SSF（snapshotfreeze）⼼脏冷冻技术（笔记1）
智能 ? ⾃适应
冠脉追踪 = 研究⽬标 达到减少伪影
⽅法上（硬件）和数据重建
运动追踪跟拍系统，分析描述单个⼼跳周期内冠脉的运动特征
解决⾼⼼率问题
CTCA Image Quality Improvement by Using Snapshot
Freeze Technique Under Prospective and Retrospectivecrushing
2013年6月六级真题
Electrocardiographic Gating（2015）
SSF showed higher interpretability than standard (STD)
Improvement of Image Quality and
Diagnostic Performance by an Innovative
Motion-Correction Algorithm for芒果街上的小屋
Prospectively ECG Triggered Coronary CT
Angiography(2015)
使⽤ICA作为参考标准，将SSF的图像质量，可解释性和诊断性能与不使⽤SSF的常规多段重建进⾏了⽐较。
总体可解释性得到显着改善，⾮诊断段的数量显着减少
周期内运动校正算法可显着改善接受CCTA，预期⼼电图触发且⽆⼼率控制的CCTA患者的图像质量和诊断解释性
移动伪影校正？重建
2013年五⽉ 张计旺 天津医科⼤学
冠状动脉追踪冻结技术在前瞻性和回顾性⼼电门控下改善CTCA图像质量的研究
原理图英文受累节段主要为RCA的中、远段及、LAD、LCX远段，这是因为这些节段主要⾛⾏于房室沟或⼼
尖处，
重建算法
从论⽂来看 SSF属于重建算法，现已发表的论⽂基本是属于和标准重建算法的⽐较
⼩剂量CT冠状动脉造影
结论 ：The MC algorithm improves CCTA image quality and coronary asssability in patients with high HR and HRv, despite low radiation do
⾎管分析软件（auto coronary analysis）对常规⽅法和 SSF ⽅
法两组图像数据进⾏容积再现( volume rendering，
VＲ) 、曲⾯重建( curved planar reformation，CPＲ) 及最⼤密度投影( maximum intensity projection，MIP)等图像后处理。观察评价冠状动脉各级分⽀图像质
prize
cnn是哪个国家的新闻媒体
量。
SSF 是基于运动模型，通过算法改善冠状动脉图像移动伪影的软件技术。遵循冠状动脉主要三⽀分⽀在⼼动周期中的运动特点，通过数学模型记录此特点，进⾏分析，以⼀个⽬标⼼动周期为中⼼，精确记录冠状动脉各分⽀运动速率、幅度进⾏建模，追踪运动轨迹，使⽤相邻两个⼼动周期的数据信息补偿丢失信息。进⽽得到准确的定位和消除移动伪影、提⾼图像质量，满⾜诊断需求。
常见重建算法
技术背景
当前认为可⽤的IR算法的确切基础计算算法主要是专有的，制造商只是部分揭⽰了这些算法。但是，已发布的数据表明，这些算法在数据获取，数据处理，系统⼏何和噪声特性等基本假设⽅⾯可能会⼤不相同。
CT数据采集的相关原理
CT数据采集和重建的基本⽬标是对三维体积的每个体素标记⼀个衰减值。数据采集是通过将多个⾓度的光⼦扇形体通过⼈体传输到检测器阵列来执⾏的。每个探测器的数据代表光束通过的所有组织的衰减之和。这是“原始数据”。重建算法使⽤原始数据来确定每个体素的衰减值。重建技术之间的差异包
