从核轨道特征化到基于机器学习的图像分类,用于子中子捕获疗法的中子自辐射学

科学领域:

• 核物理和化学 核物理和化学
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 精确量化-10 (10B) 微分布对于中子捕获疗法 (BNCT) 研究至关重要.
• 中子自射图是评估10B度的关键技术,但其准确性取决于可靠的图像采集和处理.
• 现有的方法缺乏可靠的图像验证,可能会损害BNCT治疗计划的可靠性.

研究的目的:

• 开发和验证用于BNCT中使用的中子自发射线图像的自动化图像验证过程.
• 通过实施用于图像质量控制的机器学习来提高10B度评估的准确性和可靠性.
• 调查核轨道特征参数的实用性,以区分充足的与不充足的autoradiographic图像.

主要方法:

• 从核轨道中提取和分析形态和像素强度统一性参数.
• 开发和比较支持矢量机 (SVM) 和完全密集的神经网络 (NN) 模型用于图像分类.
• 在定量之前,优化,培训和测试NN模型用于自动图像验证.

主要成果:

• 核轨道的表征揭示了基于样本类型和获取条件的不同行为.
• 两种SVM和NN模型都实现了高性能指标 (精度:93-94%,精度:93-95%).
• 该NN在拒绝不合适的图像方面表现出卓越的能力,导致其被选中用于验证过程.
• 训练有素的NN精确地分类了不同轨道密度的图像,证实了它的稳定性.

结论:

• 使用神经网络的自动图像验证系统显著优化了BNCT中的确定过程.
• 这项研究为核轨道图像生成和表征提供了宝贵的见解.
• 这种基于机器学习的方法提高了成像的可靠性,并为BNCT研究中的进一步应用开辟了道路.