机器学习预测各种计算机断层扫描应用中的有效辐射剂量:一个虚拟的人类幻影研究

科学领域:

• 医学物理 医学物理
• 辐射科学 辐射科学
• 计算成像技术的成像

背景情况:

• 计算机断层扫描 (CT) 扫描是广泛使用的诊断工具.
• 精确估计辐射剂量对于CT成像中的患者安全至关重要.
• 患者体重和CT协议的变化显著影响辐射暴露.

研究的目的:

• 采用机器学习 (ML) 算法来准确预测CT扫描中的辐射剂量.
• 评估不同ML模型在预测不同CT协议和幻影特征的有效剂量的性能.
• 为了确定CT辐射剂量估计的最有效的ML方法.

主要方法:

• 利用基于云的软件计算各种CT协议的有效剂量.
• 雇佣了八个全身计算幻象,代表了成年人体重的不同范围.
• 开发了一套数据集,整合了头部,部和胸部,腹部和骨盆CT扫描参数.
• 应用线性回归 (LR),随机森林 (RF) 和支持矢量回归 (SVR) ML算法.
• 使用平均绝对误差,平均平方误差和精度指标评估模型性能.

主要成果:

• 与男性幽灵相比,女性幽灵吸收的辐射剂量比男性幽灵高7.8%.
• 辐射剂量逐渐从超重变为正常体重的幻象增加 (11%的增量).
• 线性回归 (LR) 在预测CT辐射剂量方面实现了0%的误差率和100%的准确性.
• 根据幻体体重和CT扫描协议观察到显著的剂量变化.

结论:

• 线性回归 (LR) 成为估计CT诱导辐射剂量的优越ML算法.
• ML为准确可靠的CT辐射剂量预测提供了一个有前途的途径.
• 这些发现强调了在剂量评估中考虑患者特异性因素 (体重) 和协议变化的重要性.