Современные подходы к устранению артефактов данных конусно-лучевой компьютерной томографии челюстно-лицевой области

Конусно-лучевая компьютерная томография (КЛКТ) занимает основное место в рентгенологической диагностике в стоматологии и челюстно-лицевой хирургии. Мультипланарная и трехмерная реформации данных КЛКТ позволяют провести оценку зоны интереса и выбрать правильную тактику лечения при необходимости. Тем не менее, существует ряд факторов, которые приводят к пространственным искажениям изображений или приводят к потере информации при КЛКТ. В настоящий момент ведутся активные поиски способов улучшения качества изображений КЛКТ и устранения артефактов для повышения диагностической эффективности метода. Данный обзор посвящен описанию основных причин возникновения артефактов и применяемых методов их устранения.

1. Bechara B, Alex McMahan C, Moore WS, Noujeim M, Teixeira FB, Geha H (2013) Cone beam CT scans with and without artefact reduction in root fracture detection of endodontically treated teeth. Dentomaxillofacial Radiology. 2013; 42(5): 20120245.

2. Costa ED, Brasil DM, Queiroz PM, Verner FS, Junqueira RB, Freitas DQ. Use of the metal artefact reduction tool in the identification of fractured endodontic instruments in cone-beam computed tomography. Int Endod J. 2020 Apr;53(4):506-512.

3. Katsumata A., Hirukawa A., Okumura S. et al. // Oral Surg. Oral Med. Oral Pathol. Oral Radiol. Endod. –2009. – Vol. 107. – P. 420–425.

4. Наумович С. С., Наумович С. А. Конусно-лучевая компьютерная томография: современные возможности и перспективы применения в стоматологии // Современная стоматология. – 2012. – № 2 (55).

5. Queiroz, Polyane Mazucatto, et al. «Evaluation of metal artefact reduction in cone-beam computed tomography images of different dental materials». Clinical oral investigations 22.1 (2018): 419–423.

6. L. Feldkamp, L. Davis, and J. Kress. Practical cone-beam al-gorithm. Journal of the Optical Society of America, 1984; 1(6):612–619.

7. H. Wischmann, H. Luijendijk, H. Meulenbrugge, M. Overdick, R. Schmidt, and K. Kiani, «Correction of amplifier non-linearity, offset gain, temporal artifacts, and defects for flat-planel digital imaging devices» Medical imaging, 2002; vol 4682, p. 427–437.

8. Scarfe, William C., and Allan G. Farman. «What is cone-beam CT and how does it work?» Dental Clinics of North America. 2008; 52(4): 707–730.

9. Марусина М.Я., Казначеева А.О. Современные виды томографии / Учебное пособие. – СПб: СПБГУ ИТМО, 2006.– 132 с. – 100 экз.

10. 1990 Recommendations of the International Commission on Radiological Protection. Ann ICRP. 1991;21(1-3):1–201.

11. Sidky EY, Pan X. Image reconstruction in circular cone-beam computed tomography byconstrained, total-variation minimization. Phys. Med. Biol 2008; vol. 53:4777–4807.

12. Patsrisawat T, Gacic A, Franchetti F, Puschel M & Moura JMF in Proceedings. (ICASSP ‘05). IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005 v/153–v/156 (Philadelphia, PA, USA, 2005).

13. Zhu B, Liu JZ, Cauley SF, Rosen BR, Rosen MS. Image reconstruction by domain-transform manifold learning. Nature 2018;555(7697):487.

14. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL, Biology C, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500–10.

15. Gjesteby, L., Yang, Q., Xi, Y., Zhou, Y., Zhang, J., & Wang, G. (2017, March). Deep learning methods to guide CT image reconstruction and reduce metal artifacts. In Medical Imaging 2017: Physics of Medical Imaging (Vol. 10132, p. 101322W). International Society for Optics and Photonics.

16. Freitas DQ, Fontenele RC, Nascimento EHL, Vasconcelos TV, Noujeim M. Influence of acquisition parameters on the magnitude of cone beam computed tomography artifacts. Dentomaxillofac Radiol. 2018 Dec;47(8):20180151.

17. Bezerra ISQ, Neves FS, Vasconcelos TV, Ambrosano GMB, Freitas DQ. Influence of the artefact reduction algorithm of Picasso Trio КЛКТ system on the diagnosis of vertical root fractures in teeth with metal posts. Dentomaxillofac Radiol 2015; 44:1–8.

18. Ezhov M. et al. Clinically applicable artificial intelligence system for dental diagnosis with КЛКТ //Scientific reports. – 2021. – Т. 11. – № 1. – С. 1–16.

19. Muraev A. A. et al. Frontal cephalometric landmarking: humans vs artificial neural networks //Int J Comput Dent. – 2020. – Т. 23. – № 2. – С. 139–148.

20. Muraev A. A. et al. Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы) // Клиническая стоматология. – 2020. – № 3. – С. 72–80.

21. Muraev A.A., Kibardin I.A., Oborotistov N. Yu., Ivanov S.S. Use of neural network algorithms for the automated arrangement of cephalometric markers of lateral cefalograms. REJR 2018; 8(4): 16–22.

22. Способ обучения сверточной нейронной сети осуществлять разметки телерентгенограмм в прямой и боковой проекциях Мураев А.А., Кибардин И.А., Оборотистов Н.Ю., Мураева П.А. Патент на изобретение RU 2717911 C1, 26.03.2020. Заявка № 2019124849 от 06.08.2019.

23. Leite A. F., Vasconcelos K. D. F., Willems H. & Jacobs, R. Radiomics and Machine Learning in Oral Healthcare. PROTEOMICS – Clinical Applications, 2020, p. 1900040.

24. Meyer, E., Bergner, F., Raupach, R., Flohr, T., Kachelrieß M., «Normalized metal artifact reduction (NMAR) in computed tomography». Med. Phys. 37(10), 5482–5493 (2010).

25. Zhang Y, Yue N, Su MY, Liu B, Ding Y, Zhou Y, Wang H, Kuang Y, Nie K. Improving CBCT quality to CT level using deep learning with generative adversarial network. Med Phys. 2021 Jun;48(6):2816–2826.

26. Jiang Z, Chen Y, Zhang Y, Ge Y, Yin FF, Ren L. Augmentation of КЛКТ Reconstructed From Under-Sampled Projections Using Deep Learning. IEEE Trans Med Imaging. 2019 Nov; 38(11):2705–2715.

27. Chen W, Li Y, Yuan N, Qi J, Dyer BA, Sensoy L, Benedict SH, Shang L, Rao S, Rong Y. Clinical Enhancement in AI-Based Post-processed Fast-Scan Low-Dose КЛКТ for Head and Neck Adaptive Radiotherapy. Front Artif Intell. 2021 Feb 11;3:614384.

28. Lei Y, Tang X, Higgins K, Lin J, Jeong J, Liu T, Dhabaan A, Wang T, Dong X, Press R, Curran WJ, Yang X. Learning-based КЛКТ correction using alternating random forest based on auto-context model. Med Phys. 2019 Feb;46(2):601–618.

29. Hammernik, Kerstin, et al. «A deep learning architecture for limitedangle computed tomography reconstruction» Bildverarbeitung für die Medizin 2017. Springer Vieweg, Berlin, Heidelberg, 2017. 92–97.

30. Yang X., Kwitt R., Styner M. and Niethammer M. (2017). Quicksilver: fast predictive image registration – a deep learning approach. NeuroImage 158, 378–396.