Forbedring af billedkvalitet ved hjælp af optimering af processeringsparametre i digital radiografi

Af: Jane Kristine Rohde Hansen og Bo Rønne hold 59 Vejleder: Carsten A. Lauridsen Bachelor opgave Afleveret den 5. januar 2009 83.541 anslag inklusive mellemrum Professionshøjskolen Metropol Radiografuddannelsen Opgaven må gerne udlånes

Øverste billede på forsiden: skærmbillede af Canon MLT(S)

processeringsindstillinger.

Kilde: Canon - CXDI Image Processing Software MLT(S) -

USER'S MANUAL. Canon 2008 s 7.

Nederste billede på forsiden: røntgenbillede af et CDRAD-

fantom.

Kilde: Artinis - MANUAL CONTRAST-DETAIL PHANTOM

CDRAD 2.0 & CDRAD Analyser software Version 1.1. Artinis

Medical Systems S 20.

Abstract

Forbedring af billedkvalitet ved hjælp af optimering af

processeringsparametre i digital radiografi

Improving image quality by optimisation of processing

parameters in digital radiography

Indførelsen af digital radiografi har grundlæggende ændret radiografernes profession.

Denne teknologi tillader bl.a., at billedoptagelse, -bearbejdning og –visning kan

manipuleres uafhængigt af andre trin i billeddannelsen. Dette giver nye muligheder for

at billeder kan bearbejdes mhp. at fremstille bestemte strukturer eller patologi bedst

muligt, til gavn for patienterne. Digitaliseringen stiller ligeledes nye krav til viden om

de faktorer, der påvirker billeddannelsen og -kvaliteten. Alligevel har kun få har indsigt

i, hvordan processeringsalgoritmerne bearbejder og påvirker billederne.

I forskningsmæssig sammenhæng har relativt få studier gennemført systematiske

undersøgelser af, hvordan processeringsparameteroptimering kan forbedre billedkvalitet

/reducere patientdosis, skønt både international og dansk lovgivning påbyder dette.

Formålet med denne opgaven er at undersøge, hvordan billedkvaliteten af digitale

røntgenbilleder kan forbedres vha. optimering af processeringsparameter-indstillinger

fra to typer processeringssoftware – Phillips’ UNIQUE og Canons MLT(S).

Opgaven er overordnet inddelt i to hovedafsnit – en teoretisk del, der giver en

forståelsesramme for opgavens anden del, som præsenterer en besvarelse af opgavens

formål. Vi har valgt at gøre sidstnævnte vha. af såvel en teoretisk som en praktisk

tilgang. Den teoretiske vinkel belyses gennem analyse og diskussion af en

videnskabelig artikel omhandlende optimering af billedkvalitet vha.

processeringsparametre fra UNIQUE. Den praktiske vinkel belyses vha. analyse og

diskussion af et forsøg, vi har udført med processeringsparametre fra MLT(S).

Overordnet konkluderer vi, at billedkvaliteten kan forbedres vha. optimering af de

valgte processeringsparametre fra UNIQUE og MLT(S).

Vi finder, at en høj værdi af støjreducerende parametre kombineret med en lille værdi af

kantforstærkende parametre resulterer i den bedste billedkvalitet. Denne konklusion skal

dog tages med forbehold. Dels fordi det kun er et mindre udvalg af parametre, der er

undersøgt , dels fordi den anvendte metode til at måle billedkvalitet ikke kan stå alene,

når effekten af parameterkombinationerne skal evalueres.

Forbedring af billedkvalitet ved hjælp af optimering af processeringsparametre i digital radiografi

1. Problemstilling............................................................................................................s 1

2. Afgrænsning................................................................................................................s 3

3. Problemformulering....................................................................................................s 4

4. Nøgleord......................................................................................................................s 4

5. Overordnet metode......................................................................................................s 6

5.1 Opbygning af opgaven........................................................................................s 6

5.2 Begrundelse for og præsentation af valgte artikel..............................................s 6

5.3 Litteratursøgning............................................................................................... .s 7

5.4 Ordvalg................................................................................................................s 9

6. Første del - teoretisk baggrund................................................................................. s 10

6.1 CDRAD-fantom og IQF................................................................................... s 10

6.2 CDRAD-Analyser program..............................................................................s 12

6.3 Visual grading analysis (VGA) ........................................................................s 12

6.4 Faktorielle forsøgsdesigns................................................................................ s 13

6.5 Digital billeddataproduktion og –repræsentation............................................. s 15

6.6 Billedprocessering.............................................................................................s 17

6.6.1 Kontrast, brightness og LUT................................................................ s 17

6.6.2 Unsharp masking.................................................................................. s 18

6.6.3 Multifreqency processing (MFP) .........................................................s 20

Virkemåden bag MFP.............................................................. s 20

Opløsning i frekvensbånd....................................................... .s 20

Frequency processesing............................................................s 22

Rekonstruktion..........................................................................s 22

Udvalgte UNIQUE-parametre..................................................s 24

Udvalgte MLT(S)-parametre....................................................s 25

7. Anden del – optimering af processering...................................................................s 27

7.1 Teoretisk del – Eva Norrmans artikel...............................................................s 27

7.1.1 Beskrivelse af Eva Norrmans artikel ‘Optimization of image

process parameters through factorial experiments using a flat

panel detector’...................................................................s 27

7.1.2 Diskussion af Eva Norrmans resultater.................................................s 33

7.2 Praktisk del – forsøg.............................................................................s 36

7.2.1 Materialer og udstyr til forsøget............................................................s 36

7.2.2 Forsøgets udførelse...............................................................................s 36

7.2.3 Overvejelser i forbindelse med design af forsøg..................................s 38

Valg af røntgensystem og

billedbehandlingssoftware........................................................s 38

Valg af teknikfaktorer og forsøgsopstilling..............................s 39

Valg af metode til evaluering

af billedkvalitet.........................................................................s 39

Valg af processerings-parametre...............................................s 39

Praktiske hensyn ved forsøgets udførelse.................................s 42

7.2.4 Statistisk analyse af data.......................................................................s 43

Ensidig variansanalyse..............................................................s 43

Tukey-test..................................................................................s 44

7.2.5 Præsentation af forsøgsresultater..........................................................s 45

Tendenser i forsøgsresultaterne................................................s 45

Resultater af statistiske analyser...............................................s 49

7.2.6 Diskussion af forsøgsresultater.............................................................s 53

7.3 Samlet diskussion af Eva Norrmans artikel og vores forsøg............................s 55

8. Konklusion...............................................................................................................s 59

9. Perspektivering..........................................................................................................s 60

10. Litteraturliste...........................................................................................................s 61

11. Bilag....................................................................................................................... s 67

11.1 Bilagsoversigt....................................................................................................s 67

Bilag 1...............................................................................................................s 68

Bilag 2...............................................................................................................s 70

Bilag 3...............................................................................................................s 71

Bilag 4...............................................................................................................s 73

Bilag 5...............................................................................................................s 76

1

1. Problemstilling

Indførelsen af digitalt røntgenudstyr har ændret radiografien og dermed radiografernes

profession og arbejdsgang væsentligt – man kan ligefrem tale om et paradigmeskift (1).

Den digitale tidsalder tillader helt nye muligheder - eksempelvis lagres alle billeder i

elektroniske arkiver, hvilket bl.a. muliggør visning af samme billede flere steder på én

gang og fremsendelse af billeder over store afstande, hvilket åbner mulighed for

telemedicin. Et andet kendetegn ved digitaliseringen er, at billedoptagelse,

-bearbejdning og –visning er separerede processer, som kan manipuleres uafhængigt af

hverandre (2). Dette frembyder helt nye muligheder for at billeder kan bearbejdes mhp.

at fremstille bestemte strukturer eller bestemt patologi bedst muligt (3). Som følge af

dette, skabes der mulighed for at patientdosis kan reduceres, samtidig med at en høj

billedkvalitet bevares (4). Såvel en forbedring af diagnostikken som en reduktion af

dosis er til gavn for patienterne.

Da vi stod overfor at skulle vælge emne til denne opgave, ønskede vi at fordybe os i

noget, som vi manglede større indsigt i. Vi mente at digital radiografi ville være et godt

valg, bl.a. af følgende grunde:

I løbet af vores studietid har vi oplevet, at den digitale teknologi ikke blot byder på

mange nye muligheder, men også at den stiller nye krav til viden om de faktorer, der

påvirker billeddannelsen og -kvaliteten. Det er vores oplevelse, at mange muligheder

indenfor digital radopgrafi langt fra altid udnyttes optimalt, bl.a. pga. manglende

forståelse for, hvordan den digitale teknik fungerer. Det gælder på flere niveauer, både

blandt basisradiograferne og blandt folk med specialindsigt på området. Fx er det vores

oplevelse, at nogle radiografer med en ældre uddannelse er berøringsangste overfor

arbejdet med digital radiografi. Og kun få har indsigt i, hvordan

processeringsalgoritmerne bearbejder billederne, hvilke effekter de har på de færdige

billeders udseende, og hvordan de udnyttes i praksis.

At dette er en relevant problemstilling understøttes ligeledes i litteraturen. Her pointerer

flere, at udviklingen af den kliniske anvendelse af digital radiografi, ikke er begrænset

af manglen på tilgængelige teknikker, men mere af de professionelles forståelse for,

2

hvordan de fungerer (1, 5, 6). Problemstillingens relevans afspejles også af det faktum,

at processering har en udhyre stor effekt på det færdige billede og dermed på billedets

diagnostiske værdi (6, 7).

Den softwarebaserede og meget matematiske databehandling har sikkert en stor del af

skylden for denne manglende indsigt. Af andre faktorer med betydning kan nævnes, at

digital teknik indeholder langt flere variable end analoge røntgensystemer. De velkendte

teknik-faktorer som kV og mAs bør optimeres på ny i forhold til forskellige digitale

detektorer (pga. disses anderledes spektrale følsomhed (3, 8). Men særligt de mange

forskellige processeringsparametre giver et væld af muligheder for at manipulere med

billederne (2, 5).

Det er vores indtryk, at de mange potentielle kombinationsmuligheder af teknik- og

processeringsfaktorer ikke gennemprøves særlig systematisk mhp. optimering af

billedkvalitet og/eller reduktion af dosis. Sådanne tiltag er ellers lovmæssigt bestemt. I

både europæisk og dansk lovgivning påbydes det, at alle røntgenundersøgelser skal

optimeres mht. kvalitet og dosis (9, 10).

Gennemlæsning af diverse brugermanualer om billedprocessering har givet os det

indtryk, at disse ofte er overfladiske eller ligefrem mangelfulde. Endnu en forvirrende

faktor er, at forskellige producenters software indeholder forskellige parametre, som

grundlæggende virker mere eller mindre forskelligt, eller parametre, som har forskellige

navne trods lignende egenskaber. Samtidig er den videnskabelige litteratur på området

sparsom (11). Nogle studier undersøger effekten af en enkelt eller få

processeringsparametre (12-14), men få studier er mere omfattende og systematiske (4,

11, 15).

Vi mener således, at der er væsentlige grunde til at beskæftige sig mere med, hvordan

processeringssoftware til bearbejdning af digitale røntgenbilleder fungerer, og hvilke

effekter de har på røntgenbilledernes fremtræden og dermed på billedkvaliteten.

3

2. Afgrænsning

Der er mange aspekter ved digital radiografi, som kunne være interessante at fokusere

på i forhold maksimal udnyttelse af teknologiens muligheder for frembringelse af

diagnostisk gode røntgenbilleder. I denne opgave har vi valgt at fokusere på ét led i

fremstillingen af det færdige røntgenbillede, nemlig processering af ’'Digital X-ray'

(DX) røntgenbilleder. Vi vil gerne undersøge, hvordan røntgenbilleders billedkvalitet

kan forbedres vha. optimering af processeringsparametre. Vi ønsker at beskæftige os

med nogle udvalgte parametre fra to forskellige producenters processeringssoftware,

kaldet UNIQUE (produceret af Phillips) og MLT(S) (produceret af Canon).

Når man taler om billedkvalitet er det relevant at overveje, hvordan denne størrelse skal

måles og evalueres. Vi vil dog kun berøre denne problemstilling i det omfang, vi finder

det nødvendigt for at undersøge vores emne.

Optimering af billedkvalitet kædes ofte sammen med reduktion af dosis, fordi hensigten

med førstnævnte netop ofte er at reducere dosis. I denne opgave vil vores fokus være på

optimering af billedkvalitet, ikke på dosisreduktion.

4

3. Problemformulering

Hvordan kan billedkvaliteten af digitale røntgenbilleder forbedres vha. optimering af

processeringsparameter-indstillinger fra to typer processeringssoftware – UNIQUE og

MLT(S)?

4. Nøgleord

Billedkvalitet: denne størrelse er et vidt begreb, som kan beskrive forskellige kvaliteter

ved et røntgenbillede, alt afhængigt af billedets formål (16). Til brug i denne opgave har

vi valgt en definition baseret på to væsentlige og objektivt målbare egenskaber - den

rumlige opløsning og lavkonstrastopløsningen (17). Disse to størrelser kan udtrykkes i

én numerisk værdi i form af en ’Image Quality Factor’ (IQF). IQF kan måles objektivt

ud fra et røntgenbillede af et ’contrast-detail’-fantom (CDRAD-fantom) (18).

Digitalt røntgenbillede: denne betegnelse omfatter generelt alle former for ’Computed

Radiography’ (CR) og (DX), som er kendetegnede ved at billeddata eksisterer på

digital form (19). I denne opgave beskæftiger vi os udelukkende med DX. Når vi

anvender begrebet digitalt røntgenbillede, mener vi derfor et røntgenbillede optaget vha.

et DX-system.

Optimering: med dette begreb mener vi den proces, hvormed noget gøres optimalt i

forhold til et givent formål - her at forbedre billedkvaliteten.

Processeringsparametre: hermed mener vi de forskellige software-værktøjer, som

manipulerer det digitale billedes rådata mhp. at fremstille væsentlig information

indeholdt i billedets data.

Parameter-indstillinger: hermed menes det spænd af værdier, som den enkelte parameter

kan indstilles på.

5

Processeringssoftware: med dette mener vi software fra en given producent af

røntgenudstyr, indeholdende en samling af forskellige processeringsparametre. I denne

opgave fokuserer vi på UNIQUE og MLT(S).

6

5. Overordnet metode

I følgende afsnit vil vi give et overblik over opgavens indhold, beskrive vores

litteratursøgning, præsentere den litteratur, vi har udvalgt til besvarelse af

problemformuleringen samt gennemgå, hvorledes fagudtryk anvendes i opgaven.

5.1 Opbygning af opgaven

Opgaven er overordnet inddelt i to hovedafsnit – en teoretisk del (Første del - teoretisk

baggrund) indeholdende baggrundsinformation om relevante emner, der sidenhen

berøres under opgavens næste del (Anden del - optimering af processeringsparametre),

som udgør besvarelsen af problemformuleringen.

I opgavens anden del har vi valgt at besvare problemformuleringen vha. både en

teoretisk og en praktisk indgangsvinkel.

Den teoretiske vinkel udgøres af en videnskabelig artikel omhandlende optimering af

billedkvalitet vha. udvalgte processeringsparametre fra Phillips’ UNIQUE. Denne

artikels metodik og resultater vil vi beskrive og diskutere. En begrundelse for valget af

artiklen og en præsentation af dens forfatter følger nedenfor.

Den praktiske vinkel udgøres at et forsøg, vi selv har designet, udført, og hvis resultater,

vi har analyseret. Til dette forsøg har vi anvendt udvalgte processeringsparametre fra

Canon’s MLT(S). Vi vil beskrive forsøgsudførelsen og vores overvejelser i dennne

forbindelse, samt præsentere og diskutere dataanalysen og forsøgsresultaterne.

Vi vil derefter samle de vigtigste pointer fra disse to vinkler samt fra opgavens

teoretiske del, og diskuterer dette i en fælles diskussion - set i lyset af

problemformuleringens spørgsmål. Dette vil munde ud i en konklusion og en

perspektivering af de opnåede resultaters gyldighed og anvendelse indenfor vores

profession.

5.2 Begrundelse for og præsentation af valgte artikel

Til den teoretiske vinkel på besvarelsen af problemformuleringen, har vi valgt at

anvende artiklen Optimization of image process parameters through factorial

experiments using a flat panel detector. Artiklens hovedforfatter er Eva Norrman, og er

en del af hendes Ph.D-afhandling (20) ved Institut for Naturvidenskab på Örebro

7

Universitet i Sverige. Norrman er nu ansat som ansvarlig fysiker ved Örebro

Universitetshospital. Artiklen er publiceret i Physics in Medicine and Biology –

2007(4). I det efterfølgende vil vi referere til Eva Norrman eller hendes artikel som

’EN’.

