通过整合放射学特征和神经网络,在计算机断层扫描中快速估计患者特定器官剂量
Wencheng Shao1, Xin Lin1, Ying Huang2
1Institute of Radiation Medicine, Fudan University, Shanghai, China.
Quantitative imaging in medicine and surgery
|October 21, 2024
概括
这项研究开发了一个快速神经网络 (NN) 模型,使用放射学特征来预测来自CT扫描的患者特定器官辐射剂量,从而最大限度地降低癌症风险. 该模型准确地估计了剂量,从而实现了更安全的医学成像实践.
科学领域:
- 医学成像物理 医学成像物理
- 放射性剂量测量 放射性剂量测量 放射性剂量测量
- 人工智能在医学中的应用
背景情况:
- 计算机断层扫描 (CT) 提供了详细的解剖成像,但涉及X射线辐射暴露,造成恶性瘤的风险.
- 准确估计患者特定器官剂量对于CT检查中的辐射风险评估至关重要.
研究的目的:
- 从CT扫描中开发和验证一种用于快速预测患者特定器官剂量的新方法.
- 利用放射学特征和神经网络 (NN) 进行准确有效的剂量预测.
主要方法:
- CT DICOM图像使用自细分软件进行处理,以确定器官的感兴趣区域 (ROI).
- 从CT数据和ROI中提取了放射性特征,并使用蒙特卡洛 (MC) 模拟计算了参考器官剂量.
- 一个NN模型使用放射学特征和参考剂量进行训练,以预测患者特定器官剂量.
主要成果:
- 该NN模型实现了高预测准确度,最大差异低于1mGy,R平方值高达0.93.3.
- 在不同器官组 (头部,胸部,腹部) 中,平均绝对百分比误差 (MAPE) 从1.68%到15.2%不等.
- 该模型通过在培训和测试期间随机样本重新排列来证明其稳定性.
结论:
- 基于放射学的NN模型从CT扫描中准确预测患者特定的器官剂量.
- 预测过程非常高效,在单个CPU上用不到一秒的时间完成.
- 这种方法为临床应用提供了一个用户友好的工具,提高了医学成像中的辐射安全性.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
