Correção de dispersão para CT de feixe cônico via rede neural convolucional inspirada na superposição de núcleos de dispersão

Objetivo. A dispersão de raios-X leva a um viés de sinal e degrada a qualidade da imagem na Tomografia Computadorizada. Métodos convencionais de estimativa e correção de dispersão em tempo real incluem os métodos de superposição de núcleos de dispersão (SKS), que aproximam o campo de dispersão de raios-X como uma convolução das fontes de dispersão e núcleos de propagação de dispersão para refletir a difusão espacial dos fótons de raios-X dispersos. Os métodos SKS são rápidos de implementar, mas geralmente sofrem de baixa precisão devido às dificuldades em determinar os núcleos de dispersão. Abordagem. Para abordar tal problema, este trabalho descreve um novo método de estimativa e correção de dispersão combinando o conceito dos métodos SKS e redes neurais convolucionais. Ao contrário dos métodos SKS convencionais, que estimam a amplitude de dispersão e o núcleo de dispersão com base no valor de um pixel individual, o método proposto gera os mapas de amplitude de dispersão e os mapas de largura de dispersão a partir de imagens de projeção através de uma rede neural, a partir da qual o campo de dispersão final estimado é calculado com base em um processo de convolução. Principais Resultados. Ao incorporar física no design da rede, o método proposto requer menos parâmetros treináveis em comparação a outro método baseado em aprendizado profundo (Estimativa de Dispersão Profunda). Tanto simulações numéricas quanto experimentos físicos demonstram que a rede neural convolucional inspirada em SKS proposta supera o método SKS convencional e outros métodos baseados em aprendizado profundo em aspectos qualitativos e quantitativos. Significado. O método proposto pode corrigir efetivamente os artefatos relacionados à dispersão com um design de rede neural convolucional inspirado em SKS.