[局所的な高周波ばく露に対する深層学習ベースの頭部モデルにおける電力吸収と温度上昇] tech./dosim.

この研究は、高周波（RF）電磁界ばく露に対するヒトの電力吸収と温度上昇の計算上の不確かさとばらつきを評価した。頭部組織の構成を正確にモデル化し、組織の誘電特性および熱特性を割り当てることは依然として困難な課題である。そこで、RF局所ばく露の評価において、セグメンテーションに基づくモデルとセグメンテーションフリーのモデルの影響を調査した。アプローチとして、従来の組織セグメンテーションを用いるモデルと、磁気共鳴画像から組織の誘電特性と熱特性を直接推定する深層学習を用いるモデルの2つの計算頭部モデルを比較した。有限差分時間領域法と生体熱伝達方程式を解き、局所ばく露に対する温度上昇を評価した。被験者間のばらつきとドシメトリ上の不確かさを、複数の周波数にわたって解析した。その結果、頭部モデリングにおける2つの手法の比較では、ピーク温度上昇の差が7.6 ± 6.4%であり、高い整合性を示した。セグメンテーションフリーモデルは、特に表層加熱が支配的な高周波数において、被験者間のばらつきを低減することが示された。加熱係数の被験者間のばらつきの最大相対標準偏差は3 GHzで15.0%であり、周波数の増加とともに減少した。これらの結果から、RFドシメトリにおいて、特に被験者間のばらつきを低減し、計算効率を向上させる上で、セグメンテーションフリーの深層学習モデルの利点が示唆された。2つのモデル間の差は、全体的なドシメトリの不確かさと比較して比較的小さいものの、セグメンテーションフリーモデルは、個人特有のばく露評価を改善するための有望なアプローチを提供するものである、と著者らは結論付けている。