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.