen-Detektor-Orbit, der geschätzt wurde, kann nach Bedarf angepasst werden, um mit solchen Faktoren und Einschränkungen übereinzustimmen. Wenn z.B. die räumlichen Einschränkungen des Bildgebungssystems so sind, dass der ermittelte Quellen-Detektor-Orbit nicht verwendet werden kann, dann können Quellen-Detektor-Orbits verwendet werden, die nahe an den ermittelten Orbits liegen. Die Quellen-Detektor-Orbits, die als nahe angesehen werden, können z.B. innerhalb weniger Grad im Neigungswinkel (ϕ) liegen, wie z.B. innerhalb von weniger als 1°, zwischen etwa 1° und 3°, zwischen 1° und 5°, zwischen etwa 1° und 7°, zwischen etwa 1° und 10°, wobei die Bereiche die Grenzen der Bereiche umfassen.
Das Verfahren 1200 fährt fort mit dem Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit bei 1216. Das Abtasten bei 1216 kann ferner das Erfassen einer Vielzahl von Röntgenprojektionen entlang des Quellen-Detektor-Orbits bei 1218 umfassen und das Ausbilden einer 3D-Bildrekonstruktion des Objekts bei 1220. Das Ausbilden der 3D-Bildrekonstruktion bei 1220 kann ferner die Durchführung eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen bei 1222 umfassen, die eine gefilterte 3D-Rückprojektion oder eine modellbasierte Bildrekonstruktion umfassen.
Zusammenfassend lässt sich sagen, dass das vorliegende MAA-Verfahren gekippte zirkuläre und/oder nicht-zirkuläre Orbits genau vorhersagen konnte, was das Ausmaß der Metallartefakte in CBCT-Rekonstruktionen reduzierte. Das Verfahren war in der Lage, komplexe Verteilungen von Metallinstrumenten mit 2-6 niedrig dosierten Scout-Projektionen zu lokalisieren, die während der routinemäßigen Pre-Scan-Kollisionsprüfung aufgenommen wurden. Eine einfache U-Netz-Segmentierung erwies sich als ausreichend für die Lokalisierung (Segmentierung) von Metallobjekten in sparsamen Ansichten selbst in komplexen anatomischen Szenen und als gut verallgemeinerbar für eine Reihe von Metallobjekten ohne herstellerspezifische Bauelemente-Modelle. Simulationen zeigten, dass MAA-Orbits den RMSE in 3D-Bildrekonstruktionen um ^~46-70% und „Blooming“-Artefakte (FWHM des Schraubenschafts) um ^~20-45% reduzieren. Nicht-kreisförmige Orbits, die durch MAA definiert wurden, erreichten eine ^~46%ige Reduzierung des RMSE im Vergleich zum optimalen kreisförmigen Orbit. Das Verfahren von MAA hat gezeigt, dass es geneigte kreisförmige / nicht kreisförmige Orbits genau vorhersagen kann, die Metallartefakte in allen Experimenten minimieren.
Zusätzlich und/oder alternativ zur obigen Beschreibung wird die Fähigkeit zur 3D-Bildgebung mit nicht kreisförmigen Orbits auf einem mobilen C-Bogen mit motorisierter Neigung und Abwinkelung der Gantry weiter beschrieben. Insbesondere wird auf die Problematik der geometrischen Kalibrierung für allgemeine (nicht vordefinierte) nicht-kreisförmige Orbits eingegangen und die Eigenschaften der 3D-Bildgebungsleistung von nicht-kreisförmigen Orbits im Vergleich zu herkömmlichen kreisförmigen Orbits bewertet. Das Verfahren kann auf nicht kreisförmige Orbits erweitert werden, um metallinduzierte Verzerrungen zu minimieren. Das Verfahren funktioniert nachweislich gut mit nur zwei Erkundungsansichten mit niedriger Dosis (ohne andere vorherige Informationen über die Anatomie des Patienten/Metallobjekte) und ist kompatibel mit MAR- und polyenergetischen Rekonstruktionsmethoden, die die Bildqualität ferner verbessern können.
Der in dieser Offenbarung verwendete mobile C-Bogen (Cios Spin 3D, Siemens Healthineers, Forcheim, Deutschland) ist in 13A dargestellt. Der C-Bogen verfügt über eine motorisierte Steuerung des Rotationswinkels (θ: 0° bis 196°) und der Gantry-Neigung (ϕ: -30° bis 30°, aufgrund realistischer Überlegungen zur Patienten-Tisch-Kollision), wodurch nicht kreisförmige Orbits durch Variation von θ und ϕ während des Scans ausgeführt werden können. Gekippte kreisförmige Orbits (konstantes ϕ) können mit etablierten Verfahren kalibriert werden. Für nicht kreisförmige Abtasttrajektorien, die durch Verfahren wie „aufgabengesteuerte“ Bildgebung und MAA definiert sind, wird der Orbit jedoch spontan entworfen und kann angesichts der großen Vielfalt möglicher Kombinationen (θ, ϕ) möglicherweise nicht durch eine zuvor erfasste Kalibrierung abgedeckt werden. Um dieses Problem zu lösen, wird ein interpolationsbasierter Ansatz verwendet, der im Folgenden beschrieben wird.
Als Alternative zur Lösung der Bildrekonstruktion mit einer Systemgeometrie, die durch die konventionelle geometrische Kalibrierungsmethode oder die interpolierte geometrische Kalibrierungsmethode bestimmt wurde, könnte die Bildrekonstruktion mit einer Systemgeometrie gelöst werden, bestimmt durch den „Selbstkalibrierungs“-Ansatz von Selfcalibration of cone-beam CT geometry using 3D-2D image registration S Ouadah, J W Stayman, G J Gang, T Ehtiati and J H Siewerdsen Published 10 March 2016 © 2016 Institute of Physics and Engineering in MedicinePhysics in Medicine & Biology, Volume 61, Number 7 and Hopkins IP case C13072 Patent: Pub. No.: US 2017 /0238897 AI.
13A und 13B zeigen einen mobilen C-Bogen, geometrische Parameter des C-Bogens bzw. eine vergrößerte Ansicht des Detektors gemäß Beispielen der vorliegenden Offenbarung. 13A ähnelt dem mobilen C-Bogen von 1A. Die neun über die geometrische Kalibrierung ermittelten Parameter (Freiheitsgrade) sind durch Punkte 1302 gekennzeichnet. 13B zeigt Quellen-Detektor-Orbits, die auf einer Kugel dargestellt sind. Kreisförmige Orbits sind durch Kurven 1304 dargestellt (verschiedene Einstellungen der Gantry-Neigung, ϕ). Ein Beispiel eines nicht kreisförmigen Orbits ist in Kurve 1306 dargestellt (ϕ ändert sich mit θ). Der gezoomte Ausschnitt zeigt die Schätzung der geometrischen Parametrisierung für eine Ansicht (Punkt 1308), die durch Interpolation der vier nächstgelegenen Scheitelpunkte in einer Bibliothek geometrischer Kalibrierungen von kreisförmigen Scans (Punkte 1302) ermittelt wurde.
