kiváló programozási készség, statisztikai alapú képrekonstrukciós algoritmusok alapos ismerete, Monte-Carlo módszerek ismerete
A Pozitron Emissziós Tomográfiás felvételek mért adataihoz legjobban illeszkedő, három dimenziós izotópkoncentráció-eloszlást a gyakorlatban legtöbbször statisztikai alapú képrekonstrukciós eljárásokkal határozzák meg. A Maximum Likelihood - Expectation Maximization (ML-EM) iteratív algoritmus adja legtöbbször a rekonstrukciós algoritmus alapját. Tapasztalat, hogy az iterációs lépések során a konvergencia egy bizonyos lépésszám felett megáll, madj visszafordul és a kép egyre zajosabb lesz. A növekvő zaj megjelenésének oka lehet a számítási modellezés és a mérés szisztematikus eltérése is, de a sztochasztikus iterációs algoritmus tulajdonságai is vezethetnek erre az eredményre. A szakirodalom több megoldást is javasol, hogy a konvergencia sebessége növekedjen, illetve az iteráció konvergenciájának kedvező tulajdonságai az iteráció előrehaladtával is megmaradjanak. A hallgató feladata a fizikai modellezés és az iterációs algoritmus konvergenciatulajdonságainak javítása a szakirodlom által javasolt módszerek implementálásával és értékelésével.
A hallgató feladata részletesen megismerkedni a BME NTI-ben fejlesztett PANNI (Pet Aimed Novel Nuclear Imager) kóddal és az új módszereket implementálnia, majd szimulált és kísérleti adatokon alkalmazva performance paramétereit értékelnie. Az eredmények alapján a kedvezőnek talált eljárásokat a Mediso Kft. Teratomo 3D PET Rekon szoftverkörnyezetében is megvalósítani és tesztelni.
A hallgató feladata
- tesztelni a maximum a posteriori (MAP) iterációt az ML-EM képrekonstrukciós sémához képest
- a pontválaszfüggvény szimulációját javítani és detektortérbeli elkenés helyett képtér-beli elkenésként figyelembe venni
- a "Total Variation" regularizáció modern változatait implementálni és tesztelni.
Irodalom:
Sangtae Ahn and J. A. Fessler, "Globally convergent image reconstruction for emission tomography using relaxed ordered subsets algorithms," in IEEE Transactions on Medical Imaging, vol. 22, no. 5, pp. 613-626, May 2003, doi: 10.1109/TMI.2003.812251.
Mahmoud M. Khattab, Akram M Zeki, Ali A. Alwan, Ahmed S. Badawy, Regularization-based multi-frame super-resolution: A systematic review, Journal of King Saud University - Computer and Information Sciences, Volume 32, Issue 7, 2020, Pages 755-762, ISSN 1319-1578, https://doi.org/10.1016/j.jksuci.2018.11.010.
Rahmim, A., Qi, J. and Sossi, V. (2013), Resolution modeling in PET imaging: Theory, practice, benefits, and pitfalls. Med. Phys., 40: 064301. https://doi.org/10.1118/1.4800806