文献速递技术与安全胸部腹部CTPET

基于深度神经网络的全身体CT扫描实时、采集参数无关的体素级患者特异性蒙特卡罗剂量重建

Real-time, acquisition parameter-free voxel-wise patient-specific Monte Carlo dose reconstruction in whole-body CT scanning using deep neural networks.
PubMed 文献 · Eur Radiol · 2023-06-27

本研究提出深度学习引导的方法,从全身体CT采集生成基于体素的吸收剂量图。以蒙特卡罗模拟为参考标准,在11例测试病例中比较深度神经网络与蒙特卡罗重建的全身体剂量图,120 kVp及管电流调制条件下体素级相对绝对误差为7.17±0.44%,器官级平均相对绝对误差为2.34±2.03%,结论认为该模型能以合理精度生成体素级剂量图,适用于器官级吸收剂量估算。

要点

  • 深度神经网络可从全身体CT实时生成体素级剂量图,器官级剂量估算精度合理。
  • 120 kVp及管电流调制下体素级相对绝对误差为7.17±0.44%,器官级为2.34±2.03%。
  • 模型性能在固定管电流与管电流调制场景下相近,90 kVp经迁移学习后结果可比。

核心结论

  • 所提出的深度学习模型能够从全身体CT扫描生成体素级剂量图,精度合理,适用于器官级吸收剂量估算。

研究设计与样本

  • 研究纳入63例接受全身体PET/CT的患者,其中11例为未触碰的测试集,扫描设备为Biograph mCT(Siemens Healthineers),采用螺旋模式、120 kVp管电压及CareDose4D管电流调制。
  • 以蒙特卡罗模拟计算的患者特异性单源位置剂量图叠加重建的全身体剂量图作为参考标准,深度残差网络以单源位置均匀模体剂量图和密度图为输入预测单源位置蒙特卡罗剂量图。
  • 在90 kVp数据上通过迁移学习对模型进行微调,以评估泛化能力,测试集包括11例未触碰病例及从训练和验证组随机选取的20例。

诊断标准与关键数值

  • 120 kVp及管电流调制测试集体素级平均误差为-0.0302±0.0244 mGy,平均绝对误差为0.0854±0.0279 mGy,相对误差为-1.13±1.41%,相对绝对误差为7.17±0.44%。
  • 120 kVp及管电流调制测试集器官级(所有分割器官平均)平均误差为-0.144±0.342 mGy,平均绝对误差为0.23±0.28 mGy,相对误差为-1.11±2.90%,相对绝对误差为2.34±2.03%。
  • 90 kVp测试组体素级相对绝对误差较120 kVp结果高约1.5%(8.63 vs. 7.17)。
  • 所有器官的平均相对绝对误差在两种kVp及固定管电流和管电流调制场景下均始终小于4.5%。
  • 器官级评估指标在固定管电流与管电流调制之间无统计学显著差异(Mann-Whitney检验,p>0.05)。

临床应用与阅片要点

  • 该模型除扫描仪厂商/型号和kVp外无需其他采集参数,更换kVp或扫描仪/型号时需通过蒙特卡罗模拟进行微调,微调后推断阶段无需蒙特卡罗计算。
  • 模型误差最高出现在肺/胸壁交界和软组织/颅骨等密度与化学组成梯度大的区域,以及心脏、骨骼和脑区域。
  • 蒙特卡罗全身体模拟需2至3天,而该方法利用GPU并行处理可在数分钟内完成,计算时间可接受。

局限性

  • 原文指出,由于测试组样本量小(原文写作12例),未对90与120 kVp数据集间的体素级指标进行统计分析。
  • 原文指出,对于光子计数CT探测器,由于能量范围和探测器技术不同,可能需要额外的微调病例或不同的微调策略,并建议在此特定情况下使用微调策略时需谨慎。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Jun 27;33(12):9411–24. doi: 10.1007/s00330-023-09839-y

引言

通过无创医学影像检查实现对人体内部的可视化,是诊断各种病理的绝佳机会。X射线计算机断层扫描(CT)是初始临床诊断、随访、分期、放射治疗计划以及急诊科中常用的影像模态之一,可为广泛的适应症提供有价值的信息[1]。此外,CT也常附接于核医学仪器,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),用于混合成像设备上的同步SPECT/CT[2]或PET/CT[3]成像。与此同时,CT作为高剂量检查之一,在患者所受电离辐射暴露中占相当大的部分[4, 5]。国际放射防护委员会(ICRP)[6]建议估算医学影像程序给予患者的辐射剂量,以遵循称为ALARA的优化原则,从而通过适当使用电离辐射将风险降至最低。