Zunächst wird eine Bibliothek geometrischer Kalibrierungen für kreisförmige Objekte mit einer Neigung von ϕ = -30° bis +30° in 5°-Intervallen erstellt, wobei ein zylindrisches BB-Phantom verwendet wird, das im gleichen Neigungswinkel wie die C-Bogen-Gantry platziert ist. Durch eine affine Transformation der Bibliothek werden alle Kalibrierungen in einem gemeinsamen Koordinatensystem registriert (Koregistrierung): $P_{ϕ = 0} = P_{ϕ = ϕ^{*}} \times T_{t i l t} \times T_{w}$
$T_{t i l t} = [\begin{matrix} 1 & 0 & 0 & 0 \\ 0 & c o s (ϕ *) & - s i n (ϕ *) & 0 \\ 0 & s i n (ϕ *) & i n (ϕ *) & 0 \\ 0 & 0 & 0 & 1 \end{matrix}]$
$T_{w} = [\begin{matrix} 1 & 0 & 0 & t_{x} \\ 0 & 1 & 0 & t_{y} \\ 0 & 0 & r_{z} & t_{z} \\ 0 & 0 & 0 & 1 \end{matrix}]$
wobei P_ϕ=ϕ* die Projektionsmatrix beim Neigungswinkel ϕ_* ist, und T_tilt eine Transformation durch den Neigungswinkel ϕ_* (abgelesen vom C-Bogen-Motor-Encoder) ist. Die Transformation T_w berücksichtigt kleine Diskrepanzen in Verschiebung (t) und Neigung (r_z) zwischen dem BB-Phantom und der Gantry in jedem Mitglied der Bibliothek, die durch 3D-3D-Registrierung ermittelt wurden. Dieser Co-Registrierungsschritt: (i) stellt sicher, dass die Orientierung des rekonstruierten Bildes unabhängig von der Umlaufbahn unverändert bleibt; (ii) verbessert die Genauigkeit des nachfolgenden Interpolationsschritts.
Die co-registrierten Kalibrierungen wurden dann in neun Parameter zerlegt: SDD (Quellendetektorabstand), C (Quellort, in x,,z), u₀, v₀ (Durchstoßpunkt) und R (Detektorrotationsmatrix, in x,y,z), wie in den Punkten 1302 in 13A dargestellt. Die Systemgeometrie für einen allgemeinen, nicht kreisförmigen Orbit kann dann durch Interpolation der geometrischen Parameter aus der Kalibrierungsbibliothek geschätzt werden - d. h. die vier nächstgelegenen Ansichten von kalibrierten gekippten Kreisbahnen, wie in 13B dargestellt. Die Parameter SDD, u0 und v0 wurden durch gestreute lineare Interpolation geschätzt, und C, R durch sphärische lineare Interpolation (slerp) Die slerp-Operation ist nicht kommutativ und wurde zuerst in θ und dann in ϕ durchgeführt, um den Interpolationsfehler zu reduzieren, da die θ-Richtung in der Kalibrierungsbibliothek feiner abgetastet ist.
Bei zwei Erkundungsansichten bestimmt das Verfahren MAA eine binäre 3D-Rekonstruktion (Grobsegmentierung, µ_seg), die die 3D-Position von Metallobjekten im FOV beschreibt. Im Gegensatz zu MAR wurde festgestellt, dass eine grobe Segmentierung für MAA ausreichend ist und nur eine Annäherung an die Form, Größe und Ausrichtung von Metallobjekten erfordert (vgl. MAR-Verfahren, die typischerweise eine sehr genaue Segmentierung erfordern, um die Einführung sekundärer Artefakte zu vermeiden).
Für die grobe Segmentierung wurde, wie oben beschrieben, ein durchgängiges Faltungsneuronales Netzwerk (CNN) verwendet, das Merkmale gleichzeitig in der Projektions- und Bilddomäne lernt. Insbesondere sind die Schichten zur Merkmalsextraktion in der Projektionsdomäne mit den Schichten zur 3D-Segmentierung in der Bilddomäne über eine eingefrorene (keine lernbaren Parameter) Rückprojektionsschicht verbunden. Die Intuition, die einem solchen Netzwerk zugrunde liegt, ist, dass die Segmentierung in der Bilddomäne durch die Fusion von Forminformationen aus der Projektionsdomäne verbessert wird (bevor sie durch Rückprojektion verwischt werden), und die Merkmalsextraktion in der Projektionsdomäne wird durch den Segmentierungsverlust geführt, der von der Bilddomäne rückprojiziert wird.
14 zeigt ein neuronales Ende-zu-Ende-Netzwerk für die 3D-Lokalisierung/Segmentierung von Metallinstrumenten gemäß den Beispielen der vorliegenden Offenbarung. Die Merkmalextraktionsschichten der Projektionsdomäne sind mit den Segmentierungsschichten der Bilddomäne durch eine eingefrorene Rückprojektion verbunden (die aus der Geometrie des C-Bogens bestimmt wird), was ein gemeinsames Lernen in der Projektions- und Bilddomäne ermöglicht.
Jede Schicht zur Merkmalsextraktion im Projektionsbereich enthält zwei 3x3-Faltungen, jeweils gefolgt von einer entzerrten Lineareinheit (ReLU) mit Stapelnormalisierung und am Ende eine 2x2-Max-Pooling-Schicht. Die 3D-Segmentierungsschichten wurden als dreischichtiges mehrkanaliges 3D-U-Netz (detailliert in 14) mit dem allgemeinen Dice-Koeffizienten als Verlustfunktion implementiert. Am Anfang der 3D-Segmentierungsschichten ist die Ableitung der Verlustfunktion in Bezug auf den Eingang der Rückprojektionsschicht die Vorwärtsprojektionsoperation (bestimmt mit C-Bogen-Geometrie und Siddon-Strahlenverfolgung, nicht als lernbarer Parameter des Netzes genommen), was gemeinsames Lernen in Projektions- und Bilddomänen ermöglicht. Das Netz wurde „He normal“ initialisiert und mit dem Adam-Optimierer mit einer anfänglichen Lernrate von 5x10-4 für 100 Epochen trainiert.
Einer der wichtigsten Hyperparameter des Netzes ist die Anzahl der extrahierten Merkmalskarten in der Projektionsdomäne (bezeichnet als Nc, wie in 14 gezeigt), die auch die Anzahl der Eingangskanäle für das mehrkanalige 3D-U-Netz in der Bilddomäne ist. Der Rückprojektionsschritt (innerhalb der Rückprojektionsschicht) wird für jeden Kanal einzeln durchgeführt.
Der Einfachheit halber und um herstellerspezifische Modelle von Metallinstrumenten zu vermeiden, wurde das Netz nur mit simulierten Daten trainiert, die aus 10 abdominalen und thorakalen CT-Bildern aus dem Cancer Imaging Archive (TCIA) und einer zufälligen Anzahl von generischen Metallobjekten generiert wurden: Ellipsoide in verschiedenen Größen und Exzentrizitäten (10 - 80 mm Haupt- und Nebenachse) und grob segmentierte Wirbelsäulenschrauben aus CT-Bildern. Zukünftige Arbeiten könnten sicherlich das Hinzufügen von Objektmodellen mit höherer Genauigkeit (z. B. herstellerspezifische Designs) und anderen anwendungsspezifischen Objekten (z. B. Frakturfixationsplatten) zur Verbesserung der Leistung beinhalten. Die Auswirkungen von Datenbeschneidung, Strahlenhärtung (durch polyenergetische Vorwärtsprojektion), Streuung, Verzögerung, Blendung und Rauschen (Quanten und elektronisch) wurden in die DRR-Generierung einbezogen. Die Datenerweiterung beinhaltete die Variation der Position, Größe, Orientierung, des Seitenverhältnisses und der Dämpfung der simulierten Metallobjekte in jeder DRR, was zu einer Gesamtzahl von ∼8.400 (8.000 Trainings- + 400 Validierungs-) Bildern führte.
