DE102019215242A1

DE102019215242A1 - Computerimplementiertes Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung, Röntgenbildgebungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Info

Publication number: DE102019215242A1
Application number: DE102019215242.2A
Authority: DE
Inventors: Annette Birkhold; Philipp Roser; Xia ZHONG
Original assignee: Friedrich Alexander Univeritaet Erlangen Nuernberg FAU; Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2019-10-02
Filing date: 2019-10-02
Publication date: 2021-04-08

Abstract

Computerimplementiertes Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung (55), aufweisend eine Aufnahmeanordnung sowie eine Steuereinrichtung (62), wobei zur gemeinsamen Ermittlung einer Vorwärtsstreuungsverteilung der einen aufzunehmenden Patienten (61) in einer Aufnahmegeometrie durchquerenden Röntgenstrahlung und einer Rückstreuverteilung der Röntgenstrahlung mittels der Steuereinrichtung (62) folgende Schritte durchgeführt werden:- Aufnahme eines Röntgenbildes (42) des Aufnahmebereichs in der Aufnahmegeometrie und Empfang einer die dreidimensionale Außenform des Patienten (61) wenigstens in dem Aufnahmebereich beschreibenden Patientenforminformation (43),- Ableiten eines Eingangsdatensatzes (36) für einen Encoder (34) zur Transformierung des Eingangsdatensatzes (36) in einen latenten Raum (39) als Teil einer trainierten Auswertungsfunktion (33) aus dem Röntgenbild (42) und der Patientenforminformation (43),- Anwenden des Encoders (34) auf den Eingangsdatensatz (36) zur Ermittlung einer die Streuwahrscheinlichkeitsverteilung in dem Patienten (61) beschreibenden Latentraumrepräsentation (38),- Anwenden von zwei unabhängigen Decodern (35, 35a, 35b) der trainierten Auswertungsfunktion (33) auf die von dem Encoder (34) ermittelte Latentraumrepräsentation (38), wobei ein erster Decoder (35, 35a, 35b) als Ausgangsdaten die Vorwärtsstreuverteilung und ein zweiter Decoder (35, 35a, 35b) als Ausgangsdaten die Rückstreuverteilung ermittelt.

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung, aufweisend eine Aufnahmeanordnung mit einem Röntgenstrahler und einem Röntgendetektor sowie eine Steuereinrichtung. Daneben betrifft die Erfindung eine solche Röntgenbildgebungseinrichtung, ein Computerprogramm und einen elektronisch lesbaren Datenträger.
Bei der Röntgenbildgebung ist es im Stand der Technik grundsätzlich bekannt, dass durch Wechselwirkung der verwendeten Röntgenstrahlung, insbesondere mit dem aufzunehmenden Patienten selbst, Streustrahlungseffekte auftreten können. Dabei sind zwei wesentliche Arten der Streustrahlung bekannt, die Herausforderungen in der Röntgenbildgebung darstellen.
Vorwärts gestreute Röntgenstrahlung kann ungleiche Belichtung und Kontrastdegradierung in aufgenommenen Röntgenbildern mit sich bringen. Daher wurden im Stand der Technik bereits hardware- und softwarebasierte Streukorrekturverfahren vorgeschlagen, um die Bildqualität von Röntgenbildern zu verbessern. So ist es beispielsweise für Röntgendetektoren im Stand der Technik bekannt, sogenannte Streustrahlenraster („antiscatter grids“) zu verwenden, um Streustrahlung physikalisch zu blockieren. Ihre erfolgreiche Anwendung basiert jedoch auch auf einer Abwägung, da durch das Streustrahlenraster Belichtungsdosis verloren geht und mithin die Bildqualität leiden kann, so dass bei der Verwendung von Streustrahlenrastern meist höhere Röntgendosen verwendet werden. Denn abhängig von dem Gitterverhältnis des Streustrahlenrasters werden mehr Primärphotonen, die den Röntgendetektor erreichen, notwendig sein, um dieselbe Röntgenbelichtung aufrecht zu erhalten, wenn mit einem streustrahlenrasterlosen Röntgendetektor verglichen wird, so dass die Patientendosis deutlich erhöht wird.
In einem alternativen Ansatz, der Streustrahlenraster vermeiden soll, wurde ein softwarebasierter Korrekturansatz vorgeschlagen, der auf einem U-Netz basiert, vgl. beispielsweise den Artikel von Joscha Maier et al., „Deep Scatter Estimation (DSE): Accurate Real-Time Scatter Estimation for X-Ray CT Using a Deep Convolutional Neural Network“, Journal of Nondestructive Evaluation (2018) 37:57. Darin wird festgestellt, dass der heutige Goldstandard, nämlich Monte-Carlo-Simulationen, zu langsam sei, weswegen eine Berechnungsmethode mit einem tiefen Convolutional Neural Network (CNN) vorgeschlagen wird. Dieses nutzt die originalen Röntgenbilder und gibt eine entsprechende Korrektur beziehungsweise ein korrigiertes Röntgenbild aus. Problematisch bei diesem Ansatz ist jedoch, dass eine große Zahl an trainierbaren Parametern vorliegt und DSE weder Vorabwissen über den Patienten noch Wissen über die Aufnahmegeometrie verwendet, so dass Probleme auftreten können, wenn Eingangsdaten verwendet werden, die nicht hinreichend durch die Trainingsdaten abgebildet werden.
Eine zweite relevante Art von Streustrahlung in der Röntgenbildgebung ist rückgestreute Strahlung. Diese macht nach Untersuchungen 30 bis 60 % der gesamten Hautdosis des Patienten aus, so dass eine akkurate Überwachung der Hautdosis erschwert wird. Um diesbezüglich dennoch kontinuierlich Feedback geben zu können, wurde vorgeschlagen, Röntgenbildgebungseinrichtungen mit Dosismesseinrichtungen zu versehen, die das Luft-Kerma vermessen. Diese gemessenen Werte können verwendet werden, um seitens der Röntgenbildgebungseinrichtung vorzunehmende Monte-Carlo-Simulationen und/oder sogenannte Kerma-Vorwärtsprojektionen (Kerma Forward Projection - KFP) auf ein digitales Patientenmodell zu kalibrieren. Während Monte-Carlo-Simulationen akkurate Dosisabschätzungen liefern, ist jedoch notwendiges Vorwissen, beispielsweise die exakte Patientenanatomie und Umgebungsinformation, meist nicht verfügbar. Daher wird bei vielen Röntgenbildgebungseinrichtungen des Standes der Technik ein Patientenformmodell in Zusammenhang mit KFP und mehreren Korrekturtermen verwendet, die die Berücksichtigung des quadratischen Abstandsgesetzes des Dosiszerfalls, der Hautabsorption und der Rückstreuung ermöglicht. Auf Monte-Carlo-Simulationen können Rückstreufaktoren und/oder Punktspreizfunktionen (PSF) basiert werden, für welche sich jedoch gezeigt hat, dass diese stark von den Bildgebungseinstellungen und dem individuellen Patienten abhängen. Es ist folglich umständlich und aufwendig, Tabellen von Rückstreufaktoren aufzubauen und zu warten, die die gesamte mögliche Patientenpopulation, anatomische Bereiche und Röntgencharakteristiken abbilden.
Bezüglich der Rückstreuung ist ferner noch zu beachten, dass unter Umständen weitere Personen, beispielsweise einen insbesondere minimalinvasiven Eingriff durchführende Personen, während der Aufnahme von Röntgenbildern benachbart der Röntgenbildgebungseinrichtung befindlich sind. Dies gilt insbesondere für den wichtigen Anwendungsfall der Fluoroskopie, bei dem zeitlich aufeinanderfolgend Röntgenbilder eines Aufnahmebereichs des Patienten akquiriert werden, um Veränderungen in diesen Aufnahmebereichen nachvollziehen zu können, beispielsweise die Bewegung eines minimalinvasiven Instruments, beispielsweise eines Katheters. Bei Bildaufnahmen, bei denen neben dem Patienten weitere Personen im Raum befindlich sind, werden auf die weiteren Personen rückgestreuter Röntgenstrahlung ausgesetzt, die gemäß dem Stand der Technik aktuell nur sehr grob abgeschätzt werden kann, so dass eine Risikoeinschätzung für die Personen und/oder Maßnahmen zur Risikominimierung nur schwer möglich sind.
Der Erfindung liegt daher die Aufgabe zugrunde, eine demgegenüber verbesserte, in Echtzeit umsetzbare Möglichkeit zur Ermittlung von Informationen zu Streustrahlen, insbesondere Streustrahlenverteilungen, anzugeben.
Diese Aufgabe wird gemäß der vorliegenden Erfindung gelöst durch die Verfahren, die Röntgenbildgebungseinrichtung, das Computerprogramm und den elektronisch lesbaren Datenträger gemäß den unabhängigen Ansprüchen. Vorteilhafte Ausgestaltungen ergeben sich aus den Unteransprüchen.
Bei einem Verfahren der eingangs genannten Art ist erfindungsgemäß vorgesehen, dass zur, insbesondere gemeinsamen, insbesondere in Echtzeit erfolgenden, Ermittlung einer Vorwärtsstreuungsverteilung der einen aufzunehmenden Patienten in einer Aufnahmegeometrie, die einen Aufnahmebereich des Patienten definiert, durchquerenden Röntgenstrahlung, insbesondere zur Korrektur wenigstens eines aufgenommenen Röntgenbildes des Patienten, oder einer Rückstreuverteilung der Röntgenstrahlung, insbesondere zur Ermittlung einer präzisierten Hautdosis und/oder Aussetzungsdosis für weitere im Raum befindliche Personen, mittels der Steuereinrichtung folgende Schritte durchgeführt werden:

- Aufnahme eines Röntgenbildes des Aufnahmebereichs in der Aufnahmegeometrie und Empfang einer die dreidimensionale Au-ßenform des Patienten wenigstens in dem Aufnahmebereich beschreibenden Patienteninformation,
- Ableiten eines Eingangsdatensatzes für einen Encoder zur Transformierung des Eingangsdatensatzes in einen latenten Raum, wobei der Encoder einen Teil einer trainierten Auswertungsfunktion bildet, aus dem Röntgenbild und der Patienteninformation,
- Anwenden des Encoders auf den Eingangsdatensatz zur Ermittlung einer die Streuwahrscheinlichkeitsverteilung in dem Patienten beschreibenden Latentraumrepräsentation,
- Anwenden mindestens eines von zwei unabhängigen Decodern der trainierten Auswertungsfunktion auf die von dem Encoder ermittelte Latentraumrepräsentation, wobei ein erster Decoder als Ausgangsdaten die Vorwärtsstreuverteilung und ein zweiter Decoder als Ausgangsdaten die Rückstreuverteilung ermittelt.

