在使用深度学习的X射线指导干预中快速计算剂量

科学领域:

• 医学物理 医学物理
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 准确的患者剂量估计对于在X射线指导干预期间预防辐射诱导的副作用至关重要.
• 目前使用参考空气基因的方法由于患者特异性形态和器官组成而缺乏精度.
• 蒙特卡洛 (MC) 模拟提供准确性,但计算密集,限制了手术内使用.

研究的目的:

• 开发一个快速的深卷积神经网络 (CNN),以便在X射线指导干预过程中精确估计患者的剂量.
• 使用MC模拟和修改的3D U-Net架构创建个性化的3D剂量图.
• 通过临床测量验证CNN的准确性,并评估其对实时剂量监测的潜力.

主要方法:

• 在82名患者的CT扫描上使用MC模拟X射线辐射训练了一种修改后的3D U-Net CNN.
• 模拟包括X射线源角度,位置和管电压在腹部手术中的变化.
• 临床验证涉及将MC衍生剂量图与在内血管腹腔大动脉修复期间的皮肤剂量测量进行比较.

主要成果:

• 临床验证显示,特定解剖点的平均误差为5.1%.
• 在CNN的测试中,皮肤最高剂量的测试误差为11.5±4.6%,平均皮肤剂量的测试误差为6.2±1.5%.
• 腹部区域和胰腺剂量的平均误差分别为5.0 ± 1.4%和13.1 ± 2.7%.

结论:

• 开发的深度学习网络准确地预测基于患者CT扫描和成像参数的个性化3D剂量图.
• 该网络的快速计算时间使其适用于手术期间的剂量监测和报告.
• 这种人工智能驱动的方法为干预放射学中的辐射安全提供了重大进展.