Automatische Detektion von abrupten Patientenbewegungen in der Cone-Beam-Computertomographie

Im Bereich der Computertomographie (CT) existiert eine Reihe von Anwendungen, wie zum Beispiel Microoder Dental-CT, die eine langere Datenakquisitionszeit aufweisen. Entsprechend nimmt die Frage der Bewegungskorrektur eine wichtige Stellung ein, da sich z. B. bei der Dental-CT Patientenbewegungen nicht vollstandig vermeiden lassen. Die gangigste Methode der Bewegungskorrektur ist die Data-Driven Motion-Correction (DDMC). Fur dieses Verfahren mussen die Bewegungszeitpunkte bekannt sein, um die Daten in bewegungsfreie Abschnitte unterteilen zu konnen. In diesem Beitrag wird eine Vorgehensweise fur die Bestimmung der Bewegungszeitpunkte vorgestellt. Dabei gibt der Betrag des Distanzmases, bestimmt zwischen zwei sukzessiven Projektionsbildern, Aufschluss uber das Vorhandensein einer Bewegung. Dafur wird die Anwendbarkeit mehrerer Distanzmase untersucht. Durch Verwendung von CT-Daten mit bekannten Bewegungsstellen ist eine quantitative Evaluierung der Bewegungsdetektion moglich. Es wird gezeigt, dass bei Verwendung der Mutual Information als Distanzmas und eines modifizierten Verfahrens zur Ausreiserdetektion eine Korrekt-Klassifikationsrate von 99.91% erreicht werden kann.

[1]  D C Barber,et al.  Use of forward projection to correct patient motion during SPECT imaging. , 1998, Physics in medicine and biology.

[2]  Thorsten M. Buzug,et al.  Sinogram-Based Motion Detection in Transmission Computed Tomography , 2009 .

[3]  Stefan Eberl,et al.  A practical 3D tomographic method for correcting patient head motion in clinical SPECT , 1998 .

[4]  H. Liberman,et al.  Use of cross-correlation function to detect patient motion during SPECT imaging. , 1987, Journal of nuclear medicine : official publication, Society of Nuclear Medicine.

[5]  Eero P. Simoncelli,et al.  Image quality assessment: from error visibility to structural similarity , 2004, IEEE Transactions on Image Processing.

[6]  Eldad Haber,et al.  Beyond Mutual Information: A Simple and Robust Alternative , 2005, Bildverarbeitung für die Medizin.

[7]  Birger Olander Centre of Rotation Determination Using Projection Data in X-ray Micro Computed Tomography , 1994 .

[8]  Brian F. Hutton,et al.  Practical aspects of a data-driven motion correction approach for brain SPECT , 2003, IEEE Transactions on Medical Imaging.

[9]  Bernd Fischer,et al.  Automatic detection of abrupt patient motion in SPECT data acquisition , 2007, SPIE Medical Imaging.

[10]  Donald Ludwig,et al.  The radon transform on euclidean space , 2010 .

[11]  Paul A. Viola,et al.  Alignment by Maximization of Mutual Information , 1997, International Journal of Computer Vision.

[12]  Michel Defrise,et al.  Detection and correction of patient motion in SPECT imaging , 1993 .

[13]  Stefan Heldmann Non-linear registration based on mutual information: theory, numerics, and application , 2006 .

[14]  J. Fitch,et al.  Calculation of the rotational centers in computed tomography sinograms , 1990 .

[15]  F. A. Seiler,et al.  Numerical Recipes in C: The Art of Scientific Computing , 1989 .

[16]  Andre Z Kyme,et al.  Data-driven motion correction in single photon emission computed tomography of the brain , 2004 .

[17]  Michael J. Black,et al.  On the unification of line processes, outlier rejection, and robust statistics with applications in early vision , 1996, International Journal of Computer Vision.

[18]  E. Haber,et al.  Intensity Gradient Based Registration and Fusion of Multi-modal Images , 2007, Methods of Information in Medicine.