由于诸多限制，CT转速的提升会导致制造成本的增加，因此，使用软件算法对心脏图像进行优化以减少运动伪影越来越多地应用于临床。
我们通过检索文献，找几个代表性方法，今天给大家做做介绍。
飞利浦的科学家2010年发表的一篇文献，提出了一种全自动的局部心脏运动补偿门控迭代方法，该方法基于全自动非刚性配准的运动校正心脏CT迭代重建（AWSART）估计局部运动。
弹性（或非刚性）图像配准（EIR）算法流程图。首先，给定一组不同心脏时相的输入图像，应用多分辨率方法，并创建一组逐渐降采样的原始图像。然后，使用B样条插值器确定离散输入图像的连续版本。最后，执行迭代优化过程来确定变形函数T的最佳B样条系数cj，以最小化相似准则E。
该方法使用感兴趣区域心电门控四维图像数据集，应用全自动弹性图像配准将心脏位移场从参考相位恢复到RR间隔内的多个相位。并采用随机优化器和多分辨率方法来加速注册过程。随后使用确定的运动场执行运动补偿迭代重建。对于图像表示，体积自适应球基函数（blobs）用于考虑发散运动矢量场引起的体积变化。
研究发现，将该方法与标准的门控迭代重建结果进行比较，运动补偿在这些阶段显著提高了图像质量。
矢状面（A）轴位（B）和冠状位（C）视图和相应的VRT（D）。左侧为门控AWSART，右侧为运动补偿门控AWSART，显示了50%RR相位点处的重建图像。D给出了相应的VRT（左侧和中间），右侧为75%RR下的门控AWSART重建，门控窗口宽度为40%RR间期，迭代次数为10次。
结果表明，SWA方法可以显著减少冠状动脉运动并保留真实病理，而不影响空间分辨率。
通过扭曲亚相体积进行参考相位运动补偿的算法示意图。
该方法主要由三步构成，首先寻找中心线。对多期重建的数据使用自动商用冠状动脉跟踪算法提取所有冠状动脉的中心线。在显示严重伪影或模糊的图像区域，需要手动编辑中心线。提取后，对每组冠状动脉树中心线进行处理，以识别分叉，并去除伪点和重复点。
第二步，非刚性运动估计。使用双向标记点匹配（bidirectionallabeledpointmatching，BLPM）从上述生成的标记冠状动脉树中心线估计将每个目标相位映射到参考相位的冠状动脉轨迹。然后进行非刚性薄板样条曲线（nonrigidthinplatespline，TPS）扭曲，它将冠状动脉树中心线从每个目标相位映射到参考相位的中心线。运动估计过程的最后一步是基于这些估计的TPS扭曲生成密集的运动场。
最后一步为运动补偿。该算法的运动补偿策略背后的基本思想是重建几个子阶段，并根据运动场对它们进行扭曲，然后再将它们添加到一起。
使用SWA应用基于非刚性配准的冠状动脉运动校正之前（顶部）和之后（底部）的图像。运动补偿之前存在的严重运动伪影显著减少。请注意，在底部图像中，有许多小特征的运动伪影没有减少。这是因为运动估计只跟踪主要中心线的运动，并补偿这些主要中心线附近的运动。
使用基于全局强度的图像配准进行密集运动场估计是一个研究非常深入且成熟的领域，但这些算法可能会受到对比度变化、扫描仪参数变化和图像噪声引起的图像强度过度波动的影响。
76岁女性，患有严重症状性主动脉狭窄。右冠状动脉在有（A）和没有（B）运动校正后的多平面重建。两位读者都认为右近端冠状动脉在标准重建中没有价值，而在运动校正重建中准确地认为右近端冠状动脉无阻塞。
为了进一步抑制运动伪影，2021年联影引入一种新的AI辅助运动校正选项CardioCapture。基于中心线的运动跟踪/估计是减少心脏运动伪影的主要方法之一。
冠状动脉的中心线位置用于近似从一个采样相位到选定相位的运动场。CardioCapture主要集中于冠状动脉周围的运动校正。因此，冠状动脉中心线的提取是该算法的关键步骤之一。其采用了具有扩张卷积的V-Net来分割冠状动脉。然后，从分段冠状动脉蒙片中提取平滑的中心线。在中心线提取步骤之后，采用多级运动矢量场生成方案，捕捉不同尺度的运动。
关于该算法的更多具体细节不得而知。
CardioCapture的流程图
65岁男性，心率77bpm。a、bePhase重建后，右中冠状动脉（m-RCA）显示运动伪影，边缘模糊。曲面重建（CPR）图像也会模糊。评分为2分。c、CardioCapture重建后，LAD运动伪影消失，CPR图像上的小血管清晰锐利。评分为4分
上述方法都需要进行多期重建，从而潜在增加了患者的辐射暴露，如果从剂量优化的角度出发，还需要更好的方法。
iTRIM算法的主要流程如下：首先，采用180°数据和加权滤波反投影法重建图像（WFBP图像），并计算出图像中每个像素和它周围小区域内的所有像素CT值的直方图。然后，使用140°数据进行迭代循环运算得到图像。为了加快迭代运算的收敛速度，180°数据重建的WFBP图像将作为迭代运算的初始图像。