近年来对个性化医疗和患者特异性正当化/优化的重视,证实了计算与辐射风险相关的特定参数的迫切需求[7–10]。器官剂量是患者特异性剂量计算的一项要求,并与辐射风险具有良好的相关性[9]。另一方面,已有研究表明,给予特定器官的辐射剂量可达到确定性效应剂量水平,尤其是在系列CT检查中,而这在患者随访中是常见做法,例如在近期COVID-19大流行期间[11–13]。

器官剂量的估算可采用多种方法进行。最直接的方法使用针对扫描协议的转换因子。另一种选择是使用专用软件工具,如ImpactDose1和Radimetrics[14]。上述两种软件包均被证明与使用患者特异性或参考计算模型的更精确蒙特卡罗(MC)模拟工具计算的器官剂量相关性较低[15, 16],尤其是当管电流调制(TCM)系统激活时[17–19]。虽然使用患者特异性计算模型的MC计算被认为是最准确的方法,且常被视为金标准技术,但其缺点——包括计算时间、高计算负担以及需要计算机编程专业知识——限制了其在临床环境中的采用。利用GPU的并行计算能力使MC计算更快,更适合在临床环境中采用[20, 21]。然而,与该技术相关的复杂性仍是一个重大障碍。基于深度学习的算法目前用于各种医学影像应用,包括图像回归[22]、配准[23]、分割[24]、辐射剂量学计算[25, 26]和优化[27, 28]。本研究旨在开发一种全自动方法,使用深度神经网络算法实时估算与全身(WB)CT检查相关的患者特异性基于MC的剂量图。

材料与方法

研究人群

本研究纳入63例患者(35例男性、28例女性),均在Biograph mCT扫描仪(Siemens Healthineers)上接受全身PET/CT成像。所有CT扫描均采用螺旋模式,管电压为120 kVp,并启用了Siemens CareDose4D TCM。图像采用扩展70 cm视野选项重建,轴向平面体素大小为1.523 mm,层厚1.4 mm,使用滤波反投影算法。图1展示了本研究方案中所遵循的不同步骤的流程图。

图1 流程图,总结了实施整个过程所涉及的不同步骤。蓝色虚线表示90 kVp泛化性测试。DL:深度学习。MC:蒙特卡罗 查看原图 ↗

蒙特卡罗模拟

按照Schneider等人[29]提出的方法,使用线性多元回归模型将CT HU值转换为密度图,以将CT图像分割为不同组织密度。随后,将所得密度图重采样为5 mm3立方各向同性体素大小。纳入MC模拟的基本组成部分,包括准确的源模型和方案相关参数,均采用我们内部开发的MC模拟代码,该代码已在既往研究中开发并验证[30]。采集参数,包括管电压、准直宽度、床速、旋转时间、螺距和管电流调制,均在该模拟中实现。该模拟器基于MCNPX通用蒙特卡罗辐射输运代码(版本2.6)[31]。

MC模拟的输出为单个源位置(SP_MC)的三维剂量图,其轴向覆盖范围有限。对多个离散源位置运行蒙特卡罗模拟,以模拟螺旋全身CT扫描。由于DICOM头文件中缺乏管起始角度信息,因此为源生成随机起始位置。据此,对源位置沿Z轴(头尾轴)以2 mm轴向间隔的螺旋运动进行建模。最后,考虑纵向管电流调制(从TCM的DICOM头文件中提取),将每个源位置的模拟剂量图乘以相应的管电流并叠加,以构建完整的体素剂量分布。

数据准备

对总共63例患者以120 kVp管电压进行MC计算。然后,在除kVp外保持所有参数相似的情况下,对测试组患者(11例)以及从训练组和验证组中随机选择的20例患者以90 kVp管电压重复MC计算,以执行本文后文所述的微调过程。来自训练组和验证组的病例用于执行迁移学习和微调。

在90和120 kVp下对均匀圆柱体辐射剂量的蒙特卡罗计算

模拟了一个位于CT机架内、直径为715 mm的均匀充水圆柱体,并针对MC模拟器追踪的大量模拟事件(4 × 1010个粒子)计算了单个源位置(零度,位于前部点)的剂量图。该剂量图称为单源位置均匀图(SP_uniform),针对两种管电压计算,即单个源的90和120 kVp。需要提及的是,90 kVp均匀剂量图用于通过微调测试网络的泛化性。

