Deep learning-based artifact reduction in time-resolved fan-beam and cone-beam computed tomography

Abstract

Time-resolved fan-beam computed tomography (4D fan-beam CT) is an essential imaging modality for 4D radiotherapy of moving targets like lung tumors. By specifying the motion range and motion patterns of the tumor based on the 4D fan-beam CT information, the treatment plan can be optimized to deliver the prescribed radiation dose to the target volume while sparing the surrounding healthy tissue and organs as much as possible. 4D fan-beam CT imaging, however, is affected by different types of 4D-specific image artifacts resulting in a severe degradation of image quality depending on the patient's breathing pattern. Hence, the computation of motion vector fields describing the internal motion of the patient is affected as well and may yield unreliable results.

Moreover, in clinical practice, the breathing characteristics extracted from the planning 4D fan-beam CT are currently assumed to be constant during the entire multi-week treatment course, which has already been disproven by the literature. Therefore, the incorporation of a pre-treatment 4D cone-beam CT scan into the treatment workflow would allow for the assessment of the patient's daily respiratory internal motion characteristics and the adaptation of the initial treatment plan. Due to the specific scan geometry and protocol, however, 4D cone-beam CT images are severely affected by so-called time-dependent streaking artifacts, rendering the scans unsuitable for clinical use, let alone the extraction of reliable internal motion information. In this thesis, the following key contributions are made:

(1) Improving the image quality of 4D cone-beam CT images affected by time-dependent streaking artifacts. (2) Correcting double structure and interpolation artifacts as the two main types of 4D-specific artifacts in 4D fan-beam CT images. (3) Development of an end-to-end Monte Carlo-based simulation framework for the generation of virtual 4D cone-beam CT images from 4D fan-beam CT images. (4) Development of a dimensionality reduction and embedding method for the analysis of high-dimensional motion vector fields.

Both (1) and (2) were addressed by the development of novel deep learning-based image processing methods exploiting the spatio-temporal characteristics of the respective imaging technique. Moreover, particular attention was paid to avoiding any bias by incorporating prior knowledge into the deep learning model optimization.

As intrinsically no 4D fan-beam and 4D cone-beam patient data with identical motion patterns is clinically available that can be used for overarching evaluation strategies, an end-to-end 4D cone-beam CT simulation framework was developed in (3). By employing motion models, the patient's internal motion was accurately simulated using a high temporal resolution. The time-consuming Monte Carlo simulation was accelerated by a deep learning technique resulting in a 20-50-fold speedup.

Finally, a technique for comparing the similarity of high-dimensional motion vector fields was introduced in (4). The method is based on the computation of a low-dimensional representation that preserves the essential motion characteristics of the initial vector field time series. A subsequent embedding into a 2D manifold allowed for the visualization and investigation of formed clusters of similar respiratory motion.

In conclusion, the methods developed in this thesis pave the way for aligning the image quality of 4D cone-beam CT and 4D fan-beam CT, as well as for the extraction and comparison of motion vector fields from both imaging modalities, thus advancing the 4D radiotherapy of moving targets.

Zeitaufgelöste Fächerstrahl-Computertomografie (4D-Fächerstrahl-CT) ist eine essenzielle Bildgebungsmodalität für die 4D-Strahlentherapie bewegter Tumoren wie Lungenkarzinome. Basierend auf dem 4D-Fächerstrahl-CT-Bild können die Bewegungsamplitude und -muster des Tumors genau analysiert werden und somit die Bestrahlung dahingehend optimiert werden, dass die verschriebene Strahlendosis präzise im Zielvolumen deponiert wird bei gleichzeitiger Schonung des umliegenden gesunden Gewebes. 4D-Fächerstrahl-CT-Bilder sind jedoch von verschiedenen 4D-spezifischen Bildartefakten beeinflusst, die je nach Atemmuster des Patienten zu einer erheblichen Verschlechterung der Bildqualität führen. Somit kann die Berechnung von Bewegungsvektorfeldern, welche die interne Bewegung beschreiben, nicht zuverlässig durchgeführt werden.

