基于学习的介入放射学中空间分辨散射辐射场估计
机器学习
2026-04-16 v3 计算物理
医学物理
摘要
我们提出了三个轻量级全连接人工神经网络变体，适用于从视频中对三维、空间分辨辐射场进行交互式估计，以及用于医学辐射场（如介入放射学和心血管医学）中的辐射防护剂量学的训练管线。配套地，我们提供了三个不同复杂度的合成生成数据集，使用基于 Geant4 的 Monte Carlo 仿真应用 RadField3D 生成。作为主要散射对象，我们采用了男性 Alderson RANDO 幽灵体的胸腔。针对这些数据集，我们评估了卷积和全连接神经网络架构，以展示哪些设计决策适用于重建此类辐射场的 fluence 和谱分布。我们的所有数据集以及训练管线均作为开源发布于独立仓库。为评估所提出的神经网络，我们定义并评估了多个指标。在这些措施下，模型变体在预测辐射场与真实值之间的空间一致性方面表现良好，尤其是在辐射场的特定感兴趣区域内。对于潜在的 out-of-field 剂量学应用而言，散射辐射场的 SMAPE 是最具挑战性的指标，且始终高于 84%。
引用
@article{arxiv.2512.17654,
title = {Learning-Based Estimation of Spatially Resolved Scatter Radiation Fields in Interventional Radiology},
author = {Felix Lehner and Pasquale Lombardo and Susana Castillo and Oliver Hupe and Marcus Magnor},
journal= {arXiv preprint arXiv:2512.17654},
year = {2026}
}