生成单源位置图像及相应的密度图

利用分析性图像处理方法在所有CT图像上自动分割体轮廓。所有体轮廓分割均经过视觉审查和确认。保存大小为96 × 144 × 17体素的MC输出图像(SP_MC),并将相同轴向覆盖范围的密度图裁剪至相同大小。将SP_uniform图像裁剪至相同轴向覆盖范围的体轮廓,并归一化至由公式(1)计算得出的转换因子(CF),以补偿SP_uniform剂量计算中在大圆柱体上发生的衰减效应。针对零度位置源(仰卧位患者前部)计算得到的SP_uniform剂量图像被旋转以匹配所需角度(图2和补充图1中的旋转SP_uniform)。其中e为欧拉数,为特定源位置下体轮廓边缘至X射线管源的距离。为模拟的大圆柱体边缘至特定位置源的距离。由于圆柱体尺寸大于我们最大患者的尺寸,CF始终大于1。图2展示了源位于右侧位时SP_MC、SP_Uniform及相应CT层面的示例。

SP_uniform和SP_MC两幅图像均按固定值对所有体素强度进行归一化。每个源位置分别保存在单独的图像中,用于训练神经网络。

图2 单个源位置/角度对应的CT、SP_Uniform和SP_MC剂量图的轴位和冠状位层面示例。在这些情况下,X射线管位于右侧位 查看原图 ↗

网络架构与训练细节

从全部63例全程CT图像(27,632个源位置)中,选取11例(4792个源位置)作为未触碰的测试集。图1展示了本研究的步骤以及所提及的三幅图像(SP_uniform、SP_MC和密度图)的示例。将唯一源位置/角度下的SP_uniform和密度图图像作为输入送入神经网络,以预测相应源位置/角度下的SP_MC图像作为输出。在Python(TensorFlow)中训练深度残差网络(ResNet),以从上述两个输入生成SP_MC图像。该ResNet由20个卷积层组成(19层卷积核大小为3 × 3 × 3,最后一层卷积核大小为1 × 1 × 1),图像大小在各层间保持恒定(未应用下采样或上采样池化)。通过在卷积核中分别使用0(前七层)、2(中间六层)和4(后六层)的膨胀率,提取了包括低、中、高在内的不同特征级别。每两层之间使用残差连接以避免梯度消失或爆炸。使用“Adam”优化器和L2损失函数持续训练100个epoch。初始学习率按分段方式每五个epoch降低一次。训练后的网络在外部组数据集上进行测试,深度神经网络输出命名为SP_DL。

90 kVp数据的泛化性评估(微调)

为了测试所提出模型在120 kVp以外其他kVp下的泛化能力,我们进行了MC模拟,通过考虑90 kVp能谱在未触碰的测试组(11例)以及从训练组和验证组中选取的20例患者上计算体素剂量图。按照前述相同的预处理步骤,在90 kVp下推导SP_MC、SP_uniform和密度图。根据AAPM第148号报告和McCollough等人[32]的研究,我们使用相同的密度图在90 kVp图像上训练网络。保存在120 kVp数据集上训练的模型。使用具有训练权重和偏置的该模型通过迁移学习初始化新的训练(微调)过程。微调过程持续50个epoch,学习率为1e-7,权重和偏置根据90 kVp数据集更新,以SP_uniform和密度图作为输入、SP_MC图像作为模型输出。将SP_uniform和密度图输入到在90 kVp训练数据集上微调后的网络,并为同一测试组(11例)生成90 kVp下的SP_DL图像。将这些SP_DL图像与90 kVp下的SP_MC图像进行比较。

单源位置剂量图重建

来自单源位置的剂量图通过先前研究[30]中描述的与球管校准相关的因子进行校正。从DICOM头文件中提取管电流。然后,使用SP_MC和SP_DL剂量图分别叠加对应于单个源位置/角度的剂量图以重建全身剂量图(WBDM),分别称为WBDM_MC和WBDM_DL。最终WBDM为96 × 144 × Z体素的矩阵,其中Z为沿Z轴的图像大小,体素值为该体素内的吸收剂量,单位为毫戈瑞(mGy)。我们考虑了两种WBDM计算策略:固定100 mA管电流(FTC)和根据DICOM图像记录的实际管电流激活的TCM。

