基于深度学习从定位像自动定义Z轴扫描范围以减少胸部CT过度扫描
该研究评估胸部CT过度扫描的额外辐射剂量,并开发基于深度学习的自动化扫描范围选择技术。在20,820例多中心胸部CT中,过度扫描发生率超过95%,下方向更显著;深度学习肺分割Dice系数达0.96(AP)和0.97(侧位),自动范围选择使有效剂量降低21%。
要点
- 胸部CT过度扫描普遍存在(>95%),下方向更明显,增加不必要的辐射剂量。
- 深度学习自动扫描范围选择可降低有效剂量21%,并显著减少甲状腺等器官剂量。
- 模型在复杂病例(严重肺炎、肺不张、肥胖、体位不佳)中仍能准确分割肺组织。
核心结论
- 深度学习自动扫描范围选择方法性能优于先前自动方法,可接受精度下减少过度扫描导致的患者辐射剂量。
研究设计与样本
- 回顾性多中心研究,纳入20,820例胸部CT(9个中心12,146例及三个在线数据库),使用2D深度残差网络分割肺组织,以3D肺分割为参考标准,并在3,423例真实定位像上微调模型。
关键影像表现/征象
- 临床过度扫描范围平均为31±24 mm,超过95%的病例存在过度扫描,下方向范围显著更大(p<0.001)。
- 女性患者过度扫描程度更大(p<0.001),且过度扫描与患者年龄呈正相关(p<0.05)。
诊断标准与关键数值
- 肺分割平均Dice系数:AP投影0.96±0.016,侧位投影0.97±0.02,真实定位像0.92±0.03。
- 基于AP和侧位投影的扫描范围选择误差:上方向0.08±1.46 mm,下方向-1.5±4.1 mm。
- 外部定位像误差:上方向-0.7±4.08 mm,下方向0.01±14.97 mm。
- 自动扫描范围选择使有效剂量降低21%(1.3 mSv),甲状腺、脾、唾液腺、肝、肾上腺和口腔黏膜剂量分别降低58.2%、60%、94%、47%、45%和71%。
临床应用与阅片要点
- 日常胸部CT扫描范围选择可参考自动肺分割边界,尤其注意下方向避免过度扫描。
- 甲状腺等对辐射敏感器官的剂量降低显著,提示优化扫描范围对防护有意义。
- 在严重病变(如大片肺炎、肺不张)、肥胖或体位不佳患者中,深度学习模型仍能准确识别肺边界。
局限性
- 部分在线数据库(D1和D2)缺乏管电流信息,未纳入剂量计算,剂量分析基于19,198例。
- 真实定位像仅来自单一中心(C9),模型在其他厂商扫描仪上的泛化性需进一步微调验证。
全文中译17 节 · 点击展开
要点
过度扫描是一个常见问题(超过95%的病例),在临床实践中主要发生在于下方方向,导致胸部CT中额外不必要的辐射剂量。
我们开发了一种准确且稳健的自动扫描范围界定方法,基于大型数据集训练,具有可接受的重现性。
我们提出的深度学习引导算法有可能将患者辐射剂量最多降低21%。
引言
近几十年来,计算机断层扫描(CT)一直是诊断成像中最常用的技术之一,目前仍然如此。随着CT扫描使用率的增加,该 modality 目前是人群医疗辐射暴露的主要来源。在这方面,近期的创新集中于优化与该技术相关的辐射剂量,例如新一代探测器[1]、自适应准直、迭代图像重建、自适应电压和曝光控制,已大幅降低CT辐射剂量。然而,“CT仍然不是一种低剂量成像 modality”[2]。尽管一些功能,如自动管电压选择和管电流调制(TCM),已成功应用于CT扫描仪以优化辐射暴露,但一些影响图像质量和辐射剂量的扫描参数,如患者定位、扫描范围选择和定位像扫描参数,仍由技师手动选择[3, 4]。因此,开发和建立自动化扫描流程以尽量减少人为错误并统一成像协议是可取的[5, 6]。
