Współczesne wyzwania i przyszłość algorytmów rekonstrukcyjnych w CT: aktualne problemy i kierunki rozwoju

• Autorzy: Podolszańska Jolanta

Warianty tytułu

EN

Contemporary challenges and the future of reconstruction algorithms in CT: Current problems and directions of development

• Języki publikacji: PL

Abstrakty

PL

W ostatnich latach algorytmy rekonstrukcyjne w obrazowaniu medycznym przeszły znaczną ewolucję, w dużej mierze dzięki wykorzystaniu sztucznej inteligencji oraz technik głębokiego uczenia. Tradycyjne podejścia, takie jak filtracja wsteczna, są coraz częściej zastępowane przez iteracyjne algorytmy rekonstrukcyjne, które lepiej radzą sobie z redukcją szumów i artefaktów w obrazach niskiej dawki promieniowania. Kompresja danych oraz zastosowanie modeli hybrydowych, które łączą klasyczne metody z nowoczesnymi technologiami AI, umożliwiają szybszą i bardziej dokładną rekonstrukcję obrazów. Szczególną uwagę zwraca rozwijająca się technika kontrastu fazowego, która może zrewolucjonizować diagnostykę tkanek miękkich. W niniejszym artykule omawiane są najnowsze trendy i innowacje w zakresie algorytmów rekonstrukcyjnych, ze szczególnym naciskiem na ich zastosowanie w medycynie oraz przyszłe kierunki rozwoju.

EN

In recent years reconstruction algorithms in medical imaging have undergone significant evolution, largely using artificial intelligence and deep learning techniques. Traditional approaches such as filtrated back-projection are increasingly being replaced by iterative reconstruction algorithms that do a better job of reducing noise and artifacts in low-dose radiation images. Data compression and using hybrid models, which connect classical methods with innovative AI technologies, make possible faster and more efficient image reconstruction. Of note is the developing phase contrast technique, which has the potential to revolutionize soft tissue diagnostics. This article discusses the latest trends and innovations in reconstruction algorithms, with particular emphasis on their medical applications and future directions.

Słowa kluczowe

PL

tomografia komputerowa; sztuczna inteligencja; tomografia ciemnego pola; kontrast fazowy

EN

computed tomography; artificial intelligence; dark-field tomography; phase contrast

• Wydawca: Indygo Zahir Media
• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2024
• Tom: Vol. 13, nr 5
• Strony: 495--501
• Opis fizyczny: Bibliogr. 27 poz., rys.

Twórcy

autor

Podolszańska Jolanta

• Katedra Matematyki i Informatyki, Wydział Nauk Ścisłych, Przyrodniczych i Technicznych, Uniwersytet Jana Długosza, Al. Armii Krajowej Krajowej 17/19, 42-200 Częstochowa

