Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Political science --- Political science. --- Germany.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

341.36

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Deze thesis evalueert en vergelijkt de beeldkwaliteit van drie PET/CT scanners, namelijk de Vereos van Philips Healthcare, de Discovery MI (DMI) van GE Healthcare en de Biograph TruePoint TrueV (TP) van Siemens Medical Solutions. PET/CT is een medische beeldvormingstechniek die gebruikt wordt voor het detecteren en opvolgen van ziektes. De parameters voor de beeldkwaliteit zijn de resolutie, de ruis en recovery coëfficiënten (RCs). RCs geven weer hoe de gereconstrueerde activiteiten in de PET beelden overeenkomen met de werkelijke activiteitwaarden. De beeldkwaliteit werd geëvalueerd a.d.h.v. fantoom acquisities. Per scanner zijn drie acquisities met verschillende contrasten tussen de sferen en achtergrond uitgevoerd. Per acquisitie zijn twaalf reconstructies bekomen met verschillende reconstructie parameters zoals de pixel grootte (2 en 4 mm), het aantal updates (27, 63 en 105), en met/zonder point spread function (PSF) modellering. PSF modellering is een methode die de resolutie van de reconstructie verbeterd. Convolutie van de beelden met een Gauss filter, die voor ruis vermindering zorgt, werd achteraf toegevoegd door de software (pymirc), welke de reconstructies analyseert. De software detecteert automatisch de zes sferen in het fantoom en bepaalt onder andere de spatiale resolutie, de ruis en RCs. Deze waarden zijn gebruikt om de convergentie van de drie scanners en het resolutie-ruis verloop te onderzoeken. Eveneens worden de verschillen in ruis en RCs voor reconstructies met eenzelfde resolutie alsook de invloed van PSF, contrast en sfeergrootte op de beeldkwaliteit, onderzocht. Uit deze studie volgt dat de Vereos reconstructie software het snelste convergeert, dit vanwege het gebruikte algoritme. Convergentie wilt zeggen dat het iteratief algoritme geen verder voordeel haalt uit verdere iteraties. De TP convergeert het traagste, omdat het een ouder systeem is zonder time-of-flight (TOF) capaciteiten. Systemen met TOF capaciteiten kunnen de gedetecteerde signalen beter lokaliseren, resulterend in betere resolutie en algemeen betere PET prestaties. De DMI heeft het beste resolutie-ruis verloop, wat wilt zeggen de beste resolutie voor een bepaalde hoeveelheid ruis en omgekeerd. Dit komt door de betere sensitiviteit van de DMI vergeleken met de Vereos en TP. Reconstructies met minder contrast resulteren in een slechtere resolutie maar dezelfde hoeveelheid ruis. Dit is een gevolg van de manier waarop de ruis bepaald is in de software gecombineerd met de uitvoering van de fantoom acquisities. Vervolgens heeft een kleinere pixelgrootte het meeste invloed op de Vereos, opnieuw vanwege het reconstructie algoritme. PSF modellering resulteert in minder ruis voor reconstructies met eenzelfde resolutie. Voor de Vereos zijn er, nogmaals vanwege het reconstructie algoritme, opvallend minder verschillen tussen de reconstructies met en zonder PSF modellering. Een kleinere sfeergrootte resulteert in lagere RCs voor alle drie de scanners. Opnieuw heeft de TP het meeste ruis. Er kon geen conclusie gevormd worden omtrent de invloed van de sfeergrootte op de resolutie omdat enkele sferen beïnvloed werden door het Gibbsverschijnsel. Algemeen kan er besloten worden dat de DMI het beste resolutie-ruis verloop heeft vergeleken met de andere twee scanners. De TP presteert het slechtste in elk onderdeel. De Vereos bereikt convergentie het snelste, wordt het meeste beïnvloed door de pixelgroottes en wordt het minste beïnvloed door PSF modellering.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

This thesis evaluates a new reconstruction algorithm for PET (Positron Emission Tomography) called SPDHG (Stochastic Primal Dual Hybrid Gradient algorithm). PET is the non-invasive principle in medicine where a radioisotope provides a measure of metabolic activity of a specific tissue. The challenge with PET is the low number of detected photons with which one tries to make a medically useful image. This low amount of photons follows a Poisson distribution and classical PET reconstruction is done by maximizing the log-likelihood function of this Poisson distribution. This iterative algorithm is called MLEM (Maximum Likelihood Expectation Maximization). MLEM has guaranteed convergence to the maximum likelihood solution, but the drawback is that the algorithm requires a high computational time. This is solved with OSEM (Ordered Subsets Expectation Maximization) by not using the entire data in each iteration but only a subset of it. This speeds up the procedure, but at the expense of the guaranteed convergence. OSEM converges to a so-called limit cycle, where the subset used causes the solution to deviate a little bit with each iteration. The newly proposed algorithm SPDHG has convergence and uses subsets. This leads to the question of whether SPDHG outperforms OSEM and can thus be of added value in clinical practices. The performance of SPDHG and OSEM is evaluated based on (1) a relative cost function (the relative log-probability), (2) the PSNR (Peak Signal-to-Noise Ratio, referenced MLEM) of the post- smoothed reconstructions, (3) the bias and uncertainty on the mean recovery values in different ROIs (Regions Of Interest). Two different phantoms are used; (1) the ellipse phantom which is easily modifiable and (2) the brain phantom which allows to evaluate the algorithm on anatomically relevant data. The results show that in all cases (for the correct step size ratio of SPDHG) the relative cost is lower for SPDHG and that the PSNR of the post-smoothed reconstructions is higher for SPDHG than for OSEM. It can also be seen that the uncertainty on these recovery values is in all cases smaller for SPDHG than for OSEM. This lower uncertainty (higher precision) gives SPDHG a better test-retest reliability. The reconstructions themselves showed that in certain cases the limit-cycle of OSEM does not show small objects in noisy environments, while the detectability of SPDHG resembled that of MLEM. They also show greater uncertainty in the center for OSEM than for SPDHG. Tuning the step size ratio gamma has been shown to be very important to ensure rapid convergence of SPDHG. However, if the correct gamma value is found, the new stochastic algorithm looks promising. In quality SPDHG converges to the solution with maximum probability (and thus not like OSEM to a limit cycle) and in speed it is comparable to OSEM. In fact, SPDHG has the potential to be even faster than OSEM as fewer projections can be used per subset. Post-smoothed SPDHG with 112 subsets is pixel-wise closer to post-smoothed MLEM than post-smoothed OSEM after 6 iterations.