提出基于辐射基功能神经网络的智能技术,以预测诊断X射线成像系统的能量频谱
Cai Zhanjian1, Jiadi Zheng2, Liu Shan3
1Anorectal Department, The Third People's Hospital of Hangzaou, Hangzhou, 311115, China.
概括
这项研究引入了一种人工智能方法,用于快速计算用于医学成像的X射线能量光谱. 该技术使用有限的数据准确预测光谱,改善图像质量评估和患者剂量计算.
科学领域:
- 医学成像物理 医学成像物理
- 计算物理 计算物理
- 医疗保健中的人工智能
背景情况:
- 准确的X射线能量频谱知识对于医学成像质量和患者剂量计算在计算机断层扫描 (CT) 和数字减去血管造影等程序中至关重要.
- 目前用于确定X射线光谱的方法可能耗时且需要大量的数据.
- 开发更快,更有效的频谱计算方法对于优化医学成像协议至关重要.
研究的目的:
- 提出和评估一种智能技术,用于在医学成像系统中快速计算X射线能量谱.
- 利用有限的光谱数据来预测各种曝光设置中的全X射线光谱.
- 提高确定X射线光谱的效率,以改善图像质量评估和患者剂量测量.
主要方法:
- 使用蒙特卡洛N粒子 (MCNP) 仿真代码生成有限的X射线参考光谱.
- 模拟的光谱管电压范围从20到150千伏与不同厚度的和过器 (0-2毫米).
- 采用射线基函数神经网络 (RBFNN) 用管电压,过器类型和厚度作为输入来预测X射线光谱.
主要成果:
- 经过训练的RBFNN模型展示了准确预测X射线光谱的能力.
- 预测涵盖了广泛的管电压 (20-150千伏) 和波器参数 (/,厚度为0-2毫米).
- 与传统方法相比,智能技术为计算X射线能量光谱提供了更快的替代方案.
结论:
- 拟议的基于RBFNN的技术为医学成像中的X射线能量光谱计算提供了快速而准确的方法.
- 这种方法可以显著帮助优化图像质量和患者辐射剂量管理.
- 该研究强调了人工智能在加速医疗应用的复杂物理计算方面的潜力.
