机器学习能否识别必要的静脉对比剂量和注射速率,以在动态肝脏计算机断层扫描上实现最佳增强?

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在肝动态CT中,最佳的对比增强对于准确的诊断至关重要.
• 确定精确的对比物质 (CM) 剂量可能具有挑战性,影响图像质量和患者安全.
• 目前用于CM剂量计算的方法可能并不总是有效地实现最佳增强.

研究的目的:

• 评估机器学习 (ML) 在预测肝动态CT最佳CM剂量的有效性.
• 为了比较基于ML的CM剂量预测与基于体重的传统协议.
• 评估ML引导的CM剂量对图像质量指标的影响.

主要方法:

• 集体ML回归器被训练并使用患者数据进行测试,以预测肝动态CT的CM剂量.
• 一项前性试验将基于ML的CM剂量协议与基于标准体重 (BW) 的协议进行了比较.
• 动脉和肝脏的CT数量,CM剂量和注射率在使用统计测试的协议之间进行比较.

主要成果:

• 与BW协议 (118.0 mL,3.9 mL/s) 相比,ML协议使用的CM剂量 (112.3 mL) 和注射速率 (3.7 mL/s) 略低一些,具有统计学上显著的差异 (P < 0.05).
• 在腹腔大动脉 (P = 0.20) 和肝膜膜 (P = 0.45) 的ML和BW协议之间没有观察到CT数量的显著差异.
• 观察到的CT数量的差异在预先确定的等效率范围内,表明图像质量可比.

结论:

• 机器学习有效地预测CM剂量和注射速率,以在肝动态CT中获得最佳的对比度增强.
• 基于ML的剂量实现了最佳的增强,而不会影响腹腔大动脉和肝膜的CT数量.
• 这表明了ML在优化对比增强CT协议的实用性,以提高效率和诊断准确性.