基于深度学习的超高场MRI射频头线圈引起的特定吸收率预测

《IEEE Journal of Electromagnetics, RF and Microwaves in Medicine and Biology》：Deep Learning-Based Prediction of Specific Absorption Rate Induced by Ultra-High-Field MRI RF Head Coil

基于电磁学的生物医学应用中，本文提出一种深度学习框架快速预测超高场MRI（7T以上）的局部具体吸收率（SAR）。通过多项式代理建模生成大数据集，结合3D注意力U-Net处理电导率与介电常数分布，实现亚秒级预测精度达7.57%（体积SAR）、5.63%（10g平均SAR）和2.60%（峰值空间SAR），效率较传统物理模拟器提升三个数量级。

　　

影响声明：

核心要点 • 用一句话概括本文中利用电磁学在生物医学应用方面的创新之处是什么？本文提出了一种...显示更多

摘要：

目标：随着磁共振成像（MRI）技术的发展，预测局部特定吸收率（SAR）分布变得越来越具有挑战性。这一难题源于个体受试者的独特解剖结构和介电特性，以及扫描过程中能量沉积的不均匀性。为了快速估计超高场（UHF）MRI鸟笼式射频线圈引起的SAR值，本文提出了一种基于深度学习的框架。方法：该框架包括两个阶段。在数据集生成阶段，采用基于多项式的替代建模技术来生成大规模且多样化的数据集，从而减少了对基于物理的模拟器进行资源密集型模拟的依赖。在推理阶段，该框架使用3D Attention U-Net处理头部模型的相对介电常数和导电率图以及入射电场，以预测SAR分布。结果：3D Attention U-Net的表现优于所有其他3D U-Net变体，其平均相对误差分别为体素SAR 7.57%、10g平均SAR 5.63%和峰值空间SAR 2.60%。每次预测所需时间不到半秒，性能至少比传统的基于物理的模拟器快三个数量级。结论：该框架在保持令人满意的准确性的同时，提供了比传统基于物理的模拟器更显著的计算优势。意义：该计算框架可在GitHub上获取，能够实时预测任何未见过的MRI头部模型的介电常数和导电率分布。该框架将有助于在新UHF MRI线圈设计过程中进行超快速优化和不确定性量化研究。

引言

首个获得医疗设备认证的7特斯拉（T）磁共振成像（MRI）系统于2017年上市[1]、[2]。自那时起，超高场（UHF）MRI扫描仪的使用稳步增加，截至2023年全球已有超过100台UHF MRI系统投入临床使用[3]。由于7 T或更高磁场的存在，UHF MRI在空间分辨率和信噪比方面相较于传统MRI技术有了显著提升[1]、[4]。然而，这些改进也带来了代价。UHF系统中更强的磁场需要更高频率的射频（RF）脉冲，这可能导致人体内RF能量吸收不均匀，并可能引起组织加热，后者通过局部特定吸收率（SAR）来衡量[1]、[2]。由于SAR取决于RF发射阵列的激励模式[5]、[6]以及组织的不同介电特性[7]（反映了生物组织的固有异质性[8]、[9]、[10]），因此对其特性进行表征通常具有挑战性。为此，基于物理的模拟器[11]、[12]被广泛用于准确表征特定受试者的局部SAR分布[13]。这些模拟器严格求解麦克斯韦方程，提供人体内部高精度的电场（E场）分布，进而用于计算局部SAR。然而，它们需要较长的执行时间。因此，需要一种能够快速预测SAR分布的工具，作为耗时的传统基于物理的模拟器的更高效替代方案。