Deep Learning for X-ray CT calibration based on proton radiographies in pre-clinical proton therapy

Proton radiographies provides the information for the inaccuracies reduction in the semi-empirical calibration of treatment planning X-ray CT image for proton therapy. Depending on the detector configurations, the stopping properties of the proton beams, eventually complemented by the scattering properties, are measured. The calibration of image can be optimized based on sparse proton radiographies, according to conventional numerical approaches. Recently, supervised Deep Learning has been proposed. A double-branch purely convolutional neural network, inspired by the literature about deep reconstruction of sparse radiographies, has been designed to reduce the calibration inaccuracies based on prior image information and a back-projection tensor. Relying on a calibrated pre-clinical image, two perpendicular proton radiographies are analytically simulated for different detector configurations. The image is subdivided in three anatomical regions: cranial, head&neck and lung. Different ground truth and inaccurate calibration curves are created for each slice by applying controlled inaccuracies to the original calibration curve. Data augmentation techniques based on controlled deformations are proposed. The intrinsic inconsistencies of the forward-projection model directly affects the performance of the numerical optimization, especially for list-mode data. The results demonstrate that the data-driven approach is capable of reducing inaccuracies arising from calibration. The network can decrease the quantification metric (i.e., Mean squared error between image and ground truth, for inaccurate slice versus inferred slice) by 40-50% for the lung and head&neck regions, while it hovers ~25% for the cranial region, due to higher level of generalization required. Data augmentation techniques further reduce this value by ~10-15%, especially for integration-mode data. The network’s performances for integration-mode data are similar to those for list-mode data and comparable to the numerical optimization. These results support the use of integration-mode detectors characterized by lower complexity and implementation costs in clinical translation of ion imaging.

Le radiografie a protoni forniscono informazioni per ridurre le inaccuratezze nella calibrazione semi-empirica dell'immagine CT a raggi X per la pianificazione del trattamento nella terapia protonica. A seconda delle configurazioni del rilevatore, vengono misurate le proprietà di arresto dei fasci di protoni, eventualmente integrate dalle proprietà di scattering. La calibrazione dell'immagine può essere ottimizzata sulla base di radiografie a protoni sparse, secondo approcci numerici convenzionali. Recentemente, è stato proposto l'utilizzo di supervised Deep Learning. Una rete neurale convoluzionale a doppio ramo, ispirata dalla letteratura sulla ricostruzione Deep Learning di radiografie sparse, è stata progettata per ridurre le inaccuratezze di calibrazione basate su informazioni a-priori e un tensore di retro-proiezione. Contando su un'immagine preclinica calibrata, vengono simulate analiticamente due radiografie a protoni perpendicolari per diverse configurazioni del rilevatore. L'immagine è suddivisa in tre regioni anatomiche: cranica, testa e collo e polmone. Diverse curve di ground truth e di calibrazione inaccurata vengono create per ciascuna sezione applicando inaccuratezze controllate alla curva di calibrazione originale. Vengono proposte tecniche di augmentation dati basate su deformazioni controllate. Le inconsistenze intrinseche del modello di forward-projection influenzano direttamente le prestazioni dell'ottimizzazione numerica, specialmente per i dati list-mode. I risultati dimostrano che l'approccio data-driven è in grado di ridurre le inaccuratezze derivanti dalla calibrazione. La rete può ridurre la metrica di quantificazione (cioè l'errore quadratico medio tra l'immagine e la ground truth, per la slice inaccurata rispetto alla slice inferita) del 40-50% per le regioni polmonari e testa e collo, mentre si attesta intorno al 25% per la regione cranica, a causa del maggior livello di generalizzazione richiesto. Le tecniche di augmentation riducono ulteriormente questo valore del ~10-15%, specialmente per i dati integration-mode. Le prestazioni della rete per i dati integration-mode sono simili a quelli list-mode e comparabili all'ottimizzazione numerica. Questi risultati supportano l'uso di rilevatori integration-mode caratterizzati da una complessità inferiore e costi di implementazione nella traslazione clinica dell'ion imaging.