深度学习驱动的温度预测,以优化跨膜MR引导的聚焦超声波治疗

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确的温度监测对于有效的横MR引导聚焦超声波 (MRgFUS) 治疗至关重要.
• 当前的方法在MRgFUS过程中实现准确的温度控制方面面临挑战.

研究的目的:

• 开发一个深度学习模型来预测MRgFUS治疗温度.
• 该模型整合了超声波参数,患者临床数据和头骨指标.

主要方法:

• 从患有基本震或帕金森病的患者 MRgFUS 超声波的回顾性分析.
• 模型培训使用600次超声波;验证使用199次内部和146次外部超声波.

主要成果:

• Fust-Net模型表现出高预测准确度,正常化平均绝对误差低 (1.655°C内部,2.432°C外部).
• Fust-Net实现了82.6%的有效温度预测率.

结论:

• 在MRgFUS处理中,Fust-Net显示了精确温度控制的巨大潜力.
• 该模型可以提高临床MRgFUS应用中的精度和安全性.