A concept for personalised CT dosimetry using methods of machine learning
| dc.contributor.advisor | Kröninger, Kevin | |
| dc.contributor.author | Kuhlmann, Marie-Luise | |
| dc.contributor.referee | Lühr, Armin | |
| dc.date.accepted | 2026-01-19 | |
| dc.date.accessioned | 2026-02-02T08:25:57Z | |
| dc.date.available | 2026-02-02T08:25:57Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | In the context of increasing number of computer tomography (CT) examinations, also the importance for fast and patient specific dose assessment grows. Machine learning (ML) offers a promising approach to achieve fast and user-friendly organ dose assessment in clinical CT workflows. Previous studies have shown that neural networks can reproduce Monte Carlo (MC)-calculated organ doses with reasonable accuracy; however, the representation of the radiation field properties, defining the spatial and energy distribution of the X-ray beam during acquisition, and the characterisation of the training data distributions vary widely. Furthermore, a comprehensive uncertainty assessment over the entire dosimetry process has not been addressed. This thesis presents a framework for personalised CT dosimetry based on ML methods, combining a validated newly implemented particle source for MC simulations, measurement-based radiation field characterisation and systematic uncertainty assessment at every stage of the process. In addition, the work investigated the influence of training data composition in regarding the role of synthetic and real patient geometry data. The proposed approach achieves accuracy comparable to previous studies, while providing a complete uncertainty assessment methodology. | en |
| dc.description.abstract | Mit der steigenden Anzahl von Computertomographie (CT)-Untersuchungen nimmt auch die Bedeutung einer schnellen und patientenspezifischen Dosisabschätzung zu. Maschinelles Lernen (ML) bietet einen vielversprechenden Ansatz für eine schnelle und benutzerfreundliche Erfassung von Organdosen. Bisherige Studien haben gezeigt, dass neuronale Netze in der Lage sind, mit Monte Carlo (MC) berechnete Organdosen mit einer Genauigkeit von wenigen Prozent zu reproduzieren, wobei die Beschreibung der Strahlungsfeldeigenschaften, die die räumliche und energetische Verteilung der Röntgenstrahlung während der Aufnahme definieren, und die Charakterisierung der Trainingsdateneigenschaften stark variieren. In dieser Arbeit wird ein Ansatz zur personalisierten CT-Dosimetrie auf der Basis von ML-Methoden vorgestellt, der eine messtechnische Charakterisierung des Strahlungsfeldes, eine validierte, neu implementierte Partikelquelle für MC-Simulationen und eine systematische Unsicherheitsbestimmung in jeder Prozessphase umfasst. Darüber hinaus wurde der Einfluss der Zusammensetzung der Trainingsdaten hinsichtlich der Rolle synthetischer und realer Patientengeometriedaten untersucht. Der vorgeschlagene Ansatz erreicht eine mit früheren Studien vergleichbare Genauigkeit und bietet gleichzeitig eine umfassende Methodik zur Unsicherheitsbestimmung. | de |
| dc.identifier.uri | http://hdl.handle.net/2003/44709 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-26476 | |
| dc.language.iso | en | |
| dc.subject | Computer tomography | en |
| dc.subject | Dosimetry | en |
| dc.subject | Machine Learning | en |
| dc.subject.ddc | 530 | |
| dc.subject.rswk | Computertomografie | de |
| dc.subject.rswk | Dosimetrie | de |
| dc.subject.rswk | Maschinelles Lernen | de |
| dc.title | A concept for personalised CT dosimetry using methods of machine learning | en |
| dc.type | Text | |
| dc.type.publicationtype | PhDThesis | |
| dcterms.accessRights | open access | |
| eldorado.dnb.deposit | true | |
| eldorado.secondarypublication | false |