通过机器学习通过头部和腹部CT扫描估计患者特定器官剂量,并优化调节强度和特征数量
Wencheng Shao1, Liangyong Qu2, Xin Lin1
1Institute of Radiation Medicine, Fudan University, Shanghai, China.
概括
这项研究优化了支持向量回归 (SVR) 模型,使用放射学特征从CT扫描中准确地估计患者特定器官剂量. 参数调整可以提高模型预测的准确性和稳定性.
科学领域:
- 医学物理 医学物理
- 放射学 放射学是一门学科.
- 计算成像技术的成像
背景情况:
- 从CT扫描中准确估计患者特定器官剂量对于辐射保护至关重要.
- 放射学,从医学图像中提取定量特征,为剂量预测提供了潜力.
- 支持向量回归 (SVR) 模型可以用于医学成像中的预测建模.
研究的目的:
- 通过使用基于放射学特征的SVR模型,从CT扫描中调查患者特定器官剂量的估计.
- 优化SVR模型训练参数,包括规范化和输入特征量,以提高预测准确性和稳定性.
- 为了最大限度地提高SVR模型对器官剂量估计的预测性能.
主要方法:
- 来自头部和腹部扫描的CT图像使用对感兴趣的器官区域 (ROI) 的自动细分来处理.
- 从CT数据和ROI中提取了放射学特征,通过蒙特卡洛模拟计算的基准器官剂量.
- 使用放射学特征训练SVR模型,对参数 (规范化和输入特征数量) 进行微调,以实现最佳预测.
主要成果:
- SVR模型性能 (MAPE和R2值) 证明了对器官类型的依赖.
- 确定了最佳的SVR模型配置,特定的C值 (5或10) 和各种器官 (例如大脑,眼睛,脏,肝脏) 的输入特征量.
- 在头部和腹部器官的C值为5和10时观察到模型和.
结论:
- 优化输入特征数量和规范化参数的选择显著提高了基于特征的放射学SVR模型的预测准确性和稳定性.
- 这种方法为CT成像中患者特定器官剂量预测提供了可靠的方法.
- 微调模型参数是最大限度地提高放射学驱动剂量估计性能的关键.
