SSF（snapshot freeze） 心脏冷冻技术 （笔记1）

智能 ? 自适应
冠脉追踪 = 研究目标 达到减少伪影

方法上（硬件）和数据重建

运动追踪跟拍系统，分析描述单个心跳周期内冠脉的运动特征
解决高心率问题

CTCA Image Quality Improvement by Using Snapshot
Freeze Technique Under Prospective and Retrospective
Electrocardiographic Gating（2015）

SSF showed higher interpretability than standard (STD)
Improvement of Image Quality and
Diagnostic Performance by an Innovative
Motion-Correction Algorithm for
Prospectively ECG Triggered Coronary CT
Angiography(2015)
使用ICA作为参考标准，将SSF的图像质量，可解释性和诊断性能与不使用SSF的常规多段重建进行了比较。
总体可解释性得到显着改善，非诊断段的数量显着减少
周期内运动校正算法可显着改善接受CCTA，预期心电图触发且无心率控制的CCTA患者的图像质量和诊断解释性

移动伪影校正？重建

2013年五月 张计旺 天津医科大学
冠状动脉追踪冻结技术在前瞻性和回顾性心电门控下改善CTCA图像质量的研究
受累节段主要为RCA的中、远段及、LAD、LCX远段，这是因为这些节段主要走行于房室沟或心
尖处，

重建算法

从论文来看 SSF属于重建算法，现已发表的论文基本是属于和标准重建算法的比较

小剂量CT具有高心率或心率变异性的患者的低剂量CT冠状动脉造影和新颖的IntraCycle运动校正算法冠状动脉造影
结论 ：The MC algorithm improves CCTA image quality and coronary assessability in patients with high HR and HRv, despite low radiation dose

血管分析软件（auto coronary analysis）对常规方法和 SSF 方
法两组图像数据进行容积再现( volume rendering，
VＲ) 、曲面重建( curved planar reformation，CPＲ) 及最大密度投影( maximum intensity projection，MIP)等图像后处理。观察评价冠状动脉各级分支图像质
量。

SSF 是基于运动模型，通过算法改善冠状动脉图像移动伪影的软件技术。遵循冠状动脉主要三支分支在心动周期中的运动特点，通过数学模型记录此特点，进行分析，以一个目标心动周期为中心，精确记录冠状动脉各分支运动速率、幅度进行建模，追踪运动轨迹，使用相邻两个心动周期的数据信息补偿丢失信息。进而得到准确的定位和消除移动伪影、提高图像质量，满足诊断需求。

常见重建算法

技术背景

当前认为可用的IR算法的确切基础计算算法主要是专有的，制造商只是部分揭示了这些算法。但是，已发布的数据表明，这些算法在数据获取，数据处理，系统几何和噪声特性等基本假设方面可能会大不相同。

CT数据采集的相关原理

CT数据采集和重建的基本目标是对三维体积的每个体素标记一个衰减值。数据采集​​是通过将多个角度的光子扇形体通过人体传输到检测器阵列来执行的。每个探测器的数据代表光束通过的所有组织的衰减之和。这是“原始数据”。重建算法使用原始数据来确定每个体素的衰减值。重建技术之间的差异包括确定如何在最终图像中分配此衰减值。
重构算法主要分为两类：解析算法和迭代算法。
但是，以下各节试图对当前可用的IR技术进行客观描述。

解析重构算法 FBP

filtered back projection (FBP)标准重建算法。了解FBP的基本特性对于理解IR的优势至关重要。分析重建算法（例如FBP）基于这样的假设，即测量过程和投影数据均由连续函数表示。在简化模型中，将X射线束准直成铅笔形状，然后平行于线性X射线检测器阵列移动。然后，将X射线源旋转角度α，并重复该过程。在检测器上测得的强度在数学上被描述为X射线管特定角度α和特定线性位移位置的积分函数

传统上，在FBP的背景下，对数据采集过程进行了一些简化：X射线的笔束几何形状，作为无限小点的焦点，在检测器单元中心的一个点上测得的强度关于单个X射线，具有已知强度的光子从X射线源通过物体传输到检测器。
根据衰减定律，由于物体内的吸收，透射强度呈指数下降，从而导致较低的测量强度。多次X射线可在CT检测器中测量强度分布。多次X射线可在CT检测器中测量强度分布。
最后，将测得的投影数据传播到图像域（反投影）。 需要多重投影来解决具有多个方程式和变量的数学系统，以生成最终的CT图像。需要多重投影来解决具有多个方程式和变量的数学系统，以生成最终的CT图像。

