Physics-informed Learning of Scatter and Dose Estimation in X-ray Guided Interventions

Language
en
Document Type
Doctoral Thesis
Issue Date
2022-04-11
Issue Year
2022
Authors
Roser, Philipp
Editor
Abstract

Minimally invasive procedures leverage X-rays for online diagnostics and planning, device navigation, and confirmation of successful patient treatment. Although these interventions yield better outcomes than open surgeries at a lower risk, X-rays introduce considerable health concerns. Prolonged irradiation of the same skin area results in skin rashes, hair loss, and even ulceration. Besides, every exposure to X-rays entails the stochastic risk of developing some form of cancer, deeming radiation dose management mandatory. Radiation protection builds on two fundamental pillars -- dose monitoring and avoidance. Unfortunately, current dose tracking systems used in a clinical environment simplify the actual physics, and particularly scattered radiation, to meet real-time requirements in the interventional suite. A common counter measure to scatter is the use of an anti-scatter grid. While it reduces X-ray scatter in the image, it can increase the overall dose. To improve the situation, efficient methods to quantify scatter are desirable since they yield a better dose estimate. They can also facilitate removal of the anti-scatter grid, hence, reducing X-ray dose. This thesis investigates approaches to integrate prior knowledge into neural networks to speed up the dose and scatter estimation while maintaining physical plausibility.

We integrated a Monte Carlo simulation toolkit with digital twins of interventional X-ray systems and patients. A novel filtering-based technique allows for a quick comparison of computational and experimental dose studies. Using this framework, we cross-validated simulations with empiric measurements. We found considerable deviations induced by tissue-equivalent plastics and improper phantom registration.

As part of this framework, we developed a novel method comprising a comprehensive patient organ model, a fast primary X-ray fluence simulation, and a convolutional neural network to refine this simulation. Patient-specific absorption and density maps guide the network in mapping the primary fluence to primary and scatter dose distributions. Our method generalized well to unseen patients and anatomic regions in a computational study on skin dose and only slightly lost accuracy compared to the Monte Carlo simulation. However, we achieved these results in a fraction of the time, less than a second. The results also encourage investigating organ dose estimation.

For the case when only a patient-shape model is available, we extended the conventional skin dose formalism by a learning-based backscatter estimator. It infers a latent scatter representation from X-ray images, which encode the patient's anatomy. In order to improve the physical plausibility, both X-ray projection scatter and backscatter are calculated simultaneously. Our experiments revealed that both scatter distributions were accurately estimated. Also, a comparative study showed the superiority of the multi-task approach over the conventional and single-task methods. The accuracy is comparable to the previous approach at a much higher computational efficiency.

We also studied how to enforce low-frequency properties during learning-based X-ray projection scatter estimation to rule out corruption of relevant high-frequency information. As part of this work, we extended a shallow convolutional encoder by multivariate B-spline evaluation. This way, we decreased the parameter and runtime complexity by orders of magnitudes while being on par with a state-of-the-art neural network. Moreover, we demonstrate data integrity and robustness to unseen noise. A phantom study involving cone-beam computed tomography images yielded encouraging results hinting at a potential clinical application of the proposed method.

Abstract

Minimalinvasive Verfahren nutzen Röntgenstrahlen für die Vor-Ort-Diagnostik und -Planung, die Gerätenavigation und den Nachweis der erfolgreichen Patientenbehandlung. Obwohl diese Eingriffe bessere Ergebnisse als offene Operationen bei geringerem Risiko liefern, bringen Röntgenstrahlen erhebliche gesundheitliche Bedenken mit sich. Länger andauernde Bestrahlung desselben Hautbereichs führt zu Hautausschlägen, Haarausfall und sogar Geschwüren. Außerdem birgt jede Bestrahlung mit Röntgenstrahlen das stochastische Risiko, an einer Form von Krebs zu erkranken, was ein Management der Strahlendosis erforderlich macht. Strahlenschutz baut auf zwei fundamentalen Säulen auf -- Dosisüberwachung und -vermeidung. Leider vereinfachen die aktuellen Dosisüberwachungssysteme, die in einer klinischen Umgebung verwendet werden, die tatsächliche Physik und insbesondere die Streustrahlung, um den Echtzeitanforderungen in der interventionellen Umgebung gerecht zu werden. Eine gängige Gegenmaßnahme zur Streustrahlung ist die Verwendung eines Streustrahlrasters. Es reduziert zwar die Röntgenstreuung im Bild, kann aber die Gesamtdosis erhöhen. Um die Situation zu verbessern, sind effiziente Methoden zur Quantifizierung der Streuung wünschenswert, da sie eine bessere Dosisabschätzung ermöglichen. Sie können auch die Entfernung des Streustrahlrasters erleichtern und damit die Röntgendosis reduzieren. In dieser Arbeit werden Ansätze zur Integration von Vorwissen in neuronale Netze untersucht, um die Dosis- und Streuschätzung zu beschleunigen und gleichzeitig die physikalische Plausibilität zu erhalten.

