Computed tomography (CT) is a medical imaging technique used to create cross-section images of human bodies based on x-rays. The emerging photon-counting CT detector shows several advantages compared with the traditional energy integrating detector. This thesis is based on the new generation deep silicon photon-counting CT detector developed by KTH Medical Imaging group, with a 12×500μm^2 pixel size. A method is proposed to achieve high spatial resolution with low computation resource consumption.A Monte Carlo simulation has been done to simulate the photon interaction along with the charge transport process in the detector. The charge cloud distribution and induced current are used to make a precise estimation of the interaction position in the direction along the collecting electrodes. The feasibility of such a method under estimated electronic noise and other detector geometries has been checked. By having a high spatial resolution of around 1μm in one direction, it could be beneficial in phase contrast imaging.Besides the small pixel geometry, simulations on current photon-counting detector geometry, similar to what is used in clinics, have also been carried out, with a study of the charge carrier transport behavior and charge sharing possibility. The result shows that although the charge sharing event could be used to help estimate interaction position, its low proportion among total events leads to little resolution improvement. Another study on the induced current as a function of time has been presented. By reducing the electrode width while keeping the same pixel width, the induced current signal peak appears to be sharper. / Datortomografi (CT) är en medicinsk bildteknik som används för att skapa tvärsnittsbilder av människokroppen med hjälp av röntgenstrålar. Den nya CT-detektorn med fotonräkning har flera fördelar jämfört med den traditionella energiintegrerande detektorn. Den här avhandlingen bygger på den nya generationen av den djupa kiseldetektorn för CT-detektorn med fotonträkning i kisel som utvecklats av KTH:s grupp för medicinsk avbildning, med en pixelstorlek på 12×500μm^2. En metod föreslås för att uppnå hög spatial upplösning med begränsad kapacitet för beräkningar.En Monte Carlo-simulering har gjorts för att simulera fotoninteraktionen tillsammans med laddningstransportprocessen i detektorn. Laddningsmolnets fördelning och den inducerade strömmen används för att göra en exakt uppskattning av interaktionspositionen i riktningen längs de uppsamlande elektroderna. Genomförbarheten av en sådan metod med beräknat elektroniskt brus och andra detektorgeometrier har kontrollerats. Genom att ha en hög rumslig upplösning på cirka 1 μm i en riktning kan detta vara fördelaktigt vid faskontrastbildtagning.Förutom den lilla pixelgeometrin har simuleringar av den nuvarande geometrin för detektorer som räknar fotoner, liknande den som används på kliniker, också utförts, med en studie av transportbeteendet för laddningsbärare och möjligheten till laddningsdelning. Resultatet visar att även om laddningsdelningshändelsen kan användas för att hjälpa till att uppskatta interaktionspositionen, leder dess låga andel av de totala händelserna till en liten förbättring av upplösningen. En annan studie av den inducerade strömmen som en funktion av tiden har presenterats. Genom att minska elektrodbredden samtidigt som man behåller samma pixelbredd verkar den inducerade signaltoppen bli skarpare.

Computed Tomography (CT) is a non-invasive x-ray imaging method capable of reconstructing highly detailed cross-sectional interior maps of an object. CT is used in a range of medical applications such as detection of skeletal fractures, organ trauma and artery calcification. Reconstructing CT images requires the use of a forward operator, which is essentially a simulation of the scanning process. Photon-Counting CT is a rapidly developing alternative to conventional CT that promises higher spatial resolution, more accurate material separation and more robust reconstructions. A major difficulty in Photon-Counting CT is to model cross-talk between detectors. One way is to incorporate a wide point-spread function into the forward operator. Although this method works, it drastically slows down the reconstruction process.  In this thesis, we accelerate image reconstruction tasks for photon-counting CT by approximating the cross-talk component of the forward operator with a deep neural network, resulting in a learned forward operator. The learned operator reduces reconstruction error by an order of magnitude at the cost of a 20% increase in computation time, compared to ignoring cross-talk altogether. Furthermore, it generalises well to both unseen data and unseen detector settings. Our results indicate that a learned forward operator is a suitable way of approximating the forward operator in photon-counting CT. / Datortomografi (CT) är en icke-invasiv röntgenmetod som kan skapa högupplösta tvärsnittsbilder av objekt. CT används i en stor mängd tillämpningar, exempelvis vid detektion av frakturer, mjukvävnadstrauma och åderförkalkning. När man rekonstuerar tvärsnitt i CT krävs en simuleringsmodell som kallas framåtoperatorn. Fotonräknande CT är ett alternativ till konventionell CT som utlovar högre upplösning, mer precis uppdelning av material och högre robusthet i rekonstruktionerna. I fotonräknande CT är det viktigt att ta hänsyn till överhörning mellan detektorerna. Ett sätt är att inkorporera en punktspridningsfunktion i framåtoperatorn, vilket dessvärre saktar ned rekonstruktionsprocessen drastiskt.  I detta examensarbete approximerar vi överhörningseffekten mellan detektorer med ett djupt neuralt nätverk, med syfte att accelerera rekonstruktionsprocessen för fotonräknande spektral CT. Den inlärda framåtoperatorn reducerar rekonstruktionsfelet med en faktor tio på bekostnad av en 20-procentig ökning i beräkningstid, jämfört med en framåtoperator som inte modellerar överhörning. Vi visar att den inlärda framåtoperatorn generaliserar väl till data som den inte är tränad på, men även detektorinställningar den inte är van vid. Våra resultat tyder på att den inlärda framåtoperatorn är en lämplig approximationsmetod för framåtoperatorn i fotonräknande CT.