迄今为止,尚无市售系统能够实现自动扫描范围选择。在当前临床实践中,扫描长度通常根据从二维(2D)前后位(AP)或侧位定位像中提取的任务特异性标志物来选择。这种手动操作容易因技师经验和医疗中心工作量而出现人为错误。Zanca等报道,高达80%的胸腹部CT检查存在过度扫描,在上方和下方方向平均额外扫描长度分别为1.8 cm和2.9 cm[7]。Schwartz等报道,胸部CT中过度扫描的发生率最高达60%,不同机构间差异显著,导致特定器官(如甲状腺)剂量增加高达50%[8]。Yar等报道,超过60%的CT检查覆盖范围超过必要范围,尤其是在下方方向[6]。相反,Cohen等报道胸部CT中过度扫描频率很高(95%),并证明与技术员工作量密切相关[9, 10]。
人工智能的最新进展,特别是深度学习(DL),已经彻底改变了计算机视觉和图像处理领域。在医学成像背景下,DL已成功部署于具有挑战性的任务中,如图像分割/解读、跨模态图像转换、图像去噪、放射治疗计划和结果预测[11–13]。
Zhang等人开发了一种机器学习技术,用于在定位像上检测标志点,以指示所需的螺旋扫描范围,其误差约为6 mm [14]。近期,Colevray等人开发了一种卷积神经网络(CNN)模型,用于评估与肺部CT扫描相关的过度扫描长度,其与放射科医师的评估显示出良好的一致性(kappa = 0.98)[15]。更近期地,Demircioglu等人开发了一种条件生成对抗网络(cGAN),通过使用放射科医师选择的扫描范围训练模型来界定CT扫描范围,在头侧和足侧方向分别产生了1.8 mm和3.3 mm的平均误差 [16]。
在本研究中,我们开发了一种自动化工作流程,用于在大型多中心、多用途胸部CT检查临床数据库队列中进行任务特异性扫描范围选择和过度扫描的回顾性评估。通过所考虑队列的个性化剂量测定,研究了过度扫描对患者有效剂量的影响。
材料与方法
方法描述
使用一种全自动的基于深度学习(DL)的算法对三维CT图像进行分割 [17]。基于所获得的三维肺掩膜,确定精确的扫描范围,使得包含肺掩膜的轴向层面在头侧(颅侧)和足侧(尾侧)方向各包含一个体素的边缘。在第二步中,生成CT图像在前后(AP)位和侧位的二维投影,代表定位扫描的特性。同样,从三维肺分割(参考分割)生成二维肺掩膜,以训练DL模型从二维定位像预测二维肺掩膜。使用训练好的网络分割的二维AP和侧位图像通过将头尾方向上第一个像素作为扫描的上限(头侧)、将包含肺段的最后一个像素作为扫描的下限(足侧)转换为扫描范围。基于AP和侧位图像选择的扫描范围分别称为DL_AP和DL_Lat。因此,计算了头侧和足侧方向的过度扫描,并与临床情况下成像期间(通过人工干预)手动选择的参考范围进行比较。真值界限与DL预测界限之间的差异被视为误差。相反,小于零的误差与排除某些肺层面有关,而正误差值表示过度扫描。然后针对不同场景计算递送到器官的辐射剂量和全身有效剂量(ED)。我们使用3423幅定位像视图对训练好的网络进行了微调,以评估我们的模型在真实定位像数据集上的可重复性。在以下各节中,我们将更详细地解释这些步骤。图1描绘了多步骤工作流程中的详细过程。
研究人群
