Quantitative Computed Tomography [Elektronische Ressource] / Michael Balda. Betreuer: Joachim Hornegger

De
Quantitative Computed TomographyDer Technischen Fakultät derUniversität Erlangen–Nürnbergzur Erlangung des GradesDOKTOR–INGENIEURvorgelegt vonMichael BaldaErlangen — 2011Als Dissertation genehmigt von derTechnischen Fakultät derUniversität Erlangen-NürnbergTag der Einreichung: 20.05.2011Tag der Promotion: 14.09.2011Dekan: Prof. Dr.-Ing. R. GermanBerichterstatter: Prof. Dr.-Ing. J. HorneggerProf. Dr.rer.biol.hum. M. KachelrießQuantitative ComputertomographieDer Technischen Fakultät derUniversität Erlangen–Nürnbergzur Erlangung des GradesDOKTOR–INGENIEURvorgelegt vonMichael BaldaErlangen — 2011Als Dissertation genehmigt von derTechnischen Fakultät derUniversität Erlangen-NürnbergTag der Einreichung: 20.05.2011Tag der Promotion: 14.09.2011Dekan: Prof. Dr.-Ing. R. GermanBerichterstatter: Prof. Dr.-Ing. J. HorneggerProf. Dr.rer.biol.hum. M. KachelrießZusammenfassungComputertomographie (CT) ist ein weit verbreitetes, bildgebendes Verfahren inder Medizin. Traditionelle CT liefert Informationen über die Anatomie eines Pa-tienten in Form von Schichtbildern oder Volumendaten. Hierbei werden sogenan-nte Hounsfield-Einheiten verwendet, die Aufschluss über die Gewebezusammenset-zung geben. Aufgrund der polychromatischen Eigenschaften der für CT verwen-deten Röntgenstrahlung sind die Werte für alle Materialien bzw.
Publié le : samedi 1 janvier 2011
Lecture(s) : 31
Tags :
Source : D-NB.INFO/1016569017/34
Nombre de pages : 148
Voir plus Voir moins

Quantitative Computed Tomography
Der Technischen Fakultät der
Universität Erlangen–Nürnberg
zur Erlangung des Grades
DOKTOR–INGENIEUR
vorgelegt von
Michael Balda
Erlangen — 2011Als Dissertation genehmigt von der
Technischen Fakultät der
Universität Erlangen-Nürnberg
Tag der Einreichung: 20.05.2011
Tag der Promotion: 14.09.2011
Dekan: Prof. Dr.-Ing. R. German
Berichterstatter: Prof. Dr.-Ing. J. Hornegger
Prof. Dr.rer.biol.hum. M. KachelrießQuantitative Computertomographie
Der Technischen Fakultät der
Universität Erlangen–Nürnberg
zur Erlangung des Grades
DOKTOR–INGENIEUR
vorgelegt von
Michael Balda
Erlangen — 2011Als Dissertation genehmigt von der
Technischen Fakultät der
Universität Erlangen-Nürnberg
Tag der Einreichung: 20.05.2011
Tag der Promotion: 14.09.2011
Dekan: Prof. Dr.-Ing. R. German
Berichterstatter: Prof. Dr.-Ing. J. Hornegger
Prof. Dr.rer.biol.hum. M. KachelrießZusammenfassung
Computertomographie (CT) ist ein weit verbreitetes, bildgebendes Verfahren in
der Medizin. Traditionelle CT liefert Informationen über die Anatomie eines Pa-
tienten in Form von Schichtbildern oder Volumendaten. Hierbei werden sogenan-
nte Hounsfield-Einheiten verwendet, die Aufschluss über die Gewebezusammenset-
zung geben. Aufgrund der polychromatischen Eigenschaften der für CT verwen-
deten Röntgenstrahlung sind die Werte für alle Materialien bzw. Gewebetypen
außer Wasser und Luft von deren Dichte und Zusammensetzung aber auch von ver-
schiedenen CT-Systemparametern und Einstellungen abhängig. Ziel der quantita-
tiven CT (QCT) ist es, Messwerte zu liefern die bestimmte Materialcharakteristika
möglichst exakt beschreiben. Dies kann z. B. die Dichteverteilung bestimmter Mate-
rialien wie Kontrastmittel oder die lokale Röntgenabsorption sein. Darauf aufbauend
sind verschiedene spezifische Anwendungen wie etwa Perfusionsdiagnostik oder die
Schwächungskorrektion für Positronen-Emissions-Tomographie realisierbar.