Die Ergebnisse einer experimentellen Studie werden im Folgenden bereitgestellt. Zunächst wird die geometrische Kalibrierung von nicht kreisförmigen Orbits diskutiert. Die Reproduzierbarkeit der geometrischen Parameter wurde für einen beispielhaften nicht kreisförmigen Orbit (ϕ linear ansteigend von -20° bis +20° und θ linear ansteigend von 0° bis 196°) durch viermalige Wiederholung der geometrischen Kalibrierung (nicht Interpolation) über einen 8-stündigen Zeitraum bei normaler Nutzung bewertet. Es wurden drei Szenarien ausgewertet: (i) ein konventioneller vorkalibrierter kreisförmiger Orbit (bezeichnet als ,,Calibrated Circular"); (ii) ein vorbestimmter und vorkalibrierter nicht-kreisförmiger Orbit (bezeichnet als „Calibrated Non-Circular"); und (iii) ein allgemeiner nicht-kreisförmiger Orbit, für den die Projektionsmatrix durch das oben beschriebene interpolationsbasierte Verfahren bestimmt wird (bezeichnet als „Interpolated Non-Circular"). Die grundlegenden Eigenschaften der Bildqualität von Scans unter diesen drei Szenarien wurden in Bezug auf die räumliche Auflösung (Modulationsübertragungsfunktion, MTF) und die 3D-Abtastcharakteristik (Kegelstrahlartefakte) in einem Kopfphantom mit verschiedenen kundenspezifischen Einsätzen bewertet. Die MTF in der axialen Ebene wurde anhand der Kantenspreizungsfunktion eines kontrastreichen (∼300 HU) zylindrischen Stabeinsatzes bestimmt. Die Größe der Kegelstrahlartefakte wurde anhand der vollen Breite am halben Maximum (FWHM) der oberen und unteren Kanten von flachen Scheiben („Defrise-Phantom“) gemessen, die in den Schädel eingesetzt waren. Alle Scans umfassten 400 Projektionen über einen Bogen von 196° in θ bei 110 kV, 1,65 mAs / Ansicht, mit einer Scan-Zeit von 30 s.
Als nächstes wird die Metallartefaktvermeidung (MAA) mit nicht kreisförmigen Orbits diskutiert. Die Leistung des CNN-basierten Schritts zur Lokalisierung von Metallobjekten wurde anhand des Dice-Koeffizienten im Validierungsdatensatz und im Testdatensatz [Scans einer mit sechs Paaren von Pedikelschrauben (Nuvasive, San Diego USA) instrumentierten Leiche] bewertet. Die Leistung des vorgeschlagenen End-to-End-Verfahrens wurde mit zwei anderen Verfahren verglichen: (i) konventionelle Bilddomänen-U-Net-Segmentierung auf direkter Rückprojektion von Erkundungsansichten (bezeichnet als „Single U-Net");[5] und (ii) Projektionsdomänen-U-Net-Segmentierung von Metallobjekten, gefolgt von Rückprojektion und Bilddomänen-U-Net-Segmentierung (bezeichnet als ,,Dual U-Net"). Beachten Sie, dass die beiden U-Netze in (ii) separat trainiert wurden (nicht Ende-zu-Ende).
Die Leistungsfähigkeit des MAA-Verfahrens wurde in einer Phantomstudie mit einem anthropomorphen Brustkorb-Phantom evaluiert, das ein natürliches menschliches Skelett aus gewebeäquivalentem Kunststoff und 8 Wirbelsäulen-Pedikelschrauben (DePuy-Synthes, Raynham USA; mit einer Länge von 30-60 mm) enthält. Die Schrauben wurden mit einem Außer-Ebene-Winkel von -20° bis +30° platziert (positiv auf einer Seite der Wirbelsäule, negativ auf der anderen Seite). Das Ausmaß der Metallartefakte wurde in Form von „Blooming“ um den Schraubenschaft (FWHM der Schraube abzüglich ihrer wahren Breite) für konventionelle Scans mit kreisförmigem Orbit und dem optimalen nicht-kreisförmigen Orbit, der durch MAA definiert wurde, bewertet.
Die Ergebnisse der Studie zur geometrischen Kalibrierung von nicht kreisförmigen Orbits werden nun diskutiert. 15A und 15B zeigen die Reproduzierbarkeit der geometrischen Parameter für den oben beschriebenen vorbestimmten nicht kreisförmigen Orbit, wobei 15A die Lage des Anstechpunkts (u₀,v₀) und 15B die SDD in 4 Wiederholungsversuchen über ein 8-stündiges Intervall im Routinebetrieb zeigt. Es wurde eine Verringerung der Reproduzierbarkeit beobachtet: z. B. betrug die Standardabweichung der Position des Anstechpunkts (u₀,v₀) über die Wiederholungsversuche ∼1,7 mm (im Vergleich zu ~0,8 mm bei einem herkömmlichen Kreisförmigen Orbit). Beachten Sie, dass der mobile C-Bogen nicht elektromechanisch über seinen klinischen Standardeinsatz hinaus abgestimmt wurde, welcher nicht-kreisförmige Orbits im Standardeinsatz nicht unterstützt. Wie unten gezeigt, stellte die interpolationsbasierte Kalibrierung jedoch trotz der reduzierten mechanischen Reproduzierbarkeit eine vernünftige Schätzung der Systemgeometrie bereit, die die 3D-Bildrekonstruktion unterstützt.
16A-16D veranschaulichen, wie sich Fehler in der geometrischen Kalibrierung auf die Verringerung der räumlichen Auflösung für die drei oben definierten Szenarien beziehen, wobei 16A die MTF für die drei Szenarien zeigt, die durch die Anordnung in 13A und 13B definiert sind, und 16B, 16C und 16D zeigen axiale und sagittale vergrößerte Ansichten (Schädelbasis) eines Kopfphantoms für die drei Szenarien. Im Vergleich zum Standardszenario „Calibrated Circular" (kalibriert zirkulär) zeigte das Szenario „Calibrated Non-Circular" (kalibriert nicht zirkulär) aufgrund der geringeren Reproduzierbarkeit der Kalibrierungsparameter eine geringfügige Reduktion der MTF (~3,5 % Reduktion der Ortsfrequenz, bei der MTF = 0,10, bezeichnet als f₁₀). Das Szenario „Interpolated Non-Circular" zeigte eine weitere Verringerung der Auflösung (~12 % Verringerung von f₁₀) aufgrund von zwei Effekten: Glättung der geometrischen Parameter bei der Interpolation und Vernachlässigung der Unterschiede im Gantry-Drehimpuls für einen kontinuierlichen, nicht kreisförmigen Orbit im Vergleich zur diskreten Bibliothek mit kreisförmigen Scans. Trotz der Reduzierung der MTF erscheinen die mit dem Szenario „Interpolated Non-Circular" erhaltenen Bilder visuell vergleichbar mit den anderen, wie in 16B und 16C. Das Verfahren scheint also eine vernünftige Schätzung der Systemgeometrie für nicht-kreisförmige Scans bereitzustellen, für die weder eine Vorkalibrierung noch eine „Selbstkalibrierung“ (unter Verwendung des vorherigen Scans und der 3D-2D-Registrierung) verfügbar ist.
