深層学習MRIのための高電圧コンデンサの精度

深層学習MRIのための高電圧コンデンサの精度

抽象

ディープラーニングネットワークは、k空間サンプルから画像へのマッピングを学習しますが、ハードウェアが指示されたとおりに送信したと仮定します。勾配アンプのサグ、RFゲインエラー、スイッチングリップル、および部品のドリフトは、この仮定を崩します。この記事では、エラーが増加する関係、測定された4つの故障モード、およびネットワークの学習に使用された精度を3Tまたは7Tプラットフォームで維持するための部品仕様について説明します。

はじめに

深層学習AIは、現在、臨床MRIワークフローに組み込まれている。ニューラルネットワークは、k空間サンプルから画像へのマッピングを学習し、疎なデータを鮮明でノイズの少ない画像に変換する。ベンダー各社は、これを新しい3Tおよび7Tプラットフォームの標準オプションとして提供している。

トレーニングでは、理想的な勾配波形と平坦なB1磁場を前提としています。実際のハードウェアは、これら両方から逸脱しています。勾配アンプは波形を歪ませ、RFチェーンはゲインが変動し、部品は熱によってドリフトし、スイッチングノイズはk空間サンプルに影響を与えます。陽子ラーモア周波数は3Tで128MHz、7Tで298MHzであるため、RFチェーンは広帯域の信号を受け取ります。

従来の再構成コードでは、これらの誤差は抑制されていました。しかし、学習済みのネットワークでは、学習されたマップが小さな入力を上方に曲げるため、これらの誤差が目に見えるアーティファクトにまで拡大する可能性があります。HVCのベンチテストでは、勾配線形性の誤差が0.1%でも構造が歪み、RFパルスゲインの誤差が1%でもネットワークが報告するコントラストが変化することが示されています。

この記事では、勾配およびRFチェーンにおける誤差増大の関係、測定された4つの故障モード、およびネットワークが期待する精度でプラットフォームを維持するための部品仕様について説明します。

2. コアメカニズム

2.1 K空間誤差と出力画像

深層学習ネットワークは、サンプリングされたデータs(k)から画像I(r)への非線形マップとして機能します。

I_AI(r) = F_θ( s(k) + n(k) )

ここで、F_θは学習済みネットワーク、s(k)はサンプリングされたk空間データ、n(k)はハードウェアからのk空間誤差、rは画像点、I_AIは出力画像です。

F_θは線形からは程遠いため、画像の一部領域で小さなn(k)が増大する。k空間の誤差が0.05%の場合、高周波ディテール復元中にテクスチャの変化として認識される。

2.2 勾配誤差と軌道シフト

実際の勾配場と理想的な線形場の間のギャップΔGは、k空間点を移動させる。

Δk(t) = γ · ∫ ΔG(t) dt

ここで、Δkはk空間誤差、γは磁気回転比、ΔGは理想的な線形磁場からのギャップ、tは時間である。陽子のγは42.58MHz/Tなので、1mT/mのギャップを1ms保持すると、点は42.6サイクル/m移動する。

ネットはその変化をエッジやテクスチャの変化として読み取り、誤った病変を報告する可能性がある。 N4700 DCリンク電圧係数を十分に低く保ち、Δkを理想値の0.02%以内に抑える。

2.3 RFゲイン誤差とB1平坦性

RFアンプと整合回路におけるゲイン低下はパルスエンベロープを歪ませ、B1磁場を不均一にする。出力されるフリップ角はB1誤差に追従する。

θ_actual = θ_ideal · (1 + ΔB1/B1)

ここで、θ_idealは指令されたフリップ角、θ_actualは実際に得られたフリップ角、ΔB1/B1は相対的なB1ゲイン誤差である。

ΔB1/B1が2%を超えると、パルス経路に沿ってフリップ角誤差が増大します。パルスにおける1dBのゲイン誤差でも、報告されるコントラストが変化するのに適しています。その結果、ネットワークは信号レベルの変化を組織コントラストの変化として読み取ってしまい、読影者は両者を区別できなくなります。

