مجله علوم، مهندسی و فناوری هسته‌ای

شماره جاری

کلیه شماره‌های مجله

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

اعضای گروه دبیران (هیئت تحریریه)

فرایند پذیرش مقالات

پیوندهای مفید

راهنمای نویسندگان

دریافت قالب مقاله

دریافت فرم‌ ها

راهنمای ارسال مقاله

راهنمای داوری مقالات

اسامی سالانه داوران

ثبت داوری در پایگاه داوری Web of Science (publons)

اطلاعات تماس

فرم ارتباط با مجله

ارزیابی الگوریتم‌های بازسازی تصویر FBP، ART و MLEM در مطالعات نما محدود مقطع‌نگاری کامپیوتری

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: 14565-1114، تهران- ایران

چکیده

مقطع‌نگاری کامپیوتری (CT)، به طور گسترده در مطالعات بالینی، جهت تشخیص بیماری و هدایت روند درمان استفاده می‌شود. با این ‌حال، با کاربرد گسترده CT در امور بالینی، موضوع بالا بودن دز تابشی، در این روش، توجه بسیاری را به خود جلب کرده است. یکی از روش‌های کاهش دز در CT که بسیار مورد توجه قرار گرفته است، تصویربرداری با نمای محدود است. در چنین حالت تصویربرداری، به علت کمبود داده دریافتی، تصاویر بازسازی شده، اغلب با آرتیفکت‌هایی مواجه هستند. در این مطالعه، نسبت به بررسی و ارزیابی الگوریتم‌های بازسازی تصویر، به‌منظور معرفی الگوریتمی مؤثر، در مطالعات نما محدود، تلاش شده است. برای این منظور، الگوریتم‌های رایج بازسازی تصویر، با عناوین، بیشینه‌سازی مقدار مورد انتظار حداکثر احتمال (MLEM)، تکنیک بازسازی جبری (ART) و پیش‌افکن بازگشتی فیلتر شده ‌‌(FBP) بررسی شده است. الگوریتم‌های FBP و MLEM، زمانی که تعداد داده‌ها کامل است، عملکرد مطلوبی از خود نشان دادند؛ اما با توجه‌ به‌ سرعت بسیار بالای الگوریتم FBP، استفاده از این الگوریتم، زمانی که تعداد داده‌ها کامل است، توصیه می‌شود. اما زمانی که تعداد داده‌ها کاهش می‌یابد، الگوریتم FBP عملکرد ضعیفی دارد و مقایسه اصلی میان الگوریتم ART و MLEM است که نتایج حاصل در این مقاله، عملکرد مناسب‌تر MLEM را نشان می‌دهد. همچنین در این مقاله، جهت بررسی نتایج، معیارهای کمی بیشینه نسبت سیگنال به نویز (PSNR)، خطای میانگین مربعات (RMSE) و شاخص تشابه ساختاری (SSIM) بررسی شده است و با توجه ‌به نتایج حاصل، الگوریتم‌های FBP و MLEM، زمانی ‌که داده‌ها کامل است و الگوریتم MLEM، در مطالعات نما محدود، عملکرد بهتری از خود نشان دادند.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of FBP, ART and MLEM image reconstruction algorithms in sparse view CT studies

نویسندگان [English]

  • S. Jamaati
  • S.A. Hosseini
  • M. Ghorbanzadeh

Faculty of Energy Engineering, Sharif University of Technology, P.O.Box: 1114-14565, Tehran - Iran

چکیده [English]

In clinical trials, Computed Tomography (CT) is widely used for diagnosis and treatment guidance. With the increasing use of CT in clinical practice, the issue of high radiation dose has become a significant concern. One way to reduce the dose in CT is by utilizing sparse view imaging. However, sparse view imaging often leads to artifacts in the reconstructed images due to the lack of data. This paper aims to examine and evaluate image reconstruction methods to introduce effective algorithms for sparse view studies. Common image reconstruction algorithms such as Maximum Likelihood Expectation Maximization (MLEM), Algebraic Reconstruction Technique (ART), and Filtered Back Projection (FBP) were reviewed. FBP and MLEM algorithms perform well when there is complete data, but due to the high speed of the FBP algorithm, it is best suited for such cases. However, when data is limited, FBP performs poorly, leading to a comparison between the ART and MLEM algorithms. The results indicate that MLEM performs better in sparse view studies. Quantitative parameters such as Peak Signal-to-Noise Ratio (PSNR), Root Mean Square Error (RMSE), and Structural Similarity Index (SSIM) were evaluated to assess the results. The findings suggest that FBP and MLEM algorithms perform better when data is complete, while MLEM algorithm excels in sparse view studies.

