FBP en imágenes médicas ha proporcionado una solución rápida para la reconstrucción de imágenes, y se ha utilizado ampliamente en muchos campos, como PET, SPECT, etc. Sin embargo, todavía tiene varias limitaciones.
1. Precisión. La teoría básica de FBP es el teorema de corte central, que se basa en el modelo integral lineal, es solo una aproximación. En X-CT, puede ser lo suficientemente preciso en la mayoría de los casos. Mientras que en la medicina nuclear, el proceso de imágenes también se ve afectado por muchos otros efectos físicos. Tome como ejemplo el PET, el rango de positrones, la no colinealidad del par de fotones, la dispersión en el tejido, la penetración del cristal, etc., todos los efectos anteriores pueden tener un efecto significativo en el proceso de obtención de imágenes. Por lo tanto, el modelo integral lineal no puede describir el proceso de creación de imágenes con precisión.
2. Complejidad. FBP a menudo se aplica para adquisición en 2D. Para la adquisición 3D, aunque existen varios algoritmos para resolver el problema de la reconstrucción analíticamente, como FDK, es inconveniente en aplicaciones clínicas y sufre un problema de truncamiento causado por una longitud limitada en la dirección axial.
3. SNR. En la obtención de imágenes nucleares, el recuento de eventos de desintegración suele ser limitado, lo que hace que la imagen reconstruida final sea severamente analizada. Usando FBP, generalmente diseñamos un filtro que puede aliviar el ruido, mientras que las imágenes pueden ser borrosas al mismo tiempo, lo que lleva a la disminución de la resolución, es difícil encontrar una solución de compromiso entre la SNR y la resolución.
En comparación con FBP, las técnicas de reconstrucción iterativa tienen muchos beneficios.
1. Es más flexible al modelar el sistema y el proceso de creación de imágenes, por lo tanto, es más preciso que FBP y puede generar imágenes con mayor resolución y mejor rendimiento de cuantificación. El modelo se puede lograr fácilmente mediante el cálculo analítico o la simulación Monte Carlo, y es muy conveniente incorporarlo con variedades de algoritmos de reconstrucción iterativa.
2. Máxima maximización de la expectativa de verosimilitud (MLEM), que es un algoritmo iterativo representativo que se ha utilizado ampliamente en imágenes nucleares, toma en consideración la naturaleza de Poisson de la emisión de positrones, por lo que tiene un mejor rendimiento de ruido. También se puede refinar usando variedades de condiciones de restricción, que pueden mejorar aún más la calidad de la imagen.
Referencia:
[1] Técnicas de reconstrucción iterativa en tomografía computarizada de emisión