17A-17C zeigen die erwartete Verringerung der Kegelstrahlartefakte von nicht kreisförmigen Orbits in sagittalen Bildern eines Kopfphantoms, das Stapel von flachen Scheiben enthält, wie sie durch die Anordnung von 13A und 13B definiert sind, wobei 17A für einen kalibrierten kreisförmigen Orbit, 17B für einen kalibrierten nicht kreisförmigen Orbit und 17C für einen interpolierten nicht kreisförmigen Orbit steht. Die scheinbare Dicke (FWHM) der obersten Scheibe wurde von 9 mm für das Standard-„Kreisprotokoll“ auf ihre wahre Dicke (~5,5 mm) für die beiden nicht-kreisförmigen Szenarien reduziert.
Die Ergebnisse der Studie für MAA mit nicht-kreisförmigen Orbits werden nun diskutiert. 18 zeigt die Leistung der Segmentierung von realen oder simulierten Metallimplantaten in Bezug auf den Dice-Koeffizienten (bezeichnet als DC) in Validierungstests von drei Netzwerktypen (einfaches U-Netz, duales U-Netz und End-to-End) als Funktion der Anzahl der Projektionsansichten, was die verbesserte Segmentierungsleistung des Ende-zu-Ende-Netzwerks im Vergleich zu den einfachen und dualen U-Netzen verdeutlicht. Der Anstieg von DC (insbesondere für weniger Erkundungsansichten) bestätigt die Effektivität des Ende-zu-Ende-Trainings: für nur zwei Erkundungsansichten erhöhte das Ende-zu-Ende-Verfahren Dice um ~29 % im Validierungsdatensatz und um ∼42 % im Testdatensatz im Vergleich zum dualen U-Netz. Dies stimmt mit anderen Arbeiten in der Literatur überein, die ein Ende-zu-Ende-Training verwenden.
19A-19E zeigen die Segmentierungsleistung von drei neuronalen Netzen im Testdatensatz (Kadaver mit 12 Pedikelschrauben). 19A-19C zeigen ein Beispiel für die Segmentierung von axialen Schnitten, die mit der Grundwahrheit überlagert sind. Die Segmentierungen sind für eine unterschiedliche Anzahl von Erkundungsansichten dargestellt. 19D zeigt die aus zwei Ansichten berechnete Isofläche von µ_seg für das Ende-zu-Ende-Verfahren. 19E zeigt die Isofläche der Segmentierung der Bodenwahrheit (mit der gleichen Abwärtsabtastung wie µ_seg).
20A-20F zeigen die (θ,ϕ) metrische Karte, die durch das MAA-Verfahren mit nur zwei Erkundungsansichten des Brustkorbphantoms und der Wirbelsäulenschrauben berechnet wurde. Offensichtlich gibt es keinen kreisförmigen Orbit [horizontale Linie in (a)], der die Metallartefakte für alle Schrauben im Wesentlichen reduzieren würde, da es immer zumindest einen Bereich mit starker metallinduzierter Verzerrung im (θ,) Trajektorienraum gibt (entspricht in etwa dem Winkel außerhalb der Ebene der Schraube). Dieses Problem wird durch 2D-Minimierung der Gleichungen (6) und (7) gelöst, was zu der nicht kreisförmigen Bahn führt, die durch die cyanfarbene Kurve (a) markiert ist. Der nicht kreisförmige Orbit vermeidet die meisten der Low-Fidelity-Ansichten und steuert einen Pfad in (θ,), der die Variation der spektralen Verschiebung minimiert. Die sich daraus ergebende Bildqualität ist in 20C- 20F dargestellt und zeigt eine starke Reduzierung der Blooming-Artefakte um die Schraube (~70 % Verbesserung des Schraubenschaft-Blooming durch den optimalen nicht-kreisförmigen Orbit).
Zusammenfassend wird ein Verfahren zur geometrischen Kalibrierung von nichtzirkulären C-Bogen-CBCT-Orbits beschrieben, das eine praktische Möglichkeit zur Schätzung der Systemgeometrie aus einer diskreten Bibliothek zirkulärer Scan-Kalibrierungen bietet. Obwohl das Verfahren zur geometrischen Kalibrierung eine messbare Reduzierung der MTF mit sich brachte, war die Auswirkung auf die visuelle Bildqualität relativ gering. Es zeigte sich, dass CBCT-Bilder, die aus nicht kreisförmigen Orbits aufgenommen wurden, die Eigenschaften der 3D-Abtastung (z. B. die Reduzierung von Kegelstrahlartefakten) erwartungsgemäß verbessern. Diese Fähigkeit ermöglichte ein Verfahren (genannt MAA), das nicht-zirkuläre Orbits mit minimalen metallinduzierten Verzerrungen identifiziert. Es wird ein neuronales Ende-zu-Ende-Netzwerk beschrieben, um Metallobjekte aus nur zwei Erkundungsansichten zu lokalisieren, ohne starke Vorinformationen über die Patientenanatomie oder Metallinstrumente. Die Integration des Ende-zu-Ende-Netzwerks mit der MAA-Methode für nicht-kreisförmige Orbits zeigte eine starke Reduzierung der Metallartefakte in Phantom- und Kadaverstudien. Darüber hinaus ist das Verfahren mit etablierten MAR- und polyenergetischen Rekonstruktionsalgorithmen kompatibel, um Artefakte ferner zu reduzieren.
23 ist ein Beispiel für eine Hardware-Konfiguration für ein Computergerät 2300, das zur Durchführung eines oder mehrerer der oben beschriebenen Verfahren und/oder zur Implementierung des CT-Systems 102 und/oder der oben beschriebenen Steuervorrichtung 118 verwendet werden kann. Bei dem Computergerät 2300 kann es sich um jede Art von Computergeräten handeln, wie z.B. Desktops, Laptops, Server usw., oder um mobile Geräte, wie z.B. Smartphones, Tablet-Computer, Mobiltelefone, persönliche digitale Assistenten usw. Wie in 23 dargestellt, kann das Computergerät 2300 einen oder mehrere Prozessoren 2302 mit unterschiedlichen Kernkonfigurationen und Taktfrequenzen einrichten. Das Computergerät 2300 kann auch ein oder mehrere Speicherelemente 2304 umfassen, die während des Betriebs des Computergeräts 2300 als Hauptspeicher dienen. Zum Beispiel kann während des Betriebs eine Kopie der Software, die die oben beschriebenen Operationen unterstützt, in dem einen oder mehreren Bauelementen 2304 gespeichert werden. Das Computergerät 2300 kann auch eine oder mehrere periphere Schnittstellen 2306 umfassen, wie z. B. Tastaturen, Mäuse, Touchpads, Computerbildschirme, Touchscreens usw., um die menschliche Interaktion mit dem Computergerät 2300 und dessen Manipulation zu ermöglichen.
Das Computergerät 2300 kann auch eine oder mehrere Netzwerkschnittstellen 2308 für die Kommunikation über ein oder mehrere Netzwerke umfassen, wie z. B. Ethernet-Adapter, drahtlose Transceiver oder serielle Netzwerkkomponenten für die Kommunikation über verdrahtete oder drahtlose Medien unter Verwendung von Protokollen. Das Computergerät 2300 kann auch ein oder mehrere Bauelemente 2310 mit unterschiedlichen physikalischen Abmessungen und Speicherkapazitäten umfassen, wie Flash-Laufwerke, Festplatten, Arbeitsspeicher usw., um Daten wie Bilder, Dateien und Programmanweisungen zur Ausführung durch den einen oder mehrere Prozessoren 2302 zu speichern.
