用多个人工神经网络估计辐射剂量在二心染色体测定中的二心染色体测定

科学领域:

• 辐射生物学 辐射生物学
• 细胞遗传学 细胞遗传学
• 计算生物学是一种计算生物学.

背景情况:

• 二心染色体测定 (DCA) 是辐射剂量估计的黄金标准,但是劳动密集型的,需要专家知识.
• 目前用于二心染色体 (DC) 识别的自动化方法缺乏精度,并可能导致偏离波桑分布.
• 在DC识别中,低分散或过分散会影响辐射剂量估计的准确性.

研究的目的:

• 开发一种深度学习算法,用于完全自动和准确地识别二心染色体 (DC).
• 为了能够按照波桑分布准确估计辐射剂量.
• 克服现有的自动化DCA技术的局限性.

主要方法:

• 使用了来自30名健康捐赠者的数据集,样本暴露于0至4Gy的剂量.
• 人工神经网络 (ANN) 用于图像提取,染色体计数和DC检测.
• 深度学习对象检测,分类和基于回归的ANN与蒙特卡洛方法的组合被用于剂量估计.

主要成果:

• 深度学习方法满足了35个数据点中的32个Poisson分布标准.
• 用25名捐赠者的数据构建了剂量反应曲线,其余5名捐赠者的估计通过基于回归的ANN进行校准.
• 在23个剂量估计中,有22个处于95%的置信区间内,显示出更高的准确性,除了剂量低于0.5 Gy.

结论:

• 成功开发了一种高精度,完全自动化的方法,用于估计高达4Gy的辐射剂量,并遵循波桑分布.
• 多个ANN的集成使得完全自动化的辐射剂量估计成为可能,提高了运营效率和一致性.
• 这种自动化方法减少了人为错误,提高了剂量评估的可靠性,特别有利于大规模的放射性事件.