Ring artifacts are a common problem with the use of photon-counting detectors and commercial deployment rests on being able to compensate for them. Deep learning has been proposed as a candidate for tackling the inefficiency or high cost of traditional techniques. In that spirit, we propose a new approach to ring artifact reduction, namely one that employs Residual Networks in sinogram domain. We train them on data simulated via a realistic photon-counting CT model based on numerical phantoms of real scans acquired by the KiTS19 Challenge dataset. By exploring various architectures we find that shallow ResNets achieve a significant artifact reduction by staying more true to the ground truth in terms of not introducing new artifacts. All networks introduce a smoothing effect which is attributed to the use of MSE as a loss function. An alternative training scheme using patches instead of whole sinograms is tested and it shows a slightly improved model stability. Lastly, we demonstrate via a performance metric study that common metrics are not suitable for quantifying the performance in this problem, save for a potential new approach in the virtual mono-energetic domain. / Ringartefakter är ett vanligt problem vid användning av fotonräknande detektorer och kommersiell introduktion kräver att man kan kompensera för dem. Djupinlärning har föreslagits som en kandidat för att hantera ineffektiviteten eller de höga kostnaderna för traditionella tekniker. I den andan föreslår vi ett nytt tillvägagångssätt för att reducera ringartefakter, nämligen en som använder sig av residualnätverk i sinogramdomänen. Vi tränar dem på data simulerad via en realistisk fotonräkning CT modell baserad på numeriska fantomer av verkliga skanningar från datamängen KiTS19 Challenge. Genom att utforska olika arkitekturer finner vi att grunda ResNet uppnår en betydande minskning av artefakter genom bevara en större likhet med den sanna bilden när det gäller att inte introducera nya artefakter. Alla nätverk introducerar en utsmetningseffekt som tillskrivs användningen av MSE som en förlustfunktion. Ett alternativt träningsschema med utsnitt istället för hela sinogram testas och det visar en något förbättrad modellstabilitet. Slutligen visar vi genom en prestandamåttstudie att vanliga prestandamått inte är lämpliga för att kvantifiera prestandan i detta problem med undantag för ett potentiellt nytt tillvägagångssätt i den virtuella monoenergetiska domänen.

Semiconductor detectors are attracting interest for use in photon-counting spectral computed tomography. In order to obtain a high spatial resolution, it is of interest to find the photon interaction position. In this work we investigate if machine learning can be used to obtain a sub-pixel spatial resolution in a photon-counting silicon strip detector with pixels of 10 µm. Simulated charge distributions from events in one, three, and seven positions in each of three pixels were investigated using the MATLAB® Classification Learner application to determine the correct interaction position. Different machine learning models were trained and tested in order to maximize performance. With pulses originating from one and seven positions within each pixel, the model was able to find the originating pixel with an accuracy of 100% and 88.9% respectively. Further, the correct position within a pixel was found with an accuracy of 54.0% and 29.4% using three and seven positions per pixel respectively. These results show the possibility of improving the spatial resolution with machine learning. / Halvledardetektorer är av stigande intresse inom forskning för användning i fotonräknande datortomografi med spektral upplösning. För att erhålla en hög spatiell upplösning är det av intresse att hitta fotonens ursprungliga interaktionsposition. I detta arbete undersöks om maskininlärning kan användas för att erhålla en spatiell upplösning på subpixelnivå i en fotonräknande kiselstrippdetektor med 10 µm pixlar. Laddningsfördelningen från simulerade interaktioner i en, tre, och sju positioner inom var och en av tre pixlar undersöktes med hjälp av applikationen Classification Learner i MATLAB® för att bestämma den korrekta interaktionspositionen. Olika maskininlärningsmodeller tränades och testades för att maximera prestandan. När pulser från en och sju positioner inom pixeln användes, kunde modellen hitta den korrekta pixeln med en noggrannhet på 100% respektive 88.9%. Vidare kunde den korrekta positionen inom en pixel bestämmas med en noggrannhet på 54.0% och 29.4% när tre respektive sju positioner inom varje pixel användes. Resultaten visar att det skulle vara möjligt att förbättra den spatiella upplösningen med hjälp av maskininlärning.