本工作纳入了一个包含20,820幅胸部CT图像的大规模回顾性队列。主要部分来自伊朗9个中心、使用10种不同CT扫描仪型号采集的12,146例(C1至C9)。患者因COVID-19的评估、随访和筛查转诊。此外,还纳入了三个在线数据库:TCIA胸部CT(D1,600例)[18, 19]、俄罗斯胸部CT用于COVID-19评估(D2,1022例)[20]以及RSNA胸部CT图像(D3,7052例)[21]。D1和D3数据库由多种病理构建。表1总结了研究人群的人口学信息和采集参数。此外,为评估我们的模型在临床环境中对定位像的泛化能力,收集了数据集C9的定位像。根据流程图(图2),我们首先在包含超过16,600例的大型数据集上训练网络,用于从2D投影图像(由3D轴位切片生成)预测扫描范围。此后,所开发的模型在来自单一扫描仪(C8,Siemens Emotion)的真实定位像扫描数据集上进行微调。由于定位像的像素强度具有厂商特异性,我们在来自不同中心的两台不同扫描仪上测试了该模型,即Siemens Somatom和Philips(分别为C4和C8)。对于Siemens扫描仪,即同一厂商但不同型号(C4,351例),结果与基于C9的主要报告结果一致(表1)。然而,对于从Philips扫描仪获得的数据集,在Siemens扫描仪上训练的模型预测扫描范围的总体误差大于我们最初在C9上的报告。为此,我们通过将来自C8的数据库分为训练集、验证集和测试集三组,进一步针对Philips扫描仪微调了我们的模型。表1中总结的结果与来自C9和C4的报告结果相当。
观察到各中心之间在扫描仪型号、病理状况、患者体位和CT成像方案方面存在相当大的变异性,这导致图像质量和患者辐射剂量存在显著差异。容积CT剂量指数(CTDIvol)作为代表辐射暴露的无厂商依赖指标,并因此反映图像质量,据报告可反映我们数据集的变异性。
3D肺分割
我们课题组先前开发并验证的一种深度残差网络架构被用于从3D轴位CT图像中进行肺分割[17]。包括从肺尖到肋膈窦的整个肺。对分割的肺掩膜进行视觉审查以避免明显错误。
2D投影生成和预处理
由于定位像仅可用于C9数据集,我们通过将侧位和前后位(AP)方向的切片求和来投影3D CT图像,以生成模拟定位像的2D图像,如先前多项研究报道所述[22, 23]。相应地,3D图像上的肺部掩膜被投影到与CT图像相同的前后位和侧位视图上。2D掩膜作为2D语义分割的真实标签输入网络(图1)。对2D图像的强度进行了归一化,并将整个数据集调整为256×256矩阵大小以实现高效分割。
网络架构
我们在PyTorch中实现了一个用于2D投影语义分割的2D深度残差神经网络[24]。实现了一个修改版的2D深度残差神经网络,包含20个卷积层[25]。通过膨胀因子概念提取不同特征层级,其中每两层之间使用残差连接相连。数据被分为训练集(80%)和外部验证集(20%),按每个中心和扫描仪划分,以确保训练组和验证组包含所有数据库的图像。外部验证组在训练期间保持不变。采用主体微调方法将训练于16′600幅前后位投影的网络权重迁移至新网络,以通过真实定位像进行微调。
定位像准备与训练
收集了C9中心患者的前后位定位像,并在轴位切片上实施了相同的肺部分割流程。通过实现3D肺段因放大效应导致的图像畸变,将3D肺段转移至定位像(定位器)。共3243幅前后位定位像被分为70%(2270例)训练集、10%(325例)验证集和20%(648例)测试集。对上下肺边界确定的误差进行了评估,评估方式与在投影上进行的评估相同。
个性化剂量测定
为了从胸部CT扫描中估算个性化器官吸收剂量,我们采用了一种针对体型特征的器官水平剂量学方法。该方法部署了基于计算体模库的预计算器官水平剂量表集,通过考虑扫描参数、体模对患者体型适配以及CTDIvol,使器官剂量接近个性化参数[26]。在这方面,从DICOM CT图像中提取了患者特异性解剖指标以及采集参数。年龄、性别和代表个体化解剖特征的有效直径( )、管电压、有效管电流-时间乘积(mAs/螺距因子)、扫描仪型号和CTDIvol被输入ImPactDose软件(CT Imaging GmbH,德国),以估算与CT检查相关的患者器官吸收剂量[27]。