1.1 Pendahuluan
Seorang klinisi yang membuat diagnosis berdasarkan citra medis mencari sejumlah
jenis indikasi yang berbeda. Ini bisa berupa perubahan bentuk, misalnya pembesaran atau
penyusutan struktur tertentu, perubahan intensitas gambar di dalam struktur itu
dibandingkan dengan jaringan normal dan/atau munculnya ciri-ciri seperti lesi yang
biasanya tidak terlihat. Diagnosis lengkap dapat didasarkan pada informasi dari beberapa
modalitas pencitraan yang berbeda, yang dapat bersifat korelatif atau aditif dalam hal
kandungan informasinya.
Setiap tahun ada kemajuan rekayasa yang signifikan yang mengarah pada peningkatan
instrumentasi di setiap modalitas pencitraan medis yang tercakup dalam buku ini.
Seseorang harus dapat menilai secara kuantitatif perbaikan yang dibuat oleh desain
tersebut. Pengukuran kuantitatif ini juga harus berhubungan langsung dengan parameter
yang penting bagi klinisi untuk diagnosis. Tiga kriteria yang paling penting adalah
resolusi spasial, rasio signal-to-noise (SNR) dan rasio kontras-to-noise (CNR). Misalnya,
Gambar 1.1(a) menunjukkan gambar resonansi magnetik dengan dua lesi materi putih
yang sangat kecil yang ditunjukkan oleh panah. Resolusi spasial pada citra ini cukup
tinggi untuk dapat mendeteksi dan mengatasi kedua lesi tersebut. Jika resolusi spasial
menjadi empat kali lebih buruk, seperti yang ditunjukkan pada Gambar 1.1(b), maka
hanya yang lebih besar dari dua lesi yang sekarang terlihat. Jika gambar SNR empat kali
lebih rendah, diilustrasikan pada Gambar 1.1(c), maka hanya yang lebih terang dari dua
lesi yang hampir tidak terlihat. Akhirnya, jika CNR antara lesi dan materi putih di
sekitarnya berkurang, seperti yang ditunjukkan pada Gambar 1.1(d), maka tidak ada lesi
yang dapat dilihat.
Meskipun idealnya seseorang akan memperoleh gambar dengan SNR, CNR, dan
resolusi spasial setinggi mungkin, sering kali ada trade-off antara ketiga parameter dalam
hal desain instrumen dan teknik akuisisi data, dan pilihan yang cermat harus dibuat untuk
diagnosis terbaik. Bab ini mencakup aspek kuantitatif penilaian kualitas gambar, beberapa
pertukaran antara SNR, CNR dan resolusi spasial, dan bagaimana data terukur dapat
didigitalkan, difilter, dan disimpan. Di akhir bab ini, diperkenalkan dua algoritma penting
untuk rekonstruksi citra medis, yaitu transformasi Fourier dan proyeksi balik terfilter.
(a) Gambar MR menunjukkan dua lesi materi putih kecil yang ditunjukkan oleh
panah. Gambar yang sesuai diperoleh dengan (b) resolusi spasial empat kali lebih buruk,
(c) SNR empat kali lebih rendah, dan (d) penurunan CNR antara lesi dan jaringan sehat di
sekitarnya. Panah menunjuk ke lesi yang dapat dideteksi.
Tujuan diagnosis klinis adalah untuk memaksimalkan masing-masing dari tiga angka,
dengan nilai ideal 100% untuk ketiganya. Ini setara dengan titik pada kurva ROC yang
diberikan oleh fraksi positif sejati 1, dan fraksi positif palsu 0. Kurva ROC yang sesuai
ditunjukkan sebagai garis putus-putus pada Gambar 1.2. Semakin dekat kurva ROC
aktual ke kurva ideal ini semakin baik, dan integral di bawah kurva ROC memberikan
ukuran kuantitatif kualitas prosedur diagnostik.
Sejumlah faktor dapat mempengaruhi bentuk kurva ROC, tetapi dari sudut pandang
teknologi pencitraan medis, pertanyaan yang relevan adalah: 'berapa bagian dari lesi sejati
yang terdeteksi menggunakan teknik pencitraan tertentu?'. Semakin banyak lesi yang
hilang pada gambar, maka secara intuitif semakin buruk diagnosis yang dihasilkan. 'Lesi
yang hilang' dapat terjadi, mengacu pada Gambar 1.1, karena SNR, CNR, atau resolusi
spasial yang buruk. Pada gilirannya, ini akan menyebabkan penurunan persentase akurasi,
sensitivitas dan spesifisitas prosedur diagnostik. .
Contoh 1.1: Misalkan kriteria yang digunakan untuk diagnosis, pada kenyataannya, sama
sekali tidak berhubungan dengan kondisi medis yang sebenarnya, misalnya sebagai
contoh sepele, mencoba mendiagnosis penyakit jantung dengan menghitung jumlah lesi
di otak. Gambarkan kurva ROC untuk situasi khusus ini.