Zusätzlich kann das Computergerät 2300 ein oder mehrere Softwareprogramme 2312 enthalten, die die oben beschriebene Funktionalität ermöglichen. Das eine oder die mehreren Softwareprogramme 2312 können Anweisungen enthalten, die den einen oder die mehreren Prozessoren 2302 veranlassen, die hierin beschriebenen Verfahren, Funktionen und Operationen auszuführen, z. B. in Bezug auf die Verfahren der 2, 12, 14, 21 und/oder 22. Kopien des einen oder der mehreren Softwareprogramme 2312 können in dem einen oder den mehreren Bauelementen 2304 und/oder in dem einen oder den mehreren Speicherelementen 2310 gespeichert werden. Ebenso können die Daten, die von einem oder mehreren Softwareprogrammen 2312 verwendet werden, in einem oder mehreren Bauelementen 2304 und/oder auf einem oder mehreren Speicherelementen 2310 gespeichert werden. Der Datenbus 2316 stellt einen Datenkommunikationspfad zwischen den verschiedenen Komponenten des Computergeräts 2300 bereit.
In Implementierungen kann das Computergerät 2300 mit anderen Bauelementen über ein Netzwerk 2314 kommunizieren. Bei den anderen Bauelementen kann es sich um beliebige Typen von Bauelementen handeln, wie oben beschrieben. Das Netzwerk 2314 kann ein beliebiger Netzwerktyp sein, z. B. ein lokales Netzwerk, ein Weitverkehrsnetz, ein virtuelles privates Netzwerk, das Internet, ein Intranet, ein Extranet, ein öffentliches Telefonnetz, ein Infrarotnetzwerk, ein drahtloses Netzwerk und eine beliebige Kombination davon. Das Netzwerk 2314 kann die Kommunikation mit einer Vielzahl von handelsüblichen Protokollen unterstützen, wie z. B. TCP/IP, UDP, OSI, FTP, UPnP, NFS, CIFS, AppleTalk und dergleichen. Das Netzwerk 2314 kann z. B. ein lokales Netzwerk, ein Weitverkehrsnetz, ein virtuelles privates Netzwerk, das Internet, ein Intranet, ein Extranet, ein öffentliches Telefonnetz, ein Infrarot-Netzwerk, ein drahtloses Netzwerk oder eine beliebige Kombination davon sein.
Das Computergerät 2300 kann eine Vielzahl von Datenspeichern und anderen Speicher- und Speichermedien enthalten, wie oben beschrieben. Diese können sich an verschiedenen Orten befinden, wie z. B. auf einem Speichermedium, das sich lokal auf einem oder mehreren Computern befindet (und/oder in diesen resident ist) oder entfernt von einem oder allen Computern über das Netzwerk. In einigen Implementierungen können sich die Informationen in einem Storage Area Network („SAN“) befinden, das dem Fachmann bekannt ist. Ebenso können alle notwendigen Dateien für die Ausführung der Funktionen, die den Computern, Servern oder anderen Netzwerkelementen zugeordnet sind, je nach Bedarf lokal und/oder entfernt gespeichert werden.
In Implementierungen müssen die Komponenten des Computergeräts 2300, wie oben beschrieben, nicht in einem einzigen Gehäuse eingeschlossen oder sogar in unmittelbarer Nähe zueinander angeordnet sein. Fachleute werden verstehen, dass die oben beschriebenen Bauelemente nur Beispiele sind, da das Computergerät 2300 jede Art von HardwareKomponenten enthalten kann, umfassend jede notwendige begleitende Firmware oder Software, um die offengelegten Implementierungen durchzuführen. Das Computergerät 2300 kann auch ganz oder teilweise durch elektronische Schaltungskomponenten oder Prozessoren implementiert werden, wie z. B. anwendungsspezifische integrierte Schaltungen (ASICs) oder feldprogrammierbare Gate-Arrays (FPGAs).
Wenn die Funktionen in Software implementiert sind, können sie auf einem computerlesbaren Medium als eine oder mehrere Anweisungen oder Code gespeichert oder über dieses übertragen werden. Zu den computerlesbaren Medien gehören sowohl greifbare, nicht transitorische Computerspeichermedien als auch Kommunikationsmedien, die jedes Medium umfassen, das die Übertragung eines Computerprogramms von einem Ort zum anderen ermöglicht. Ein Speichermedium kann jedes verfügbare greifbare, nicht-transitorische Medium sein, auf das ein Computer zugreifen kann. Beispielhaft und ohne Einschränkung können solche greifbaren, nicht transitorischen, computerlesbaren Medien RAM, ROM, Flash-Speicher, EEPROM, CD-ROM oder andere optische Plattenspeicher, Magnetplattenspeicher oder andere magnetische Speicherelemente oder jedes andere Medium umfassen, das verwendet werden kann, um gewünschten Programmcode in Form von Anweisungen oder Datenstrukturen zu tragen oder zu speichern, und auf das ein Computer zugreifen kann. Disk und Disk, wie hier verwendet, umfasst CD, Laserdisk, optische Disk, DVD, Diskette und Blu-ray-Disk, wobei Disketten normalerweise Daten magnetisch wiedergeben, während Disketten Daten optisch mit Lasern wiedergeben. Auch jede Verbindung wird richtigerweise als computerlesbares Medium bezeichnet. Wenn die Software beispielsweise von einer Website, einem Server oder einer anderen entfernten Quelle über ein Koaxialkabel, ein Glasfaserkabel, eine verdrillte Zweidrahtleitung, eine digitale Teilnehmerleitung (DSL) oder drahtlose Technologien wie Infrarot, Funk und Mikrowellen übertragen wird, dann fallen das Koaxialkabel, das Glasfaserkabel, die verdrillte Zweidrahtleitung, DSL oder drahtlose Technologien wie Infrarot, Funk und Mikrowellen unter die Definition von Medium. Kombinationen der oben genannten sollten ebenfalls in den Anwendungsbereich von computerlesbaren Medien einbezogen werden.
Die vorangehende Beschreibung ist illustrativ, und Variationen in der Konfiguration und Implementierung können für Fachleute vorkommen. Beispielsweise können die verschiedenen illustrativen Logiken, logischen Blöcke, Module und Schaltungen, die in Verbindung mit den hier offengelegten Ausführungsformen beschrieben werden, mit einem Allzweckprozessor, einem digitalen Signalprozessor (DSP), einer anwendungsspezifischen integrierten Schaltung (ASIC), einem Field Programmable Gate Array (FPGA), einem kryptografischen Co-Prozessor oder einem anderen programmierbaren Logikelement, einer diskreten Gate- oder Transistorlogik, diskreten Hardwarekomponenten oder einer beliebigen Kombination davon implementiert oder ausgeführt werden, um die hier beschriebenen Funktionen auszuführen. Ein Mehrzweckprozessor kann ein Mikroprozessor sein, alternativ kann der Prozessor aber auch ein beliebiger konventioneller Prozessor, Controller, Mikrocontroller oder eine Zustandsmaschine sein. Ein Prozessor kann auch als eine Kombination von Bauelementen implementiert werden, z. B. eine Kombination aus einem DSP und einem Mikroprozessor, eine Vielzahl von Mikroprozessoren, ein oder mehrere Mikroprozessoren in Verbindung mit einem DSP-Kern oder eine andere derartige Konfiguration.
