CAPÍTULO 3. RESULTADO Y DISCUSIÓN
3.3 Conclusiones del capítulo
Del análisis de la MTF podemos concluir que:
El equipo Prexion 3D posee mayor límite de detección que el i-Cat Clásico siendo de 16,6 pl cm-1 en el primer caso contra 15,7 pl cm-1 en el segundo caso.
Ambos equipos son capaces de detectar objetos de alto contraste mayores de 0.32 mm.
Ambos equipos presenten el pico de mayor resolución a frecuencias de aproximadamente 10.6 pl cm-1.
La frecuencia umbral para ambos equipos fue de 17 pl cm-1 . A frecuencias mayores no son capaces de reproducir los detalles de las imágenes.
Pese a las semejanzas anteriores el equipo Prexion 3D presenta mejor resolución espacial que el i-Cat Clásico, ya que el área bajo la curva es de la MTF es mayor para todo el rango de frecuencia.
Del análisis de la NPS podemos apreciar que:
El equipo i-Cat Clásico posee componentes de ruido mucho mayores que el Prexion 3D para todo el rango de frecuencia que abarca. Este comportamiento obedece a que se adquieren las imágenes a valores de mAs menores que con el Prexion 3D.
El factor espesor de corte fue menos influyente en los niveles de ruido logrados que el valor de la corriente de tubo utilizado.
La composición del ruido en el i-Cat Clásico también posee componentes de ruido estructurado, presentes aún en las bajas frecuencias.
CONCLUSIONES Y RECOMENDACIONES
46
CONCLUSIONES Y RECOMENDACIONES
Conclusiones
1. Los predictores de calidad de imágenes a partir de los métodos de utilizados en el trabajo se implementaron a un costo computacional muy bajo, inferior a 2 segundos. 2. Las mediciones de la MTF y el NPS implementadas reprodujeron correctamente el
comportamiento de la resolución espacial, el contraste imagen y el ruido, de los equipos: i-Cat Clásico y Prexion 3D, con mayor grado de detalle e información que las tradicionales medidas de CNR, contraste imagen y SNR.
3. Del análisis de las mediciones de la MTF y el NPS podemos apreciar que el equipo Prexion3D posee mayor resolución espacial y menor nivel de ruido que el i-Cat Clásico para nuestras condiciones experimentales.
Recomendaciones
1 Implementar un tercer predictor robusto de calidad de imagen, que es la tasa de conteo equivalente a ruido (NEQ).
2 Extender el algoritmo de calculo de la MTF y el NPS a otros equipos de odontológicos e imaginológicos en general para complementar su control de calidad.
REFERENCIAS BIBLIOGRÁFICAS
[1] R. G. Molina, "Notas Históricas," Revista Española de Física, vol. 14, p. 3, 2000. [2] F.Ballester and J. M. Udías, "Física Nuclear y Medicina," Revista Española de
Física, pp. 22-1, 2008.
[3] M. V. Schapira, "La odontología en Argentina: historia de una profesión subordinada Dentistry in," História, Ciências, Saúde—Manguinhos, vol. 10, pp. 955-77, 2003.
[4] R. C. N. C. Bolner,"Contextualização histórica da radiologia odontológica,"
Faculdade de odontologia.Universidade Federaldo Rio Grande do Sul, pp. 9-15, 2011.
[5] R.M. Doménech. J.O. d.Zárate. G.O.d.Ros, "Ciencia y Técnica en la Granada de principios de siglo: el impacto del descubrimiento de los rayos X (1897-1907)," vol. 17, pp. 103-116, 1994.
[6] S.J.J. Rodríguez, "Radiografía estereoscópica," vol. 2, pp. 79-81, 2011.
[7] M.C.Ortega Hrescak and G.A. Socolsky, "Godfrey Newbold Hounsfield: historia e impacto de la tomografía computada," Revista argentina de radiología, vol. 76, pp. 331-341, 2012.
[8] S. P. S. Regalado and E. R. P. Astudillo, "Estudio de las técnicas de reconstrución tomográfica," Escuela de Ingeniería Electrónica, Universidad de Azuay, Facultad de Ciencia y Tecnología, 2013.
