Promotionsvortrag von Marie-Luise Kuhlmann

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.