关于剂量的解释

      在Fixed (固定的)曝光模式和AEC 曝光模式下,患者剂量的估计在每次采集后计算并随机显示为图像注释的一部分。此信息同样被存储在每一幅图像(RAW (原始)图像和相应的PROCESSED (处理)图像)的DICOM 标题里,而且操作员不能编辑或修改。
      Entrance Dose (入口剂量)(单位:mGy)是在胸片架封盖前或高于检查床X 距离的入口剂量的估计值(空气比释动能),这取决于采集所用的接收器。X 的默认值是25 厘米(-10 英寸)但是可由维修人员修改为现场参数。入口计量被存储在DICOM 的标题标签里(0018、1405),单位为μ Gy。

      Dose Area Product (剂量范围乘积)或者DAP (单位:dGy-cm2)是乘以视野(在距离接收器相应距离处)的入口剂量估计值。DAP 存储在DICOM 的标题标签里(0018、115e),单位为dGy-cm2。

 


注意: 患者剂量估计运用(1)当前的系统和技术设置准确计算并且(2)在系统安装/ 校准期间收集到测定值。它们不是患者剂量的每幅图像的实际测量值。在手动模式和无格式暗盒模式中,显示在限束器上的SID 用于计算DAP。

注意: 在数字片盒模式,床面板模式及手动模式时,系统显示的DAP 值均为根据当前限束器的LED 屏上显示的SID 值(100cm 或者180cm)计算所得

 

例外情况
    • 非DR (暗盒、床面等)采集模式:系统对于此情况下准确的SID 未知,取决于患者定位。假定SID 是100 cm (40''),以估算入口剂量。
    • 双能量应用:对于软组织以及骨图像,不提供剂量估算值,这是因为这些图像并非采集出来,而是派生出来的(即由图像处理算法创建出来)。对于采集的双能量图像(高kVp 值和低kVp 值),提供剂量估算值。双能成像的各原始图像均有剂量记录其显示方式如同一般照片

    •入口剂量是入射到探测器的剂量,如果是自动条件,则有电离室决定,而且该数值是一个相对固定的值。所以我认为一般在图像上显示的剂量都应该是入射剂量,即从准直器读出来的剂量。

### 使用混合效应模型分析剂量反应关系的方法 #### 背景介绍 混合效应模型是一种统计建模方法,能够处理数据中存在的固定效应和随机效应。对于药物开发过程中的剂量-效应关系研究[^1],可以利用该模型捕捉不同个体间的变异性以及整体趋势。 #### 数据结构假设 在剂量反应实验中,通常会收集来自多个受试者的重复测量数据。这些数据可能具有如下特点: - **固定效应**:代表整个群体的趋势,例如剂量水平对某种生物标志物的影响。 - **随机效应**:反映个体间差异,例如每位患者对特定剂量的敏感程度可能存在波动。 通过引入随机截距或斜率项到线性回归框架下,我们可以更精确地描述这种复杂的关联模式。 #### 数学表达形式 设y_ij表示第i名参与者接受j级剂量后的响应值,则其对应的混合效应回归方程可写成: \[ y_{ij} = \beta_0 + b_i + (\beta_1 + u_i)x_j + e_{ij},\] 其中, - \(b_i\) 和\(u_i\)分别对应于第i位参与者的随机截距与随机斜率; - \(e_{ij}\) 表示残差误差项;其余参数定义同常规简单线性回归一致。 上述公式的具体含义可以通过下面的例子进一步阐释。 #### Python实现案例 以下是基于Python编程语言的一个实际操作例子,展示如何构建并拟合这样的混合效应模型来进行剂量反应曲线拟合: ```python import pandas as pd from statsmodels.regression.mixed_linear_model import MixedLM # 加载模拟的数据集 data = {'subject': ['A', 'A', 'B', 'B'], 'dose_level': [1, 2, 1, 2], 'response_value':[3.5, 4.8, 2.7, 3.9]} df = pd.DataFrame(data) # 定义自变量X(即剂量等级),因变量Y(即相应数值), 及主体ID作为群组标识符group_col='subject' mdf = df[['response_value','dose_level']].assign(subject=df['subject']) # 创建MixedLM对象实例化 model = MixedLM(endog=mdf["response_value"], exog=sm.add_constant(mdf["dose_level"]), groups=mdf["subject"]) # 执行最大似然估计ML fitting procedure result = model.fit() print(result.summary()) ``` 此脚本首先创建了一个小型虚构数据框`df`,它包含了三个字段:`subject`(用于区分不同的试验对象)`dose_level`(施加的不同浓度级别)以及`response_value`(记录下的生理指标读数). 接着我们调用了statsmodels库里的MixedLM类来设定我们的目标函数,并最终打印出了详细的摘要信息. #### 结果解释 运行以上代码后得到的结果将提供关于总体平均变化速率(\(\beta_1\))及其标准误的信息,同时也报告了各单独实体偏离全局均值的程度大小(bias terms like bi and ui). #### 注意事项 当应用此类高级统计技术时需要注意几个方面: - 确保有足够的样本量支持复杂度较高的模型; - 对异常点保持警惕以免它们过度影响结果解读; - 验证所选分布假定是否合理 (如正态性和独立性检验)[^2].
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值