一种基于人工智能的基于XML-SVG线框的通用幻影分析方法,具有新的功能对象标识符
Ahmad Sakaamini1, Alexander Van Slyke1, Julien Partouche2
1Department of Radiation Oncology, University of Pennsylvania, Philadelphia, PA, United States of America.
Physics in medicine and biology
|June 2, 2023
概括
一个新的人工智能驱动的算法,通用幻影 (UniPhan),自动化质量保证 (QA) 测试医疗成像设备. 它适应任何幻影,确保准确的机器性能分析和与手动方法相比一致的结果.
科学领域:
- 医学物理和成像技术 医学物理和成像技术
- 医疗保健中的人工智能
- 医疗器械的质量保证 医疗器械的质量保证
背景情况:
- 定期的质量保证 (QA) 测试对于医疗器械性能验证至关重要.
- 当前的QA幻影分析软件通常具有硬编码的几何限制,限制了幻影的兼容性.
- 需要一个灵活的,自动化解决方案以图像为基础的QA幻影分析.
研究的目的:
- 开发一种新的基于人工智能的通用幻影 (UniPhan) 算法,可适应任何基于图像的QA幻影.
- 通过使用多种质量保证幻象,自动化医疗器械性能分析.
- 在质量保证测试中克服幽灵特定软件的局限性.
主要方法:
- 修改了可扩展标记语言可扩展矢量图形 (XML-SVG),以包括幻象对象的功能标签.
- 开发了一个AI图像分类模型,用于自动幻影类型检测.
- 实现了UniPhan算法来导入XML-SVG线框,将其注册为QA图像,进行分析和导出结果.
主要成果:
- 在各种成像模式 (CT,CBCT,kV,MV) 中为多个商业幻影生成XML-SVG线框.
- 实现了人工智能幻象识别模型的99%的训练和验证准确度,预测可靠度为~100%和预测速度为~0.1s.
- 统一的分析结果显示,在CNR,MTF,HU准确性和统一性等关键指标上与手动图像分析一致.
结论:
- UniPhan 方法成功地识别了幻影类型,并利用相应的线框进行自动化质量保证分析.
- 这种由人工智能驱动的方法提供了一个可访问,灵活和自动化的解决方案,用于分析广泛的基于图像的QA幻象.
- UniPhan提高了医疗器械质量保证测试的效率和可靠性.