Erfindungsgemäß wird also die Bereitstellung einer für mehrere Aufgaben geeigneten trainierten Funktion, insbesondere eines Convolutional Neural Network, vorgeschlagen, so dass eine, gegebenenfalls gleichzeitige und kombinierte, Ermittlung der Vorwärtsstreuverteilung und/oder der Rückstreuverteilung möglich ist, insbesondere um die Hautdosis des Patienten und/oder die Aussetzungsdosis, der weitere Personen im Raum ausgesetzt werden, ermitteln zu können (aus der Rückstreuverteilung) und/oder eine Streustrahlenkorrektur bezüglich der Vorwärtsstreuung in den sowie gegebenenfalls weiteren Röntgenbildern vorzunehmen. Konkret kombiniert die vorliegende Erfindung dabei Vorabwissen über den Patienten, vorliegend in Form der Patientenforminformation, die beispielsweise als digitales Patientenformmodell vorliegenden kann, und wenigstens eines Röntgenbildes, um Röntgenstreuverteilungen innerhalb und konsequenterweise auch außerhalb des Patienten zu ermitteln. Dies ermöglicht eine Streustrahlungskorrektur für mit dem Röntgendetektor aufgenommene Röntgenbilder, eine Streustrahlen berücksichtigende Dosiskarte für wenigstens ein Organ des Patienten, insbesondere die Haut, und/oder eine Berechnung der Rückstreuverteilung im restlichen Raum. Um dies alles zu erreichen, wird erfindungsgemäß vorgeschlagen, eine trainierte Funktion, insbesondere also einen durch Maschinenlernen trainierten Algorithmus der künstlichen Intelligenz, einzusetzen, um Zusammenhänge zwischen der Patientenform und der Streustrahlung, wie sie wenigstens teilweise auch durch das als Eingangsdaten verwendete Röntgenbild gegeben ist, herstellt. Dabei wird konkret vorgeschlagen, physikalische Konzepte und Vorabwissen als einschränkende Pfade mit einem datengetriebenen, insbesondere faltenden, Encoder-Decoder-Modell als Residualpfad zu kombinieren.
Allgemein kann gesagt werden, dass die vorliegende Erfindung eine Art duales Encoder-Decoder-Netzwerk verwendet, bei dem beide Decoder einen einzigen Encoder miteinander teilen. Mit anderen Worten wird vorgeschlagen, innerhalb der trainierten Funktion zunächst einen Encoder zu verwenden, um ein Streumodell im latenten Raum, also die Latentraumrepräsentation, zu ermitteln, wobei sowohl das Röntgenbild als auch die Patientenforminformation verwendet werden. Dieses latente Streumodell, also die Latentraumrepräsentation, wird dann durch zwei unterschiedliche, mithin in dem Sinn, dass keine Kanten/Verbindungen zwischen den Decodern vorliegen, unabhängige Decoder eingesetzt, wobei zum einen die Rückstreuverteilung, insbesondere wenigstens bezüglich der Haut des Patienten, und zum anderen die Vorwärtsstreuverteilung ermittelt werden. Damit wird erstmals ein Verfahren bereitgestellt, um Rückstreuung mittels Deep Learning basierend auf dem Röntgenbild und der Patientenforminformation abzuleiten.
Dabei ist es im Rahmen der vorliegenden Erfindung aus verschiedenen Gründen besonders vorteilhaft, wenn das wenigstens eine als Eingangsdaten verwendete Röntgenbild ohne Verwendung eines Streustrahlenrasters aufgenommen wird, insbesondere grundsätzlich die Röntgenbilder ohne Streustrahlenraster an der Röntgenbildgebungseinrichtung aufgenommen werden. Das Weglassen des Streustrahlenrasters sorgt zum einen dafür, dass in dem Röntgenbild mehr Information über die Streuung enthalten ist, die durch die trainierte Auswertungsfunktion ausgenutzt werden kann. Zum anderen aber ist es nicht länger, wie bei Streustrahlenrastern üblich, notwendig, eine deutlich höhere Dosis zu verwenden, um das Röntgenbild in einer zu wünschenden Qualität zu erhalten. Mit anderen Worten erlaubt es die vorliegende Erfindung also nicht nur, akkurate Korrekturwerte und Dosiswerte herzuleiten, sondern auch die Patientendosis zu reduzieren. Es wird eine patientenspezifische Organdosimetrie, insbesondere Hautdosimetrie, umgesetzt, nachdem die Rückstreuverteilung „online“, insbesondere in Echtzeit, umgesetzt werden kann. Neben dieser hochakkuraten Hautdosisabschätzung, können die tatsächliche Patientenhautdosis und die effektive Dosis genauso reduziert werden wie die Aussetzungsdosis, der andere Personen im Umfeld der Röntgenbildgebungseinrichtung ausgesetzt werden. Dies gelingt insbesondere durch das Weglassen des Streustrahlenrasters. Die Streustrahlungsverteilung innerhalb des Aufnahmeraums kann beispielsweise in Form von Isoflächen berechnet und visualisiert werden. Die Verwendung eines Ansatzes des maschinellen Lernens erhöht die Wartbarkeit und reduziert den Aufwand, um Rückstreufaktoren für neue Bildgebungseinstellungen und Patientenformen bereitzustellen. Gleichzeitig ist eine hervorragende Vorwärtsstreuungskorrektur möglich.
Allgemein kann man sagen, dass eine trainierte Funktion kognitive Funktionen, die Menschen mit anderen menschlichen Gehirnen verbinden, nachbildet. Auf diese Weise kann ein Training basierend auf Trainingsdaten genutzt werden, um die trainierte Funktion auf neue Umstände anzupassen und Muster zu detektieren und extrapolieren.
Im Allgemeinen können Parameter einer trainierten Funktion durch Training angepasst werden. Dabei können insbesondere überwachtes Training, halb überwachtes Training, unüberwachtes Training, Reinforcement Learning und aktives Lernen verwendet werden. Darüber hinaus kann Repräsentationslernen (Representation Learning, auch als „Feature Learning“ bekannt) eingesetzt werden. Insbesondere können die Parameter der trainierten Funktion iterativ durch unterschiedliche Trainingsschritte angepasst werden.
Konkret kann eine trainierte Funktion ein neuronales Netz, eine Support Vector Machine (SVM), einen Entscheidungsbaum und/oder ein Bayes-Netzwerk umfassen. Die trainierte Funktion kann ferner auf K-Means-Clustering, Q-Learning, genetischen Algorithmen und/oder Zuordnungsregeln basieren. Insbesondere kann ein neurales Netz ein tiefes neuronales Netz, ein Convolutional Neural Network (CNN) oder auch ein tiefes Convolutional Neural Network sein. Ein neuronales Netzwerk kann ferner ein Adversarial Network, ein tiefes Adversarial Network und/oder ein Generatives Adversarial Network (GAN) sein.
Dabei ist es im Rahmen der vorliegenden Erfindung besonders bevorzugt, wenn die trainierte Auswertungsfunktion wenigstens ein Convolutional Neural Network (CNN) umfasst, insbesondere Encoder und die Decoder jeweils als Convolutional Neural Networks ausgebildet sind. Die Verwendung eines CNN ermöglicht es insbesondere, wie eingangs beschrieben, das Streumodell als Latentraumrepräsentation im latenten Raum zu ermitteln.
Hierzu wird ein faltender Encoder eingesetzt, zu dem zwei Decoder den entsprechenden gemeinsamen Codierungspfad teilen.
Während sich die vorliegende Erfindung grundsätzlich bei unterschiedlichen Arten von Röntgenbildgebungen beziehungsweise unterschiedlichen Röntgenbildgebungstechniken einsetzen lässt, sieht eine besonders vorteilhafte Weiterbildung der vorliegenden Erfindung vor, dass das wenigstens eine als Eingangsdaten zu verwendende Röntgenbild das wenigstens eine erste Überwachungsbild eines Fluoroskopieprozesses ist. Insbesondere lässt sich die vorliegende Erfindung im Rahmen einer fluoroskopischen Überwachung einsetzen, die häufig bei Eingriffen an dem Patienten, insbesondere minimalinvasiven Eingriffen, eingesetzt wird, so dass sich bei der Aufnahme der Röntgenbilder der Fluoroskopie-Serie auch weitere Personen, vorliegend das Eingriffspersonal, im Raum der Röntgenbildgebungseinrichtung befinden. Dann kann die Rückstreuverteilung insbesondere auch genutzt werden, um, insbesondere räumlich aufgelöst, beispielsweise anhand von Isoflächen, Bereiche hoher Streudosis zu identifizieren und insbesondere auch darzustellen, so dass diese Bereiche beispielsweise gemieden werden können. Zusätzlich kann selbstverständlich auch die Hautdosis des Patienten beziehungsweise allgemein eine Organdosis betrachtet werden und die Röntgenbilder können hervorragend streukorrigiert werden, was eine hinreichend gute Bildqualität der Röntgenbilder des Fluoroskopieprozesses auch ohne ein Streustrahlenraster und somit mit einer deutlich reduzierten Dosis erlaubt. Nachdem sich Fluoroskopiebilder zudem meist nur im Rahmen von Kleinigkeiten, insbesondere im Interventionsgebiet, verändern, kann für Fluoroskopiebilder auch über einen bestimmten Zeitraum die Streustrahlung als im Wesentlichen gleichartig angesehen werden, so dass es ausreichend sein kann, die Ermittlung der Rückstreuverteilung und die Ermittlung der Vorwärtsstreuverteilung für das erste oder wenige erste Röntgenbilder der Fluoroskopieserie zu ermitteln.
