一种神经网络增强的方法,用于在干预放射学中快速建立局部DRL:EVAR作为一个案例

科学领域:

• 医疗成像医学成像
• 放射学 信息学 信息学

背景情况:

• 诊断参考水平 (DRL) 对医学成像中的辐射安全至关重要.
• 建立和更新DRL,特别是在干预放射学 (IR) 中,可能是耗时和劳动密集的.
• 内血管动脉瘤修复 (EVAR) 程序在IR中很常见,需要仔细监测辐射剂量.

研究的目的:

• 开发一个自动化和快速的工作流程,用于在IR建立和更新本地DRL.
• 为了使用神经网络增强的方法来确定DRL.
• 使用内血管动脉瘤修复 (EVAR) 程序作为此工作流程的模型.

主要方法:

• 追溯收集46个EVAR程序中的辐射剂量报告.
• 使用Tesseract的光学字符识别 (OCR) 来提取关键剂量计参数 (KAP,Ka,r,曝光计数,FT) 的算法开发.
• 计算统计剂量参数 (四分位数,min/max) 并评估算法的准确性和时间效率与手动方法相比.

主要成果:

• 基于OCR的算法在识别剂量报告中的目标值时达到99%的准确性.
• 自动化工作流程将DRL建立所需的时间减少了98%.
• 基于KERMA面积产品 (KAP) 的第三个四分位数的EVAR程序的本地DRL被确定为551 Gy*cm2.

结论:

• 在干预放射学中成功开发了一种准确且极具时间效率的自动化工作流程,用于在干预放射学中建立局部DRL.
• 这种方法大大简化了DLR更新的过程,提高了辐射剂量管理.
• 拟议的系统为临床实践中常规DRL监测提供了一个实际的解决方案.