AI可以帮助优化CT扫描x射线辐射剂量

计算机断层扫描(CT)是现代医学中最强大和最完善的诊断工具之一。越来越多的人选择CT扫描，这引起了人们对患者暴露在x射线辐射中的担忧。理想情况下，患者在治疗或诊断过程中暴露在最低水平的辐射下，同时仍能获得预期的好处。

在实践中，这被称为ALARA原则，即“尽可能低的合理实现”。然而，这一原理导致了一种权衡，因为CT图像质量随着辐射功率的降低而降低。因此,医务人员通常的目的是在病人接受x光照射和获得高质量的CT图像之间取得平衡，以避免误诊。

这种平衡可以通过优化策略来实现，在优化策略中，医疗保健专业人员(主要是放射科医生)观察断层扫描器生成的真实图像，并尝试识别肿瘤或异常组织等特征。在此之后，聘请了一位专家统计方法计算最佳辐射剂量和断层机的配置。

这一程序可以通过使用通过扫描特定设计的幻影获得的参考CT图像来推广，这些幻影包含不同大小和对比度的嵌件，这些嵌件代表标准化的异常。然而，这种人工图像分析非常耗时。

为了解决这一问题，由Sandra Doria博士和佛罗伦萨大学物理系成员领导的意大利研究团队，与佛罗伦萨医院的放射科医生和医学物理学家合作，探索了使用人工智能(AI)自动化这一过程的可能性。

正如《医学影像杂志，该团队创建并训练了一种算法——“模型观察者”卷积神经网络(cnn)，它可以像专业人员一样分析CT图像中的标准化异常。

为了做到这一点，团队必须为模型生成足够的训练和测试数据。三十医疗专业人员视觉上检查了1000张CT图像，每张图像都包含一个模拟人体组织的幻影。这种材料被恰当地称为“幻影”，包含不同直径和对比度的圆柱形镶件。

观察人员被要求确定插入的物体是否出现在每张图像中，以及出现在哪里，并说明他们对自己的评估有多大信心。这导致了使用不同的层析重建配置拍摄的30,000个标记CT图像的数据集，准确地反映了人类的解释。

接下来，该团队基于不同的架构实现了两个AI模型——unet和MobileNetV2。他们修改了这些架构的基础设计，使它们能够同时进行分类(“CT图像中是否有不寻常的物体?”)和定位(“不寻常的物体在哪里?”)。然后，他们使用数据集中的图像训练和测试模型。

通过统计分析，研究团队评估了各种性能指标，以验证模型观察者能够准确地模拟人类如何评估幻影的CT图像。

“我们的结果非常有希望，因为两个训练过的模型都表现得非常好，绝对百分比误差小于5%。这表明，对于几乎所有的重建配置和异常大小和对比，模型可以像专业人员一样准确和自信地识别插入幻影中的物体，”Doria在讨论他们的发现时评论道。

Doria和她的团队相信，通过额外的努力，他们的模型可以成为自动评估CT图像质量的可行策略。她进一步补充说:“我们基于cnn的模型观测器可以极大地简化优化CT协议中使用的辐射剂量的过程，从而最大限度地减少辐射剂量健康风险并帮助避免医疗评估的耗时限制。”

Doria对团队成功应用他们的人工智能充满信心模型这使得CT评估比以往任何时候都更快、更安全。