Antal datortomografiundersökningar har ökat under flera år i Sverige tack vare tekniska utvecklingar och ökad tillgänglighet på sjukvård. Södertälje sjukhus röntgenavdelningen är i behov av att byta ut en utdaterad datortomograf (eng: Computed tomography, CT) och avdelningen för medicinsk teknik har föreslagit ett inköp av en CT med fotonräknande-detektor. Bilddata framställdes genom en fantomstudie för att påvisa förhållandet mellanstråldosparametern CTDIvol och kontrast-brus-förhållandet (CNR) hos CT-systemen: SOMATOM Drive och NAEOTOM Alpha. Den genererade datan påvisade att det finns en väsentlig skillnad i CNR-CTDIvol-förhållandet mellan SOMATOM Drive och NAEOTOM Alpha. Resultaten tydliggör att NAEOTOM Alpha kan producera bilder med betydligt mindre brus vid lägre stråldoser. Ett inköp av en fotonräknande detektor CT skulle kunna rättfärdigas utifrån bildkvalitéförbättringen som systemet kan erbjuda. / The number of computed tomography (CT) scans has increased during the past years in Sweden due to technical advancements and increased availability of healthcare. The x-ray department at Södertälje hospital is in need of replacing an outdated computed tomography and the departmentof clinical engineering has proposed a purchase of a photon-counting detector CT. Image data was produced through a phantom study to demonstrate the relationship between the parameter CTDIvol radiation dose and the contrast-to-noise ratio (CNR) of the CT systems: SOMATOM Drive and NAEOTOM Alpha. The generated data demonstrated that there is a substantial difference in the CNR-CTDIvol relationship between SOMATOM Drive and NAEOTOM Alpha. The results entail that NAEOTOM Alpha can produce images with considerably less noise at lower radiation doses. The purchase of a photon-counting CT could be justified by the improved image quality it can offer.

Research on photon counting detectors (PCDs) is focused on semiconductor materials, and silicon is a strong candidate to use in PCDs for photon counting computer tomography (CT). In a silicon detector, a significant portion of the counts is due to Compton scattering events. Since only part of the incident photon energy is deposited in a Compton interaction, Compton interactions lead to a loss of spectral information. By using Compton coincidence detection, i.e., combining information from multiple Compton events caused by the same incident photon, it is possible to obtain more spectral information from Compton scattered photons, increasing the energy resolution of the detector. The goal of this thesis is to develop and evaluate a method for Compton coincidence detection for photon counting CT. In this thesis, a method for Compton coincidence detection based on Compton kinematics and a χ2 test is presented and compared to a previously developed method based on maximum likelihood estimation. The χ2 method utilised the connection between the energy before vs after a Compton interaction, and the scattering angle. The possible scattering angles due to deposited energy in each interaction were called the energy angles. The spatial angles between the interaction positions in the detector were calculated and compared to the energy angles through a χ2 test in order to find the correct order of interaction and the incident photon energy. The χ2 method correctly identified the interaction order of 85.8% of simulated interaction chains ending in photoelectric effect and 64.1% of simulated interaction chains containing only Compton interactions. The energy estimation was 100% correct for all chains ending in photoelectric effect, since all of the incident energy was deposited in the detector. For chains of only Comptoninteractions, the energy was estimated with an RMS error of 21.2 keV. Combining the results from chains ending in a photoelectric interaction and chains of only Comptoninteractions, the total RMS error of the energy estimation was 11.5 keV. / Datortomografi (CT) är en viktig del av dagens sjukvård, och fotonräknande detektorer för CT är på väg från forskning till klinisk användning. Forskningen inom fotonräknande detektorer fokuserar på att använda halvledande material, och kisel är en stark kandidat till att användas för fotonräknande detektorer. I en kiseldetektor interagerar en betydande andel av fotonerna genom Compton-spridning. Då endast en del av fotonenergin deponeras i detektorn när en Compton-interaktion sker leder det till en förlust av spektral information. Genom att kombinera information från flera Compton-interaktioner som orsakats av samma infallande foton, så kallad sammanfallsdetektering, är det möjligtatt erhålla en ökad mängd spektral information från Compton-spridna fotoner. Målet med detta examensarbete är att utveckla och utvärdera en metod för sammanfallsdetektering för att erhålla spektral information från Compton-spridda fotoner i en detektortill fotonr¨aknande CT. I detta arbete presenteras en metod baserad på kinematiken bakom en Compton-interaktion och ett χ2-test. Metoden jämförs sedan med en tidigare utvecklad metod baserad på maximum likelihood-uppskattning. χ2-metoden utnyttjade sambandet mellan deponerad energi i en Compton-interaktion och möjliga spridningsvinklar, här kallade energivinklar. De spatiella vinklarna mellan interaktionerna i detektorn mättes och jämfördes genom ett χ2-test för att hitta interaktionsordningen och den infallande energin. χ2-metoden identifierade interaktionsordningen korrekt för 85.5% av alla simulerade interaktionskedjor som slutade i fotoelektrisk effekt och 64.1% av alla simulerade interaktionskedjorsom endast innehöll Compton-interaktioner. Uppskattningen av infallande energi var 100% korrekt för alla interaktionskedjor som slutade med en fotoelektrisk interaktion,eftersom all infallande energi deponerats i detektorn. För kejdor som endast bestod av Compton-interaktioner uppskattades den infallande energin med ett RMS-fel på 21.2 keV. Genom att kombinera resultaten från kedjor som slutade med en fotoelektrisk interaktion och resultaten från kejdor som endast bestod av Compton-interaktioner blev det totala RMS-felet för energi-uppskattningen 11.5 keV.

