基于深度学习的局部SAR预测,使用B1地图和头部结构MRI进行7T的并行传输
Sayim Gokyar1, Chenyang Zhao1, Samantha J Ma2
1Laboratory of FMRI Technology (LOFT), USC Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California, Los Angeles, California, USA.
Magnetic resonance in medicine
|July 19, 2023
概括
一个新的多通道3D卷积神经网络 (CNN) 准确地预测了7T并行传输MRI的特定吸收率 (SAR) 分布. 与现有技术相比,这种方法提供了更快,更可靠的安全评估.
科学领域:
- 医学成像物理 医学成像物理
- 计算电磁学 计算机电磁学
- 人工智能在医学中的应用
背景情况:
- 不均的电磁能量沉积在7特斯拉 (7T) 需要准确的特定吸收率 (SAR) 预测平行传输 (pTx) 系统.
- 由于预测不确定性,当前对局部SAR值的估计方法通常需要高的安全边际.
- 开发精确的SAR预测模型对于确保高场MRI患者安全至关重要.
研究的目的:
- 开发和验证一个多通道的3D卷积神经网络 (CNN),用于预测7T时人脑中特定主体的局部SAR分布.
- 评估拟议的CNN在预测高峰空间平均SAR (ps-SAR) 水平方面的准确性.
- 为了比较CNN的表现与传统的基于虚拟观察点的估计方法.
主要方法:
- 设计了一个三通道的3D CNN架构,使用B1地图,相反的B1地图和MR图像作为输入.
- 该模型经过训练和验证,使用一个数据集,包括10个新的头身体模型和389个3D pTx MRI数据集,具有不同的射频闪光设置.
- 生成的B1和局部SAR地图被用来训练CNN预测局部SAR分布和ps-SAR值.
主要成果:
- 拟议的3D CNN实现了ps-SAR10g的平均高估误差20%,明显超过基于虚拟观测点的方法 (平均高估152%).
- 与现有技术相比,预测不确定性减少了20%以上 (从22.5%降至17.7%).
- 确定1.20的安全系数足以避免在生成的数据集中的低估值.
结论:
- 多通道3DCNN显示出在7T pTxMRI中准确预测局部SAR值的巨大潜力.
- 开发的CNN模型提供了快速预测 (在一秒内),使其在临床上可行.
- 这种方法为实时SAR评估提供了传统的基于虚拟观测点的方法的有希望的替代方案.
