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.