Projekt 01FMTHH21

Bayessche Rekonstruktionsalgorithmen für die Niedrigdosis-Computertomographie

Ausgangssituation

Die Anwendung moderner Computertomographie (CT) wird durch zwei Faktoren entscheidend beschränkt: Die individuelle Strahlenexposition und die Aufnahmezeit. Für die Erstellung einer tomographischen Aufnahme werden mehrere (bis zu 800) Röntgenbilder pro Schicht durchgeführt. Daraus resultiert eine Vielzahl von nötigen Röntgenprojektionen und damit eine erhebliche Strahlenbelastung. Aus diesen Einzelprojektionen wird das tomographische Bild mit Hilfe von Algorithmen rekonstruiert. Diese Rekonstruktion stellt eine Näherungslösung dar, dessen Qualität maßgeblich von der Anzahl der Projektionen abhängt. Eine einfache Möglichkeit, die Strahlendosis signifikant zu reduzieren und die benötige Aufnahmezeit zu verkürzen, ist die Verwendung von weniger Projektionen pro Schicht. Der damit einhergehende Qualitätsverlust der Rekonstruktion kann jedoch dazu führen, dass pathologische Strukturen wie bspw. feine Frakturlinien nicht mehr sichtbar sind.

Zielsetzung

Modellbasierte Methoden, die die Tomographie durch iteratives Lösen eines Gleichungssystems berechnen, können zu genaueren Rekonstruktionen führen, haben jedoch einen höheren Rechenaufwand zur Folge. Um die Rechenzeit zu reduzieren, können die Modellparameter auch im Vorfeld auf Basis eines Datensatzes aus Sinogrammen gelernt werden. Dies kann, insbesondere bei Anwendung moderner Convolutional Neural Networks (CNN), dazu führen, dass neue, ungesehene Bilder auf Basis von zuvor gelernten Bildstatistiken erstellt werden. Als Folge werden Bildmerkmale in die Rekonstruktionen eingebettet, die im Sinogramm nicht enthalten sind. Im Rahmen dieses Vorhabens möchten wir daher eine neue Rekonstruktionsmethode erforschen, die die Vorteile modell- und lernbasierter Verfahren kombiniert und dabei Nachteile ausgleicht. In vorherigen Arbeiten wurden am MTEC bereits erfolgreich Bayessche CNNs als neuronale Repräsentation von medizinischen Bildern für die Bildverbesserung angewendet. Es wird vermutet, dass sich diese Verfahren ebenfalls für die tomographische Rekonstruktion eignen und mit weniger Projektionen ein im Vergleich zur klassischen Rückprojektion gleichwertiges Ergebnis liefern. Dies hat automatisch eine Reduktion der Strahlenbelastung zur Folge.

Bild: (Links) Sinogramm aus Röntgenbildern einer CT-Rotation. (Rechts) CT-Rekonstruktionen in Abhängigkeit der Projektionsanzahl. Weniger Projektionen verschlechtern die Bildqualität.

Vorgehensweise

Bei der Anwendung Bayesscher Verfahren werden vor der Betrachtung der Daten Annahmen über die Verteilung der Modellparameter getroffen. Während der Berechnung der Parameter wird überprüft, inwieweit diese von den A-priori-Annahmen abweichen. Dieses Vorgehen verhindert eine Überanpassung an die Daten; ein Problem, das insbesondere bei geringer Datenmenge auftritt. Das fachärztlich-radiologische Expertenwissen am UKE ist für die Bewertung der Rekonstruktionsgüte zwingend erforderlich. Mit Hilfe der Anschubfinanzierung der FMTHH Förderlinie sollen erste Erkenntnisse generiert werden, die für das Einwerben einer Folgeförderung notwendig sind.


Beteiligte

M.Sc. Robin Mieling
Projektleitung, Entwicklung und Evaluation der Methoden
Institut für Medizintechnische und Intelligente Systeme

TUHH

Prof. Dr.-Ing. Alexander Schlaefer
Institut für Medizintechnische und Intelligente Systeme

TUHH

Dr. med Inga Kniep
Projektleitung UKE, Forensische Radiologie
Institut für Rechtsmedizin
UKE

Dr. med Moritz Gerling
Assistenzarzt
Institut für Rechtsmedizin
UKE

PD Dr. med. Axel Heinemann
Institut für Rechtsmedizin
UKE

Prof. Dr. med. Benjamin Ondruschka
Institut für Rechtsmedizin
UKE


Publikationsliste

  • Kniep, A. Heinemann, C. Edler, J. Sperhake, K. Püschel, B. Ondruschka und A. Schröder. „COVID-19 lungs in post-mortem computed tomography“. In: Rechtsmedizin 31 (2021), S. 145–147.
  • Kniep, M. Lutter, A. Ron, C. Edler, K. Püschel, H. Ittrich, M. Heller und A. Heinemann. „Postmortale Bildgebung der Lunge bei COVID-19-Todesfällen“. In: Der Radiologe 60 (2020), S. 927–933.
  • Goebels, C. Edler, A. Fitzek, J. Schädler, A. S. Schröder, I. Kniep und K. Püschel. „Obduktionen bei COVID-19“. In: Der Klinikarzt 49 (2020), S. 404–408.
  • M. Neidhardt, S. Gerlach, R. Mieling, M. Laves, T. Weiß, M. Gromniak, A. Fitzek, D. Möbius, I. Kniep, A. Ron, J. Schädler, A. Heinemann, K. Püschel, B. Ondruschka, A. Schlaefer (2022). Robotic Tissue