In besonders vorteilhafter Ausgestaltung der vorliegenden Erfindung kann vorgesehen sein, dass als Eingangsdaten aus der Patienteninformation und der Aufnahmegeometrie den durchstrahlten Bereich des Patienten beschreibende Eingangsdaten ermittelt werden. Die Aufnahmegeometrie beschreibt die relative Anordnung des Röntgenstrahlers und des Röntgendetektors der Aufnahmeanordnung und somit das zur Bildaufnahme genutzte Strahlenfeld, das sich zwischen diesen beiden Komponenten ergibt. Beispielsweise kann es sich hierbei um einen Strahlenkegel handeln. Nachdem die Patientenforminformation zweckmäßigerweise im selben Koordinatensystem vorliegt wie die Aufnahmegeometrie, insbesondere also in einem mit einem Hauptkoordinatensystem der Röntgenbildgebungseinrichtung registrierten Koordinatensystem beziehungsweise im selben Koordinatensystem ermittelt wird, lassen sich insbesondere einzelne Strahlwege der Röntgenstrahlung durch den anhand der Patientenforminformation beschriebenen Patienten ermitteln. Dieser durchstrahlte Bereich des Patienten entspricht aber genau den für die Vorwärtsstreuung und die Rückstreuung, insgesamt also die Röntgenstreuung durch den Patienten, relevanten Anteil, der somit eine äußerst nützliche Eingangsinformation für die trainierte Auswertungsinformation darstellt, insbesondere gemeinsam mit dem wenigstens einen Röntgenbild. Insbesondere ein derartiger Eingangsdatensatz, der geometrisch den durchstrahlten Bereich des Patienten beschreibt und gleichzeitig die insbesondere ohne Streustrahlenraster aufgenommene Röntgenbildinformation beinhaltet, ermöglicht eine gemeinsame Analyse von Vorwärts- und Rückstreuung unter Verwendung eines gemeinsamen Encoders.
Dabei ist es im Rahmen der vorliegenden Erfindung besonders bevorzugt, wenn aus der Patientenforminformation und der Aufnahmegeometrie eine Eintrittsoberfläche der Röntgenstrahlung auf dem Patienten und eine Austrittsoberfläche der Röntgenstrahlung auf dem Patienten ermittelt werden, wobei als Eingangsdaten wenigstens die entlang jedes Strahles von dem Röntgenstrahler zu dem Röntgendetektor durch den Patienten zurückgelegte Strecke verwendet wird. Dabei lassen sich einzelne Röntgenstrahlen besonders bevorzugt anhand einzelner Pixel, mithin einzelner Detektorelemente, des Röntgendetektors definieren. Ein Strahl kann dann beispielsweise als ausgehend vom Fokuspunkt des Röntgenstrahlers in der verwendeten Aufnahmegeometrie zum Zentrum des jeweiligen Detektorelements (Detektorpixels) definiert werden. Konkret kann vorgesehen sein, dass zur Ermittlung der Eintrittsoberfläche und der Austrittsoberfläche, insbesondere als Abstände von dem Röntgenstrahler und/oder einem Detektorelement des Röntgendetektors, ein Raytracing-Algorithmus und/oder ein Tiefenkartierungsalgorithmus verwendet wird. In konkreter Ausgestaltung kann beispielsweise ein Raycaster implementiert werden, der den sogenannten „Fast Voxel Traversal Algorithm“ (vgl. J. Amanatides und A. Woo, „A Fast Voxel Traversal Algorithm for Ray Tracing“, in: Proc Eurographics (1987)) nutzt. Dies hat den Vorteil, dass eine Unabhängigkeit von der Form, in der die Patientenforminformation vorliegt, gegeben ist, mithin jegliche Gitterrepräsentation, implizite und explizite analytische Funktionen wie auch voxelisierte Daten verarbeitet werden können. Für jedes Detektorpixel, also jedes Detektorelement, kann ein Strahl beispielsweise ein dreidimensionales Gitter von der Quellposition, also dem Fokus des Röntgenstrahlers, zu dem entsprechenden Detektorpixel durchqueren. Nach jeder Iteration kann der zurückgelegte Abstand akkumuliert werden, und, sobald die Oberfläche gemäß der Patientenforminformation geschnitten wird, der entsprechende Abstand gespeichert werden, um eine Eintrittsoberfläche als Patienteneintrittskarte zu ermitteln. Dieselbe Prozedur kann ausgehend von dem Detektorpixel in Richtung des Quellpunkts durchgeführt werden, um die Austrittsoberfläche als Patientenaustrittskarte zu ermitteln. Die Differenz zwischen einer solchen Patientenaustrittskarte ergibt die Strecke, die ein primärer Röntgenstrahl durch den Patienten reist. Diese Größe hat sich als ein zweckmäßiges Eingangsdatum erwiesen, wobei zweckmäßigerweise noch eine Normierung stattfinden kann, beispielsweise auf den Fokus-Detektorpixel-Abstand.
Zur konkreten Ermittlung der Patientenforminformation kann vorgesehen sein, dass diese aus einem dreidimensionalen Bilddatensatz des Patienten und/oder durch Anpassung eines Modells aus Patienteninformationen und/oder mittels wenigstens eines Patientenoberflächensensors ermittelt wird. Die Patientenforminformation kann also beispielsweise aus einem zuvor aufgenommenen, dreidimensionalen Bilddatensatz des Patienten abgeleitet werden, beispielsweise einem insbesondere präoperativen CT-Bilddatensatz (Computertomographie-Bilddatensatz). Andere Quellen, die gegebenenfalls auch zusätzlich verwendet werden können, umfassen Punktwolkenrekonstruktionen basierend auf 3D-fähigen Kamerasystemen als Patientenoberflächensensoren und/oder auf aktiven Formmodellen, die Metaparameter wie beispielsweise Gewicht, Größe, Alter und Geschlecht verwenden. Abhängig von der Art des Vorwissens, das in die Patientenforminformation eingeht, sind gegebenenfalls Vorverarbeitungsschritte notwendig, beispielsweise um die Registrierung zwischen unterschiedlichen Datenquellen und/oder der Patientenforminformation mit dem Hauptkoordinatensystem der Röntgenbildgebungseinrichtung herzustellen.
Zur Berechnung der Hautdosis des Patienten unter Berücksichtigung der Rückstreuungsverteilung und einer ermittelten primären Hautdosisverteilung aufgrund der Primärstrahlung sieht eine vorteilhafte Weiterbildung der vorliegenden Erfindung vor, dass eine Streuhautdosisverteilung als Faltung der Hautdosisverteilung in Abhängigkeit der Rückstreuverteilung ermittelt wird. Hierbei kann konkret vorgesehen sein, dass die Faltung durch eine trainierte Faltungsfunktion, insbesondere ein Convolutional Neural Network, durchgeführt wird, wobei insbesondere die Faltung als eine Familie verschiebungsvarianter Filter, die jeweils Filterschichten des Convolutional Neural Network bilden, modelliert wird.
Dabei kann in diesem Zusammenhang mit besonderem Vorteil ebenso die aus der Patientenforminformation gegebenenfalls ermittelte Eintrittsoberfläche verwendet werden. Zur Ermittlung der primären Hautdosisverteilung kann, wie im Stand der Technik grundsätzlich bekannt, die Kerma-Vorwärtsprojektion eingesetzt werden, vgl. hierzu beispielsweise den Artikel von S. Balter, „Methods for measuring fluoroscopic skin dose", in: Pediatric Radiology 36(2), Seiten 136 - 140 (2006). Hierbei wird unter Anwendung des Quadratsabstandsgesetzes das am interventionellen Referenzpunkt (IRP) gemessene Luft-Kerma auf die Hautoberfläche projiziert. Um beliebige und nicht gleichförmige Röntgenfelder berücksichtigen zu können, kann die Rückstreukomponente der Hautdosis als eine Faltung bezüglich der primären Komponente der Hautdosis angenommen werden. Um lokale, anatomische Eigenschaften des Patienten mit in Betracht ziehen zu können, ist eine einzelne Punktspreizfunktion nicht ausreichend, so dass mit besonderem Vorteil die Faltung als eine Familie verschiebungsvarianter Filter modelliert werden kann. Wird eine Vielzahl solcher Filterschichten gestapelt, kann die Faltung als ein Convolutional Neural Network formuliert werden. Dabei sei darauf hingewiesen, dass auch andere Ansätze denkbar sind, um den Rückstreuanteil der Hautdosis zu ermitteln, insbesondere auch analytische Ansätze, die die Rückstreuverteilung über eine einzelne Punktspreizfunktion abzubilden suchen und dergleichen.
In jedem Fall ist es im Rahmen der vorliegenden Erfindung zweckmäßig, wenn eine korrigierte Hautdosis als Summe der primären Hautdosisverteilung und der Rückstreuhautdosisverteilung ermittelt wird. Auf diese Weise ist eine hervorragende Information über die Hautdosisbelastung eines Patienten möglich, die auch die Rückstreuung entsprechend berücksichtigt. Die Rückstreuverteilung kann im Rahmen der vorliegenden Erfindung auch genutzt werden, um Informationen zur Strahlenbelastung von weiteren, beispielsweise während einer fluoroskopisch überwachten Intervention im Raum befindlichen Personen abzuschätzen beziehungsweise zu überprüfen. Hierfür kann beispielsweise vorgesehen sein, konkrete Rückstreuwerte für zumindest bestimmte Bereiche des Raumes, in dem sich die Röntgenbildgebungseinrichtung befindet, zu ermitteln, gegebenenfalls unter Berücksichtigung von weiteren im Raum befindlichen Gegenständen. Hieraus können beispielsweise insbesondere farbkodierte Streustrahlungskarten für den Raum beziehungsweise von Personen genutzte Bereiche ermittelt werden, aus denen lokale Strahlenbelastungen abgelesen werden können. Werden Personen innerhalb des Raumes nachverfolgt, ist auch eine konkrete Berechnung für die Strahlenbelastung der Personen innerhalb des Raumes aufgrund der Rückstreuverteilung denkbar. Mithin können eine Vielzahl unterschiedlicher Informationen abgeleitet werden, die beschreiben, welcher Aussetzungsdosis Personen im Raum ausgesetzt werden.
Bezüglich der Vorwärtsstreuverteilung ist im Rahmen der vorliegenden Erfindung bevorzugt vorgesehen, dass als Vorwärtsstreuverteilung ein Vorwärtsstreubild ermittelt wird, welches zur Korrektur von einem aufgenommenen Röntgenbild subtrahiert wird. Vorteilhafterweise ist es mithin denkbar, dass die trainierte Auswertungsfunktion als Ausgangsdaten unmittelbar bereits ein Vorwärtsstreubild ausgibt, welches zur Korrektur von einem aufgenommenen Röntgenbild, gegebenenfalls auch dem als Eingangsdaten verwendeten Röntgenbild, subtrahiert werden kann, um eine hervorragende Korrektur von Streustrahleneffekten zu erzielen und es insbesondere auch zu ermöglichen, ohne ein Streustrahlenraster zu arbeiten, wie dargelegt wurde. Denkbar ist es jedoch auch, beispielsweise unmittelbar ein korrigiertes Röntgenbild zu dem als Eingangsdaten verwendeten Röntgenbild auszugeben.
