Metal artifact correction in cone beam computed tomography using synthetic X-ray data

要約

金属アーチファクトの補正は、コーン ビーム コンピュータ断層撮影 (CBCT) スキャンにおける困難な問題です。
解剖学的構造に挿入された金属インプラントは、再構成された画像に深刻なアーティファクトを引き起こします。
広く使用されている修復ベースの金属アーティファクト削減 (MAR) メソッドでは、最初のステップとして投影内の金属トレースのセグメンテーションが必要ですが、これは困難な作業です。
1 つのアプローチは、ディープ ラーニング手法を使用して、予測内の金属をセグメント化することです。
ただし、ディープ ラーニング手法の成功は、現実的なトレーニング データの可用性によって制限されます。
インプラントの境界が不明確で、多数のプロジェクションがあるため、信頼できるグラウンド トゥルース アノテーションを取得するのは難しく、時間がかかります。
X 線シミュレーションを使用して、臨床 CBCT スキャンから合成金属セグメンテーション トレーニング データセットを生成することを提案します。
シミュレーションの効果を異なる数の光子で比較し、いくつかのトレーニング戦略を比較して利用可能なデータを増強します。
実際の臨床スキャンでのモデルのパフォーマンスを、従来のしきい値ベースの MAR および最近のディープ ラーニング手法と比較します。
比較的少数のフォトンを使用したシミュレーションが金属のセグメンテーション タスクに適していること、およびフルサイズのプロジェクションとトリミングされたプロジェクションを組み合わせてディープ ラーニング モデルをトレーニングすると、モデルのロバスト性が向上することを示します。
深刻な動き、ボクセル サイズのアンダー サンプリング、および FOV から外れた金属の影響を受ける画質の大幅な改善を示します。
私たちの方法は、既存の投影ベースの MAR パイプラインに簡単に実装して、画質を向上させることができます。
この方法は、CBCT 投影で金属を正確にセグメント化するための新しいパラダイムを提供できます。

要約(オリジナル)

Metal artifact correction is a challenging problem in cone beam computed tomography (CBCT) scanning. Metal implants inserted into the anatomy cause severe artifacts in reconstructed images. Widely used inpainting-based metal artifact reduction (MAR) methods require segmentation of metal traces in the projections as a first step which is a challenging task. One approach is to use a deep learning method to segment metals in the projections. However, the success of deep learning methods is limited by the availability of realistic training data. It is challenging and time consuming to get reliable ground truth annotations due to unclear implant boundary and large number of projections. We propose to use X-ray simulations to generate synthetic metal segmentation training dataset from clinical CBCT scans. We compare the effect of simulations with different number of photons and also compare several training strategies to augment the available data. We compare our model’s performance on real clinical scans with conventional threshold-based MAR and a recent deep learning method. We show that simulations with relatively small number of photons are suitable for the metal segmentation task and that training the deep learning model with full size and cropped projections together improves the robustness of the model. We show substantial improvement in the image quality affected by severe motion, voxel size under-sampling, and out-of-FOV metals. Our method can be easily implemented into the existing projection-based MAR pipeline to get improved image quality. This method can provide a novel paradigm to accurately segment metals in CBCT projections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google