Vi har valgt denne artikel, fordi den er en af de få systematiske, videnskabelige

undersøgelser af processeringsparametres effekt på billedkvalitet og af, hvorledes

billedkvalitet kan forbedres vha. parameteroptimering. EN’s forsøgsrække anvender

flere slags forsøgsdesigns og billedkvalitet-evalueringsmetoder, hvilket styrker

validiteten af hendes resultater. Ét af de anvendte forsøgsdesigns - det faktorielle

forsøgsdesign – har tjent som inspiration ved udformingen af vores eget forsøg. Vi har

været tiltrukket af dette forsøgsdesign, fordi det muliggør en systematisk, objektiv

undersøgelse af mange forskellige parameterkombinationer, både af de enkelte

parametres særegne effekter, og de samspil, der kan eksistere mellem parametre. Denne

systematiske tilgang mener vi, at mange andre undersøgelser af emnet har sprunget for

let hen over.

En anden årsag til valget af EN’s artikel er, at hun anvender samme eller lignende

udstyr som vi bruger i vores forsøg, hvilket muliggør en vis sammenligning af

resultaterne.

5.3 Litteratursøgning

Hovedparten af de anvendte artikler har vi fundet vha. søgninger i PubMed/MEDLINE.

Vi har både søgt bredt og snævert vha. følgende søgeord - alene eller i forskellige

kombinationer:

Brede søgeord:

‘digital x-ray’

‘image processing’

‘image quality’

‘algorithms’

‘optimization of postprocessing’

‘quality optimisation’

8

Specifikke søgeord:

‘multi frequency processing’, ‘multi objective frequency processing’,

‘multiscale processing’ og ‘MLT(S)’

‘multiscale image contrast amplification’ og ‘MUSICA’

’unified image quality enhancement’ og ‘UNIQUE’

‘unsharp masking’

Relevante artikler har vi brugt som udgangspunkt for videre søgninger, dels vha.

søgefunktionen ’related articles’ i PubMed/MEDLINE, dels ved at gennemgå

litteraturhenvisningerne fra de fundne artikler mhp. at finde nye referencer, primært

andre artikler og Ph.D. afhandlinger.

Fordi udbyttet fra søgninger på PubMed/MEDLINE i forhold til specifik litteratur om

forskellige slags processeringssoftware har været begrænset, har vi suppleret med

søgninger på Google med de specifikke søgeord. Herved har vi fundet flere relevante

artikler.

Vi har måttet konstatere, at det har været umuligt at anskaffe relevant litteratur om

Canons MLT(S), med undtagelse af forskellige udgaver af opsætnings- og

brugermanualer. Heller ikke personlig kontakt med en konsulent fra Santax (som sælger

Canons produkter) har givet udbytte. De anvendte opsætnings- og brugermanualer om

UNIQUE (21- 23) og MLT(S) (24-27) er venligst udleveret af de radiologiske

afdelinger på hhv. Rigshospitalet og Glostrup Hospital.

En tredje producents software – Agfas’ MUSICA – har været lettere tilgængelig mht.

fremskaffelse af litteratur. Da MUSICA, UNIQUE og MLT(S) er baserede på lignende

processeringsmetoder, har vi i den overordnede gennemgang af processeringsmetoderne

(beskrevet i afsnittet 6.6.3 Multifreqency processing), valgt at tage udgangspunkt i

MUSICA, selvom denne software ikke anvendes i opgaven. Vi vil supplere med teori

om de i opgaven undersøgte processeringsparametre vha. oplysninger fra de nævnte

manualer.

9

I forbindelse med udformningen af vores forsøgsdesign og den statistiske dataanalyse,

har vi anvendt flere lærebøger om faktorielt forsøgsdesign og statistisk dataanalyse (28-

30).

5.4 Ordvalg

I opgaven har vi valgt at anvende danske udtryk når disse er almindeligt kendte. I de

tilfælde, hvor der ikke findes gængse danske udtryk, har vi valgt at bruge de engelske

fagudtryk. Første gang det engelske udtryk optræder i teksten vil det være markeret med

’citationstegn’. Efterfølgende skrives udtrykket uden citationstegn.

10

6. Første del - teoretisk baggrund

I denne del af opgaven vil vi beskrive den underliggende teori bag de vigtigste begreber

og metoder, der anvendes i opgavens Anden del - optimering af

processeringsparametre.

Billedkvalitet kan måles og vurderes ved mange forskellige metoder, der spænder fra de

rent fysisk målbare til de observatørafhængige og mere klinisk anvendelige metoder (4).

Vi vil beskrive to metoder til at evaluere billedkvalitet. Den første er CDRAD-fantomet

og den tilhørende IQF. Desuden beskrives det analyseprogram, der beregner IQF. Både

EN og vi selv anvender CDRAD-fantom og analyseprogram.

Den anden billedkvalitet-evalueringsmetode er ’Visual Grading Analysis’ (VGA), som

er en metode, hvor anatomiske billeder vurderes ud fra opstillede kriterier. Denne

metode anvendes ligeledes af EN.

Dernæst vil vi give en kort indføring i de vigtigste principper i faktorielt forsøgsdesign,

fordi dette design anvendes af EN, ligesom vi selv har været inspireret af det under

opsætningen af vores forsøg.

Tilslut vil vi beskrive, hvorledes udvalgte processeringsmetoder fungerer. Vi vil her

først give en overordnet præsentation af digital datarepræsentation og af hele

processeringsforløbet for et digitalt røntgenbillede. Dernæst følger en beskrivelse af

virkningsmekanismerne for de valgte parametre fra UNIQUE og MLT(S), som

anvendes i hhv. EN’s og i vores eget forsøg.

6.1 CDRAD-fantom og IQF

CDRAD-fantomet består af en kvadratisk plade af plexiglas (PMMA) på 265 x 265 x 10

mm. Pladen er inddelt i 15 rækker og 15 søjler - dvs. i alt 225 felter. I de tre øverste

rækker er der i hver af disse firkanter boret ét hul, mens der i de øvrige rækker er boret

to huller. Hullernes diameter og dybde aftager logaritmisk fra 8,0 - 0,3 mm i hhv.

vertikal og horisontalt retning, således at hullerne bliver tiltagende mindre i både

diameter og dybde, når man bevæger sig fra øverste højre hjørne til nederste venstre

hjørne (31). Ændringen i huldiameter og –dybde repræsenterer hhv. variationen i rumlig

11

opløsning og i lavkontrastopløsning. Evnen til at afbilde disse huller, afspejler

røntgensystemets evne til at gengive små detaljer med lille kontrast (4, 31).

Billeder af CDRAD-fantomet kan både analyseres med det blotte øje og vha. et

computerprogram (fx CDRAD-Analyser). Uanset metode beregnes en IQF (se

nedenfor).

I hver firkant med to huller, vil det ene hul være placeret i centrum mens det andet hul

er placeret i et vilkårligt valgt hjørne. Under både visuel aflæsning og computerbaseret

analyse af et billede, skal positionen af det perifere hul bestemmes i de firkanter, som

ligger i grænseområdet mellem de akkurat synlige og de usynlige huller. De

observerede positioner sammenlignes med de sande positioner af hullerne.

IQF defineres som summen af produkterne af dybde og diameter af de akkurat-synlige

huller i hver række. Dette udtrykkes numerisk med formlen:

15

IQF = ∑ фi x Ci, th

i = 1

Hvor

i er søjlenummer (1-15)

th angiver ’threshold’ (dybden af det mindste akkurat synlige hul)

dvs.

Ci, th er dybden (i mm) af det mindste akkurat synlige hul

фi er huldiameteren (i mm) i søjle i

(32)

Jo mindre dybde og diameter de mindste synlige huller har, jo bedre høj- og

lavkontrastopløsning gengives af røntgensystemet. Derfor indikerer en mindre IQF-

værdi en bedre billedkvalitet. Typisk spænder IQF fra 20 til 100 (4).

12

IQF kan også udtrykkes som invers IQF (inv. IQF) – der beregnes som 1/IQF. Herved

opnås en ligefrem proportionalitet mellem numerisk værdi og billedkvalitet. I vores eget

forsøg har vi valgt denne måde at udtrykke IQF.

6. 2 CDRAD-Analyser program

Når computerprogrammet CDRAD-Analyser bruges til at beregne IQF, definerer

programmet først kanterne af fantomet (markeret med blyholdig maling). Kanterne

bruges til at bestemme positionerne af de 255 felter, som analyseres enkeltvist. I hvert af

disse felter identificerer programmet det centrale hul og afsøger så de fire hjørner mhp.

at lokalisere det perifere hul. Vha. en statistisk beregning afgøres det, om programmet

rent faktisk har fundet det perifere hul, eller om lokaliseringen er tilfældigt udført. Det

er muligt at ændre på signifikansniveau for programmet, hvilket ændrer fordelingen

mellem ’sande’ og ’tilfældige’ bestemmelser (31).

6.3 Visual grading analysis (VGA)

Hvis man benytter et antropomorft fantom eller evt. billeder af rigtige patienter til at

måle billedkvalitet, kan sådanne billeder vurderes vha. fx VGA, som er en subjektiv

evaluering udført af én eller flere observatører. En sådan metode er mere velegnet til at

vurdere den kliniske anvendelighed af et givent billede, sammenlignet med objektive

metoder som IQF (4).

Vurderingen af de undersøgte billeder udføres i forhold til et referencebillede, jævnfør

European Quality Criteria (EQC) (33). Ofte benyttes en absolut skala med fem trin fra

-2 til 2, hvor der til hvert trin hører en beskrivende term - ’meget dårligere’, ’dårligere’,

’ens’, ’bedre’ eller ’meget bedre’ end referencen. Inden analyse konverterer man oftest

data til tal, hvorved der kan udregnes en ’Visual grading analysis score’ (VGAS). Dette

udregnes som gennemsnittet af billederne i serien. Det skal bemærkes, at metoden

kritiseres for at mangle validitet, fordi sammenhængen mellem eksempelvis ’meget

dårlig’ og -2 er arbitrært valgt. Derfor er det statistisk forkert at udregne et gennemsnit i

form af VGAS (34).

13

6.4 Faktorielle forsøgsdesigns

EN anvender dette forsøgsdesign til nogle af sine forsøg, ligesom vi selv er inspireret af

det under opsætningen af vores forsøg. Der findes mange varianter af det faktorielle

forsøgsdesign, som er egnede til forskellige formål. Vi vil blot berøre de vigtigste

principper.

Faktorielle forsøg er grundlæggende opbygget således, at man vælger et bestemt antal

niveauer af et bestemt antal faktorer, og undersøger alle tænkelige kombinationer af

disse, hvor hver kombination udgør en observation. Fx anvendes hyppigt 2k-designet,

hvor man undersøger 2 niveauer (værdier) af k faktorer. De to niveauer kan eksempelvis

være høj og lav. Det måles, hvorledes de forskellige kombinationer af niveauer og

faktorer påvirker en given effektvariabel (28). En grafisk fremstilling af

kombinationsmulighederne i et faktorielt forsøgsdesign er illustreret i figur 1.

I denne opgave repræsenterer processeringsparametrene faktorerne, parameterværdierne

udgør niveauerne, mens effektvariablen er IQF. Dette uddybes nærmere i afsnit 7.1

Teoretisk del - Norrmans artikel.

Figur 1. Figuren illustrerer et faktorielt forsøgsdesign med 3 faktorer X1, X2 og X3, hver med 2 mulige niveauer. Dette udgør et såkaldt 23 forsøg. Hver kombination af en faktor og et niveau danner et hjørne i kuben Kilde: (35).

14

Faktorielle forsøgsdesign er en effektiv måde at undersøge både ’main effects’

(hovedeffekter) og ’interaction effects’ (interaktionseffekter) af mange faktorer på én

gang. En hovedeffekt defineres som den ændring i effektvariablen, som følger af at

ændre én faktors niveau fra lavt til højt. Hovedeffekten udtrykker således den

selvstændige effekt, som en given faktor har på effektvariablen.

En interaktionseffekt ses, når responset af én faktor afhænger af niveauerne af andre

faktorer. Dette viser, at de pågældende faktorer vekselvirker med hinanden, og effekten

på responsvariablen afhænger af egenskaberne ved denne interaktion. Tilstedeværelsen

af interaktionseffekter kan afsløres ved, at der ikke er en lineær sammenhæng mellem

effekten af en given faktor fra ét niveau til et andet niveau. Dette kan testes vha. et

såkaldt ’central composite design’, hvor der indføres ekstra datapunkter mellem

yderpunkterne (20, 28).

Når et faktorielt forsøgsdesigns planlægges, er det vigtigt at gøre sig hensigten klar.

Hvis det ønskes at screene et større antal faktorer mhp. at identificere dem med størst

effekt på effektvariablen, er et 2k-design med et stort interval mellem lav og høj værdi

ofte hensigtsmæssigt (20).

15

6.5 Digital billeddataproduktion og -repræsentation

Som følge af en eksponering vil hver pixel i en røntgendetektors matrix producere et

elektrisk signal, der er proportionelt med den absorberede strålingsenergi i den enkelte

pixel. Signalerne forstærkes, digitaliseres og transformeres, fx så pixelværdierne er

logaritmisk proportionelle med den absorberede strålingsenergi. Disse pixelværdier

udgør det eksponerede billedes rådata, og udgør materialet for den efterfølgende

processering (7, 36).

Rådata rummer tre typer af information: rumlig lokalisering (angiver en x, y position),

signalamplitude (som er proportionel med eksponeringsværdien og som omsættes til en

gråtoneværdi i billedet) og rumlig frekvens (som beskriver strukturstørrelser).

Høj rumlig frekvens-information (> 1 linjepar (lp)/mm) beskriver fine detaljer - fx

trabeklerne i en knogle - men beskriver samtidig en væsentlig del af billedstøjen. Lav

rumlig frekvens-information (< 0,1 lp/mm) beskriver større objekter og overordnede

ændringer i gråtoneværdi - fx mellem mediastinum og lunger. Mange

processeringsteknikker er baserede på amplitude- og rumlig frekvens-information (37,

38).

Diverse billedprocesseringsoperationer kan kategoriseres som præ-processering,

processering og post-processering alt afhængigt af, hvornår i forløbet data-

manipulationerne finder sted (37). Nøjagtigt hvilke processeringer, der anvendes

indenfor de forskellige kategorier, afhænger af producenten af røntgensystemets

hardware og software (39).

Hensigten med præ-processering er dels at producere rådata med en simpel relation til

den absorberede røntgenstråling, dels at korrigere for detektorsystemets fejl,

mangelfuldheder og uensartethed. Præ-processering omfatter typisk kortlægning af og

korrektion for døde pixels, fjernelse af elektronisk støj samt korrektion af inhomogenitet

mellem de enkelte pixelelementer Disse funktioner er indbyggede i detektorsystemet og

er uden for operatørens rækkevidde (36, 37).

16

Processering omfatter mange forskellige slags operationer, hvis egenskaber og

virkemåder afhænger af formålet med processeringen og af de enkelte producenters

softwaredesign.

Fælles er, at de virker på data således at én eller flere af følgende effekter på billedet

opnås:

• det fotograferede objekts dynamiske område fremstilles optimalt. Dette sker vha.

’exposure recognition’, som identificerer, hvilke eksponeringsværdier i rådata, der skal

repræsentere hhv. min. og maks. gråtoneværdierne i objektets dynamiske område.

Dernæst skal eksponeringsværdierne fra det valgte spænd af rådata præsenteres på en

passende gråtoneskala – dette sker vha. bestemte kontrastkurver (’look-up-table’ – LUT

- se nedenfor) (6, 36, 38).

• kontrasten i billedet gengives optimalt. Kontrastforstærkning har til hensigt at

optimere kontrastgengivelsen ved at øge kontrasten mellem lokale vævsstrukturer (lokal

kontrast) uden at ændre billedets overordnede kontrast (global kontrast). Herved opnås

et billede, der samtidig har høj kontrast og en bred eksponeringsspændvidde (36, 38).

• den rumlige opløsning af det digitale røntgensystem optimeres

(kantforstærkning). Kantforstærkning forbedrer synligheden af fine højkontrast detaljer,

som delvist går tabt fordi detektorsystemet mister noget af signalet under

dataopsamlingen. Teknikken virker ved at forstærke de højfrekvente signaler i billedet,

men har den side-effekt, at billedstøjen også forstærkes. En anden ulempe er, at

kantforstærkning kan introducere artefakter i billedet (36, 38).

• billedstøj undertrykkes. Støjreducerende processeringsmetoder forsøger at

mindske det visuelle indtryk af billedstøjen. Dette sker generelt ved at reducere

forstærkningen af de højfrekvente signaler, som både indeholder struktur- og

støjinformation. Konsekvensen af sådanne processeringer vil derfor reducere

skarpheden af de fine detaljer. Da kantforstærkning og støjereduktionsprocesseringer

således kommer i konflikt, er støjreducerende metoder forsøgt konstrueret således, at de

primært opererer i områder af billedet, som indeholder mindre mængder af fin-detaljeret

17

strukturinformation (36, 38), eller dæmper forstærkningen i undereksponerede områder,

som har et lille signal-støjforhold (hvor støjen er mere dominerende) (21).

Post-processering dækker over den manipulation, der kan udføres på det færdige

billede, fx på en PACS-station. Typisk drejer det sig om ændring af kontrast og

gråtoneværdier vha. window-level-manipulation. Sådanne ændringer er normalt ikke

permanente (37).

