Deep-Learning basierte Cone-Beam Rekonstruktionsmethoden zur Reduktion von Bildartefakten wie MAR Neben den großen bildgebenden Modalitäten, wie MR und CT,
werden auch mobile C-Bögen hergestellt,
die insbesondere bei chirurgischen Eingriffen eingesetzt
werden. Moderne C-Bögen ermöglichen es dem
behandelnden Arzt neben einfachen Röntgenbildern auch 3D
Volumen, sogenannte Cone-Beam CTs
(CBCT), zu akquirieren. Eines der Hauptanwendungsgebiete
der intraoperativen Cone-Beam CTs ist die
Beurteilung der Lage eingebrachter Implantate, wie zum
Beispiel Platten, Schrauben oder Nägel. Die
korrekte Beurteilung der Lage wird durch verschiedene
Bildartefakte erschwert und beschränkt. Hier
treten besonders die von den Implantaten erzeugten
Metallartefakte als limitierender Faktor auf.
Die zugrunde liegenden physikalischen Zusammenhänge
zwischen Röntgenprojektionen und den 3D-
Volumenbildern, sowie die der genannten Artefakte wurden
bereits beschrieben und gelten als
verstanden. Die Artefakte resultieren aus Fehlern im
Messprozess und fehlenden physikalischenParametern, die
während der Datenakquisition nicht gemessen werden.
Anschließend müssen diese
dann während der Rekonstruktion geschätzt werden.
Der Schwerpunkt des Projekts liegt darin, eine
datengetriebene Deep-Learning-basierte Cone-Beam
Rekonstruktionsmethode zu entwickeln, die eine Reduktion
von Bildartefakten, und hier besonders die
der Metallartefakte, ermöglicht. | Project manager: Prof. Dr.-Ing. habil. Andreas Maier
Project participants: Tristan Gottschalk, M. Sc.
Keywords: Deep Learning; MAR; Metallartefaktreduktion; Intraoperativ; CBCT; Rekonstruktion
Duration: 16.7.2018 - 15.7.2021
Sponsored by: Siemens Healthcare GmbH, Forchheim
Contact: Gottschalk, Tristan Phone +49 9131 85 27874, Fax +49 9131 85 27270, E-Mail: tristan.gottschalk@fau.de
|