评估指标

体素级定量剂量评估

将WBDM_DL图像与作为参考标准(金标准)的WBDM_MC图像在体素水平进行比较。计算了体素级参数,包括结构相似性指数(SSIM)、峰值信噪比(PSNR)、平均误差(ME,mGy)、平均绝对误差(MAE,mGy)、相对误差(RE,%)、相对绝对误差(RAE,%)和gamma通过率。Gamma通过率采用Low等人[33]先前描述的1 mm和1%标准。

器官级剂量评估

除体素级误差外,在测试WBCT图像上手动分割了八个器官,包括肝脏、心脏、骨骼、肾脏(双侧)、脾脏、膀胱、肺(双侧)和脑。器官剂量通过计算器官分割区域内WBDM图像的平均体素值来估计。对每个器官比较在WBDM_DL和WBDM_MC上计算的器官吸收剂量,指标包括平均误差(ME,mGy)、平均绝对误差(MAE,mGy)、相对误差(RE,%)和相对绝对误差(RAE,%)。这些体素级和器官级指标在90 kVp和120 kVp外部数据集上均进行了计算,同时考虑FTC和TCM两种情景。

统计分析

采用Kolmogorov-Smirnov检验检查分布的正态性。使用Mann-Whitney检验比较两组90和120 kVp之间上述器官水平评估指标。由于测试组样本量较小(12例),我们倾向于不进行统计分析以比较90和120 kVp数据集之间的体素水平指标。p值小于0.05被认为具有统计学意义。

结果

患者人口统计学特征

纳入患者的年龄为58.9 ± 17.2岁。患者平均水当量直径为26.6 ± 2.7(范围16.45–32.95)cm。TCM实施的平均管电流为140.7 ± 48.71(56至306)mA。表1总结了患者的人口统计学信息。

表1 测试组、训练组和验证组的人口统计学描述 查看原表 ↗

体素水平误差指标

表2总结了在90和120 kVp下获取的两个外部验证组的体素水平指标结果。模型在120 kVp和TCM测试集上的体素水平参数性能,包括SSIM、PSNR、Gamma通过率、ME、MAE、RE和RAE,分别为0.997 ± 0.002、46.69 ± 1.98、98.47 ± 0.81、− 0.0359 ± 0.0244 mGy、0.1091 ± 0.0279 mGy、− 1.16 ± 1.41%和7.13 ± 0.44%。所有体素水平参数在120 kVp、TCM和FTC测试集中均处于相同范围。在90 kVp数据上执行迁移学习和微调后的体素水平评估结果也与120 kVp相当,但RAE除外,90 kVp测试组较120 kVp结果高约1.5%(8.63 vs. 7.17)。考虑FTC和TCM场景,我们的模型在90 kVp测试集中的性能几乎相似。

图3显示了在体素水平比较WBDM_DL和WBDM_MC剂量的联合直方图。图3中显示的高相关性(R2 > 0.98)和其他体素水平指标表明MC和DL剂量图之间具有极好的一致性。图4显示了两个WBDM_DL和WBDM_MC示例及其相应的偏差图,以冠状面视图显示,涵盖两种kVp(90和120)与两种TCM和FTC场景的组合。偏差图显示MC和DL结果之间具有极好的一致性。RAE(%)方面的最大差异出现在肺/胸壁交界处和软组织/颅骨(骨组织),这些区域生物组织的密度和化学组成特征存在梯度,因此与组织的辐射相互作用特性也存在梯度。在所有kVp以及TCM和FTC场景下,所有器官的平均RAE始终低于4.5%。

表2 90和120 kVp下体素水平评估指标汇总 查看原表 ↗
图3 在90 kVp、FTC(左上)、120 kVp、FTC(右上)、90 kVp、TCM(左下)和120 kVp、TCM(右下)条件下比较WBDM_DL和WBDM_MC体素剂量的联合直方图。白色虚线显示拟合线和回归线方程。每个直方图还显示了相关系数(R2)。 查看原图 ↗
图4 外部测试集中两个病例的WBDM_DL、WBDM_MC冠状面切片及相应的偏差图。所有图像中色条单位为mGy。偏差图计算为WBDM_DL – WBDM_MC,其中蓝色像素反映正偏差图,红色像素反映负偏差图。每项研究的标注显示kVp和管电流模式(TCM或FTC)。病例#1:74岁男性,患者身高=172 cm,患者体重=85 kg,平均水等效直径[34]=28.4 cm,最大切片处有效直径=32.9 cm。病例#2:65岁女性,患者身高=158 cm,患者体重=87 kg,水等效直径=29.5 cm,最大切片处有效直径=35.6 cm。此处体素值为mGy,每幅图像旁显示色条 查看原图 ↗

