مقاله یک رویکرد مبتنی بر گرادیان برای جبران سریع و دقیق حرکت سر در CT پرتو مخروطی

چکیده

Cone-beam computed tomography (CBCT) systems, with their portability, present a promising avenue for direct point-of-care medical imaging, particularly in critical scenarios such as acute stroke assessment. However, the integration of CBCT into clinical workflows faces challenges, primarily linked to long scan duration resulting in patient motion during scanning and leading to image quality degradation in the reconstructed volumes. This paper introduces a novel approach to CBCT motion estimation using a gradient-based optimization algorithm, which leverages generalized derivatives of the backprojection operator for cone-beam CT geometries. Building on that, a fully differentiable target function is formulated which grades the quality of the current motion estimate in reconstruction space. We drastically accelerate motion estimation yielding a 19-fold speed-up compared to existing methods. Additionally, we investigate the architecture of networks used for quality metric regression and propose predicting voxel-wise quality maps, favoring autoencoder-like architectures over contracting ones. This modification improves gradient flow, leading to more accurate motion estimation. The presented method is evaluated through realistic experiments on head anatomy. It achieves a reduction in reprojection error from an initial average of 3mm to 0.61mm after motion compensation and consistently demonstrates superior performance compared to existing approaches. The analytic Jacobian for the backprojection operation, which is at the core of the proposed method, is made publicly available. In summary, this paper contributes to the advancement of CBCT integration into clinical workflows by proposing a robust motion estimation approach that enhances efficiency and accuracy, addressing critical challenges in time-sensitive scenarios.

چکیده به فارسی (ترجمه ماشینی)

سیستم های توموگرافی کامپیوتری مخروطی (CBCT) ، با قابلیت حمل آنها ، یک خیابان امیدوارکننده را برای تصویربرداری مستقیم از مراقبت های پزشکی ، به ویژه در سناریوهای مهم مانند ارزیابی سکته مغزی حاد ارائه می دهد.با این حال ، ادغام CBCT در گردش کار بالینی با چالش هایی روبرو است ، که در درجه اول با مدت زمان اسکن طولانی و در نتیجه حرکت بیمار در طول اسکن مرتبط است و منجر به تخریب کیفیت تصویر در حجم بازسازی شده می شود.در این مقاله یک رویکرد جدید برای برآورد حرکت CBCT با استفاده از یک الگوریتم بهینه سازی مبتنی بر گرادیان ، که مشتقات تعمیم یافته اپراتور برگشتی را برای هندسه های CT پرتو مخروطی اعمال می کند ، معرفی می کند.با تکیه بر آن ، یک عملکرد هدف کاملاً متفاوت تدوین شده است که کیفیت تخمین حرکت فعلی را در فضای بازسازی درجه بندی می کند.ما تخمین حرکت را به شدت تسریع می کنیم و در مقایسه با روش های موجود ، سرعت 19 برابری را انجام می دهیم.علاوه بر این ، ما معماری شبکه های مورد استفاده برای رگرسیون متریک با کیفیت را بررسی می کنیم و پیش بینی نقشه های با کیفیت وکسل را پیشنهاد می کنیم ، و به نفع معماری های شبیه به AutoEncoder در مورد قراردادها هستیم.این اصلاح جریان شیب را بهبود می بخشد و منجر به برآورد دقیق تر حرکت می شود.روش ارائه شده از طریق آزمایش های واقع بینانه بر روی آناتومی سر ارزیابی می شود.این کاهش در خطای بازپرداخت از میانگین اولیه 3 میلی متر به 0.61 میلی متر پس از جبران حرکتی دست می یابد و به طور مداوم عملکرد برتر را در مقایسه با رویکردهای موجود نشان می دهد.ژاکوبیان تحلیلی برای عملیات پس زمینه ، که در هسته روش پیشنهادی قرار دارد ، در دسترس عموم قرار می گیرد.به طور خلاصه ، این مقاله با ارائه یک رویکرد تخمین حرکت قوی که باعث افزایش کارآیی و دقت می شود ، به پیشرفت ادغام CBCT در گردش کار بالینی کمک می کند و به چالش های مهم در سناریوهای حساس زمان می پردازد.