Solusi : Karena kriteria yang digunakan untuk diagnosis tidak tergantung pada kondisi
aktual, secara efektif kita memiliki peluang yang sama persis untuk positif benar atau
positif palsu, terlepas dari jumlah lesi yang ditemukan di otak. Oleh karena itu, kurva
ROC merupakan garis lurus yang membentuk sudut 45 terhadap sumbu utama, seperti
pada gambar di bawah ini.
Resolusi spasial
Resolusi spasial dari sistem pencitraan terkait dengan fitur terkecil yang dapat
divisualisasikan atau, lebih khusus, jarak terkecil antara dua fitur sehingga fitur dapat
diselesaikan secara individual daripada muncul sebagai satu bentuk yang lebih besar. Dua
ukuran yang paling umum dalam domain spasial adalah fungsi penyebaran garis (LSF)
dan fungsi penyebaran titik (PSF). Langkah-langkah ini dapat diwakili oleh fungsi
transfer modulasi setara (MTF) dalam domain frekuensi spasial. Konsep frekuensi spasial
sangat berguna dalam mengkarakterisasi resolusi spasial, dan akan dijelaskan pada bagian
berikut.
Frekuensi spasial Salah satu contoh umum frekuensi spasial adalah tes ahli optik
standar. Dalam satu tes, pasien diminta untuk melihat serangkaian garis hitam pada latar
belakang putih, dan kemudian memberi tahu ahli kacamata apakah mereka dapat
mengatasi garis tersebut ketika serangkaian lensa dengan kekuatan berbeda digunakan.
Seperti yang ditunjukkan pada Gambar 1.3, garis memiliki ketebalan dan pemisahan yang
berbeda. Frekuensi spasial dari kisi-kisi garis tertentu diukur sebagai jumlah garis/mm,
misalnya 5 mm21 untuk garis yang berjarak 200 lm. Semakin dekat garis-garisnya,
semakin tinggi frekuensi spasialnya, dan semakin baik resolusi spasial yang dibutuhkan
sistem citra untuk menyelesaikan setiap garis individu. Untuk setiap modalitas pencitraan
medis, sejumlah faktor mempengaruhi daya pisah. Satu dapat menyederhanakan analisis
dengan mempertimbangkan hanya dua komponen umum: pertama instrumentasi yang
digunakan untuk membentuk gambar, dan kedua jumlah data yang diperoleh yaitu ukuran
matriks data gambar. Untuk mengambil contoh sehari-hari dari kamera digital, lensa dan
elektronik yang terkait dengan detektor charge-coupled device (CCD) membentuk
instrumentasi, dan jumlah piksel (megapiksel) kamera menentukan jumlah data yang
diperoleh. Kontribusi relatif dari masing-masing komponen terhadap resolusi spasial
secara keseluruhan adalah penting secara optimal desain teknik. Tidak ada keuntungan
dari segi kualitas gambar dalam meningkatkan ukuran matriks CCD dari 10 megapiksel
menjadi 20 megapiksel jika karakteristik lensanya buruk, misalnya tidak fokus dengan
baik, menghasilkan blur, atau memiliki chromatic aberration. Demikian pula, jika lensa
dibuat dengan sangat baik, maka akan menjadi kurang optimal untuk memiliki CCD
dengan kemampuan hanya 1 megapiksel, dan kualitas gambar akan ditingkatkan dengan
dapat memperoleh jumlah piksel yang jauh lebih banyak.
Konsep fungsi sebaran garis. Sebuah objek tipis dicitrakan menggunakan tiga sistem
pencitraan yang berbeda. Sistem di sebelah kiri memiliki LSF paling tajam, seperti yang
didefinisikan oleh proyeksi satu dimensi yang diukur di sepanjang garis putus-putus dan
ditunjukkan di atas setiap gambar. Sistem di tengah menghasilkan gambar yang lebih
buram, dan memiliki LSF yang lebih luas, dengan sistem di sebelah kanan menghasilkan
gambar yang paling buram dengan LSF terluas.
Hasil pencitraan dihasilkan oleh dua sistem yang berbeda dengan LSF yang relatif
sempit (kiri) dan lebar (kanan). Dalam kasus di sebelah kiri, dua struktur kecil di dalam
tubuh (atas) memiliki pemisahan yang sedikit lebih besar dari FWHM dari LSF, sehingga
gambar yang dihasilkan menunjukkan dua struktur yang berbeda. Dalam kasus di sebelah
kanan, FWHM dari LSF lebih besar dari pemisahan struktur, sehingga gambar muncul
sebagai satu struktur besar
dipisahkan oleh jarak yang lebih besar dari FWHM dari LSF, maka mereka dapat
diselesaikan sebagai struktur terpisah yang bertentangan dengan satu struktur yang lebih
besar, seperti yang ditunjukkan pada Gambar 1.5. LSF untuk banyak teknik pencitraan
didekati dengan baik oleh fungsi Gaussian, yang didefinisikan sebagai:
di mana r adalah simpangan baku distribusi, dan y0 adalah pusat fungsi. FWHM dari
fungsi Gaussian diberikan oleh
Oleh karena itu, jika pemisahan fisik antara dua struktur lebih besar dari 2,36 kali
simpangan baku fungsi Gaussian yang mendefinisikan LSF dari sistem pencitraan, maka
kedua struktur dapat diselesaikan.