为解决厂商特定X射线束质量的剂量学影响,将归一化CTDIvol(CTDIvol/100 mAs)引入ImPactDose。由于与扫描仪特定模拟参数相关的器官剂量变化与扫描仪特定CTDIvol的变化大致相同[28–30],我们在计算中将CTDIvol视为扫描仪特定参数。在线数据库的DICOM图像已匿名化,剂量计算所需的关键信息缺失。如表2所示,RSNA(D3)数据库的管电流可用。因此,我们将D1和D2数据库排除在剂量计算之外。因此,对19,198名患者进行了剂量计算,以评估过度扫描所致的额外剂量。此外,对包含外部验证组的3840名患者进行了辐射剂量计算。由于D3数据集缺少性别信息,在估算D3病例的剂量时,分别考虑两种性别计算器官剂量和有效剂量,并报告平均值。
扫描范围选择
为进行剂量计算,考虑了三种扫描范围选择情景:(i)假设精确选择扫描范围以覆盖全肺,不遗漏任何部分且无任何过度扫描。扫描范围根据从3D图像获得的肺掩膜选择。
技师在CT检查期间选择的实际扫描范围。
基于神经网络模型在二维分割后处理中获得的2D肺掩膜选择扫描范围。后处理仅用于去除像素数少于一定数量的分割区域,同时保留最大分割区域。
ORNL 体模在 Z 方向的肺部位置提取自 ImPactDose 软件用户手册。根据患者和体模的肺长度,对第二和第三种场景记录的肺上部和下部扫描范围进行归一化。为更准确地计算剂量,考虑了 TCM。因此,对 DICOM 头文件中记录的每个层面的管电流在肺部、上部和下部扫描区域分别取平均值 [31]。尺寸特异性剂量估算(SSDE)和有效直径使用 AAPM 报告 220 中报道的转换因子计算 [32]。剂量长度乘积(DLP)定义为 CTDIvol 与各场景扫描范围的乘积。根据三种场景并考虑 ICRP 103 权重因子 [33],对构成外部验证组的 3840 例患者(排除 D1 和 D2)进行了辐射剂量计算。报告了器官剂量和 ED。对于上述数据库(D1 和 D2),仅标明了扫描长度。
计算了所有 19,198 例患者因操作者选择的上部和下部方向过度扫描所致的器官剂量和 ED。对所有患者估算了因两个方向上除肺部以外的扫描区域所致的额外辐射剂量。数据以逗号分隔值(CSV)格式录入 ImPactDose,并保存所有患者的输出结果。根据患者的横向和前后径对软件中可用的 ORNL 体模进行了修改。
统计分析
我们使用 SPSS 软件进行统计分析。采用 Kolmogorov–Smirnov 检验评估正态分布。为评估性别、方向和场景之间的差异,采用 Mann–Whitney 检验。使用 Spearman 检验分析参数之间的相关性,p 值 < 0.05 被视为统计学显著差异的阈值。
结果
表 1 总结了研究人群的人口学信息,包括性别、患者前后径和横向直径、CT 采集参数以及个体化剂量指标。观察到患者直径与过度扫描之间存在统计学显著相关性。过度扫描在上部方向和下部方向分别发生于 99% 和 95% 的病例中。此外,下部方向的过度扫描范围显著更大(p < 0.001)。表 2 总结了整个数据集(19,198 例)在临床环境中因过度扫描而给予患者的额外辐射剂量。如表 1 和表 2 所示,各中心之间在过度扫描范围或 ED 方面存在明显差异,而下部过度扫描所致的额外辐射剂量大于上部过度扫描。女性患者的实际过度扫描幅度更大(p < 0.001)。此外,过度扫描与患者年龄之间呈正相关(p < 0.05)。
图 3 显示了因两个方向上的过度扫描而给予患者的额外辐射剂量负担,以全身有效剂量表示。
深度学习网络性能评估