括确定如何在最终图像中分配此衰减值。
重构算法主要分为两类：解析算法和迭代算法。
但是，以下各节试图对当前可⽤的IR技术进⾏客观描述。
解析重构算法 FBP
filtered back projection (FBP)标准重建算法。了解FBP的基本特性对于理解IR的优势⾄关重要。分析重建算法（例如FBP）基于这样的假设，即测量过程和投影数据均由连续函数表⽰。在简化模型中，将X射线束准直成铅笔形状，然后平⾏于线性X射线检测器阵列移动。然后，将X射线源旋转⾓度α，并重复该过程。在检测器上测得的强度在数学上被描述为X射线管特定⾓度α和特定线性位移位置的积分函数
传统上，在FBP的背景下，对数据采集过程进⾏了⼀些简化：X射线的笔束⼏何形状，作为⽆限⼩点的焦点，在检测器单元中⼼的⼀个点上测得的强度关于单个X射线，具有已知强度的光⼦从X射线源通过物体传输到检测器。
根据衰减定律，由于物体内的吸收，透射强度呈指数下降，从⽽导致较低的测量强度。多次X射线可在CT检测器中测量强度分布。多次X射线可在CT检测器中测量强度分布。
最后，将测得的投影数据传播到图像域（反投影）。 需要多重投影来解决具有多个⽅程式和变量的数学系统，以⽣成最终的CT图像。需要多重投影来解决具有多个⽅程式和变量的数学系统，以⽣成最终的CT图像。
重建过程是通过反演（反向投影）得出积分⽅程的解。传统上，将描述测量的投影数据到图像域中传播的反向投影与滤波器组件组合在⼀起。该滤镜可补偿由于穿过对象中⼼和外围的投影的数量不同⽽引起的所谓的低通模糊的影响。在临床实践中，可以选择滤波器（内核）的其他变化形式，这要视空间分辨率和图像噪声之间的折衷情况⽽定。
增加对低通模糊的补偿会增加图像的“清晰度，但也会增加图像噪点。不同的内核可以优化描绘软组织或⾼对⽐度结构，例如⾻骼或肺组织。
FBP的⼀个特征是图像清晰度和图像噪声直接耦合：图像越清晰，图像噪点越⾼。
随着CT硬件的发展，已分别采⽤了诸如插值⽅法或使⽤Feldkamp算法或其他三维⽅法之类的改编⽅法来补偿扇形和锥束⼏何形状。
这种⽅法的主要优点在于其鲁棒性和速度快****FBP的主要局限性在于它⽆法解决由于整个图像平⾯上光⼦数的泊松统计变化所引起的图像噪声。实际上，这意味着辐射剂量的减少转化为图像噪声的增加。
Iterative Image Reconstruction
p = Hf + n measured projection data p通过投影过程H和附加噪声n获得真实数据f（衰减系数）。
两种迭代概念：代数算法和统计算法。
在CT采集过程（测量的投影）之后，将⽣成第⼀张图像估算值。通过正向投影对X射线束进⾏模拟，以获得模拟投影数据，然后将其与测量的投影数据进⾏⽐较。在有差异的情况下，基于基础算法的特征来更新第⼀图像估计。
重复对图像和投影数据的这种校正，直到满⾜算法预定义的条件并⽣成最终图像为⽌。
撇开其他噪声，代数算法H解决了线性⽅程组的简单系统，其中投影值是沿每条投影线的两个衰减系数之和。有关更多详细信息，请参考⽂献（13-15）。但是，由于在CT技术的早期，计算能⼒受到限制，因此IR算法在临床上并不实⽤。
上⾯提到的⽰例还说明，当集成数据采集过程的其他组件或图像特征被整合时，IR算法的复杂性迅速增加。除了图像噪声的不同来源（例如统计光⼦分布，电⼦噪声）之外，现代CT系统的⼏何形状（例如探测器和焦点的形状和⼤⼩，X射线管之间的距离，等中⼼点，探测器等）对投影过程的贡献很⼤。
