Optimization of the alpha image reconstruction – an iterative CT-image reconstruction with well-defined image quality metrics

• Published in: Zeitschrift für medizinische Physik Vol. 27; no. 3; pp. 180 - 192
• Main Authors: Lebedev, Sergej, Sawall, Stefan, Knaup, Michael, Kachelrieß, Marc
• Format: Journal Article
• Language: English
• Published: Germany Elsevier GmbH 01.09.2017
• Subjects: Abdomen - diagnostic imaging; Algorithms; Bildqualitätsmetrik; Computed tomography; Computertomographie; Head - diagnostic imaging; Humans; Image Processing, Computer-Assisted; Image quality metrics; Iterative Bildrekonstruktion; Iterative image reconstruction; Modulation transfer function; Modulationsübertragungsfunktion; Phantoms, Imaging; Radionuclide Imaging; Thorax - diagnostic imaging; Tomography, X-Ray Computed - methods; Tomography, X-Ray Computed - standards; Computed tomography; Bildqualitätsmetrik; Computertomographie; Modulation transfer function; Modulationsübertragungsfunktion; Image quality metrics; Iterative Bildrekonstruktion; Iterative image reconstruction
• ISSN: 0939-3889; 1876-4436; 1876-4436
• DOI: 10.1016/j.zemedi.2017.04.004

Optimization of the AIR–algorithm for improved convergence and performance. The AIR method is an iterative algorithm for CT image reconstruction. As a result of its linearity with respect to the basis images, the AIR algorithm possesses well defined, regular image quality metrics, e.g. point spread function (PSF) or modulation transfer function (MTF), unlike other iterative reconstruction algorithms. The AIR algorithm computes weighting images α to blend between a set of basis images that preferably have mutually exclusive properties, e.g. high spatial resolution or low noise. The optimized algorithm uses an approach that alternates between the optimization of rawdata fidelity using an OSSART like update and regularization using gradient descent, as opposed to the initially proposed AIR using a straightforward gradient descent implementation. A regularization strength for a given task is chosen by formulating a requirement for the noise reduction and checking whether it is fulfilled for different regularization strengths, while monitoring the spatial resolution using the voxel–wise defined modulation transfer function for the AIR image. The optimized algorithm computes similar images in a shorter time compared to the initial gradient descent implementation of AIR. The result can be influenced by multiple parameters that can be narrowed down to a relatively simple framework to compute high quality images. The AIR images, for instance, can have at least a 50% lower noise level compared to the sharpest basis image, while the spatial resolution is mostly maintained. The optimization improves performance by a factor of 6, while maintaining image quality. Furthermore, it was demonstrated that the spatial resolution for AIR can be determined using regular image quality metrics, given smooth weighting images. This is not possible for other iterative reconstructions as a result of their non linearity. A simple set of parameters for the algorithm is discussed that provides the mentioned results. Optimierung des AIR–Algorithmus in Bezug auf die Konvergenzgeschwindigkeit und Rechenzeit. Das AIR-Verfahren ist ein iterativer Rekonstruktionsalgorithmus zur CT-Bildrekonstruktion. Aufgrund seiner Linearität in Bezug auf die Basisbilder sind bei AIR die herkömmlichen Bildmetriken, wie zum Beispiel die Punktbildfunktion (PSF) oder die Modulationsübertragungsfunktion (MTF), im Gegensatz zu anderen iterativen Rekonstruktionsalgorithmen wohldefiniert. Der AIR–Algorithmus berechnet Gewichtungsbilder α, um damit eine Reihe von Basisbildern pixelweise gewichtet zu kombinieren. Letztere sollen vorzugsweise komplementäre Eigenschaften aufweisen, z. B. eine hohe räumliche Auflösung oder ein niedriges Rauschen. Der optimierte Algorithmus verwendet einen Ansatz, der zwischen der Optimierung der Rohdatendeckung mit einem OSSART–ähnlichen Update und der Regularisierung mithilfe eines Gradientenabstiegs alterniert. Die ursprüngliche AIR–Implementierung hingegen nutzt einen einfachen Gradientenabstieg. Für eine gegebene Anwendung wird eine Regularisierungsstärke gewählt, indem man eine Bedingung für die Reduktion des Rauschens formuliert und überprüft, ob diese für verschiedene Regularisierungsstärken erfüllt wird. Gleichzeitig kann die räumliche Auflösung mithilfe einer voxelweise definierten Modulationstransferfunktion überwacht werden. Im Vergleich zur ursprünglichen Implementierung des AIR–Algorithmus mit einem Gradientenabstieg, berechnet der optimierte Algorithmus die Bilder in einer kürzeren Zeit. Das Ergebnis kann durch mehrere Parameter beeinflusst werden. Diese können relativ einfach festgelegt und zusammengefasst werden, um hochwertige Bilder zu berechnen. Die AIR–Bilder haben verglichen zum schärfsten Basisbild beispielsweise ein um mindestens 50% reduziertes Rauschen, während die räumliche Auflösung an Kanten nahezu beibehalten wird. Durch die Optimierung des AIR-Verfahrens wurde eine Beschleunigung um einen Faktor 6 bei gleichbleibender Bildqualität erreicht. Zudem wurde demonstriert, dass sich bei AIR, unter der Voraussetzung dass die Alphabilder glatt sind, die räumliche Auflösung mittels herkömmlicher Metriken bestimmen lässt, was bei anderen iterativen Rekonstruktionsalgorithmen aufgrund deren Nichtlinearität nicht möglich ist. Eine einfache Parameterkonfiguration, welche die besagten Ergebnisse liefert, wird diskutiert.