分器官误差指标

120 kVp和TCM模式下,对所有分割器官平均后的分器官误差按RE(%)、RAE(%)、ME(mGy)和MAE(mGy)计分别为− 1.11 ± 2.90、2.34 ± 2.03、− 0.144 ± 0.342和0.23 ± 0.28。表3和表4分别总结了在120 kVp和90 kVp测试集上计算的分器官指标。在90 kVp和120 kVp测试集中,FTC与TCM性能在分器官评估中计算的指标之间均无统计学显著差异(Mann-Whitney,p > 0.05)。平均误差最高见于心脏、骨骼和脑区域,这些区域密度及周围组织梯度较高。图5比较了在DL和MC重建剂量图上测量的器官剂量。器官剂量的小提琴图、结果的体素级比较以及伽马通过率结果均显示DL与MC器官剂量分布之间总体高度一致。图6显示了计算器官剂量之间RE和RAE(%)的Bland-Altman图。

表3 120 kVp数据集分器官剂量估计结果 查看原表 ↗
表4 微调后90 kVp数据集分器官剂量估计结果 查看原表 ↗
图5 在90和120 kVp下,FTC和TCM两种模式下由MC(蓝色)和DL(橙色)计算的器官剂量分布小提琴图 查看原图 ↗
图6 比较由蒙特卡罗和深度学习模型估计的器官吸收剂量的Bland-Altman图 查看原图 ↗

讨论

在这项工作中,我们提出了一种利用深度神经网络通过两个输入通道进行剂量图计算的新方法。该模型通过结合来自SP_uniform图像的衰减和源角度/位置信息与来自密度图图像的衰减特征来估计辐射体素剂量图(图2)。该模型预测对应于患者身体周围单个源位置/角度的剂量分布,这可以成为以较小源位置移动间隔计算吸收剂量的优秀选择,已被证明更为真实[30]。其他采集参数,如螺距、扫描模式(螺旋、序列)、旋转时间,以及其他参数如管电流,可以通过提供单源位置剂量图来建模。这种计算单源位置和角度的能力使得在更复杂的采集设置中计算全身剂量图成为可能,例如基于器官的TCM算法,其中管电流在前弧区域降低。所提出的DNN模型从两个输入生成单个源位置/角度,即SP-uniform和密度图。DNN输出(SPDL)是固定单位管电流的吸收剂量。然后,该SP_DL乘以取决于该点管电流的值以建模TCM或FTC场景。DNN误差仅限于第一步,即TCM/FTC管电流校正是可重复的,且该步骤无误差。这一特性使我们的模型无参数,我们的结果通过显示TCM和FTC场景的误差非常接近证实了这一断言。采集参数可分为两个子类别:i.影响管输出的参数,如制造商/型号参数(固有束滤过、阳极材料、阳极角度、高频特性等)、kVp、管电流(作为固定值(FTC)、根据患者体型调制(TCM)或更新的基于器官的TCM)。

影响或取决于X射线与患者身体相互作用的几何和位置的参数,包括检查床高度、蝴蝶结滤器、螺距因子、旋转时间以及患者体型和组成。如果使用TCM算法,每个点的管电流取决于管源相对于患者身体的几何关系。

使用我们提出的方法,第二类中的所有参数都可以建模,因为它们取决于(i)源相对于患者身体的位置、角度和距离以及(ii)患者的体型和组成。我们的模型可以从SP-uniform图像中提取模型“i”的相关信息,从患者密度图中提取“ii”的相关信息。在上述参数中,唯一影响光束能谱(对于单台扫描仪)的参数是管电压。我们尝试使用另一个kVp(90 kVp)对在120 kVp下训练的网络进行微调,以证明这一限制可以通过迁移学习以较少的努力克服。换言之,所提出的模型是除扫描仪制造商/型号和kVp之外的无参数方案,通过微调可以达到相同的结果。应强调,对于新的kVp或扫描仪/型号,MC模拟对于微调(重新训练)是必要的。相反,在微调之后或当模型用于相同kVp和扫描仪/型号时,推理步骤不需要MC计算。

