Kurzfassung
Die zeitaufgelöste Computertomographie (4D CT) ist ein zentraler Bestandteil der Strahlentherapie thorakaler Tumoren. Durch die Erfassung der ateminduzierten Bewegung innerer Organe und Tumoren ermöglicht sie eine präzise Zielvolumendefinition sowie die Festlegung von Sicherheitssäumen, was für die Bestrahlungsplanung entscheidend ist.
Aktuelle 4D CT-Protokolle erfassen Projektionsdaten und ein Atemsignal zeitgleich. Anschließend folgt die retrospektive Bildrekonstruktion. Dabei werden die Projektionen einzelnen Atemphasen zugeordnet, um eine zeitaufgelöste Bildsequenz zu rekonstruieren. Ein Teil der Projektionen wird jedoch keiner Phase zugeordnet und bleibt ungenutzt. Daher erfassen bestehende Protokolle häufig mehr Daten als für die Rekonstruktion erforderlich, was zu vermeidbarer Strahlenexposition führt und dem ALARA-Prinzip (As Low As Reasonably Achievable) widerspricht.
Die vorliegende kumulative Dissertation, basierend auf fünf begutachteten Publikationen oder Konferenzbeiträgen, adressiert dies durch die Entwicklung neuartiger Strategien zur Dosisreduktion; zentrale Beiträge sind:
(1) Dosismodulation während der Ausatemphase: Durch temporäres Absenken des CT-Röhrenstroms auf null während verlängerter Endausatemphasen, in denen oft redundante Projektionen erfasst werden, kann die Dosis um 10% reduziert werden.
(2) Evaluation der klinischen Anwendbarkeit: Da die Dosisreduktion potenziell Bildrekonstruktion und -qualität beeinflusst, wurde eine Vergleichsanalyse zwischen dosisreduzierten und klinischen 4D CTs entwickelt und angewandt.
(3) Benchmarking von Atemprädiktionsmodellen: Verschiedene Modelle auf Basis maschinellen Lernens wurden hinsichtlich ihrer Eignung zur Prädiktion der Atembewegung untersucht. Long Short-Term Memory (LSTM)-Netzwerke zeigten dabei die beste Genauigkeit und eignen sich zudem für den Echtzeiteinsatz.
(4) Selektive Datenerfassung: Ein LSTM-basiertes Modell wurde entwickelt, um Beam-on-Ereignisse in Echtzeit basierend auf dem Atemsignal zu steuern und dadurch nur relevante Projektionen zu erfassen. Dies ermöglichte eine Dosisreduktion von 29% bei minimalem Einfluss auf Bildrekonstruktion und -qualität.
Diese Dissertation entwickelte, implementierte und evaluierte erfolgreich neue Strategien zur Dosisreduktion in der 4D CT-Bildgebung und erzielt somit substanzielle Dosiseinsparungen.
Die vorgestellten Methoden tragen zur Weiterentwicklung patientenspezifischer 4D CT-Protokolle bei, entsprechen dem ALARA-Prinzip und ebnen den Weg für erste klinische Anwendungen.
Time-resolved computed tomography (4D CT) imaging is a cornerstone of thoracic tumor radiotherapy. By capturing the breathing-induced motion of internal organs and tumors, it allows for precise target definition and safety margin determination, both critical for treatment planning. Current 4D CT protocols acquire X-ray projection data simultaneously with the patient’s breathing signal, followed by retrospective image reconstruction. During reconstruction, projections are sorted into distinct breathing phases to reconstruct the sought time-resolved image sequence. However, a portion of the acquired projections are not assigned to any phase and are therefore discarded. As a result, current protocols tend to acquire substantially more projection data than strictly necessary for reconstructing the 4D CT, leading to unnecessary radiation exposure and misalignment with the ALARA (As Low As Reasonably Achievable) principle. The present cumulative dissertation, based on five peer-reviewed journal articles or conference proceedings, addresses this by proposing novel dose reduction strategies. Its key contributions are: (1) End-exhalation dose modulation: By temporarily lowering the CT tube current to zero during prolonged end-exhalation breathing phases, in which redundant projections are typically acquired, the imaging dose was reduced by 10%. (2) Evaluation of clinical applicability: Dose reduction is anticipated to impact image reconstruction and quality. Therefore, a comparative analysis was developed and applied to assess differences between dose-reduced and clinical 4D CTs. (3) Benchmarking models for breathing prediction: Multiple machine learning-based models are evaluated for their suitability in predicting breathing motion. Long short-term memory (LSTM) networks demonstrated the best performance while being feasible for real-time application. (4) Selective data acquisition: An LSTM-based model was developed to guide beam-on events in real-time based on the patient's breathing signal and, thus, only acquiring relevant projections. This selective acquisition strategy achieved 29% dose reduction with only minimal impact on image reconstruction and quality. In conclusion, this thesis successfully developed, implemented, and evaluated novel dose reduction strategies for 4D CT imaging, leveraging online breathing signal analysis and deep learning to achieve substantial radiation dose reductions. The proposed methods contribute to the advancement of patient-specific imaging protocols, align with the ALARA principle, and pave the way for initial clinical implementations.