由4220例患者(投影)组成的外部验证集的平均Dice因子为0.96 ± 0.016(Q1 = 0.95,Q3 = 0.981,最大值 = 0.993),前后位和侧位投影分别为0.97 ± 0.02(Q1 = 0.97,Q3 = 0.985,最大值0.995)。此外,648幅定位像的Dice因子为0.92 ± 0.03(Q1 = 0.90,Q3 = 0.95,最大值0.97)。图4展示了操作者(人工)选择的扫描范围以及基于前后位、侧位和双投影选择的范围,其中零参考线与精确肺覆盖相关,无任何遗漏。所有4220例外部队列的误差在头侧和足侧方向上平均分别为0.08 ± 1.46和− 1.5 ± 4.1 mm。如表3所示,足侧方向的误差显著较大。基于侧位投影的扫描范围选择在足侧方向导致较小的绝对误差,但无统计学显著性(p = 0.32)。然而,对于头侧范围选择,基于前后位投影的绝对误差较小(p < 0.001)。扫描范围的详细信息见表2。深度学习扫描范围误差显著低于人工表现(p < 0.001)。深度学习方法在所有中心的头侧界定方面表现优异,且在足侧方向显著优于人工选择的范围,例如,在C3和D2数据库中,基于深度学习的误差几乎为零,而人工选择的误差分别为55和40 mm。在同一C9中心, scout-view扫描范围选择的误差显著小于人工选择,且与通过平均生成的前后位投影的外部验证结果相当。
图5展示了一些具有挑战性的病例,深度学习与真实分割之间一致性良好,表现为严重病理状况,如广泛性肺炎或肺塌陷、体位不当的患者或超重患者。可以看出,肺组织被准确区分。附加文件1:图1展示了深度神经网络与人工范围选择在异常病例中的性能比较。附加文件2:图2展示了异常组的样本图像。
辐射剂量估计
表4总结了三种扫描范围选择场景下所选的平均器官剂量和有效剂量(ED)。与人工选择的范围内相比,深度学习(DL)扫描范围的ED和所有肺野外器官剂量均显著更低(p < 0.001)。甲状腺、脾脏、唾液腺、肝脏、肾上腺和口腔黏膜的辐射剂量分别降低了58.2%、60%、94%、47%、45%和71%。此外,全身ED实现了21%(1.3 mSv)的剂量降低。
图6展示了女性患者的管电流模式。黄色高亮区域显示基于三维图像的肺部区域。管电流模式(黑线)显示,在因骨性结构、较大直径或两者兼有而导致衰减更大的身体部位,管电流在头尾方向或Z轴方向上增加。
图7展示了两名不同患者正位(AP)定位像上的肺段及其在三维图像上的位置。可以看出,肺段在肺的下部非常狭窄,而在远离肋膈角的中央部分情况可能不同。第一项研究(上排)显示一名患者的狭窄肺段延伸至下部,而在第二项研究(下排)中,肺段局限于AP定位像上显示的区域。彩色段显示肺的厚度,其中红色代表较厚的肺段,蓝色代表较窄的肺段。(“JET”色图查找表)。
讨论
与扫描范围界定相关的问题所导致的过度扫描不仅在胸部CT中被注意到,在腹部和其他身体区域也有发现[34, 35]。COVID-19大流行后,胸部CT检查数量急剧增加,这将对公众医疗照射产生不可否认的影响[36]。在本研究中,我们调查了过度扫描的发生率和程度及其相关的剂量学影响。我们评估了一个大规模数据库,该数据库由来自多个中心和扫描仪模型的20,820名患者组成,包括表现为不同病理类型的患者,以构建用于自动扫描范围选择的稳健模型。采用深度学习辅助的肺部分割,以便选择精确的扫描范围来优化与CT检查相关的患者辐射剂量[17]。我们从范围选择准确性和辐射剂量降低两个方面评估了我们的方法。此外,由于定位像的几何形状和图像质量与CT螺旋图像不同,我们通过将在AP投影上训练的网络迁移并微调至从其中一个数据集收集的定位像图像上,证明了所提方法在临床环境中的泛化能力。
