在患有DBS的患者中,MRI诱导的能量吸收的预测导致了DBS

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 计算神经科学是一种神经科学.

背景情况:

• 深度大脑刺激 (DBS) 系统可以在患者接受磁共振成像 (MRI) 时引起危险的组织加热.
• 电磁 (EM) 模拟准确地预测了这种加热 (特定吸收率 - SAR),但在计算上是密集的.
• 开发有效的方法来预测SAR对于在联合DBS-MRI程序期间的患者安全至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 算法,用于预测DBS的本地SAR值.
• 将XgBoost和深度学习模型的性能与现有方法进行比较.
• 为此特定的回归问题确定最佳的ML模型架构.

主要方法:

• 利用260个患者衍生和人工实例的数据集进行模型培训和验证.
• 实施并调整了XgBoost和深度学习模型,包括剩余网络.
• 专注于特征提取,并评估模型宽度与深度的影响.

主要成果:

• XgBoost实现了17.8W/kg的根平均平方误差 (RMSE),显著超过深度网络 (78W/kg) 和之前的最先进网络 (168W/kg).
• 通过XgBoost进行集体学习,在小数据模式下比深度网络更有效.
• 在这种情况下,对于深度学习模型来说,网络宽度比深度更为关键.

结论:

• 机器学习,特别是XgBoost,为预测DBS-MRI诱导的组织加热提供了对EM模拟的高效和准确的替代方案.
• 这些发现表明梯度增强算法非常适合这种非线性回归任务.
• 对网络架构的进一步研究,特别是宽度优化,有望为未来的进步提供希望.