Bibliografia

• 1. M.B.Terry, K.B. Michels, J.G. Brody et al.: Environmental exposures during windows of susce ptibility for breast cancer: a framework for prevention research, Breast Cancer Res., 21, 2019, 96, https://doi.org/10.1186/s13058-019-1168-2.
• 2. Regulation of Medical Exposure to Ionising Radiation – https://www.hiqa.ie/areas-we-work/ionising-radiation/regulation-medical-exposure-ionising-radiation.
• 3. National DRLs for fluoroscopy and fluoroscopically guided interventions– https://www.hiqa.ie/reports-and-publications/key-reports-investigations/national-drls-fluoroscopy-and-fluoroscopically.
• 4. G. Budzik, P. Turek: Proces rekonstrukcji obrazów tomograficznych, Problemy Nauk Stosowanych, 4, 2016, 57-64.
• 5. M.J. Willemink, P.B. Noël: The evolution of image reconstruction for CT – from filtered back projection to artificial intelligence, Eur Radiol., 29(5), 2019, 2185-2195.
• 6. S. Boudabbous, D. Arditi, E. Paulin, A. Syrogiannopoulou, C. Becker, X. Montet: Model-Based Iterative Reconstruction (MBIR) for the Reduction of Metal Artifacts on CT. AJR Am J Roentgenol., 205(2), 2015, 380-385. doi: 10.2214/AJR.14.13334. PMID:26204291.
• 7. M.J. Willemink, P.A. de Jong, T. Leiner et al.: Iterative reconstruction techniques for computed tomography. Part 1. Technical principles, Eur Radiol., 23, 2013, 1623-1631.
• 8. A. Neroladaki, D. Botsikas, S. Boudabbous, C.D. Becker, X. Montet: Computed tomography of the chest with model-based iterative reconstruction using a radiation exposure similar to chest x-ray examination: preliminary observations, Eur Radiol., 23, 2013, 360-366.
• 9. W. Chang, J.M. Lee, K. Lee et al.: Assessment of a model-based, iterative reconstruction algorithm (MBIR) regarding image quality and dose reduction in liver computed tomography, Invest Radiol., 48, 2013, 598-606.
• 10. T.P. Szczykutowicz: Optimizing Protocols for Today’s Feature-Rich Scanners, Medical Physics Publishing, 2020.
• 11. Y. Shen, J. Tao, Z. Chao: An Overview of Image Super-resolution Reconstruction. 2024 IEEE 6th Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC), IEEE, 6, 2024, 1112-1117.
• 12. E. Shefer, A. Altman, R. Behling, R. Goshen, L. Gregorian, Y. Roterman, O. Zarchin: State of the art of CT detectors and sources: a literature review, Current Radiology Reports, 1(1), 2013, 76-91.
• 13. P. Zambon, V. Radicci, P. Trueb, C. Disch, M. Rissi, T. Sakhelashvili, C. Broennimann: Spectral response characterization of CdTe sensors of different pixel size with the IBEX ASIC, Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 892, 2018, 106-113.
• 14. M. Bhattarai, S. Bache, E. Abadi, E. Samei: Exploration of the pulse pileup effects in a clinical CdTe-based photon-counting computed tomography, Med Phys., 50(11), 2023, 6693-6703, doi:10.1002/mp.16671. Epub 2023 Aug 21. PMID: 37602816; PMCID: PMC10840699.
• 15. M. Kachelrieß, W.A. Kalender: Presampling, algorithm factors, and noise: considerations for CT in particular and for medical imaging in general, Medical Physics, 32(5), 2005, 1321-1334.
• 16. Pierwszy w Polsce tomograf zliczający fotony w Narodowym Instytucie Kardiologii – https://www.siemens-healthineers.com/pl/news/pierwszy-w-polsce-tomograf-zliczajacy-fotony-naeotom-alpha.
• 17. X. Ma, Y. Niu, L. Gu, Y. Wang, Y. Zhao, J. Bailey, F. Lu: Understanding adversarial attacks on deep learning based medical image analysis systems, Pattern Recognition, 110, 2021, 107332.
• 18. Alzheimer Disease Neuroimaging Initiative, ADNI Data – https://adni.loni.usc.edu/data-samples/adni-data/#AccessData.
• 19. M.B. Forcier, H. Gallois, S. Mullan, Y. Joly: Integrating artificial intelligence into health care through data access: can the GDPR act as a beacon for policymakers?, Journal of Law and the Biosciences, 6(1), 2019, 317-335, https://doi.org/10.1093/jlb/lsz013.
• 20. K. Clark, B. Vendt, K. Smith, J. Freymann, J. Kirby, P. Koppel, F. Prior: The Cancer Imaging Archive (TCIA): maintaining and operating a public information repository, Journal of Digital Imaging, 26, 2013, 1045-1057.
• 21. B. Zhu, Y. Yang: Quality assessment of abdominal CT images: an improved ResNet algorithm with dual-attention mechanism, Am J Transl Res., 16(7), 2024, 3099-3107, doi: 10.62347/WKNS8633.PMID: 39114678; PMCID: PMC11301486.
• 22. K. Zhang, W. Zuo, Y. Chen, D. Meng and L. Zhang: Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising, in IEEE Transactions on Image Processing, 26(7), 2017, 3142-3155, doi: 10.1109/TIP.2017.2662206
• 23. S. Zheng et al.: Vision Transformer with Progressive Tokenization for CT Metal Artifact Reduction, ICASSP 2023 – 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Rhodes Island, Greece, 2023, 1-5, doi: 10.1109/ICASSP49357.2023.10095579.
• 24. D.A. Bluemke, A. Pourmorteza: Phase-Contrast CT: A Grand Challenge for Radiology, Radiology, 312(1), 2024, e241706.
• 25. D. John, W. Gottwald, D. Berthe et al.: X-ray dark-field computed tomography for monitoring of tissue freezing, Sci Rep 14, 2024, 5599, https://doi.org/10.1038/s41598-024-56201-3.
• 26. World Health Organization. (2024). Ethics and governance of artificial intelligence for health: large multi-modal models. WHO guidance. World Health Organization.
• 27. S.N. Saw, K.H. Ng: Current challenges of implementing artificial intelligence in medical imaging, Physica Medica, 100, 2022, 12-17.