Positronemissionstomografi är en väl använd modalitet som kan hjälpa till att ge information om olika organs tillstånd. Ett problem som kan uppstå när man utför undersökningar är att patientrörelser, i synnerhet andning, förvränger de resulterande bilderna. Detta är ett vanligt problem och kan leda till komplikationer som inkorrekt diagnos och i sin tur felbehandling. Om rörelsen är för kraftig kan det till och med göra bilden värdelös, vilket tvingar patienten att genomgå en ny examination som är kostsam både för patientens hälsa och för sjukhuset som utför undersökningen. För att förhindra att detta inträffar har flera studier gjorts för att anpassa bilderna så att även om patienten rör sig skulle undersökningen fortfarande ge acceptabla bilder. Detta projekt är en fortsättning på det arbete som gjorts av en annan student på CBH-skolan vid KTH, som för sin masteruppsats tränade en djupinlärningsmodell att korrigera för patientrörelser. Denna modell tränades uteslutande på PET-fantomer och inte attenuerad data som genererats i simuleringar. I detta projekt prövades och implementerades tre olika metoder för att ta fram attenueringsmappar med hjälp av modellen för att utföra både rörelse- och attenueringskorrektion. Resultaten visade att metoden som direkt tillämpade deformationen mellan attenueringskarta och respektive PET-gate var överlägsen de andra, men den kunde fortfarande inte återge korrigerade bilder där lesionerna som fanns på fantomen är tydligt synliga. / Positron emission tomography is a widely used modality that can help provide information about how various parts of the body are functioning. An issue that can occur when performing these examinations is patient movement, usually breathing, distorting the resulting images. This is a common issue and can lead to complications such as misdiagnosis and in turn mistreatment. If the movement is too significant it can even render the scan useless, forcing the patient to undergo a new scan which is costly both for the patient’s health and for the hospital performing the examination. To prevent this from happening several methods have been tried to adapt the images so that even if the patient moved the scan would still produce acceptable images.  This project is a continuation of the work done by another student on the CBH-school at KTH who, for his master’s thesis, trained a deep-learning model to correct for patient movement. This model was trained exclusively on PET phantoms and not attenuated data generated in simulations. In this project three different methods were tested and implemented to acquire attenuation maps that could be used to perform movement- and attenuation correction. The results showed that the method that directly applied the deformation between attenuation map and respective PET-gate was superior to the others, but it could still not reconstruct corrected images with the lesions that were originally visible on the phantom.