自动扫描区域分类和针对患者的剂量建模,用于计算机断层扫描中的增强剂量管理

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 计算机断层扫描 (CT) 剂量管理面临着手动协议映射和来自固定诊断参考水平 (DRL) 的警报疲劳的挑战.
• 大量的不可采取行动的警报可能会忽视显著的辐射剂量偏差.
• 提出了一个新的AI辅助框架来解决这些局限性.

研究的目的:

• 开发和评估一个人工智能辅助的框架,用于自动化CT扫描分类.
• 为辐射剂量评估提供患者特定的背景.
• 为了减少警觉疲劳,提高剂量监测的效率.

主要方法:

• 追溯分析2955个CT照射事件.
• 使用深度学习和扫描区域分类与随机森林模型的自动化身体细分.
• 基于患者解剖学的线性回归模型来预测CT剂量指数 (CTDIvol),识别统计异常值.

主要成果:

• 自动扫描区域分类器实现了93.8%的F1得分.
• 线性回归模型显示了解剖学和CTDIvol.之间强烈的相关性 (r=0.56-0.79).
• 人工智能框架确定了较少的审查案例 (60个异常值) 与DRL相比 (170次超标),所有这些都是临床上合理的.

结论:

• 人工智能辅助的以患者为中心的框架对于CT剂量管理是有效的.
• 从以人口为基础的值转向动态的,针对患者的具体评估,提高了剂量偏差的识别.
• 推进个性化辐射剂量监测,减少警报负担并提高可靠性.