2.4 部品のずれは一般的な誤差要因である

部品の値によって、勾配電流の精度とRFパルスの忠実度が同時に変化します。

ΔC/C0 = α_V · V_dc + α_T · ΔT

ここで、α_Vは電圧係数、V_dcはDCリンク電圧、α_Tは熱係数、ΔTは熱の上昇、ΔC/C0はCの相対変化である。

電圧係数、ESR、ESL、およびRFマッチングDF_effはすべて同時にドリフトします。複数のソースからの同時エラーはトレーニングセットに含まれていないため、ネットワークでは修正できません。HVCは、マルチフィジックスシミュレーションとベンチテストを使用して、部品のドリフトをSSIM損失にマッピングしました。

図1 — 部品ドリフトから画像へのエラーパス：3%の電圧係数はk空間パスをシフトし、1%のB1ゲインエラーはネットが報告するコントラストを変化させます。

3. エンジニアリング上の課題

問題点1：部品のマージンが新しい目標値より低い

従来の3Tプラットフォームは、勾配直線性0.3%を目標とし、臨床ニーズを満たしていました。ディープラーニングAIは0.1%を要求し、より高性能なネットワークでは0.05%が求められます。あるAI脳研究では、DCリンク電圧係数によって直線性誤差が0.15%増加しました。その結果、白質に偽の明るい斑点が映り込み、神経損傷の診断にほぼ至りました。

課題2：RFチャネルのマ​​ッチング

フェーズドアレイ並列送信では、各チャネルでパルスゲインと位相を一致させる必要があります。RF整合部品間のDF_effとESLのばらつきは、チャネルごとの損失を変化させます。ある7T 8チャネル送信アレイでは、部品のばらつきによりB1平坦度が95%から88%に低下し、リング状のアーチファクトが発生しました。腹部T2画像は目標SNRを2.1dB下回り、レビューに不合格となりました。

問題点3：スイッチングリップルを信号として読み取る

ニューラルネットワークは、高周波のk空間リップルを実データとして認識します。バス上のSiC MOSFETのスイッチングは、DCリンクのESRとESLを介して結合し、周期的なノイズをk空間に発生させます。あるAI実行では、スイッチング周波数で縞状のアーティファクトが見られ、これはスナバ部分の高いESLに起因することが判明しました。

問題点4：熱と経年劣化により作動点が変化する

ネットは標準条件下でトレーニングされますが、部品の値は熱や時間の経過とともに変化します。ある病院では、夏の間、画像品質が低下しました。DCリンクESRが熱で上昇し、ラックの温度が15℃上昇し、勾配電流のオーバーシュートが大きくなり、実際のk空間パスがトレーニングセットから外れてしまったのです。

4. 設計手順

戦略1：低係数のクラスI部品を選択する

DF_effを0.1%未満、電圧係数を3%未満、ESRを5mΩ未満、ESLを25nH未満に指定してください。この設定により、DCリンクのリプルと勾配電流誤差は汎用クラスIIバンクの3分の1以下に抑えられ、部品のドリフトは動作範囲全体で5%未満に維持されます。

戦略2：RFネットワークチャネルをチャネルごとにマッチングする

RFマッチング部品には、低いDF_effと高いQ値が必要です。 HVCT9G 10 nF/15 kVの容量で、128 MHzにおいてQ値が800以上、ESLが18 nH未満を実現します。C値が±1%以内、DF_effのばらつきが0.02%未満の同一ロット部品をご注文ください。これにより、8チャンネルアレイ全体でB1電界が均一に保たれます。

戦略3：ブリッジアームに低ESLスナバ部品を取り付ける

スナバ部分をSiCモジュールブリッジアームの中間点の隣に配置します。これにより、リンギングが60%以上減少します。 高速回復ダイオード また、非誘導性抵抗器を使用することで、高周波リップルはバス電圧の0.1%以内に収まります。

戦略4：ネットの前にフィードフォワード補正を追加する

測定されたCV曲線とB1マップをフロントエンドにインポートします。HVCは、このステップに必要なN4700 CVデータとRF部分のSパラメータを、MONAIおよびFastMRIフレームワークが受け入れる形式で提供します。この修正により、ハードウェアの残差誤差は0.03%未満に抑えられます。

戦略5：熱と年齢を追跡する

ESR、DF_eff、およびラック温度をオンラインで監視します。そのデータからモデルを構築し、ネットワーク実行前に生のk空間をクリーンアップします。HVC監視ハードウェアは部品の状態をリアルタイムで報告するため、ドリフトするチャネルは画像に到達する前にログに表示されます。

