Preview

PDF, German - main document Download (18MB) | Terms of use

Abstract

Ziel in der Strahlentherapie ist es, den Tumor akkurat behandeln zu können. Mit Hilfe der Kegelstrahlcomputertomographie (CBCT) können atemkorrelierte 4D Aufnahmen des Patienten erzeugt werden. Durch bewegungskompensierte Rekonstruktion (MoCo), lassen sich hoch aufgelöste 4D Aufnahmen erzeugen, die die Atembewegung des Patienten abbilden. MoCo funktioniert, indem Atembewegung zwischen den verschiedenen Stationen der Atmung mittels Bildregistrierung geschätzt wird. In dieser Arbeit wird eine Methode vorgestellt (acacMoCo), die in der MoCo entstehende, unphysiologische Bewegung unterdrücken kann. Hierfür werden vierdimensionale anatomische Randbedingungen in die Bewegungsschätzung integriert. Zudem wird das Potential von maschinellen Lernen für die Bewegungsschätzung untersucht. In einem experimentellen Teil wird ein 4D CBCT Phantom aus vielen Einzelmessungen erzeugt, dass es erlaubt, 4D Rekonstruktionsalgorithmen gegen eine Ground Truth zu testen. Die entwickelte Methode acacMoCo wird gegen diese Ground Truth evaluiert. Des Weiteren wird die Bewegungsschätzung durch ein neuronales Netzwerk ersetzt und ein Vergleich zwischen den zwei Bewegungsschätzungen durchgeführt. Die Resultate dieser Dissertation sind: die acacMoCo kann unphysiologische Bewegung in Rücken und Wirbelsäule des Patienten unterdrücken, die 4D CBCT Synthese ist ein geeignetes Werkzeug um MoCo Algorithmen zu evaluieren und mit neuronalen Netzen steht eine ebenso geeignete Bewegungsschätzung zur Verfügung.