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.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-328870 |
| Date | January 2023 |
| Creators | Larsson, Karin |
| Publisher | KTH, Fysik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2023:084 |
Page generated in 0.0161 seconds