重建过程是通过反演（反向投影）得出积分方程的解。传统上，将描述测量的投影数据到图像域中传播的反向投影与滤波器组件组合在一起。该滤镜可补偿由于穿过对象中心和外围的投影的数量不同而引起的所谓的低通模糊的影响。在临床实践中，可以选择滤波器（内核）的其他变化形式，这要视空间分辨率和图像噪声之间的折衷情况而定。
增加对低通模糊的补偿会增加图像的“清晰度，但也会增加图像噪点。不同的内核可以优化描绘软组织或高对比度结构，例如骨骼或肺组织。
FBP的一个特征是图像清晰度和图像噪声直接耦合：图像越清晰，图像噪点越高。
随着CT硬件的发展，已分别采用了诸如插值方法或使用Feldkamp算法或其他三维方法之类的改编方法来补偿扇形和锥束几何形状。

这种方法的主要优点在于其鲁棒性和速度快****FBP的主要局限性在于它无法解决由于整个图像平面上光子数的泊松统计变化所引起的图像噪声。实际上，这意味着辐射剂量的减少转化为图像噪声的增加。

Iterative Image Reconstruction

p = Hf + n measured projection data p通过投影过程H和附加噪声n获得真实数据f（衰减系数）。
两种迭代概念：代数算法和统计算法。

在CT采集过程（测量的投影）之后，将生成第一张图像估算值。通过正向投影对X射线束进行模拟，以获得模拟投影数据，然后将其与测量的投影数据进行比较。在有差异的情况下，基于基础算法的特征来更新第一图像估计。

重复对图像和投影数据的这种校正，直到满足算法预定义的条件并生成最终图像为止。
撇开其他噪声，代数算法H解决了线性方程组的简单系统，其中投影值是沿每条投影线的两个衰减系数之和。有关更多详细信息，请参考文献（13-15）。但是，由于在CT技术的早期，计算能力受到限制，因此IR算法在临床上并不实用。

上面提到的示例还说明，当集成数据采集过程的其他组件或图像特征被整合时，IR算法的复杂性迅速增加。除了图像噪声的不同来源（例如统计光子分布，电子噪声）之外，现代CT系统的几何形状（例如探测器和焦点的形状和大小，X射线管之间的距离，等中心点，探测器等）对投影过程的贡献很大。

基本上，IR方法的数学模型由两部分组成：所谓的数据项与正则化项（或先前项）相结合。虽然数据项是观测到的投影数据的拟合模型，正则化项通常会包含CT系统的不均匀性，比如说噪声。

在所谓的统计IR中，将加权项引入到数据项中，该项​​将低权重分配给具有高统计不确定性（高噪声）的数据，将高权重分配给具有低统计不确定性（低噪声）的数据。
数据拟合可以通过不同的统计方法，如最大似然，最小二乘或最大后验估计器，以数学方式实现。
数据和正则项的变化会导致不同的特性，主要影响图像噪声和伪像的处理

混合算法

分析和迭代方法在不同的组合中。在一种排列中，初始图像是通过使用分析方法（原始数据域）生成的，并且聚焦迭代方法以优化图像域中的图像特性，例如噪声。
在另一对中，可以将迭代算法直接实现到重建过程中，以专注于通过分析方法生成的初始图像估计的图像改进。
在文献中，术语“hybrid IR”通常是指主要通过迭代方法降低图像噪声的算法。
相反，术语“基于模型的迭代重建”通常是指实现采集过程，图像统计数据和系统几何模型的算法。