In einer besonders vorteilhaften Ausgestaltung der vorliegenden Erfindung ist es möglich, das Training der Auswertungsfunktion (und bevorzugt gleichzeitig bzw. mit Trainingsdaten derselben Simulation auch der Faltungsfunktion) vollständig zu automatisieren, indem die Trainingsdaten synthetisch erzeugt werden, insbesondere durch genaue, langwierige Simulationstechniken. Das bedeutet, das durch die trainierte Auswertungsfunktion beschriebene Modell kann basierend auf rein synthetischen Trainingsdaten trainiert werden und insbesondere eine Trainings-Pipeline verwenden, die beispielsweise eine Monte-Carlo-Simulation umfasst.
Entsprechend stellt die vorliegende Erfindung auch ein computerimplementiertes Verfahren zur Bereitstellung einer trainierten Auswertungsfunktion bereit, welche Auswertungsfunktion einen einen Eingangsdatensatz, der wenigstens ein in einer Aufnahmegeometrie aufgenommenes Röntgenbild eines Aufnahmebereichs eines Patienten und eine die dreidimensionale Außenform des Patienten wenigstens in dem Aufnahmebereich beschreibende Patientenforminformation umfasst und/oder daraus abgeleitet ist, entgegennehmenden Encoder zur Ermittlung einer die Streuwahrscheinlichkeitsverteilung in einem Patienten beschreibenden Latentraumrepräsentation und mindestens einen von zwei unabhängigen, auf die Latentraumrepräsentation anzuwendenden Decodern aufweist, wobei der erste Decoder als Ausgangsdaten eine Vorwärtsstreuverteilung und der zweite Decoder als Ausgangsdaten eine Rückstreuverteilung ermittelt, insbesondere zur Anwendung in einem erfindungsgemäßen Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung, umfassend folgende Schritte:

- Ermittlung von synthetischen Trainingsdatensätzen, die Eingangstrainingsdaten und diesen zugeordnete Ausgangstrainingsdaten umfassen, in einer Simulation von Bildgebungsvorgängen unter Nutzung eines Patientenphantommodells, wobei jeweils die Bildgebung und die auftretenden Streuprozesse simuliert werden,
- Trainieren einer Auswertungsfunktion basierend auf den Trainingsdatensätzen mit einer Trainingsrecheneinrichtung, und
- Bereitstellen der trainierten Auswertungsfunktion mittels einer Trainingsschnittstelle.

Entsprechend ist ein erfindungsgemäßes Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung besonders bevorzugt dazu weitergebildet, dass die trainierte Auswertungsfunktion durch ein derartiges, erfindungsgemäßes Verfahren zur Bereitstellung einer trainierten Auswertungsfunktion bereitgestellt wird. Denkbar ist im Übrigen auch eine Trainingsrecheneinrichtung, aufweisend eine Simulationseinheit zur Ermittlung von synthetischen Trainingsdatensätzen, eine Trainingseinheit zum Trainieren der Auswertungsfunktion und eine Trainingsschnittstelle zum Bereitstellen der trainierten Auswertungsfunktion. Das Trainingsverfahren kann ferner auch durch ein Trainingscomputerprogramm umgesetzt sein, welches auf einem Trainingsdatenträger gespeichert sein kann.
Mit besonderem Vorteil ist dabei zum Training gemäß dem beschriebenen Bereitstellungsverfahren vorgesehen, dass als Simulation wenigstens eine Monte-Carlo-Simulation verwendet wird, vgl. hierzu beispielsweise den Artikel von A. Badal und A. Badano, „Accelerating Monte Carlo simulations of photon transport in a voxelized geometry using a massively parallel graphics processing unit", Med. Phys. 36 (11), Seiten 4878 - 4880 (2009). Bislang dauerten Monte-Carlo-Simulationen deutlich zu lange, um, beispielsweise bei einem Fluoroskopievorgang, zweckmäßige und nutzbringende Informationen im gewünschten Zeitrahmen zu erhalten. Gemäß der vorliegenden Erfindung können jedoch im Trainingszeitraum, in dem mehr Zeit zur Verfügung steht, Monte-Carlo-Simulationen, deren Ergebnisse äußerst verlässlich sind, eingesetzt werden, um die synthetischen Trainingsdaten zu erzeugen. Als Patientenphantommodell kann beispielsweise das sogenannte Austin-Phantommodell herangezogen werden, vgl. hierzu beispielsweise den Artikel von J. W. Massey und A. E. Yilmaz, „AustinMan and AustinWoman: High-Fidelity, anatomical voxel models developed from the VHP color images", Conf. Broc. IEEE Eng. Med. Biol. Soc. (2016). Entstehende Daten können wenigstens teilweise auch zum Testen der trainierten Auswertungsfunktion verwendet werden.
Bevorzugt können Simulationsergebnisse auch zur Erzeugung von Trainingsdaten für die Faltungsfunktion eingesetzt werden bzw. diese kann gemeinsam mit der Auswertungsfunktion trainiert werden, da beispielsweise eine Monte-Carlo-Simulation auch Informationen zur Hautdosisverteilung und deren Streuanteilen liefern kann.
Neben den Verfahren betrifft die vorliegende Erfindung auch eine Röntgenbildgebungseinrichtung, aufweisend eine Aufnahmeanordnung mit einem Röntgenstrahler und einem Röntgendetektor sowie eine Steuereinrichtung, die zur Durchführung des erfindungsgemäßen Verfahrens zum Betrieb einer Röntgenbildgebungseinrichtung ausgebildet ist. Sämtliche Ausführungen bezüglich des erfindungsgemäßen Verfahrens lassen sich analog auf die erfindungsgemäße Röntgenbildgebungseinrichtung übertragen, so dass auch mit dieser die bereits genannten Vorteile erhalten werden können.
Die Steuereinrichtung kann dabei wenigstens einen Prozessor und wenigstens ein Speichermittel aufweisen. Insbesondere ist als Teil der Steuereinrichtung erfindungsgemäß wenigstens eine Aufnahmeeinheit, wie grundsätzlich bekannt, vorgesehen, um Röntgenbilder mit der Röntgenbildgebungseinrichtung aufnehmen zu können, insbesondere auch das wenigstens eine als Eingangsdaten verwendete Röntgenbild. Ferner kann die Steuereinrichtung eine Schnittstelle zum Empfang der Patientenforminformation aufweisen. In einer Ableitungseinheit kann der Eingangsdatensatz hergeleitet werden. Die Steuereinrichtung kann ferner eine Auswertungseinheit aufweisen, in der die trainierte Auswertungsfunktion umgesetzt ist. Die Auswertungseinheit kann auch weitere, optionale Berechnungsschritte vornehmen, beispielsweise Kerma-Vorwärtsprojektionen und dergleichen.
Ein erfindungsgemäßes Computerprogramm ist beispielsweise direkt in einem Speicher einer Steuereinrichtung einer Röntgenbildgebungseinrichtung ladbar und weist Programmittel auf, um die Schritte eines hierein beschriebenen Verfahrens auszuführen, wenn das Computerprogramm in der Steuereinrichtung der Röntgenbildgebungseinrichtung ausgeführt wird. Das Computerprogramm kann auf einem erfindungsgemäßen elektronisch lesbaren Datenträger gespeichert sein, welcher mithin darauf gespeicherte elektronisch lesbare Steuerinformationen umfasst, welche zumindest ein genanntes Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Steuereinrichtung einer Röntgenbildgebungseinrichtung ein hierin beschriebenes Verfahren durchführen.
Es sei an dieser Stelle noch angemerkt, dass es sich bei der erfindungsgemäßen Röntgenbildgebungseinrichtung insbesondere um eine interventionelle Röntgenbildgebungseinrichtung handeln kann, bevorzugt eine Röntgeneinrichtung mit einem C-Bogen, die beispielsweise zur fluoroskopischen Überwachung bei insbesondere minimalinvasiven Eingriffen an einem Patienten genutzt werden kann.
Weitere Vorteile und Einzelheiten der vorliegenden Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnung. Dabei zeigen:

1 ein Ausführungsbeispiel eines künstlichen neuronalen Netzes,
2 ein Ausführungsbeispiel eines Convolutional Neural Network,
3 eine Illustration eines einen Encoder und einen Decoder umfassenden Convolutional Neural Network,
4 einen Ablaufplan eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens,
5 eine Prinzipskizze einer erfindungsgemäßen Röntgenbildgebungseinrichtung, und
6 den funktionalen Aufbau einer Steuereinrichtung der Röntgenbildgebungseinrichtung der 4.

Im Folgenden sollen zunächst Grundlagen neuronaler Netze, wie sie auch im Rahmen der vorliegenden Erfindung eingesetzt werden können, anhand zweier generischer Beispiele näher erläutert werden.
1 zeigt ein Ausführungsbeispiel eines künstlichen neuronalen Netzes 1. Englische Ausdrücke für das künstliche neuronale Netz 1 sind „artificial neural network“, neural network", „artificial neural net“ oder „neural net“.
Das künstliche neuronale Netzwerk 1 umfasst Knoten 6 bis 18 (nodes) und Kanten 19 bis 21 (edges), wobei jede Kante 19 bis 21 eine gerichtete Verbindung von einem ersten Knoten 6 bis 18 zu einem zweiten Knoten 6 bis 18 ist. Im Allgemeinen sind der erste Knoten 6 bis 18 und der zweite Knoten 6 bis 18 unterschiedliche Knoten 6 bis 18, es ist jedoch auch denkbar, dass der erste Knoten 6 bis 18 und der zweite Knoten 6 bis 18 identisch sind. Beispielsweise ist in 1 die Kante 19 eine gerichtete Verbindung von dem Knoten 6 zu dem Knoten 9 und die Kante 21 ist eine gerichtete Verbindung von dem Knoten 16 zu dem Knoten 18. Eine Kante 19 bis 21 von einem ersten Knoten 6 bis 18 zu einem zweiten Knoten 6 bis 18 wird als eingehende Kante („ingoing edge“) für den zweiten Knoten 6 bis 18 und als ausgehende Kante („outgoing edge“) für den ersten Knoten 6 bis 18 bezeichnet.