6.6 Billedprocessering

De overordnede processeringsværktøjer, der gennemgås i dette afsnit, er kontrast og

’brightness’ (og herunder LUT), ’Unsharp making’ og forskellige parametre indenfor

UNIQUE og MLT(S), som tilhører en processeringsklasse kaldet ’multifrequency

processesing’ (MFP). Alle disse parametre indgår i EN’s og/eller vores eget forsøg.

6.6.1 Kontrast, brightness og LUT

Kontrast og brightness påvirker billedets overordnede indtryk i form af kontrast og

lysstyrke. Det er en punktprocessering fordi den enkelte pixels værdi ændres uden

indflydelse fra nabopixelværdier. Punktprocesseringen kan være lineær (fx en additions-

funktion) eller non-lineær (fx en eksponentiel funktion) (39). Input- og outputværdierne

af en punktprocessering vises typisk vha. en tabel (look-up-table - LUT) eller en kurve,

som omsætter eksponeringsværdierne (input-værdierne) til gråtoner på display-

monitoren (output-værdierne), og dens form afhænger af den anvendte

punktprocessering. I digital radiografi anvendes oftest S-formede LUT-kurver, som

giver billedet et udseende, der ligner det fra film-folie systemerne - se figur 2.

Forskellige producenter tillader forskellige grader af kontrol over LUT-kurvens

udseende. Typisk kan kontrasten justeres ved at ændre hældningen af den rette del af

LUT-kurven, som benævnes gamma (39).

Gamma indgår som en af de undersøgte parametre i EN’s artikel. I vores eget forsøg

har vi valgt en lineær LUT-kurve frem for standard, der som nævnt er S-formet. Se

afsnit 7.2.3 Valg af processeringsparametre.

18

Figur 2. Figuren viser en LUT-kurve med outputværdier (gråtoneværdier) som funktion af inputværdier (eksponeringsværdier). Kontrasten i billedet justeres ved at ændre LUT- kurvens hældning, mens brightness justeres ved at flytte hele kurven til højre eller venstre. Kilde: (39) s 78.

6.6.2 Unsharp masking

Den mest anvendte processeringsteknik indenfor DX har traditionelt været ’unsharp

masking’ (UM), som oprindeligt var udviklet til at forbedre udseendet på thorax film-

foliebilleder (i begyndelsen af 80’erne) og siden blev udviklet til at optimere digitale

billeder på de første CR-systemer (Fuji, i begyndelsen af 90’erne) (36).

Vha. UM kan det fotograferede objekts dynamiske område reduceres mhp. at øge

kontrasten, ligesom UM kan bruges til kantforstærkning. Den klassiske UM har dog

flere uheldige side-effekter, bl.a. kan der introduceres artefakter omkring bratte

kontrastovergange i billedet (fx mellem en protese og vævet). Sådanne artefakter undgås

ved i stedet at benytte mere moderne processeringsmetoder som MFP (36, 39).

I korte træk virker UM ved, at en ’blurred’ (sløret) repræsentation af det originale

billede skabes. Dette kaldes et ’low-pass’ billede. Low-pass billedet subtraheres det

originale billede og herved skabes et ’high-pass’ billede, indeholdende den højfrekvente

19

billedinformation. High-pass billedet kombineres med det originale billede med en

passende vægtningsfaktor for således at opnå det kantforstærkede billede (36).

Det slørede low-pass billede dannes ved en såkaldt ’local neighbourhood operation’

vha. en ’kernel’ (et filter). Hver pixel i et ’neighbourhood’ svarende til kernel’ens

størrelse multipliceres med værdierne i kernel’en. Resultaterne af denne operationen

adderes og danner en ny pixelværdi i et nyt billede. Positionen af denne ny pixelværdi

svarer til positionen af kernel’ens center-pixel. (39). Processen er illustreret i figur 3.

Figur 3. Figuren illustrerer effekten af en 3x3 kernel. Værdien af hver pixel i et originalt billede bearbejdes med værdierne i de tilsvarende felter i kernel’en. Resultaterne af denne operationen adderes og danner en ny pixelværdi i et nyt billede. Kilde: (17) s 312.

Effekten af UM på det færdige billede afhænger af faktorer relateret til kernel’en – dens

værdier og dens størrelse. Effekten afhænger ligeledes af størrelsen af den

vægtningsfaktor (også kaldet forstærkningsfaktor), som kombinerer high-pass billedet

med originalbilledet (39). UM-kernel (UM-K) og UM-forstærkningsfaktor (UM-F) er to

parametre, som undersøges i EN’s artikel.

20

6.6.3 Multifreqency processing (MFP)

De nyeste processeringsmetoder er baserede på MFP, som principielt set anvender

samme teknik som UM, men processeringen er mere avanceret (36, 39). Fordelene er at

teknikken er mindre tilbøjelig til at producere artefakter og at billedets naturlige

udseende bevares. Til gengæld forstærkes dog en del billedstøj (40, 41).

MFP er den overordnede processeringsmetode, som de fleste af de i opgaven undersøgte

parametre falder ind under. Vi beskriver først princippet bag MFP og dernæst de

specifikke UNIQUE- og MLT(S)-parametre, som anvendes af EN eller os selv.

Virkemåden bag MFP

Som beskrevet i afsnittet ’Overordnet metode’, har vi måttet ty til Agfa’s MUSICA, for

at finde tilgængelig litteratur om MFP’s virkemåde. Vi formoder at MLT(S) og

UNIQUE har en del fællestræk med MUSICA mht. de grundlæggende principper for

nedbrydning af billedet i frekvensbånd (se nærmere nedenfor).

MUSICA er en forkortelse af ’Multiscale Image Contrast Amplification’. Overordnet

fungerer denne processering ved at opløse det originale billede (rådata) i et antal

billedelementer (frekvensbånd), som hver især repræsenterer individuelle frekvens- og

kontrastinformationer. Processeringsoperationene, hvis primære effekt er at forstærke

kontrasten i billedet, virker individuelt på de enkelte frekvensbånd, som tilslut atter

fusioneres til et færdigt og kontrastforstærket billede (40).

Opløsning i frekvensbånd

Opløsningen af billedet i frekvensbånd sker efter en transformationsmetode kaldet

’Laplacian pyramid transform’, hvor originalbilledet low-pass filtreres (sløres) med en

såkaldt ’5x5 Gaussian kernel’. Det heraf fremkomne billede halveres i opløsning (for at

reducere datamængden) og benævnes g1. Dette billede interpoleres til den originale

billedstørrelse, og subtraheres det originale billede. Produktet heraf er det første ’sub-

band’ billede – eller ’frekvensbånd’ (b0), som indeholder det fineste niveau i den

Laplacianske pyramide, dvs. de højeste frekvenser i billedet.

21

Processen gentages, nu på det reducerede low-pass billede fra før (g1), som low-pass

filtreres, halveres, interpoleres og subtraheres fra det forrige interpolerede low-pass

billede. Herved dannes et nyt frekvensbånd (b1), og så fremdeles indtil det sidste,

halverede billede fremkommer (gL), som kun fylder 1 pixel (40, 41) - se figur 4.

For hvert stadie i pyramideopløsningen reduceres detaljegraden trinvist, og

differencerne mellem de fortløbende, slørende filtreringer lagres i de tilhørende lag i

den Laplacianske pyramide. Disse udgør et antal frekvensbånd rummende den billedlige

information i form af detaljer på alle niveauer (40, 41). Et 2kx2k billede vil opløses i 11

frekvensbånd - også kaldet ’scales’ (heraf navnet ’multiscale frequency processing’)

(42).

Figur 4. Figuren viser første del af processeringen af et billede med MUSICA software. I venstre del opløses billedet i 11 frekvens bånd. Det højeste frekvensbånd kaldes g1 - det laveste g11. I højre del rekonstrueres billedet igen. Kilde: (41) s 93.

22

Frequency processesing

Den egentlige processering kan nu påføres de enkelte frekvensbånd, hvor der foretages

en non-lineær kontrastforstærkning, idet kontrasten af lavkontrast-stukturer forstærkes

mens kontrasten af højkontrast-strukturer mindskes. Herved øges synligheden af

strukturer med svag kontrast, samtidig med at billedets originale ’look’ bevares (40, 41).

Denne kontrast ’equalization’ er den basale og den væsentligste

billedforstærkningsmetode i MUSICA, og til mange undersøgelser er det den eneste

anvendte. Andre operationer kan dog også udføres, fx kantforstærkning (bruges til

ekstremitetsundersøgelser) og reduktion af det dynamiske område (benævnes ’lattitude

reduction’ i MUSICA - bruges fx til skulderundersøgelser) (41).

Et eksempel på disse MUSICA-parametres særegne effekt på et axial-billede af

Calcaneus ses i Figur 5.

Rekonstruktion

Efter processeringen er fuldført rekonstrueres billedet vha. den inverse transformation af

den Laplacianske pyramide. Processen udføres i den modsatte rækkefølge, startende fra

det største frekvensbånds-billede (40, 41).

En skematisk oversigt over principperne for MUSICA’s virkemåde ses i figur 6.

23

Figur 5. Figuren viser effekten af 3 MUSICA-processeringsparametre på et axial-billede af Calcaneus. På alle billederne er der valgt høje parameter værdier. Øverste venstre: Original billede. Øverste højre: Kantforstærkning. Små detaljer forstærkes meget, men der dannes også artefakter omkring kollimeringskanten. Nederste venstre: Kontrast equalization. Forstærker alle detaljer uden artefakt dannelse. Nederst højre: Lattitude reduction. Forbedrer synligheden af små og mellem store detaljer, men ikke i samme grad som Kontrast equalization. Eksempelvis er tæerne ikke synlige Kilde: (41) s 99.

24

Figur 6. Figuren illustrerer princippet i MUSICA-.processering med den Laplacianske pyramide. I venstre side ses nedbrydningen i frekvensbånd, i midten ses procesesseringen af individuelle frekvensbånd (både den grundlæggende ’contrast equalization’ og evt. supplerende processering), og til højre ses rekonstruktionen til det færdige, bearbejdede billede. Kilde: (41) s 97.

Udvalgte UNIQUE-parametre

UNIQUE er en forkortelse af ’Unified Image Quality Enhancement’. Følgende er

baseret på brugermanualerne til UNIQUE (21-23).

• ’ROI density’ bestemmer den gennemsnitlige gråtoneværdi i et område af størst

interesse (’Region of interest’ – ROI). Ændres ROI-density bliver hele billedet lysere

eller mørkere, hvilket svarer til at ændre brightness.

• ’Gamma’ repræsenterer hældningen på kontrastkurven og bestemmer den

overordnede kontrast i billedet, men påvirker ikke den lokale kontrast. En høj gamma

medfører således stor kontrast i billedet, men til gengæld et lille dynamisk område. Se i

øvrigt afsnittet ’Kontrast, brightness og LUT’.

• ’Noise compensation’ (NC) er en selektiv undertrykkelse af billedstøj.

Funktionen virker ved at undlade at forstærke højfrekvente strukturer i områder med

lille detektorsignal (lille SNR).

25

• ’Detail contrast enhancement’ (DCE) forstærker den lokale kontrast uden at

påvirke den globale kontrast.

• ’Unsharp-masking-kernel’ (UM-K – se afsnittet ’Unsharp masking’. Kaldes

også ’Sharpness kernel’).

• ’Unsharp-masking-forstærkningsfaktor’ (UM-F – se afsnittet ’Unsharp

masking’. Kaldes også ’Sharpness enhancement’).

Udvalgte MLT(S)-parametre

MLT(S) er en forkortelse af ‘Multiobjective Frequency Processing Function’. Denne

software er installeret på Santax DX, som vi har anvendt til vores forsøg. Følgende er

baseret på manualerne til MLT(S) (24-27).

MLT(S) indeholder tre overordnede processeringsfunktioner - ’Multiple frequency

processing’, ’Gradation conversion processing’ og ’Auto analysis processing’. Her

beskrives blot de tre funktioner i Multiple frequency processing, som vi har anvendt til

vores forsøg, nemlig ’Edge enhancement Effect’ (EE), ’Edge enhancement Frequency’

(EF) og ’Noise reduction’ (NR).

Edge enhancement forstærker kanter og dermed billedets skarphed. Parameteren er delt

i to under-parametre, nemlig ’Effect’ og ’Frequency-band’.

• Effect er vægtningsfaktoreren og bestemmer graden af forstærkning.

Forstærkningen sker på de enkelte frekvensbånd, som billedet er inddelt i.

Vægtningsfaktoren tilpasses automatisk den lokale kontrast af strukturerne, således at

højkontrast-strukturer forstærkes relativt mindre end lavkontrast-strukturer. Dette har til

hensigt at undgå uacceptabel forstærkning af støj.

Effect kan antage værdierne 1-20, hvor en højere værdi resulterer i en kraftigere

forstærkning.

26

• Med Frequency-band kan man vælge selektivt at øge forstærkningen af bestemte

frekvensbånd. Parameteren indeholder trinene 1-7, hvor en lavere frekvensværdi

resulterer i kraftigere forstærkning af større strukturer, mens en højere frekvensværdi

resulterer i kraftigere forstærkning af mindre strukturer. Canons manualer angiver ikke,

hvilke antal lp/mm i billedet, som de enkelte trin svarer til.

• Noise reduction reducerer billedstøjen ved at ekstrahere støj fra

strukturinformationen i de enkelte frekvensbånd. Opdelingen af data i hhv. støj- og

strukturinformation tager højde for detektordosis og kantovergange i billedet, da begge

forhold påvirker graden af støj. Noise reduction-parameteren kan antage værdierne 1-

10, hvor større værdier resulterer i en kraftigere støjreduktion (dvs. mere af rådata

henføres til støjkategorienj og fjernes fra billedet). For høje værdier kan resultere i

artefaktdannelse eller at noget af strukturinformationen i billedet går tabt.

27

7. Anden del - optimering af processeringsparametre

Denne del af opgaven udgør besvarelsen af problemformuleringen. Denne er inddelt i

en teoretisk del (EN’s artikel) og en praktisk del (vores eget forsøg), og resultaterne af

disse indfaldsvinkler samles mhp. en fælles diskussion.

Følgende afsnit omhandler artiklen af EN. Først beskrives artiklens metoder og

resultater overordnet, og dernæst følger en diskussion af disse.

7.1 Teoretisk del – Eva Norrmans artikel

7.1.1 Beskrivelse af Eva Norrmans artikel ‘Optimization of image process parameters

through factorial experiments using a flat panel detector’

En skematisk oversigt over indholdet af EN’s artikel samt faktuelle oplysninger vedr.

anvendt udstyr, er for overskuelighedens skyld anført i tabel 1.

Tabel 1. Oversigt over anvendte materialer, metoder og resultater fra Eva Norrmans artikel. Overordnede forsøgskarakteristika Detaljer om forsøg

Røntgen-system DX, flat-panel detektor Producent af processeringssoftware Phillips’ DigitalDiagnost Overordnet processeringsværktøj UNIQUE Undersøgte processeringsparametre ROI density

Gamma Detail contrast enhancement (DCE) UM-kernel (UM-K) UM-forstærkningsfaktor (UM-F) Noise compensation (NC)

Teknikparametre svarende til Undersøgelse af col. lumbalis Overordnet forsøgsdesign 1. For-forsøg designet jvf. faktorielle

forsøgsdesigns 2. Hovedforsøg med sammenligning af billeder i

forhold til referencebillede Materialer og målemetode til evaluering af billedkvalitet

1. CDRAD-fantom og COCIQ –analyse-software til måling af IQF

2. Alderson-fantom til vurdering af VGA-score Statistisk dataanalyse 1. Regressionsanalyse mm.

(CDRAD- billeder) 2. ’parret ordinal-data’ (Alderson-billeder)

Resultat

Ved optimering af UM-F, UM-K, DCE og NC kan samme IQF bibeholdes med 30 % dosisreduktion

28

EN undersøger dels effekten af udvalgte processeringsparametre på billedkvaliteten og

dels, hvorvidt billedkvaliteten kan fastholdes med en lavere effektiv patientdosis, ved at

ændre værdierne af visse processeringsparametre. EN’s forsøg er foretaget med

udgangspunkt i en undersøgelse af columna lumbalis. Først udføres et antal for-forsøg,

som bruges til at identificere de parametre og optimere de parameterværdier, der

resulterer i den bedste billedkvalitet. Disse optimerede parameterværdier anvendes så i

et hovedforsøg, hvor det undersøges om billedkvaliteten kan fastholdes, når den

effektive dosis reduceres. Som følge af hovedforsøgenes resultater, inkluderer EN

endnu en parameter i et opfølgende forsøg, svarende til et af for-forsøgene.

Til for-forsøgene bruges IQF som mål for ændringer i billedkvalitet (bemærk at en

stigning i IQF repræsenterer et fald i billedkvalitet). Der anvendes CDRAD-fantom og

et CDRAD-analyseprogram til produktion af data.

For-forsøgene spænder over tre forsøg designet i overensstemmelse med forskellige

varianter af faktorielle forsøgsdesigns (se afsnit 6.4 Faktorielle forsøgsdesigns). I første

omgang indgår fem processeringsparametre i forsøgene: ROI density, gamma, detail

contrast enhancement (DCE), unsharp masking kernel (UM-K) og unsharp masking

forstærkningsfaktor (UM-F).

