Proton radiation therapy is an alternative to conventional photon radiation therapy, which accounts for the majority of radiation treatments today. The rationale for using protons in radiation therapy lies in their dose deposition properties; photons deposit a radiation dose inversely proportional to the energy, and therefore tissue depth, while protons exhibit a sharp Bragg peak when traversing matter. This property could increase the precision of dose delivery to the target region, and spare healthy tissue in distal and proximal regions. As part of the proton therapy treatment planning, a computed tomography (CT) scan of the patient is performed and the stopping power ratios (SPR) relative to water of the tissues are derived from the CT numbers. Estimates of SPR values are known to be a significant source of uncertainty, leading to increased margins and radiation to healthy tissue. Photon-counting detectors within CT have demonstrated many advantages over their energy-integrating counterparts, such as improved spectral imaging, higher resolution and filtering of electronic noise. In this study, the potential of photon-counting computed tomography for improving proton therapy planning was assessed by training a deep neural network on a domain transform from photon-counting CT images to SPR maps. Since one of the main types of cancer treated with proton therapy are tumours in the brain and head area, head phantoms were constructed and used to simulate photon-counting CT images, as well as to calculate the ground truth SPR value in each image point. The CT images and SPR maps were then used as input and labels to a neural network. Prediction of SPR with this method yielded relative errors of 0.52 - 0.96 %, and RMSE of 0.54 - 1.25 %, which is comparable to methods based on dual energy CT (DECT) using energy-integrating detectors. / Protonterapi är ett alternativ till konventionell strålbehandling med fotoner, som idag utgör majoriteten av strålbehandlingar. Partiklarnas respektive dosegenskaper utgör det främsta skälet till att strålbehandla med protoner istället för fotoner. Fotoners deponerade dosnivå avtar med energi, och därmed vävnadsdjup. Protoner deponerar förhållandevis låg dos fram till en dostopp ('Bragg peak'), efter vilken stråldosen snabbt avtar. Detta ökar dosprecisionen och kan göra behandlingen mer skonsam för den friska vävnad som omger tumören. Inför strålterapibehandling med protoner utförs en datortomografi av patienten, där vävnadernas bromsförmåga (stopping power ratio, SPR) relativt vatten beräknas från CT-talen. De skattade SPR-värdena utgör en källa till osäkerhet, vilket leder till tilltagna marginaler under behandlingen och ökad stråldos till frisk vävnad. Fotonräknande detektorer inom datortomografi har uppvisat många fördelar gentemot konventionella energiintegrerande detektorer, som exempelvis förbättrade spektrala mätningar, högre bildupplösning samt filtrering av elektroniskt brus. Studien syftar till att undersöka huruvida fotonräknande detektorteknik kan förbättra protonterapiplanering, genom att träna ett neuralt nätverk på en domäntransform från fotonräknande datortomografbilder till SPR-kartor. Då en av de främsta typerna av cancer som behandlas med protonterapi är tumörer i huvudet och hjärnan, konstruerades huvudfantom som dels användes för att simulera bilder från den fotonräknande datortomografen, och dels för att beräkna det sanna SPR-värdet i varje punkt. Dessa utgjorde in- och utdata till ett neuralt nätverk. Beräkning av SPR med denna metod gav relativa fel mellan 0.52 - 0.96 % och RMSE mellan 0.54 - 1.25 %, vilket är jämförbart med metoder baserade på datortomografi med dubbelenergi (dual energy CT, DECT) för energiintegrerande detektorer.

