一种基于机器学习的方法,用于在3T MRI中对活跃可植入医疗电极的射频传输函数建模
Aiping Yao1, Mingjuan Ma1, Hexuan Shi1
1School of Information Science and Engineering, Lanzhou University, People's Republic of China.
Physics in medicine and biology
|August 4, 2023
概括
本研究引入了一种机器学习模型,用于准确预测各种组织环境中的活跃可植入医疗电极的射频传输功能,从而改善安全评估.
科学领域:
- 生物医学工程 生物医学工程
- 医学成像和信号处理.
- 计算电磁学 计算机电磁学
背景情况:
- 对于活跃可植入医疗 (AIM) 电极的射频 (RF) 传输功能的建模传统方法在异质组织环境中面临局限性.
- 准确的建模对于评估射频诱导的功率沉积和确保医疗程序期间患者安全至关重要.
研究的目的:
- 开发和验证基于机器学习 (ML) 的方法,以快速高效地模拟AIM电极的射频传输函数.
- 克服复杂,异质组织分布的传统方法的缺点.
- 为了减少在体内射频诱导功率沉积的潜在低估.
主要方法:
- 对具有不同几何形状和组织分布的AIM电极的射频传输功能的数值建模.
- 使用模拟转移函数数据集开发和训练ML算法.
- 统计分析,实验验证和全面的不确定性量化.
主要成果:
- ML模型准确地预测了射频传输函数,实现了同质组织的0.99和异质组织的0.98的平均相关系数 (r).
- 实验验证显示不确定性低于0.9dB,而数值模拟显示传输函数不确定性低于1.6dB,功率沉积不确定性低于1.9dB.
- 简化的同质模型可以导致在心脏起器附近体内功率沉积的显著低估 (高达1.3dB).
结论:
- 拟议的ML方法为RF传输函数建模提供了一个有效的替代方案.
- 能够实现更现实的组织分布建模,提高安全评估的准确性.
- 缓解了在临床应用中低估射频诱导功率沉积的风险.
