@phdthesis{Schielein2018,
  author    = {Schielein, Richard},
  title     = {Analytische Simulation und Aufnahmeplanung f{\"u}r die industrielle R{\"o}ntgencomputertomographie},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-169236},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2018},
  abstract  = {R{\"o}ntgencomputertomographie (CT) hat in ihrer industriellen Anwendung ein sehr breites Spektrum m{\"o}glicher Pr{\"u}fobjekte. Ziel einer CT-Messung sind dreidimensionale Abbilder der Verteilung des Schw{\"a}chungskoeffizienten der Objekte mit m{\"o}glichst großer Genauigkeit. Die Parametrierung eines CT-Systems f{\"u}r ein optimales Messergebnis h{\"a}ngt stark vom zu untersuchenden Objekt ab. Eine Vorhersage der optimalen Parameter muss die physikalischen Wechselwirkungen mit R{\"o}ntgenstrahlung des Objektes und des CT-Systems ber{\"u}cksichtigen. Die vorliegende Arbeit befasst sich damit, diese Wechselwirkungen zu modellieren und mit der M{\"o}glichkeit den Prozess zur Parametrierung anhand von G{\"u}temaßen zu automatisieren. Ziel ist eine simulationsgetriebene, automatische Parameteroptimierungsmethode, welche die Objektabh{\"a}ngigkeit ber{\"u}cksichtigt. Hinsichtlich der Genauigkeit und der Effizienz wird die bestehende R{\"o}ntgensimulationsmethodik erweitert. Es wird ein Ansatz verfolgt, der es erm{\"o}glicht, die Simulation eines CT-Systems auf reale Systeme zu kalibrieren. Dar{\"u}ber hinaus wird ein Modell vorgestellt, welches zur Berechnung der zweiten Ordnung der Streustrahlung im Objekt dient. Wegen des analytischen Ansatzes kann dabei auf eine Monte-Carlo Methode verzichtet werden. Es gibt in der Literatur bisher keine eindeutige Definition f{\"u}r die G{\"u}te eines CT-Messergebnisses. Eine solche Definition wird, basierend auf der Informationstheorie von Shannon, entwickelt. Die Verbesserungen der Simulationsmethodik sowie die Anwendung des G{\"u}temaßes zur simulationsgetriebenen Parameteroptimierung werden in Beispielen erfolgreich angewendet beziehungsweise mittels Referenzmethoden validiert.},
  subject      = {Computertomografie},
  language  = {de}
}
@phdthesis{Dremel2018,
  author    = {Dremel, Kilian},
  title     = {Modellbildung des Messprozesses und Umsetzung eines modellbasierten iterativen L{\"o}sungsverfahrens der Schnittbild-Rekonstruktion f{\"u}r die R{\"o}ntgen-Computertomographie},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-157718},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2018},
  abstract  = {In der computertomographischen Schnittbildgebung treten Artefakte, also Anteile des Ergebnisses auf, die nicht Teil des gemessenen Objekts sind und die somit die Auswertbarkeit der Ergebnisse beeinflussen. Viele dieser Artefakte sind auf die Inkonsistenz des Modells der Rekonstruktion zur Messung zur{\"u}ckzuf{\"u}hren. Gerade im Hinblick auf Artefakte durch die Energieabh{\"a}ngigkeit der rekonstruierten Schw{\"a}chungskoeffizienten und Abweichungen der Geometrieinformation des Rekonstruktionsmodells wird h{\"a}ufig der Weg einer Nachbearbeitung der Messdaten beschritten, um Rekonstruktionsartefakte zu vermeiden. Im Zuge dieser Arbeit wird ein Modell der computertomographischen Aufnahme mit Konzentration auf industrielle und materialwissenschaftliche Systeme erstellt, das nicht genutzt wird um die Messdaten zu ver{\"a}ndern, sondern um das Rekonstruktionsmodell der Aufnahmerealit{\"a}t anzupassen. Zun{\"a}chst werden iterative Rekonstruktionsverfahren verglichen und ein passender Algorithmus ausgew{\"a}hlt, der die gew{\"u}nschten Modifikationen des Aufnahmemodells erlaubt. F{\"u}r diese Modifikationen werden bestehende Methoden erweitert und neue modellbasierte Ans{\"a}tze entwickelt, die in den Rekonstruktionsablauf integriert werden k{\"o}nnen. Im verwendeten Modell werden die Abh{\"a}ngigkeiten der rekonstruierten Werte vom polychromatischen R{\"o}ntgenspektrum in das Simulationsmodell des Rekonstruktionsprozesses eingebracht und die Geometrie von Brennfleck und Detektorelementen integriert. Es wird gezeigt, dass sich durch die verwendeten Methoden Artefakte vermeiden lassen, die auf der Energieabh{\"a}ngigkeit der Schw{\"a}chungskoeffizienten beruhen und die Aufl{\"o}sung des Rekonstruktionsbildes durch Geometrieannahmen gesteigert werden kann. Neben diesen Ans{\"a}tzen werden auch neue Erweiterungen der Modellierung umgesetzt und getestet. Das zur Modellierung verwendete R{\"o}ntgenspektrum der Aufnahme wird im Rekonstruktionsprozess angepasst. Damit kann die ben{\"o}tigte Genauigkeit dieses Eingangsparameters gesenkt werden. Durch die neu geschaffene M{\"o}glichkeit zur Rekonstruktion der Kombination von Datens{\"a}tzen die mit unterschiedlichen R{\"o}ntgenspektren aufgenommen wurden wird es m{\"o}glich neben dem Schw{\"a}chungskoeffizienten die Anteile der Comptonabsorption und der photoelektrischen Absorption getrennt zu bestimmen. Um Abweichungen vom verwendeten Geometriemodell zu ber{\"u}cksichtigen wird eine Methode auf der Basis von Bildkorrelation implementiert und getestet, mit deren Hilfe die angenommene Aufnahmegeometrie automatisch korrigiert wird. Zudem wird in einem neuartigen Ansatz zus{\"a}tzlich zur detektorinternen Streustrahlung die Objektstreustrahlung w{\"a}hrend des Rekonstruktionsprozesses deterministisch simuliert und so das Modell der Realit{\"a}t der Messdatenaufnahme angepasst. Die Umsetzung des daraus zusammengesetzten Rekonstruktionsmodells wird an Simulationsdatens{\"a}tzen getestet und abschließend auf Messdaten angewandt, die das Potential der Methode aufzeigen.},
