Incorporation of local dependent reliability information into the Prior Image Constrained Compressed Sensing (PICCS) reconstruction algorithm

PurposeThe reduction of dose in cone beam computer tomography (CBCT) arises from the decrease of the tube current for each projection as well as from the reduction of the number of projections. In order to maintain good image quality, sophisticated image reconstruction techniques are required. The Prior Image Constrained Compressed Sensing (PICCS) incorporates prior images into the reconstruction algorithm and outperforms the widespread used Feldkamp-Davis-Kress-algorithm (FDK) when the number of projections is reduced. However, prior images that contain major variations are not appropriately considered so far in PICCS. We therefore propose the partial-PICCS (pPICCS) algorithm. This framework is a problem-specific extension of PICCS and enables the incorporation of the reliability of the prior images additionally.Material and MethodsWe assumed that the prior images are composed of areas with large and small deviations. Accordingly, a weighting matrix considered the assigned areas in the objective function. We applied our algorithm to the problem of image reconstruction from few views by simulations with a computer phantom as well as on clinical CBCT projections from a head-and-neck case. All prior images contained large local variations. The reconstructed images were compared to the reconstruction results by the FDK-algorithm, by Compressed Sensing (CS) and by PICCS. To show the gain of image quality we compared image details with the reference image and used quantitative metrics (root-mean-square error (RMSE), contrast-to-noise-ratio (CNR)).ResultsThe pPICCS reconstruction framework yield images with substantially improved quality even when the number of projections was very small. The images contained less streaking, blurring and inaccurately reconstructed structures compared to the images reconstructed by FDK, CS and conventional PICCS. The increased image quality is also reflected in large RMSE differences.ConclusionsWe proposed a modification of the original PICCS algorithm. The pPICCS algorithm incorporates prior images as well as information about location dependent uncertainties of the prior images into the algorithm. The computer phantom and experimental data studies indicate the potential to lowering the radiation dose to the patient due to imaging while maintaining good image quality.

ZusammenfassungHintergrundDer Dosisbeitrag durch die Kegel-Strahl-CT-Bildgebung (Cone-Beam-CT (CBCT)) lässt sich durch Reduzierung des Stroms zur Erzeugung der Röntgenstrahlung sowie durch Verringerung der Anzahl an Projektionen erreichen. Die so aufgenommenen Projektionen lassen sich dann aber nur durch aufwendige Rekonstruktionsverfahren zu qualitativ hochwertigen Bilddatensätzen rekonstruieren. Der PICCS-Algorithmus verwendet für die Rekonstruktion vorab vorhandene Vorwissensbilder und übertrifft damit die Rekonstruktionsergebnisse des auf den konventionellen Feldkamp-Davis-Kress-Algorithmus (FDK) basierenden Verfahrens wenn nur eine geringe Anzahl an Projektionen zur Verfügung steht. Vorwissensbilder, die starke Variationen beinhalten, werden bei diesem Verfahren derzeit jedoch nicht entsprechend berücksichtigt. Aus diesem Grund stellen wir in dieser Arbeit den Partial-PICCS(pPICCS)-Algorithmus vor, der als Erweiterung von PICCS zusätzlich die Verwendung von lokalen Verlässlichkeitsinformationen über das Vorwissensbild ermöglicht. Damit lassen sich die Variationen entsprechend berücksichtigen.Material und MethodenIn unserem Verfahren setzen wir voraus, dass die Vorwissensbilder aus Bereichen mit kleinen und großen Variationen bestehen. Darauf aufbauend wird eine Wichtungsmatrix erzeugt, die die Stärke der Variationen des Vorwissens im Rekonstruktionsalgorithmus berücksichtigt. In einer Machbarkeitsstudie testeten wir unser Verfahren an einem Computerphantom sowie mit klinischen Daten. Dabei beinhalteten alle Vorwissensbilder starke Variationen. Die Rekonstruktionen wurden mit den Ergebnissen vom FDK-Algorithmus, vom Compressed Sensing sowie vom konventionellen PICCS verglichen.ErgebnisseIn den untersuchten Fällen konnten wir mit unserem Algorithmus Bilddatensätze mit ausgezeichneter Qualität rekonstruieren, sogar wenn nur eine sehr geringe Anzahl an Projektionen zur Verfügung stand. Demgegenüber wiesen die Ergebnisse der anderen Rekonstruktionstechniken starke Artefakte auf.SchlussfolgerungUnser Rekonstruktionsalgorithmus verwendet neben den Vorwissensbildern zusätzlich Informationen über die Zuverlässigkeit dieses Vorwissens. Die Simulationsergebnisse am Computerphantom als auch an klinischen Daten haben gezeigt, dass unser Verfahren die Möglichkeit eröffnet, den Dosisbeitrag bei der CBCT-Bildgebung zu minimieren und trotzdem eine ausgezeichnete Bildqualität zu erzielen.