使用机器学习,快速预测MRI诱导的活性植入式医疗器械的射频加热
概括
机器学习模型可以快速预测MRI扫描期间在活跃的可植入医疗设备附近的组织加热. 这种方法使用初始温度数据进行准确的实时安全评估.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 活性植入式医疗器械 (AIMD) 存在由于磁共振成像 (MRI) 射频 (RF) 场所造成组织加热的风险.
- 目前的预测方法涉及耗时的实验或简化模拟.
- 快速MR温度计提供实时温度映射,但需要解释.
研究的目的:
- 调查机器学习 (ML) 模型在预测植入导线附近射频诱导的组织温度升高方面的有效性.
- 为了确定ML是否可以根据MR温度计的有限初始温度数据来预测加热.
- 评估模型在不同MRI场强度,极化和植入物类型的概括性.
主要方法:
- 幻影实验使用商业深度大脑刺激 (DBS) 系统在3特斯拉 (T) 进行.
- 一个完全连接的前神经网络 (NN) 经过训练,可以使用温度计数据的前5秒预测最大温度升高 (ΔTmax).
- 该模型的预测性能在测试数据集上进行了评估,包括具有不同电场强度 (1.5 T),极化 (1.2 T垂直) 和植入物类型 (心脏导线) 的场景.
主要成果:
- 在初级测试数据集 (R2 = 0.99) 中,ML模型实现了 ΔTmax 的高预测准确性.
- 该模型在各种场景中表现出强大的预测能力:1.5 T MRI (R2 = 0.87),1.2 T垂直MRI (R2 = 0.79),以及在1.5 T MRI (R2 = 0.91) 中看不见的心脏线索.
- 这些结果证实了该模型在各种条件下准确预测射频加热的潜力.
结论:
- ML与快速MR温度计相结合,为预测植入设备周围的射频加热提供了快速而准确的方法.
- 这种方法具有显著的潜力,可以在使用各种AIMD进行MRI扫描时提高患者的安全性.
- 这些发现表明,在干预性核磁共振成像 (MRI) 中,转向基于机器学习的实时安全监测模式的转变.
