Incertidumbre cuantificación en SAR inducido por ultra-alto-campo MRI RF coil a través de representación de modelo de alta dimensión
Autores: Wang, Xi; Huang, Shao Ying; Yucel, Abdulkadir C.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Incertidumbre cuantificación en SAR inducido por ultra-alto-campo MRI RF coil a través de representación de modelo de alta dimensión
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Intensidad del campo magnético
Tasa de absorción específica
Propiedades dieléctricas
Bobinas de radiofrecuencia
Modelo sustituto
Técnica de Monte Carlo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
A medida que aumenta la intensidad del campo magnético en la tecnología de Imágenes por Resonancia Magnética (IRM), mantener la tasa de absorción específica (SAR) dentro de límites seguros en los tejidos de la cabeza humana se vuelve desafiante debido a la formación de ondas estacionarias en una longitud de onda más corta. Complicando este desafío está la incertidumbre en las propiedades dieléctricas de los tejidos de la cabeza, lo cual afecta notablemente el SAR inducido por las bobinas de radiofrecuencia (RF) en un sistema de IRM de campo ultra alto (UHF). Con este fin, este estudio introduce un marco computacional para cuantificar los impactos de las incertidumbres en las propiedades dieléctricas de los tejidos de la cabeza en el SAR inducido. El marco emplea una técnica de Monte Carlo asistida por modelo de sustitución, generando eficientemente modelos de sustitución de observables de IRM (campos eléctricos y SAR) y utilizándolos para calcular estadísticas de SAR. En particular, el marco aprovecha una técnica de representación de modelos de alta dimensión, que construye los modelos de sustitución de los observables de IRM a través de funciones de componente univariante y bivariante, aproximadas a través de expansiones de caos polinómicos generalizados. Los resultados numéricos demuestran la eficiencia de la técnica propuesta, requiriendo significativamente menos simulaciones determinísticas en comparación con métodos de Monte Carlo tradicionales y otras técnicas de Monte Carlo asistidas por modelos de sustitución que utilizan algoritmos de aprendizaje automático, todo manteniendo una alta precisión en las estadísticas de SAR. Específicamente, el marco propuesto construye modelos de sustitución de un SAR local con un error relativo promedio del 0.28% utilizando 289 simulaciones, superando a las técnicas de modelado de sustitución basadas en aprendizaje automático consideradas en este estudio. Además, las estadísticas de SAR obtenidas por el marco propuesto revelan fluctuaciones de hasta un 30% en los valores de SAR dentro de regiones específicas de la cabeza. Estos hallazgos resaltan la importancia crítica de considerar las incertidumbres en las propiedades dieléctricas para garantizar la seguridad de la IRM, especialmente en sistemas de IRM de 7 T.
Descripción
A medida que aumenta la intensidad del campo magnético en la tecnología de Imágenes por Resonancia Magnética (IRM), mantener la tasa de absorción específica (SAR) dentro de límites seguros en los tejidos de la cabeza humana se vuelve desafiante debido a la formación de ondas estacionarias en una longitud de onda más corta. Complicando este desafío está la incertidumbre en las propiedades dieléctricas de los tejidos de la cabeza, lo cual afecta notablemente el SAR inducido por las bobinas de radiofrecuencia (RF) en un sistema de IRM de campo ultra alto (UHF). Con este fin, este estudio introduce un marco computacional para cuantificar los impactos de las incertidumbres en las propiedades dieléctricas de los tejidos de la cabeza en el SAR inducido. El marco emplea una técnica de Monte Carlo asistida por modelo de sustitución, generando eficientemente modelos de sustitución de observables de IRM (campos eléctricos y SAR) y utilizándolos para calcular estadísticas de SAR. En particular, el marco aprovecha una técnica de representación de modelos de alta dimensión, que construye los modelos de sustitución de los observables de IRM a través de funciones de componente univariante y bivariante, aproximadas a través de expansiones de caos polinómicos generalizados. Los resultados numéricos demuestran la eficiencia de la técnica propuesta, requiriendo significativamente menos simulaciones determinísticas en comparación con métodos de Monte Carlo tradicionales y otras técnicas de Monte Carlo asistidas por modelos de sustitución que utilizan algoritmos de aprendizaje automático, todo manteniendo una alta precisión en las estadísticas de SAR. Específicamente, el marco propuesto construye modelos de sustitución de un SAR local con un error relativo promedio del 0.28% utilizando 289 simulaciones, superando a las técnicas de modelado de sustitución basadas en aprendizaje automático consideradas en este estudio. Además, las estadísticas de SAR obtenidas por el marco propuesto revelan fluctuaciones de hasta un 30% en los valores de SAR dentro de regiones específicas de la cabeza. Estos hallazgos resaltan la importancia crítica de considerar las incertidumbres en las propiedades dieléctricas para garantizar la seguridad de la IRM, especialmente en sistemas de IRM de 7 T.