特定供应商 IR算法

GE HealthCare

自适应统计迭代重构–在2008年末，GE Healthcare（威斯康星州沃基夏）推出了他们的首个用于临床的混合自适应统计迭代重建（ASIR）算法（16）。
与FBP不同，ASIR通过对过程中的系统统计数据进行建模来重建CT数据集（17-21），使用从FBP算法获得的信息作为每个单独图像重建的基础。ASIR模型集成了矩阵代数，将每个像素的测量值转换为像素值的新估计值。然后评估该像素值，并将其与通过噪声建模预测的理想值进行比较。在连续的迭代步骤中重复该过程，直到最终估计的像素值和理想的像素值最终收敛为止。根据用户的反应，ASIR与传统FBP以10％的增量混合。
重建中较高的ASIR百分比可能会导致图像质量的退化，图像有些不熟悉，几乎是“plastic”纹理（22,23）。
GE Healthcare最初引入了第二代IR算法（24），该算法最初是作为基于模型的迭代重建而引入的。
简而言之，该算法结合了广泛的数据采集过程的三维模型，包括系统光学（例如，X射线源的几何形状，锥束形状，检测器特征）
统计噪声和前项的模型。系统光学模型描述了被扫描物体的每个元素如何投射到探测器上，而与FBP的简化假设不符。Veo假定每个三维像素元素的三维体积，并考虑具有已知尺寸的焦点以及检测器的有效区域。Veo还可以对测得的统计分布进行建模X射线与物质相互作用的物理学数据。
类似于其他IR解决方案，可以使用FBP重建来初始化基于模型的迭代重建的某些部分，以促进相对较快的收敛。
然后，在一个完整的迭代周期内更新图像体积的所有体素。
这种广泛的建模及其复杂性要求计算能力和时间。
目前，重建时间在10到90分钟之间，具体取决于图像数量，大约等于每秒0.2到0.5张图像（27）。在临床实践中，例如对于急诊药物，必须考虑到数据获取和图像可用性之间的潜在延迟。

Philips Healthcare

iDose。— 2010年，飞利浦医疗保健公司（荷兰Best）介绍了iDose的IR技术方法。
iDose重建算法首先分析投影数据，识别并校正最嘈杂的CT测量值（信噪比不佳或非常低光子数）包含光子统计信息的模型将应用于每个投影，以检测非常嘈杂的测量结果。
通过迭代过程，对有噪声的数据进行惩罚，并保留边缘。此过程可确保保留下层结构的衰减梯度，从而在保留空间分辨率的同时允许大幅降低噪声

Iterative model reconstruction. 固有模型重建是飞利浦医疗集团在2012年引入的第二代IR算法与iDose4相比，迭代模型重建的目的不仅是要考虑图像的噪声行为，还要考虑其迭代周期中的数据统计信息，图像统计信息和系统模型（30）

Siemens HealthCare

Iterative reconstruction in image space
iterative reconstruction in
image space (IRIS)(31)
这种方法基于图像域，在该图像域中，从原始数据中重构出初始图像，然后在该原始图像上应用算法的三到五次迭代，目的是减少噪声并逐步提高对象对比度。
步。经Singram确认的迭代重建。-Sinogram确认的迭代重建（SAFIRE）是西门子医疗集团于2010年发布的第二代IR算法，该算法在企业中采用了一种IR技术，该技术同时利用原始数据和图像数据迭代，最多可重复使用五个强度级别可用于调整正则项以控制图像印象和降噪。强度与迭代循环的数量无关（32）。
与传统的IR相似，SAFIRE使用加权FBP执行初始重建，然后将两个不同的ent校正循环引入重建过程。
在第一个循环中，将新的合成原始数据（来自正向投影）与原始原始数据进行比较，以得出校正投影，然后将其用于重建校正图像。
再次使用加权FBP重建检测到的偏差，并根据扫描模式将循环重复多次。
第二个校正循环发生在图像空间中，在图像空间中，通过统计优化过程从图像中去除了噪声.可以使用动态原始数据库噪声模型对噪声进行本地估计和消除，该模型在每次迭代过程中预测每个图像像素在不同方向上的图像噪声方差，并相应地调整空间变量正则化函数。
降噪几乎仅在图像空间中发生，因此减少了返回原始数据空间的需求。
将校正后的图像与原始图像进行比较，然后根据检查类型将处理重复多次（33,34）。
西门子第三代迭代系统。
统计模型执行局部信噪比分析，以根据模型将数据分解为信息和噪声。

东芝医疗系统

这项IR技术要求原始高噪声图像经过多次迭代循环才能降低图像噪声，直到达到所需的噪声水平为止（37,38）。最近，该技术已被使用三维处理算法（AIDR 3D）的AIDR系统所取代（39）
该重建算法不仅基于IR在重构域中执行，而且还基于原始数据域中执行的IR。
该算法还使用模型中的原始数据域来说明特定的扫描仪几何形状，并使用统计噪声模型来减少噪声（37,40）。最后，为了保持噪声粒度并使图像更“自然”，将加权混合应用于原始重建和此迭代过程的输出