Wir integrierten einen Monte-Carlo-Simulations-Baukasten mit digitalen Zwillingen von interventionellen Röntgensystemen und Patienten. Eine neuartige filterbasierte Technik ermöglicht den schnellen Vergleich von rechnerischen und experimentellen Dosisstudien. Unter Verwendung dieses Frameworks kreuzvalidierten wir die Simulationen mit empirischen Messungen. Dabei fanden wir erhebliche Abweichungen, die durch gewebeähnliche Kunststoffe und unsachgemäße Registrierung des Phantoms verursacht werden können.

In diesem Rahmen wurde eine neuartige Methode entwickelt, die ein umfassendes Patienten-Organmodell, eine schnelle Simulation der primären Röntgenfluenz und ein faltungsneuronales Netzwerk zur Verfeinerung dieser Simulation umfasst. Patientenspezifische Absorptions- und Dichtekarten leiten das Netzwerk bei der Abbildung der Primärfluenz auf Primär- und Streudosisverteilungen. Unsere Methode ließ sich in einer Berechnungsstudie zur Hautdosis gut auf ungesehene Patienten und anatomische Regionen verallgemeinern und verlor nur geringfügig an Genauigkeit im Vergleich zur Monte-Carlo-Simulation. Allerdings erreichten wir diese Ergebnisse in einem Bruchteil der Zeit, nämlich in weniger als einer Sekunde. Die Ergebnisse ermutigen auch dazu, die Abschätzung der Organdosis zu untersuchen.

Für den Fall, dass nur ein Patienten-Oberflächenmodell zur Verfügung steht, erweiterten wir den konventionellen Hautdosis-Formalismus um einen lernbasierten Rückstreuschätzer. Dieser leitet eine latente Streuungsrepräsentation aus Röntgenbildern ab, die die Anatomie des Patienten kodieren. Um die physikalische Plausibilität zu verbessern, werden sowohl die Röntgenprojektionsstreuung als auch die Rückstreuung gleichzeitig berechnet. Unsere Experimente zeigten, dass beide Streuverteilungen genau geschätzt wurden. Auch eine Vergleichsstudie zeigte die Überlegenheit des Multi-Task-Ansatzes gegenüber konventioneller und Single-Task-Methoden. Die Genauigkeit ist vergleichbar mit dem bisherigen Ansatz bei deutlich höherer Recheneffizienz.

Wir untersuchten auch, wie man niederfrequente Eigenschaften während der lernbasierten Röntgenprojektionsstreuungsschätzung erzwingen kann, um eine Verfälschung relevanter hochfrequenter Informationen auszuschließen. Im Rahmen dieser Arbeit erweiterten wir einen flachen Faltungscodierer um eine multivariate B-Spline-Auswertung. Auf diese Weise reduzierten wir die Parameter- und Laufzeitkomplexität um Größenordnungen und sind gleichzeitig auf Augenhöhe mit einem modernen neuronalen Netz. Darüber hinaus demonstrieren wir Datenintegrität und Robustheit gegenüber unbekanntem Rauschen. Eine Phantomstudie mit Kegelstrahl-Computertomographie-Bildern lieferte ermutigende Ergebnisse, die auf eine mögliche klinische Anwendung der vorgeschlagenen Methode hindeuten.

DOI
Faculties & Collections
Zugehörige ORCIDs