I det 1. for-forsøg ’screenes’ de fem parametres effekt på IQF, som måles for hver

mulig kombination af de 5 parametre – og hver parameter afprøves ved hhv. en lav og

en høj værdi. Der anvendes brede intervaller af parameterværdier, fordi formålet er en

screening for, hvilke parametre, der er betydende.

Forsøget viser, at tre af de fem parametre har væsentlige hovedeffekter på IQF, nemlig

UM-F, UM-K og DCE. Når hver af parametrene ændres fra lave til høje værdier ses

følgende effekter på IQF: UM-F påvirker IQF positivt (dvs. ringere billedkvalitet), mens

UM-K og DCE påvirker IQF negativt (dvs. bedre billedkvalitet).

Forsøget viser også at der er interaktionseffekter mellem både to parametre (fx UM-F x

UM-K) og tre parametre (UM-F x UM-K x DCE), men forsøget kan ikke udrede den

underliggende mekanisme i disse interaktioner.

29

2. for-forsøg følger op på det første ved at anvende snævrere intervaller af

parameterværdier, som er tættere på klinisk anvendte værdier. Der anvendes ’central

composite forsøgsdesign’, hvor ekstra datapunkter mellem de lave og de høje værdier af

parametrene inkluderes. Hensigten med disse er at undersøge, hvorvidt effekten på IQF

er lineær, når en given parameter ændres fra lav til høj. Fravær af linearitet skyldes

parametrenes indbyrdes påvirkning af hinanden, således at værdien af én parameter har

betydning for en anden parameters effekt på billedkvaliteten.

Dette forsøg påviser en vigtig interaktionseffekt mellem UM-F og UM-K, som ændrer

konklusionerne baseret på hovedeffekterne af disse parametre: når UM-K står på den

lave værdi (altså en lille kernel-størrelse), så resulterer en øgning af UM-F i en stigning

i IQF (ringere billedkvalitet). Når UM-K står på en høj værdi, så resulterer en øgning af

UM-F i et fald i IQF (bedre billedkvalitet). Dvs. en høj UM-F forbedrer billedkvaliteten

når den kombineres med en stor kernel-størrelse, men forringer billedkvaliteten, når den

kombineres med en lille kernel-størrelse.

Forsøget påviser også en vigtig interaktionseffekt mellem UM-F og DCE: når UM-F har

en lav værdi, vil en øgning af DCE-værdien ikke have nogen effekt på IQF. Men når

UM-F har en høj værdi, vil en øgning i DCE reducere IQF (forbedre billedkvaliteten).

Dvs. en høj DCE forbedrer billedkvaliteten når den kombineres med en høj UM-F.

Kombineret med en lille UM-F har ændring i DCE ingen effekt på billedkvaliteten.

3. for-forsøg undersøger om billedkvaliteten kan bevares, når den effektive dosis

reduceres ved at justere kV og mAs. De parametre, som i forsøg 1 og 2 sås at have

størst effekt på billedkvaliteten (UM-F, UM-K og DCE), inkluderes i forsøget.

Parameterværdierne vælges, så de lave værdier svarer til dem anvendt i klinikken

(standard-værdier), og de høje værdier vælges i den retning, som i forsøg 1og 2 gav den

bedste effekt på billedkvaliteten (optimerede værdier). To sæt billeder optages ved to

forskellige kV-indstillinger (85 og 63 kV), som ligger hhv. over og under den klinisk

anvendte kV (70 kV), der anvendes som reference. Eksponering med 85 kV (og

tilpasning af mAs så detektordosis forbliver uændret) resulterer i en effektiv

dosisreduktion på 30 % sammenlignet med referencen. Ved eksponering med 63 kV

reduceres mAs så den effektive dosis svarer til den givet ved 85 kV-eksponeringen.

30

Derefter sammenlignes effekten på IQF når der processeres med hhv. de lave (standard)

og de høje (optimerede) parameterværdier. Referencen processeres med

standardværdierne og IQF beregnes til 43. Forsøgets elementer er illustreret i tabel 2.

Tabel 2. Oversigt over 3. for-forsøg i EN. Tabellen viser IQF ved forskellige kombinationer af eksponering (varierende kV) og processering (varierende parameterværdier). Parameterindstillingen ’lav’ svarer til standard-værdier anvendt i klinikken, mens parameterindstillingen ’høj’ svarer til optimerede værdier af parametrene UM-F, UM-K og DCE. Kombinationen af 70 kV-standardprocessering udgør referencen, som de øvrige kombinationer sammenlignes med. Den effektive dosis er angivet i forhold til referencen, som er svarende til den i klinikken givne dosis. kV Parameter-værdier IQF Dosis 70 (reference) Lav 43 Reference 85 Lav 57 30 % reduktion i

forhold til reference 85 Høj 49 30 % reduktion 63 Lav 46 30 % reduktion 63 Høj 45 30 % reduktion

Resultaterne for IQF viser, at for 85 kV-forsøget stiger IQF kraftigt i forhold til

referencen (fra 43 til 57), når standardparameterværdierne fastholdes. Når de

optimerede parameterværdier anvendes falder IQF til 49. Dvs. når kV øges og dosis

reduceres, så falder billedkvaliteten, men dette kan i en vis grad kompenseres vha.

optimerede processeringsparametre.

For 63 kV-forsøget ses en mindre stigning i IQF (til 46) ved standardparametre og en

næsten tilsvarende IQF (45) ved de optimerede parametre. Dvs. når kV og dosis sænkes,

reduceres billedkvaliteten lidt uanset de anvendte processeringsparametre. Her ses altså

ingen effekt af optimerede processeringsværdier sammenlignet med

standardprocessering.

Vha. de beskrevne for-forsøg har EN identificeret de parametre, som har størst effekt på

billedkvaliteten (UM-F, UM-K og DCE), og har optimeret værdierne af disse, så den

bedste billedkvalitet opnås.

De optimerede parametre anvendes så i et hovedforsøg, hvis forsøgsdesign og

billedkvalitetsevalueringsmetode er tættere på den kliniske praksis.

31

Hensigten er at evaluere, om de resultater, der blev opnået med CDRAD-fantomet, kan

reproduceres på billeder, der indeholder menneskelignende strukturer.

Til forsøget anvendes et Alderson-fantom og billedkvaliteten evalueres vha. VGA

baseret på etablerede kvalitetskriterier (EQC), og evalueringen udføres af fem

radiologer.

Forsøget sammenligner effekten af 3 forskellige kombinationer af parameterværdier.

Den 1. kombination anvender standard-værdierne. Den 2. og 3. kombination anvender

de optimerede værdier af UM-F og UM-K, mens DCE er sat til en hhv. lav og høj

værdi. Processering med de tre parameterkombinationer udføres på billeder optaget med

63, 70 og 85 kV og reduceret dosis, på samme vis som i 3. for-forsøg.

Til evalueringen anvendes ’70 kV-standard-processering’-billedet som reference, og de

øvrige billeder vurderes i forhold til dette. Data fra de fem radiologers vurderinger

behandles statistisk og omsættes til et nyt mål, ’relative position’ (RP), der kan antage

værdien -1 til 1. RP-værdien angiver, om ændringen i billedkvalitet, som følge af en

given kombination af kV og processering, er dårligere, ens eller bedre end reference-

billedet. RP udtrykker den samlede vurdering for et givent billede på tværs af de 5

radiologers individuelle vurderinger. Som et mål for variationen i vurderingerne på

tværs af de fem radiologer bruges ’relativ-rang-varians’ (RV), hvor en mindre værdi

angiver en mere homogen vurdering på tværs af gruppen. Resultaterne af forsøget ses i

tabel 3.

Det ses af tabel 3, at kombinationen 70 kV-opt.UM-F/UM-K-std.DCE giver den største

positive RP-værdi på 0,35. Dette angiver, at der er 35 % sandsynlighed for at

radiologerne scorer dette billede som værende af højere kvalitet end referencebilledet.

Den anden 70 kV-kombination (opt.UM-F/UM-K-opt.DCE) har en RP tæt på nul,

hvilket indikerer at dette billede vurderes meget lig referencebilledet.

Alle 85 kV-billederne har en signifikant negativ RP-værdi, som dog er aftagende når de

optimerede parametre anvendes. Dette indikerer, at alle 85 kV-billederne vurderes som

dårligere end standard-billedet, men at den optimerede processering i en vis grad

kompenserer for dette.

32

Alle 63-kV-billederne har en lille negativ RP-værdi, som ikke er signifikant forskellig

fra 0. Dette indikerer, at disse billeder vurderes meget lig referencebilledet – uanset

valget af processering.

Tabel 3. RP-værdier og RV-værdier samt tilhørende konfidensintervaller for hver kombination af kV og processeringsparametre. Der er tre forskellige kombinationer af processeringsparametre – én hvor alle tre parametre har standardværdi (lav), én hvor DCE har standardværdi og UM-F og UM-K har optimerede (høje) værdier og én hvor alle tre parametre har optimerede (høje) værdier. RP udtrykker den samlede vurdering for et givent billede sammenlignet med referencen. RV angiver, hvor homogen vurderingen af et givent billede har været på tværs af gruppen. Som reference er anvendt kombinationen ’70 kV-standard-processering’ (ej vist). Modificeret efter tabel 6 i (4). Parametervalg RP-værdi og 95 %

konfidensinterval RV-værdi og 95 % konfidensinterval

70 kV DCE Std. UMF Opt. UMK Opt.

0,35 (0,15 til 0,55)

0,35 (0,09 til 0,44)

70 kV DCE Opt. UMF Opt. UMK Opt.

0,04 (-0,15 til 0,23)

0,45 (0,16 til 0,61)

85 kV DCE Std. UMF Std. UMK Std.

-0,60 (-0,71til -0,49)

0,03 (0 til 0,02)

85 kV DCE Std. UMF Opt. UMK Opt.

-0,30 (-0,50 til -0,10)

0,29 (0,08 til 0,37)

85 kV DCE Opt. UMF Opt. UMK Opt.

-0,41 (-0,62 til -0,20)

0,44 (0,15 til 0,59)

63 kV DCE Std. UMF Std. UMK Std.

-0,07 (-0,21 til 0,07)

0,02 (0 til 0,01)

63 kV DCE Std. UMF Opt. UMK Opt.

-0,02 (-0,24 til 0,2)

0,59 (0,29 til 0,9)

63 kV DCE Opt. UMF Opt. UMK Opt.

-0,15 (-0,3 – 0,14)

0,43 (0,17 til 0,6)

33

Det ses også i tabellen, at RV-værdien er høj for de optimerede billeder (uanset kV)

sammenlignet med standardprocesseringerne, hvilket viser, at der er store individuelle

variationer på tværs af de fem radiologer. Dette indikerer, at radiologerne vurderer

billederne med de optimerede parametre forskelligt.

I VGA forsøget bemærkes det, at nogle af de optimerede billeder er mere støjfyldte. Af

denne grund vælger EN at inkludere parameteren Noise compensation (NC) i et ’4. for-

forsøg’ analogt til 3. for-forsøg, hvor de undersøgte parametre nu er NC, UM-F, DCE

og UM-K.

Resultaterne af dette forsøg viser, at de signifikante parametre er NC, UM-F og UM-K.

For 85 kV-forsøget opnås den mindste IQF med en lav UM-F, høj UM-K og høj NC.

For 63 kV-forsøget opnås den mindste IQF når alle tre parametre sættes til høj værdi.

Forsøget viser også, at høj NC har en positiv effekt på billedkvalitet uanset værdierne af

de andre parametre. Desuden ses en interaktion mellem alle tre parametre, hvor den

tidligere omtalte interaktion mellem UM-F og UM-K (se 2. for-forsøg) er mere udtalt

ved en lav værdi af NC.

7.1.2 Diskussion af Eva Norrman’s resultater

Vi opsummerer og diskuterer resultaterne af EN’s forsøgsrække.

Den første screening af et større antal parametre identificerer tre, som har en væsentlig

effekt på IQF, når parameterværdierne ændres fra lav til høj: UM-F, UM-K og DCE.

Resultaterne af de første par forsøg viser, at disse parametre har hovedeffekter og

interaktionseffekter på IQF.

UM-F’s hovedeffekt er at påvirke IQF positivt, men denne effekt påvirkes af værdien af

UM-K: ved en lille værdi af UM-K er effekten af UM-F svarende til dens hovedeffekt,

men ved en høj værdi af UM-K, resulterer en høj UM-F i en reduktion af IQF. Dvs. en

høj forstærkningsfaktor forbedrer billedkvaliteten når den kombineres med en stor

kernel-størrelse, men forringer billedkvaliteten, når den kombineres med en lille kernel-

størrelse.

UM-K’s hovedeffekt er at reducere IQF, dvs. en stor kernel forbedrer i sig selv

billedkvaliteten.

34

DCE’s hovedeffekt er at reducere IQF (forbedrer billedkvaliteten), men grundet en

interaktionseffekt mellem UM-F og DCE, forbedrer høj DCE kun billedkvaliteten når

den kombineres med en høj UM-F. Kombineret med en lille UM-F har DCE ingen

effekt på billedkvaliteten.

De første par forsøg viser altså, at en forbedret billedkvalitet kan opnås med

kombinationen af en stor kernel, høj forstærkningsfaktor og høj detail contrast

enhancement. Denne kombination udgør således de optimerede tre parametre.

3. forsøg sammenligner effekten på IQF ved hhv. standard og optimeret processering på

billeder optaget ved hhv. 63 og 85 kV.

Generelt bekræftes konklusionen vedr. hvilke værdier, der er optimale, bortset fra at der

ikke ses nogen effekt af at ændre DCE. Vi undrer os over, at dette forsøg ikke viser

samme resultat for DCE som de foregående forsøg. Måske skyldes det, at interaktionen

mellem UM-F og DCE kun ses i samspil mellem UM-F x UM-K x DCE.

Tilstedeværelsen af denne treleddede interaktion sås faktisk i første forsøg, men den

underliggende mekanisme kunne ikke afdækkes i dette forsøg. EN forfølger ikke denne

problemstilling nærmere i sin diskussion, men har dog inddraget denne observation ved

at inkludere hhv. en lav og en høj værdi af DCE sammen med optimerede værdier af

UM-F og UM-K til hovedforsøget.

Når IQF for de to eksponeringsværdier sammenlignes, viser forsøg 3 at billedkvaliteten

forbliver næsten uændret/lidt dårligere når dosis sænkes ved at reducere kV og mAs.

Der ses ikke nogen væsentlig effekt af anvendelse af optimerede versus standard

processering. Når dosis sænkes ved at øge kV, reduceres billedkvaliteten væsentligt,

men dette kan i en vis grad kompenseres ved at anvende optimerede parameterværdier.

EN forklarer forskellen på effekten (af at anvende optimerede parametre) på hhv. lav-

og høj kV-billederne med, at den positive effekt af kontrastoptimering vha. en stor UM-

K har mindre betydning på et lav-kV-billede. Her er kontrasten automatisk bedre

sammenlignet med et høj-kV-billede. Dette er efter vores mening en plausibel

forklaring.

35

I EN’s hovedforsøg undersøges det, om resultaterne opnået ved for-forsøgene udført

med CDRAD-fantom og IQF, kan reproduceres i en mere realistisk situation, hvor

billedkvaliteten vurderes vha. en VGA-analyse. Den bedste kombination i dette forsøg

er anvendelsen af optimerede værdier af UM-K og UM-F, standardværdi af DCE, og

brug af samme kV som i klinikken. Dette forsøg viser essentielt set det samme som 3.

for-forsøg – nemlig at anvendelse af højere kV forringer billedkvaliteten, hvilket til dels

kompenseres af optimerede parametre, men at anvendelse af lavere kV(og dosis) kan

bevare samme billedkvalitet, uanset valget af processeringsparametre.

Disse observationer er interessante af to grunde, dels fordi de viser, at resultaterne

opnået med CDRAD-fantom/IQF er sammenlignelige med resultaterne af Alderson-

fantom/VGA. Dels fordi det er interessant at billedkvaliteten forbliver næsten uændret

trods reduceret dosis, men at dette ses uanset om der anvendes optimerede

processeringsparametrene. Til gengæld ses de optimerede værdier at have en effekt ved

en højere kV, hvilket indikerer, at optimering af processeringsparametre har tiltagende

betydning jo mere billedets egen kontrast forringes som følge af anvendelse af en højere

kV.

VGA-analysen illustrerer også en anden vigtig pointe, nemlig at radiologerne opfatter

billeder, der er processerede med optimerede parametre, meget forskelligt. Dette viser,

at der ikke er konsensus om, hvad der er ’godt og skidt’ når man taler om

billedoptimering vha. processering. Samme pointe ses hos andre, der har undersøgt

dette emne (6, 15).