Diese Arbeit widmet sich drei wesentlichen Themengebieten der QCT. Nach einer
kurzen Übersicht über die technischen und physikalischen Grundlagen wird die spek-
traleDetektionvonRöntgenstrahlungfürCTbehandelt. HierbeiwerdenzweiSimula-
tionskonzepte für CT-Detektoren vorgestellt, die sich für spektrale Detektion eignen.
Dies sind der integrierende Szintillationsdetektor und der zählende Direktwandler.
Für erstere existieren spezielle Varianten, die geeignet sind, um spektrale Daten
für quantitative CT zu liefern, der letztere liefert direkt spektrale Daten. Ziel der
vorgestellten Simulationen ist es, die Simulation eines kompletten CT-Scans der-
art zu beschleunigen, dass es möglich ist, entsprechende Detektorparameter im Hin-
blick auf die Qualität der rekonstruierten Daten zu optimieren. Dies wird durch
ein auf das spezifische Detektordesign zugeschnittene Simulationskonzept erreicht,
welches durchgeeignete Lookup-Tabellenunterstützt wird. Verglichen mitStandard-
Partikelinteraktionssimulationen können somit um einen Faktor 1/200 kürzere Simu-
lationslaufzeiten erreicht werden. Die hierbei erreichte Genauigkeit liegt auf dem
gleichen Niveau wie die der Standardsimulationen und konnte mit realen Ergebnissen
von Prototypen und Messstationen abgeglichen werden.
Das zweite behandelte Themenfeld sind Algorithmen für QCT, die mit den ge-
wonnenenspektralen Messdaten Anwendungen der QCTrealisieren. DenKerndieses
Abschnitts bildet die Lokale Spektrale Rekonstruktion (LSR). Die LSR ist ein it-
eratives Rekonstruktionsverfahren und liefert eine exakte Beschreibung der lokalen
spektralen Eigenschaften des rekonstruierten spektralen CT-Datensatzes. Aus dieser
Beschreibung lassen sich direkt lokale quantitative Größen für die abgebildete Ana-
tomie ableiten. Mit Hilfe der LSR lassen sich somit verschiedene Anwendungen der
QCT formulieren. Wir zeigen dies exemplarisch an einer quantitativen Strahlaufhär-
tungskorrektur,aneinerSchwächungskorrektur fürPositronen-Emissions-Tomographie
und Einzelphotonen-Emissions-Tomographie und an einer Materialidentifikation.
Das letzte Themengebiet befasst sich mit der Rauschreduktion für QCT-Daten,
die bei CT grundsätzlich mit Dosiseinsparung verbunden ist. Wir stellen zwei neuar-
tige Rauschreduktionsverfahren vor: Zum einen eine bildbasierte Rauschreduktion
auf Histogrammbasis, die explizit auf die Eigenschaften multispektraler CT-Daten
zugeschnittenist. HierzeigenwiranhandsynthetischerundrealerDateneinRauschre-
duktionspotential von ca. 20%. Das zweite Verfahren ist ein nichtlineares Filter aufProjektionsdaten, das ein punktbasiertes Projektionsmodell nutzt, um Strukturen in
denProjektionsdaten zudetektieren undzubewahren. Diehier gezeigteRealisierung
stellt eine angepasste Variante des bekannten Bilateralfilters dar, bei dem das pho-
tometrische Ähnlichkeitsmaß durch ein strukturelles Ähnlichkeitsmaß ersetzt wird,
das spezifisch für den CT-Abbildungsprozess ist. Die Eigenschaften dieses Filters
werden an realen und synthetischen Daten untersucht. Dabei wird ein Rauschreduk-
tionspotential von etwa 15% für gemessene Patientendaten belegt.Abstract
Computed Tomography (CT) is a wide-spread medical imaging modality. Tra-
ditional CT yields information on a patient’s anatomy in form of slice images or
volume data. Hounsfield Units (HU) are used to quantify the imaged tissue proper-
ties. Due to the polychromatic nature of X-rays in CT, the HU values for a specific
tissue depend on its density and composition but also on CT system parameters
and settings and the surrounding materials. The main objective of Quantitative CT
(QCT) is measuring characteristic physical tissue or material properties quantita-
tively. These characteristics can, for instance, be density of contrast agents or local
X-ray attenuation. Quantitative measurements enable specific medical applications
such as perfusion diagnostic or attenuation correction for Positron Emission Tomog-
raphy (PET).