  subject      = {Dreidimensionale Rekonstruktion},
  language  = {de}
}
@phdthesis{Ullherr2021,
  author    = {Ullherr, Maximilian},
  title     = {Optimization of Image Quality in High-Resolution X-Ray Imaging},
  doi       = {10.25972/OPUS-23117},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-231171},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2021},
  abstract  = {The SNR spectra model and measurement method developed in this work yield reliable application-specific optima for image quality. This optimization can either be used to understand image quality, find out how to build a good imaging device or to (automatically) optimize the parameters of an existing setup. SNR spectra are here defined as a fraction of power spectra instead of a product of device properties. In combination with the newly developed measurement method for this definition, a close correspondence be- tween theory and measurement is achieved. Prior approaches suffer from a focus on theoretical definitions without fully considering if the defined quantities can be measured correctly. Additionally, discrepancies between assumptions and reality are common. The new approach is more reliable and complete, but also more difficult to evaluate and interpret. The signal power spectrum in the numerator of this fraction allows to model the image quality of different contrast mechanisms that are used in high-resolution x-ray imaging. Superposition equations derived for signal and noise enable understanding how polychromaticity (or superposition in general) affects the image quality. For the concept of detection energy weighting, a quantitative model for how it affects im- age quality was found. It was shown that—depending on sample properties—not detecting x-ray photons can increase image quality. For optimal computational energy weighting, more general formula for the optimal weight was found. In addition to the signal strength, it includes noise and modulation transfer. The novel method for measuring SNR spectra makes it possible to experimentally optimize image quality for different contrast mechanisms. This method uses one simple measurement to obtain a measure for im- age quality for a specific experimental setup. Comparable measurement methods typically require at least three more complex measurements, where the combination may then give a false result. SNR spectra measurements can be used to: • Test theoretical predictions about image quality optima. • Optimize image quality for a specific application. • Find new mechanisms to improve image quality. The last item reveals an important limitation of x- ray imaging in general: The achievable image quality is limited by the amount of x-ray photons interacting with the sample, not by the amount incident per detector area (see section 3.6). If the rest of the imaging geometry is fixed, moving the detector only changes the field of view, not the image quality. A practical consequence is that moving the sample closer to the x-ray source increases image quality quadratically. The results of a SNR spectra measurement represent the image quality only on a relative scale, but very reliable. This relative scale is sufficient for an optimization problem. Physical effects are often already clearly identifiable by the shape of the functional relationship between input parameter and measurement result. SNR spectra as a quantity are not well suited for standardization, but instead allow a reliable optimization. Not satisfying the requirements of standardization allows to use methods which have other advantages. In this case, the SNR spectra method describes the image quality for a specific application. Consequently, additional physical effects can be taken into account. Additionally, the measurement method can be used to automate the setting of optimal machine parameters. The newly proposed image quality measure detection effectiveness is better suited for standardization or setup comparison. This quantity is very similar to measures from other publications (e.g. CNR(u)), when interpreted monochromatically. Polychromatic effects can only be modeled fully by the DE(u). The measurement processes of both are different and the DE(u) is fundamentally more reliable. Information technology and digital data processing make it possible to determine SNR spectra from a mea- sured image series. This measurement process was designed from the ground up to use these technical capabilities. Often, information technology is only used to make processes easier and more exact. Here, the whole measurement method would be infeasible without it. As this example shows, using the capabilities of digital data processing much more extensively opens many new possibilities. Information technology can be used to extract information from measured data in ways that analog data processing simply cannot. The original purpose of the SNR spectra optimization theory and methods was to optimize high resolution x-ray imaging only. During the course of this work, it has become clear that some of the results of this work affect x-ray imaging in general. In the future, these results could be applied to MI and NDT x-ray imaging. Future work on the same topic will also need to consider the relationship between SNR spectra or DE(u) and sufficient image quality.This question is about the minimal image quality required for a specific measurement task.},
  subject      = {Bildqualit{\"a}t},
  language  = {en}
}