Som følge af resultaterne af VGA-forsøget, vælger EN at undersøge endnu en parameter

– NC, som derfor inkluderes i et nyt faktorielt forsøg. Dette viser dels, at NC har en stor

hovedeffekt, hvor høj NC forbedrer billedkvaliteten. Det viser også, at der er en

interaktionseffekt mellem NC, UM-F og UM-K, hvor lav NC forstærker

interaktionseffekten mellem UM-F og UM-K. Dette indikerer, at støjreduktion har en

vigtig effekt på billedkvaliteten, men EN har desværre ikke fulgt op på denne

observation i et nyt forsøg med VGA. Dette kunne ellers være interessant, fordi støj

tilsyneladende blev opfattet som forstyrrende i VGA-studiet, så inklusion af en

støjreducerende parameter kunne tænkes at have væsentlig betydning.

36

7.2 Praktisk del - forsøg

Dette afsnit udgør den praktiske indgangsvinkel til besvarelsen af

problemformuleringen – vores eget forsøg. I det følgende beskrives udførelsen af

forsøget og de overvejelser, vi har haft i denne forbindelse. Dernæst beskrives den

statistiske databehandling, efterfulgt af en præsentation og diskussion af forsøgets

resultater.

I nogle af afsnittene er en henvisning til bilag, der uddyber forskellige aspekter af

forsøget.

Forsøgets indhold og formål kan opsummeres i en enkel sætning:

Sammenligning af invers Image Quality Factor (inv. IQF) på billeder af CDRAD-

fantom optaget med et DX-system, ved forskellige kombinationer af

processeringsparameter-indstillinger af Canons MLT(S).

7.2.1 Materialer og udstyr til forsøget

• Røntgenrør

• DX-detektor

• Arbejdsstation med monitor og MLT(S) software

• To plader PMMA (plexiglas) 30 x 30 x 6 cm

• CDRAD-fantom

• CDRAD-Analyser-program

• Excel, MatLab og opslagstabeller til statistiske beregninger

En detaljeret liste over det anvendte udstyr ses i bilag 1.

7.2.2 Forsøgets udførelse

Forsøget blev udført på følgende måde:

• Detektoren blev placeret på gulvet.

• CDRAD-fantomet blev placeret mellem de to PMMA plader oven på detektoren

37

• Teknikfaktorerne blev indstillet svarende til en klinisk senge-thoraxundersøgelse

på Rigshospitalet:

Film-fokus-afstand: 150 cm

kV: 102

mAs: 1,2

raster: ej anvendt

• Fantomet blev eksponeret med 27 forskellige kombinationer af

processeringsparametre og parameterindstillinger (3 parametre, 3 indstillinger:

33 = 27) (se tabel 5 ). For hver af de 27 kombinationer udførtes tre replikater,

dvs. i alt 81 eksponeringer. De valgte parametre og parameterindstillinger

gennemgås i afsnittet Valg af processerings-parametre nedenfor.

• Hvert billede blev gemt i PACS og alle billeder blev efterfølgende brændt ned

på CD-rom.

• Billederne blev analyseret vha. CDRAD-Analyser program. Inv. IQF blev

beregnet for hvert billede.

• Resultaterne blev behandlet statistisk vha. F-max-test, ensidig varians analyse og

Tukey-test.

En skitse over forsøgsopstillingen ses på figur 7.

Figur 7. Skitse af

forsøgsopstilling.

38

7.2.3 Overvejelser i forbindelse med design af forsøg

Intentionen med udførelsen af vores eget forsøg har været at lave en systematisk

afprøvning af en række kombinationer af processeringsparametre og parameterværdier,

mhp. at undersøge hvilke(n) kombination(er) der giver en bedre billedkvalitet, evalueret

vha. ændringer i inv. IQF. Vi har derfor valgt at udføre forsøget med brug af et

CDRAD-fantom.

I forbindelse med udformningen af vores eget forsøg, har vi har ladet os inspirere af det

faktorielle forsøgsdesign med 2k observationer. Analogt til dette, har vi kombineret tre

parametre (’faktorer’ i faktoriel design-terminologi) hver indstillet på tre værdier

(’niveauer’) og målt inv. IQF for hver af de mulige kombinationer af parametre og

parameterværdier. Det samlede antal kombinationer er således, som nævnt, 33 = 27.

Bortset fra den systematiske gennemprøvning af alle kombinationer af de valgte

parametres værdier, har vi ikke ønsket at gennemføre et faktorielt forsøg, fordi den

statistiske behandling af forsøgsdata er for kompliceret til en opgave på dette niveau.

Nedenfor følger en beskrivelse af de væsentligste overvejelser omkring forsøgets design

og udførelse.

Valg af røntgensystem og billedbehandlingssoftware

Vi har valgt et Santax (Canon) – DX system af en række teoretiske og praktiske grunde:

• DX-systemer får tiltagende større markedsandele (12), hvorfor det er relevant

for vores profession at opnå en grundlæggende forståelse for, hvordan dette

system fungerer.

• Af praktiske grunde har DX været bedst at anvende til forsøget, fordi

afprøvningen af mange forskellige parameterkombinationer er tidskrævende, og

dermed lettest at gennemføre på et DX-system.

• Vi ønskede at arbejde med Multi frequency processesing (MFP) fordi denne

type billedprocessering i dag er den foretrukne processeringsmetode hos de store

producenter (6, 36).

• MLT(S) er tilgængelig på det DX-system, vi har valgt at arbejde med. Ulempen

ved MLT(S) er, at vi kun har haft begrænset adgang til litteratur om de

underliggende principper bag denne software.

39

Valg af teknikfaktorer og forsøgsopstilling

• I forbindelse med valg af teknikfaktorer ønskede vi at gøre forsøget så praksis-

nært som muligt. Da MLT(S) er udviklet til processering af thoraxbilleder af

voksne (27), var det naturligt at vælge teknikfaktorer svarende til en

thoraxundersøgelse. Vi valgte faktorerne til en sengethoraxoptagelse, fordi

forsøgsopstillingen af praktiske grunde mindede mest om dette.

• For at efterligne røntgenstrålernes opførelse under deres passage gennem en

patient (absorptionen,’beam-hardening’ og dannelsen af spredt stråling), har vi

placeret CDRAD-fantomet mellem to plader af PMMA på hver 6 cm’s tykkelse.

PMMA er brugt fordi dette materiale har egenskaber, der minder om

menneskeligt væv mht. røntgenabsorption, og ofte er anvendt i litteraturen til

lignende undersøgelser (11, 31, 43).

Valg af metode til evaluering af billedkvalitet

Vi har valgt et CDRAD-fantom og –Analyser til evaluering af billedkvalitet fordi:

• Inv. IQF (eller IQF), som fås ved analyse af billeder af CDRAD-fantomet,

dækker over to vigtige og objektivt målelige billedkvalitetsegenskaber - rumlig

opløsning og lavkontrastopløsning (17). Samtidig har CDRAD-fantomet de

fordele, at det er relativt nemt at anvende, at vi har mulighed for at måle

billedkvaliteten uafhængigt af andre professionelle (fx radiologer) og at metoden

har vist sig at give resultater svarende til mere helhedsorienterede metoder (18).

• Programmet CDRAD-Analyser er anvendt fordi programmet gjorde os fri af den

inter- og/eller intrasobserver variation der ville være, hvis vi skulle analysere

billederne manuelt (18). Desuden er det meget hurtigere at analysere billederne

vha. programmet frem for manuelt, hvilket gør det muligt at analysere mange

billeder.

Valg af processerings-parametre

• Vi har valgt at inkludere parametrene Edge-enhancement Effect (EE), Edge-

enhancement Frequency (EF) og Noise reduction (NR) i forsøget, mens vi har

40

udeladt Dynamic range adjustment (som bruges til at reducere dynamikområdet

i billeder med stort dynamikområde).

Dette skyldes at CDRAD-fantomet har et mindre dynamisk område, hvorfor

CDRAD-fantomet formodes at være mindre egnet til at undersøge effekten af

denne parameter.

• For hver af de tre parametre har vi valgt tre forskellige værdier, en lav, en

mellem og en høj. En oversigt over intervaller, standardindstillinger og de i

forsøget anvendte parameterværdier ses i tabel 4. En samlet oversigt over de

anvendte parameterkombinationer ses i tabel 5.

• Følgende brugerkontrollerede parametre har vi ladet stå på standardindstillinger:

Dynamic range adjustment (10 – kan indstilles i intervallet 1-20) samt kontrast

og brightnes (hhv. 15 og 8 - begge kan indstilles i intervallet 1-29).

• Vi har ændret LUT-kurven fra standardindstillingen (hvilket til thoraxoptagelser

er en S-formet kurve) til en lineær kurve, hvilket gav det bedste visuelle indtryk.

Da kontrastændringen i et CDRAD-fantom er mere jævn end i et rigtigt thorax-

billede (31), er det meningsfuldt at bruge en lineær LUT-kurve Dette stemmer

godt overens med det faktum, at lineære kurver anvendes til tekniske test (21).

Tabel 4. Interval, standardindstillinger og de i forsøget anvendte parameterværdier. Interval angiver det spænd af parameterværdier, som softwaren tillader. Standard er systemets standardindstilling for den givne parameter ved en sengethoraxoptagelse. Lav, Medium og Høj er de værdier, vi har valgt for parametrene i forsøget. Parametre anvendt i forsøget

Interval og defaultindstillinger for hver parameter

Parameterværdier anvendt i forsøget

Interval Standard Lav Medium Høj

Edge enhancement Effect (EE) 1-20 5 1 5 20

Edge enhancement Frequency (EF)

1-7 7 1 4 7

Noise reducktion (NR) 1-10 5 1 5 10

41

Tabel 5. Parameterkombinationer og tilhørende løbenumre anvendt i forsøget. Parametre: EE (Edge enhancement Effect), EF (Edge enhancement Frequency), NR (Noise Reduction). Parameterværdier: L (lav), M (medium), H (høj). De valgte værdier for de tre parametre ses i tabel 5. 1 EE-L, EF-L, NR-L 16 EE-M, EF-H, NR-L 2 EE-L, EF-L, NR-M 17 EE-M, EF-H, NR-M 3 EE-L, EF-L, NR-H 18 EE-M, EF-H, NR-H 4 EE-L, EF-M, NR-L 19 EE-H, EF-L, NR-L 5 EE-L, EF-M, NR-M 20 EE-H, EF-L, NR-M 6 EE-L, EF-M, NR-H 21 EE-H, EF-L, NR-H 7 EE-L, EF-H, NR-L 22 EE-H, EF-M, NR-L 8 EE-L, EF-H, NR-M 23 EE-H, EF-M, NR-M 9 EE-L, EF-H, NR-H 24 EE-H, EF-M, NR-H 10 EE-M, EF-L, NR-L 25 EE-H, EF-H, NR-L 11 EE-M, EF-L, NR-M 26 EE-H, EF-H, NR-M 12 EE-M, EF-L, NR-H 27 EE-H, EF-H, NR-H 13 EE-M, EF-M, NR-L 14 EE-M, EF-M, NR-M 15 EE-M, EF-M, NR-H

42

Praktiske hensyn ved forsøgets udførelse

• Vores oprindelige intention var et forsøgsdesign, hvor CDRAD-fantomet skulle

have været eksponeret tre gange (tre replikater), og hver replikat skulle have

været processeret med de forskellige processeringskombinationer. Hensigten

med denne fremgangsmåde ville være at fjerne effekten af ukontrollerbare

variationer i billedoptagelsen, som kan tænkes at introducere en vis usikkerhed

på resultaterne.

Denne fremgangsmåde kunne ikke lade sig gøre, fordi det viste sig umuligt at

processere samme billede flere gange og gemme hvert billede på ny i PACS. Vi

valgte derfor i stedet at eksponere et nyt billede for hver parameterkombination

og for hver replikat. Hensigten med replikaterne er at beregne et gennemsnit og

en standardafvigelse for hver parameterkombination.

• Dernæst var det vores intention at eksponere de forskellige kombinationer i

vilkårlig rækkefølge (udvalgt vha. ægte tilfældige tal) for at undgå at indføre en

evt. systematisk bias. Dette var dog ikke muligt fordi vi kun havde

undersøgelsesrummet til rådighed i begrænset tid.

I stedet eksponerede vi kombinationerne i den systematiske rækkefølge, som vi

havde skrevet dem op i.

• I forbindelse med dataanalysen vha. CDRAD-Analyser programmet havde

intentionen været at analysere hvert billede tre gange, for at undersøge om der

var en variation i programmets resultater. Vi afprøvede dette og fandt, at

programmet reproducerede nøjagtigt samme resultat. Vi valgte derfor at

analysere hvert billede én gang.

Under vores afprøvning af CDRAD-analyser programmet opdagede vi, at

programmet for at beregne inv. IQF korrekt, skal have defineret afgræsningen af

fantomets huller meget præcist. Programmet forsøger selv at finde denne

afgrænsning, men dette lykkedes ikke altid. I de tilfælde måtte vi manuelt

definere analyseområdet. Hvorvidt det var programmets automatiske eller en

manuel definition af analyseområdet, så ud til at indføre en mindre variation i

resultaterne.

43

7.2.4 Statistisk analyse af data

Data fra CDRAD-Analyser programmet blev opgjort både som en IQF- og en inv. IQF-

værdi. Vi har valgt at bruge inv. IQF. Gennemsnittet af inv. IQF for de tre replikater

indenfor hver parameterkombination er beregnet og anvendt i de efterfølgende

statistiske beregninger og til præsentationen af resultaterne.

Under de statistiske beregninger har vi valgt et signifikansniveau på 0,01, undtaget i

testen for varianshomogenitet (F-max test – se nedenfor), hvor signifikansniveauet er

0,05.

Vi gennemførte først en Fmax-test og en ensidig variansanalyse, og derefter en Tukey-

test. Vi beskriver her de væsentlige resultater. En detaljeret oversigt over de statistiske

beregninger ses i bilag 2-4.

Ensidig variansanalyse

Ved denne test undersøges det, om der er en statistisk signifikant forskel på datasættets

to mest ekstreme inv. IQF-værdier. Denne analyse forudsætter, at tre betingelse er

opfyldt vedr. replikaterne indenfor hver parameterkombination:

• Replikaterne skal være normalfordelte. Vi har ikke mulighed for at undersøge

om dette er tilfældet, da vi kun har tre replikater, men vi mener, at en sådan

antagelse er rimelig.

• Replikaterne skal være indbyrdes uafhængige. Vi véd, at dette er tilfældet.

• Replikaterne skal være varianshomogene. Dette har vi testet vha. en Fmax test.

Ved denne test undersøges det, om den største og den mindste varians, indenfor

hver af de 27 kombinationer, afviger signifikant fra hinanden. Vi fandt at Fmax

beregnet < Fmax tabel (se bilag 2), hvilket viser at varianserne er homogene

(29, 30).

Forudsætningerne for at gennemføre en ensidig variansanalyse er således opfyldte.

Denne analyse gennemføres ved at beregne en F-værdi, som sammenholdes med en

kritisk tabel-værdi (29). H0- og H1-hypoteserne er:

44

H0 = der er ingen forskel mellem de to mest ekstreme inv. IQF-værdier (og dermed

heller ikke mellem nogen af de øvrige værdier).

H1 = der er statistisk signifikant forskel på de to mest ekstreme inv. IQF-værdier.

Da Fberegnet> Ftabel (se bilag 3) forkastes H0. Som det ses af beregningerne i bilaget, er den

beregnede F-værdi mere end en faktor hundrede gange større end tabellens F-værdi,

dvs. resultatet er endog meget signifikant. Konklusion er derfor, at der er en signifikant

forskel mellem de to mest ekstreme inv. IQF-værdier, som repræsenterer hver deres

parameterkombination.

Tukey-test

Med denne test kan alle inv. IQF-værdier sammenlignes parvist med alle andre inv.

IQF-værdier, mhp. at identificere de parvise inv. IQF-værdier, der afviger signifikant fra

hinanden. Denne analyse forudsætter, at der er en signifikant forskel mellem de to mest

ekstreme inv. IQF-værdier og at antallet af replikater er ens for alle kombinationerne

(29). Begge forudsætninger er opfyldte.

Testen gennemføres på følgende måde (se bilag 4): alle parvise differencer mellem inv

IQF- værdierne for de 27 parameterkombinationer beregnes. Desuden beregnes test-

værdien T, som repræsenterer grænseværdien mellem de inv. IQF-værdier, der er

signifikant forskellige fra hinanden, og de, der ikke er. Dette sker ved, at identificere

alle de differencer, der er numerisk større end T-værdien – disse er signifikant

forskellige fra hinanden. Resultaterne af denne test beskrives i afsnit 7.2.5 Præsentation

af forsøgsresultater.

45

7.2.5 Præsentation af forsøgsresultater

I dette afsnit vil vi først beskrive de tendenser, som ses, når man betragter et

søjlediagram over forsøgsdata. Dernæst vil vi præsentere resultaterne af de statistiske

analyser. Resultaterne af begge dele diskuteres i afsnit 7.2.6 Diskussion af

forsøgsresultater.

Tendenser i forsøgsresultaterne

Forsøgets resultater ses på figur 8, som viser et søjlediagram over inv. IQF for hver af

de forskellige parameterkombinationer.