从模拟数据重建图像：使用扇形束FBP和Parker加权（左上），使用扇形束FBP和无约束SART方法改善TR（右上），使用TRI-PICCS（左下），以及使用TRIM（右下）。
迭代循环运算包括两个步骤：第一步，初始图像将被更新为采用140°数据和SART（SimultaneousAlgebraicReconstructionTechnique）算法的图像（iTRIM图像）。第二步，经过SART迭代运算得到iTRIM图像后，每一个像素都会根据在初始图像得到的CT值直方图，被加以校正。与WFBP图像CT值直方图相符合的像素不会被改变；CT值偏离WFBP图像CT值直方图的像素会被加以校正。
最后，在完成迭代循环运算后，将会执行运动探测技术以进一步改善图像。运动探测技术是通过重建相邻心脏期相的图像作为运动参考图像，并比较之前得到的WFBP图像和运动参考图像之间的差异，并会对差异做阈值设定。运动差异低于最低阈值的区域将会使用WFBP图像（180°数据）；运动差异高于最高阈值的区域将会使用iTRIM图像（140°数据）；为了让图像更平滑，对运动差异介于高低阈值直接的区域，使用WFBP图像和iTRIM图像线性融合的图像。
来自韩国的学者2015年介绍了一种利用旋转角度小于360°的投影数据进行运动估计和补偿的新算法。该算法利用两幅相对的三维部分角度重建（partialanglereconstructed，PAR）图像估计整个心脏区域的运动，并对重建过程中的运动进行补偿。
该算法的总体结构。为简单起见，该算法在2D域中进行了说明。
研究发现，在体模实验中，从该算法获得的运动补偿3D图像显示冠状动脉在各个阶段的运动伪影较少。此外，被运动污染的对象边界得到了很好的恢复。尽管在某些情况下，物体的位置和边界形状仍然与地面真实情况有所不同，但作者发现冠状动脉的可视性明显改善，运动伪影也显著减少。物理模型研究还表明，运动补偿图像的视觉质量大大提高。
一对共轭PAR图像的非刚性配准。带通滤波图像的幅度用于级别1和级别2的图像。
在100bpm的R–R间隔的10%、30%、50%、70%和90%下，XCAT体模图像的轴位和冠状位视图，（a）通过应用WFBP算法从静态正弦图重建，（b）和（c）分别通过应用WFBP算法和上述算法从ECG门控动态正弦图重建。
为了减轻运动诱发的伪影，上述已经开发了几种运动补偿（motioncompensation，MoCo）方法，它们要么能够补偿严重伪影，但利用数据重建多个心脏相位，要么提高仅具有中等运动伪影的单次重建的图像质量。
2017年，西门子的科学家提出了一种结合了这两个优点的方法：仅利用单次短扫描重建所需的数据从而提高剂量效率，同时仍然能够补偿严重的伪影。该方法称为PAMoCo（partialangle-basedmotioncompensation）。
该算法由以下七部分组成：初步重建和冠状动脉分割，PAR（partialanglereconstruction）重建，运动补偿，运动模型，运动向量场和运动估计。步骤2至6分别应用于z方向重叠的多个容积。
研究发现，由于PAMoCo图像的快速重建和新运动模型的引入，我们能够在预先选择的参数集上重新初始化优化例程，从而增加MAM（motionartifactmetrics运动伪影矩阵）算法的潜力。通过体模测量，作者得出结论，PAMoCo在所有心脏期的表现几乎相同，并建议在心率高或不规则的患者中，将PAMoCo算法应用于单源系统。
FBP和PAMoCo重建钙化血管模型，心率为90bpm，重建期相20%-80%。
使用PAMoCo显著降低了运动伪影。
随着人工智能和深度学习的发展，利用深度学习的PAMoCo算法在2021年问世。与前述方法类似，Deep-PAMoCo通过深度神经网络应用运动矢量场（MVF）以提高计算性能以及运动补偿重建的质量。
使用PAMoCo和Deep-PAMoCo重建的比较。
随着技术的进步，越来越多的提升冠脉CTA图像质量的软件算法引入临床和科研，这里有些算法已经在商用软件中出现，有些还在研究阶段。不同的软件算法得到的结果不尽相同。
优秀的软件算法应该符合如下要求：
不改变操作流程，检查完成后可以自动完成图像优化；
结果稳定，对于严重伪影可以很好地纠正，且不会增加假阳性和假阴性结果；
不增加辐射剂量，随着人群对于辐射剂量认识的深入，不增加辐射剂量的重建算法将发挥更大的价值。