During the past years photon-counting detectors (PCDs) have emerged as an alternative to conventional energy-integrating detectors and may significantly improve the standard of care for computed tomography (CT). There are two main alternatives for the material of the detector: cadmium telluride (CdTe) and silicon (Si). The settings of the X-ray tube and the applied filters need to be evaluated and optimized for the new detector technology. In this report, Monte Carlo simulations are used to determine how image quality is affected by different X-ray tube voltages and filter thicknesses. The image quality indicators that were chosen to evaluate are detective quantum efficiency (DQE) for material quantification and both DQE and dose-normalized signal-difference-to-noise ratio (SDNR) for detection tasks. Overall, silicon-based detectors performed better than cadmium-based detectors for quantification imaging tasks for all object thicknesses, while cadmium-based detectors were superior for detection imaging tasks in larger patients. For both silicon- and cadmium-based detectors, the dose-normalized image quality was largely independent of filter thickness, while the X-ray tube voltage had a more distinct impact on the result, where low voltages were optimal. / Under de senaste åren har fotonräknande detektorer blivit aktuellt som ett alternativ till konventionella energiintegrerande detektorer och kommer troligen förbättra datortomografibilder avsevärt. För de nya detektorerna finns det två huvudsakliga materialalternativ: kadmiumtellurid (CdTe) och kisel (Si). Inställningarna för röntgenröret och det pålagda filtret behöver utvärderas och optimeras för den nya detektorteknologin. I denna rapport användes Monte Carlo-simuleringar för att bestämma hur bildkvaliteten påverkades av rörspänningen och filtertjockleken. Bildkvaliteten bestämdes sedan utifrån tre indikatorer, detective quantum efficiency (DQE) för materialbestämning samt både DQE och dosnormaliserad signal-difference-to-noise ratio (SDNR) för detektionsuppgifter.    Den kiselbaserade detektorn presterade bättre än den kadmiumbaserade för materialbestämning för alla patientstorlekar medan den kadmiumbaserade presterade bättre på detektionsuppgifterna för större patienter. Vidare var den dosnormaliserade bildkvaliteten för både kisel- och kadmiumdetektorer svagt beroende av filtertjocklek medan båda påverkades starkt av rörspänningen, där låga spänningar var att föredra.

Deep learning has shown to be successful on the task of semantic segmentation of three-dimensional (3D) point clouds, which has many interesting use cases in areas such as autonomous driving and defense applications. A common type of sensor used for collecting 3D point cloud data is Light Detection and Ranging (LiDAR) sensors. In this thesis, a time-correlated single-photon counting (TCSPC) LiDAR is used, which produces very accurate measurements over long distances up to several kilometers. The dataset collected by the TCSPC LiDAR used in the thesis contains two classes, person and other, and it comes with several challenges due to it being limited in terms of size and variation, as well as being extremely class imbalanced. The thesis aims to identify, analyze, and evaluate state-of-the-art deep learning models for semantic segmentation of point clouds produced by the TCSPC sensor. This is achieved by investigating different loss functions, data variations, and data augmentation techniques for a selected state-of-the-art deep learning architecture. The results showed that loss functions tailored for extremely imbalanced datasets performed the best with regard to the metric mean intersection over union (mIoU). Furthermore, an improvement in mIoU could be observed when some combinations of data augmentation techniques were employed. In general, the performance of the models varied heavily, with some achieving promising results and others achieving much worse results.