formulasi tiga dimensi: persamaan tiga dimensi dari LSF disebut fungsi penyebaran
titik (PSF). Seperti namanya, PSF menggambarkan gambar yang diperoleh dari 'sumber
titik' yang sangat kecil, misalnya bola kecil air untuk MRI. Contoh PSF simetris spasial
dan asimetris ditunjukkan pada Gambar 1.6. Secara matematis, bayangan tiga dimensi (I)
dan benda (O) dihubungkan oleh:
di mana * mewakili konvolusi, dan h(x,y,z) adalah PSF tiga dimensi. Dalam sistem
pencitraan yang sempurna, PSF akan menjadi fungsi delta di ketiga dimensi, dalam hal ini
gambar akan menjadi representasi objek yang sempurna. Dalam praktiknya, PSF
keseluruhan dari sistem pencitraan yang diberikan adalah kombinasi dari instrumen
deteksi dan pengambilan sampel data (dicakup dalam Bagian 1.7), dan dapat dihitung
dengan konvolusi dari semua komponen individu.
di mana kx, ky dan kz adalah frekuensi spasial yang diukur dalam garis/mm yang sesuai
dengan dimensi spasial x,y dan z yang diukur dalam mm. Sifat-sifat transformasi Fourier
diringkas dalam Bagian 1.9. Hubungan antara MTF satu dimensi (untuk penyederhanaan)
dan PSF ditunjukkan pada Gambar 1.7. MTF yang ideal, yang tidak bergantung pada
frekuensi spasial, sesuai dengan PSF yang merupakan fungsi delta. Semakin luas PSF,
semakin sempit MTF, dan semakin besar tingkat hilangnya informasi frekuensi spasial
yang tinggi.
` Karena PSF dan MTF dihubungkan oleh transformasi Fourier, dan konvolusi dalam
satu domain setara dengan perkalian di domain lainnya (Bagian 1.9.2), MTF keseluruhan
dari sistem pencitraan dapat dihitung dengan mengalikan bersama efek dari semua
komponen yang berkontribusi.
(atas) Objek yang dicitrakan sesuai dengan serangkaian garis dengan frekuensi spasial
yang meningkat dari kiri ke kanan. (a) PSF ideal dan MTF yang sesuai menghasilkan
gambar yang merupakan representasi sempurna dari objek. (b) PSF yang sedikit lebih
lebar menghasilkan MTF yang kehilangan informasi frekuensi spasial yang sangat tinggi,
dan gambar yang dihasilkan menjadi kabur. (c) PSF terluas sesuai dengan MTF tersempit,
dan kehilangan terbesar informasi frekuensi spasial tinggi.
Rasio signal-to-noise
Dalam semua sinyal yang diukur atau direkam ada beberapa kontribusi dari noise.
Crackle di radio atau di ponsel mungkin merupakan fenomena yang paling akrab. Noise
mengacu pada sinyal apa pun yang direkam, tetapi tidak terkait dengan sinyal aktual yang
coba diukur (perhatikan bahwa ini tidak termasuk artefak gambar, yang dipertimbangkan
secara terpisah di Bagian 1.8). Dalam kasus yang paling sederhana, kebisingan dapat
dianggap sebagai sinyal acak yang ditumpangkan di atas sinyal nyata. Karena acak, nilai
rata-rata adalah nol yang tidak memberikan indikasi tingkat kebisingan, sehingga ukuran
kuantitatif tingkat kebisingan secara konvensional merupakan standar deviasi kebisingan.
Penting dalam merancang instrumentasi pencitraan medis bahwa sinyal yang direkam
adalah sebesar mungkin untuk mendapatkan rasio signal-to-noise (SNR) tertinggi. Contoh
efek noise pada kualitas gambar ditunjukkan pada Gambar 1.8. Saat tingkat kebisingan
meningkat, konten informasi dan utilitas diagnostik gambar berkurang secara signifikan.