In einer oder mehreren Ausführungsformen können die beschriebenen Funktionen in Hardware, Software, Firmware oder einer beliebigen Kombination davon implementiert werden. Bei einer Software-Implementierung können die hier beschriebenen Techniken mit Modulen (z. B. Prozeduren, Funktionen, Unterprogrammen, Programmen, Routinen, Subroutinen, Modulen, Softwarepaketen, Klassen usw.) implementiert werden, die die hier beschriebenen Funktionen ausführen. Ein Modul kann mit einem anderen Modul oder einer Hardwareschaltung gekoppelt werden, indem es Informationen, Daten, Argumente, Parameter oder Speicherinhalte weitergibt und/oder empfängt. Informationen, Argumente, Parameter, Daten oder Ähnliches können mit allen geeigneten Mitteln weitergegeben, weitergeleitet oder übertragen werden, umfassend Speicherfreigabe, Nachrichtenweitergabe, Token-Weitergabe, Netzwerkübertragung und Ähnliches. Die Softwarecodes können in Speichereinheiten gespeichert und von Prozessoren ausgeführt werden. Die Speichereinheit kann innerhalb des Prozessors oder außerhalb des Prozessors implementiert sein, in welchem Fall sie über verschiedene, in der Technik bekannte Mittel kommunikativ mit dem Prozessor verbunden sein kann.
Im Vergleich zu bestehenden MAR-Lösungen hat das MAA-Verfahren mehrere Vorteile. Erstens werden neben der nominellen 3D-Abtastung nur zwei Erkundungsansichten aufgenommen. Es gibt keine zusätzliche Strahlung für den Patienten, da Erkundungsansichten in der Regel standardmäßig zur Bestätigung der Positionierung des Patienten aufgenommen werden. Zweitens sind keine vorherigen Informationen über die Form der Metalleinsätze oder ein 3D-Scan des Patienten vor der Instrumentierung erforderlich. Drittens ist der zugrundeliegende Algorithmus für die Berechnung der optimalen Trajektorie (Kippwinkel) unabhängig von der bestehenden Rekonstruktions- und Artefaktkorrektur-Pipeline und kann als separates Modul eingesetzt werden, was die Integration in aktuelle CBCT-Systeme erheblich erleichtert. Schließlich ist sie als hardwarebasierte Lösung robuster und birgt nicht das Risiko, unrealistische Informationen (durch Interpolation etc.) in das rekonstruierte Volumen einzubringen, verglichen mit ihren softwarebasierten Gegenstücken.
In einer oder mehreren Ausführungsformen können die beschriebenen Funktionen in Hardware, Software, Firmware oder einer beliebigen Kombination davon implementiert werden. Bei einer Software-Implementierung können die hier beschriebenen Techniken mit Modulen (z. B. Prozeduren, Funktionen, Unterprogrammen, Programmen, Routinen, Subroutinen, Modulen, Softwarepaketen, Klassen usw.) implementiert werden, die die hier beschriebenen Funktionen ausführen. Ein Modul kann mit einem anderen Modul oder einer Hardwareschaltung gekoppelt werden, indem es Informationen, Daten, Argumente, Parameter oder Speicherinhalte weitergibt und/oder empfängt. Informationen, Argumente, Parameter, Daten oder Ähnliches können mit allen geeigneten Mitteln weitergegeben, weitergeleitet oder übertragen werden, umfassend Speicherfreigabe, Nachrichtenweitergabe, Token-Weitergabe, Netzwerkübertragung und Ähnliches. Die Softwarecodes können in Speichereinheiten gespeichert und von Prozessoren ausgeführt werden. Die Speichereinheit kann innerhalb des Prozessors oder außerhalb des Prozessors implementiert sein, in welchem Fall sie über verschiedene, in der Technik bekannte Mittel kommunikativ mit dem Prozessor verbunden sein kann.
Ferner umfasst die Offenbarung Ausführungsformen gemäß den folgenden Klauseln:

Klausel 1. Ein Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung, wobei das Verfahren umfasst:
- Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse;
- Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten reduziert;
- Bewegen eines Bildgebungssystems zu Orten, die mit dem Quellen-Detektor-Orbit, der geschätzt wurde, übereinstimmen, oder zu Orten, die nahe an dem Quellen-Detektor-Orbit liegen, der geschätzt wurde, und innerhalb bestehender räumlicher Beschränkungen; und
- Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.
Klausel 2. Das Verfahren nach Klausel 1, wobei das Bestimmen ferner eines oder mehrere der folgenden umfasst: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse, oder Verwenden eines Verfolgungssystems, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren.
Klausel 3. Das Verfahren nach Klausel 1 oder 2, wobei der Quellen-Detektor-Orbit eine Position und Orientierung einer Röntgenquelle und eines Detektors für Projektionen umfasst, die bei der 3D-Röntgenbildgebung zu erfassen sind.
Klausel 4. Das Verfahren nach den Klauseln 1 bis 3, wobei das Schätzen des Quellen-Detektor-Orbits ferner das Berechnen einer Zielfunktion umfasst, die auf der ermittelten 3D-Position des Metalls basiert, wobei die Zielfunktion eine Eigenschaft beschreibt, die mit Metallartefakten in einer 3D-Bildrekonstruktion verbunden ist.
Klausel 5. Das Verfahren nach den Klauseln 1-4, wobei die Eigenschaft eine Schätzung einer spektralen Verschiebung, einer Abschwächung oder Kombinationen davon umfasst.
Klausel 6. Das Verfahren nach den Klauseln 1-5, wobei die Zielfunktion auf einer oder mehreren der folgenden Größen basiert: einem Bereich in einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einer Standardabweichung einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einem Maximum der metrischen Karte entlang der Rotationsachse des Gantrys, einer Summe von metrischen Karten für einen Bereich von Rotationswinkeln des Gantrys.
Klausel 7. Das Verfahren nach den Klauseln 1-6, wobei die Ausprägung von Metallartefakten im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert ist.
Klausel 8. Das Verfahren nach den Klauseln 1-7, wobei das Abtasten ferner das Erfassen einer Vielzahl von Röntgenprojektionen entlang des Quellen-Detektor-Orbits und das Ausbilden einer 3D-Bildrekonstruktion des Objekts umfasst.
Klausel 9. Das Verfahren nach den Klauseln 1-8, wobei das Ausbilden der 3D-Bildrekonstruktion ferner das Ausführen eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen umfasst, die eine gefilterte 3D-Rückprojektion, andere analytische Verfahren für die 3D-Bildrekonstruktion, eine modellbasierte Bildrekonstruktion, Deep-Learning oder eine Rekonstruktion über ein neuronales Netzwerk umfassen.

