基于深度学习的放射位置估计,自动设置X射线主要因子
C F Del Cerro1,2, R C Giménez1, J García-Blas3
1Dept. Bioingeniería, Universidad Carlos III de Madrid, Leganés, Madrid, Spain.
Journal of imaging informatics in medicine
|October 14, 2024
概括
这项研究引入了一种深度学习方法,可以自动识别患者在X射线中的定位,优化辐射暴露设置. 这种方法减少了重复扫描和患者不必要的辐射剂量.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 医学物理 医学物理
背景情况:
- 射线素因子 (KVp,mAs,距离) 极大地影响辐射剂量和图像质量.
- 错误的参数设置会导致暴露错误,需要重复扫描并增加患者的辐射暴露.
- 精确的放射定位对于选择最佳X射线参数至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于从预曝光照片中自动估计放射位置.
- 为了利用估计位置来优化X射线原因子 (KVp,mAs,距离) 的选择.
- 为了减少曝光误差,并尽量减少诊断成像中的患者辐射剂量.
主要方法:
- 采用了一种使用轻量级ConvNeXt架构的新型深度学习方法.
- 该模型是在75名志愿者的66个常见放射位置数据库上训练的.
- 微调,歧视性学习率和一个单周期政策调度器被用于模型优化.
主要成果:
- 该模型实现了93.17%的准确性,从照片中分类X线图位置.
- 选择正确的素因子的准确性增加到95.58%,占有具有相似参数的位置.
- 大多数分类错误发生在图像中类似患者姿势的位置上.
结论:
- 建议的深度学习方法可用于自动化放射位置估计.
- 这种方法可以简化X射线采集工作流程,减少曝光误差.
- 该系统有可能显著降低患者不必要的辐射剂量.