In diesem Ausführungsbeispiel können die Knoten 6 bis 18 des künstlichen neuronalen Netzes 1 in Schichten 2 bis 5 (layers) angeordnet werden, wobei die Schichten eine intrinsische Ordnung aufweisen können, die durch die Kanten 19 bis 21 zwischen den Knoten 6 bis 18 eingeführt wird. Insbesondere können Kanten 19 bis 21 nur zwischen benachbarten Schichten von Knoten 6 bis 18 vorgesehen sein. Im dargestellten Ausführungsbeispiel existiert eine Eingabeschicht 110, die lediglich die Knoten 6, 7, 8 aufweist, jeweils ohne eingehende Kante. Die Ausgangsschicht 5 umfasst nur die Knoten 17, 18, jeweils ohne ausgehende Kanten, wobei ferner versteckte Schichten 3 und 4 zwischen der Eingangsschicht 2 und der Ausgangsschicht 5 liegen. Im Allgemeinen Fall kann die Zahl der versteckten Schichten 3, 4 beliebig gewählt werden. Die Zahl der Knoten 6, 7, 8 der Eingangsschicht 2 entspricht üblicherweise der Zahl der Eingabewerte in das neuronale Netzwerk 1, und die Zahl der Knoten 17, 18 in der Ausgangsschicht 5 entspricht üblicherweise der Zahl der Ausgabewerte des neuronalen Netzwerks 1.
Insbesondere kann eine (reale) Zahl den Knoten 6 bis 18 des neuronalen Netzwerks 1 zugeordnet werden. Dabei bezeichnet x⁽ⁿ⁾ _i den Wert des i-ten Knotens 6 bis 18 der n-ten Schicht 2 bis 5. Die Werte der Knoten 6, 7, 8 der Eingabeschicht 2 sind äquivalent zu den Eingabewerten des neuronalen Netzwerks 1, während die Werte der Knoten 17, 18 der Ausgangsschicht 113 äquivalent zu den Ausgabewerten des neuronalen Netzwerks 1 sind. Darüber hinaus kann jeder Kante 19, 20, 21 ein Gewicht in Form einer realen Zahl zugeordnet sein. Insbesondere ist das Gewicht eine reale Zahl im Intervall [-1, 1] oder im Intervall [0, 1,]. Dabei bezeichnet w^(m,n) _i,j das Gewicht der Kante zwischen den i-ten Knoten 6 bis 18 der m-ten Schicht 2 bis 5 und den j-ten Knoten 6 bis 18 der n-ten Schicht 2 bis 5. Ferner wird die Abkürzung $w_{i,j}^{(n)}$
für das Gewicht $w_{i,j}^{(n,n+1)}$
definiert.
Um Ausgangswerte des neuronalen Netzes 1 zu berechnen, werden die Eingangswerte durch das neuronale Netz 1 propagiert. Insbesondere können die Werte der Knoten 6 bis 18 des (n+1)-ten Schicht 2 bis 5 basierend auf den Werten der Knoten 6 bis 18 der n-ten Schicht 2 bis 5 berechnet werden durch $x_{j}^{(n+1)} = f (\sum_{i} x_{i}^{(n)} \cdot w_{i,j}^{(n)}) .$
Dabei ist f eine Transferfunktion, die auch als Aktivierungsfunktion bezeichnet werden kann. Bekannte Transferfunktionen sind Stufenfunktionen, Sigmoidfunktionen (beispielsweise die logistische Funktion, die verallgemeinerte logistische Funktion, der Tangens hyperbolicus, der Arkustangens, die Fehlerfunktion, die Smoothstep-Funktion) oder Gleichrichterfunktionen (Rectifier). Die Transferfunktion wird im Wesentlichen für Normierungszwecke verwendet.
Insbesondere werden die Werte schichtweise durch das neuronale Netz 1 propagiert, wobei Werte der Eingangsschicht 2 durch die Eingangsdaten des neuronalen Netzes 1 gegeben sind. Werte der ersten versteckten Schicht 3 können basierend auf den Werten der Eingangsschicht 2 des neuronalen Netzes 1 berechnet werden, Werte der zweiten versteckten Schicht 4 können basierend auf den Werten in der ersten versteckten Schicht 3 berechnet werden usw.
Um die Werte $w_{i,j}^{(n)}$
für die Kanten 19 bis 21 festlegen zu können, muss das neuronale Netz 1 unter Verwendung von Trainingsdaten trainiert werden. Insbesondere umfassen Trainingsdaten Trainingseingangsdaten und Trainingsausgangsdaten, die im Folgenden als t_i bezeichnet werden. Für einen Trainingsschritt wird das neuronale Netzwerk 1 auf die Trainingseingangsdaten angewendet, um berechnete Ausgangsdaten zu ermitteln. Insbesondere umfassen die Trainingsausgangsdaten und die berechneten Ausgangsdaten eine Zahl von Werten, wobei sich die Zahl als die Zahl der Knoten 17, 18 der Ausgangsschicht 5 bestimmt.
Insbesondere wird ein Vergleich zwischen den berechneten Ausgangsdaten und den Trainingsausgangsdaten verwendet, um die Gewichte innerhalb des neuronalen Netzes 1 rekursiv anzupassen (Rückpropagierungsalgorithmus - „back propagation algorithm“). Insbesondere können die Gewichte entsprechend ${w'}_{i,j}^{(n)} = w_{i,j}^{(n)} - γ \cdot δ_{j}^{(n)} \cdot x_{i}^{(n)}$
geändert werden, wobei γ eine Lernrate ist und die Zahlen $δ_{j}^{(n)}$
rekursiv berechnet werden können als $δ_{j}^{(n)} = (\sum_{k} δ_{k}^{(n+1)} \cdot w_{j,k}^{(n+1)}) \cdot f' (\sum_{i} x_{i}^{(n)} \cdot w_{i,j}^{(n)})$
basierend auf $δ_{j}^{(n+1)},$
wenn due (n+1)-te Schicht nicht die Ausgangsschicht 5 ist, und $δ_{j}^{(n)} = (x_{k}^{(n+1)} - t_{j}^{(n + 1)}) \cdot f' (\sum_{i} x_{i}^{(n)} \cdot w_{i,j}^{(n)})$
falls die (n+1)-te Schicht die Ausgangsschicht 5 ist, wobei f' die erste Ableitung der Aktivierungsfunktion ist und $y_{j}^{(n + 1)}$
der Vergleichstrainingswert für den j-ten Knoten 17, 18 der Ausgangsschicht 5 ist.
Im Folgenden wird im Hinblick auf 2 auch ein Beispiel für ein Convolutional Neural Network (CNN) gegeben. Dabei ist zu beachten, dass der Ausdruck „Schicht“ („layer“) dort auf leicht andere Art und Weise als für klassische neuronale Netze eingesetzt wird. Für ein klassisches neuronales Netz verweist der Ausdruck „Schicht“ nur auf den Satz von Knoten, der eine Schicht bildet, mithin eine bestimmte Generation von Knoten. Für ein Convolutional Neural Network, wird der Ausdruck „Schicht“ oft als ein Objekt benutzt, das aktiv Daten verändert, in anderen Worten als ein Satz von Knoten derselben Generation und entweder den Satz eingehender oder ausgehender Kanten.
2 zeigt ein Ausführungsbeispiel eines Convolutional Neural Network 22. In dem dargestellten Ausführungsbeispiel umfasst das Convolutional Neural Network 22 eine Eingangsschicht 23, eine Faltungsschicht 24 (Convolutional Layer), eine Pooling-Schicht 25, eine vollständig verbundene Schicht 26 und eine Ausgangsschicht 27. In alternativen Ausgestaltungen kann das Convolutional Neural Network 22 mehrere Faltungsschichten 24, mehrere Pooling-Schichten 25 und mehrere vollständig verbundene Schichten 26, genau wie andere Arten von Schichten, enthalten. Die Reihenfolge der Schichten kann beliebig gewählt werden, wobei üblicherweise vollständig verbundene Schichten 26 die letzten Schichten vor der Ausgangsschicht 27 bilden.
Insbesondere können innerhalb eines Convolutional Neural Network 22 die Knoten 28 bis 32 einer der Schichten 23 bis 27 als in einer d-dimensionalen Matrix oder als d-dimensionales Bild angeordnet verstanden werden. Insbesondere kann im zweidimensionalen Fall der Wert eines Knotens 28 bis 32 mit den Indizes i, j in der n-ten Schicht 23 bis 27 als x⁽ⁿ⁾ [i, j] bezeichnet werden. Es ist darauf hinzuweisen, dass die Anordnung der Knoten 28 bis 31 einer Schicht 23 bis 27 keinerlei Auswirkung auf die Berechnungen innerhalb des Convolutional Neural Network 22 als solches hat, da diese Auswirkungen ausschließlich durch die Struktur und die Gewichte der Kanten gegeben sind.
Eine Faltungsschicht 24 ist insbesondere dadurch ausgezeichnet, dass die Struktur und die Gewichte der eingehenden Kanten eine Faltungsoperation basierend auf einer bestimmten Zahl von Kernen bildet. Insbesondere können die Struktur und die Gewichte der eingehenden Kanten so gewählt werden, dass die Werte $x_{k}^{(n)}$
der Knoten 29 der Faltungsschicht 24 als eine Faltung $x_{k}^{(n)} = K_{k} * x^{(n - 1)}$
basierend auf den Werten x^(n-1) der Knoten 28 der vorangehenden Schicht 23 ermittelt werden, wobei die Faltung * im zweidimensionalen Fall definiert werden kann als $x_{k}^{(n)} [i,j] = (K_{k} * x^{(n - 1)}) [i,j] = \sum_{i} \sum_{j} K_{k} [i', j'] \cdot x^{(n - 1)} [i - i', j - j'] .$
Darin ist der k-te Kern K_k eine d-dimensionale Matrix, in diesem Ausführungsbeispiel eine zweidimensionale Matrix, die üblicherweise klein im Vergleich zur Zahl der Knoten 28 bis 32 ist, beispielsweise eine 3x3-Matrix oder eine 5x5-Matrix. Insbesondere impliziert dies, dass die Gewichte der eingehenden Kanten nicht unabhängig sind, sondern so gewählt sind, dass sie obige Faltungsgleichung erzeugen. Im Beispiel für einen Kern, der eine 3x3-Matrix bildet, existieren nur neun unabhängige Gewichte (wobei jeder Eintrag der Kern-Matrix einem unabhängigen Gewicht entspricht), ungeachtet der Zahl der Knoten 28 bis 32 in der entsprechenden Schicht 23 bis 27. Insbesondere ist für eine Faltungsschicht 24 die Zahl der Knoten 29 in der Faltungsschicht 24 äquivalent der Zahl der Knoten 28 in der vorangehenden Schicht 23 multipliziert mit der Zahl der Faltungskerne.