Ferner umfasst die Offenbarung Ausführungsformen gemäß den folgenden Klauseln:
Klausel 1. Ein 3D-Röntgenbildgebungssystem, umfassend:

ein 3D- Röntgenbildgebungsvorrichtung, das eine Gantry umfasst, die in einer Vielzahl von Neigungswinkeln entlang einer Neigungsachse und einer Vielzahl von Drehwinkeln entlang einer Drehachse beweglich ist; und
einen Hardware-Prozessor, der so eingerichtet ist, dass er Anweisungen ausführt, die Folgendes umfassen:
- Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse;
- Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten reduziert;
- Bewegen eines Bildgebungssystems zu Orten, die mit dem Quellen-Detektor-Orbit, der geschätzt wurde, übereinstimmen, oder zu Orten nahe dem Quellen-Detektor-Orbit, der geschätzt wurde, und innerhalb bestehender räumlicher Beschränkungen; und
- Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.

Klausel 2. Das 3D-Röntgenbildgebungssystem nach Klausel 1, wobei das Bestimmen ferner eines oder mehrere der folgenden umfasst: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse, oder Verwenden eines Verfolgungssystems, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren.
Klausel 3. Das 3D-Röntgenbildgebungssystem nach Klausel 1 oder 2, wobei der Quellen-Detektor-Orbit eine Position und Orientierung einer Röntgenquelle und eines Detektors für Projektionen umfasst, die bei der 3D-Röntgenbildgebung zu erfassen sind.
Klausel 4. Das 3D- Röntgenbildgebungssystem der Klauseln 1-3, wobei das Schätzen des Quellen-Detektor-Orbits ferner das Berechnen einer Zielfunktion umfasst, die auf der ermittelten 3D-Position des Metalls basiert, wobei die Zielfunktion eine Eigenschaft beschreibt, die mit Metallartefakten in einer 3D-Bildrekonstruktion verbunden ist.
Klausel 5. Das 3D-Röntgenbildgebungssystem nach den Klauseln 1-4, wobei die Eigenschaft eine Schätzung einer Spektralverschiebung, einer Abschwächung oder Kombinationen davon umfasst.
Klausel 6. Das 3D-Röntgenbildgebungssystem nach den Klauseln 1-5, wobei die Zielfunktion auf einer oder mehreren der folgenden Größen basiert: einem Bereich in einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einer Standardabweichung einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einem Maximum der metrischen Karte entlang der Rotationsachse des Gantrys, einer Summe von metrischen Karten für einen Bereich von Rotationswinkeln des Gantrys.
Klausel 7. Das 3D-Röntgenbildgebungssystem nach den Klauseln 1 bis 6, wobei die Ausprägung von Metallartefakten im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert ist.
Klausel 8. Das 3D- Röntgenbildgebungssystem nach den Klauseln 1-7, wobei das Abtasten ferner das Erfassen einer Vielzahl von Röntgenprojektionen entlang des Quellen-Detektor-Orbits und das Ausbilden einer 3D-Bildrekonstruktion des Objekts umfasst.
Klausel 9. Das 3D-Röntgenbildgebungssystem nach den Klauseln 1-8, wobei das Ausbilden der 3D-Bildrekonstruktion ferner das Ausführen eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen umfasst, die eine gefilterte 3D-Rückprojektion, andere analytische Verfahren für die 3D-Bildrekonstruktion, eine modellbasierte Bildrekonstruktion, Deep-Learning oder eine Rekonstruktion über ein neuronales Netzwerk umfassen.
Ungeachtet dessen, dass die numerischen Bereiche und Parameter, die den weiten Bereich der vorliegenden Lehre darstellen, Näherungen sind, werden die numerischen Werte, die in den spezifischen Beispielen angegeben sind, so genau wie möglich angegeben. Jeder numerische Wert enthält jedoch von Natur aus gewisse Fehler, die sich zwangsläufig aus der Standardabweichung der jeweiligen Testmessungen ergeben. Darüber hinaus sind alle hier offengelegten Bereiche so zu verstehen, dass sie alle darin enthaltenen Teilbereiche umfassen. So kann z. B. der Bereich „kleiner als 10“ alle Unterbereiche zwischen (und umfassend) dem Minimalwert Null und dem Maximalwert 10 umfassen, d. h. alle Unterbereiche mit einem Minimalwert von gleich oder größer Null und einem Maximalwert von gleich oder kleiner 10, z. B. 1 bis 5. In bestimmten Fällen können die für den Parameter angegebenen Zahlenwerte negative Werte annehmen. In diesem Fall kann der als „kleiner als 10“ angegebene Beispielwert des Bereichs negative Werte annehmen, z. B. 1, -2, -3, -10, -20, -30, usw.
Während die vorliegende Lehre in Bezug auf eine oder mehrere Implementierungen illustriert wurde, können Änderungen und/oder Modifikationen an den illustrierten Beispielen vorgenommen werden, ohne vom Geist und Umfang der beigefügten Ansprüche abzuweichen. So wird beispielsweise deutlich, dass das Verfahren zwar als eine Reihe von Vorgängen oder Ereignissen beschrieben wird, die vorliegende Lehre jedoch nicht durch die Reihenfolge dieser Vorgänge oder Ereignisse eingeschränkt ist. Einige Vorgänge können in unterschiedlicher Reihenfolge und/oder gleichzeitig mit anderen Vorgängen oder Ereignissen als den hier beschriebenen auftreten. Außerdem sind möglicherweise nicht alle Verfahrensschritte erforderlich, um eine Methodik gemäß einem oder mehreren Aspekten oder Implementierungen der vorliegenden Lehre zu implementieren. Es wird verstanden, dass Strukturierungskomponenten und/oder Verfahrensschritte hinzugefügt werden können oder bestehende Strukturierungskomponenten und/oder Verfahrensschritte entfernt oder modifiziert werden können. Ferner können einer oder mehrere der hierin dargestellten Handlungen in einer oder mehreren separaten Handlungen und/oder Phasen ausgeführt werden. Soweit in der detaillierten Beschreibung und in den Ansprüchen die Begriffe „einschließlich“, „beinhaltet“, „mit“, „hat“, „mit“ oder Varianten davon verwendet werden, sind diese Begriffe ähnlich wie der Begriff „umfassend“ als umfassend zu verstehen. Der Begriff „zumindest eines von“ wird verwendet, um zu bedeuten, dass einer oder mehrere der aufgeführten Punkte ausgewählt werden können. Ferner bedeutet der Begriff „auf“ in der Diskussion und in den Ansprüchen in Bezug auf zwei Materialien, von denen eines „auf“ dem anderen liegt, dass zumindest ein gewisser Kontakt zwischen den Materialien besteht, während „über“ bedeutet, dass die Materialien nahe beieinander liegen, jedoch möglicherweise mit einem oder mehreren zusätzlichen Materialien dazwischen, so dass ein Kontakt möglich, aber nicht erforderlich ist. Weder „auf“ noch „über“ impliziert irgendeine Richtungsabhängigkeit, wie sie hier verwendet wird. Der Begriff „über“ gibt an, dass der aufgeführte Wert etwas verändert werden kann, solange die Veränderung nicht zu einer Nichtübereinstimmung des Verfahrens oder der Strukturierung mit der dargestellten Ausführung führt. Schließlich gibt der Begriff „beispielhaft“ an, dass die Beschreibung als Beispiel verwendet wird und nicht als Idealfall zu verstehen ist. Andere Ausführungsformen der vorliegenden Lehre werden dem Fachmann aus der Betrachtung der Beschreibung und der Praxis der vorliegenden Offenbarung ersichtlich sein. Es ist beabsichtigt, die Beschreibung und die Beispiele nur als beispielhaft zu betrachten, wobei der wahre Umfang und Geist der vorliegenden Lehre durch die folgenden Ansprüche angegeben ist.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 62944615 [0001]

Claims

Verfahren zur Vermeidung von Metallartefakten bei der 3D-Röntgenbildgebung, wobei das Verfahren umfasst: Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten reduziert; Bewegen eines Bildgebungssystems zu Orten, die mit dem Quellen-Detektor-Orbit, der geschätzt wurde, übereinstimmen, oder zu Orten, die nahe an dem Quellen-Detektor-Orbit liegen, der geschätzt wurde, und innerhalb bestehender räumlicher Beschränkungen; und Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.
