用自注意力网络提升无参考磁共振热成像精度

Referenceless Proton Resonance Frequency Thermometry Using Deep Learning with Self-Attention

• 引入自注意力机制建模相位变化的非局部依赖关系
• 在模拟与真实数据上均实现低于0.5℃的温度误差
• 适合需要高精度热监测的超声消融临床场景

背景：精准的质子共振频率（PRF）磁共振热成像对高强度聚焦超声（FUS）热消融治疗中的温度监控至关重要。传统无参考方法如复场估计（CFE）和相位有限差分（PFD）在组织界面处因磁敏感性导致的相位不连续时易产生误差。本文提出一种基于自注意力机制的深度学习方法，通过建模相位信号中长距离依赖关系，有效抑制了相位跳跃带来的系统偏差。在体模与临床真实数据上验证，该方法在无参考条件下实现了平均温度误差低于0.5℃，显著优于现有方法。结果表明，该模型在复杂生物组织中的热场重建能力显著增强。

原文摘要 · Abstract (English)

Background: Accurate proton resonance frequency (PRF) MR thermometry is essential for monitoring temperature rise during thermal ablation with high intensity focused ultrasound (FUS). Conventional referenceless methods such as complex field estimation (CFE) and phase finite difference (PFD) tend to exhibit errors when susceptibility-induced phase discontinuities occur at tissue interfaces.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。