过度扫描在大多数病例中发生(超过95%),且过度扫描长度在下方向更为可观,导致对患者剂量的贡献更大,这与既往研究中观察到的结果一致[6, 7, 37]。过度扫描的发生频率和长度取决于定义过度扫描所依据的标准。Demircioglu等[16]采用10 mm容差范围,而Cohen等[9]接受小于2 cm的过度扫描。相反,Yar等[6]将精确肺覆盖定义为理想扫描范围。下缘和肋膈角的解剖模糊,尤其在存在病变、超重体型或体表附加装置(如呼吸辅助装置)的患者中,使准确定位更为困难,可能导致在定位像上区分确切边界的误差。此外,技师为避免遗漏部分肺组织和遗漏任何重要诊断信息的压力,可能迫使其在下方向选择更大的下限。
在由操作者(人工)或深度学习分割选择的扫描范围中,均观察到与患者体型和过度扫描长度的显著正相关,即体型较大的患者误差更高(p < 0.001)。既往研究报告了与体重指数(BMI)或皮下脂肪厚度的类似相关性[6, 9, 38]。
估算的器官剂量显示,一些可被排除在胸部扫描范围之外的器官,如甲状腺、肝脏和胆囊,接受了不合理且未优化的辐射剂量。在本研究中,我们报告甲状腺额外辐射剂量为67%(3.12 mSv),介于Schwartz等[8](0.35 mSv)和Zanca等[7](5.1 mSv,99%)研究之间。在两个方向上,过度扫描在老年患者中均显著更为频繁。Yar等分别报告了在下方向和上方向过度扫描与患者年龄的正相关和负相关[6]。与Cohen等相反,我们的结果似乎表明过度扫描在女性患者中更为频繁[9]。
头尾方向的管电流模式强烈依赖于患者体型和扫描参数[39]。如图6所示,由于上方向存在骨性结构及腹部形态变化,TCM系统可能影响器官剂量。Liao等报告,当TCM激活时,过度扫描导致的DLP值更高(20% vs. 56%)[38]。我们对每种范围选择方案分别使用平均管电流,以获得更真实的结果。这一关键问题在既往研究中被忽视。
我们采用的方法的优势之一是,基准真值是基于3D轴位CT切片准确定义的,类似于Schwartz等人[8]进行的研究,尽管我们的流程是全自动的。这种方法的优点在于不会遗漏任何包含小肺段的切片,而在定位像上可能会发生这种情况,即使对于经验丰富的技师也是如此。图7显示了该区域肺部形状的示例以及在定位像上的表现。最下部狭窄的肺段由于对光子衰减贡献低和对比度低而无法识别。在复杂病例中,即使是经验丰富的放射科医生也可能对下限存有疑问,并接受过度扫描以避免遗漏任何可能导致误诊的内容。在使用机器学习进行自动扫描范围选择的先前研究中[14, 16, 40, 41],这一事实被忽视了。
Demircioglu等人最近的研究报道了使用cGAN网络在胸部CT图像的定位像上自动选择扫描范围[16]。放射科医生选择的目标扫描范围被用作基准真值来训练网络。网络与基准真值相比获得的阳性误差(过度扫描)被认为是正确的范围选择。在比较放射科医生选择的扫描范围与3D轴位图像上正确肺切片位置时,两者之间存在16.6 ± 17.3 mm(上方)和22.7 ± 16.5 mm(下方)的差异。同时,他们使用放射科医生的分割结果作为基准真值来训练网络,而该分割容易出错,获得的平均误差在上方和下方方向分别为1.8 ± 1.9 mm和3.3 ± 5.6 mm。这项工作的重要结论是,即使两位分别拥有15年和3年经验的放射科医生在相当平静的条件下、在研究项目框架内远离临床常规压力的情况下工作,也无法在定位像上准确定义扫描范围。这一事实表明迫切需要自动扫描范围检测算法。
