German Title: Digitale und Physische Phantome für Bildgestützte Interventionen

Preview

PDF, English Download (59MB) | Terms of use

Abstract

With recent advances in Deep Learning, the need for labeled training data in medical imaging has increased. However, due to privacy laws and because annotation by medical experts is time-consuming, labeled training data are scarce. In this work, digital and physical phantom data is introduced to overcome this data shortage. The phantoms are used to develop image processing algorithms and to validate interventional workflows with a focus on liver interventions. Digital phantom data is used to develop image registration algorithms and a deep learning computed tomography (CT) reconstruction for the mitigation of metal artifacts. Furthermore, physical phantoms are manufactured for the validation of robotic needle guidance systems and to optimize interventional imaging protocols. In the first part of this thesis, a synthesis framework for multimodal abdominal image data is presented. The generated CT, cone beam CT (CBCT), and magnetic resonance imaging (MRI) dataset is inherently registered and was used to optimize registration algorithms. Compared to real patient data, the synthetic data showed good agreement regarding the image voxel intensity distribution and the noise characteristics. In the second part, an end-to-end deep learning CT reconstruction technique called iCTU-Net is developed for metal artifact reduction. The network was trained with simulated metal artifact data obtained from a data generation system that was developed in this work. The iCTU-Net was the only investigated method that was able to eliminate metal artifacts. For projection data exhibiting severe artifacts, the iCTU-Net achieved reconstructions with SSIM = 0.970±0.009 and PSNR = 40.7±1.6. The best reference method, an image based post-processing network, only achieved SSIM = 0.944±0.024 and PSNR = 39.8±1.9. The third and fourth part focus on the manufacturing of physical phantoms for the validation of interventional workflows. An abdominal phantom incorporating a liver and six liver lesions with varying visibility in CT and MRI was manufactured to validate a standardized oligometastatic disease (OMD) diagnosis workflow. The workflow includes multimodal image acquisition, image segmentation and registration, and robotically assisted liver biopsy. Using similar materials and a similar manufacturing process, a pelvis phantom with a prostate and four prostate lesions was manufactured. The pelvis phantom was used to perform an MRI-guided prostate biopsy using an MRI-compatible robotic system for needle guidance. The presented work enables the creation of phantom data for the development and validation of a plethora of medical imaging applications. Algorithms for multimodal image registration and CT image reconstruction were successfully developed and physical abdomen and pelvis phantoms for image-guided interventions were manufactured. While the focus of this work was on liver interventions, the presented frameworks can readily be adapted to other body regions.

Translation of abstract (German)

Mit den jüngsten Fortschritten im Bereich Deep Learning ist der Bedarf an annotierten Trainingsdaten in der medizinischen Bildgebung gestiegen. Aufgrund von Datenschutzgesetzen und weil die Annotation durch medizinische Experten zeitaufwändig ist, sind annotierte Trainingsdaten jedoch rar. In dieser Arbeit werden digitale und physische Phantomdaten eingeführt, um diesen Datenmangel zu überwinden. Die Phantome werden zur Entwicklung von Bildverarbeitungsalgorithmen und zur Validierung interventioneller Arbeitsabläufe verwendet, wobei der Schwerpunkt auf Eingriffen an der Leber liegt. Digitale Phantomdaten werden zur Entwicklung von Bildregistrierungsalgorithmen und einer Deep Learning Computertomographie (CT) Rekonstruktion zur Abschwächung von Metallartefakten verwendet. Darüber hinaus werden physische Phantome zur Validierung von robotischen Nadelführungssystemen und zur Optimierung von interventionellen Bildgebungsprotokollen hergestellt. Im ersten Teil dieser Arbeit wird ein Framework für die Synthese von abdominalen Bilddaten vorgestellt. Der generierte CT, Cone Beam CT (CBCT) und Magnetresonanztomographie (MRI) Datensatz ist inhärent registriert und wurde zur Optimierung von Registrierungsalgorithmen verwendet. Im Vergleich zu echten Patientendaten zeigten die synthetischen Daten eine gute Übereinstimmung hinsichtlich der Intensitätsverteilung der Bildvoxel und der Rauschcharakteristik. Im zweiten Teil wird eine End-to-End Deep Learning CT-Rekonstruktionstechnik namens iCTU-Net zur Reduzierung von Metallartefakten entwickelt. Das Netzwerk wurde mit simulierten Metallartefaktdaten trainiert, die von einem in dieser Arbeit entwickelten Datenerstellungssystem stammen. Das iCTU-Net war die einzige untersuchte Methode, die in der Lage war, Metallartefakte zu eliminieren. Bei Projektionsdaten mit erheblichen Artefakten erzielte das iCTU-Netz Rekonstruktionen mit SSIM = 0,970±0,009 und PSNR = 40,7±1,6. Die beste Referenzmethode, ein bildbasiertes Post-Processing-Netzwerk, erreichte nur SSIM = 0,944±0,024 und PSNR = 39,8±1,9. Der dritte und vierte Teil befasst sich mit der Herstellung physischer Phantome für die Validierung von interventionellen Arbeitsabläufen. Zur Validierung eines standardisierten Arbeitsablaufs für die Diagnose oligometastatischer Erkrankungen (OMD) wurde ein abdominales Phantom hergestellt, das eine Leber und sechs Leberläsionen mit unterschiedlicher Sichtbarkeit in CT und MRI enthält. Der Arbeitsablauf umfasst eine multimodale Bildaufnahme, Bildsegmentierung und -registrierung sowie eine robotergestützte Leberbiopsie. Unter Verwendung ähnlicher Materialien und eines ähnlichen Herstellungsprozesses wurde ein Beckenphantom mit einer Prostata und vier Prostataläsionen hergestellt. Das Beckenphantom wurde zur Durchführung einer MRI-gestützten Prostatabiopsie unter Verwendung eines MRI-kompatiblen Robotersystems zur Nadelführung verwendet. Die vorgestellte Arbeit ermöglicht die Erstellung von Phantomdaten für die Entwicklung und Validierung einer Vielzahl von medizinischen Bildgebungsanwendungen. Es wurden erfolgreich Algorithmen für multimodale Bildregistrierung und CT-Bildrekonstruktion entwickelt und physische Abdomen- und Beckenphantome für bildgesteuerte Eingriffe hergestellt. Auch wenn der Schwerpunkt dieser Arbeit auf Eingriffen an der Leber lag, lassen sich die vorgestellten Konzepte problemlos auf andere Körperregionen übertragen.