在CT扫描协议优化中使用DDC方法的概率U-Net模型观察者

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 优化计算机断层扫描 (CT) 图像包括平衡辐射剂量和图像质量,这是技术进步加剧的复杂任务.
• 目前用于评估图像质量的方法,如差异详细曲线 (DDC),依赖于人类观察者研究,这些研究耗时且存在变化.
• 机器学习 (ML) 提供了自动化和标准化CT图像质量评估的潜在解决方案.

研究的目的:

• 开发和验证基于机器学习的观察模型,用于优化CT成像协议.
• 克服人类观察者研究的局限性,包括劳动强度和观察者间/观察者内部的变化.
• 预测差异详细曲线 (DDC) 分布,以改善CT协议的优化.

主要方法:

• 使用U-Net架构和贝叶斯方法来创建基于ML的模型观察者.
• 基于高斯过程的噪声建模用于图像预处理,以确保对对象空间布局的稳定性.
• 梯度加权类激活映射 (Grad-CAM) 被用于模型解释性.
• 贝塔回归原理为贝叶斯方法论提供了依据,用于导出性能指标 ("有效观察者数量").

主要成果:

• 拟议的ML模型观察者通过对各种观察者数据进行训练,量化观察者变异性,实现了精确校准的概率预测.
• 贝叶斯方法提供了一种性能指标,用"有效观察者数"来量化模型观察者的力量.
• 该框架通过将值应用于推断的概率,成功预测了DDC分布,从而实现了高效的CT协议优化.

结论:

• 开发的ML模型观察者为CT图像质量评估提供了传统人类观察者研究的强大而高效的替代方案.
• 这种方法有效量化了观察者变异性,并有助于优化CT协议的剂量和图像质量.
• 该框架提供了一个可扩展的解决方案,用于提高CT成像程序优化的准确性和可靠性.