Der er nogle mønstre i variationerne af inv. IQF for de forskellige

parameterkombinationer, som springer i øjnene når man betragter figur 8. Disse mønstre

afspejles i den måde parameterværdierne er kombineret på. Vi vil derfor først beskrive

logikken i denne sammensætning af parameterkombinationer, se tabel 6.

Kombinationerne af parameterværdierne er konstrueret således, at parameterværdierne

varierer på en ordnet måde indenfor grupper af én, tre og ni parameterkombinationer:

Indenfor en gruppe af tre kombinationer (1-3, 4-6 osv). er det kun Noise reduction (NR)

der varierer fra lav (L) over mellem (M) til høj (H) værdi, mens de to andre

parameterværdier er konstante. Systematikken i variationen for Edge enhancement

Effect (EE) er, at denne holdes konstant indenfor grupper af 9 kombinationer, mens

Edge enhancement Frequency (EF) holdes konstant indenfor grupper af tre

kombinationer. Ligesom NR, stiger EE og EF også trinvist i værdi fra L til H.

Da vi i den følgende beskrivelse hele tiden holder gruppeinddelingen med tre

kombinationer for øje, vil vi benytte benævnelserne A-I for de fortløbende 9 grupper à

tre kombinationer.

De nedenfor beskrevne tendenser underbygges ikke nødvendigvis af de statistiske

analyser. Dette uddybes i afsnit 7.2.6 Diskussion af resultater.

Det ses på figur 8 at inv. IQF varierer i henhold til gruppeinddelingen, idet inv. IQF

stiger trinvist fra én parameterkombination til den næste indenfor hver gruppe.

Fælles for de kombinationer, hvor inv. IQF er den mindste i gruppen er, at de

indeholder NR-L.

46

Analogt hertil, er det fælles for kombinationerne med en mellemstor inv. IQF, at de

indeholder NR-M, og fælles for kombinationerne med stor inv. IQF, at de indeholder

NR-H. Indenfor den enkelte gruppe er det kun NR der varierer, mens EE og EF er

konstante.

Dette mønster indikerer, at NR har en stor effekt på inv. IQF og at en højere værdi af

NR resulterer i en højere inv. IQF-værdi, uanset værdien af EE og EF.

Når man betragter fordelingen af inv. IQF på tværs af grupperne ses også nogle

bestemte mønstre. Det ses, at de respektive lave, mellem og høje værdier af inv. IQF

forbliver ret konstante på tværs af gruppe A-E samt G. De tilsvarende værdier i Gruppe

F og H er indbyrdes jævnbyrdige, men lidt lavere end i gruppe A-E+G. Gruppe I

repræsenterer de laveste værdier i hele datasættet indenfor de respektive lave, mellem

og høje inv. IQF-værdier.

47

Tabel 6. Tabellen viser forsøgets sammensætning af parameterkombinationer og tilhørende inv. IQF-værdi. Løbenummer angiver rækkefølgen hvori parameterkombinationerne er eksponeret og præsenteret. Gruppe angiver inddelingen af parameterkombinationer, som er beskrevet i forbindelse med figur 8. Gruppe Løbenummer Parameter kombination Inv. IQF

Gruppe A 1 EE-L, EF-L, NR-L 1,31 2 EE-L, EF-L, NR-M 1,63 3 EE-L, EF-L, NR-H 2,03

Gruppe B 4 EE-L, EF-M, NR-L 1,30 5 EE-L, EF-M, NR-M 1,45 6 EE-L, EF-M, NR-H 2,17

Gruppe C 7 EE-L, EF-H, NR-L 1,28 8 EE-L, EF-H, NR-M 1,60 9 EE-L, EF-H, NR-H 1,95

Gruppe D 10 EE-M, EF-L, NR-L 1,28 11 EE-M, EF-L, NR-M 1,68 12 EE-M, EF-L, NR-H 2,09

Gruppe E 13 EE-M, EF-M, NR-L 1,26 14 EE-M, EF-M, NR-M 1,63 15 EE-M, EF-M, NR-H 1,95

Gruppe F 16 EE-M, EF-H, NR-L 1,16 17 EE-M, EF-H, NR-M 1,43 18 EE-M, EF-H, NR-H 1,75

Gruppe G 19 EE-H, EF-L, NR-L 1,32 20 EE-H, EF-L, NR-M 1,70 21 EE-H, EF-L, NR-H 1,99

Gruppe H 22 EE-H, EF-M, NR-L 1,16 23 EE-H, EF-M, NR-M 1,33 24 EE-H, EF-M, NR-H 1,60

Gruppe I 25 EE-H, EF-H, NR-L 0,77 26 EE-H, EF-H, NR-M 1,05 27 EE-H, EF-H, NR-H 1,29

48

Figur 8. Figuren viser et søjlediagram over inv. IQF ved de 27 forskellige parameterkombinationer, som udgør datasættet i vores forsøg. Gruppe A-F angiver inddelingen af parameterkombinationer i undergrupper, som beskrevet i teksten.

49

Hvis man betragter gruppe F-H+I er disse tre grupper kendetegnet ved, i modsætning til

gruppe A-E+G, at indeholde mellem og/eller høje værdier af både EE og EF. Dette indikerer,

at samtidige mellem/høje værdier af EE og EF har en negativ effekt på inv. IQF. Når gruppe

F-H+I sammenlignes internt, ses det at F og H har hhv. en mellemværdi af den ene og en høj

værdi af den anden parameter, mens I har høje værdier af både EE og EF. Dette understøtter

observationen, at samtidige mellem/høje værdier af EE og EF har en negativ effekt på inv.

IQF. Det indikerer også, at jo højere værdi af EE/EF jo mindre bliver inv. IQF.

Flere observationer indikerer dog, at mindst en af disse parametre skal have en høj værdi mens

den anden har en mellem værdi, for at inv. IQF påvirkes negativt: Fx ses det, at gruppe E

indeholder EE-M og EF-M, og inv. IQF-værdierne for E er svarende til dem fundet i A-D+G.

Desuden ses, at i alle de grupper, hvor den ene parameter EE eller EF er lav mens den anden

parameter varierer, er inv. IQF-værdierne ensartede (når man sammenligner de respektive NR-

L –M og -H-kombinationer). Det gælder både i de grupper, hvor EF er konstant lav, mens EE

stiger trinvist (gruppe A, D og G), og i de grupper, hvor EE er konstant lav og EF stiger

trinvist (grupper A-C).

Dette mønster indikerer, at bare den ene af parametrene EE eller EF er lav, så vil en høj værdi

af den anden parameter ikke påvirke inv. IQF negativt.

Datasættet kan også præsenteres ved at opstille kombinationerne i rangorden fra største til

mindste inv. IQF. Herved kan egenskaberne ved parameterkombinationerne karakteriseres i

henhold til placeringen indenfor denne rangorden. Herved fås essentielt set den samme

tolkning af effekterne af de tre parametre, som vi nåede frem til fra figur 8, blot illustreret på

en anden måde. Dette er vist i bilag 5.

Resultater af statistiske analyser

Som beskrevet i afsnittet ’Statistisk analyse af data’ har vi bearbejdet datasættet med ensidig

variansanalyse, som påviser en signifikant forskel på de to mest ekstreme inv. IQF-værdier.

De tilhørende parameterkombinationer er hhv. nr. 6 og nr. 25, som har den højeste og den

laveste inv. IQF-værdi.

50

Efter variansanalysen er næste trin at undersøge, hvilke parameterkombinationer, der afviger

signifikant fra hvilke andre parameterkombinationer. Dette har vi gjort vha. en Tukey-test,

som identificerer alle de parameterkombinationer, hvis inv. IQF afviger signifikant fra

hinanden. Resultaterne af Tukey-testen er vist i tabel 7. Her ses hver enkelt

parameterkombination 1-27 sammen med de tilhørende signifikant afvigende kombinationer

opført i kolonnerne nedenfor.

51

Tabel 7. Tabellen viser resultaterne af Tukey-testen. I øverste række er angivet parameterkombination 1-27. I kolonnerne under hver kombination er de parameterkombinationer angivet, som afviger signifikant fra hver af de 27 kombinationer. Signifikansniveauet er 0,01. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 3 6 1 3 3 1 3 6 1 3 16 1 3 6 1 3 3 13 3 16 1 3 3 6 1 2 3 6 25 4 6 6 2 6 12 4 6 22 4 6 25 4 6 6 16 6 22 4 6 6 12 2 3 6 9 26 5 9 9 4 9 25 5 9 25 5 9 26 5 9 9 22 9 25 5 9 9 25 3 6 9 12 7 12 12 5 12 26 7 12 26 7 12 7 11 12 25 12 26 7 11 12 26 4 8 12 15 10 15 15 7 15 10 15 8 15 10 12 15 26 15 10 12 15 5 9 15 21 13 21 21 8 21 13 21 10 18 13 15 21 21 13 15 21 6 11 21 25 16 25 25 10 25 16 25 13 21 16 18 25 25 16 18 25 7 12 25 17 13 17 16 25 17 20 17 20 8 14 19 14 19 17 19 21 19 21 9 15 22 16 22 19 22 22 10 18 23 17 23 22 23 23 11 20 25 19 25 23 25 25 12 21 26 22 26 24 26 26 13 24 27 23 27 25 27 27 14 24 26 15 25 27 17 26 18 27 19 20 21 23 24 27

52

Tabel 7 viser, at nr. 6 og nr. 25 er de kombinationer, som afviger fra flest andre

kombinationer, hvilket er i overensstemmelse med det faktum, at de repræsenterer de

mest ekstreme inv. IQF-værdier. Det ses også, at der er mange kombinationer, som

afviger signifikant fra hhv. kombination nr. 3, 6, 9, 12, 15, 21, 25 og 26. Nr. 3, 6, 9, 12,

15 og 21 har tilfælles, at de indeholder NR-H og tilhører en af grupperne A-E+G, dvs.

de grupper, som har de høje inv. IQF-værdier. Nr. 25 og 26 har tilfældes at de tilhører

gruppe I og repræsenterer de to laveste inv. IQF-værdier i datasættet. De resterende

kombinationsnumre tilhører lave/mellem inv. IQF-værdier fra gruppe A- E+G samt

lave/mellem/høje værdier i G+H samt den høje værdi i gruppe I. Dette indikerer, at

disse værdier ligger et sted mellem de mere ekstreme inv. IQF-værdier.

En række analyser af datasættet kan udledes fra Tukey testens resultater mhp. at

illustrere forskellige pointer. Af pladsmæssige hensyn har vi valgt kun at undersøge om

de vigtigste tendenser, vi observerede i figur a, kan understøttes af Tukey-testen. Dette

præsenteres i næste afsnit.

53

7.2.6 Diskussion af forsøgsresultater

I følgende afsnit beskriver og diskuterer vi, hvorvidt de mønstre, vi har beskrevet ud fra

figur 8, kan verificeres med resultaterne af Tukey-testen.

Figur 8 indikerer at NR har en væsentlig og positiv effekt på inv. IQF, når NR øges fra

lav til høj, uanset værdien af EE og EF. Tukey-testen bekræfter denne observation, fordi

der er signifikant forskel på mindste og største inv. IQF-værdi indenfor hver gruppe

(undtaget er gruppe H, som er den gruppe, hvor differencen mellem mindste og største

inv. IQF er mindst). Indenfor hver gruppe er det kun værdien af NR, der varierer.

Observationerne fra figur 8 vedr. effekterne af EE og EF er, at samtidige mellem/høje

værdier af disse parametre har en negativ effekt på inv. IQF, og at denne effekt

forstærkes, når parameterværdierne øges, men at den negative effekt af EE og EF ikke

ses, hvis én af parameterværdierne er lav.

Tukey-testens resultater viser, at der ikke er signifikante forskelle mellem de respektive

lave, mellem og høje inv. IQF-værdier mellem grupperne A-H. Omvendt er der

signifikante forskelle mellem mindste inv. IQF i gruppe I og de tilsvarende lave inv.

IQF-værdier i gruppe A-E+G. Tilsvarende er der signifikant forskel mellem midterste

inv. IQF i gruppe I og tilsvarende mellem inv. IQF-værdier i gruppe A,C-E+G samt

mellem højeste inv. IQF i gruppe I og tilsvarende høje inv. IQF-værdier i gruppe A-

E+G.

Tukey-testen bekræfter altså, at gruppe I (som indeholder samtidige høje værdier af EE

og EF) skiller sig markant ud fra de andre grupper. Der er til gengæld ingen statistisk

signifikant forskel mellem de respektive inv. IQF-værdier mellem gruppe F og H (som

indeholder én mellem og én høj værdi af hhv. EE og EF) versus gruppe A-E+G (som

indeholder forskellige kombinationer af lave og mellemværdier af EE og EF). Tukey-

testen bekræfter altså ikke den i figur 8 observerede tendens, at kombinationen af én

mellem og én høj værdi af EE og EF har en negativ effekt på inv. IQF sammenlignet

med lavere værdier af disse parametre. Med andre ord bekræfter Tukey-testen kun, at

samtidig høj værdi af EE og EF påvirker inv. IQF negativt. Resultaterne indikerer

ligeledes, at effekten af EE og EF afhænger af hinanden.

54

Oversat til almindelig billedkvalitetsterminologi viser forsøgets resultater, at høj værdi

af NR har en positiv effekt på billedkvaliteten, mens samtidige høje værdier af EE og

EF har en negativt effekt.

En sammenligning med de kliniske standardindstillinger (se tabel 4) viser, at EE er

indstillet på en mellemværdi, EF på en høj værdi og NR på en mellemværdi. Ifølge

resultaterne af vores forsøg er de kliniske indstillinger altså ikke optimale for at opnå en

høj billedkvalitet. Dette skal dog tages med forbehold, idet vores forsøgsopstilling og

dermed vores resultater ikke nødvendigvis er valide i forhold til en klinisk

sammenhæng, hvor billedkvaliteten vurderes ud fra evnen til at detektere patologiske

tilstande, frem for to fysiske mål (høj- og lavkontrastopløsning). En nærmere diskussion

af dette ses i afsnit 7.3 Samlet diskussion af Eva Norrmans artikel og vores forsøg.

55

7.3 Samlet diskussion af Eva Norrmans artikel og vores forsøg

I følgende afsnit vil vi først give en kort opsummering af EN’s og vores resultater, og

derefter præsentere en samlet diskussion af disse. Vi vil også diskutere resultaterne i

forhold til den teoretiske baggrund om processeringsparametre og i forhold til den

anvendte metode til at måle billedkvaliteten.

Da EN og vi selv anvender hhv. IQF og inv. IQF, vil vi i dette afsnit anvende begrebet

’billedkvalitet’.

Samlet set viser EN’s forsøg med CDRAD-fantom, at parametrene Noise compensation

(NC), Unsharp masking-kernel (UM-K) og Unsharp masking-forstærkningsfaktor (UM-

F) har den største effekt på billedkvaliteten. Parametrene har både hovedeffekter og

interaktionseffekter. En høj værdi af NC har en positiv effekt på billedkvaliteten,

uafhængigt af de andre parametres værdier. En høj UM-K har også en selvstændig,

positiv effekt på billedkvaliteten. Effekten af UM-F afhænger af et samspil med de

andre parametres værdier: En høj UM-F forbedrer billedkvaliteten når den kombineres

med en stor UM-K, men forringer billedkvaliteten, når den kombineres med en lille

UM-K. Denne interaktion mellem UM-F og UM-K er stærkest, når værdien af NC er

lille.

Hensigten med EN’s parameteroptimering er at bevare billedkvaliteten med reduceret

dosis. Derfor anvendes de optimerede parametre i nye forsøg, hvor effekten af

parameteroptimeringen undersøges, når de anvendes på billeder optaget med lavere

dosis. Disse studier anvender VGA, og viser bl.a. at radiologerne opfatter billeder, der

er processerede med optimerede parametre, meget forskelligt. Effekten af

parameteroptimeringen afhænger i høj grad af den anvendte kV: høj-kV billeder har en

dårligere iboende kontrast, og har derfor mest gavn af at processeres med optimerede

parametre.

Vores forsøg viser samlet set, at en høj værdi af Noise reduction (NR) har en

selvstændig, positiv effekt på billedkvaliteten. Samtidige høje værdier af Edge

enhancement Effect (EE) og Edge enhancement Frequency (EF) har derimod en negativ

effekt på billedkvaliteten.

56

EN’s for-forsøg og vores forsøg har flere fællestræk – i begge anvendes DX-udstyr,

billedkvaliteten måles med CDRAD-fantom og computerprogram til billedanalyse, og

alle kombinationer af parameterværdier undersøges. Der er også forskelligheder mellem

EN’s og vores forsøg. Selvom den anvendte processeringssoftware overordnet set

tilhører samme type (MFP), bruger EN og vi forskellig software. De undersøgte

parametre er derfor ikke ens, selv ikke sammenlignelige parametre som NC og NR.

Desuden er dataanalysemetoderne forskellige.

Ud fra vores forsøg fornemmer vi, at de undersøgte parametre, særligt EE og EF,

interagerer med hinanden på måder, som vi kun delvist kan afsløre vha. den anvendte

dataanalyse. Hvis man anvender terminologien fra det faktorielle forsøgsdesign,

indikerer vores forsøg, at effekten af NR er en ’hovedeffekt’, mens effekten af EE og

EF er en ’interaktionseffekt’. Vi ville formentligt kunne afsløre hoved- og

interaktionseffekter langt bedre vha. faktoriel dataanalyse, hvilket dog ligger uden for

opgavens rammer.

Et gennemgående resultat af både EN’s og vores forsøg er således, at forskellige

processeringsparametre interagerer med hinanden på komplekse måder. Dette faktum er

en udfordring i arbejdet med at optimere billedkvalitet vha. processeringsparametre. Det

viser, at der ikke findes simple svar på, hvad optimale parameterværdier er, og det

understreger vigtigheden af, at finde passende kombinationer af forskellige

parameterværdier. I mange tilfælde vil valget af optimerede parameterværdier i øvrigt

også være et kompromis mellem flere modstridende hensyn (2).

Et andet resultat, som både ses i EN’s og vores forsøg, er at brug af støjreducerende

processeringsparametre har stor og positiv effekt på billedkvaliteten. Dette er i

overensstemmelse med det faktum, at billedstøj er en vigtig kvalitetsreducerende faktor

i digital radiografi (5, 36).

Formålet med mange andre processeringsmetoder er derimod at forbedre den rumlige

opløsning ved at forstærke kanter i billedet. EE og EF er eksempler på sådanne metoder.

Kantforstærkning og støjreduktion er således to modsatrettede processeringer (36). Man

kunne formode, at der eksisterer et kompromis-niveau af begge slags parametre.

57

I vores forsøg, havde kraftig kantforstærkning (høje værdier af både EE og EF) en

meget uheldig effekt på billedkvaliteten, særligt hvis støjreduktionen samtidig var lav.

Det så ikke ud til, at der eksisterede et kompromis-optimum mellem kantforstærkning

og støjreduktion.

UM-F og UM-K, som blev anvendt i EN’s forsøg, kan også have en kantforstærkende

effekt. Hvis der anvendes en lille til mellemstor UM-K forstærkes kanter med en faktor,

der bestemmes af UM-F. EN’s resultater viser, at en lille UM-K (især sammen med en

stor UM-F) påvirkede billedkvaliteten negativt. Så også her ser det ud til, at kraftig

kantforstærkning påvirker billedkvaliteten negativt.

Disse konklusioner skal ses i lyset af den måde, hvormed billedkvaliteten er opgjort.

CDRAD-fantomet kan ikke bruges til at evaluere processeringens effekt på synligheden

af diverse anatomiske og patologiske strukturer, fx synligheden af diffuse infiltrater i

lungerne, som forekommer på billeder af mennesker. Sådanne strukturer kan maskeres

ved en kraftig kantforstærkning, der forstærker kartegningen i lungerne (6), eller ved for

kraftig støjreduktion, som både fjerner støj og fine strukturer med vigtig

billedinformation (36).

CDRAD-fantomet tillader ej heller en vurdering af, om et givent parametervalg

forårsager artefaktdannelse på kliniske billeder, eller hvorvidt en given processering

ændrer et billedets ’konventionelle’ udseende.

Flere kilder pointerer risikoen for at introducere artefakter i billederne, hvis der

anvendes ekstreme parameterværdier, som vi har gjort i vores forsøg (6, 26, 27). Andre

studier har vist, at et ’konventionelt’ udseende af billedet er en vigtig faktor for

radiologens opfattelse af dets diagnostiske værdi (6). Begge pointer illustrerer

nødvendigheden af, at supplere forsøg baseret på CDRAD-fantom, med forsøg, der er

klinisk realistiske, som gjort i EN’s artikel.

Resultaterne af EN’s og vores forsøg skal også tages med forbehold, fordi andre ikke

undersøgte parametre kunne tænkes at influere på effekterne af de undersøgte

parametre.

58

EN’s forsøg viser netop, at der er komplekse interaktioner mellem mange parametre,

som kan resultere i modstridende resultater alt afhængigt af, hvordan forskellige

parameterværdier kombineres.

En vigtig erkendelse i arbejdet med at optimere processeringsparametre er, at formålet

med billedet afgør, hvilke strukturer i billedet der er væsentlige, og dermed

hensigtsmæssige at fremhæve (5, 11). Fx har nogle udviklet processeringsalgoritmer

mhp. at optimere visualiseringen af katetre i mediastinum, hvilket har stor anvendelse

på intensivafdelinger (14). I andre tilfælde er formålet med et thoraxbillede at vurdere

patologiske tilstande i lungefelterne, hvilket kræver en helt anden processering (19).

59

8. Konklusion

Som opsamling på den samlede diskussion og til besvarelse af problemformulerings

spørgsmål, kan vi overordnet konkludere, at resultaterne af både Eva Norrmans og vores

eget forsøg tydeligt viser, at billedkvaliteten kan forbedres vha. optimering af de valgte

processeringsparametre indenfor både UNIQUE og MLT(S).

De i opgaven fundne resultater indikerer, at en høj værdi af støjreducerende parametre

kombineret med en lille værdi af kantforstærkende parametre resulterer i den bedste

billedkvalitet indenfor de undersøgte parameterkombinationer.

Denne konklusion skal dog tages med forbehold. Dels fordi det kun er et mindre udvalg

af parametre, der er undersøgt – ikke-undersøgte parametre kunne tænkes at influere på

effekten af de undersøgte parametre og ændre de ovennævnte konklusioner. Dels fordi

den anvendte metode til at måle billedkvalitet ikke kan stå alene, når effekten af

parameterkombinationerne skal evalueres.

60

9. Perspektivering

Vi viser i denne opgave, at der er stort potentiale i at forbedre billedkvaliteten vha.

optimering af de undersøgte processeringsparametre. Dette er givetvis en observation,

der kan generaliseres til også at gælde andre typer software og processeringsmetoder.

Det er åbenlyst, at forbedring af billedkvaliteten vha. processering vil have en stor

betydning for radiografien. Som beskrevet i problemfeltet vil en sådan optimering have

flere positive følgevirkninger - dels i form af billeder med forbedret diagnostisk værdi,

dels ved at give mulighed for at reducere den effektive patientdosis. Begge disse udfald

vil være til stor gavn for patienterne.

Opgaven illustrerer dog også, at en sådan optimeringsproces er vanskelig grundet de

komplekse samspil mellem mange faktorer og parametre, som influerer på

billedkvaliteten. Samtidigt skal det diagnostiske formål holdes for øje, idet forskellige

formål kan stille forskellige krav til et billede.

Kompleksiteten af de faktorer, der påvirker billedkvaliteten, illustrerer nødvendigheden

af at generere meget mere viden på området, som kan udmøntes i praktiske tiltag. Man

kunne fx forestille sig, at det i fremtidens røntgenudstyr ville være hensigtsmæssigt at

inkorporere mange forskellige processeringskombinationer, hver designet til at

fremstille en bestemt patologi bedst muligt. Herved kunne radiografen eller radiologen

få mulighed for at anvende den optimale kombination af parameterindstillinger,

afhængigt af det konkrete formål.

Kompleksiteten i den digitale billeddannelse demonstrerer også nødvendigheden af

bedre uddannelse af radiografer mhp. at varetage udvikling og implementering af

sådanne tiltag.

Det er nødvendigt at forstå den billeddannende proces, for til fulde at kunne forstå og

udnytte det potentiale, som rummes i den digitale radiografi.

61

10. Litteraturliste

1. Krupinski EA, Williams MB, Andriole K,Strauss KJ, Applegate K, Wyattf M et al.

Digital Radiography Image Quality: Image Processing and Display.

Journal of the American College of Radiology. Juni 2007; 4(6): 389-400. I alt 12 sider.

Tilgængelig: http://www.jacr.org/article/S1546-1440(07)00078-6/abstract

2. Båth M, Håkansson M, Hansson J, Månsson LG. A conceptual optimisation strategy

for radiography in a digital environment. Radiation Protection Dosimetry. 2005; 114(1-

3):230-235. I alt 6 sider. Tilgængelig: http://dx.doi.org/10.1093/rpd/nch567

3. Samei E, Dobbins JT, Lo JY, Tornai MP. A framework for optimising the

radiographic technique in digital x-ray imaging. Radiation Protection Dosimetry. 2005;

114(1-3):220–229. I alt 10 sider. Tilgængelig: http://dx.doi.org/10.1093/rpd/nch562

4. Norrman E, Geijer H, Persliden J. Optimization of image process parameters through

factorial experiments using a flat panel detector. Physics in Medicine and Biology. 7.

September 2007; 52(17): 5263-5276. I alt 15 sider. Tilgængelig:

stacks.iop.org/PMB/52/5263

5. Mol A. Image Processing Tools for Dental Applications. Applications of Digital

Imaging Modalities for Dentistry. April 2000; 44(2):299-318. I alt 19 sider.

6. Prokop M, Neitzel U, Schaefer-Prokop C. Principles of Image Processing in Digital

Chest Radiography. Journal of Thoracic Imaging. 2003; (18):148–164. I alt 17 sider.

7. Analoui M. Radiographic image enhancement. Part I spatial domain techniques.

Dentomaxillofacial Radiology. 2001; (30):1-9, I alt 9 sider.

8. Tingberg A, Sjöström D. Optimisation of image plate radiography with respect to

tube voltage. Radiation Protection Dosimetry. 2005; 114(1-3):286–293. I alt 7 sider.

Tilgængelig: http://dx.doi.org/10.1093/rpd/nch536

62

9. Council Directive 97/43/Euroatom of June 30 1997. Side 1-6. I alt 6 sider.

Tilgængelig:

http://ec.europa.eu/energy/nuclear/radioprotection/doc/legislation/9743_en.pdf

10. Bekendtgørelse nr. 975 af 16. december 1998. Bekendtgørelse om medicinske

røntgenanlæg til undersøgelse af patienter. Sundhedsstyrelsen journal nr. 3715-72-1998.

Kapitel 7 § 34. I alt 1 side. Tilgængelig:

https://www.retsinformation.dk/Forms/R0710.aspx?id=21071

11. Moore CS, Liney GP, Beavis AW, Saunderson R. A method to optimize the

processing algorithm of a computed radiography system for chest radiography. The

British Journal of Radiology. 20. August 2007; 80:724–730, I alt 6 sider. Tilgængelig:

http://bjr.birjournals.org/cgi/content/abstract/80/957/724

12. Redlich U, Hoeschen C, Doehring W. Assessment and optimisation of the image

quality of chest-radiography systems. Radiation Protection Dosimetry. 2005; 114(1-

3):264–268. I alt 4 sider. Tilgængelig: http://dx.doi.org/10.1093/rpd/nch559

13. Wiltz HJ, Petersen U, Axelsson B. Reduction of absorbed dose in storage phosphor

urography by significant lowering of tube voltage and adjustment of image display

parameters. Acta Radiologica. Juli 2005; 46(4):391-395. I alt 5 sider. Tilgængelig:

http://dx.doi.org/10.1080/02841850510021184

14. Nodine CF, Liu H, Miller WT, L. Kundel HL. Observer Performance in the

Localization of Tubes and Catheters on Digital Chest Images: The Role of Expertise

and Image Enhancement. Acad Radiol. 1996; 3:834-841. I alt 7 sider.

15. Yamada S, Murase K. Effectiveness of flexible noise control image processing for

digital portal images using computed radiography. The British Journal of Radiology.

2008; 78:519–527. I alt 8 sider. Tilgængelig: http://dx.doi.org/10.1259/bjr/26039330

63

16. Geijer H. Radiation dose and image quality in diagnostic radiology. Optimization of

the dose-image quality relationship with clinical experience from scoliosis radiography,

coronary intervention and a flatpanel digital detector. Acta Radiol. 2002; 43:9–43. I alt

35 sider.

17. Bushberg JT, Seibert JA, Leidholdt JR. EM, Boon JM. The Essential Physics of

Medical Imaging, Second Edition. Lippincott Williams & Wilkins, Philadelphia. 2002,

Kapitel 10, side 255-291 og side 312 I alt 37 sider.

18. Norrman E, Gårdestig M, Persliden J, Geijer H. A Clinical Evaluation of the Image

Quality Computer Program CoCIQ. Journal of Digital Imaging. Juni 2005; 18(2): 138-

144. I alt 6 sider. Tilgængelig: http://dx.doi.org/10.1007/s10278-004-1036-0

19. Williams MB, Krupinski EA, Strauss JK, Breeden WK, Rzeszotarski MS,

Applegate K, et al. Digital Radiography Image Quality: Image Acquisition. Journal of

the American College of Radiology. Juni 2007; 4(6):371-388. I alt 18 sider.

20. Normann E. Optimisation of radiographic imaging by means of factorial

experiments [ph.d]. Örebro Universitet, Studies in Physics 3, Universitetsbiblioteket

2007. Side 21-29. I alt 9 sider.

21. Philips. Brugsanvisning UNIQUE Billedbehandlingssoftware Udgave 1.0 Dansk.

Philips Medical Systems 2006. Side 1-44. I alt 44 sider.

22. Philips. Hurtig vejledning PCR Eleva, Philips Medical Systems 2007. Side 1-12.

I alt 12 sider.

23. Philips. PCR Eleva. Philips Medical Systems 2007. Side, 128,129,180. Ialt 3 sider.

24. Canon - CXDI-1 System Digital Radiography OPERATION MANUAL, Canon

2008. Side 71-75 I alt 5 sider.

64

25. Canon - CXDI-50G detektor specifikationer, Canon 2006. side 1-2. 2 sider i alt.

26. Canon - CXDI Image Processing Software MLT(S) - USER'S MANUAL, Canon

2008. Side 1-28. I alt 28 sider.

27. Canon - Multiobjective Frequency Processing Function Manual, Canon 2008.

Side 1-28. 28 sider i alt.

28. Montgomery DC. Design and Analysis of Experiments. 5th Edition.

Hoboken. New Jersey. John Wiley & Sons. 2001. Kapitel 5,6. Side 170-286 og side

304-305 I alt 119 sider.

29. Fowler J, Cohen L, Phil J. Practical Statistics for Field Biology. Second Edition.

Chichester. John Wiley & Sons. 1998. side 184 – 186 og side 243-247. (Appendix 9 og

10) I alt 8 sider.

30. Johansen K. Basal Sundheds-videnskabelig statestik – begreber og metode. 1.

udgave 2. oplag. København. Munksgaard Danmark. 2006. Side 111-115. I alt 5 sider.

31. Artinis - MANUAL CONTRAST-DETAIL PHANTOM CDRAD 2.0 & CDRAD

Analyser software Version 1.1. Artinis Medical Systems. The Netherlands.

http://www.artinis.com/ Side 1-28. I alt 28 sider.

32. Norrman E, Persliden J. A factorial experiment on image quality and radioation

dose. Radiation Protection Dosimetry. 2005; 114(1-3);246–252. I alt 6 sider.

Tilgængelig: http://dx.doi.org/10.1093/rpd/nch557

33. EUROPEAN COMMISSION. EUR 16260 EN. European Guidelines on Quality

Criteria for Diagnostic Radiographic Images. Side 1-88. 88 sider i alt. Tilgængelig:

ftp://ftp.cordis.lu/pub/fp5-euratom/docs/eur16260.pdf

65

34. Båth M, Månsson LG. Visual grading characteristics (VGC) analysis: a non-

parametric rank-invariant statistical method for image quality evaluation. The British

Journal of Radiology. 2007; 80: 169–176. I alt 7 sider. Tilgængelig:

http://dx.doi.org/10.1259/bjr/35012658.

35. NIST/SEMATECH e-Handbook of Statistical Methods. 5.3.3.3.1. Two-level full

factorial designs. FIGURE 3.1. [online]. [citeret 3. januar 2008]. Tilgængelig:

http://www.itl.nist.gov/div898/handbook/pri/section3/pri3331.htm

36. Flynn MJ. Image presentation: Implications of Processing and Display, A NIOSH

Scientific Workshop. March 12-13, 2008, Washington DC, USA. Side 1-34.

I alt 34 sider.

37. Lo WY, Puchalski SM. Digital Image Processing.Veterinary Radiology &

Ultrasound. 2008; 1(1):42-47. I alt 6 sider.

38. Prokop M, Schaefer-Prokop CM. Digital image processing. European Radiology

1997; 7(3):73-82. I alt 9 sider.

39. Davidson RA, Radiographic Contrast-Enhancement Masks in Digital Radiography

[Doctor of Philosophy]. New South Wales, School of Medical Radiation Sciences,

Faculty of Health Services, The University of Sydney 2006, Australia. Side 72-80 og

side 91-100. I alt 17 sider.

40. Vuylsteke P, Schoeters E. Multiscale Image Contrast Amplification (MUSICA),

SPIE Image Processing. 1994; 2167:551-560. I alt 9 sider.

41. Vuylsteke P, Schoeters E. Image Processing in Computed Radiography. DGZfP

Proceedings BB 67-CD. 1999; 16:87-101. I alt 14 sider.

42. Stahl M, Aach T, Dippel S. Digital radiography enhancement by nonlinear

multiscale processing. Med. Phys. Januar 2000; 27(1):56-65. I alt 10 sider.

66

43. Fujisaki T, Kimura M, Saitoh H, Abe S, Hiraoka T, Production design and

evaluation of a novel breast phantom with various breast glandular fractions. Radiat

Med 2006; 24(10):647–652 I alt 6 sider. Tilgængelig:

http://dx.doi.org/10.1007/s11604-006-0083-5

Total antal sider 725 sider.

67

11. Bilag

11.1 Bilagsoversigt

Bilag 1: Detaljeret oversigt over materialer og udstyr

Bilag 2: F-max test – undersøgelse for varianshomogenitet

Bilag 3: Ensidig variansanalyse/one-way ANOVA

Bilag 4: Tukey test

Bilag 5: Søjlediagram ’Invers IQF i aftagende rækkefølge’

Bilag 1

68

Detaljeret liste over materialer og udstyr.

Fantom:

CDRAD-fantom 2.0 (serie nr. 03023):

Producent: Artinis Medical Systems BV, St. Walburg 4, 6671 AS Zetten, The

Netherlands. Venligst udlånt af Herlev Hospital.

CDRAD Analyser software version 1.1 inkl. tilhørende manual :

Producent: Artinis Medical Systems BV, St. Walburg 4, 6671 AS Zetten, The

Netherlands. Lånt af og udført på CVU Lillebælt.

Alt nedenstående udstyr, samt røntgenrum er venligst udlånt af Rigshospitalet:

To kvadratiske plader plexiglas (polymethylmetaacrylat – PMMA) 30x30x6 cm.

Røntgenrør:

Varian Medical Systems, Salt Lake City, USA, Rør type A196,

Total filtrering 2,1 mm Al.

Udtagbar Santax DX røntgen detektor af typen flatpanel detektor med scintillator (GOS

– Gd2O2S:Tb) og amorf silicium (a-Si): CXDI-50G.

35*45 cm, 2208*2688 (5,9 mill.) pixels, 160*160 microns pixelpitch, 12 bit

gråtoneskala. Producent: Santax Medico, Dalgas Avenue 40, 8000 Århus C, Danmark

(Canon).

Monitor på arbejdsstation:

Totoku, ME201L, monochrome LCD-monitor.

Producent: TOTOKU ELECTRIC CO., LTD., Head Office 1-3-21 Okubo, Shinjuku-ku,

Tokyo 169-8543 Japan.

Bilag 1

69

Software:

Canon-software MLT(s) version 6.60.02.

Anvendte post-processerings-værktøjer er ’Edge Enhancement Effect’, ’Edge

Enhancement Frequency’ og ’Noise Reduction’.

Producent: Canon U.S.A., Inc., One Canon Plaza, Lake Success, NY 11042, USA.

PACS:

Agfa Impax 5.2.

Statistik udregning:

Statistiske udregninger udført i Microsoft Excel 2003 på PC med Windows XP

Professional Service Pack 3.

Tukey værdier udregnet i MathLab 7.1.0..246 service pack 3 med downloadet qTukey

function

Bilag 2

70

F-max test – undersøgelse for varianshomogenitet.

Summen af: kvardraterne af (replikaterne minus samlet gennemsnit): ∑(X- Xgennemsnit)2

(1,27 – 1,524)2 + (1,27 – 1,524)2 + (1,39 – 1,524)2 osv.

Varians = ∑(X- Xgennemsnit)2/n-1 =SD2

Summen af: (kvardraterne af (replikaterne minus samlet gennemsnit) / (n-1)):

(n=3)

(1,27 – 1,524)2 / 2 + (1,27 – 1,524)2 / 2 + (1,27 – 1,390)2 / 2 osv.

SD2(max) =0,186233

SD2(min) = 0,000233

F-max= SD2(max)/SD2(min) = 798,14

F-max tabel (29) s 243 appendix 9.

a = 27, fg = 2

Tabellen viser kun til a = 12. Tabelværdien for a= 12, fg =2 er 704.

Det har ikke været været muligt at finde tabeller der går højere op i antal samples.

Tallet stiger kraftigt med flere grupper, derfor antager vi at:

F-max beregnet < F-max tabel, dvs. der er varianshomogenitet for a = 0,05.

Bilag 3

71

Ensidig varians analyse/one-way ANOVA

Forudsætninger for ensidig varianstest: prøverne er varianshomogene, uafhængige og

normalfordelte. Opfyldelse af forudsætninger: normalfordeling antages. Prøverne er

indbyrdes uafhængige og varians homogenitet bekræftet ved F-max test.

Hypoteser:

H0 = alle 27 grupper har ens IQF

H1 = der er statistisk signifikant forsk på største og mindste IQF

Udregning af SAKT

Summen af kvardratet af total gennemsnit - replikat:

∑(Xtotal gennemsnit – X1)2

(1,542-1,270)2 + (1,542-1,270) 2 + (1,542-1,390) 2 osv.

SAKT = 10,617

Udregning af SAKM

Summen af kvartraterne af forskellen imellem total gennemsnit

og gruppens gennemsnit:

∑(Xtotal gennemsnit – Xgruppe gennemsnit)2

(1,542-1,310) 2 + (1,542-1,630) 2 + (1,542-2,030) 2 osv.

SAKM = 150,878

Udregning af rest afvigelse:

Summen af replikater - total gennemsnit - (gruppe gennemsnit - total gennemsnit)

∑(X1 - Xtotal gennemsnit – (Xgruppe gennemsnit - Xtotal gennemsnit))

1,270 -1,524 – (1,310-1,524) + 1,270 -1,524 – (1,310-1,524) + 1,390 -1,524 – (1,310-

1,524) osv.

Bilag 3

72

Udregning af SAKI

Summen af kvadraternes af restafvigelsen:

∑(Xrestafvigelse)2

SAKI = 0,964

Varians analyse:

Variansanalyseskema SAK fg Varians (SD2)

Inden for grupper SAKI 0,964 54 0,018

Imellem grupper SAKM 150,878 26 5,803

F= SD2M / SD2

I = 325,064 (Ftest)

F tabel 2,3273-2,4170 (a = 0,01)

Fra F tabel (29) s 244-247 appendix 10.

Ftest > F tabel, dvs. H0 forkastes.

Dvs. der er statistisk signifikant forskel mellem højeste og laveste IQF.

Bilag 4

73

Tukey Test.

Vi har nu med ensidig varians analyse fastslået at der er signifikant forskel på højeste og

laveste inv IQF værdi. Med en Tukey test vil vi nu undersøge om der er signifikant

forskel på andre inv IQF værdier.

Tukey-test

Med denne test kan alle inv IQF-værdier sammenlignes parvist med alle andre inv IQF-

værdier, mhp. at identificere de parvise inv IQF-værdier, der afviger signifikant fra

hinanden. Denne analyse forudsætter, at der er en signifikant forskel mellem de to mest

ekstreme inv. IQF-værdier og at antallet af replikater er ens for alle kombinationerne

(29). Begge forudsætninger er opfyldte.

Testen gennemføres på følgende måde: Alle parvise differencer mellem inv IQF-

værdierne for de 27 parameterkombinationer beregnes (vist i tabellen på de to næste

sider). Desuden beregnes test-værdien T, som repræsenterer grænseværdien mellem de

inv IQF-værdier, der er signifikant forskellige fra hinanden, og de, der ikke er. Dette

sker ved, at identificere alle de differencer, der er numerisk større end T-værdien – disse

er signifikant forskellige fra hinanden.

T beregnes således:

T = q x (√(SD2(I)/n))

q = 6.3362 q er en tabelværdi udregnet i MathLab for for signifikans niveau a=0,01

n = 3

T= 0,489

Hver værdi fra tabellen på de følgende 2 sider, der er nummerisk større end T-værdien,

repræsenterer 2 parameterkombinationer, som afviger signifikant fra hinanden. Disse

resultater er opsumeret i tabel 7 i afsnittet 7.2.4 Statistisk analyse af data.

Bilag 4

74

-0,3200 -0,7200 0,0100 -0,1433 -0,8566 0,0267 -0,2933 -0,6366 0,0334 -0,3700 -0,7833 0,0500 -0,3166 -0,6366 0,1534

-0,4000 0,3300 0,1767 -0,5366 0,3467 0,0267 -0,3166 0,3534 -0,0500 -0,4633 0,3700 0,0034 -0,3166 0,4734

0,7300 0,5767 -0,1366 0,7467 0,4267 0,0834 0,7534 0,3500 -0,0633 0,7700 0,4034 0,0834 0,8734

-0,1533 -0,8666 0,0167 -0,3033 -0,6466 0,0234 -0,3800 -0,7933 0,0400 -0,3266 -0,6466 0,1434

-0,7133 0,1700 -0,1500 -0,4933 0,1767 -0,2267 -0,6400 0,1933 -0,1733 -0,4933 0,2967

0,8833 0,5633 0,2200 0,8900 0,4866 0,0733 0,9066 0,5400 0,2200 1,0100

-0,3200 -0,6633 0,0067 -0,3967 -0,8100 0,0233 -0,3433 -0,6633 0,1267

-0,3433 0,3267 -0,0767 -0,4900 0,3433 -0,0233 -0,3433 0,4467

0,6700 0,2666 -0,1467 0,6866 0,3200 0,0000 0,7900

-0,4034 -0,8167 0,0166 -0,3500 -0,6700 0,1200

-0,4133 0,4200 0,0534 -0,2666 0,5234

0,8333 0,4667 0,1467 0,9367

-0,3666 -0,6866 0,1034

-0,3200 0,4700

0,7900

Bilag 4

75

-0,1200 -0,4433 -0,0100 -0,3866 -0,6833 0,1534 -0,0166 -0,2866 0,5434 0,2634 0,0234 0,2000 -0,1233 0,3100 -0,0666 -0,3633 0,4734 0,3034 0,0334 0,8634 0,5834 0,3434

0,6000 0,2767 0,7100 0,3334 0,0367 0,8734 0,7034 0,4334 1,2634 0,9834 0,7434 -0,1300 -0,4533 -0,0200 -0,3966 -0,6933 0,1434 -0,0266 -0,2966 0,5334 0,2534 0,0134 0,0233 -0,3000 0,1333 -0,2433 -0,5400 0,2967 0,1267 -0,1433 0,6867 0,4067 0,1667 0,7366 0,4133 0,8466 0,4700 0,1733 1,0100 0,8400 0,5700 1,4000 1,1200 0,8800 -0,1467 -0,4700 -0,0367 -0,4133 -0,7100 0,1267 -0,0433 -0,3133 0,5167 0,2367 -0,0033

0,1733 -0,1500 0,2833 -0,0933 -0,3900 0,4467 0,2767 0,0067 0,8367 0,5567 0,3167 0,5166 0,1933 0,6266 0,2500 -0,0467 0,7900 0,6200 0,3500 1,1800 0,9000 0,6600 -0,1534 -0,4767 -0,0434 -0,4200 -0,7167 0,1200 -0,0500 -0,3200 0,5100 0,2300 -0,0100 0,2500 -0,0733 0,3600 -0,0166 -0,3133 0,5234 0,3534 0,0834 0,9134 0,6334 0,3934 0,6633 0,3400 0,7733 0,3967 0,1000 0,9367 0,7667 0,4967 1,3267 1,0467 0,8067 -0,1700 -0,4933 -0,0600 -0,4366 -0,7333 0,1034 -0,0666 -0,3366 0,4934 0,2134 -0,0266 0,1966 -0,1267 0,3066 -0,0700 -0,3667 0,4700 0,3000 0,0300 0,8600 0,5800 0,3400 0,5166 0,1933 0,6266 0,2500 -0,0467 0,7900 0,6200 0,3500 1,1800 0,9000 0,6600 -0,2734 -0,5967 -0,1634 -0,5400 -0,8367 0,0000 -0,1700 -0,4400 0,3900 0,1100 -0,1300 -0,3233 0,1100 -0,2666 -0,5633 0,2734 0,1034 -0,1666 0,6634 0,3834 0,1434 0,4333 0,0567 -0,2400 0,5967 0,4267 0,1567 0,9867 0,7067 0,4667 -0,3766 -0,6733 0,1634 -0,0066 -0,2766 0,5534 0,2734 0,0334 -0,2967 0,5400 0,3700 0,1000 0,9300 0,6500 0,4100 0,8367 0,6667 0,3967 1,2267 0,9467 0,7067 -0,1700 -0,4400 0,3900 0,1100 -0,1300 -0,2700 0,5600 0,2800 0,0400 0,8300 0,5500 0,3100 -0,2800 -0,5200 -0,2400

Bilag 5

76

Inv. IQF i aftagende rækkefølge

0

0,5

1

1,5

2

2,5

EE-L, E

F-M, N

R-H 6

.

EE-M, E

F-L, N

R-H 1

2.

EE-L, E

F-L, N

R-H 3

.

EE-H, E

F-L, N

R-H 2

1.

EE-L, E

F-H, N

R-H 9

.

EE-M, E

F-M

, NR-H

15.

EE-M, E

F-H, N

R-H 18

.

EE-H, E

F-L, N

R-M 2

0.

EE-M, E

F-L, N

R-M 1

1.

EE-L, E

F-L, N

R-M 2

.

EE-M, E

F-M

, NR-M

14.

EE-H, E

F-M

, NR-H

24.

EE-L, E

F-H, N

R-M 8

.

EE-L, E

F-M, N

R-M 5

.

EE-M, E

F-H, N

R-M 1

7.

EE-H, E

F-M

, NR-M

23.

EE-H, E

F-L, N

R-L 19

.

EE-L, E

F-L, N

R-L 1

.

EE-L, E

F-M, N

R-L 4

.

EE-H, E

F-H

, NR-H

27.

EE-L, E

F-H, N

R-L 7

.

EE-M, E

F-L, N

R-L 1

0.

EE-M, E

F-M

, NR-L

13.

EE-H, E

F-M

, NR-L

22.

EE-M, E

F-H, N

R-L 1

6.

EE-H, E

F-H

, NR-M

26.

EE-H, E

F-H

, NR-L

25.

Parameter kombination

Inv.

IQF

Plateau I

Plateau II

Plateau III

Plateau IV

Plateau V

Bilag 5

77

Søjlediagrammet viser inv. IQF i aftagende rækkefølge. Man kan fornemme, at inv IQF-

værdierne grupperer sig på nogle trinvise ’plateauer’, som vi har angivet med nummrene I-

V. Vi vil kort skitsere egenskaberne ved de parameterkombinationer, som hvert plateau

består af.

Plateau I udgøres af de største inv IQF-værdier. Fælles for disse kombinationer er, at de

indeholder: NR-H + EE-L/M/H + EF-L/M/H (men højeste samtidige værdier er EE-M +

EF-M, hvis den ene er H, er den anden L).

Plateau II udgøres af de næststørste inv IQF-værdier. De indeholder flere slags

kombinationer: NR-H + EE-M/H + EF-M/H (men ikke samtidig EE-H + EF-H), eller

NR-M + EE-L/M/H + EF- L/M/H (men ikke samtidig EE-H + EF-H eller EE-H + EF-M).

Plateau III, som udgøres af en bred midtergruppe, indeholder:

NR-H + EE-H + EF-H, eller NR-M + EE-L/M/H + EF-M/H (men ikke samtidig EE-H +

EF-H), eller NR-L + EE-L/M/H + EF-L/M/H (men ikke samtidig EE-H + EF-H).

Plateau IV, en lille gruppe, indeholder:

NR-M + EE-H + EF-H, eller NR-L + EE-M/H + EF-M/H (hvoraf én er M og den anden H

og vice versa).

Plateau V udgøres af nr. 25 og dens lave inv IQF skiller sig markant ud fra alle de øvrige:

NR-L + EE-H + EF-H

En sammenfatning af dette mønster indikerer, at de højeste inv IQF-værdier fås med NR–H

kombineret med varierende, men ingen samtidige høje, værdier af EE og EF.

Bilag 5

78

Mellemværdier af inv IQF (plateau II og III) fås når NR-H kombineres med samtidige

mellem/høje niveauer af EE og EF eller når NR-L/M kombineres med samtidige

lave/mellem niveauer af EE og EF. De laveste inv IQF-værdier (plateau IV og V) fås når

NR-L/M kombineres med samtidige høje eller mellem/høje værdier af EE og EF.

Dette tyder dels på, at høj NR har en positiv effekt på inv IQF, mens samtidig høj EE og EF

har en negativ effekt på inv IQF. Det tyder også på, at blot den ene af de to parametre EE

eller EF er lav, så har en høj værdi af den anden ikke en negativ effekt. Til sidst ser det ud

til, at jo lavere NR, jo mindre værdi af EE og EF er nødvendig for at fremkalde den

negative effekt på inv IQF.

Denne tolkning er essentielt set den samme som vi nåede frem til vha. figur 8, blot

illustreret på en lidt anden måde.

På figuren observerede vi en gruppering i trinvise ’plateauer’ blandt forskellige

kombinationer. Tukey-testen viser, at der ikke er signifikante forskelle mellem

kombinationerne indenfor de enkelte plateauer, men viser heller ikke signifikante forskelle

mellem tilstødende kombinationer, der skiller to plateauer. Sådanne signifikante forskelle

ses kun når der er længere ’afstand’ mellem kombinationerne (fx mellem en værdi i plateau

II versus IV).