کلیدواژه‌ها [English]

  • Image reconstruction
  • Computed tomography
  • Sparse view
  • MLEM
  • ART
  • FBP
مراجع
  1. Zhang Z, Liang X, Dong X, Xie Y, Cao G. A Sparse-View CT Reconstruction Method Based on Combination of DenseNet and Deconvolution. IEEE Transactions on Medical Imaging. 2018;37(6):1407.

 

  1. Lee H, Lee J, Kim H, Cho B, Cho S. Deep-neural-network based sinogram synthesis for sparse-view CT image reconstruction. IEEE Transactions on Radiation and Plasma Medical Sciences. 2018.

 

  1. Bushberg J.T, Seibert J.A, Leidholdt E.M, Boone J.M. The essential physics of medical imaging. 3erd ed. (Lippincott Williams and Wilkins, Philadelphia, 2011).

 

  1. McCollough C.H. CT Dose: How to measure, How to Reduce. Health Physics. 2008;95(5):508.

 

  1. Brenner D.J, Hall E.J. Computed Tomography-An Increasing Source of Radiation Exposure. New England Journal of Medicine. 2007;357(22):2277.

 

  1. Talha U, Mairaj T, Yousuf W.B, Zia O. Morphological Operations and Re-Projection based Novel Low-Dose CT Reconstruction scheme. IEEE C-CODE-2017 international conference. 2017;8.

 

  1. Stanton R.E, Tretiak J. Dose Reduction in CT through Variable Exposure Scanning: Computer Simulation. In IEEE Transactions on Nuclear Science. 1981;28(1):979.

 

  1. Reed I.S, Glenn W.Y, Chang C.M, Truong T.K, Kwoh Y.S. Dose Reduction in X-Ray Computed Tomography Using a Generalized Filter. In IEEE Transactions on Nuclear Science. 1979;26(2):2904.

 

  1. Wang X, Hu G, Yan B, Han Y, Li L, Bao S. Fast Low-Dose Reconstruction From Truncated Data in Dental CT. In IEEE Transactions on Nuclear Science. 2013;60(1):174.

 

  1. Wang J, Wang S, Li L, Fan Y, Lu H, Liang Z. Virtual Colonoscopy Screening with Ultra Low-Dose CT and Less-Stressful Bowel Preparation: A Computer Simulation Study. In IEEE Transactions on Nuclear Science. 2008;55(5):2566.

 

  1. Zhu Z, Wahid K, Babyn P, Cooper D, Pratt I, Carter Y. Improved Compressed Sensing-Based Algorithm for Sparse-View CT Image Reconstruction. Computational and Mathematical Methods in Medicine. 2013.

 

  1. Kudo H, Suzuki T, Rashed E.A. Image reconstruction for sparse-view CT and interior CT-introduction to compressed sensing and differentiated backprojection. Quantitative Imaging in Medicine and Surgery. 2013;3(3):147.

 

  1. Yu L, Bruesewitz M.R, Thomas K.B, Fletcher J.G, Kofler J.M, McCollough C.H. Optimal Tube Potential for Radiation Dose Reduction in Pediatric CT: Principles, Clinical Implementations, and Pitfalls. RadioGraphics. 2011;31(3):835.

 

  1. Winklehner A, Karlo C, Puippe G, Schmidt B, Flohr T, Goetti R, Pfammatter T, Frauenfelder T. Raw data-based iterative reconstruction in body CTA: evaluation of radiation dose saving potential. European Radiology. 2011;21(12):2521.

 

  1. Sidky E.Y, Kao C.M, Pan X. Accurate image reconstruction from few-views and limited-angle data in divergent-beam CT. Journal of X-ray Science and Technology. 2006;14(2):119.

 

  1. Desai S.D, Naik P, Baligar V.P, Meena S.M. Interpolation based Low Dose CT Image Reconstruction. Procedia Computer Science. 2021;171:2760.

 

  1. Thibault J.B, Sauer K.D, Bouman C.A, Hsieh J. A three-dimensional statistical approach to improved image quality for multi slice helical CT. Med Phys. 2007;34:4526.