Faktor-faktor yang mempengaruhi SNR untuk setiap modalitas pencitraan dijelaskan
secara rinci di bagian yang relevan dari setiap bab. Namun, dua kasus umum diringkas di
sini. Jika noise benar-benar acak, seperti pada MRI, maka SNR gambar dapat
ditingkatkan dengan mengulangi pemindaian beberapa kali dan kemudian menambahkan
pemindaian bersama-sama. Sinyal sebenarnya adalah sama untuk setiap pemindaian, dan
dengan demikian bertambah 'secara koheren': untuk N pemindaian yang ditambahkan
bersama, sinyal totalnya adalah N kali lipat dari satu pemindaian. Namun, noise pada
setiap piksel adalah acak, dan teori sinyal dasar menentukan bahwa standar deviasi dari
variabel acak hanya meningkat sebagai akar kuadrat dari jumlah pemindaian yang
ditambahkan bersama. Oleh karena itu, SNR keseluruhan meningkat sebagai akar kuadrat
dari jumlah pemindaian. Contoh dari MRI, di mana 'rata-rata sinyal' seperti itu biasa
digunakan, ditunjukkan pada Gambar 1.9. Pertukaran rata-rata sinyal adalah waktu
tambahan yang diperlukan untuk akuisisi data yang berarti bahwa rata-rata sinyal tidak
dapat digunakan, misalnya, dalam situasi pemindaian dinamis. Dalam pencitraan
ultrasonik, situasinya lebih rumit karena kontribusi noise utama dari spekel koheren,
sehingga rata-rata sinyal tidak meningkatkan SNR. Namun, jika gambar diperoleh dengan
transduser berorientasi pada sudut yang berbeda sehubungan dengan pasien, teknik yang
dikenal sebagai pencitraan majemuk (dibahas dalam Bagian 4.8.4), maka bintik pada
gambar yang berbeda hanya sebagian koheren. Rata-rata gambar, oleh karena itu,
memberikan peningkatan SNR, tetapi dengan faktor kurang dari akar kuadrat dari jumlah
gambar. Dalam kasus umum kedua, seperti yang dibahas secara rinci dalam Bab 2 dan 3,
SNR dalam sinar-X dan kedokteran nuklir sebanding dengan akar kuadrat dari jumlah
sinar-X dan sinar-c yang terdeteksi. Jumlah ini tergantung pada banyak faktor termasuk
dosis keluaran tabung sinar-X atau jumlah
Efek noise pada kualitas gambar untuk gambar MR. Saat standar deviasi (r) noise
meningkat (dari atas ke bawah), fitur di dalam gambar menjadi tidak dapat dibedakan.
Rata-rata sinyal untuk meningkatkan SNR gambar. (a) Gambar MR diperoleh dalam
satu pemindaian, (b) dua pemindaian identik dirata-ratakan bersama, (c) empat
pemindaian, dan (d) enam belas pemindaian.
unsur radioaktif yang disuntikkan dan seberapa banyak radiasi yang diserap di dalam
tubuh. Batas akhir SNR adalah dosis radiasi untuk pasien, dengan batas yang
dikendalikan oleh berbagai pedoman pemerintah di seluruh dunia. Gambar sinar-X pada
umumnya memiliki SNR yang sangat tinggi, tetapi untuk pemindaian kedokteran nuklir
jumlah sinar-c yang terdeteksi jauh lebih rendah, sehingga waktu pemindaian lebih lama
dibandingkan dengan pemindaian sinar-X, dengan total waktu dibatasi oleh kenyamanan
pasien.
Rasio kontras-ke-noise
Bahkan jika gambar tertentu memiliki SNR yang sangat tinggi, itu tidak berguna
secara diagnostik kecuali ada CNR yang cukup tinggi untuk dapat membedakan antara
jaringan yang berbeda, dan khususnya antara jaringan sehat dan jaringan patologis.
Berbagai definisi kontras gambar ada, yang paling umum adalah:
di mana CAB adalah kontras antara jaringan A dan B, dan SA dan SB masing-masing
adalah sinyal dari jaringan A dan B. CNR antara jaringan A dan B didefinisikan dalam
hal SNR masing-masing dari dua jaringan
di mana rN adalah standar deviasi kebisingan. Selain kontras intrinsik antara jaringan
tertentu, CNR jelas bergantung pada SNR gambar dan resolusi spasial. Misalnya, pada
Gambar 1.1, resolusi spasial yang menurun pada Gambar 1.1(b) mengurangi CNR
gambar karena efek 'volume parsial'. Ini berarti bahwa kontras antara lesi dan jaringan
sehat berkurang, karena voxel (piksel volumetrik) mengandung kontribusi dari lesi
kontras tinggi, tetapi juga dari jaringan sekitarnya karena PSF yang melebar. Gambar
1.1(c) dan Persamaan (1.6) menunjukkan bahwa pengurangan SNR juga mengurangi
CNR
Penyaringan gambar
Setelah data diperoleh dan didigitalkan dan gambar direkonstruksi, peningkatan lebih
lanjut dapat dilakukan dengan memfilter gambar. Proses ini serupa dengan yang tersedia
di banyak produk perangkat lunak untuk fotografi digital. Filter tertentu yang digunakan
tergantung pada modalitas pencitraan, dan karakteristik gambar yang paling perlu
ditingkatkan. Jenis filter yang paling sederhana adalah high-pass atau low-pass, mengacu
pada karakteristik mereka dalam domain frekuensi spasial, yaitu filter high-pass
menonjolkan komponen frekuensi spasial tinggi dalam gambar, dan sebaliknya. Spasial
tinggi frekuensi sesuai dengan objek kecil dan tepi dalam gambar, dan jadi ini 'dipertajam'
menggunakan filter high-pass, sehingga meningkatkan resolusi spasial. Namun, noise
yang ada dalam gambar, karena memiliki variasi piksel-ke-piksel yang acak, juga sesuai
dengan frekuensi spasial yang sangat tinggi, sehingga SNR dari gambar yang difilter
high-pass menurun, seperti yang ditunjukkan pada Gambar 1.10. Oleh karena itu, filter
lolos tinggi cocok untuk gambar dengan SNR intrinsik yang sangat tinggi, yang bertujuan
untuk melihat detail yang sangat halus.
Filter khusus juga dapat digunakan untuk mendeteksi tepi dalam gambar, misalnya.
