In industrial non-destructive testing, X-ray computed tomography (CT) plays an important role in the investigation of objects, i.e. for defect detection or for dimensional metrology. Currently, CT applications use standard trajectories like the circular or helical orbits in combination with the Filtered Backprojection (FBP) reconstruction algorithm. However, large or strongly attenuating objects cause absorption problems in specific directions. In such cases, specific features of the object cannot be sufficiently reconstructed due to the lack of information about it. In this thesis, we firstly introduce a task-based trajectory optimization algorithm that focuses on identifying preferable projections that maximize the information content for the subsequent reconstruction based on the CAD data of an object. Unlike other approaches that improve the reconstruction algorithm itself, our work focuses on pre-acquisition optimization, i.e. optimizing the acquisition trajectory before the actual scan takes place. The proposed algorithm uses a task-based detectability index based on different numerical model observers as objective functions. Secondly, we assess qualitatively and quantitatively the performance of different of such model observers versus different properties of the feature inside the object. These model observers incorporate knowledge about the feature itself and about the noise and spatial resolution around it. Both image characteristics will be approximated using predictors based on the Penalized-Likelihood (PL) reconstruction algorithm in order to reduce the computational effort. Our optimization algorithm provides more accurate and faster trajectory optimization compared to an earlier implementation in the literature. This has allowed us to test the various model observers for different properties. In general, an improvement of the reconstruction quality was achieved with all model observers and for all imaging tasks. We were also able to assign the performance of these models to specific acquisition schemes, e.g. the NPW model observer has provided better results for a small number of projections, while the PW model observer was a better choice for a large number. We concluded that there is no model that is optimal for all cases, but instead depends on the acquisition scheme (e.g. number of projections, complexity of the feature, etc.).     «

In industrial non-destructive testing, X-ray computed tomography (CT) plays an important role in the investigation of objects, i.e. for defect detection or for dimensional metrology. Currently, CT applications use standard trajectories like the circular or helical orbits in combination with the Filtered Backprojection (FBP) reconstruction algorithm. However, large or strongly attenuating objects cause absorption problems in specific directions. In such cases, specific features of the object cann...     »

Bei der zerstörungsfreien Prüfung spielt die Röntgen-Computertomographie (CT) eine wichtige Rolle bei der Untersuchung von Objekten, wie zum Beispiel, zur Fehlererkennung oder für metrologische Messungen. Heutige CT-Anwendungen verwenden Standardtrajektorien wie die typischen kreisförmigen oder spiralförmigen Bahnen in Kombination mit dem Filtered Backprojection (FBP)-Rekonstruktionsalgorithmus. Große oder stark absorbierende Objekte verursachen jedoch Absorptionsprobleme in bestimmten Richtungen. In solchen Fällen können Bestandteile des Objekts aufgrund fehlender Informationen nicht richtig rekonstruiert werden. In dieser Arbeit stellen wir zunächst einen aufgabenbasierten Trajektorienoptimierungsalgorithmus vor, der sich auf Basis der CAD-Geometrie eines Bauteils auf die Ermittlung der idealen Projektionen, welche die maximale Information für die anschließende Rekonstruktion beinhalten, konzentriert. Im Gegensatz zu anderen Ansätzen, die den Rekonstruktionsalgorithmus selbst verbessern, liegt der Schwerpunkt unserer Arbeit auf der Optimierung vor der eigentlichen Akquisition, d.h. bevor der tatsächliche CT-Scan stattfindet. Der vorgeschlagene Algorithmus verwendet einen aufgabenbasierten Detektionsindex, der als Zielfunktion auf mehreren numerischen Modellbeobachtern basiert. Anschließend bewerten wir qualitativ und quantitativ die Ergebnisse verschiedener Modellbeobachter im Vergleich zu verschiedenen Eigenschaften des Features innerhalb des Objekts. Diese Modellbeobachter integrieren Vorwissen über das Feature selbst sowie über das Rauschen und die räumliche Auflösung. Beide Bildmerkmale werden unter Verwendung von Prädiktoren auf der Grundlage des Penalized Likelihood (PL) Rekonstruktionsalgorithmus approximiert, um eine effiziente Berechnung zu ermöglichen. Die Ergebnisse zeigen, dass unser Optimierungsalgorithmus im Vergleich zu einer früheren Implementierung in der Literatur eine genauere und schnellere Trajektorienoptimierung bietet. Dies ermöglicht es uns, die Beobachtermodelle auf unterschiedliche Eigenschaften zu testen. Generell wurde bei allen Modellen und bei allen Aufgaben eine Verbesserung der Qualität der Rekonstruktion erreicht. Dennoch legen unsere Ergebnisse nahe, dass es kein optimales Modell für alle möglichen Anwendungen gibt. Stattdessen ist die Wahl des bestgeeignetsten Beobachtermodells abhängig vom Akquisitionsschema ab (z. B. Anzahl der Projektionen, Komplexität des Features, usw.).     «

Bei der zerstörungsfreien Prüfung spielt die Röntgen-Computertomographie (CT) eine wichtige Rolle bei der Untersuchung von Objekten, wie zum Beispiel, zur Fehlererkennung oder für metrologische Messungen. Heutige CT-Anwendungen verwenden Standardtrajektorien wie die typischen kreisförmigen oder spiralförmigen Bahnen in Kombination mit dem Filtered Backprojection (FBP)-Rekonstruktionsalgorithmus. Große oder stark absorbierende Objekte verursachen jedoch Absorptionsprobleme in bestimmten Richtunge...     »