DOI: https://doi.org/10.20535/S0021347020080014
Открытый доступ Открытый доступ  Ограниченный доступ Доступ по подписке
Карта рассеивающих ядер

Оптимизация оценки рассеянного излучения для улучшения качества рентгеновских изображений: реалистичное моделирование

Антон Юрьевич Даник, Александр Александрович Судаков

Аннотация


В статье предложены, исследованы и оптимизированы с помощью численного моделирования алгоритмы обработки изображения для компенсации влияния рассеянного излучения на качество рентгеновских снимков. Эти алгоритмы включают оценку рассеяния с помощью метода вычисления свертки (суперпозиции), расчет ядер рассеивания (kernel function) с помощью моделирования по методу Монте–Карло (МК), определение оптимального количества и формы ядер рассеивания и сегментацию изображений. Определение количества и формы ядер рассеивания осуществлялось путем МК моделирования реалистичного фантома Зубала (Zubal phantom) и кластерного анализа особенностей формы ядер рассеивания. Изучение результатов работы предложенных алгоритмов на рентгеновских изображениях грудной клетки, полученных при 75 кэВ, доказывает, что оптимальное количество ядер рассеивания составляет 8. Это количество обеспечивает повышение контраста примерно в 3 раза без использования антирассеивающих решеток. Достигнутый уровень контраста составляет приблизительно 95% от контраста первичного изображения, что превышает улучшение контраста, достигаемое с помощью антирассеивающих решеток. Увеличенное количество используемых кернфункций обеспечивает лучший контраст изображения и более высокое разрешение изображения рассеянного излучения, однако при этом возрастают расчетные ошибки, вследствие ошибок сегментации и деконволюции.

Ключевые слова


рентгеновское изображение; ядра свертки рассеянного рентгеновского излучения; кластерный анализ; сегментация; моделирование по методу Монте-Карло

Полный текст:

PDF

Литература


Z. Song, A. M. Fendrick, D. G. Safran, B. E. Landon, M. E. Chernew, “Global budgets and technology-intensive medical services,” Healthcare, vol. 1, no. 1–2, pp. 15–21, 2013, doi: https://doi.org/10.1016/j.hjdsi.2013.04.003.

A. Assmus, “Early history of x rays,” Beam Line, vol. 25, no. 2, pp. 10–24, 1995, uri: https://www.slac.stanford.edu/pubs/beamline/25/2/25-2-assmus.pdf.

M. J. Jensen, J. E. Wilhjelm, X-Ray Imaging: Fundamentals and Planar Imaging. Nutech: DTU, 2014.

P. Monnin, F. R. Verdun, H. Bosmans, S. R. Pérez, N. W. Marshall, “A comprehensive model for x-ray projection imaging system efficiency and image quality characterization in the presence of scattered radiation,” Phys. Med. Biol., vol. 62, no. 14, pp. 5691–5722, 2017, doi: https://doi.org/10.1088/1361-6560/aa75bc.

М. В. Кононов, О. А. Нагуляк, А. В. Нетреба, “Влияние распределения рентгеновского излучения в приемной системе на качество реконструкции в проекционной томографии,” Известия вузов. Радиоэлектроника, vol. 51, no. 3, pp. 63–66, 2008, doi: https://doi.org/10.20535/S0021347008030084.

S. Webb, Webb’s Physics of Medical Imaging, 2nd ed. Boca Raton: CRC Press, 2012, uri: https://www.routledge.com/Webbs-Physics-of-Medical-Imaging/Flower/p/book/9780750305730.

I. Šabič, D. Ključevšek, M. Thaler, D. Žontar, “The effect of anti-scatter grid on radiation dose in chest radiography in children,” Cent. Eur. J. Paediatr., vol. 12, no. 1, pp. 75–80, 2016, uri: http://cejpaediatrics.com/index.php/cejp/article/view/273/pdf.

E.-P. Rührnschopf, K. Klingenbeck, “A general framework and review of scatter correction methods in cone beam ct. part 2: scatter estimation approaches,” Med. Phys., vol. 38, no. 9, pp. 5186–5199, 2011, doi: https://doi.org/10.1118/1.3589140.

W. Zhao, S. Brunner, K. Niu, S. Schafer, K. Royalty, G.-H. Chen, “A patient-specific scatter artifacts correction method,” in Progress in Biomedical Optics and Imaging - Proceedings of SPIE, 2014, vol. 9033, p. 903310, doi: https://doi.org/10.1117/12.2043923.