Proses ini sangat berguna jika tujuannya adalah untuk mengelompokkan gambar ke dalam
kompartemen jaringan yang berbeda. Karena tepi memiliki gradien yang curam dalam
intensitas sinyal dari satu piksel ke piksel yang berdekatan, seseorang dapat
mempertimbangkan pendekatan dasar untuk mengukur kemiringan.
Efek penyaringan low-pass dan high-pass. Filter low-pass meningkatkan SNR dengan
mengorbankan resolusi spasial: filter high-pass meningkatkan resolusi spasial tetapi
mengurangi SNR
citra dengan melakukan turunan spasial. Karena deteksi tepi juga memperkuat noise pada
gambar, proses ini biasanya diikuti oleh beberapa bentuk low-pass filtering untuk
mengurangi noise. Contoh yang sangat sederhana tentang bagaimana gambar dapat
difilter dalam praktiknya adalah konvolusi gambar dengan 'kernel' filter tertentu. Ini dapat
diwakili oleh matriks kecil, ukuran tipikal adalah 3 3 3. Dalam contoh satu dimensi yang
ditunjukkan pada Gambar 1.11, proses konvolusi gambar melibatkan menggeser kernel
melintasi gambar, mengalikan setiap piksel dengan komponen kernel yang sesuai. , dan
mengganti piksel tengah dengan jumlah nilai-nilai ini. Kernel kemudian dipindahkan oleh
satu piksel dalam dimensi horizontal dan proses tersebut diulang sampai kernel telah
diterapkan ke semua piksel dalam dimensi horizontal ini. Dalam contoh pada Gambar
1.11, gambar asli memiliki satu piksel dengan nilai yang sangat tinggi (32) dibandingkan
dengan piksel di sekitarnya. Setelah penyaringan, perbedaannya jauh lebih rendah,
menunjukkan efek filter perataan rendah. Untuk penyaringan dua dimensi, proses di atas
diulangi untuk baris piksel berikutnya sampai seluruh gambar tertutup.
Contoh numerik yang menunjukkan penerapan kernel konvolusi low-pass. Gambar asli
disaring, dengan intensitas gambar 3, 32, 5 dan 6 (diarsir) masing-masing digantikan oleh
a, b, c dan d, pada gambar yang difilter. Nilai-nilai ini dihitung seperti yang ditunjukkan
oleh istilah-istilah dalam kurung untuk memberikan nilai-nilai yang ditunjukkan di grid
bawah.
Ini adalah demonstrasi penyaringan yang sangat sederhana. Dalam praktiknya, banyak
pendekatan matematis yang lebih canggih dapat digunakan untuk mengoptimalkan
kinerja filter yang diberikan sifat-sifat gambar tertentu. Hal ini terutama benar jika MTF
sistem diketahui, dalam hal ini teknik penyaringan atau dekonvolusi yang 'cocok' dapat
digunakan.
Aliran data dari modalitas pencitraan medis yang berbeda untuk menghasilkan
keluaran digital.
Contoh 1.2 : Berapa perbedaan tegangan minimum yang dapat diukur dengan ADC 5
volt, 12-bit?
Solusi : Ada 4.096 level berbeda yang dapat diukur oleh ADC, dengan nilai dari 25
hingga 5 volt (perhatikan bahwa tegangan maksimum ADC mengacu pada nilai positif
dan negatif). Oleh karena itu, perbedaan tegangan minimum diberikan oleh 10/4096 =
2,44 mV.
Bahkan ADC dengan resolusi sangat tinggi tidak dapat mereproduksi sinyal analog
dengan sempurna. Perbedaan antara sinyal input analog yang sebenarnya dan output
digital disebut kesalahan 'kuantisasi', dan kesalahan ini menjadi lebih kecil semakin besar
jumlah bit, seperti yang ditunjukkan pada Gambar 1.14. Dari Gambar 1.14, juga dapat
dilihat bahwa nilai kesalahan kuantisasi terletak antara 0 dan 6 1/2 dari resolusi ADC.
Untuk meminimalkan kontribusi relatif dari kesalahan kuantisasi, oleh karena itu,
tegangan input ke ADC harus sebesar mungkin, tanpa 'jenuh' yaitu melebihi nilai
maksimum ADC (yang mengarah ke artefak). Karena tegangan pada keluaran berbagai
detektor bisa sangat kecil, dari orde mikro atau milivolt, penguat digunakan dengan
penguatan yang cukup untuk memberikan sinyal untuk mengisi ADC.
Rentang dinamis dan kesalahan kuantisasi. (a) Sinyal sinusoidal analog yang akan
didigitalkan. (b) Sinyal direkam oleh ADC tiga bit (garis gelap) dan kesalahan kuantisasi
(garis putus-putus). (c) Plot yang sesuai untuk ADC lima bit, dan (d) ADC enam bit
Oversampling digital
Ada sejumlah masalah dengan skema sampling sederhana yang dijelaskan di bagian
sebelumnya. Pertama, filter analog tidak dapat dibuat benar-benar 'tajam' (dan memiliki
masalah lain seperti penundaan grup dan pergeseran fasa yang bergantung pada frekuensi
yang tidak dibahas di sini). Kedua, resolusi ADC 14- atau 16-bit mungkin tidak cukup
untuk menghindari noise kuantisasi, tetapi ADC dengan resolusi lebih tinggi biasanya
tidak memiliki laju pengambilan sampel yang cukup tinggi dan sangat mahal. Untungnya,
ada metode yang disebut oversampling, yang dapat mengatasi kedua masalah tersebut [3].
