The interest in environmental issues is increasing and for this reason, assessing the potential environmental impacts of a product or system is of interest. A methodology developed for this particular purpose is the life cycle assessment, also known as LCA. It is not purely of interest these aspects are investigated though, as increasing requirements on organizations also matter. The purpose of this thesis was to investigate the feasibility to implement the methodology of LCA in the aspect of complex medical devices. To do this, the framework for the methodology has been reviewed and a case study performed. The case study comprised of conducting an LCA study on the radiosurgery device Leksell Gamma Knife® IconTM.  The outcome of the investigation showed that conducting an LCA study means a wide range of aspects need to be considered and specified to a high degree. A particular issue was the data requirements, as obtaining data meeting several objectives was challenging. The modeling was also identified as a difficulty. Tools such as software and databases with predefined processes were used, though as complex medical devices can use materials not common in other fields, a lack of appropriate predefined processes hinders the feasibility. The conducted case study was able to attain valuable insights even though the study did not comply with the standards providing the framework, the ISO 14040 series. To conduct a compliant LCA study for complex medical devices, extensive resources would be required as well as the involvement of relevant parties along the supply chain. It is seen improbable to achieve a compliant study the first time a particular type of complex medical device is investigated. However, it is believed the feasibility would increase as studies are repeated, as the data quality is likely to increase. Advancements of the tools, as well as ongoing research on the environmental impacts of more materials, are other factors thought to increase the feasibility of conducting LCA studies on complex medical devices in the future. / Intresset för miljöfrågor ökar och därav finns det ett intresse att undersöka vad den potentiella miljöpåverkan är för en produkt eller ett system. En metodologi utvecklad för detta specifika syfte är livscykelanalys som även kallas LCA. Det är inte enbart utav intresse som aspekterna utreds, de ökande krav som ställs på olika aktörer spelar också roll. Syftet med detta examensarbete var att undersöka genomförbarheten av livscykelanalyser med avseende på komplexa medicintekniska produkter. Detta gjordes genom att granska regelverken för LCA samt genomförandet av en fallstudie, vilken utgjordes av en livscykelanalys på strålkniven Leksell Gamma Knife® IconTM. Resultaten av undersökningen visade att genomförandet av en livscykelanalys innebär att ett stort spann av aspekter måste beaktas och specificeras i hög grad. Ett särskilt problem var kraven på data då det var utmanande att samla in data som skulle möta flera behov. En annan identifierad svårighet var modelleringen. Verktyg användes i form av mjukvara och databaser med fördefinierade processer men då komplexa medicintekniska produkter kan bestå av material som inte är vanliga inom andra områden, var bristen på passande fördefinierade processer ett hinder för genomförbarheten. Den genomförda fallstudien gav värdefulla resultat trots att den inte var utförd helt enligt standarderna i ISO 14040 serien. För att en LCA studie för komplexa medicintekniska produkter skall möta dessa krav krävs omfattande resurser och att flera berörda parter längs försörjningskedjan involveras. Det ses därför som osannolikt att en studie som genomförs för första gången på en viss typ av komplex medicinteknisk produkt kan leva upp till regelverket. Dock så förmodas genomförbarheten öka i takt med att studier upprepas, då kvaliteten på data tros öka. Utveckling av verktygen samt pågående forskning om miljöpåverkan från olika material är andra faktorer som anses öka genomförbarheten av livscykelanalyser på komplexa medicintekniska produkter i framtiden.

C-arm Cone Beam CT (CBCT) systems – due to compact size, flexible geometry and low radiation exposure – inaugurated the era of on-board 3D image guidance in therapeutic and surgical procedures. Leksell Gamma Knife Icon by Elekta introduced an integrated CBCT system to determine patient position prior to surgical session, thus advancing to a paradigm shift in facilitating frameless stereotactic radiosurgeries. While CBCT offers a quick imaging facility with high spatial accuracy, the quantitative values tend to be distorted due to various physics based artifacts such as scatter, beam hardening and cone beam effect. Several 3D reconstruction algorithms targeting these artifacts involve an accurate and fast segmentation of craniofacial CBCT images into air, tissue and bone. The objective of the thesis is to investigate the performance of deep learning based convolutional neural networks (CNN) in relation to conventional image processing and machine learning algorithms in segmenting CBCT images. CBCT data for training and testing procedures was provided by Elekta. A framework of segmentation algorithms including multilevel automatic thresholding, fuzzy clustering, multilayer perceptron and CNN is developed and tested against pre-defined evaluation metrics carrying pixel-wise prediction accuracy, statistical tests and execution times among others. CNN has proven its ability to outperform other segmentation algorithms throughout the evaluation metrics except for execution times. Mean segmentation error for CNN is found to be 0.4% with a standard deviation of 0.07%, followed by fuzzy clustering with mean segmentation error of 0.8% and a standard deviation of 0.12%. CNN based segmentation takes 500s compared to multilevel thresholding which requires ~1s on similar sized CBCT image. The present work demonstrates the ability of CNN in handling artifacts and noise in CBCT images and maintaining a high semantic segmentation performance. However, further efforts targeting CNN execution speed are required to utilize the segmentation framework within real-time 3D reconstruction algorithms. / C-arm Cone Beam CT (CBCT) system har tack vare sitt kompakta format, flexibla geometri och låga strålningsdos startat en era av inbyggda 3D bildtagningssystem för styrning av terapeutiska och kirurgiska ingripanden. Elektas Leksell Gamma Knife Icon introducerade ett integrerat CBCT-system för att bestämma patientens position för operationer och på så sätt gå in i en paradigm av ramlös stereotaktisk strålkirurgi. Även om CBCT erbjuder snabb bildtagning med hög spatiel noggrannhet så tenderar de kvantitativa värdena att störas av olika artefakter som spridning, beam hardening och cone beam effekten. Ett flertal 3D rekonstruktionsalgorithmer som försöker reducera dessa artefakter kräver en noggrann och snabb segmentering av kraniofaciala CBCT-bilder i luft, mjukvävnad och ben. Målet med den här avhandlingen är att undersöka hur djupa neurala nätverk baserade på faltning (convolutional neural networks, CNN) presterar i jämförelse med konventionella bildbehandlings- och maskininlärningalgorithmer för segmentering av CBCT-bilder. CBCT-data för träning och testning tillhandahölls av Elekta. Ett ramverk för segmenteringsalgorithmer inklusive flernivåströskling (multilevel automatic thresholding), suddig klustring (fuzzy clustering), flerlagersperceptroner (multilayer perceptron) och CNN utvecklas och testas mot fördefinerade utvärderingskriterier som pixelvis noggrannhet, statistiska tester och körtid. CNN presterade bäst i alla metriker förutom körtid. Det genomsnittliga segmenteringsfelet för CNN var 0.4% med en standardavvikelse på 0.07%, följt av suddig klustring med ett medelfel på 0.8% och en standardavvikelse på 0.12%. CNN kräver 500 sekunder jämfört med ungefär 1 sekund för den snabbaste algorithmen, flernivåströskling på lika stora CBCT-volymer. Arbetet visar CNNs förmåga att handera artefakter och brus i CBCT-bilder och bibehålla en högkvalitativ semantisk segmentering. Vidare arbete behövs dock för att förbättra presetandan hos algorithmen för att metoden ska vara applicerbar i realtidsrekonstruktionsalgorithmer.