German Title: Datengetriebene Maßnahmen zur Dosisreduktion und Bildqualitätsverbesserung in der Computertomographie

Preview

PDF, English (Dissertation) - main document Download (48MB) | Terms of use

Abstract

Dose reduction without sacrificing image quality is one of the primary aims of computed tomography (CT) research. Especially in interventional applications, which require multiple scans, dose reduction is paramount. Two pathways of arbitrarily reducing dose are the reduction of tube current (low-mAs CT) and reduction of number of projections (sparse-view CT). The former will increase noise, the latter sparseness artifacts, such that there is a trade-off between dose and image quality in either case. Additionally, if the patient does not fully fit in the field of measurement, as is typical for interventional cone-beam CT, the image will suffer from truncation artifacts and a small field of view. Novel deep neural networks have shown promising results in a variety of image processing tasks. The aim of this thesis is therefore to analyze the different low-dose CT realizations in conjunction with deep learning-based image processing and facilitate reconstruction from truncated projections with both a data-driven and iterative method. Quantitative image quality analysis of low-dose CT is performed with several conventional and task-based methods. The latter are able to distinguish between sufficiently and insufficiently trained networks, ensuring a safe utilization of deep learning-based methods. The well-trained neural networks are able to support the tested 80% dose reduction by restoring image quality. Between the different realizations of low-dose CT, low-mAs CT is determined as preferable. Both detruncation methods achieve satisfactory results. However, the computational cost of DART remains prohibitive while the deep learning-based detruncation promises to increase the field of view in real-time. This in turn may improve image guidance and secondary algorithms during operations.

Translation of abstract (German)

Dosisreduktion ohne Verringerung der Bildqualität ist einer der Forschungsschwerpunkte im Bereich Computertomographie (CT). Besonders in interventionellen Anwendungen, die oft wiederholte Aufnahmen benötigen, ist Dosisreduktion entscheidend. Zwei mögliche Wege die Dosis beliebig zu verringern, sind die Senkung des Röhrenstroms und die Verringerung der Projektionsanzahl. Ersteres bewirkt ein Ansteigen des Bildrauschens, letzteres verursacht Streifenartefakte. Somit gibt es in beiden Fällen einen Kompromiss zwischen Dosis und Bildqualität. Falls der Patient nicht in das Messfeld passt, was üblich für interventielle C-Arm Systeme ist, entstehen Trunkierungsartefakte und das Field-of-View ist verkleinert. Neuartige neuronale Netze haben bereits für diverse Anwendungen aus der Bildverarbeitung hervorragende Ergebnisse geliefert. Das Ziel dieser Arbeit ist daher, die verschiedenen Niedrigdosis-CTImplementierungen im Verbund mit Deep Learning-basierter Bildverbesserung zu analysieren, sowie die Rekonstruktion aus trunkierten Rohdaten mithilfe einer Deep Learning-basierten und einer iterative Methode zu ermöglichen. Zur quantitativen Bildqualitätsanalyse der NiedrigdosisScans wurden mehrere konventionelle und Aufgaben-basierte Metriken implementiert. Letztere sind in der Lage zwischen ausreichend und unzureichend trainierten Netzen zu unterscheiden und gewährleisten so die sichere Verwendung von Deep Learning Algorithmen. Die Netze ermöglichen eine Dosisreduktion von 80% durch die Wiederherstellung der Bildqualität. Von den Methoden zur Dosissenkung wird die Senkung des Röhrenstroms als zu bevorzugen bewertet. Beide Methoden zur Detrunkierung liefern zufriedenstellende Ergebnisse. Allerdings ist der mit DART verbundene Rechenaufwand derzeit noch weitaus größer als die Inferenzzeit des Netzes, welches Korrekturen in Echtzeit verspricht. Diese können möglicherweise zur Verbesserung der Bildsteuerung während Operationen oder nachfolgenden Algorithmen beitragen.