基本上，IR⽅法的数学模型由两部分组成：所谓的数据项与正则化项（或先前项）相结合。虽然数据项是观测到的投影数据的拟合模型，正则化项通常会包含CT系统的不均匀性，⽐如说噪声。
在所谓的统计IR中，将加权项引⼊到数据项中，该项将低权重分配给具有⾼统计不确定性（⾼噪声）的数据，将⾼权重分配给具有低统计不确定性（低噪声）的数据。
数据拟合可以通过不同的统计⽅法，如最⼤似然，最⼩⼆乘或最⼤后验估计器，以数学⽅式实现。
数据和正则项的变化会导致不同的特性，主要影响图像噪声和伪像的处理
混合算法
分析和迭代⽅法在不同的组合中。在⼀种排列中，初始图像是通过使⽤分析⽅法（原始数据域）⽣成的，并且聚焦迭代⽅法以优化图像域中的图像特性，例如噪声。
在另⼀对中，可以将迭代算法直接实现到重建过程中，以专注于通过分析⽅法⽣成的初始图像估计的图像改进。
在⽂献中，术语“hybrid IR”通常是指主要通过迭代⽅法降低图像噪声的算法。
相反，术语“基于模型的迭代重建”通常是指实现采集过程，图像统计数据和系统⼏何模型的算法。
特定供应商 IR算法
GE HealthCare
⾃适应统计迭代重构–在2008年末，GE Healthcare（威斯康星州沃基夏）推出了他们的⾸个⽤于临床
的混合⾃适应统计迭代重建（ASIR）算法（16）。
与FBP不同，ASIR通过对过程中的系统统计数据进⾏建模来重建CT数据集（17-21），使⽤从FBP算法获得的信息作为每个单独图像重建的基础。ASIR模型集成了矩阵代数，将每个像素的测量值转换为像素值的新估计值。然后评估该像素值，并将其与通过噪声建模预测的理想值进⾏⽐较。在连续的迭代步骤中重复该过程，直到最终估计的像素值和理想的像素值最终收敛为⽌。根据⽤户的反应，ASIR与传统FBP以10％的增量混合。glad是什么意思
重建中较⾼的ASIR百分⽐可能会导致图像质量的退化，图像有些不熟悉，⼏乎是“plastic”纹理（22,23）。
GE Healthcare最初引⼊了第⼆代IR算法（24），该算法最初是作为基于模型的迭代重建⽽引⼊的。
简⽽⾔之，该算法结合了⼴泛的数据采集过程的三维模型，包括系统光学（例如，X射线源的⼏何形状，锥束形状，检测器特征）天津老师
统计噪声和前项的模型。系统光学模型描述了被扫描物体的每个元素如何投射到探测器上，⽽与FBP的简化假设不符。Veo假定每个三维像素元素的三维体积，并考虑具有已知尺⼨的焦点以及检测器的有效区域。Veo还可以对测得的统计分布进⾏建模X射线与物质相互作⽤的物理学数据。
英语四级考试作文万能句及万能模板
类似于其他IR解决⽅案，可以使⽤FBP重建来初始化基于模型的迭代重建的某些部分，以促进相对较快的收敛。
然后，在⼀个完整的迭代周期内更新图像体积的所有体素。
这种⼴泛的建模及其复杂性要求计算能⼒和时间。
⽬前，重建时间在10到90分钟之间，具体取决于图像数量，⼤约等于每秒0.2到0.5张图像（27）。在临床实践中，例如对于急诊药物，必须考虑到数据获取和图像可⽤性之间的潜在延迟。
Philips Healthcare
iDo。— 2010年，飞利浦医疗保健公司（荷兰Best）介绍了iDo的IR技术⽅法。
iDo重建算法⾸先分析投影数据，识别并校正最嘈杂的CT测量值（信噪⽐不佳或⾮常低光⼦数）包含光⼦统计信息的模型将应⽤于每个投影，以检测⾮常嘈杂的测量结果。
全国大学英语六级成绩查询
通过迭代过程，对有噪声的数据进⾏惩罚，并保留边缘。此过程可确保保留下层结构的衰减梯度，从⽽在保留空间分辨率的同时允许⼤幅降低噪声
