深度学习模型的剂量稳定性用于计算机断层扫描图像的解剖细分
Artyom Tsanda1,2, Hannes Nickisch2, Tobias Wissel2
1Hamburg University of Technology, Institute for Biomedical Imaging, Hamburg, Germany.
Journal of medical imaging (Bellingham, Wash.)
|August 5, 2024
概括
这项研究评估了计算机断层扫描 (CT) 分段模型对低辐射剂量的强度. 结果显示模型具有惊人的稳定性,特别是在无声化方面,即使在减少辐射暴露的情况下也保持高精度.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 辐射物理学 辐射物理学
背景情况:
- 计算机断层扫描 (CT) 使用辐射,较低剂量越来越受青.
- 在CT重建和较低辐射剂量的进步可能会影响自动化细分模型的性能.
- 评估这些预训练的细分模型的剂量稳定性对于临床应用至关重要.
研究的目的:
- 为了估计医疗成像中使用的现有细分模型的剂量稳定性.
- 为了解决先前研究的局限性,缺乏注册的低剂量和全剂量CT图像或使用简化模拟.
- 评估辐射剂量减少对CT细分模型准确性的影响.
主要方法:
- 模拟低剂量CT扫描使用来自全剂量采集的原始数据,以避免重新扫描患者.
- 通过对幻影的真实CT扫描验证了模拟准确性.
- 预先训练的细分模型与全剂量预测的评估偏差,辐射剂量降低高达80%.
- 研究了与现有无声化方法的兼容性,包括基于卷积神经网络 (CNN) 的方法.
主要成果:
- 证明了TotalSegmentator方法的令人惊的稳定性,并且像素级别的差异最小,即使没有denoising.
- 较不稳固的模型显示,无色化方法的显著改善,保持了子中位数超过0.9.
- 观察到较小的解剖结构 (有效半径<19毫米) 的挥发性结果,但对比CT采集的性能有所改善.
结论:
- 开发的方法使人类器官细分模型对剂量稳定性的临床相关分析成为可能.
- 该研究概述了剂量减少下各种细分模型的稳定性特征.
- 建议对病变细分强度进行进一步的研究,并确定关键的剂量强度因素.
