Reconstruction tomographique faible dose en imagerie dentaire : régularisation TV versus UNet
Résumé
Cone-beam computed tomography (CBCT) is increasely used and in particular in dental imaging. However, dental CT images suffer from artifacts due to truncated projections, cone beam geometry or the presence of metal inserts. Low-dose dental CBCT reconstruction is therefore a difficult problem and not well addressed in the literature. In this paper, we evaluate an iterative method allowing to introduce a priori volume information and a deep learning method on real dental CBCT acquisitions. The results show that the deep learning method is more efficient for low-dose tomography and can accurately reconstruct a volume with only 20% of the normal dose.
La tomographie 3D avec faisceau conique (CBCT) s’est beaucoup développée dernièrement et en particulier en imagerie dentaire.
Toutefois, les images dentaires tomodensitométriques souffrent d’artefacts dus aux projections tronquées, à la géométrique du faisceau conique ou
encore à la présence de métal. La reconstruction CBCT dentaire en faible dose est donc un problème difficile et peu traité dans la littérature. Dans
ce papier, nous évaluons une méthode itérative permettant d’introduire des informations a priori sur le volume et une méthode d’apprentissage
profond sur des acquisitions réelles CBCT dentaires. Les résultats montrent que la méthode par apprentissage profond permet de reconstruire avec
davantage de précision un volume avec seulement 20% de la dose normale
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|