训练一个深度学习模型来预测光X射线图像中辐射的解剖学

科学领域:

• 医疗成像医学成像
• 辐射物理学 辐射物理学
• 人工智能在医学中的应用

背景情况:

• 在光学引导干预 (FGI) 中,准确的患者剂量测量具有挑战性,因为难以确定特定的辐射解剖学.
• 目前的方法依赖于设备报告的数据,这些数据可能无法完全捕捉患者特定的解剖细节.
• 辐射区域的精确定位对于准确的剂量估计和患者安全至关重要.

研究的目的:

• 开发和验证一个深度学习算法,用于自动匹配二维光镜图像与计算幻象中的相应解剖区域.
• 通过提高对FGI期间辐射解剖学的理解,使患者特异性剂量估计更加精确.
• 通过整合先进的图像分析技术,克服当前剂量测量方法的局限性.

主要方法:

• 从3D计算机断层扫描数据集中使用DeepDRR生成模拟的2D光镜图像.
• 使用修改后的残余神经网络 (ResNet) 架构,从模拟图像中预测解剖坐标,并结合患者元数据 (年龄,性别).
• 该模型经过训练和评估,用于解剖坐标预测,允许的误差范围为±10毫米.

主要成果:

• 深度学习模型在±10毫米范围内实现了超过90%的预测准确度,展示了强大的空间定位能力.
• 布兰德-阿尔特曼分析证实了预测和真实解剖坐标之间的良好一致,大多数误差在±2%以内.
• 发现了异常值,主要是婴儿幻影的Z坐标,并将其归因于训练数据中的有限代表性,突出了未来改进的领域.

结论:

• 创建了一个全面的模拟2D光学数据集,以促进医疗成像应用的深度学习模型的培训.
• 修改后的ResNet模型成功地从模拟的光镜图像中预测了高度准确的解剖坐标.
• 这种方法具有显著的潜力,可以通过提供精确的解剖定位来增强FGI中的患者特异剂量测量.