Förderprojekte

Förderbeginn 01.07.2019

Verbesserung der Genauigkeit der Röntgen-basierten Materialzerlegung

Prof. Dr. Andreas Maier
Friedrich-Alexander-Universität Erlangen-Nürnberg
Lehrstuhl für Informatik 5 (Mustererkennung)

Prof. Dr. Adam Wang
Stanford University
Radiological Sciences Laboratory

Energie-auflösende Computertomographiesysteme haben in den letzten Jahren klinischen Nutzen bewiesen. Dieser Nutzen entspringt der Fähigkeit Aussagen über die Materialien in den abgebildeten Volumen zu treffen. Chemische Elemente dämpfen abhängig von ihrer Ordnungszahl Röntgenstrahlen verschiedener Wellenlängen unterschiedlich stark. Man kann diesen Effekt nutzen, indem man mehrere Aufnahmen desselben Objektes mit unterschiedlichen Eingangsspektren erzeugt und aus den Unterschieden dieser Spektralbilder die zugrundeliegende elementare Komposition errechnet.

Traditionelle, analytische Ansätze zur Materialzerlegung setzen eine exakte Anpassung an das genutzte System voraus und sind deshalb anfällig für Störfaktoren. Lernende Systeme hingegen können den Zusammenhang zwischen echten Daten und den Materialbildern direkter erkennen. Wir erwarten, dass die Nutzung lernender Algorithmen diese model-basierten Ansätze in Qualität und Generalisierbarkeit übertrifft, auch weil solche Systeme Strukturen im Bild in ihre Entscheidungsprozesse miteinbeziehen könnten. Die Anwendung von Deep Learning auf dieses Problem hat bereits auf Simulationsdaten vielversprechende Ergebnisse gezeigt und soll nun auf Messdaten umgesetzt werden.

Abschlussbericht
Im Rahmen des geförderten Projektes wurden die Anwendbarkeit von Deep Learning auf Materialzerlegung von Dual-Energy Daten analysiert. Mit dem Endziel, die gelernte Materialzerlegung auf echte Scans anwenden zu können, wurde zuerst die Simulation an die den CT angepasst, dann ein Model auf resultierende Simulationsdaten trainiert und letztendlich die Ergebnisse analysiert.

Um die Anwendung der entstehenden Modelle auf echte Daten zu erleichtern, wurde die Simulationsumgebung CONRAD in den Punkten Trajektorie, Spektrum und Rauschverhalten angepasst und passende Phantome modelliert. Die Trainingsdaten müssen den Wertebereich der Eingangsdaten möglichst gleichmäßig abbilden. Deshalb wurden verschiedene Konstellationen von Pfadländen und Materialien modelliert und daraus Rohdaten erzeugt.

Um die Zerlegung der „Dual-Energy“ Projektionen in Wasser und Iod Längenverteilungen durchzuführen wurde ein Neuronales Netzwerk der U-Net Architektur gewählt. Diese erwies sich in der Literatur auf Grund ihres Aufbaus als erfolgreich bei Segmentierungsaufgaben.Nach erfolgreichem Trainieren des Modells auf die erzeugten Daten wurden die Ergebnisse qualitativ untersucht. Die Ergebnisse waren vielversprechend, wobei eine Korrelation der Qualität der Zerlegung mit dem Aufkommen der entsprechenden Längen in den Trainingsdaten festgestellt werden konnte.

Um die Generalisierung auf Messdaten zu ermöglichen, wurde ein geometrisches Phantom mit einem CT Gerät gescannt und durch Subtraktion aufeinanderfolgender Scans nach vorsichtigem Entfernen einzelner Materialienteile eine „Ground-Truth“ Maske erstellt. Diese Daten können von zukünftigen Arbeiten benutzt werden, um das auf Simulationsdaten angelernte Netzwerk auf echte Daten umzulernen.