logo

You are here

Warning message

Attention! This event has already passed.

John’s Equation and Penalized Likelihood Sinogram Restoration in Computed Tomography

Thursday, 7 February, 2008 - 16:00
Campus: Brussels Humanities, Sciences & Engineering campus
Faculty: Science and Bio-engineering Sciences
G
1.003
Peter Forthmann
phd defence

De thesis betreft de restoratie van CT metingen. Een CT scanner meet de energie die in elke pixel van de detectormatrix door de X-stralen gedeponeerd is, nadat die door het lichaam partieel geabsorbeerd zijn. Er bestaan verschillende bronnen van meetfouten in zo’n systeem. Enerzijds zijn er systematische fouten veroorzaakt door het niet-ideaal ontwerp van de scanner. Anderzijds ontstaan er statistische fouten verbonden met de fysica zelf van X-stralen absorpsie en detectie. Accurate beeldreconstructie eist de restoratie van de data om die afwijkingen te verbeteren. We gebruiken in dit werk de maximumkansmethode van La Rivière. Die methode steunt op een statistisch model van data degradatie dat onder meer rekening houdt met de statistische eigenschappen van de ruwe data om de signaal-op-ruis verhouding te optimaliseren. We breiden het wiskundig model van La Rivière uit om rekening te houden met alle belangrijke effecten die de CT data beïnvloeden: niet uniforme detector gevoeligheid, modulatie van de intensiteit van de X-stralenbuis, interferentie (“cross-talk”) tussen naburige detectorpixels, en remanentie (“afterglow “) in de detector. We vergelijken verschillende mogelijke keuzen voor de penaliteitsfunctie met behulp van beeldkwaliteitsparameters zoals de modulatie transfer functie, de axiale resolutie (“slice sensitivity profile”), en de standaard afwijking voor ruisvoortplanting. De definitie van de penaliteitsfunctie hangt ook af van de data herorganisatie die nodig is voor CT data opgenomen met een “flying focal spot” (FFS). We tonen aan dat het gebruik van een standaarde penaliteitsfunctie met FFS data suboptimale reconstructies levert, en we stellen een oplossing voor dit probleem voor. Data restoratie met de maximumkansmethode steunt op een iteratief algorithme dat meestal te traag is voor praktische toepassingen. We onderzoeken verschillende opties om restoratie te versnellen, o.m. door de costfunctie (gebaseerd op de Poisson kansfunctie) met een gaussiaans model en met een kwadratische penaliteit te benaderen; dit herleidt het probleem tot een niet singulier stelsel lineaire vergelijkingen waarvoor snellere oplossingsmethoden beschikbaar zijn. Het laatste deel van de thesis vergelijkt de beeldkwaliteit bekomen met verschillende combinaties van iteratieve en analytische algorithmen voor data restoratie en voor tomografische reconstructie.