基于深度学习的头部模型中的功率吸收和温度升高,用于局部射频暴露

科学领域:

• 计算电磁学的计算.
• 医学成像医学成像
• 生物物理学的生物物理.

背景情况:

• 对人类的射频 (RF) 暴露的准确建模对于安全至关重要.
• 在精确地定义头部组织属性以用于计算模型方面存在挑战.
• 功率吸收和温度升高的变化会影响人类保护评估.

研究的目的:

• 为了比较基于细分的和没有细分的RF暴露评估模型.
• 为了评估深度学习对头部成像对剂量测量的影响.
• 分析跨主体变异性和跨频率的剂量测量不确定性.

主要方法:

• 开发了两个计算头模型:一个基于细分的,一个使用深度学习的无细分.
• 通过使用深度学习直接从MRI估计组织介电和热特性.
• 解决了温度上升的有限差异时间域和生物热传递方程.
• 分析了不同频率的受试者之间的变化和剂量测量不确定性.

主要成果:

• 两种模型都显示出很强的一致性,峰值温度上升的差异为7.6 ± 6.4%.
• 没有细分的模型显示受试者之间的变异性减少,特别是在更高的频率.
• 加热因子变量的最大相对标准偏差在3 GHz时为15.0%,随频率而下降.

结论:

• 没有细分的深度学习模型在射频剂量测量中提供了优势,减少了变化,提高了效率.
• 这些模型为完善个人特定的射频暴露评估提供了一个有希望的途径.
• 调查结果支持提高针对射频暴露的人类保护指南的准确性和一致性.