Современные подходы к устранению артефактов данных конусно-лучевой компьютерной томографии челюстно-лицевой области

Конусно-лучевая компьютерная томография (КЛКТ) занимает основное место в рентгенологической диагностике в стоматологии и челюстно-лицевой хирургии. Мультипланарная и трехмерная реформации данных КЛКТ позволяют провести оценку зоны интереса и выбрать правильную тактику лечения при необходимости. Тем не менее, существует ряд факторов, которые приводят к пространственным искажениям изображений или приводят к потере информации при КЛКТ. В настоящий момент ведутся активные поиски способов улучшения качества изображений КЛКТ и устранения артефактов для повышения диагностической эффективности метода. Данный обзор посвящен описанию основных причин возникновения артефактов и применяемых методов их устранения.

The use of X-ray radiation is the main additional method for complete visualization of hard and soft tissues in dentistry and maxillofacial surgery. Cone-beam computed tomography (CBCT) is of leading importance among other methods. Three-dimensional reformation of CBCT data into a multiplanar or three-dimensional image of anatomical structures allows for a qualitative assessment of the area of interest and to choose the right treatment tactics if necessary. Nevertheless, there are a number of factors or artifacts that lead to distortion, disrupt the image or lead to loss of information during CBCT, in addition, the formation of overdiagnosis is not excluded. Currently, an active search is underway for ways to improve the quality of CBCT images and eliminate artifacts to improve the quality of diagnostics. This review is devoted to the description of the main causes of artifacts and modern methods of their elimination.

Авторы
Долгалев А.А.1 , Данаев А.Б.1 , Хоссаин Ш.Д. 2 , Куликова А.А. 2 , Ямуркова Н.Ф.3 , Буренчев Д.В. 4 , Чагаров А.А.1
Издательство
Общество с ограниченной ответственностью Альфмед
Номер выпуска
38
Язык
Русский
Страницы
14-20
Статус
Опубликовано
Год
2021
Организации
  • 1 Ставропольский Государственный Медицинский Университет
  • 2 ФГАОУ ВО «Российский университет дружбы народов»
  • 3 ГБУЗ НО ГКБ N 39, г. Нижний Новгород
  • 4 ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Ключевые слова
Cbct; deep machine learning; artificial neural networks; CBCT artifacts; КЛКТ; глубокое машинное обучение; искусственные нейронные сети; артефакты КЛКТ
Цитировать
Поделиться

Другие записи