Projekt

Neben den großen bildgebenden Modalitäten, wie MR und CT, werden auch mobile C-Bögen hergestellt, die insbesondere bei chirurgischen Eingriffen eingesetzt werden. Moderne C-Bögen ermöglichen es dem behandelnden Arzt neben einfachen Röntgenbildern auch 3D Volumen, sogenannte Cone-Beam CTs (CBCT), zu akquirieren. Eines der Hauptanwendungsgebiete der intraoperativen Cone-Beam CTs ist die Beurteilung der Lage eingebrachter Implantate, wie zum Beispiel Platten, Schrauben oder Nägel. Die korrekte Beurteilung der Lage wird durch verschiedene Bildartefakte erschwert und beschränkt. Hier treten besonders die von den Implantaten erzeugten Metallartefakte als limitierender Faktor auf. Die zugrunde liegenden physikalischen Zusammenhänge zwischen Röntgenprojektionen und den 3D- Volumenbildern, sowie die der genannten Artefakte wurden bereits beschrieben und gelten als verstanden. Die Artefakte resultieren aus Fehlern im Messprozess und fehlenden physikalischenParametern, die während der Datenakquisition nicht gemessen werden. Anschließend müssen diese dann während der Rekonstruktion geschätzt werden. Der Schwerpunkt des Projekts liegt darin, eine datengetriebene Deep-Learning-basierte Cone-Beam Rekonstruktionsmethode zu entwickeln, die eine Reduktion von Bildartefakten, und hier besonders die der Metallartefakte, ermöglicht.