使用基于深度学习的模型来确定心脏计算机断层学对比剂量的可行性

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 心脏计算机断层扫描 (CT) 需要精确的对比剂的管理,以获得最佳的图像质量.
• 预测足够的对比度增强所需的剂量对于诊断准确性和患者安全至关重要.
• 当前的方法往往依赖于患者的身体尺寸,这可能与个人的对比需求没有准确的相关性.

研究的目的:

• 开发和评估一种深度学习 (DL) 模型,用于预测心脏CT中的对比效应,仅使用CT局部射线图.
• 将DL模型的预测性能与基于患者体型的传统方法进行比较.

主要方法:

• 对473个心脏CT扫描进行了回顾性分析.
• 开发了深度学习模型,从CT局部射线图中预测剂量对比效应 (IDCE).
• 通过比较实际和预测的IDCE之间的Pearson相关系数 (r) 来评估模型性能,使用体重,瘦体重和身体表面积作为比较器.

主要成果:

• 在DL模型中,在男性 (r=0.607) 和女性 (r=0.412) 组中,与体重,瘦体重和身体表面积相比,预测IDCE的相关系数更高.
• 这些发现表明DL模型的预测准确度更高.
• 该模型的性能强大,只需要随时可用的CT定位器射线图.

结论:

• 对CT局部射线图的深度学习分析为预测心脏CT对比效应提供了强大的工具.
• DL模型的性能与依赖患者体型的传统方法相美,甚至更好.
• 这种方法提供了一种非侵入性和有效的方式,可以优化心脏CT中的对比剂量.