Wenn die Knoten 28 der vorangehenden Schicht 23 als eine d-dimensionale Matrix angeordnet sind, kann die Nutzung der Mehrzahl von Kernen als Hinzufügung einer weiteren Dimension, die auch als Tiefendimension bezeichnet wird, verstanden werden, so dass die Knoten 29 der Faltungsschicht 24 als eine (d+1)-dimensionale Matrix angeordnet sind. Wenn die Knoten 28 der vorangehenden Schicht 23 bereits als eine (d+1)-dimensionale Matrix mit einer Tiefendimension angeordnet sind, kann die Nutzung einer Mehrzahl von Faltungskernen als Expansion entlang der Tiefendimension verstanden werden, so dass die Knoten 29 der Faltungsschicht 24 gleichermaßen als eine (d+1)-dimensionale Matrix angeordnet sind, wobei die Größe der (d+1)-dimensionalen Matrix in der Tiefendimension um den durch die Zahl der Kerne gebildeten Faktor größer ist als in der vorangehenden Schicht 23.
Der Vorteil der Nutzung von Faltungsschichten 24 ist, dass die räumlich lokale Korrelation der Eingangsdaten ausgenutzt werden kann, indem ein lokales Verbindungsmuster zwischen Knoten benachbarter Schichten geschaffen wird, insbesondere dadurch, dass jeder Knoten nur zu einem kleinen Bereich der Knoten der vorangehenden Schicht Verbindungen aufweist.
Im dargestellten Ausführungsbeispiel umfasst die Eingangsschicht 23 sechsunddreißig Knoten 28, die als eine zweidimensionale 6x6-Matrix angeordnet sind. Die Faltungsschicht 24 umfasst zweiundsiebzig Knoten 29, die als zwei zweidimensionale 6x6-Matrizen angeordnet sind, wobei jede der beiden Matrizen das Ergebnis einer Faltung der Werte der Eingangsschicht 23 mit einem Faltungskern ist. In gleicher Weise können die Knoten 29 der Faltungsschicht 24 als in einer dreidimensionalen 6x6x2-Matrix angeordnet verstanden werden, wobei die zuletzt genannte Dimension die Tiefendimension ist.
Eine Pooling-Schicht 25 zeichnet sich dadurch aus, dass die Struktur und die Gewichte der eingehenden Kanten sowie die Aktivierungsfunktion ihrer Knoten 30 eine Pooling-Operation basierend auf einer nichtlinearen Pooling-Funktion f definieren. Beispielsweise können im zweidimensionalen Fall die Werte x⁽ⁿ⁾ der Knoten 30 der Pooling-Schicht 25 basierend auf den Werten x⁽ⁿ⁺¹⁾ der Knoten 29 der vorangehenden Schicht 24 als $x^{(n)} [i,j] = f (x^{(n - 1)} [{id}_{1} {, jd}_{2}], \dots, x^{(n - 1)} [{id}_{1} + d_{1} -1 {, jd}_{2} + d_{2} - 1])$
berechnet werden. In anderen Worten kann durch die Verwendung einer Pooling-Schicht 25 die Zahl der Knoten 29, 30 reduziert werden, indem eine Anzahl von d₁ × d₂ benachbarter Knoten 29 in der vorangehenden Schicht 24 durch einen einzelnen Knoten 30 ersetzt werden, der als eine Funktion der Werte der genannten Anzahl benachbarter Knoten 29 berechnet wird. Insbesondere kann die Pooling-Funktion f eine Maximumsfunktion, eine Durchschnittsbildung oder die L2-Norm sein. Insbesondere können für eine Pooling-Schicht 25 die Gewichte der eingehenden Kanten festgelegt sein und nicht durch Training modifiziert sein.
Der Vorteil der Verwendung einer Pooling-Schicht 25 ist, dass die Zahl der Knoten 29, 30 und die Zahl der Parameter reduziert wird. Dies führt zu einer Reduktion der notwendigen Berechnungsmenge innerhalb des Convolutional Neural Network 22 und somit zu einer Steuerung der Überanpassung.
Im dargestellten Ausführungsbeispiel handelt es sich bei der Pooling-Schicht 25 um eine Max-Pooling-Schicht, in der vier benachbarte Knoten mit nur einem einzigen Knoten ersetzt werden, dessen Wert durch das Maximum der Werte der vier benachbarten Knoten gebildet wird. Das Max-Pooling wird auf jede d-dimensionale Matrix der vorherigen Schicht angewendet; in diesem Ausführungsbeispiel wird das Max-Pooling auf jede der zwei zweidimensionalen Matrizen angewendet, so dass sich die Zahl der Knoten von zweiundsiebzig auf achtzehn reduziert.
Eine vollständig verbundene Schicht 26 zeichnet sich dadurch aus, dass eine Mehrzahl, insbesondere alle, Kanten zwischen den Knoten 30 der vorherigen Schicht 25 und den Knoten 31 der vollständig verbundenen Schicht 26 vorhanden sind, wobei das Gewicht jeder der Kanten individuell angepasst werden kann. In diesem Ausführungsbeispiel werden die Knoten 30 der vorangehenden Schicht 25 und der vollständig verbundenen Schicht 26 sowohl als zweidimensionale Matrizen als auch als nichtzusammenhängende Knoten (dargestellt als eine Zeile von Knoten, wobei die Zahl der Knoten zur besseren Darstellbarkeit reduziert wurde) gezeigt. In diesem Ausführungsbeispiel ist die Zahl der Knoten 31 in der vollständig verbundenen Schicht 26 gleich der Anzahl der Knoten 30 in der vorangehenden Schicht 25. In alternativen Ausführungsformen kann die Zahl der Knoten 30, 31 unterschiedlich sein.
Darüber hinaus werden in diesem Ausführungsbeispiel die Werte der Knoten 32 der Ausgangsschicht 27 bestimmt, indem die Softmax-Funktion auf die Werte der Knoten 31 der vorangehenden Schicht 26 angewendet wird. Durch Anwendung der Softmax-Funktion ist die Summe der Werte aller Knoten 32 der Ausgangsschicht 27 eins und alle Werte aller Knoten 32 der Ausgangsschicht sind reale Zahlen zwischen 0 und 1. Wenn das Convolutional Neural Network 22 zur Klassifizierung von Eingangsdaten genutzt wird, können insbesondere die Werte der Ausgangsschicht 27 als Wahrscheinlichkeit dafür interpretiert werden, dass die Eingangsdaten in eine der unterschiedlichen Klassen fallen.
Ein Convolutional Neural Network 22 kann ebenso eine ReLU-Schicht aufweisen, wobei ReLU als Akronym für „rectified linear units“ steht. Insbesondere ist die Zahl der Knoten und die Struktur der Knoten innerhalb einer ReLU-Schicht äquivalent zu der Zahl der Knoten und der Strukturen der Knoten der vorangehenden Schicht. Der Wert jedes Knotens in der ReLU-Schicht kann insbesondere durch Anwendung einer Gleichrichtungsfunktion (rectifier function) auf den Wert des entsprechenden Knoten der vorangehenden Schicht berechnet werden. Beispiele für Gleichrichterfunktionen sind f(x)=max(0,x), der Tangens hyperbolicus oder die Sigmoidfunktion.
Convolutional Neural Networks 22 können insbesondere basierend auf den Rückpropagierungsalgorithmus trainiert werden. Um eine Überanpassung (overfitting) zu vermeiden, können Verfahren der Regularisierung eingesetzt werden, beispielsweise Dropout einzelner Knoten 28 bis 32, stochastisches Pooling, Nutzen von künstlichen Daten, Gewichtszerfall basierend auf der L1- oder der L2-Norm oder Maximalnorm-Einschränkungen.
Spezielle Arten von Convolutional Neural Networks 22 können als eine Kombination eines Encoders mit wenigstens einem Decoder verstanden werden. Der Encoder nutzt neben Faltungsschichten 24 auch die bereits erwähnten Pooling-Schichten 25, um die Zahl der Knoten, im Beispiel der 2 von den Knoten 29 zu den Knoten 30, zu reduzieren, während die Faltung wie bereits erwähnt, in der Tiefendimension erweitert. Der Encoder transformiert mithin die Daten ausgehend von einem Eingangsdatensatz mit einer hohen Zahl an Eingangswerten zu einer beispielsweise als „Flaschenhals-Schicht“ bezeichenbaren, Ausgangsschicht des Encoders. In dieser „Flaschenhals-Schicht“ ist die Zahl der Knoten am geringsten. Mit anderen Worten werden die Eingangsdaten in eine Latentraumrepräsentation in einem latenten Raum komprimiert. Der latente Raum ist also der Raum, in dem die Daten in der Flaschenhals-Schicht vorliegen. Davon ausgehend nutzt wenigstens ein Decoder die kodierten Eingangsdaten, mithin die Latentraumrepräsentation und rekonstruiert hieraus einen Ausgangsdatensatz, wobei wieder deutlich mehr Knoten in der entsprechenden Ausgangsschicht 27 vorliegen.
3 zeigt eine schematische Darstellung einer trainierten Auswertungsfunktion 33 mit einem als Convolutional Neural Network realisierten Encoder 34 und wenigstens einem Decoder 35, wobei vorliegend im konkreten Anwendungsfall, worauf noch näher eingegangen werden wird, zwei Decoder verwendet werden. Auch der Decoder 35 wird durch ein Convolutional Neural Network gebildet. Mittels des Decoders 35 wird ein hier schematisch angedeuteter Eingangsdatensatz 36 unter Nutzung zumindest einer Schicht 37 in die Latentraumrepräsentation 38 im latenten Raum 39 überführt. Der Decoder 35 nutzt die Latentraumrepräsentation 38, mithin das Ermittlungsergebnis des Encoders 34, um einen Ausgangsdatensatz 40 unter Verwendung wenigstens einer Schicht 41 zu ermitteln.
Im Folgenden wird nun ein konkretes Ausführungsbeispiel des erfindungsgemäßen Verfahrens anhand des Ablaufplans der 4 näher erläutert. Dabei soll im vorliegenden Fall durch Verwendung einer trainierten Auswertungsfunktion ausgehend von einem aufgenommenen Röntgenbild und einer Patientenforminformation während eines Fluoroskopieprozesses sowohl eine Ermittlung der Vorwärtsstreuverteilung zur Korrektur von Röntgenbildern als auch eine Ermittlung zur Berechnung von Organdosen für den Patienten und für weitere im Raum befindliche Personen ermittelt werden. Als Röntgenbildgebungseinrichtung wird dabei vorliegend eine Röntgeneinrichtung mit einem C-Bogen verwendet, an dem sich gegenüberliegend, eine Aufnahmeanordnung bildend, ein Röntgenstrahler und ein Röntgendetektor angeordnet sind. An dem Patienten soll beispielsweise ein minimalinvasiver Eingriff mit einem Instrument, beispielsweise einem Katheter, durchgeführt werden, der durch Röntgenbilder des Fluoroskopieprozesses nachverfolgt werden soll, weshalb eine Serie von Röntgenbildern mit niedriger Dosis aufgenommen werden soll. Dabei soll darauf geachtet werden, dass keine zu starke Belastung des Patienten, insbesondere keine zu hohe Hautdosis, auftritt und zudem auch die Röntgenstrahlenbelastung weiterer Personen im Raum, mithin deren Aussetzungsdosis, geringgehalten wird.
