|
Аннотация.
В работе сформулирована задача оценки точности результатов реконструкции и построена модель оценки с опорой на назначение томографа. Разные применения томографов (изучение структуры, дефектоскопия, контроль) диктуют разные требования к точности реконструкции. Организация разномасштабных измерений в одном приборе, съемка изделия целиком и его отдельных частей с разных ракурсов, требует автоматических методов поиска границ интересующих областей, определения их положения в объеме для точного позиционирования тройки источник-оптика-детектор. Требования автоматических методов к точности результатов реконструкции должны учитываться в модели оценки. Выделены три группы машин в соответствии с их назначением. К первой группе отнесены томографы, предназначенные для построения 3D цифровых изображений объектов. Во второй группе – дефектоскопы. Третью группу составляют машины, являющиеся частью многоступенчатой системы принятия решения. В дальнейшем планируется исследовать пределы применимости построенной модели.
Ключевые слова:
компьютерная томография, алгоритмы реконструкции, оценка точности реконструкции, структурное сходство, дефектоскопия, метрологический контроль.
DOI 10.14357/20718632250201
EDN RMOJJL
Стр. 3-11.
Литература
1. Yamaev A.V., Chukalina M.V., Nikolaev D.P., Kochiev L.G., Chulichkov A.I., Neural network regularization in the problem of few-view computed tomography. // Computer Optics. 2022. V.46. №3. P. 422-428. 2. Fonfría Í., Holgado I. Ortega N., Castrillo A., Plaza S, Improving the Efficiency and Quality of Sustainable Industrial CT by Optimizing Scanning Parameters. // Sensors. 2025. v. 25. № 2440. P.1-27. 3. Котович Н.В., Славин О. А., Распознавание скелетных образов. // ИТиВС. 2000. Т. 4. C. 204-215. 4. International Telecommunication Union. Telecommunication Standardization Sector. Methods for subjective determination of transmission quality. International Telecommunication Union. 1996. 5. Nicholson J., Lazebnik Yu., The R-Factor: A Measure of Scientific Veracity. // The Winnower. 2015. C.1-4. 6. Bagheri A., Alireza S., Concept Evaluating of Image Reconstruction Algorithms SSRB and FORE in the Brain CT. // Frontiers in Biomedical Technologies. 2025. V. 12. P.1. 7. Sun Yi., Huang Yi., Yang Z., Schneider L., Thies M., Gu M., Mei S., Bayer S., Zöllner F., Maier A., EAGLE: an edge-aware gradient localization enhanced loss for CT image reconstruction. // Journal of Medical Imaging. 2025. V. 12. № 1. P. 014001. 8. Yamaev A., Monitored reconstruction improved by postprocessing neural network. // Computer Optics. 2024. V. 48. № 4. P. 601-609. 9. Wolterink J., Leiner T., Viergever M., Išgum I., Generative Adversarial Networks for Noise Reduction in Low-Dose CT. // IEEE Transactions on Medical Imaging. 2017. V.36, Issue: 12. P. 2536 - 2545. 10. Li Y., Li J., Xue T., Mu J., Wang Q., Zheng L., Wang Y., Lei L., Assessment of the Image Quality of Virtual Non-Contrast Dual-energy CT Liver Scans Using Both PSNR and SSIM Methods. // CT Theory and Applications. 2025. V. 34. № 1. P. 51-57. 11. Wang Z., Simoncelli E.P., Bovik A.C., Multiscale structural similarity for image quality assessment // The Thirty-Seventh Asilomar Conference on Signals, Systems & Computers. 2003. V.2. P. 1398–1402. 12. Sara U., Akter M., Uddin M., Image Quality Assessment through FSIM, SSIM, MSE and PSNR—A Comparative Study. // Journal of Computer and Communications. 2019. V.7. No.3. P.8-18. 13. Chukalina M., Golosio B., Simionovici A., Funke H., X-ray tomography: how to evaluate the reconstruction quality? // Spectrochimica Acta Part B: Atomic Spectroscopy. 2004. V.59. №10. P.1755-1758. 14. Wang Z., Simoncelli E., Translation insensitive image similarity in complex wavelet domain. Proc. IEEE Int. Conf. Acoustics, Speech, Signal Processing // 2005. P. 573–576. 15. Wu M., Fitzgerald P., Zhang J., Segars W., Yu H., Xu Y., De Man B., XCIST—an open access x-ray CT simulation toolkit. // Physics in Medicine & Biology. 2022. V. 67. № 19. P. 194002. 16. Shutov M., Gilmanov M., Polevoy D., Buzmakov A., Ingacheva A., Chukalina M., Nikolaev D., CT metal artifacts simulation under x-ray total absorption. // Proceedings SPIE. The 16th International Conference on Machine Vision (ICMV 2023), (November 15-18, 2023 Yerevan, Armenia). 2024. V.13072. P. 130720Z. 17. Barret J., Keat N., Artifacts in CT: Recognition and Avoidence. // RadioGraphics. 2004. V.24. P. 1679-1691. 18. Schulze R., Heil U., Grob D., Bruellmann D., Dranischnikow E., Schwanecke U., Schoemer E., Artefacts in CBCT: a review. // Dentomaxillofacial Radiology. 2011. V.40. P. 256-273. 19. Bechara B., McMahan C., Geha H., Noujeim M., Evaluation of a cone beam CT artefact reduction algorithm. // Dentomaxillofacial Radiology. 2012. V.41. P. 422-428. 20. Ingacheva A., Chukalina M., Buzmakov A., Nikolaev D., Method for numeric estimation of Cupping effect on CT images. // Proceedings SPIE. The 12th International Conference on Machine Vision (ICMV 2019), (November 16-18, 2019 Amsterdam, Netherlands). 2020. V.11433. P. 114331-114338. 21. Ингачева А.С., Чукалина М.В., Николаев Д.П., Труды ИСА РАН. // Исследование свойств полиномиальной корректирующей функции полихроматических лучевых интегралов в задаче компьютерной томографии. 2021. Т. 71. 1. С. 92-100. 22. Feldkamp L.A., Davis L.C., Kress J. W., Practical conebeam algorithm. // Journal of the Optical Society of America A. 1984. V.1. №6. P. 612-619. 23. Gilbert P., Iterative methods for the three-dimensional reconstruction of an object from projections. // Journal of Theoretical Biology. 1972. V. 36. №1. P. 105-117. 24. Григорьев М.В., Назиров И.В., Могилевский Е.И., Хафизов А.В., Чукалина М.В., О проблемах при работе с микротомографическими изображениями пористых структур, используемыми для моделирования процессов протекания. // Труды ИСА РАН. 2021. Т.71. №1. С. 85-91. 25. Sangregorio E., Stanco F., Tanasi D.: The archeomatica project: towards a new application of the computer graphics in archaeology. // Eurographics Italian Chapter Conference. 2008. V. 8. P. 1-5. 10.2312 / LocalChapterEvents/Ital-Chap/ItalianChapConf2008/001-005.
|