GSI,gemstonespectralimaging;HD,highdefinition;TR,temporalresolution.aTheAquilionPRIMEisavailableinPRIME80andPRIME160versions.Bothmodelshavethesamenumberofdetectorrows,butwithamaximumof80and160reconstructedslicesperrotation,respectively,inaxialscanmode.OnthePRIME160,thetwooverlappingslicesperdetectorrowareachievedwithConeXactsoftwareforimprovedz-axissampling.
参考文献：
FlohrTG,RaupachR,BruderH.CardiacCT:howmuchcantemporalresolution,spatialresolution,andvolumecoveragebeimprovedJCardiovascComputTomogr.2009May-Jun;3(3):143-52.
IsolaAA,GrassM,NiessenWJ.Fullyautomaticnonrigidregistration-basedlocalmotionestimationformotion-correctediterativecardiacCTreconstruction.MedPhys.2010Mar;37(3):1093-109.doi:10.1118/1.3301600.
BhagaliaR,PackJD,MillerJV,IatrouM.Nonrigidregistration-basedcoronaryarterymotioncorrectionforcardiaccomputedtomography.MedPhys.2012Jul;39(7):4245-54.
YanC,ZhouG,YangX,LuX,ZengM,JiM.ImagequalityofautomaticcoronaryCTangiographyreconstructionforpatientswithHR≥75bpmusinganAI-assisted16-cmz-coverageCTscanner.BMCMedImaging.2021Feb11;21(1):24.
SchndubeH,AllmendingerT,StierstorferK,BruderH,FlohrT.Temporalresolutionandmotionartifactsinsingle-sourceanddual-sourcecardiacCT.MedPhys.2013Mar;40(3):031112.
KimS,ChangY,RaJB.Cardiacmotioncorrectionbasedonpartialanglereconstructedimagesinx-rayCT.MedPhys.2015May;42(5):2560-71.
HahnJ,BruderH,RohkohlC,AllmendingerT,StierstorferK,FlohrT,KachelrieM.Motioncompensationintheregionofthecoronaryarteriesbasedonpartialanglereconstructionsfromshort-scanCTdata.MedPhys.2017Nov;44(11):5795-5813.
MaierJ,LebedevS,ErathJ,EuligE,SawallS,FourniéE,StierstorferK,LellM,KachelrieM.Deeplearning-basedcoronaryarterymotionestimationandcompensationforshort-scancardiacCT.MedPhys.2021Jul;48(7):3559-3571.
LewisMA,PascoalA,KeevilSF,LewisCA.SelectingaCTscannerforcardiacimaging:theheartofthematter.BrJRadiol.2016Sep;89(1065):20160376.
仅供业余人士参考使用，不用于商业用途，专业人士拍砖请轻一点儿。
不感兴趣
看过了
取消
人点赞
人收藏
打赏
我有话说
0/500
同步到新浪微博
您的申请提交成功
您已认证成功，可享专属会员优惠，买1年送3个月！开通会员，资料、课程、直播、报告等海量内容免费看！