eprintid: 34983
rev_number: 14
eprint_status: archive
userid: 8214
dir: disk0/00/03/49/83
datestamp: 2024-06-18 10:48:06
lastmod: 2024-06-19 10:04:17
status_changed: 2024-06-18 10:48:06
type: doctoralThesis
metadata_visibility: show
creators_name: Byl, Achim Jan
title: Data-driven Measures for Dose Reduction and Image Quality Enhancement in Computed Tomography
title_de: Datengetriebene Maßnahmen zur Dosisreduktion und Bildqualitätsverbesserung in
der Computertomographie
subjects: ddc-530
divisions: i-850300
adv_faculty: af-13
cterms_swd: Medizinische Physik
cterms_swd: Computertomografie
cterms_swd: Bildverarbeitung
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.
abstract_translated_text: 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.
abstract_translated_lang: ger
date: 2024
id_scheme: DOI
id_number: 10.11588/heidok.00034983
ppn_swb: 1891538292
own_urn: urn:nbn:de:bsz:16-heidok-349833
date_accepted: 2024-06-06
advisor: HASH(0x561a62855bc8)
language: eng
bibsort: BYLACHIMJADATADRIVEN
full_text_status: public
place_of_pub: Heidelberg
citation:   Byl, Achim Jan  (2024) Data-driven Measures for Dose Reduction and Image Quality Enhancement in Computed Tomography.  [Dissertation]     
document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/34983/1/2024%20Diss%20Data-Driven%20Dose%20Reduction%20and%20Image%20Quality%20Enhancements%20Achim%20Byl.pdf