戦略6：発生源で部分放電を遮断する

部分放電はランダムなパルスノイズを発生させ、劣化を加速させます。HVCは、医療グレードのN4700部品の100%を1.5Urで5pC以下の部分放電（PD）にスクリーニングしています。プレミアムロットではPDを2pC以下に抑え、ネットワークが処理するノイズフロアを低減します。

戦略7：サンプリング抵抗器を使用してチャンネルの一致を確認する

置く HVRGXP 各勾配パスおよびB1モニタパスにサンプリング抵抗器を配置します。TCRが50 ppm/℃未満であれば、ラックの温度範囲全体で測定レベルが安定するため、補正テーブルは年間を通して有効です。3Tアップグレードを1回行ったところ、SSIMが0.91から0.97に向上し、DCリンクリップルが62%削減され、S11が-25 dB以下に低下しました。

コンポーネントパラメータ	標準値	試験条件
定格電圧（HVCT8Gシリーズ）	10kV DC	60秒間、1.5倍の高電圧試験
キャパシタンス	4700 pF ±20% (472M)	1 MHz、1 V rms
1MHzにおけるESR	50 mΩ未満	-
ループインダクタンス（E40コード）	8 nH未満	端子間隔40mm
絶縁抵抗	500V DCで10GΩ以上	25℃、相対湿度60％
使用可能温度範囲	−40℃～+125℃	IEC 60068-2シリーズ
パルスdv/dt機能	50 kV/µs以上	定格電圧で

5. 勾配ノードおよびRFノード用のHVCコンデンサ

HVCは、勾配DCリンク、RF整合回路、およびスナバ回路向けに、クラスI部品、高電圧ダイオード、および厚膜抵抗器を製造しています。生産は、東莞にある自社所有の6,000平方メートルの工場で行われ、1kVから150kVまでの電圧に対応しています。

ここで重要な5つのスペック

• DF_effは0.1%未満です。128MHz、15kVにおいて損失正接は低く保たれるため、整合回路はQ値を800以上に維持し、パルスエンベロープはコイル内でその形状を維持します。
• 電圧係数は3%未満です。47 nF/20 kVの部品が勾配バスウィンドウ全体にCを保持するため、k空間パスは理想線から0.02%以内に収まります。
• ESLは18 nH未満です。HVCT9GおよびHVCT8Gのネジ端子部は、ブリッジアームでのリンギングを抑制し、スイッチングリップルがk空間データに混入するのを防ぎます。
• 定格電圧の1.5～2倍において、PD（部分放電）が5 pC以下であること。PDレベルを低くすることで、AI実行時に縞模様として現れるランダムなパルスノイズが除去されます。
• 一つの注文、三つの家族。 HVR-BSP グレーディング抵抗器、HVD高速リカバリダイオード、およびHVRGXPサンプリング抵抗器は、部品と同じ納品書で出荷されます。

HVCT8GとHVCT9Gの混合アレイは フィルムコンデンサ DC-Linkの銀行とスナバ支店により、28週間のリードタイムと自己修復C損失がスケジュールから除外されます。

部品は、 ビシェイ 715C/660R、AVX HP/HW/HK、村田製作所製DHR/DHS、およびTDK Dシリーズに対応しているため、プラットフォームの残りの部分は固定されたまま、一度に1つの位置だけを移動させることができます。

配送とサポート

標準部品は6～8週間、同一ロットのマッチング済みセットは8～10週間で出荷されます。HVCは、勾配線形性解析、RFマッチングネットワークのチューニング、スナバ回路のレイアウト、および再構成フロントエンドに入力されるCV値とSパラメータデータの提供をサポートします。

電界強度、勾配直線性目標値、RF周波数、チャンネル数、およびコイル図面をお送りください。HVCは、部品番号、動作周波数におけるDF_effおよびESRデータ、CV曲線、および2サンプルキットを含む部品リストを5営業日以内に返送します。

6。 よくある質問

Q1：反復コードが機能したのに、なぜ深層学習の実行は失敗するのですか？

ニューラルネットワークは非線形マップを学習するため、ハードウェアエラーは平均化されるのではなく、増大する可能性があります。勾配の線形性エラーが0.1%発生すると構造が歪み、RFゲインのエラーが1%発生すると報告されるコントラストが変化します。従来の反復コードには物理モデルという代替手段がありましたが、訓練済みのネットワークは訓練中に見たデータセットしか利用できません。