P. G. F. Watson, E. Mainegra-Hing, N. Tomic, J. Seuntjens, “Implementation of an efficient monte carlo calculation for cbct scatter correction: phantom study,” J. Appl. Clin. Med. Phys., vol. 16, no. 4, pp. 216–227, 2015, doi: https://doi.org/10.1120/jacmp.v16i4.5393.

K. Kim et al., “Fully iterative scatter corrected digital breast tomosynthesis using gpu-based fast monte carlo simulation and composition ratio update,” Med. Phys., vol. 42, no. 9, pp. 5342–5355, 2015, doi: https://doi.org/10.1118/1.4928139.

A. V. Netreba, S. P. Radchenko, M. O. Razdabara, “Correlation reconstructed spine and time relaxation spatial distribution of atomic systems in mri,” in 2014 IEEE 34th International Scientific Conference on Electronics and Nanotechnology (ELNANO), 2014, pp. 365–367, doi: https://doi.org/10.1109/ELNANO.2014.6873453.

Y. Suleimanov et al., “Magnetic resonance signal processing tool for diagnostic classification,” in 2016 IEEE 36th International Conference on Electronics and Nanotechnology (ELNANO), 2016, pp. 175–179, doi: https://doi.org/10.1109/ELNANO.2016.7493042.

J. Maier, S. Sawall, M. Kachelriess, Y. Berker, “Deep scatter estimation (dse): feasibility of using a deep convolutional neural network for real-time x-ray scatter prediction in cone-beam ct,” in Medical Imaging 2018: Physics of Medical Imaging, 2018, vol. 10573, p. 56, doi: https://doi.org/10.1117/12.2292919.

A. Y. Danyk, S. P. Radchenko, O. O. Sudakov, “Optimization of grid-less scattering compensation in x-ray imaging: simulation study,” in 2017 IEEE 37th International Conference on Electronics and Nanotechnology (ELNANO), 2017, pp. 316–320, doi: https://doi.org/10.1109/ELNANO.2017.7939770.

A. Danyk, S. Radchenko, A. Netreba, O. Sudakov, “Using clustering analysis for determination of scattering kernels in x-ray imaging,” in 2019 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), 2019, vol. 1, pp. 211–215, doi: https://doi.org/10.1109/IDAACS.2019.8924353.

Е. Д. Прилепский, Я. Е. Прилепский, “Оценивание оптимального параметра регуляризации восстановления сигнала,” Известия вузов. Радиоэлектроника, vol. 61, no. 9, pp. 522–535, 2018, doi: https://doi.org/10.20535/S0021347018090030.

И. А. Сушко, А. И. Рыбин, “Повышение быстродействия итерационной процедуры регуляризации по тихонову при решении обратной задачи электроимпедансной томографии,” Известия вузов. Радиоэлектроника, vol. 58, no. 9, p. 51, 2015, doi: https://doi.org/10.20535/S0021347015090058.

E.-P. Rührnschopf, K. Klingenbeck, “A general framework and review of scatter correction methods in x-ray cone-beam computerized tomography. part 1: scatter compensation approaches,” Med. Phys., vol. 38, no. 7, pp. 4296–4311, 2011, doi: https://doi.org/10.1118/1.3599033.

I. G. Zubal, C. R. Harrell, E. O. Smith, Z. Rattner, G. Gindi, P. B. Hoffer, “Computerized three-dimensional segmented human anatomy,” Med. Phys., vol. 21, no. 2, pp. 299–302, 1994, doi: https://doi.org/10.1118/1.597290.

D. Sarrut et al., “A review of the use and potential of the gate monte carlo simulation code for radiation therapy and dosimetry applications,” Med. Phys., vol. 41, no. 6Part1, p. 064301, 2014, doi: https://doi.org/10.1118/1.4871617.

O. Sudakov, M. Kononov, I. Sliusar, A. Salnikov, “User clients for working with medical images in ukrainian grid infrastructure,” in 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2013, vol. 2, pp. 705–709, doi: https://doi.org/10.1109/IDAACS.2013.6663016.

L. Scrucca, M. Fop, T. B. Murphy, A. E. Raftery, “Mclust 5: clustering, classification and density estimation using gaussian finite mixture models,” R J., vol. 8, no. 1, p. 289, 2016, doi: https://doi.org/10.32614/RJ-2016-021.


Метрики статей

Загрузка метрик ...

Metrics powered by PLOS ALM





© Известия высших учебных заведений. Радиоэлектроника, 2004–2020
При копировании активная ссылка на материал обязательна
ISSN 2307-6011 (Online), ISSN 0021-3470 (Print)
т./ф. +38044 204-82-31, 204-90-41
Условия использования сайта