Huo等人[40]的研究采用了UNET网络,报告了上方和下方方向的误差分别为− 1.68 ± 1.69%和2.54 ± 2.31%,换算为上方和下方方向分别等于4.2 ± 4.22 mm和6.35 ± 5.75 mm。我们提出的方法优于现有方法,在下方和上方方向的误差分别小于2.5 mm和1 mm。
当考虑侧位定位像时,Dice和平均范围选择准确率要好得多。同时使用正位和侧位定位像可产生更可靠的结果,如Schwartz等人[8]所报道,他们在研究中排除了患有严重病变的患者。我们按照覆盖胸部区域上下边界的相同 margins 计算了正位定位像引起的有效剂量(ED)。常规临床场景下的ED每个视图小于0.05 mSv。通过同时采集正位和侧位定位像来承受额外定位像的辐射剂量似乎是可接受的做法,以防止过度扫描给患者带来显著的辐射剂量。本研究的主要局限性是从轴位CT切片生成定位像。
结论是,模型的泛化能力在很大程度上取决于CT扫描仪的厂商。由于每个制造商对定位像图像都有特定的滤波器和图像处理,定位像图像的像素值不像先前报道的那样具有定量性和标准化[41, 42]。为此,我们建议对每个厂商微调我们训练好的核心模型。我们在包括飞利浦和西门子医疗在内的两个厂商上进行了微调。在西门子Emotion扫描仪上训练的网络在其他西门子Somatom型号上产生了可靠的结果。
然而,通过测试微调后训练好的模型,我们的结果表明,训练好的模型可以使用迁移学习迁移到真实的定位像上。如表3所示,误差模式几乎相同,而误差的标准差更大(14 vs 11 mm)。然而,模型的可重复性已通过用于训练的样本量得到证明(16,600 vs. 2595例)。此外,投影图像在头尾方向上的感知分辨率受螺旋采集层厚的限制(1至8 mm),而定位像图像的分辨率为1或2 mm。使定位像扫描范围界定中误差更显著的另一个因素是定位像和螺旋CT扫描期间呼吸时相的差异。这可以通过在与螺旋扫描相同的呼吸时相(常规为吸气末屏气)采集定位像来轻松克服。所开发的方法可以直接在不同制造商的主成像控制台上实施,以显示轴向图像采集所选择的扫描范围,作为技师的支持工具。性能取决于厂商,训练好的网络可以作为与采集软件相连的附加软件,仅向技师提供期望的上部和下部Z值(像素或层面位置)。
结论
过度扫描会对接受胸部CT检查的患者造成明显的非必要辐射剂量。本工作提出了一种基于深度学习的定位像扫描范围选择方法,以消除放射科医生/操作者在胸部CT成像中常见的过度扫描现象。所提出的方法在大量具有不同病变、在不同中心、不同扫描仪上、使用不同采集参数获取的胸部CT图像上进行了开发和评估。所提出的基于深度学习的自动扫描范围选择通过将不合理的身体部位排除在CT扫描范围之外,最大限度地减少了明显的额外辐射剂量。
补充信息
附加文件1。展示了离群病例的示例。
引用
- Salimi, Shiri, Akhavanallaf, et al. Deep learning-based fully automated Z-axis coverage range definition from scout scans to eliminate overscanning in chest CT imaging. Insights Imaging. 2021. PMID: 34743251. doi:10.1186/s13244-021-01105-3
- 全文:PMC8572075(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8572075/
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。