从CT检查中快速预测个性化的腹部器官剂量,采用基于放射学特征的机器学习模型
Wencheng Shao1, Xin Lin1, Wentao Zhao1
1Institute of Radiation Medicine, Fudan University, Shanghai, China.
Scientific reports
|August 21, 2024
概括
这项研究引入了一种快速,计算高效的方法,通过使用放射学和支持向量回归 (SVR) 来从CT扫描中预测患者特定器官剂量. 这种方法准确地估计了辐射暴露,有助于癌症风险评估.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 计算生物学 计算生物学
背景情况:
- 计算机断层扫描 (CT) 扫描利用X射线,这可能会增加由于DNA损伤而导致的癌症风险.
- 辐射剂量在患者之间有很大差异,需要个性化风险评估.
- 精确预测器官特定的辐射剂量对于管理CT相关的癌症风险至关重要.
研究的目的:
- 从CT检查中开发一种快速和计算效率高的方法来预测患者特定的腹部器官剂量.
- 利用放射学功能和机器学习来准确预测剂量.
- 建立一个工具,以更好地了解和减轻CT成像中的辐射风险.
主要方法:
- 分析了247名腹部患者的CT数据,使用自动细分软件 (DeepViewer) 来定义感兴趣的区域 (ROI).
- 从CT数据和ROI中提取了放射学特征.
- 一个支持向量回归 (SVR) 模型使用放射学特征和从基于GPU的蒙特卡洛模拟中获得的参考器官剂量进行训练.
主要成果:
- 该SVR模型准确地预测了腹部器官剂量,一般器官的最大差异为1mGy以下.
- 对身体和肠道的预测达到了不到5.2%的误差和高达0.9.9的R2.
- 对于特定的器官 (左/右脏,肝脏,脊髓),平均绝对百分比误差在5.1%至8.9%之间,R2值超过0.74.
结论:
- 开发的SVR模型从CT扫描提供了准确的,个性化的腹部器官剂量预测.
- 该方法的效率很高,在单个CPU核心上需要不到1秒的计算时间.
- 这种方法为优化诊断CT成像中的辐射安全提供了有价值的工具.
