European Radiology:使用深度神经网络在全身CT扫描中实现辐射剂量评估
医疗资讯网-妇科问诊
X线计算机体层摄影 (CT) 是目前临床诊断、随访、分期中最常用的影像学检查方法之一。此外,CT也常与核医学仪器连接,如单光子发射计算机断层扫描 (SPECT) 或正电子发射断层扫描(PET)。
国际辐射防护委员会 (ICRP)建议按照ALARA的优化规则来估计医学影像操作中给予患者的辐射剂量,以便通过适当使用电离辐射将风险降到最低。
最近强调的个性化医疗和患者特异性的优化证实了计算辐射风险相关的具体参数的关键需求。器官剂量是病人特定剂量计算的要求,与辐射风险有很好的相关性。器官辐射剂量的评估可以使用多种方法进行。最直接的方法是使用特定于扫描协议的转换因子。另一种选择是使用专用软件工具。
近日,发表在European Radiology杂志上的一篇研究提出了一种深度学习引导的方法,该方法从全身CT采集中生成基于体素的吸收剂量图,为临床进行准确的辐射剂量评估提供了技术支持。
考虑患者和扫描仪的特异性(SP_MC),研究使用蒙特卡罗(MC)模拟计算每个源位置/角度对应的体素剂量图。通过MC计算(SP_uniform)计算均匀圆筒内的剂量分布,并将密度图和均匀剂量图输入残差深度神经网络(DNN),通过图像回归任务预测SP_MC。通过带/不带管电流调制(TCM)的迁移学习比较了DNN和MC在两种管电压扫描下重建的11例全身剂量图。同时进行了体素级和器官级剂量评估,如平均误差(ME, mGy)、平均绝对误差(MAE, mGy)、相对误差(RE)和相对绝对误差(RAE)。
在ME、MAE、RE和RAE体素参数方面,120 kVp和TCM测试集的模型性能分别为- 0.0302±0.0244 mGy、0.0854±0.0279 mGy、- 1.13±1.41%和7.17±0.44%。120 kVp和方案在所有分节器官的ME、MAE、RE和RAE平均误差分别为- 0.144±0.342 mGy、0.23±0.28 mGy、- 1.11±2.90%、2.34±2.03%。
图 90和120kv时由MC(蓝色) 和DL (橙色)计算的器官剂量分布的风琴图
本项研究表明,研究所提出的深度学习模型能够从全身CT扫描中生成体素水平的剂量图,具有合理的精度,适合于器官水平的吸收剂量评估。
原文出处:
Yazdan Salimi,Azadeh Akhavanallaf,Zahra Mansouri,et al.Real-time, acquisition parameter-free voxel-wise patient-specific Monte Carlo dose reconstruction in whole-body CT scanning using deep neural networks.DOI:10.1007/s00330-023-09839-y