Q2：どの程度の勾配線形性を考慮して設計すべきでしょうか？

ディープラーニングを実行する3Tまたは7Tプラットフォームの場合、0.05%が目安です。旧型の3Tプラットフォームは0.3%を目指していましたが、それでも日常的な臨床業務には十分対応できます。より厳しい数値はアンプとDCリンク電圧係数によって決まるため、両方を確認してください。電圧係数が3%の部品は、それだけで0.15%の誤差を生じさせる可能性があります。

Q3：RFチャネルのマ​​ッチングはどの程度厳密に行う必要がありますか？

C値は±1%以内、DF_effのばらつきはチャネル間で0.02%未満です。7T 8チャネル送信アレイでは、部品のばらつきによりB1の平坦度が95%から88%に低下し、リング状のアーティファクトが発生しました。同一バッチの供給とビンニングにより、チャネルごとのキャリブレーション手順なしでこのギャップを解消できます。

Q4：どの部分の値が画像を最も大きく動かしますか？

グラディエントチェーンでは、バス電圧の変動に伴ってk空間パスが変化するため、電圧係数が重要になります。RFチェーンでは、損失が変化し、チャネルごとのB1ゲインが変化するため、DF_effが重要になります。ESRとESLは、リップルとスイッチングノイズに影響します。動作周波数と電圧における4つの値をすべて引用してください。

Q5：ソフトウェアでドリフトする部品を修正できますか？

その一部は、測定されたCV曲線とB1マップから構築されたフィードフォワード修正によって、ハードウェアの残差誤差を0.03%未満に抑えることができます。この修正には安定した入力が必要ですが、汎用クラスII部品は熱や時間とともにドリフトします。低係数のクラスI部品を使用し、残りの処理はコードに任せましょう。

Q6：画像に映る前に、漂流する水路を捉えるにはどうすればよいですか？

ESR、DF_eff、ラック温度をオンラインで監視し、低TCR抵抗器を使用して勾配およびB1モニターパスをサンプリングします。そのデータから熱劣化モデルを構築し、測定値と比較します。モデルから外れたチャンネルは、画像に表示される前にログに表示されます。

7。 リファレンス

1. IEC 60601-1:2005+AMD1:2012, 医用電気機器 ― 第１部：基本安全及び必須性能に関する一般要求事項ジュネーブ：IEC、2012年。
2. IEC 60601-2-54、 医用電気機器 ― 第2-54部：放射線撮影および放射線検査用X線装置の基本安全および必須性能に関する個別要求事項ジュネーブ：IEC、2018年。
3. IEC 60384-8、 電子機器用固定コンデンサ ― 第8部：セラミック誘電体固定コンデンサ、クラス1ジュネーブ：IEC、2015年。
4. IEC 60270、 高電圧試験技術 ― 部分放電測定ジュネーブ：IEC、2015年。
5. エリクソン、RW、マクシモビッチ、D.、 パワーエレクトロニクスの基礎第3版。Cham: Springer、2020年。
6. モハン、N.、アンダーランド、TM、ロビンス、WP、 パワーエレクトロニクス：コンバータ、応用、設計第3版。ニュージャージー州ホーボーケン：ワイリー、2003年。
7. B. Wang、J. Meng、P. Zhao、 可変速ドライブにおけるアルミ電解コンデンサの経年劣化状態監視IEEE Transactions on Power Electronics、第37巻、第4号、pp. 4564-4574、2022年。https://doi.org/10.1109/tpel.2021.3121813
8. 高容量・高電圧BME X7R多層セラミックコンデンサの開発、KEMET Electronics (CARTS USA 2011 Proceedings)、https://www.mouser.jp/pdfdocs/2011-03CARTS-DevelopmentofHighCapacitance-HighVoltageBMEX7RMLCCapacitors.pdf 。
9. GB/T 6346.1-2024、 電子機器用固定コンデンサ 第1部：总规范 (電子機器で使用する固定コンデンサ – パート 1: 一般仕様)。北京: 国家市场监督管理总局、2024 年。
10. IEC 60384-1:2021、 電子機器用固定コンデンサー – パート1：一般仕様、第6.0版。ジュネーブ：国際電気標準会議、2021年。
11. HVCアプリケーションエンジニアリングチーム、 高電圧セラミックコンデンサ 技術リソース、https://www.hv-caps.com