Logo der Physikalisch-Technischen Bundesanstalt

Personalisierte CT-Dosimetrie mit Methoden des maschinellen Lernens

23.12.2021

Abbildung 1: Vergleich Grundwahrheit (links) und Segmentierungsergebnis des U‑Net (rechts).

Ziel der personalisierten CT‑Dosimetrie ist die unmittelbare Anzeige der effektiven Dosis nach der CT‑Aufnahme. Diese wird als Maß für die Höhe der Strahlenexposition im Hinblick auf stochastische Strahlenwirkungen angesehen. Im Rahmen eines Promotionsprojektes wird derzeit ein Verfahren zur personalisierten CT‑Dosimetrie basierend auf Methoden des maschinellen Lernens entwickelt.

Zur quantitativen Bewertung der stochastischen Strahlenwirkung in der Computertomographie (CT) wird ein Maß benötigt, welches sowohl auf Scanner- als auch patientenspezifischen Informationen beruht. Der derzeit verwendete Computertomographie‑Dosisindex (CTDI) erfüllt diese Kriterien nur ansatzweise. Eine bessere Messgröße ist in diesem Zusammenhang die effektive Dosis, wenn sie direkt aus dem CT‑Bild berechnet wird. Im Gegensatz zum CTDI, ermöglicht diese Messgröße zudem eine direkte Vergleichbarkeit zwischen verschiedenen Röntgen‑Bildgebungsmodalitäten. Die Berechnung der effektiven Dosis aus CT‑Datensätzen erfordert hohe zeitliche und personelle Ressourcen und ist somit für den klinischen Alltag nicht geeignet. Ziel dieser Arbeit ist die Entwicklung eines Verfahrens zur schnellen Dosisbestimmung auf der Basis neuronaler Netze, um die im klinischen Arbeitsablauf erforderliche Rechengeschwindigkeit zu erreichen. Die Bestimmung der patientenspezifischen effektiven Dosis aus einem CT‑Bild erfolgt hierbei durch die Lösung von zwei Teilproblemen: Multiorgansegmentierung und Dosissimulation.

Für die Multiorgan‑Segmentierung wird ein CNN mit einer U‑Net‑Architektur verwendet. Dieses berechnet aus einem zweidimensionalen Schnittbild eine Segmentierung für jedes der im Trainingsdatensatz enthaltenen Organe. Der Trainingsdatensatz besteht derzeit aus 140 CT‑Scans mit sechs segmentierten Organen. Eine Beispielsegmentierung ist in Abbildung 1 dargestellt.

Nach einem Training von 50 Epochen erreicht die Multiorgansegmentierung eine Genauigkeit von 83 % auf dem Validierungsdatensatz. Die Genauigkeit wird als „Mean intersection over union“ zwischen der vom Netz durchgeführten Segmentierung und der Grundwahrheit angegeben. Durch einen verbesserten Trainingsdatensatz und Hyperparametertuning soll eine Multiorgan‑segmentierung mit allen für die Berechnung der effektiven Dosis notwendigen Organen erreicht werden.

Die Berechnung der 3D‑Dosisverteilung soll mittels eines „Generative‑Adversarial‑Network“ erfolgen. Für die Erzeugung der Trainingsdaten wurde ein auf Monte‑Carlo‑Simulation basierender digitaler Zwilling des PTB‑Forschungs‑CTs entwickelt. Erste experimentelle Evaluierungen zeigen Abweichungen von unter 10 %. In Abbildung 2 ist eine simulierte Dosisverteilung dargestellt.

Es wird erwartet, dass mit den dargestellten Methoden die effektive Dosis in wenigen Minuten ermittelt werden kann.

CT-Scan

Abbildung 2: Simulierte Dosisverteilung für einen simulierten CT‑Scan für das ICRP‑Phantom.

Ansprechpartner

Opens local program for sending emailMarie-Luise Kuhlmann, Fachbereich 6.2, Arbeitsgruppe 6.25