Oversampling, seperti namanya, melibatkan pengambilan sampel sinyal pada frekuensi
yang jauh lebih tinggi daripada yang disyaratkan oleh teorema Nyquist. Proses tersebut
diilustrasikan pada Gambar 1.16. Karena bandwidth tegangan digital jauh lebih tinggi
daripada bandwidth sebenarnya dari sinyal yang diinginkan, tepi filter analog
ditempatkan jauh dari sinyal aktual, dan ketajaman filter tidak lagi menjadi masalah
(masalah lain penundaan kelompok dan pergeseran fasa juga hilang). Filter digital
sekarang diterapkan pada data sampel untuk memilih hanya bandwidth yang diinginkan:
filter digital dapat dirancang untuk memiliki transisi yang sangat tajam. Pada
Ilustrasi oversampling digital. Langkah pertama adalah menerapkan filter low-pass
analog untuk menghilangkan komponen spektral dan noise pada frekuensi yang jauh lebih
tinggi daripada bandwidth sinyal. Data disampel pada frekuensi yang jauh lebih besar
daripada frekuensi Nyquist. Filter bandpass digital digunakan untuk memilih hanya
bandwidth yang diinginkan. Akhirnya, proses penipisan (rata-rata titik data yang
berdekatan) digunakan untuk mengurangi kebisingan kuantisasi dari spektrum akhir.
Pada tahap ini, data yang difilter memiliki N kali lebih banyak titik data (di mana N
adalah faktor oversampling) seperti yang akan diperoleh tanpa oversampling, dan langkah
terakhir adalah 'menghancurkan' data, di mana titik data berturut-turut dirata-ratakan
bersama. . Karena kesalahan kuantisasi dalam titik data alternatif diasumsikan acak,
kebisingan kuantisasi dalam kumpulan data yang dihancurkan berkurang. Untuk setiap
faktor empat dalam oversampling, resolusi ekivalen dari ADC meningkat sebesar 1-bit.
Artefak gambar
Istilah 'artefak' mengacu pada sinyal apa pun dalam gambar yang disebabkan oleh
fenomena yang terkait dengan proses pencitraan, tetapi yang mendistorsi gambar atau
memperkenalkan fitur nyata yang tidak memiliki pasangan fisik. Ada banyak contoh
spesifik untuk setiap modalitas pencitraan: misalnya, gerakan pada MRI, beberapa
refleksi dalam ultrasound, dan artefak yang diinduksi logam pada CT dan MRI dari
implan. Mengenali penyebab artefak tersebut merupakan tugas penting bagi orang yang
menafsirkan gambar. Beberapa contoh ditunjukkan pada Gambar 1.17: banyak contoh
lainnya dibahas secara rinci dalam bab-bab yang relevan.
Transformasi Fourier
Transformasi Fourier merupakan bagian integral dari pemrosesan citra untuk semua
modalitas citra yang tercakup dalam buku ini. Dalam MRI, sinyal diperoleh dalam
domain frekuensi spasial, dan sinyal mengalami Fourier invers multi-dimensi
Contoh artefak gambar. (a) Gerakan pada MRI menyebabkan munculnya garis ekstra
pada gambar (panah), (b) bayangan akustik dalam ultrasound menghasilkan lubang hitam
pada gambar (panah), dan (c) implan logam menyebabkan 'artifak coretan' di gambar CT.
transformasi untuk menghasilkan gambar. Dalam CT, SPECT dan PET, algoritma
proyeksi balik yang difilter diimplementasikan menggunakan transformasi Fourier.
Dalam pencitraan ultrasonik, plot Doppler spektral adalah hasil transformasi Fourier dari
sinyal Doppler terdemodulasi domain waktu. Bagian ini merangkum matematika dasar
dan sifat-sifat transformasi Fourier, dengan penekanan pada sifat-sifat yang relevan
dengan modalitas pencitraan yang dibahas.
Transformasi Fourier terbalik dari sinyal domain frekuensi, S(f), diberikan oleh:
Transformasi Fourier maju dari sinyal domain spasial, q(x), memiliki bentuk
Beberapa pasangan Fourier yang berguna ditunjukkan pada Gambar 1.18: masing-
masing fungsi tertentu terjadi dalam banyak contoh dalam modalitas pencitraan medis
yang dibahas di sini. Dalam pencitraan, sinyal jelas sering diperoleh di lebih dari satu
dimensi, dan rekonstruksi gambar kemudian memerlukan transformasi Fourier multi-
dimensi. Misalnya, MRI secara intrinsik memperoleh data ruang-k dua dimensi, di mana
pasangan Fourier diberikan oleh:
Tiga pasangan transformasi Fourier yang umum digunakan dalam rekonstruksi citra
dan spektral.