[9] P. Sprawls, "Physical principles of medical imaging," 2 ed: Aspen Publishers, 1987, pp. 344-346.
[10] K. Y. M. Hernandez, "Tomografia Cone Beam como método de diagnostico preciso y confiable en odontología," Facultad de Odontología, Universidad Veracruzana, 2011.
[11] W. C. Scarfe and A. G. Farman, "What is cone-beam CT and how does it work?,"
Dental Clinics of North America, vol. 52, pp. 707-730, 2008.
[12] I. Fleitas, R. De la Mora, and C. Ferrer, "Resultados obtenidos en la ejecución de controles de calidad en tomografía computarizada. Niveles de dosis para exámenes de cráneo," in La Habana, Cuba. Memorias II Congreso Latinoamericano de Ingeniería Biomédica, 2001.
REFERENCIAS BIBLIOGRÁFICAS
48 [13] M. A. Corti, L. M. Zerbino, and M. J. Garavaglia, "Estudio de la calidad de la transferencia de imágenes por medios GRIN mediante la función MTF y la Transmisión Espectral," in II Jornadas de Investigación y Transferencia de la Facultad de Ingeniería, 2013.
[14] K. Boedeker and M. McNitt-Gray, "Application of the noise power spectrum in modern diagnostic MDCT: part II. Noise power spectra and signal to noise,"
Physics in medicine and biology, vol. 52, p. 4047, 2007.
[15] M. E. Andrade, H. J. Khoury, J. B. N. Neto, and R. Kramer, "Dosimetric evaluation of dental implant planning examinations with cone-beam computed tomography,"
Radiation protection dosimetry, p. nct211, 2013.
[16] L. Cocco, R. Miguel, M. Zemel, and G. Di Girolamo, "Introducción a la Odontología Legal, Facultad de Odontología Universidad Nacional de La Plata," in
VII Congreso de Tecnología en Educación y Educación en Tecnología, 2012.
[17] J. Del Cura, S. Pedraza, and A. Gayete, Radiología Esencial. Tomo 1: Médica Panamericana Buenos Aires, Madrid, 2009.
[18] J. C. R. Giraldo, C. A. Clavijo, and C. H. McCollough, "TOMOGRAFÍA COMPUTARIZADA POR RAYOS X: FUNDAMENTOS Y ACTUALIDAD–X- ray cumputed tomography: fundamentals and current status," Revista Ingeniería Biomédica, vol. 2, pp. 54-72, 2008.
[19] P. A. C. Pérez, J. R. García, and J. J. R. Ibáñez, Ingeniería biomédica: Imágenes médicas vol. 49: Univ de Castilla La Mancha, 2006.
[20] S. Pacifici, "Evaluación del estado del arte en tomosíntesis digital mamaria,"
Imagen Diagnóstica, vol. 5, pp. 64-67, 2014.
[21] B. Koong, "Cone beam imaging: is this the ultimate imaging modality?," Clinical oral implants research, vol. 21, pp. 1201-1208, 2010.
[22] J. Domínguez Mejía, O. Ruge Jiménez, G. Aguilar Méndez, Ó. Ñáñez López, and G. Oliveros Torres, "Análisis de la posición y trayectoria del conducto alveolar inferior (CAI) en tomografía volumétrica computarizada (TC Cone Beam-TCCB),"
Revista Facultad de Odontología Universidad de Antioquia, vol. 22, 2010.
[23] S. Vedantham, A. Karellas, S. Suryanarayanan, D. Albagli, S. Han, E. J. Tkaczyk, et al., "Full breast digital mammography with an amorphous silicon-based flat panel detector: physical characteristics of a clinical prototype," Medical physics, vol. 27, pp. 558-567, 2000.
[24] L. Urrutia and A. Pérez, "Evaluación del algoritmo de reconstrucción tomográfica “ORDERED SUBSETS EXPECTATION MAXIMIZATION” en lenguaje MATLAB, a partir de los parámetros de calidad de un SPECT," 2005.
[25] T. Rodet, F. Noo, and M. Defrise, "The cone-beam algorithm of Feldkamp, Davis, and Kress preserves oblique line integrals," Medical physics, vol. 31, pp. 1972- 1975, 2004.
