MEMoRIAL-M1.10 | Deep Learning für interventionelle C-Bogen-CT

Die Aufgabe der CT-Rekonstruktion, bei der es um die Bestimmung eines zugrunde liegenden 3D-Volumens aus einer Reihe von Projektionen geht, entspricht der Lösung eines riesigen Systems linearer Gleichungen. Moderne Deep-Learning-Methoden bieten ein effektives Werkzeug zur Lösung solcher Aufgaben.

Bisher wird bei CT-Scans immer ein kompletter Satz von Röntgenprojektionen des Untersuchungsobjekts erfasst, wobei die Tatsache außer Acht gelassen wird, dass es sich um ein und denselben Patienten handeln kann, der mehrfach und/oder wiederholt untersucht wird.
Darüber hinaus führen vollständige CT-Scans zu identisch hohen Dosen ionisierender Strahlung sowie zu langen Scan-Dauern.

Vorwissen, wie z.B. verallgemeinerbare Informationen über die menschliche Anatomie oder auch die Verfügbarkeit individueller Daten aus vorangegangenen, patientenspezifischen Scans, werden derzeit nicht berücksichtigt.
Dies gilt insbesondere für bildgesteuerte Eingriffe wie das Einführen einer Nadel in einen Tumor zum Zwecke der Ablation. Die damit verbundenen Aufnahmen unterscheiden sich lediglich in der Position der Nadel - eine Information, die im Rahmen einer geeigneten Einstellung auch aus einer einzigen Projektion ableitbar ist.

In diesem Teilprojekt soll untersucht werden, ob die CT-Rekonstruktion mittels Deep-Learning-Methoden die Abbildung und Erkennung kleinster Veränderungen der Szene auf Basis einer möglichst geringen Anzahl relevanter Projektionen erlaubt.
Gegebenenfalls ergeben sich daraus deutlich reduzierte Strahlendosen in Verbindung mit kürzeren Scan-Zeiten, die eine Echtzeit-Bildgebung bei Eingriffen ermöglichen.

MEMoRIAL-M1.10 | Deep learning for interventional C-arm CT

The CT reconstruction task, addressing the determination of an underlying 3D volume from a series of projections, corresponds to the solution of a huge system of linear equations. Modern deep-learning methods provide an effective tool to perform such tasks.

To date, CT scans always acquire a complete set of x-ray projections of the examination object disregarding the fact, that it might be about one and the same patient being multiply and/or repeatedly screened.
Moreover, complete CT scans result in identically high doses of ionising radiation as well as long scan durations.

Prior knowledge e.g. including generalisable information on human anatomy or even the availability of individual data based on previous, patient-specific scans is presently not taken into account.
This holds particularly true for image-guided interventions such as inserting a needle into a tumour for the purpose of ablation. The associated exposures only differ with respect to the needle's position - an information being derivable also from a single projection within the scope of a suitable setting.

The aim of this sub-project is to study, whether CT reconstruction by means of deep learning methods allows for the imaging and detection of very small changes of the scene based on a number of relevant projections as minimal as possible.
If applicable, significantly reduced radiation doses linked to shorter scan times may result, enabling the real-time imaging during interventions.