Untuk akuisisi data MRI tiga dimensi, transformasi Fourier terbalik tiga dimensi yang
sesuai dari k-space ke domain spasial diperlukan. Transformasi Fourier dimensi yang
lebih tinggi ini biasanya diimplementasikan sebagai transformasi satu dimensi berurutan
di sepanjang dimensi masing-masing. Misalnya, ini berarti bahwa transformasi Fourier
dua dimensi dari fungsi f(x,y) dapat diimplementasikan dengan terlebih dahulu
melakukan transformasi Fourier satu dimensi sepanjang sumbu x, dan kemudian
transformasi Fourier kedua sepanjang y- sumbu. Algoritma komputasi yang sangat efisien
menjadikan transformasi Fourier salah satu transformasi matematis tercepat untuk
dilakukan.
Sifat-sifat yang berguna dari transformasi Fourier
Untuk memahami banyak aspek pencitraan medis, baik dalam hal resolusi spasial
yang melekat pada modalitas pencitraan tertentu dan juga Gambar 1.18 Tiga pasangan
transformasi Fourier yang biasa digunakan dalam rekonstruksi citra dan spektral. 22 Efek
karakteristik gambar umum pasca-pemrosesan gambar, sejumlah sifat matematika dari
transformasi Fourier sangat berguna. Contoh yang paling relevan tercantum di bawah ini,
dengan contoh spesifik dari modalitas pencitraan yang tercakup dalam buku ini.
di mana mewakili transformasi Fourier maju dari kiri ke kanan, dan transformasi
Fourier terbalik dari kanan ke kiri. Teorema ini menunjukkan bahwa ketika sinyal
yang diperoleh, misalnya, jumlah dari sejumlah fungsi sinusoidal yang berbeda,
masing-masing dengan frekuensi yang berbeda dan amplitudo yang berbeda, maka
amplitudo relatif dari komponen ini dipertahankan ketika data ditransformasikan
Fourier, seperti yang ditunjukkan pada Gambar 1.19.
b) Lilitan. Jika dua sinyal dikalikan bersama, maka sinyal dalam domain Fourier
diberikan oleh konvolusi dari dua komponen individu yang ditransformasikan Fourier,
misalnya
Sinyal domain waktu (tengah) terdiri dari tiga sinyal domain waktu yang berbeda
(kiri). Spektrum frekuensi transformasi Fourier (kanan) menghasilkan sinyal untuk
masing-masing dari tiga frekuensi dengan amplitudo yang sama seperti pada data
domain waktu
Korespondensi antara perkalian dalam satu domain (waktu di atas) dengan konvolusi
di domain Fourier yang sesuai (frekuensi di bawah). Sinyal domain waktu di kiri atas
dapat direpresentasikan sebagai gelombang sinus yang panjangnya tak terhingga
dikalikan dengan periode pengambilan sampel hingga (persegi panjang) dan fungsi
eksponensial. Contoh dari jenis fungsi ini adalah sinyal MR atau pulsa ultrasound.
Dalam domain frekuensi, fungsi Lorenzian (kiri bawah) diberikan oleh konvolusi
fungsi delta, fungsi sinc dan fungsi Lorenzian lain yang merupakan transformasi
Fourier dari fungsi domain waktu yang sesuai.
Secara umum, gambar dapat diwakili oleh objek aktual yang dililitkan dengan PSF
untuk modalitas pencitraan tertentu yang digunakan. Tiga contoh konvolusi yang
dibahas dalam buku ini adalah efek dari beamwidth terbatas dalam pencitraan
ultrasound, ketidaktajaman geometrik dalam pencitraan sinar-X dan nilai T2 pendek
pada MRI. Konvolusi juga merupakan bagian integral dari pemfilteran gambar dan
algoritme proyeksi balik
c) Hukum skala. Jika sinyal domain waktu atau domain spasial diskalakan oleh faktor b
dalam domain tertentu, yaitu diregangkan atau dikompresi, maka transformasi
Fouriernya diskalakan oleh faktor terbalik, yaitu:
Ada banyak contoh yang dibahas dalam buku ini. Sudah diuraikan adalah hubungan
antara PSF dan MTF, dan LSF dan MTF satu dimensi. Karena parameter terkait
dengan transformasi Fourier semakin luas LSF, misalnya, semakin sempit MTF, dan
sebaliknya, seperti yang ditunjukkan pada Gambar 1.21.
Proses proyeksi balik. (a) Dari objek bulat kecil dengan intensitas sinyal seragam,
delapan proyeksi diperoleh dengan kenaikan sudut 45 . Delapan proyeksi ditunjukkan
pada (b) dengan area gelap yang sesuai dengan intensitas sinyal tertinggi. (c) Proses
proyeksi balik melibatkan penjumlahan dari gambar-gambar yang ditunjukkan pada
(b). Sebuah 'artefak bintang' yang signifikan terlihat karena sedikitnya jumlah
proyeksi.
Efek dari jumlah proyeksi yang berbeda (N) pada gambar yang diproyeksikan
kembali. Objeknya adalah persegi dengan intensitas sinyal yang seragam (paling kiri).
