[论文解读] Electric Field Calculation and PNS Prediction for Head and Body Gradient Coils

Peter Roemer, Trevor Wade+4 more|arXiv (Cornell University)|Dec 15, 2020

Cardiovascular Function and Risk Factors被引用 4

一句话总结

本文提出了一种计算效率高的方法，用于通过简化的矢量势建模计算头部和身体梯度线圈中的感应电场，并预测外周神经刺激（PNS）。该方法在身体梯度线圈中实现约5%的预测误差，在对称头部梯度线圈中实现约20%的预测误差，计算时间小于1秒，可实现PNS最小化梯度线圈设计的快速优化。

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.

研究动机与目标

• 开发一种准确且计算高效的预测MRI梯度线圈中外周神经刺激（PNS）的方法。
• 基于已发表的头部和身体梯度线圈实验数据，验证电场计算与PNS预测的准确性。
• 通过现有数据的元分析，确定人群加权的PNS阈值。
• 实现面向监管标准和线圈设计优化的前瞻性PNS限值估计。

提出的方法

• 采用一种简化方法，无需使用有限元或有限差分软件，即可计算梯度线圈矢量势场在空间中的电场分布。
• 该方法依赖于矢量势的解析近似，以高效计算整个身体模型上的电场。
• 通过实验PNS数据的元分析推导出时值（chronaxie），以校准不同线圈类型的PNS阈值。
• 利用既定的生物物理模型计算PNS阈值，并与实验测得的deltaGmin和SRmin值进行比较。
• 该方法可在数秒内生成电场分布图，电场更新仅需毫秒级时间，支持迭代线圈设计优化。
• 采用多种身体模型以确定人群加权的PNS阈值，提升结果的普适性。

实验结果

研究问题

• RQ1 一种简化的、非FEM（有限元法）的方法能否准确预测头部和身体梯度线圈中的电场分布？
• RQ2 基于实验PNS数据的元分析，头部梯度线圈的最优时值是多少？
• RQ3 预测的PNS阈值与身体和头部梯度线圈的实验测量值有多接近？
• RQ4 该方法能否实现足够的计算效率，以支持梯度线圈设计的实时迭代优化？
• RQ5 预测的PNS参数在多大程度上落在实验不确定度范围内？

主要发现

• 通过实验PNS数据的元分析，确定头部梯度线圈的合适时值为669 μs。
• 身体梯度线圈的预测误差约为5%，对称头部梯度线圈的预测误差约为20%。
• 73%的预测deltaGmin值在实验不确定度范围内与实验测量值匹配。
• 80%的预测SRmin值在实验不确定度范围内与实验测量值匹配。
• 初始电场分布图计算耗时数秒，新设计的电场更新可在毫秒级完成，支持高效的迭代优化。
• 该方法可实现适用于监管标准和PNS优化线圈设计的前瞻性PNS限值估计。