Los puntos clave no están disponibles para este artículo en este momento.
La dispersión de rayos X es una causa principal de degradación de la calidad de imagen en TC dimensional. Especialmente, en el caso de componentes altamente atenuantes, las relaciones de dispersión a primaria pueden fácilmente ser mayores que 1. Los artefactos correspondientes que aparecen como curvaturas o rayas oscuras en la reconstrucción de TC pueden afectar una evaluación metrológica. Por lo tanto, una corrección de dispersión apropiada es crucial. Así, el estándar de oro es predecir la distribución de la dispersión utilizando un código de Monte Carlo (MC) y restar la estimación de dispersión correspondiente de los datos crudos medidos. Sin embargo, MC es demasiado lento para ser utilizado de manera rutinaria. Para corregir la dispersión en tiempo real, desarrollamos la estimación de dispersión profunda (DSE). Utiliza una red neuronal convolucional profunda que se entrena para reproducir la salida de simulaciones de MC utilizando solo los datos de proyección adquiridos como entrada. Una vez entrenada, DSE puede aplicarse en tiempo real. El presente estudio demuestra el potencial del enfoque propuesto utilizando simulaciones y mediciones. En ambos casos, DSE produce estimaciones de dispersión altamente precisas que difieren en < 3% de nuestras predicciones de dispersión de MC. Además, DSE claramente supera las técnicas de estimación de dispersión basadas en kernel y enfoques híbridos, como se utilizan hoy en día.
Maier et al. (Tue,) estudiaron esta cuestión.