基于使用自动图像分割和快速蒙特卡洛计算的10 281名受试者CT剂量计的不确定性量化

科学领域:

• 医学物理 医学物理
• 放射学 放射学是一门学科.
• 计算生物学 计算生物学

背景情况:

• 计算机断层扫描 (CT) 扫描是全球医学辐射暴露的重要来源.
• 快速增加的CT扫描频率,特别是在中国,产生了大量的器官剂量数据.
• 现代计算方法使CT剂量不确定性分析能够处理大型数据集.

研究的目的:

• 开发和应用一种结合自动图像细分和GPU加速的蒙特卡洛 (MC) 模拟的新方法.
• 为了重建患者特异性器官剂量,为一大群10281名接受CT检查的人进行CT检查.
• 分析器官剂量分布模式,并使用简化模型调查CT剂量计方法中的不确定性.

主要方法:

• 收集和匿名的CT图像和患者健康指标 (年龄,性别,身高,体重).
• 利用深度学习 (DeepContour) 来实现器官的自动细分.
• 使用GE扫描器模型和ARCEHR-CT软件执行了GPU加速的MC器官剂量计算.
• 对八个关键器官的剂量进行了统计分析.

主要成果:

• 在16天内使用单个GPU处理了10,281个人的数据.
• 在器官剂量方面,即使在具有相似的BMI或WED的受试者中,也表现出深刻的个体间变异性.
• 在CT剂量计数据拟合方法中发现了超过50%的潜在相对误差.
• 与患者指标 (体重,BMI,WED,SSDE) 相关的器官剂量,表明它们可以用作具有理解不确定性的替代品.
• 观察到CT管电流调制降低了平均剂量,但没有显著改变个体器官剂量变化.

结论:

• 大数据分析和计算工具有助于CT剂量数据挖掘和不确定性量化.
• 在CT器官剂量的显著个体间变异是可证明和可量化的.
• 考虑到个体间的变化,可以提高CT剂量计的准确性.