Radiation dose in abdominal computed tomography: the role of patient size and the selection of tube current.
Notice bibliographique
Résumé
OBJECTIVE: To develop an algorithm for selecting tube current for computed tomography (CT), based on patient weight, that produces abdominal CT images of consistent image quality. METHODS: We recorded body weight and radiation exposure parameters for 37 patients undergoing abdominal CT. Two radiologists blind to the CT technique independently graded 11 measures of image quality, using a 5-point (5 = excellent, 4 = good, 3 = acceptable, 2 = poor, and 1 = unacceptable) scale. These scores were averaged to generate an overall image quality score. Using linear regression, we found a target image noise level that corresponded to an overall image quality score of 4.5. We measured CT image noise in 9 uniformly attenuating regions of interest in the liver and abdominal aorta. We used linear regression to assess the relation between tube current and image noise. A prediction equation was developed to set the tube current in different-sized patients to produce images at the target noise level. Finally, we calculated the dose savings that would have resulted with this tube-current selection technique. RESULTS: Image noise was correlated with patient weight (r2 = 0.81). At an overall image quality score of 4.5, the noise was 16 HU. Using this target noise value, we determined the required tube current for each patient weight and found that the use of this technique would have reduced radiation exposure for all patients weighing less than 70 kg. The dose reduction for the smallest patient (35.4 kg) was 72%. CONCLUSION: To produce CT scans of similar quality, a simple prediction equation can be developed for any scanner to optimize radiation dose for patients of all body weights.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».