Dengan delapan proyeksi, ada sinyal signifikan di area yang jauh dari objek. Ketika
jumlah proyeksi meningkat, rekonstruksi meningkat, dengan rekonstruksi yang dapat
digunakan secara sempurna dengan 90 proyeksi dan rekonstruksi yang hampir
sempurna dengan 360 proyeksi
di mana n adalah jumlah proyeksi. Jelas, parameter akuisisi data yang penting adalah
jumlah proyeksi yang diperoleh. Jika terlalu sedikit proyeksi yang diperoleh, maka
artefak gambar yang signifikan terjadi dalam rekonstruksi data: Gambar 1.24
menunjukkan contoh dari apa yang disebut artefak 'garis' ini.
Sinogram
Metode umum untuk menampilkan data proyeksi adalah sinogram, di mana
proyeksi diplot sebagai fungsi sudut u. Untuk mengurangi ality dimensi plot, proyeksi
diplot dengan amplitudo sinyal yang diwakili oleh kecerahan sinogram, dengan
amplitudo tinggi sesuai dengan piksel terang, dan amplitudo rendah ke piksel gelap.
Seperti yang ditunjukkan pada Gambar 1.25, sinogram dapat digunakan untuk
mendeteksi adanya gerakan pasien, yang terlihat sebagai diskontinuitas sinyal.
Gerakan seperti itu dapat menyebabkan artefak parah pada gambar yang
direkonstruksi.
Filtered backprojection
Proses backprojection seperti dijelaskan sampai sekarang memiliki masalah
yang melekat dalam menghasilkan intensitas sinyal di luar objek yang sebenarnya,
seperti yang ditunjukkan pada Gambar 1.23 dan 1.24. Meskipun efek ini dapat
dikurangi dengan meningkatkan jumlah proyeksi yang diperoleh dan diproses,
penggunaan proyeksi dalam jumlah yang sangat besar akan menyebabkan beberapa
gambar kabur. Efek ini dipahami dengan baik, dan analisis matematis menunjukkan
bahwa menerapkan fungsi filter yang sesuai untuk setiap proyeksi sebelum proyeksi
balik dapat mengurangi keburaman ini [4]. Filter diterapkan melalui konvolusi: efek
pada proyeksi yang sangat sederhana ditunjukkan pada Gambar 1.26
Contoh sinogram dari suatu objek yang tidak bergerak selama pemindaian
(kiri) dan yang bergerak kira-kira setengah jalan melalui pemindaian (kanan), gerakan
terlihat sebagai perpindahan dalam sinogram
Pengaruh menggulung proyeksi p(r,u) dengan fungsi filter spasial h(r). Lobus
negatif diproyeksi yang disaring meminimalkan 'artefak bintang' dalam gambar yang
direkonstruksi.
Secara intuitif, orang dapat melihat bahwa lobus negatif yang diperkenalkan di
sekitar tepi proyeksi akan membatalkan sinyal 'kabur' positif yang tidak diinginkan di
sekitar tepi objek. Dari sudut pandang praktis, penting bahwa proses proyeksi balik
yang difilter menjadi seefisien mungkin secara komputasi, karena pemrosesan gambar
medis secara real-time memungkinkan perencanaan gambar interaktif saat pasien
berada di pemindai. Seperti yang dijelaskan sejauh ini, proyeksi difilter dalam domain
spasial, dan proyeksi terfilter yang dihasilkan, p#(r,u), dapat direpresentasikan
sebagai:
Proses proyeksi balik yang difilter. (a) Hantu Shepp–Logan. (b) Sinogram
yang dihasilkan dari phantom Shepp–Logan menggunakan 180 proyeksi. (c) Gambar
direkonstruksi menggunakan proyeksi balik sederhana tanpa penyaringan. Gambar
memiliki SNR yang sangat tinggi tetapi menunjukkan keburaman yang signifikan. (d)
Gambar direkonstruksi menggunakan proyeksi balik yang difilter dengan filter Ram–
Lak yang diterapkan. Tepi tajam di phantom terwakili dengan baik, tetapi SNR
berkurang secara signifikan. (e) Rekonstruksi dengan filter band-pass, yang
ditunjukkan pada Gambar 1.27, memberikan representasi objek yang baik.
Proyeksi yang difilter, P#(k,u), adalah Fourier terbalik yang diubah kembali
menjadi spasial-domain, dan diproyeksikan kembali untuk memberikan gambar akhir,
di mana F^-1 mewakili transformasi Fourier terbalik. Bentuk umum h(r) ditunjukkan
pada Gambar 1.26, dan berbagai contoh H(k) dalam domain frekuensi spasial
ditunjukkan pada Gambar 1.27.
Efek dari proyeksi balik terfilter dapat dilihat pada Gambar 1.28, yang
menggunakan a hantu Shepp-Logan. Ini adalah objek yang berisi besar dan kecil fitur,
dan sangat umum digunakan dalam menilai algoritma rekonstruksi citra.
Berbagai bentuk mewakili fitur yang berbeda di dalam otak, termasuk
tengkorak, ventrikel, dan beberapa fitur kecil yang tumpang tindih dengan struktur
lain atau ditempatkan berdekatan.