Pre-optimization of projection angles in dental sparse-view cone-beam computed tomography
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-09-23
Department
Major/Subject
Matematiikka
Mcode
Degree programme
Master's Programme in Mathematics and Operations Research
Language
en
Pages
74
Series
Abstract
In dental X-ray, the goal is to produce a reconstruction of the internal structures of interest with the diagnostically necessary image quality and the lowest achievable patient dose. Cone-beam computed tomography (CBCT) is commonly used in dental tomography because it provides less expensive and lighter imaging units. In CBCT imaging, as in computed tomography in general, one approach to reducing patient dose is to reduce the number of projections, resulting in sparse-view CBCT. Typically, in dental CBCT imaging, the diagnostic image quality requirements for reconstruction are high, resulting in a large number of projections. Due to large total number of projections, there is potential to significantly reduce the patient dose by reducing the number of projections while maintaining the required image quality. One problem with sparse-view CBCT is that it tends to degrade the image quality of the reconstruction. One approach to minimize image quality degradation is to optimize the projection angles. This thesis applies Bayesian optimal experimental design (OED) to the pre-optimization of projection angles in dental CBCT imaging. The optimization model is based on a linear Gaussian approximation of the imaging setting, which allows efficient evaluation of optimization targets for A- and D-optimal designs. However, in practical imaging settings, the main obstacle to such an approach is the computational cost, which is controlled by the number of degrees of freedom in the parameterization of the unknown. The main objective of this thesis is to investigate solutions to overcome this obstacle. This thesis proposes schemes to improve Bayesian projection angle optimization in CBCT, to downsample the parameterization of the imaged unknown while minimizing information loss, and to efficiently estimate the prior model based on a limited amount of data. The proposed methods allow the use of a Bayesian OED for projection angle optimization in a practical dental CBCT imaging setting. The imaging angles found with the A-optimal design performed better than the uniformly spaced imaging angles for imaging prominent interior structures with a small number of projections. In addition, the A- and D-optimal designs reduced streak artifacts in reconstructions based on 100 projections.Hammaslääketieteellisessä röntgenkuvantamisessa on tavoitteena tuottaa rekonstruktio kiinnostuksen kohteena olevista sisäisistä rakenteista diagnostisesti riittävällä kuvanlaadulla, mutta mahdollisimman pienellä potilaan säteilyannoksella. Kartiokeilatietokonetomografia (KKTT) on hammasröntgenkuvantamisessa yleisesti käytössä oleva kuvantamismenetelmä sen mahdollistamien edullisempien ja kevytrakenteisempien kuvantamislaitteiden vuoksi. KKTT-kuvantamisessa, kuten tomografiassa yleensäkin, yksi työkalu potilasannoksen pienentämiseksi on näytteistyksen harventaminen. Hammaslääketieteellisessä KKTT-kuvantamisessa diagnostiset kuvanlaatuvaatimukset ovat korkeat, mikä johtaa korkeaan projektiokuvamäärään. Korkea projektiokuvamäärä tarjoaa mahdollisuuden potilasannoksen merkittävään pienentämiseen vähentämällä projektiokuvamäärää säilyttäen samalla vaaditun kuvanlaadun. Näytteistyksen harventamisen ongelmana on, että se on altis heikentämään rekonstruktion kuvanlaatua. Projektiokuvauskulmien optimointilla voidaan minimoida kuvanlaadun heikentyminen. Tässä diplomityössä tutkitaan bayesiläisen optimaalisen koesuunnittelun soveltamista projektiokulmien esioptimointiin hammaslääketieteellisessä KKTT-kuvantamisessa. Optimointimalli perustuu lineaariseen gaussiseen approksimaatioon kuvantamisasetelmasta, mikä mahdollistaa A- ja D-optimaalisten suunnittelumallien tavoitefunktioiden tehokkaan evaluoinnin. Käytännön KKTT-kuvantamisessa suurin este tämän kaltaisten optimointimallien soveltamisessa ovat laskennalliset kustannukset, joita kontrolloi tuntemattoman parametrisoinnin vapausasteiden määrä. Tämän haasteen ratkaiseminen on tämän diplomityön pääasiallinen tavoite. Diplomityössä kehitetään työkaluja bayesiläisen projektiokulmien optimoinnin tehostamiseen, tuntemattoman parametrisoinnin alasnäytteistykseen minimaalisella informaatiohäviöllä sekä priorimallin tehokkaaseen estimointiin rajallisella määrällä dataa. Ehdotetut menetelmät mahdollistivat bayesiläisen optimaalisen suunnittelumallin soveltamisen hammastieteellisessä KKTT-kuvantamisessa käytännön kuvausasetelmassa. A-optimaalisella mallilla löydetyt kuvauskulmat toimivat paremmin kuin tasaväliset kuvauskulmat suuripiirteisten muotojen kuvantamiseen pienellä määrällä projektiokuvia. Lisäksi A- ja D-optimaalisuus vähensivät rekonstruktioartefakteja sadalla projektiokuvalla.Description
Supervisor
Hyvönen, NuuttiThesis advisor
Siikonen, HannuKeywords
dental X-ray tomography/hammasröntgenkuvantaminen, sparse-view cone-beam computed tomography/kartiokeilatietokonetomografia, Bayesian experimental design/bayesialäinen koesuunnittelu, pre-optimal projection angles/projektiokulmien esioptimointi, sequential optimization/sekvenssinen optimointi, downsampling/alasnäytteenotto