在数字乳腺造影和数字乳腺图片合成中使用机器学习方法的不确定性和正常化腺体剂量评估
Antonio Sarno1, Rodrigo T Massera2, Gianfranco Paternò3
1Department of Physics "A. Pontremoli", University of Milan & INFN sez. Milano, Milano, Italy.
概括
机器学习准确地预测了乳房扫描和数字乳房图解合成 (DBT) 中的正常化腺体剂量 (DgN). 该模型以低不确定性估计DgN,这对于优化乳腺成像期间患者辐射暴露至关重要.
科学领域:
- 医学物理 医学物理
- 放射性成像学成像学
- 机器学习应用 机器学习应用
背景情况:
- 准确估计正常化腺体剂量 (DgN) 对于优化乳房照射和数字乳房图解合成 (DBT) 中的辐射保护至关重要.
- 传统的DgN计算方法可能是复杂和耗时的.
- 患者特定的解剖学变异显著影响辐射剂量分布.
研究的目的:
- 开发和验证用于预测DgN系数及其不确定性的机器学习算法.
- 利用类似于患者的数字乳房模型来准确预测乳房摄影和DBT中的剂量.
- 评估解剖特征对DgN预测准确性的影响.
主要方法:
- 雇佣了126个像患者一样的数字乳房幽灵,用于蒙特卡洛的地面真实DgN计算.
- 利用自动相关性确定回归算法,根据乳腺厚度和腺体体积等解剖特征预测DgN.
- 探索数据归算技术来处理缺失的解剖数据.
主要成果:
- 预测模型实现了DgN估计的平均差异与地面真相相比为1%,50%的病例在3%以内.
- 估计DgN值的平均不确定性为9%,当不包括腺分布数据时,增加到17%.
- 随着管子电压的增加,预测性能得到了改善.
结论:
- 开发的方法准确地预测DgN在乳房镜和DBT患者衍生乳房的DgN,不确定性低于9%.
- 该模型显示,与实际情况的平均差异为1%,50%的案例差异不到5%.
- 这种方法为乳房成像中的个性化剂量评估提供了一个有前途的工具.
