European Radiology:基于深度学习的扫描范围优化可减少CCTA的辐射暴露

2024-04-26 shaosai MedSci原创

CCTA一种非侵入性的方法,这使其比侵入性的方法如冠状动脉造影术有一定的优势,同时并发症的风险低。然而,在CCTA的检查期间,患者暴露在辐射中,这是癌症发展的危险因素。

胸痛是一种常见的主诉,可能是冠状动脉疾病(CAD)的前兆。冠状动脉计算机断层造影 (CCTA)可用于冠心病的非侵入性诊断。虽然CCTA受到图像采集参数、心率增加和冠状动脉钙负荷等因素的影响,但CCTA的阴性预测值高达97-99%可以很好的排除CAD因此,对于怀疑急性冠状动脉综合征的患者,当有低至中度的预试验时,推荐使用CCTA替代有创血管造影。

CCTA一种非侵入性的方法,这使比侵入性的方法如冠状动脉造影术有一定的优势,同时并发症的风险低。然而,在CCTA的检查期间,患者暴露在辐射中,这是癌症发展的危险因素。现阶段临床上已经开发了不同的技术来减少CT的辐射剂量,如自动管电流调制、自动管电压选择、迭代图像重建和自适应剂量控制

CT扫描范围是与辐射剂量直接相关的另一个重要因素。在临床扫描范围通常由x线摄影师在CT定位仪上界定,因此,扫描范围不仅表现出较高的内部和读者之间的变异性,而且由于为了避免扫描范围过窄将导致重复CT扫描,X线摄影师经常将扫描范围限定得比必要的大因而导致不必要的高辐射暴露。


近日,发表在European Radiology杂志上的一篇研究开发了一种深度神经网络来优化CT定位器的扫描范围划分,以降低患者的辐射剂量。

本项研究选取2010年至2017年间获得的钙评分和血管造影扫描随机抽取的1507名CT技师进行回顾性培训,由两名放射科医师一致划定最佳扫描范围。训练神经网络来重现扫描范围,并在两个随机选择的独立验证队列中进行测试:233名CT技师的内部队列(2018年1月至2020年6月)和来自附近医院的298名CT技师的外部队列(2020年7月至2020年12月)。排除了可以看到搭桥手术的定位器。采用蒙特卡罗模拟方法模拟患者的有效辐射剂量使用等效检验比较放射技师、放射科医生和网络的扫描范围;同样地,有效剂量的减少用一种更优的试验来检验。

网络复制了放射科医师的扫描范围,Dice评分为96.5±0.02 (p < 0.001,表明等效)。与临床常规放射技师划定的扫描范围相比,生成的扫描范围导致内部队列有效剂量减少10.0% (p = 0.002),外部队列有效剂量减少12.6% (p < 0.001)。


 
 内部(a)队列和外部队列b中放射科医生和网络以有效剂量计算的辐射剂量减少直方图。女性和男性患者用红点和蓝点表示

本项研究表明,自动划定扫描范围可以减少患者的辐射剂量。

原文出处:

Aydin Demircioğlu,Denise Bos,Ender Demircioğlu,et al.Deep learning-based scan range optimization can reduce radiation exposure in coronary CT angiography.DOI:10.1007/s00330-023-09971-9

作者:shaosai



版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题

相关资讯

European Radiology:深度学习在胸腺上皮肿瘤组织学亚型鉴别诊断中的应用

增强计算机断层扫描(CECT)可以提供纵隔软组织病变的详细形态学信息,是一种有无创诊断和评估TET的重要临床工具。

Radiology:MRI深度学习模型在直肠癌预后预测中的应用

深度学习作为一种新兴的机器学习技术,有望克服以上这些问题。在计算机ViT领域基于变换器的模型在21000幅自然图像上进行预先训练,在许多任务上取得了最先进的性能。

European Radiology:基于深度学习的MRI下咽癌全自动分割和放射组学特征提取

多项研究显示,磁共振放射组学可以作为一个生物标志物预测HNSCC的治疗预效果和生存率。然而,以一层接一层的方式手工勾画肿瘤轮廓非常耗时,而且容易出现间隙。

European Radiology:基于深度学习的CCTA超分辨率图像重建

深度学习技术不仅可以用于降噪,还可以用于超分辨率(SR)以提高数字图像的空间分辨率。现阶段,SR-DLR有望改善CCTA的图像质量和心脏结构的描述。

European Radiology:基于CT的深度学习放射组学列线图在透明细胞肾癌患者预后预测方面的价值

现阶段,人工智能(AI)已广泛应用于医学成像领域,以便于精确诊断和更好的决策,已经在诊断和预测RCC患者肿瘤分级和预后方面提供了令人鼓舞的结果。

European Radiology:深度学习辅助LI-RADS分级和HCC的鉴别诊断!

近年来,深度学习 (DL)在医学领域经历了快速发展。基于DL算法建立的模型具有强大的自学习能力,可以使用医学图像中包含的所有信息,包括在临床实践中被忽略的特征。