[26] J. T. Bushberg and J. M. Boone, "The essential physics of medical imaging," 2 ed: Lippincott Williams & Wilkins, 2002, pp. 255-283.
[27] P. Sprawls, "Physical principles of medical imaging," 2 ed: Aspen Publishers, 1987, pp. 361-369.
[28] J. C. Reátegui Woll, "Estimación automática de la varianza y discriminación de distribuciones de ruido en imágenes digitales," 2013.
[29] J. P. Graffigna. R. Romo, "Fundamento de Imágenes Médicas," Imágenes en Medicina, pp. 5-11, 2003.
[30] R. Puchal, "Filtros de imagen en medicina nuclear," Madrid: Ed. Eurobook SL,
1997.
[31] G. D. Boreman, Modulation transfer function in optical and electro-optical systems
vol. 4: SPIE Press Bellingham, WA, 2001.
[32] G. Fountos, C. Michail, A. Zanglis, A. Samartzis, N. Martini, V. Koukou, et al., "A novel easy-to-use phantom for the determination of MTF in SPECT scanners,"
Medical physics, vol. 39, pp. 1561-1570, 2012.
[33] M. F. Kijewski and P. F. Judy, "The noise power spectrum of CT images," Physics in medicine and biology, vol. 32, p. 565, 1987.
[34] S. J. Riederer, N. J. Pelc, and D. A. Chesler, "The noise power spectrum in computed x-ray tomography," Physics in medicine and biology, vol. 23, p. 446, 1978.
[35] K. Faulkner and B. Moores, "Analysis of x-ray computed tomography images using the noise power spectrum and autocorrelation function," Physics in medicine and biology, vol. 29, p. 1343, 1984.
[36] J. Siewerdsen, I. Cunningham, and D. Jaffray, "A framework for noise-power spectrum analysis of multidimensional images," Medical physics, vol. 29, pp. 2655- 2671, 2002.
[37] I. S. INTERNATIONAL.. OPERATOR'S MANUAL . 2010 [38] i. PreXion. PrexViewer User’s Manual. 1. 2007
[39] I. S. INTERNATIONAL, "OPERATOR'S MANUAL ." in Cone Beam Volumetric Tomography and Panoramic Dental Imaging System ed. Hatfield, 2010, pp. 1-6. [40] R. C. González and R. E. Woods, Tratamiento digital de imágenes, 2 ed., 2002. [41] E. Buhr, S. Günther-Kohfahl, and U. Neitzel, "Accuracy of a simple method for
deriving the presampled modulation transfer function of a digital radiographic system from an edge image," Medical physics, vol. 30, pp. 2323-2331, 2003.
[42] P. D. Welch, "The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms," IEEE Transactions on audio and electroacoustics, vol. 15, pp. 70-73, 1967.
[43] T. Buzug, "Fundamentos Físicos de los rayos X," ed, 2008, p. 19.
[44] T. Buzug, "Fundamentos Físicos de la Radiación," in Quality Image, ed, 2008, p. 83.
REFERENCIAS BIBLIOGRÁFICAS
50 [45] H. Fuenzalida, "Acerca del análisis espectral por el método de máxima entropía,"
Departamento de Geofísica, Universidad de Chile. Tralka, vol. 1, pp. 163-188, 1980.
[46] O. F. Saldaña, "Medición de predictores robustos de calidad de imagen en CT," CEETI, UCLV, 2014.
[47] P. Sprawls, "Physical principles of medical imaging," ed, 1987.
[48] K. Sayood, "Statistical evaluation of image quality measures," Journal of Electronic imaging, vol. 11, pp. 206-223, 2002.