The annotation of medical images is a critical task for many downstream applications. However, the lack of a unified annotation nomenclature has resulted in inconsistency and ambiguity in the storage and use of such data. In this thesis, we propose and evaluate a novel annotation nomenclature for medical images. Our nomenclature is designed to be intuitive, easy to use and to expand. We also developed a knowledge database storing large medical image datasets that integrates the new nomenclature. The database is implemented as a server application exposing REST APIs. This allows users to upload/download datasets and query the data based on the annotations and to integrate the system in existing frameworks. We conducted a user study to assess the usability characteristics of the label nomenclature and its integration in the new system. The results collected from the user base are positive. The nomenclature is well perceived and the users had rated positively the usability of the whole system. / Annotering av medicinska bilder är en kritisk uppgift för många efterföljande tillämpningar. Bristen på en enhetlig annoteringsnomenklatur har emellertid resulterat i inkonsekvens och tvetydighet i lagring och användning av sådana data. I denna avhandling föreslår och utvärderar vi en ny annoteringsnomenklatur för medicinska bilder. Vår nomenklatur är utformad för att vara intuitiv, lätt att använda och att expandera. Vi har också utvecklat en kunskapsdatabas som lagrar stora medicinska bildsätt som integrerar den nya nomenklaturen. Databasen är implementerad som en serverapplikation som exponerar REST API: er. Detta gör att användare kan ladda upp / ladda ner datasätt och söka efter data baserat på annotationer och integrera systemet i befintliga ramverk. Vi genomförde en användarstudie för att bedöma användbarhetskaraktäristikerna för etikettnomenklaturen och dess integration i det nya systemet. Resultaten som samlades in från användarbasen är positiva. Nomenklaturen är väl uppfattad och användarna har positivt betygsatt användbarheten i hela systemet.

The integration of Artificial Intelligence (AI) in dental radiography not only presents an opportunity but also holds immense potential to enhance diagnostic accuracy and efficiency. This study addresses the exciting challenge of leveraging AI, specifically a generative pre-trained transformer model, to interpret dental panoramic X-rays, a task traditionally reliant on human expertise. The central purpose of the study is to evaluate the diagnostic capabilities of this AI model compared to professional dental evaluations, focusing on its accuracy and consistency, thereby paving the way for a promising future in dental diagnostics. The research involved a sample of 35 dental panoramic X-rays obtained from Flexident AB, anonymized and annotated by a panel of dental professionals. The study was conducted in two stages: Stage One tested the AI model in three different methods: 1- without any annotations, 2- with numbered teeth, and 3- with colored circles highlighting areas of interest. Stage Two involved training a specialized GPT model with domain-specific knowledge. Key findings indicate that the AI model, when provided with detailed visual annotations, achieved diagnostic accuracy comparable to that of dental professionals, as statistical analysis showed no significant differences between the golden standard (dentist group) and the visually annotated group (P>0.05). However, the model struggled with unannotated images, highlighting the importance of structured input. The research underscores the potential of language-based AI in medical imaging while emphasizing the need for detailed input to optimize performance. This study is pioneering in applying a generative pre-trained transformer model for dental diagnostics, opening new avenues for AI integration in healthcare. / Integrationen av artificiell intelligens (AI) inom tandradiografi innebär inte bara en möjlighet utan har också en enorm potential att förbättra diagnostisk noggrannhet och effektivitet. Denna studie tar upp den spännande utmaningen att utnyttja AI, specifikt en generativ förtränad transformer-modell, för att tolka panoramaröntgenbilder av tänder, en uppgift som traditionellt är beroende av mänsklig expertis. Studiens centrala syfte är att utvärdera de diagnostiska förmågorna hos denna AI-modell jämfört med professionella tandläkarbedömningar, med fokus på dess noggrannhet och konsekvens, vilket banar väg för en lovande framtid inom tanddiagnostik. Forskningen omfattade ett urval av 35 panoramaröntgenbilder av tänder erhållna från Flexident AB, anonymiserade och annoterade av en panel av tandläkare. Studien genomfördes i två steg: Steg ett testade AI-modellen på tre olika sätt: 1- utan några annoteringar, 2- med numrerade tänder och 3- med färgade cirklar som markerade intressanta områden. Steg två involverade träning av en specialiserad GPT-modell med domänspecifik kunskap. Nyckelresultat visar att AI-modellen, när den tillhandahölls detaljerade visuella annotationer, uppnådde en diagnostisk noggrannhet jämförbar med professionella tandläkare, då statistisk analys visade inga signifikanta skillnader mellan guldstandarden (tandläkargruppen) och den visuellt annoterade gruppen (P>0,05). Modellen hade dock svårigheter med icke-annoterade bilder, vilket understryker vikten av strukturerad inmatning. Forskningen betonar potentialen hos språkbaserad AI inom medicinsk avbildning och behovet av detaljerad inmatning för att optimera prestanda. Denna studie är banbrytande i sin tillämpning av en generativ förtränad transformer-modell för tanddiagnostik, vilket öppnar nya möjligheter för AI-integrering inom sjukvården.