Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2024
Automatisierte, lernbasierte Vorhersage der Bildqualität von Cone-Beam-CT-Rekonstruktionen aus wenigen Scout-Bildern zur Vermeidung von Metallartefakten
Prof. Dr. Andreas Maier
Friedrich-Alexander-Universität Erlangen-Nürnberg
Lehrstuhl für Informatik 5 (Mustererkennung)
Prof. Dr. Adam Wang
Stanford University
Radiological Sciences Laboratory
Die Integration von Cone-Beam Computed Tomography (CBCT) mit C-Arm-Systemen für bildgesteuerte Chirurgie hat in den letzten Jahren immer mehr an Bedeutung gewonnen. Allerdings können physikalische Effekte, wie Photonenabschwächung und Streustrahlung, aufgrund der Wechselwirkung von Röntgenstrahlung mit Metall im Körper die Bildqualität beeinträchtigen. Ein Lösungsansatz besteht in der Anpassung der C-Arm-Trajektorie um Metallartefakte zu minimieren. Eine Möglichkeit hierfür ist die Entwicklung eines Physik-informierten Modells für die Vorhersage von Metallartefakten. Dies umfasst Faktoren wie patientenspezifische Absorption, Geräteeigenschaften und Rauschen, welche zum Beispiel durch künstliche neuronale Netzwerke modelliert werden können. Ziel ist es, bestehende Metriken zu integrieren und neue Kriterien zur Verbesserung der Bildqualität zu entwickeln.