PHASE：面向7T MRI电磁特性仿真的个性化头部自动建模工具箱及其在比吸收率（SAR）精准评估中的应用

本文推荐一款开源自动建模工具箱PHASE（Personalized Head-based Automatic Simulation for Electromagnetic Properties），该工具通过融合T1加权磁共振成像（T1w MRI）与计算机断层扫描（CT）数据，自动生成高分辨率个性化头部模型，用于电磁（EM）仿真与比吸收率（SAR）评估。研究验证了其在7T MRI多通道射频线圈设计中全局SAR与局部SAR-10g计算的准确性，为大规模人群电磁安全评估提供了高效解决方案。

　　

Human models for EM simulation and SAR assessment

人体模型是磁共振成像（MRI）中电磁（EM）应用的核心，并已广泛用于评估移动电话和WiFi设备等无线技术产生的比吸收率（SAR）暴露。大多数先前的EM仿真研究依赖于从代表性图谱衍生的通用或标准解剖模型，或基于有限受试者构建的平均数据集。虽然有用，但这些通用模型通常无法捕捉个体间的解剖变异。

Automatic head-based segmentation pipeline

如图2所示，我们提出了一个全自动工具箱，整合基于MRI和CT的分割技术，生成解剖细节丰富、针对特定受试者的头部模型。为确保结果可靠性，本研究采用的所有分割方法均来自已发表且被研究界广泛采用、经过严格验证的准确稳健技术。具体而言，T1加权（T1w）MRI通过SLANT进行分割，这是一种深度学习方法。

Data

使用包含15名受试者的多样化数据集，这些受试者具有配对的MRI和CT图像，并表现出显著的个体间解剖差异，以评估我们工具箱生成模型的准确性。为确保所有受试者的硬件一致性，所有MRI扫描均在单一MRI扫描仪上获取，所有CT扫描均在范德比尔特大学医学中心（VUMC）的单一CT扫描仪上获得。使用刚性配准方法对MRI和CT扫描进行对齐。

Results

对于所有15名测试受试者，记录了不同构建方法的归一化全局SAR和局部SAR-10g值。如图5所示，根据收集的数据生成线图，以比较不同受试者的不同模型和方法。

具体而言，表2和表3比较了15名受试者的计算全局平均SAR和局部SAR-10g，使用相同的线圈布局，涵盖所提出方法的模型、参考模型、组合9组织模型、6组织模型等。

Comparison between methods

本研究的一个关键目标是评估我们提出的PHASE工具箱是否能与手动校正的参考模型性能相媲美，同时提供更高的效率和自动化。如图4所示，我们的方法提供了比SimNIBS更精细的脑区划分，并且即使在仅有T1w图像可用时（SimNIBS在仅T1w输入上通常失败）也能实现稳健的皮肤分割。通过融合多个分割基线，它还产生更准确的骨骼分割和更完整的头部模型。

Conclusion

在本研究中，我们提出了一个自动头部模型构建工具箱PHASE，该工具整合T1w MRI和CT数据，生成用于EM仿真的解剖学精确高分辨率模型。通过结合可变形配准和基于深度学习的分割，该工具箱能够以最少的手动工作精确标记软组织和骨组织。通过全面的EM仿真验证，生成的模型在全局和局部（SAR-10g）度量上与参考模型高度一致，突显了其在未来大规模人体模型数据集生成方面的潜力。