基于学习估算头部模型中介电特性与组织密度用于个性化射频剂量学

射频剂量学是人类安全和相关产品合规性评估中的重要过程。近来，由医学图像生成的计算人体模型常被用于此类评估，特别是为考虑受试者间的差异性。然而，开发个性化模型的常规流程耗时较长，因其涉及对代表不同生物组织的多个组分进行过量分割，这限制了基于个性化剂量学的辐射安全个体差异评估。深度学习方法已被证明是模式识别与信号分析的强有力途径。具有深层架构的卷积神经网络在若干生物医学应用中被证实对特征提取与图像映射具有鲁棒性。在本研究中，我们开发了一种基于学习的方法，用于从磁共振图像中一次性快速准确地估算组织的介电特性与密度。头部模型中介电特性的平滑分布通过无组织分割的流程实现，与常用流程相比改善了比吸收率（SAR）分布的平滑性。估算的 SAR 分布以及以立方形状在 10 克组织上平均的分布，被发现与采用分割的传统方法计算的结果高度一致。