[논문 리뷰] Electric Field Calculation and PNS Prediction for Head and Body Gradient Coils

Peter Roemer, Trevor Wade외 4명|arXiv (Cornell University)|2020. 12. 15.

Cardiovascular Function and Risk Factors인용 수 4

한 줄 요약

이 논문은 단순화된 벡터 포텐셜 모델링을 사용하여 머리 및 몸통 그레디언트 코ils에서 유도 전기장 계산과 외측 신경 자극(PNS) 예측을 위한 계산적으로 효율적인 방법을 제시한다. 이 방법은 몸통 그레디언트 코일에서 약 5%의 예측 오차, 대칭적인 머리 그레디언트 코일에서 약 20%의 예측 오차를 기록하며, 1초 미만의 계산 시간을 확보하여 PNS 최소화를 위한 그레디언트 코ils 설계의 빠른 최적화를 가능하게 한다.

ABSTRACT

Purpose: To demonstrate and validate E-field calculation and PNS prediction methods that are accurate, computationally efficient and that could be used to inform regulatory standards. Methods: We describe a simplified method for calculating the spatial distribution of induced E-field over the volume of a body model given a gradient coil vector potential field. The method is easily programmed without finite element or finite difference software, allowing for straightforward and computationally-efficient E-field evaluation. Using these E-field calculations and a range of body models, population-weighted PNS thresholds are determined using established methods and compared against published experimental PNS data for two head gradient coils and one body gradient coil. Results: A head-gradient-appropriate chronaxie value of 669us was determined by meta-analysis. Prediction errors between our calculated PNS parameters and the corresponding experimentally measured values were ~5% for the body gradient and ~20% for the symmetric head gradient. Our calculated PNS parameters matched experimental measurements to within experimental uncertainty for 73% of deltaGmin estimates and 80% of SRmin estimates. Computation time is seconds for initial E-field maps and milliseconds for E-field updates for different gradient designs, allowing for highly efficient iterative optimization of gradient designs and enabling new dimensions in PNS-optimal gradient design. Conclusions: We have developed accurate and computationally efficient methods for prospectively determining PNS limits, with specific application to head gradient coils.

연구 동기 및 목표

• MRI 그레디언트 코일에서 외측 신경 자극(PNS)을 정확하고 계산적으로 효율적으로 예측하기 위한 방법 개발.
• 머리 및 몸통 그레디언트 코일에 대한 기존 실험 데이터와 비교하여 전기장 계산 및 PNS 예측의 정확도 검증.
• 기존 데이터의 메타분석을 통해 인구 가중치를 적용한 PNS 임계값 도출.
• 규제 기준 및 코ils 설계 최적화를 위한 사전 PNS 한계 예측 가능화.

제안 방법

• 유한요소법 또는 유한차분법 소프트웨어를 요구하지 않고, 그레디언트 코일의 벡터 포텐셜 장으로부터 유도 전기장의 공간 분포를 계산하기 위한 단순화된 방법을 사용.
• 벡터 포텐셜의 해석적 근사에 기반하여 전체 몸체 모델에서 전기장을 효율적으로 계산.
• 다양한 코일 유형의 PNS 임계값을 校정하기 위해 실험적 PNS 데이터의 메타분석을 통해 크로나시아 값 유도.
• 기존의 생물물리 모델을 사용하여 PNS 임계값을 계산하고 실험적 deltaGmin 및 SRmin 값과 비교.
• 초기 전기장 맵 생성은 몇 초 내로 수행되며, 새로운 설계에 대한 전기장 업데이트가 밀리초 수준으로 가능하여 반복적인 코일 설계 최적화를 지원.
• 다양한 몸체 모델을 사용하여 인구 가중치를 적용한 PNS 임계값 도출 및 일반화 능력 향상.

실험 결과

연구 질문

• RQ1 단순화된 FEM 기반 방법이 머리 및 몸통 그레디언트 코일에서 전기장 분포를 정확하게 예측할 수 있는가?
• RQ2 실험적 PNS 데이터의 메타분석 기반으로 머리 그레디언트 코일에 적합한 최적의 크로나시아 값은 무엇인가?
• RQ3 예측된 PNS 임계값이 몸통 및 머리 그레디언트 코일의 실험 측정값과 얼마나 가까운가?
• RQ4 이 방법이 그레디언트 코일 설계의 실시간 반복 최적화를 지원할 정도로 충분한 계산 효율성을 확보할 수 있는가?
• RQ5 예측된 PNS 파rameter들이 실험적 불확도 범위 내에 얼마나 잘 포함되는가?

주요 결과

• 메타분석을 통한 실험적 PNS 데이터 기반으로 머리 그레디언트 코일에 적합한 크로나시아 값 669 μs 확정.
• 몸통 그레디언트 코일의 예측 오차는 약 5%, 대칭적인 머리 그레디언트 코일의 예측 오차는 약 20%.
• 실험적 불확도 범위 내에서 예측된 deltaGmin 값의 73%가 실험 측정값과 일치.
• 실험적 불확도 범위 내에서 예측된 SRmin 값의 80%가 실험 측정값과 일치.
• 초기 전기장 맵 생성은 수초 내로 수행되며, 새로운 설계에 대한 전기장 업데이트가 밀리초 수준으로 가능하여 효율적인 반복 최적화 가능.
• 이 방법은 규제 기준에 적합한 사전 PNS 한계 예측 및 PNS 최적화 그레디언트 코일 설계를 가능하게 한다.