This work covers three main topics of QCT. After a short introduction to the
physical and technological basics for QCT, we focus on spectral X-ray detection for
CT. Here, we introduce two simulation concepts for spectral CT detectors, one for
integrating scintillation and one for directly-converting counting detectors. These
concepts are tailored specifically for the examined detector type and are supported
by look-up tables. They enable whole scan simulations about 200 times quicker than
standard particle interaction simulations without sacrificing the desired precision.
These simulations can be used to optimize detector parameters with respect to the
quality of the reconstructed final result. The results were verified with data from real
detectors, prototypes and measuring stations.
The second topic is QCT algorithms which use spectral CT data to realize QCT
applications. The core concept introduced here is Local Spectral Reconstruction
(LSR). LSR is an iterative reconstruction scheme which yields an analytic charac-
terization of local spectral attenuation properties in object space. From this charac-
terization, various quantitative measures can be computed. Within this theoretical
framework, various QCT applications can be formulated. This is demonstrated for
quantitativebeam-hardeningcorrection,PETandSPECTattenuationcorrectionand
material identification.
The final part is dedicated to noise reduction for QCT. In CT noise reduction
is directly linked to patient dose saving. Here, we introduce two novel techniques:
Firstly an image-based noise reduction based on joint histograms of multi-energy
data-sets. This method explicitly incorporates the typical signal properties of multi-
spectral data. We demonstrate a dose saving potential of 20% on real and synthetic
data. The second method is a non-linear filter applied to projection data. It uses
a point-based projection model to identify and preserve structures in the projection
domain. This principle isapplied toa modifiedbilateralfilter, where thephotometric
similarity measure is replaced with a structural similarity measure derived from this
concept. We examine the properties of this filter on synthetic and real patient data.
Weget a noise reduction potential of about15% without sacrificing imagesharpness.
This is verified on synthetic data and real phantom and patient scans.Acknowledgment
Table 1 lists three groups of people whose support made this work possible. The
relations between these groups are qualitatively illustrated in Fig. 1. The most
important supporters are listed here. Group membership is indicated in parenthesis:
1. Parents (A): Needless to say – without them I wouldn’t have started this whole
project (on many levels). Thank you for everything!
2. Supervisor(B):ThankstoAchimHorneggerfortheinfrastructure,theopportu-
nitytovisitsomereallyinteresting conferences, allthefeedbackandforforming
the LME the way it is.
3. Supervisor (C): Thank you, Björn Heismann, for the great collaboration on a
scientific and personal level. It was certainly a great to work with you.
4. Other proof readers (B): Thanks to Maria Polyanskaya and Konrad Sickel for
finding many mistakes and improving the style. I promise not to blame you too
excessively for the remaining typos.
5. Other LME staff (B): Thanks for the dynamic and inspiring working environ-
ment.
6. Siemens crew at the detector center (C): Special thanks to Daniel Niederlöhner
for his scientific consulting and input and for contributing measurements. I
would also like to thank Stefan Wirth, Edgar Kraft and Jürgen Leppert for
their contributions and consulting.
7. Andreas Mahnken (no group): Thanks for the data / images and medical con-
sulting.
8. Metrilus (D): Thanks Simon Placht and Christan Schaller for the patience, the
company and especially for the things yet to come.
MichaelId Type Main contributions
A Friends and family Financial support, motivation,
spirit, distraction.
B Pattern Recognition Lab crew Great working atmosphere,
many nice (non-)work related activities.
C Siemens Healthcare Financial support, measurement results,
scientific consulting.
D Metrilus GmbH Experience, challenges, great
alternative to becoming a member of group C.
Table 1: Supporting groups. Group B includes alumni.
A D
B
C
Figure 1: Diagram qualitatively indicates intersections between groups from Tab. 1.

Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.