Des Weiteren wird in der klinischen Praxis angenommen, dass die Atemcharakteristiken, die aus dem 4D-Fächerstrahl-CT im Rahmen der Bestrahlungsplanung extrahiert wurden, während der gesamten mehrwöchigen Behandlung konstant bleiben, was jedoch bereits in der Literatur widerlegt wurde. Daher würde die Integration eines 4D-Kegelstral-CT-Scans vor jeder Behandlungssitzung die Möglichkeit bieten, die tagesaktuellen internen Bewegungscharakteristiken des Patienten zu erfassen und so den initialen Bestrahlungsplan entsprechend anzupassen. Aufgrund der verwendeten Scan-Geometrien und Bildgebunsprotokolle sind 4D-Kegelstrahl-CT-Bilder jedoch von ausgeprägten, zeitabhängigen Bildartefakten betroffen und somit für eine klinische Verwendung nicht geeignet. Interne Bewegungsinformationen können aus diesem Grund ebenfalls nicht zuverlässig berechnet werden. Die vorliegende Dissertation befasst sich mit den folgenden zentralen Punkten:

(1) Verbesserung der Bildqualität von 4D-Kegelstrahl-CT-Bildern, die von zeitabhängigen Bildartefakten betroffen sind. (2) Korrektur der typischen Artefakte (Doppelstruktur- und Interpolationsartefakte) in 4D-Fächerstrahl-CT-Bildern. (3) Entwicklung eines Monte-Carlo-basierten Simulationsframeworks für die Generierung virtueller 4D-Kegelstrahl-CT-Bilder basierend auf 4D-Fächerstrahl-CT-Bildern. (4) Entwicklung einer Dimensionsreduktions- und Einbettungsmethode zur Analyse hochdimensionaler Bewegungsvektorfelder.

Durch die Entwicklung von neuartigen, Deep-Learning-basierten Bildverarbeitungsmethoden, konnten sowohl (1) als auch (2) adressiert werden. Dabei wurden maßgeblich die speziellen räumlich-zeitlichen Eigenschaften der jeweiligen Bildgebungstechnik ausgenutzt. Des Weiteren wurde insbesondere darauf geachtet, dass kein zusätzlicher Bias durch die Einbeziehung von Vorwissen in den Trainingsprozess der Deep-Learning-Modelle entsteht.

Da intrinsisch keine klinischen 4D-Fächer- und 4D-Kegelstrahl-CT-Patientendaten mit identischen Bewegungsmustern verfügbar sind, welche für umfassende Evaluationen genutzt werden können, wurde in (3) ein 4D-Kegelstrahl-CT-Simulationsframework entwickelt. Hierbei wurden Bewegungsmodelle verwendet, um die interne Bewegung des Patienten mit hoher zeitlicher Auflösung genaustens zu simulieren. Des Weiteren wurde die rechenintensive Monte-Carlo-Simulation durch eine Deep-Learning-basierte Technik um den Faktor 20-50 beschleunigt.

Abschließend wurde in (4) eine Methode vorgestellt, mit der die Ähnlichkeit hochdimensionaler Bewegungsvektorfelder verglichen werden kann. Hierbei wurde eine niedrigdimensionale Repräsentation berechnet, welche die wesentlichen Bewegungscharakteristiken der ursprünglichen Bewegungsvektorfeld-Zeitreihen erhält. Eine anschließende Einbettung dieser Repräsentation in eine 2D-Mannigfaltigkeit ermöglichte die Visualisierung und Analyse von Clustern ähnlicher Atembewegungen.

Die in dieser Dissertation entwickelten Methoden ermöglichen es, die Bildqualität von 4D-Kegelstrahl-CT- und 4D-Fächerstrahl-CT weiter anzugleichen. Hierdurch wird die Berechnung und Vergleichbarkeit von Bewegungsvektorfeldern für beide Bildgebungsmodalitäten maßgeblich verbessert und somit die 4D-Strahlentherapie bewegter Tumoren entscheidend vorangetrieben.