使用器官特异性深度学习将剂量区域产品转换为牙圆束计算机断层扫描中的有效剂量

科学领域:

• 医学物理 医学物理
• 放射性成像学成像学
• 医疗保健中的人工智能

背景情况:

• 牙科圆束计算断层扫描 (CBCT) 是广泛使用的,需要精确的患者剂量测量.
• 将剂量区域产品 (DAP) 转换为患者器官剂量对于辐射风险评估至关重要.
• 现有的CBCT剂量估计方法在准确性上有局限性.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于在牙科CBCT中准确地从DAP转换患者剂量.
• 将神经网络 (NN) 的性能与多重线性回归 (MLR) 和直接转换系数 (CCs) 等传统方法进行比较.

主要方法:

• 模拟了24384个牙科CBCT暴露,使用PCXMC 2.0与不同的参数.
• 训练有素的神经网络 (NN) 使用Keras与扫描参数来估计每个DAP的器官剂量.
• 探索了两个位置输入方法:连续的XYZ坐标和分类的前后/尾位置.
• 使用ICRP 103组织权重因子计算有效剂量 (ED).

主要成果:

• 对于器官剂量/DAP,NN模型实现了较低的平均绝对误差 (MAE),在"坐标"模式下从0.18%到2.90%不等.
• 在NN模型中,有效剂量 (ED) 估计的精度更高,MAE在"协调"模式下低至0.23%.
• 在NN的表现显著超过了MLR (MAE 5.70%) 和CCs (MAE 20.19%-32.67%).

结论:

• 神经网络提供了一个非常准确的方法来估计牙科CBCT中的DAP患者剂量.
• 与现有方法相比,拟议的深度学习方法在辐射剂量评估准确度方面取得了实质性的改进.
• 这一进步可以导致在牙科CBCT手术中更精确的辐射风险评估.