 

  1. Sidky E.Y, Pan X. Image reconstruction in circular cone-beam computed tomography by constrained total-variation minimization. Phys. Med BioI. 2008;53:4777.

 

  1. Kak A, Slaney M. Principles of Computerized Tomographic Imaging. IEEE Press, New York. 1988.

 

  1. Herman G.T. Fundamentals of Medical Imaging. Academic Press. 1980.

 

  1. Kaczmarz S. Approximate solution of systems of linear equations. International Bulletin of the Polish Academy of Sciences and Letters. 1937;35:355.

 

  1. Andersen A.H, Kak A.C. Simultaneous Algebraic Reconstruction Technique (SART): A Superior Implementation of The ART Algorithm. Ultrasonic Imaging. 1984;6(1):81.

 

  1. Tong S, Alessio A.M, Kinahan P.E. Image reconstruction for PET/CT scanners: past achievements and future challenges. Imaging in medicine. 2010;2(5):529

 

  1. Chen M, Mi D, He P, Deng L, Wei B. A CT Reconstruction Algorithm Based on L1/2 Regularization. Computational and Mathematical Methods in Medicine. 2014.

 

  1. Qi H, Chen Z, Guo J, Zhou L. Sparse-view computed tomography image reconstruction via a combination of L1 and SL0 regularization. Bio-Medical Materials and Engineering. 2015;26(s1):1389.

 

  1. Zhang S, Xia Y, Zou C. Comparison of sparse-view CT image reconstruction algorithms. 2016 International Conference on Audio, Language and Image Processing (ICALIP). 2016.

 

  1. Zhao Z, Sun Y, Cong P. Sparse-View CT Reconstruction via Generative Adversarial Networks. 2018 IEEE Nuclear Science Symposium and Medical Imaging Conference Proceedings (NSS/MIC). 2018.

 

  1. Qu Z, Yan X, Pan J, Chen P. Sparse view CT Image Reconstruction Based on Total Variation and Wavelet Frame Regularization. IEEE Access. 2020.

 

  1. Radon J. Uber die bestimmung von funktionen durch ihre integralwerte langs gewisser mannigfaltigkeiten. Berichte uber die Verhandlungen Gesellshaft der Wissenschaften zu Leipzig. Journal of Mathematical Physics. 1917;69:262.

 

  1. Brooks R.A, Chiro G.D. Principles of computer assisted tomography (CAT) in radiographic and radio isotopic imaging. Physics in Medicine and Biology. 1976;21(5):689.

 

  1. Geyer L.L, Schoepf U.J, Meinel F.G, Nance Jr J.W, Bastarrika G, Leipsic J.A, Paul N.S, Rengo M, Laghi A, De Cecco C.N. State of the Art: Iterative CT Reconstruction Techniques. Radiology. 2015;276(2):339.

 

  1. Gordon R, Bender R, Herman G.T. Algebraic Reconstruction Techniques (ART) for three-dimensional electron microscopy and X-ray photography. Journal of Theoretical Biology. 1970;29(3):471.

 

  1. Hounsfield G.N. Computerized transverse axial scanning (tomography). part I. description of system. Br J Radiol. 1973.

 

  1. Langea K, Carson R. EM reconstruction algorithms for emission and transmission tomography. J. Comput Assist Tomogr. 1984;8:306e16.

 

  1. Rao C.R. Linear statistical in rence and its applications. 2nd ed. (Wiley, New York. 1973).

 

  1. Vardi L, Shepp Y. Maximum likelihood reconstruction for emission tomography. IEEE Trans. Med. Imag. 1982;2:113.

 

  1. Sevak M.M, Thakkar F.N, Kher R.K, Modi C.K. CT Image Compression Using Compressive Sensing and Wavelet Transform. 2012 International Conference on Communication Systems and Network Technologies. 2012.

 

  1. Kumar B, Kumar S.B, Kumar C. Development of improved SSIM quality index for compressed medical images. 2013 IEEE Second International Conference on Image Information Processing (ICIIP-2013). 2013
مجله علوم، مهندسی و فناوری هسته‌ای
دوره 46، شماره 1 - شماره پیاپی 111
فروردین 1404
صفحه 10-20
فایل ها
هم رسانی
ارجاع به این مقاله
آمار