金属誘導ビーム硬化補正のためのCTシノグラム整合性学習

目的：このペーパーでは、多色のコンピューター断層撮影（CT）のビーム硬化関連のアーティファクトを扱うシノグラム整合性学習方法を提案しています。スキャンフィールドに高度に減衰材料が存在すると、ラドン変換の範囲空間と一致しない一貫性のないシノグラムが生じます。CT再構成中に不一致のデータが範囲空間に入力されると、逆ラドン変換方法の固有の性質のためにストリークおよびシェーディングアーティファクトが生成されます。シノグラムの金属トレースに沿った要因。医療環境で十分なトレーニングデータを取得する際の根本的な難しさを考慮して、学習方法はシミュレートされたトレーニングデータを使用するように設計されており、患者のインプラントタイプ固有の学習モデルを使用して学習プロセスを簡素化します。 結果：提案された方法の実現可能性は、シミュレートされた股関節プロテーゼを含む骨盤の実際のCTスキャンで構成されるデータセットを使用して調査されます。提案された方法がビーム硬化機能を選択的に抽出することを実証するために、トレーニングデータとテストデータの解剖学的領域は異なります。結果は、私たちの方法が、深い学習によってビーム硬化源を抽出することにより、シノグラムの矛盾を正常に修正することを示しています。 結論：この論文は、CTで初めてCTのビーム硬化削減のためのシノグラム補正の深い学習方法を提案しました。ビーム硬化削減のための従来の方法は正則化に基づいており、マニホールドCT画像を簡単に使用できないという根本的な欠点がありますが、深い学習アプローチにはそうする可能性があります。

PURPOSE: This paper proposes a sinogram-consistency learning method to deal with beam hardening-related artifacts in polychromatic computerized tomography (CT). The presence of highly attenuating materials in the scan field causes an inconsistent sinogram that does not match the range space of the Radon transform. When the mismatched data are entered into the range space during CT reconstruction, streaking and shading artifacts are generated owing to the inherent nature of the inverse Radon transform METHODS: The proposed learning method aims to repair inconsistent sinogram by removing the primary metal-induced beam hardening factors along the metal trace in the sinogram. Taking account of the fundamental difficulty in obtaining sufficient training data in a medical environment, the learning method is designed to use simulated training data and a patient's implant type-specific learning model is used to simplify the learning process. RESULTS: The feasibility of the proposed method is investigated using a dataset, consisting of real CT scans of pelvises containing simulated hip prostheses. The anatomical areas in training and test data are different, in order to demonstrate that the proposed method extracts the beam hardening features, selectively. The results show that our method successfully corrects sinogram inconsistency by extracting beam hardening sources by means of deep learning. CONCLUSION: This paper proposed a deep learning method of sinogram correction for beam hardening reduction in CT for the first time. Conventional methods for beam hardening reduction are based on regularizations, and have the fundamental drawback of being not easily able to use manifold CT images, while a deep learning approach has the potential to do so.