Spelling suggestions: "subject:"energy elective computed homography"" "subject:"energy elective computed lomography""
1 |
Tomographie par rayons X multi-énergétiques pour l’analyse de la structure interne de l'objet appliquée dans l’imagerie médicale / Bayesian Multi-Energy Computed Tomography reconstruction approaches based on decomposition modelsCai, Caifang 23 October 2013 (has links)
La tomographie par rayons X multi-énergétiques (MECT) permet d'obtenir plus d'information concernant la structure interne de l'objet par rapport au scanner CT classique. Un de ses intérêts dans l’imagerie médicale est d'obtenir les images de fractions d’eau et d’os. Dans l'état de l'art, les intérêts de MECT n'est pas encore découvert largement. Les approches de reconstruction existantes sont très limitées dans leurs performances. L'objectif principal de ce travail est de proposer des approches de reconstruction de haute qualité qui pourront être utilisés dans la MECT afin d’améliorer la qualité d’imagerie.Ce travail propose deux approches de reconstruction bayésiennes. La première est adaptée au système avec un détecteur discriminant en énergie. Dans cette approche, nous considérons que les polychromaticités de faisceaux sont négligeables. En utilisant le modèle linéaire de la variance et la méthode d'estimation maximum à postériori (MAP), l'approche que nous avons proposé permets de prendre en compte les différents niveaux de bruit présentés sur les mesures multi-énergétiques. Les résultats des simulations montrent que, dans l'imagerie médicale, les mesures biénergies sont suffisantes pour obtenir les fractions de l'eau et de l'os en utilisant l'approche proposée. Des mesures à la troisième énergie est nécessaire uniquement lorsque l'objet contient des matériaux lourdes. Par exemple, l’acier et l'iode. La deuxième approche est proposée pour les systèmes où les mesures multi-énergétiques sont obtenues avec des faisceaux polychromatiques. C'est effectivement la plupart des cas dans l'état actuel du practice. Cette approche est basée sur un modèle direct non-linéaire et un modèle bruit gaussien où la variance est inconnue. En utilisant l’inférence bayésienne, les fractions de matériaux de base et de la variance d'observation pourraient être estimées à l'aide de l'estimateur conjoint de MAP. Sous réserve à un modèle a priori Dirac attribué à la variance, le problème d'estimation conjointe est transformé en un problème d'optimisation avec une fonction du coût non-quadratique. Pour le résoudre, l'utilisation d'un algorithme de gradient conjugué non-linéaire avec le pas de descente quasi-optimale est proposée.La performance de l'approche proposée est analysée avec des données simulées et expérimentales. Les résultats montrent que l'approche proposée est robuste au bruit et aux matériaux. Par rapport aux approches existantes, l'approche proposée présente des avantages sur la qualité de reconstruction. / Multi-Energy Computed Tomography (MECT) makes it possible to get multiple fractions of basis materials without segmentation. In medical application, one is the soft-tissue equivalent water fraction and the other is the hard-matter equivalent bone fraction. Practical MECT measurements are usually obtained with polychromatic X-ray beams. Existing reconstruction approaches based on linear forward models without counting the beam polychromaticity fail to estimate the correct decomposition fractions and result in Beam-Hardening Artifacts (BHA). The existing BHA correction approaches either need to refer to calibration measurements or suffer from the noise amplification caused by the negative-log pre-processing and the water and bone separation problem. To overcome these problems, statistical DECT reconstruction approaches based on non-linear forward models counting the beam polychromaticity show great potential for giving accurate fraction images.This work proposes a full-spectral Bayesian reconstruction approach which allows the reconstruction of high quality fraction images from ordinary polychromatic measurements. This approach is based on a Gaussian noise model with unknown variance assigned directly to the projections without taking negative-log. Referring to Bayesian inferences, the decomposition fractions and observation variance are estimated by using the joint Maximum A Posteriori (MAP) estimation method. Subject to an adaptive prior model assigned to the variance, the joint estimation problem is then simplified into a single estimation problem. It transforms the joint MAP estimation problem into a minimization problem with a non-quadratic cost function. To solve it, the use of a monotone Conjugate Gradient (CG) algorithm with suboptimal descent steps is proposed.The performances of the proposed approach are analyzed with both simulated and experimental data. The results show that the proposed Bayesian approach is robust to noise and materials. It is also necessary to have the accurate spectrum information about the source-detector system. When dealing with experimental data, the spectrum can be predicted by a Monte Carlo simulator. For a variety of materials, less than 5% estimation errors are observed on their average decomposition fractions.The proposed approach is a statistical reconstruction approach based on a non-linear forward model counting the full beam polychromaticity and applied directly to the projections without taking negative-log. Compared to the approaches based on linear forward models and the BHA correction approaches, it has advantages in noise robustness and reconstruction accuracy.
|
Page generated in 0.0646 seconds