利用人工智能的深度分辨笔束射线照相——原理验证研究

目的：临床射线照相成像基于不同 keV 光子穿透物体时的透射差异原理。在临床 X 射线能量下，光子散射会导致信号噪声，并且仅用于透射测量。然而，散射——尤其是康普顿散射，是可表征的。在这项工作中，我们假设现代辐射源和探测器与深度学习技术相结合，可以建设性地利用散射光子信息来分辨平面 X 射线成像中的叠加衰减体。方法：我们模拟了一个单能 X 射线成像系统，该系统由一个笔束 X 射线源组成，指向一个放置在高空间和能量分辨率探测器阵列前方的成像目标。信号由卷积神经网络分析，并推导出沿射束轴线的散射材料描述。该系统通过蒙特卡洛处理由 10 个伪随机堆叠的空气/骨骼/水材料组成的简单体模进行虚拟设计/测试，并通过解决分类问题来训练网络。结果：沿射束的材料识别平均准确率为 0.91 ± 0.01，在物体入射/出射外围表面附近的准确率略高。平均灵敏度和特异度分别为 0.91 和 0.95。结论：我们的工作提供了原理验证，即深度学习技术可用于分析散射光子模式，这些模式可以建设性地增加射线照相的信息内容，在此用于在传统 2D 平面设置中推断深度信息。这一原理及我们的结果表明，康普顿散射光子中的信息可能为进一步发展提供基础。将该性能扩展到临床的能力仍有待探索，并需要进一步研究。