自动估计来自临床CT扫描的个性化器官特定剂量和噪声

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 计算科学 计算科学

背景情况:

• 辐射剂量和图像质量是关键的,在计算机断层扫描 (CT) 中是相反的因素.
• 目前的方法不足以解决器官水平的辐射剂量和噪声,以准确评估风险和优化临床任务.
• 对于精确的CT协议评估,需要个性化的器官特异性指标.

研究的目的:

• 开发一个自动化管道,从临床CT扫描中生成个性化,器官特定的辐射剂量和噪声估计.
• 根据器官级数据实现CT协议的个性化评估和优化.
• 为了改善诊断图像质量和辐射暴露之间的平衡.

主要方法:

• 开发了一个管道,集成剂量图的蒙特卡洛模拟和噪声图的经验校准噪声模型.
• 用基于深度学习的方法 (TotalSegmentator) 来生成器官细分.
• 该管道使用临床,幻影和跨站点数据集进行了验证,对专家注释进行了细分准确性评估.

主要成果:

• 噪音模型表现出高性能,平均RMSE约为1.5 HU,相对RMSE约为5%.
• 在六个关键器官中,TotalSegmentator实现了0.8597的平均子得分.
• 管道产生了器官级剂量和噪声估计,大多数器官的误差小于2%.

结论:

• 拟议的管道准确地提供了个性化,器官特定的剂量和噪声估计.
• 管道的自动化和可扩展性使其更容易应用于大型临床数据集.
• 该工具可以优化特定器官和临床任务的图像质量,而不会影响整体辐射安全.