一个人工智能模型用于预测适当的mAs与目标暴露指标,用于胸部数字放射学

科学领域:

• 辐射物理学 辐射物理学
• 医学成像医学成像
• 医疗保健中的人工智能

背景情况:

• 数字放射图像质量取决于多个因素,包括患者解剖学和曝光设置.
• 准确估计像当前时间产品 (mAs) 这样的暴露因素是具有挑战性的,导致潜在的过度暴露或暴露不足.
• 需要预测模型来优化mAs的诊断图像质量.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于预测胸部数字放射学中最佳的mAs.
• 利用从幻影研究中得出的目标暴露指标来定义适当的暴露水平.
• 在人类研究队列中验证ML模型的性能.

主要方法:

• 用一个人形的胸部幻影来确定目标暴露指标 (平均达到暴露[REX]=355.6).
• 收集了1000名接受胸部X射线检查的患者的数据集,记录了胸部厚度,体重和暴露因子 (mAs,REX) 等参数.
• 通过80%的培训和20%的测试数据分割,训练和验证了五种ML模型,人工神经网络 (ANN) 被确定为最合适的.

主要成果:

• 该ANN模型在预测REX和mAs值方面表现出很高的准确性.
• 与自动暴露控制 (AEC) 相比,预测的mAs值在过度暴露的情况下 (REX > 355.6) 平均低10% ,在暴露不足的情况下 (REX < 355.6) 高8%.
• 该模型显示了通过调整目标REX来进一步减少mAs的潜力,表明了剂量优化的可能性.

结论:

• 机器学习为开发人工智能模型提供了一种可行的方法,用于预测胸部数字放射学中适当的mA.
• 开发的ML模型可以帮助优化图像质量并通过估计精确的暴露因子来减少患者的辐射剂量.
• 这种人工智能驱动的mAs预测代表了提高数字放射学诊断准确性和安全性的重大进步.