一种基于学习的 C 臂锥束 CT 源轨迹在线调整以规避伪影的方法

在脊柱融合手术中，螺钉被置于紧邻关键神经处，表明需要极高精度的螺钉置入。在高品质断层成像上验证螺钉位置至关重要。C 臂锥束 CT（CBCT）提供术中 3D 断层成像，可立即验证并在需要时修正。然而，商用 CBCT 设备可获得的重建质量不足，主要由于椎弓根螺钉存在时严重的金属伪影。这些伪影源于图像形成真实物理与重建时所假设的理想化模型之间的失配。因此，前瞻性地获取受此失配影响最小的解剖视图可改善重建质量。我们提出在扫描期间调整 C 臂 CBCT 源轨迹，以针对特定任务（即螺钉位置验证）优化重建质量。调整使用卷积神经网络即时进行，该网络根据当前 X 射线图像回归可能下一视图的质量指标。将 CBCT 轨迹调整为获取推荐视图导致非圆形源轨道，从而避免劣质图像及数据不一致。我们证明，在真实感模拟数据上训练的卷积神经网络能够预测质量度量，从而实现针对场景的 CBCT 源轨迹调整。使用真实感模拟数据与半拟人化体模的真实 CBCT 采集，我们显示所得针对场景的 CBCT 采集的断层重建展现出改善的图像质量，尤其在金属伪影方面。由于优化目标被隐式编码于神经网络中，所提方法克服了运行期需要 3D 信息的弊端。