Beim hier dargestellten Ausführungsbeispiel des erfindungsgemäßen Verfahrens wird zum einen von einem aktuellen Röntgenbild 42, konkret also einem aktuellen Fluoroskopiebild, beispielsweise dem ersten Röntgenbild des Fluoroskopievorgangs, ausgegangen. Hierzu kommt eine Patientenforminformation 43, die die äußere Form des Patienten beschreibt. Die Patientenforminformation kann beispielsweise aus einem präoperativen dreidimensionalen Bilddatensatz, beispielsweise einem Computertomographidatensatz, des Patienten und/oder aus einer auf mittels 3D-fähiger Kameras als Patientenoberflächensensoren aufgenommenen Sensordaten basierenden Punktwolke und/oder aus einem aktiven Formmodell, das Metaparameter wie Gewicht, Größe, Alter und Geschlecht nutzt, ermittelt werden. Bekannte Registrierungsverfahren können, soweit notwendig, eingesetzt werden, damit die Patientenforminformation auch im selben Koordinatensystem vorliegt wie die Aufnahmegeometrie, die durch die Stellung von Röntgenstrahler und Röntgendetektor zueinander definiert wird, insbesondere einem Hauptkoordinatensystem der Röntgenbildgebungseinrichtung.
Aus dem Röntgenbild 42 und hergeleitet aus der Patientenforminformation 43 soll nun ein Eingangsdatensatz für die trainierte Auswertungsfunktion 33 zusammengestellt werden.
Hierzu und auch zur Vorbereitung einer Hautdosisberechnung für den Patienten wird in einem Schritt 44 ein Raycasting-Algorithmus eingesetzt, um zum einen die Eintrittsoberfläche der Röntgenstrahlung in der Aufnahmegeometrie in den Patienten in Form einer Patienteneintrittskarte 45 und zum anderen die Austrittsoberfläche in Form einer Patientenaustrittskarte 46 zu bestimmen. Hierzu wird für jedes Detektorelement des Röntgendetektors, also jedes Detektorpixel, ein Strahl ausgehend von dem Fokuspunkt des Röntgenstrahlers nachverfolgt, bis er auf die äußere Begrenzung des Patienten gemäß der Patientenforminformation 43 trifft. Dies geschieht sowohl ausgehend vom Fokuspunkt als auch ausgehend von den jeweiligen Detektorelementen, so dass die entsprechenden Patienteneintrittskarten 45 und Patientenaustrittskarten 46 letztlich als Abstandsmaße entlang des Strahls entstehen. Wird die im Schritt 47 schematisch dargestellte Differenzbildung durchgeführt, entsteht ein Eingangsdatenanteil für die trainierte Auswertungsfunktion 33, die die entlang jedes Strahls von dem Röntgenstrahler zu dem Röntgendetektor durch den Patienten zurückgelegte Strecke beschreibt. Dabei wird im vorliegenden Ausführungsbeispiel zum Erhalt einer sinnvollen Einschränkung des Wertebereichs für die durch den Patienten zurückgelegten Strecken eine Normalisierung hinsichtlich des Abstands zwischen dem Fokuspunkt des Röntgenstrahlers und dem jeweiligen Detektorelement durchgeführt.
Zur weiteren Vorbereitung der späteren Auswertung wird in einem Schritt 48 eine Kerma-Vorwärtsprojektion durchgeführt. Bei dieser wird letztlich, wie im Stand der Technik bekannt, ein gemessenes Luft-Kerma am gemäß den IEC-Standard 60601-2-43 definierten interventionellen Referenzpunkt auf die durch die Patienteneintrittskarte 45 beschriebene Hautoberfläche projiziert. Ergebnis des Schrittes 48 ist somit eine primäre Hautdosisverteilung 49.
Der im Schritt 47 ermittelte, im Patienten durchstrahlte Bereich gemeinsam mit dem Röntgenbild 42 bildet den Eingangsdatensatz 36 für die trainierte Auswertungsfunktion 33. Dabei wird eine duale, autoencoderartige Architektur verwendet, wobei das Ergebnis eines einzigen Encoders 34, die Latentraumrepräsentation 38, durch zwei unabhängige Decoder 35a, 35b genutzt wird. Mit anderen Worten wird zunächst mittels des Encoders 34 der latente Raum 39 kodiert, wobei die entstehende Latentraumrepräsentation 38 als eine niedrigdimensionale Repräsentation der zugrundeliegenden Streuwahrscheinlichkeitsverteilung verstanden werden kann. Der erste Decoder 35a nutzt die Latentraumrepräsentation 38, um eine Vorwärtsstreuverteilung zu rekonstruieren, im vorliegenden Ausführungsbeispiel unmittelbar als Korrekturbild, welches mithin in einem Schritt 50 unmittelbar von dem Röntgenbild 42 subtrahiert werden kann, um ein streustrahlenkorrigiertes Röntgenbild 51 zu erhalten. Dabei sei an dieser Stelle noch angemerkt, dass im Rahmen dieses Ausführungsbeispiels ohne ein Streustrahlenraster gearbeitet wird, so dass zum einen in Form des Röntgenbilds 42 eine größere Menge an Information über Streustrahlung gewonnen wird, zum anderen aber auch mit einer geringeren Dosis gearbeitet werden kann, nachdem dennoch aufgrund der im Schritt 50 stattfindenden Korrektur hinreichend qualitative streustrahlungskorrigierte Röntgenbilder 51 erhalten werden.
Der zweite Decoder 35b nutzt die Latentraumrepräsentation 38, um daraus eine Rückstreuverteilung zu ermitteln, welche im vorliegend dargestellten Ausführungsbeispiel insbesondere zur Ermittlung des Streustrahlenanteils der Hautdosis des Patienten genutzt werden soll.
Hierzu wird die Rückstreukomponente der Hautdosis als eine Faltung bezüglich der primären Hautdosisverteilung 49 modelliert. Nachdem eine einzelne Punktspreizfunktion keine lokalen anatomischen Eigenschaften mit berücksichtigen kann, wird vorliegend die Faltung durch eine Familie von verschiebungsvarianten Filtern abgebildet, die durch eine als Convolutional Neural Network ausgebildete trainierte Faltungsfunktion 52 abgebildet werden. Hierbei werden ReLU als Aktivierungsfunktionen verwendete. Ergebnis der trainierten Faltungsfunktion 52 ist die Rückstreukomponente der Hautdosis als Streuhautdosisverteilung, welche zur primären Hautdosisverteilung 49 in einem Schritt 53 addiert werden kann, um die komplette Hautdosisverteilung 54 inklusive Rückstreuung als Hautdosis für den Patienten zu erhalten.
Die durch den Decoder 35b ermittelte Rückstreuungsverteilung kann auch ausgewertet werden, um Aussetzungsdosen für die weiteren Personen im Raum, die den Eingriff durchführen beziehungsweise überwachen bzw. zu ermitteln (der Übersichtlichkeit halber nicht dargestellt).
Die Auswertungsfunktion 33 wurde zuvor als Ganzes, also als kompletter Algorithmus der künstlichen Intelligenz mit dem Encoder 34 und den Decodern 35a, 35b trainiert. Eine beispielhafte Architektur kann dabei 223074 trainierbare Parameter aufweisen.
Wesentlich ist, dass die trainierte Auswertungsfunktion vorliegend vollständig basierend auf synthetischen Trainingsdaten trainiert wurde. Dabei wurden synthetische Trainingsdatensätze, die Eingangstrainingsdaten und diesen zugeordnete Ausgangstrainingsdaten umfassen, in einer Simulation von Bildgebungsvorgängen unter Nutzung eines Patientenphantommodells ermittelt, wobei jeweils die Bildgebung und die auftretenden Streuprozesse simuliert werden. Hierbei können beispielsweise Monte-Carlo-Simulationen, insbesondere auf einer GPU, und/oder das Austin-Phantom, eingesetzt werden. In einer konkreten Ausgestaltung können beispielsweise die Röntgenbilder und die dreidimensionalen Kerma-Verteilungen bezüglich 5 × 10¹⁰ primären Photonen simuliert werden, die von einem 122 kVp-Spektrum ausgewählt wurden. Der Raycasting-Algorithmus des Schrittes 44 kann auch hier eingesetzt werden, um Hautdosen von den simulierten Röntgenverteilungen abzuleiten. Auf diese Weise wird letztlich die etablierte Dosisvorhersagemethode (Monte-Carlo-Simulationen) in das hier beschriebene Lernverfahren integriert und es wird Präzisionslernen (precision learning) eingesetzt, um die Dosis abzuschätzen. Auf diese Weise wird die Dosisabschätzung robuster und leicht zu überprüfen.
Es sei an dieser Stelle noch angemerkt, dass auch Online-Dosimeter und/oder Kameras, insbesondere Tiefenkameras und/oder Infrarotkameras und/oder RGB-Kameras, eingesetzt werden können, um die Modelle durch Live-Messungen weiter zu verfeinern.
Insgesamt wurde durch das erfindungsgemäße Vorgehen mithin gezeigt, dass unter geschickter Auswahl von Eingangsdaten - Geometrie des durchstrahlten Anteils des Patienten und wenigstens ein Röntgenbild - eine Abschätzung von Vorwärtsstreuverteilung und Rückstreuverteilung in einer gemeinsamen trainierten Auswertungsfunktion möglich ist, die einen gemeinsamen Encoder und unabhängige Decoder verwendet.
5 zeigt eine Prinzipskizze einer erfindungsgemäßen Röntgenbildgebungseinrichtung 55. Diese weist einen vorliegend an einem Roboterarm 56 gehalterten C-Bogen 57 auf, an dem sich gegenüberliegend ein Röntgenstrahler 58 und ein Röntgendetektor 59, eine Aufnahmeanordnung bildend, angeordnet sind. Auf einer Patientenliege 60 kann der Patient 61 beispielsweise für eine minimalinvasive Intervention positioniert werden.
