Motion Artifacts Detection in Short-scan Dental CBCT Reconstructions

要約

タイトル：歯科用CBCT再構成における動きによるアーティファクトの検出

要約：
– CBCT（コーンビームCT）は診断や治療計画のために歯科で広く使用されている。
– CBCTイメージングは取得時間が長く、結果的に患者が動く可能性がある。この動きは再構成されたデータに重要なアーティファクトを引き起こし、誤診断の原因となる可能性がある。
– 既存の動き補正アルゴリズムは、切り詰め、精度、実行速度に起因する不一致に苦戦し、この問題に一部対応するだけである。
– 一方、適切な重み付け方法を使用して、動きのない投影のサブセットを使用して短いスキャン再構成を行うことで、十分な臨床画像品質を得ることができる。
– したがって、この研究では、動きのないスキャンされた投影の部分を抽出し、補正アルゴリズムを使用せずにクリーンな短いスキャンボリュームを再構成するためにフレームワークが使用されている。
– スライスベースの予測スキームを使用して動きのアーティファクトを検出し、ボリューム平均化に続いて最終結果を得るために深層学習を使用している。
– データの不足に対処するために、現実的な動きシミュレーション戦略とデータ拡張が実装されている。
– フレームワークは、シミュレートされた動きデータでのみトレーニングされたモデルで、実際の動きに影響を受けたデータを使用して検証されている。これは、提案されたフレームワークをさらに研究するために、さまざまな動きケースに適用できる可能性を示している。

要約(オリジナル)

Cone Beam Computed Tomography (CBCT) is widely used in dentistry for diagnostics and treatment planning. CBCT Imaging has a long acquisition time and consequently, the patient is likely to move. This motion causes significant artifacts in the reconstructed data which may lead to misdiagnosis. Existing motion correction algorithms only address this issue partially, struggling with inconsistencies due to truncation, accuracy, and execution speed. On the other hand, a short-scan reconstruction using a subset of motion-free projections with appropriate weighting methods can have a sufficient clinical image quality for most diagnostic purposes. Therefore, a framework is used in this study to extract the motion-free part of the scanned projections with which a clean short-scan volume can be reconstructed without using correction algorithms. Motion artifacts are detected using deep learning with a slice-based prediction scheme followed by volume averaging to get the final result. A realistic motion simulation strategy and data augmentation has been implemented to address data scarcity. The framework has been validated by testing it with real motion-affected data while the model was trained only with simulated motion data. This shows the feasibility to apply the proposed framework to a broad variety of motion cases for further research.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI