In einem CT-System durchdringen von einer Röntgenquelle emittierte Röntgenphotonen das Objekt und treffen auf einen Detektor. Dieser misst die Dosis an jedem einzelnen Pixel seiner Detektorfläche. Während das Objekt rotiert, entstehen auf diese Weise digitale Bilder. Die Rekonstruktionssoftware errechnet anhand der Dosiswerte aus den verschiedenen Winkeln virtuelle Schnittbilder. Das Resultat wird als Tomogramm bezeichnet. Jedes Pixel im Tomogramm repräsentiert dabei eine Materialdichte, ein sogenanntes Voxel.

Abbildung 1: CT-Prozess

Um Messungen an Konturen vornehmen zu können, muss dem Objekt eine Oberfläche zugewiesen werden. Dies geschieht typischerweise durch die Differenzierung zwischen Material- und Luftbereich. Der dazwischenliegende Grauwert dient als Schwellenwert (ISO-50-Methode), um die Oberflächenpunkte festzulegen.

Abbildung 2: Subvoxelgenaue Oberflächenbestimmung

Der rote Punkt ganz links liegt genau zwischen dem schwarzen Voxel (Grauwert 0) und dem darunterliegenden weißen Voxel (Grauwert 255). Der Einfachheit halber zeigt das Beispiel lediglich die Platzierung in vertikaler Richtung; in der Realität erfolgt dieser Schritt in allen drei Raumdimensionen. Der nächste Punkt rechts zeigt ein Voxel mit dem Grauwert 127, wodurch die Oberfläche exakt in der Mitte des Voxels verortet wird. Bei Grauwerten, die näher am Schwarz- oder Weißwert liegen, verschiebt sich die Oberfläche entsprechend in die jeweilige Richtung.

Unter idealen Bedingungen läge die theoretische Oberflächengenauigkeit bei 1/256 der Voxelgröße. Dies würde voraussetzen, dass die Flächenabdeckung des Materials eine Signal- (Grauwert-) Änderung erzeugt, die proportional zur abgedeckten Fläche ist. In der Realität sind Scandaten aufgrund vielfältiger physikalischer Effekte wie Streustrahlung, Pixelrauschen und Näherungen in den Rekonstruktionsalgorithmen nicht zu 100 Prozent perfekt. Als Faustregel gilt, dass 1/10 der Voxelgröße bei einem guten CT-Scan der Oberflächengenauigkeit entspricht. Es gibt viele Unbekannte, die es schwierig machen, einen festen Wert zu nennen. Glücklicherweise gibt es Möglichkeiten, die Messunsicherheit zu ermitteln, sowie Normen, die dabei helfen.

Die primäre Norm hierfür ist der „GUM“, JCGM 100:2008 Evaluation of measurement data — Guide to the expression of uncertainty in measurement. Hierbei handelt es sich um einen allgemeinen Leitfaden, der auf jede Messung und jede Einheit angewendet werden kann. Es ist ein etwas komplexer mathematischer Standard, allerdings gibt es praxisnahere Normen, in die der GUM bereits integriert ist.

Um zu verstehen, wie sich die Messergebnisse verteilen, modellieren Sie den Prozess. In den meisten Fällen wird davon ausgegangen, dass die Messungen einer Glockenkurve folgen und sich um den Mittelwert scharen.

Der GUM bietet zwei Modellierungsoptionen namens „Typ A“ und „Typ B“. Typ B basiert auf Erfahrungswerten und früheren Daten. Wenn Typ A bereits hundertmal durchgeführt wurde, kann das Ergebnis anhand von Erfahrungswerten abgeschätzt werden.
Für eine neue Anwendung muss Typ A verwendet werden. Dazu messen Sie ein oder mehrere Objekte desselben Typs und analysieren die Beobachtungen. Das Messgerät trägt nur zu einem Teil zur Messunsicherheit bei; die Norm bietet einen Leitfaden, der eine zuverlässige Methode zur Ermittlung eines objektiven, „harten“ Werts für die Messunsicherheit liefert.

Weitere Informationen finden Sie im kostenlosen Whitepaper.