Der Betrieb der Röntgenbildgebungseinrichtuntg 55 wird durch eine Steuereinrichtung 62 gesteuert, die zur Durchführung des erfindungsgemäßen Betriebsverfahrens ausgebildet ist und deren funktionaler Aufbau in 6 genauer gezeigt ist.
Demnach weist die Steuereinrichtung 62, wie grundsätzlich bekannt, eine Aufnahmeeinheit 63 zur Steuerung des Aufnahmebetriebs der Röntgenbildgebungseinrichtung 55 auf. Über eine Schnittstelle 64 kann die Patientenforminformation 43 entgegengenommen werden. In einer Ableitungseinheit 65 wird, beispielsweise durch Durchführung der Schritte 44 und 47, der Eingangsdatensatz für die trainierte Auswertungsfunktion 33 zusammengestellt, die neben anderen Funktionalitäten in einer Auswertungseinheit 66 umgesetzt ist. In der Auswertungseinheit 66 kann auch die trainierte Faltungsfunktion 52 umgesetzt sein, genau wie die Kerma-Vorwärtsprojektion im Schritt 48 sowie die Ermittlungsmaßnahmen der Schritte 50 und 53. Eine Ausgabeeinheit 67 ermöglicht beispielsweise die Ausgabe von streustrahlungskorrigierten Röntgenbildern 51 auf einer Anzeigevorrichtung 68 (vgl. 5) der Röntgenbildgebungseinrichtung 55. Ferner kann die Ausgabeeinheit 67 auch die Anzeigevorrichtung 68 nutzen, um Informationen zur Hautdosis des Patienten, zur Aussetzungsdosis weiterer Personen und dergleichen auszugeben.
Es sei an dieser Stelle noch angemerkt, dass es sich bei der Schnittstelle 64, insbesondere dann, wenn die Röntgenbildgebungseinrichtung 55 selbst mit Patientenoberflächensensoren ausgestattet ist, um eine interne Schnittstelle 64 handeln kann, beispielsweise wenn die Patientenforminformation 43 innerhalb der Steuereinrichtung 62 selbst ermittelt wird, beispielsweise über eine geeignete Ermittlungseinheit.
Zum Training der trainierten Auswertungsfunktion 33 sowie gegebenenfalls der trainierten Faltungsfunktion 52, für deren Training sich im Übrigen auch die synthetischen Trainingsdaten für die trainierte Auswertungsfunktion 33, wie oben bereits erläutert, weiter verwenden lassen, kann eine spezielle Trainingsrecheneinrichtung, die auch als Bereitstellungssystem bezeichnet werden kann, eingesetzt werden. Diese weist dann insbesondere eine Simulationseinheit zur Durchführung der entsprechenden Simulationen und zur Ermittlung jeweiliger Trainingsdatensätze für die Auswertungsfunktion 33 sowie die Faltungsfunktion 52 auf.
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

S. Balter, „Methods for measuring fluoroscopic skin dose“, in: Pediatric Radiology 36(2), Seiten 136 - 140 (2006) [0023]
A. Badal und A. Badano, „Accelerating Monte Carlo simulations of photon transport in a voxelized geometry using a massively parallel graphics processing unit“, Med. Phys. 36 (11), Seiten 4878 - 4880 (2009) [0029]
J. W. Massey und A. E. Yilmaz, „AustinMan and AustinWoman: High-Fidelity, anatomical voxel models developed from the VHP color images“, Conf. Broc. IEEE Eng. Med. Biol. Soc. (2016) [0029]

Claims

Computerimplementiertes Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung (55), aufweisend eine Aufnahmeanordnung mit einem Röntgenstrahler (58) und einem Röntgendetektor (59) sowie eine Steuereinrichtung (62), dadurch gekennzeichnet, dass zur, insbesondere in Echtzeit erfolgenden, Ermittlung einer Vorwärtsstreuungsverteilung der einen aufzunehmenden Patienten (61) in einer Aufnahmegeometrie, die einen Aufnahmebereich des Patienten (61) definiert, durchquerenden Röntgenstrahlung, insbesondere zur Korrektur wenigstens eines aufgenommenen Röntgenbildes (42) des Patienten (61), oder einer Rückstreuverteilung der Röntgenstrahlung, insbesondere zur Ermittlung einer präzisierten Hautdosis und/oder Aussetzungsdosis für weitere im Raum befindliche Personen, mittels der Steuereinrichtung (62) folgende Schritte durchgeführt werden: - Aufnahme eines Röntgenbildes (42) des Aufnahmebereichs in der Aufnahmegeometrie und Empfang einer die dreidimensionale Außenform des Patienten (61) wenigstens in dem Aufnahmebereich beschreibenden Patientenforminformation (43), - Ableiten eines Eingangsdatensatzes (36) für einen Encoder (34) zur Transformierung des Eingangsdatensatzes (36) in einen latenten Raum (39) als Teil einer trainierten Auswertungsfunktion (33) aus dem Röntgenbild (42) und der Patientenforminformation (43), - Anwenden des Encoders (34) auf den Eingangsdatensatz (36) zur Ermittlung einer die Streuwahrscheinlichkeitsverteilung in dem Patienten (61) beschreibenden Latentraumrepräsentation (38), - Anwenden mindestens eines von zwei unabhängigen Decodern (35, 35a, 35b) der trainierten Auswertungsfunktion (33) auf die von dem Encoder (34) ermittelte Latentraumrepräsentation (38), wobei der erste Decoder (35, 35a, 35b) als Ausgangsdaten die Vorwärtsstreuverteilung und der zweite Decoder (35, 35a, 35b) als Ausgangsdaten die Rückstreuverteilung ermittelt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die trainierte Auswertungsfunktion (33) wenigstens ein Convolutional Neural Network umfasst, insbesondere der Encoder (34) und die Decoder (35, 35a, 35b) jeweils als Convolutional Neural Networks ausgebildet sind.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das wenigstens eine als Eingangsdaten zu verwendende Röntgenbild (42) das wenigstens eine erste Überwachungsbild eines Fluoroskopieprozesses ist.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass das wenigstens eine als Eingangsdaten verwendete Röntgenbild (42) ohne Verwendung eines Streustrahlenrasters aufgenommen wird.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als Eingangsdaten aus der Patientenforminformation (43) und der Aufnahmegeometrie den durchstrahlten Bereich des Patienten (61) beschreibende Eingangsdaten ermittelt werden.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass aus der Patientenforminformation (43) und der Aufnahmegeometrie eine Eintrittsoberfläche (45) der Röntgenstrahlung auf dem Patienten (61) und eine Austrittsoberfläche (46) der Röntgenstrahlung auf dem Patienten (61) ermittelt wird, wobei als Eingangsdaten wenigstens die entlang jedes Strahles von dem Röntgentrahler zu dem Röntgendetektor (59) durch den Patienten (61) zurückgelegte Strecke verwendet wird.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Patientenforminformation (43) aus einem dreidimensionalen Bilddatensatz des Patienten (61) und/oder durch Anpassung eines Modells aus Patienteninformationen und/oder mittels wenigstens eines Patientenoberflächensensors ermittelt wird.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zur Berechnung der Hautdosis des Patienten (61) unter Berücksichtigung der Rückstreuungsverteilung und einer ermittelten primären Hautdosisverteilung (49) aufgrund der Primärstrahlung eine Streuhautdosisverteilung als Faltung der primären Hautdosisverteilung (49) in Abhängigkeit der Rückstreuverteilung ermittelt wird.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass die Faltung durch eine trainierte Faltungsfunktion (52), insbesondere ein Convolutional Neural Network, durchgeführt wird, wobei insbesondere die Faltung als eine Familie verschiebungsvarianter Filter, die jeweils Filterschichten des Convolutional Neural Network bilden, modelliert wird.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als Vorwärtsstreuverteilung ein Vorwärtsstreubild ermittelt wird, welches zur Korrektur von einem aufgenommenen Röntgenbild (42) subtrahiert wird.
Computerimplementiertes Verfahren zur Bereitstellung einer trainierten Auswertungsfunktion (33), welche einen einen Eingangsdatensatz (36), der wenigstens ein in einer Aufnahmegeometrie aufgenommenes Röntgenbild (42) eines Aufnahmebereichs eines Patienten (61) und eine die dreidimensionale Au-ßenform des Patienten (61) wenigstens in dem Aufnahmebereich beschreibende Patientenforminformation (43) umfasst und/oder daraus abgeleitet ist, entgegennehmenden Encoder (34) zur Ermittlung einer die Streuwahrscheinlichkeitsverteilung in dem Patienten (61) beschreibenden Latentraumrepräsentation (38) und mindestens einen von zwei unabhängigen, auf die Latentraumrepräsentation (38) anzuwendenden Decodern (35, 35a, 35b) aufweist, wobei der erste Decoder (35, 35a, 35b) als Ausgangsdaten eine Vorwärtsstreuverteilung und der zweite Decoder (35, 35a, 35b) als Ausgangsdaten eine Rückstreuverteilung ermittelt, insbesondere zur Anwendung in einem Verfahren nach einem der vorangehenden Ansprüche, umfassend folgende Schritte: - Ermittlung von synthetischen Trainingsdatensätzen, die Eingangstrainingsdaten und diesen zugeordnete Ausgangstrainingsdaten umfassen, in einer Simulation von Bildgebungsvorgängen unter Nutzung eines Patientenphantommodells, wobei jeweils die Bildgebung und die auftretenden Streuprozesse simuliert werden, - Trainieren einer Auswertungsfunktion (33) basierend auf den Trainingsdatensätzen mit einer Trainingsrecheneinrichtung, und - Bereitstellen der trainierten Auswertungsfunktion (33) mittels einer Trainingsschnittstelle.
Verfahren nach einem der Ansprüche 1 bis 10, wobei die trainierte Auswertungsfunktion (33) durch ein Verfahren nach Anspruch 11 bereitgestellt wird.
Röntgenbildgebungseinrichtung (55), aufweisend eine Aufnahmeanordnung mit einem Röntgenstrahler (58) und einem Röntgendetektor (59) sowie eine Steuereinrichtung (62), die zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 10 ausgebildet ist.
Computerprogramm, welches Instruktionen aufweist, die, wenn das Computerprogramm auf einer Steuereinrichtung (62) einer Röntgenbildgebungseinrichtung (55) ausgeführt wird, die Steuereinrichtung (62) die Schritte eines Verfahrens nach einem der Ansprüche 1 bis 10 oder 12 durchführen lassen.
Elektronisch lesbarer Datenträger, auf welchem ein Computerprogramm gemäß Anspruch 14 gespeichert ist.