Das Verfahren nach Anspruch 1, wobei das Bestimmen ferner eines oder mehrere der folgenden umfasst: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse, oder Verwenden eines Verfolgungssystems, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren.
Das Verfahren nach Anspruch 1, wobei der Quellen-Detektor-Orbit eine Position und Orientierung einer Röntgenquelle und eines Detektors für Projektionen umfasst, die bei der 3D-Röntgenbildgebung zu erfassen sind.
Das Verfahren nach Anspruch 1, wobei das Schätzen des Quellen-Detektor-Orbits ferner das Berechnen einer Zielfunktion umfasst, die auf der ermittelten 3D-Position des Metalls basiert, wobei die Zielfunktion eine Eigenschaft beschreibt, die mit Metallartefakten in einer 3D-Bildrekonstruktion verbunden ist.
Das Verfahren nach Anspruch 4, wobei die Eigenschaft eine Schätzung einer Spektralverschiebung, einer Abschwächung oder Kombinationen davon umfasst.
Das Verfahren nach Anspruch 4, wobei die Zielfunktion auf einer oder mehreren der folgenden Größen basiert: einem Bereich in einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einer Standardabweichung einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einem Maximum der metrischen Karte entlang der Rotationsachse des Gantrys, einer Summe von metrischen Karten für einen Bereich von Rotationswinkeln des Gantrys.
Das Verfahren nach Anspruch 1, wobei die Ausprägung von Metallartefakten im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert ist.
Das Verfahren nach Anspruch 1, wobei das Abtasten ferner das Erfassen einer Vielzahl von Röntgenprojektionen entlang des Quellen-Detektor-Orbits und das Ausbilden einer 3D-Bildrekonstruktion des Objekts umfasst.
Das Verfahren nach Anspruch 8, wobei das Ausbilden der 3D-Bildrekonstruktion ferner das Ausführen eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen umfasst, die eine gefilterte 3D-Rückprojektion, andere analytische Verfahren für die 3D-Bildrekonstruktion, eine modellbasierte Bildrekonstruktion, Deep-Learning oder eine Rekonstruktion über ein neuronales Netzwerk umfassen.
Ein 3D-Röntgenbildgebungssystem, umfassend: ein 3D- Röntgenbildgebungsvorrichtung, das eine Gantry umfasst, die in einer Vielzahl von Neigungswinkeln entlang einer Neigungsachse und einer Vielzahl von Drehwinkeln entlang einer Drehachse beweglich ist; und einen Hardware-Prozessor, der so eingerichtet ist, dass er Anweisungen ausführt, die Folgendes umfassen: Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten reduziert; Bewegen eines Bildgebungssystems zu Orten, die mit dem Quellen-Detektor-Orbit, der geschätzt wurde, übereinstimmen, oder zu Orten nahe dem Quellen-Detektor-Orbit, der geschätzt wurde, und innerhalb bestehender räumlicher Beschränkungen; und Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.
Das 3D-Röntgenbildgebungssystem nach Anspruch 10, wobei das Bestimmen ferner eines oder mehrere der folgenden umfasst: Durchführen einer anfänglichen 3D-Abtastung des Objekts oder des Volumens von Interesse, Erfassen eines oder mehrerer Röntgenprojektionsbilder des Objekts oder des Volumens von Interesse, oder Verwenden eines Verfolgungssystems, das eine oder mehrere Kameras oder elektromagnetische Verfolgungsgeräte umfasst, um das Metall zu lokalisieren.
Das 3D-Röntgenbildgebungssystem nach Anspruch 10, wobei der Quellen-Detektor-Orbit eine Position und Orientierung einer Röntgenquelle und eines Detektors für Projektionen umfasst, die bei der 3D-Röntgenbildgebung zu erfassen sind.
Das 3D-Röntgenbildgebungssystem nach Anspruch 10, wobei das Schätzen des Quellen-Detektor-Orbits ferner das Berechnen einer Zielfunktion umfasst, die auf der ermittelten 3D-Position des Metalls basiert, wobei die Zielfunktion eine Eigenschaft beschreibt, die mit Metallartefakten in einer 3D-Bildrekonstruktion verbunden ist.
Das 3D-Röntgenbildgebungssystem nach Anspruch 13, wobei die Eigenschaft eine Schätzung einer Spektralverschiebung, einer Abschwächung oder Kombinationen davon umfasst.
Das 3D-Röntgenbildgebungssystem nach Anspruch 13, wobei die Zielfunktion auf einer oder mehreren der folgenden Größen basiert: einem Bereich in einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einer Standardabweichung einer metrischen Karte entlang einer Rotationsachse eines Gantrys, einem Maximum der metrischen Karte entlang der Rotationsachse des Gantrys, einer Summe von metrischen Karten für einen Bereich von Rotationswinkeln des Gantrys.
Das 3D-Röntgenbildgebungssystem nach Anspruch 10, wobei die Ausprägung von Metallartefakten im Vergleich zu einer Kreisbahn in einer Ebene senkrecht zu einer Längsachse des Objekts reduziert ist.
Das 3D-Röntgenbildgebungssystem nach Anspruch 10, wobei das Abtasten ferner das Erfassen einer Vielzahl von Röntgenprojektionen entlang des Quellen-Detektor-Orbits und das Ausbilden einer 3D-Bildrekonstruktion des Objekts umfasst.
Das 3D-Röntgenbildgebungssystem nach Anspruch 17, wobei das Ausbilden der 3D-Bildrekonstruktion ferner das Ausführen eines oder mehrerer 3D-Bildrekonstruktionsalgorithmen umfasst, die eine gefilterte 3D-Rückprojektion, andere analytische Verfahren für die 3D-Bildrekonstruktion, eine modellbasierte Bildrekonstruktion, Deep-Learning oder eine Rekonstruktion über ein neuronales Netzwerk umfassen.
Ein nichttransitorisches computerlesbares Medium, das Anweisungen umfasst, die, wenn sie von einem Hardware-Prozessor ausgeführt werden, so eingerichtet sind, dass sie ein Verfahren zur Vermeidung von Metallartefakten in der 3D-Röntgenbildgebung durchführen, das Verfahren umfassend: Bestimmen einer 3D-Position von Metall in einem abzutastenden Objekt oder Volumen von Interesse; Schätzen eines Quellen-Detektor-Orbits, der die Ausprägung von Metallartefakten reduziert; Bewegen eines Bildgebungssystems zu Orten, die mit dem Quellen-Detektor-Orbit, der geschätzt wurde, übereinstimmen, oder zu Orten nahe dem Quellen-Detektor-Orbit, der geschätzt wurde, und innerhalb bestehender räumlicher Beschränkungen; und Abtasten des Objekts gemäß dem Quellen-Detektor-Orbit.