通过迁移学习将模型应用于不同的kVp数据集并对模型进行微调,以此检验模型的泛化能力。器官水平剂量指标的结果证明了所开发模型的稳健性。在同时考虑FTC和TCM技术时,我们的模型在体素水平和器官水平指标上的表现相似。根据患者体型大小,全身模拟的MC计算需要2至3天。虽然我们提出的方法利用GPU上的快速并行处理可在几分钟内完成,但这一计算时间对于获得在精度上与MC计算相当的剂量图是可接受的。此外,对于使用双源CT扫描仪或以双能模式运行的单源扫描仪进行的采集,通过将每个kVp(X射线管)的源视为单一源位置/角度,剂量图计算是可行的。然而,由于新型光子计数CT探测器具有不同的能量范围和探测器技术,可能需要额外的微调案例或不同的微调策略。在这种特定情况下使用微调策略时需要谨慎。

训练和测试数据集中纳入的患者涵盖了广泛的体型和BMI范围。如图4所示,模型对患者体型和组成变化具有稳健性。Wang等人[35]提出了人体模体中辐射剂量的解析线性玻尔兹曼建模。他们报告误差小于3%,但其模型仅针对单一模体,未考虑人体的变异性。尽管是独立进行的,我们的研究与Maier等人[25]发表的研究在某些方面具有相似性,即我们使用两个通道输入到模型中来预测体素剂量图。我们使用了覆盖从颅骨到大腿中部更大轴视野范围的全身CT图像,并为全范围训练了单一通用模型。适用于所有扫描协议的单一通用模型更易于实施。他们通过改变参数引入了多个模型,而通过获取单一源剂量图,泛化性在日常临床常规中更为实用。此外,我们提出的方法能够直接从CT图像重建剂量图,无需额外的耗时的确定性方法来求解玻尔兹曼输运方程。

Tzanis等人[26]使用深度学习生成由蒙特卡洛模拟计算的体素剂量图,方法是将图像转换为长向量并引入扫描参数(如管电流和扫描模式)作为额外列。他们纳入了343例头颈部扫描,报告了递送到三个组织/器官(包括脑、颅骨和晶状体)的器官剂量,器官RAE的平均误差小于6%(范围0–19%)。我们提出的模型在器官水平RAE方面提供了更准确的结果(平均2.74)。此外,他们仅使用了120 kVp采集,且扫描范围限于头颈部区域。

器官掩膜是计算器官剂量的关键要求。我们分割了多个器官,以评估我们的模型在器官水平剂量计算中的性能。劳动密集且耗时的分割是使用剂量图进行辐射风险评估的重要局限性。尽管在体素级相对绝对误差(RAE,%)方面存在误差高于平均值的体素,但器官剂量误差可忽略不计,尤其是对于肝脏等大器官。某些器官剂量和体素中略高的误差可归因于方法学局限性,例如我们为减少计算时间而采用的粗糙图像矩阵尺寸(体素大小为5 mm)。大体素尺寸也可能导致体素级指标出现较高误差。我们的模型在器官水平剂量方面取得的优异性能远优于预表格化软件输出。此外,我们仅使用一台扫描仪,利用有限数量的患者来训练我们的深度学习(DL)网络。尽管我们证明了迁移学习概念在其他X射线能谱上的有效性,并在同一扫描仪上获得了相当的误差和稳健的结果,但应注意,每台扫描仪,即使是相同型号/制造商,也具有特定的输出能谱,在微调期间应予以考虑。尽管如此,主要瓶颈仍是生成蒙特卡罗剂量图作为地面真值所需的高计算时间。此外,在我们的方法中,递送到扫描重建轴向范围之外器官的辐射剂量是缺失的。

结论

我们提出的深度学习模型可以从CT扫描采集生成全身剂量图,在体素水平具有合理精度,在器官水平剂量估计方面具有优异性能。整个过程,包括对新数据集的预处理和模型推理,可以在数秒内完成,这使得具有可接受精度的个性化剂量测定成为临床常规中的可能选项。相反,通过从单一源位置生成剂量分布,我们的模型可以为广泛的采集参数生成准确且个性化的剂量图。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 155 KB)

引用

  1. Salimi Y, Akhavanallaf A, Mansouri Z, et al. Real-time, acquisition parameter-free voxel-wise patient-specific Monte Carlo dose reconstruction in whole-body CT scanning using deep neural networks. Eur Radiol. 2023. PMID: 37368113. doi:10.1007/s00330-023-09839-y
  2. 全文:PMC10667156(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10667156/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。