使用深度神经网络预测时空射频消光温度
Hanife Tugba Kumru1, Vitaly Gordin2, Daniel Cortes1
1Department of Mechanical Engineering, The Pennsylvania State University, State College, PA, United States.
Medical engineering & physics
|February 28, 2024
概括
深度神经网络在射频剥离 (RFA) 过程中准确预测组织温度,将计算时间减少92%. 这一进步有助于设计更安全的RFA治疗面部关节疼痛,同时最大限度地减少肌肉损伤.
科学领域:
- 生物医学工程 生物医学工程
- 计算机建模 计算建模
- 疼痛管理 疼痛管理
背景情况:
- 射频切除 (RFA) 是面部关节疼痛的常见治疗方法,但它可以导致多肌肉变质.
- 计算模拟可以帮助设计新的RFA技术以防止肌肉损伤,但可能是计算昂贵的.
- 深度神经网络 (DNN) 为预测RFA期间组织温度提供了一个潜在的替代方案.
研究的目的:
- 使用DNN预测RFA期间的空间和时间组织温度分布.
- 开发一种计算效率高的RFA模拟方法.
- 帮助设计面部关节疼痛的新型RFA治疗方法.
主要方法:
- 有限元 (FE) 模型被用来模拟各种探针距离的组织温度分布.
- 来自FE模拟的温度数据被用来训练DNN来预测时空温度概况.
- 经过训练的DNNs使用从FE模拟中单独的数据集进行了验证.
主要成果:
- 在RFA期间,DNN准确预测了组织温度分布,错误率低至0.05%.
- 与传统的FE模拟相比,DNN方法实现了92%的计算时间缩短.
- 该模型在预测组织内的温度变化方面表现出高效率.
结论:
- DNN提供了一种计算效率高,准确的方法,用于预测RFA期间的组织温度.
- 这种方法可以显著加快面部关节疼痛RFA技术的设计和优化.
- 拟议的方法有望开发RFA治疗方法,最大限度地减少无意的肌肉缩.