ANEXOS
Anexo 1 Lectura, selección de ROI e implementación de los predictores en el i-Cat Clásico
clear all
total=zeros(800); for i = 1:10
%name = (strcat('icat multiple', int2str(i), '.jpg'));
name=['icat multiple' int2str(i) '.jpg'];
ldi=imread(name); %figure(i);imshow(ldi) ld=double(ldi); total=total+ld; end imp=total/i; figure;imshow(imp,[])
rect = getrect; %tazar rectangulo en lineas del phantom
rectangle('Position',rect);
rect; x1=round(rect(2)); x2=round(rect(2))+round(rect(4)); y1=round( rect(1)); y2=round(rect(1))+round(rect(3)); r2=x2+round(rect(4)); r3 =round(rect(2))-round(rect(4)); ROI=imp(x1:x2,y1:y2); figure(2);imshow(ROI,[]) ROI2=imp((x2:r2)+10 , y1:y2); figure(3);imshow(ROI2,[])
ANEXOS
52 ROI3=imp((r3:x1)-10,y1:y2);
figure(4);imshow(ROI3,[])
[mmlMTF]=MTFlinea2_pwelch(ROI, 'r');
meanROI=(ROI2+ROI3)/2 ;% ROIs promediadas
[nps]=NPS_pcov(meanROI,0.15,'r');
Anexo 2 Lectura, selección de ROI e implementación de los predictores en el Prexion 3D clear all total=zeros(512); for i = 1:25 name=['mtf' int2str(i) '.jpg']; X = imread(name); ldf = rgb2gray(X); ld=double(ldf); total=total+ld; end imp=total/i; figure;imshow(imp,[])
rect = getrect ;%tazar rectangulo en lineas del phantom
rectangle('Position',rect);
rect; x1=round(rect(2)); x2=round(rect(2))+round(rect(4)); y1=round( rect(1)); y2=round(rect(1))+round(rect(3)); r2=x2+round(rect(4)); ROI=imp(x1:x2,y1:y2); figure;imshow(ROI,[]) ROI2a=imp((x2:r2)+30 , y1:y2); figure(3);imshow(ROI2a,[]) ROI2b=imp((x2:r2)+60 , y1:y2); figure(4);imshow(ROI2b,[]) figure; [mmlMTF]=MTFlinea2_pwelch(ROI, 'b'); [nps]=NPS_pcov(ROI2,0.3,'b');
Anexo 3 Función de estimación de la MTF
function [mmlMTF]=MTFlinea2_pwelch(R1, color);
mre=16; % maxima resolucion spacial
pl=8.4; % longitud del phantom
pinter=1024;% numero de muestras al que voy a interpolar
pfft=2048; % numero de puntos de la fft, debe ser mayor o igual que
pinter
R1=double(R1);
xx = linspace(0,length(R1(1,:)),pinter); x=(1:1:length(R1(1,:)));
fs=pinter/pl;
for row = 1:size(R1,1)
ESF = spline(x,R1(row,:),xx); % cada fila es tomada como ESF.
LSF = diff(ESF); % la LSF se calcula como al derivada de la ESF.
MTF = pwelch(LSF,pinter/4, pinter/32,pfft); % La MTF es el
spectro de amplitud de la LSF.
multiLineMTF(row,:) = MTF; % la MTF de cada fila es almacenada
en un arreglo
end;
mmlMTF = mean(multiLineMTF); % promedio de la MTF de cada fila
mmlMTF = mmlMTF /max(mmlMTF);
frec=fs*linspace(0,1,length(mmlMTF)); % escalar el eje de frecuencias
a=find(frec>=(mre+2)); a1=find(frec>=(10)); figure plot (frec(a1(1):a(1)),mmlMTF((a1(1):a(1))),color) title ('MTF'); grid; hold on
ANEXOS
54
Anexo 4 Función de estimación del NPS
function [npsfull]=NPS_pcov2(ROI, vox ,color) [m, n]=size(ROI);
factor=m*n/(vox)^2;
%% calculo de la NPS
for i = 1:size(ROI,1) % este ciclo te calcula la fft de cada fila
vect = ROI(i,:)-mean(ROI(i,:));
nps=pcov(vect,4); % aqui usas la funcion de autocorrelacion
NPS(i,:) = nps/length(nps);% normalizas la amplitud
end; npsfull=factor*((abs(mean(NPS)).^2)); % calculo de la NPS %% graficado fs=1/vox; frec=fs*linspace(0,1,length(npsfull)); npsend = (npsfull*4096)/256;
figure(1);plot(frec,npsend,color)%graf con frec q dev la funcion
title ('NPS');
ylabel('(UH^2mm^2)')
xlabel('frecuencia espacial')
grid;