现阶段，计算机断层扫描是诊断各种病症的一种有价值的成像方式。优化扫描参数、病人定位和扫描范围对于最大限度地提高诊断价值和减少病人的辐射风险至关重要。一些研究报告指出，由于对扫描相关因素的选择不当，如病人定位、扫描范围的选择、照射参数和重建方法，导致临床上的做法存在争议。显而易见的是，当实施自动方法时，如管电流调制（TCM）和自动kVp选择，这些参数选择的不精确性会产生更多的负面影响。

在最近的一项研究中，Akintayo等学者在评估了一个由57621张CT扫描组成的大型队列后，报告了病人在Y轴（工作台高度）上错位的高发率（超过80%）。据报道，胸部CT扫描的平均错位误差为14.7±17毫米。Sukupova等学者证明了临床实践中错位的高发率（473例中的470例），平均错位为-43毫米。患者身体中心线与龙门架等中心线之间的差异会导致额外的剂量和图像质量下降。研究表明，较高的台面高度会导致前后（AP）定位器的放大，从而高估了衰减并通过管电流的升高增加了辐射流量。

深度学习（DL）在多个医学图像分析任务的自动化方面表现出色，包括分割、计算建模、辐射剂量学、扫描范围选择、低剂量成像和方案优化。在CT扫描中使用DL来自动定位病人的情况非常少，到目前为止只有少数研究。

近日，发表在European Radiology杂志的一项研究通过自动检测患者身体中心线与龙门等中心的距离，并通过深度学习算法仅使用AP定位器作为输入实现在胸部CT扫描中进行患者的自动定位。

本项研究包括了来自两个不同中心的5754张胸部CT轴位和前后位（AP）图像，即C1和C2。经过预处理，图像被分成训练（80%）和测试（20%）数据集。研究训练了一个深度神经网络来生成来自AP定位器的三维轴向图像。病人身体的几何中心线通过在预测的图像上创建一个边界框来表示。由深度学习模型估计的身体中心线与地面实况（BCAP）之间的距离，与人工定位时病人的错误中心（BCMP）进行了比较。研究以深度学习模型估计的肺部中心线与地面之间的距离（LCAP）来评估研究提出的模型性能。

就BCAP而言，C1和C2的误差分别为-0.75±7.73毫米和2.06±10.61毫米。这一误差明显低于BCMP，其对C1和C2的误差分别为9.35 ± 14.94和13.98 ± 14.5 mm。BCAP的绝对值在C1和C2分别为5.7±5.26和8.26±6.96毫米。C1和C2的LCAP指标分别为1.56±10.8和-0.27±16.29毫米。较大的患者在BCAP和LCAP方面的误差较大（P值<0.01）。

 图 通过DL的中心线检测误差与人类表现的比较

本项研究通过使用深度神经网络，从单一的AP定位器图像中生成患者身体的三维组成来克服患者的错误定位问题。其中，所提议的网络的性能与其他依赖3D相机的替代技术相当。所提议的方法的优点不需要任何额外的设备，并可以实现基于器官的病人居中。这种方法可以在临床上实施以帮助技术员减少错误的中心定位对图像质量和病人辐射剂量的不利影响。

原始出处：

Yazdan Salimi,Isaac Shiri,Azadeh Akavanallaf,et al.Fully automated accurate patient positioning in computed tomography using anterior-posterior localizer images and a deep neural network: a dual-center study.DOI:10.1007/s00330-023-09424-3