通过缩短扫描方案、优化磁体冷却模式与深度学习序列降低肌肉骨骼MRI能耗
该研究在德国慕尼黑的2台1.5-T MRI设备上测量肌肉骨骼MRI能耗,比较基线、经济方案与深度学习加速序列及Eco电源模式的效果。结果显示,深度学习使能耗平均降低72%、时间降低71%,经济方案能耗降低31%、时间降低18%,非扫描时段Eco电源模式能耗降低30%。作者建议放射科考虑采用这些节能策略。
要点
- 深度学习加速序列使肌肉骨骼MRI能耗平均降低72%、扫描时间平均降低71%。
- 经济方案使能耗平均降低31%、扫描时间平均降低18%;髋部能耗降低21%未达统计学显著。
- 非扫描时段启用Eco电源模式使能耗降低30%,每台设备每年节省4881欧元(5287美元)。
核心结论
- 经济方案、深度学习加速序列和优化磁体冷却可显著降低MRI能耗,作者建议放射科与诊所考虑采用这些策略以提高能效并降低成本。
研究设计与样本
- 前瞻性能耗测量研究,在德国慕尼黑两家私立诊所的2台1.5-T MRI设备(Siemens Aera与Sola)上进行,测量时间为2022年12月6日至2023年3月20日。
- 共完成2252例(Aera)/3214例(Sola)肌肉骨骼检查,其中262例(Aera)/372例(Sola)采用经济方案扫描,186例(Sola)采用深度学习方案扫描。
- 使用Janitza UMG 512电能质量分析仪以20 kHz采样率无创测量主电源线路电压、电流、有效功率与无功功率,按10分钟间隔分析。
- 能耗测量包括MRI扫描仪、磁体冷却和重建服务器运行,不包括外部冷却组件(冷水机)。
- 统计采用Wilcoxon符号秩检验,显著性水平α=0.05,Bonferroni校正。
关键影像表现/征象
- 读者(S.A.、J.H.、S.G.、M.N.)未报告加速采集(经济方案、深度学习)与常规临床基线之间可观察到的相关图像质量差异。
- 图4示例脊柱T2 TSE标准序列采集时间2:24 min,深度学习重建序列采集时间1:13 min。
- 图5示例髋/膝/肩T2 TSE基线采集时间分别为3:21 min/3:08 min/3:01 min,经济方案为2:42 min/2:11 min/2:08 min,深度学习为1:26 min/0:59 min/1:04 min。
诊断标准与关键数值
- 经济方案扫描时间较基线降低:髋34%(235 s,p<0.001)、膝32%(148 s,p<0.001)、脊柱11%(57 s,p<0.01)、肩25%(146 s,p<0.01)。
- 深度学习方案扫描时间较基线降低:髋81%(467 s,p<0.001)、膝66%(268 s,p<0.001)、脊柱49%(218 s,p<0.001)、肩77%(367 s,p<0.001)。
- 深度学习方案扫描时间较经济方案降低:髋50%(232 s,p<0.001)、膝36%(120 s,p<0.001)、脊柱38%(161 s,p<0.001)、肩55%(221 s,p<0.001)。
- 经济方案能耗较基线降低:髋21%(1.9 kWh,p=0.31)、膝48%(4.0 kWh,p<0.001)、脊柱22%(2.3 kWh,p<0.01)、肩28%(2.9 kWh,p<0.01)。
- 深度学习方案能耗较基线降低:髋69%(5.2 kWh,p<0.001)、膝89%(6.3 kWh,p<0.001)、脊柱66%(5.8 kWh,p<0.001)、肩76%(6.5 kWh,p<0.001);较经济方案额外降低:髋50%(3.3 kWh,p<0.001)、膝45%(2.3 kWh,p<0.001)、脊柱46%(3.5 kWh,p<0.001)、肩51%(3.6 kWh,p<0.001)。
临床应用与阅片要点
- 作者建议放射科与诊所考虑采用经济方案、深度学习加速序列采集和优化磁体冷却以提高能效并降低成本。
- 按每年250个工作日、每日运行8–12 h、115天不运行、0.5 €/kWh计算,应用深度学习方案每台设备每年可节省7032欧元(7617美元)或5422 kg CO2。
- 非扫描时段启用Eco电源模式每台设备每年节省4881欧元(5287美元);与深度学习方案联合每年每台设备可节省11,913欧元(12,904美元)。
局限性
- 并非所有节能选项在所有扫描仪上可用,无法进行现场比较,且所研究的解决方案为厂商特定方案。
- 测量仅按10分钟间隔进行,导致能耗读数为平均值并对实际序列起止时间做线性插值。
- 分析未针对单个短方案步骤,而是针对完成的可比时长的检查。
- 能源成本在不同国家及同一国家不同时间可能显著变化,可能影响成本节省结果的可推广性。
- 研究结果主要适用于门诊放射科诊所;在MRI设备连续运行(24/7)的场景如住院环境中,效益主要来自使用深度学习加速序列采集。
全文中译10 节 · 点击展开
引言
欧元区的能源成本经历了前所未有的激增,2020年12月至2021年12月期间价格上涨了一倍以上[1]。欧洲不断上涨的能源价格使放射科和放射实践成为关注焦点。放射科至少占医院总能耗的4.2%,同时也是温室气体排放的重要来源[2–7]。随着磁共振成像(MRI)和计算机断层扫描(CT)扫描仪等医疗设备需求的增长,其能耗已成为放射科和放射实践亟待关注的问题。这些设备是此类设施中的主要能耗设备,其高效使用已成为重中之重。在放射科内,每台MRI扫描仪平均每年消耗超过100 MWh,高于任何其他设备[8, 9]。近期多项研究调查了放射科的能耗情况,并强调了旨在提高MRI扫描仪能效的举措[9–14]。
原则上,缩短采集时间,即缩短扫描仪运行时间,将直接导致能耗降低。然而,应保持相同的诊断能力。因此,优化协议、实施新的待机模式以及整合深度学习(DL)序列是降低能耗的潜在解决方案。由于冷头冷却系统持续运行(以保持磁体的超导状态),MRI扫描仪在系统关机状态下消耗其年度总能耗的31%至38%[9]。考察MRI的各个组件可以发现,磁体冷却和梯度是能耗的主要驱动因素。根据Siemens Healthineers的数据表并结合实际测量,仅磁体冷却就占总能耗的约42%[15]。因此,优化冷却系统和减少梯度的活跃阶段对于降低MRI整体能耗至关重要。通过DL加速MRI采集的新进展显示出令人鼓舞的结果。DL有助于克服采集时间、信噪比以及空间和时间分辨率方面的权衡。在MR图像重建中,DL方法受益于大量欠采样(即亚奈奎斯特采样)或含噪数据来重建高保真图像。DL算法因此要么对欠采样原始数据(即从快速扫描获取的数据)进行操作和整合以重建高质量输出,要么在图像域中运行以对图像进行去噪,可即时处理或整合到迭代重建算法中[16–18]。这些DL加速采集可以在扫描质量和采集时间之间取得平衡。事实上,它们在不影响图像质量的情况下缩短了特定MRI序列的采集时间[19–28]。
本研究旨在调查MRI扫描仪的能耗情况,并确定提高放射科和放射实践能效的策略,包括协议优化、整合DL加速采集以及冷却系统优化。
材料与方法
对两台1.5-T MRI扫描仪(Siemens Aera和Sola,Siemens Healthineers)总能耗的前瞻性测量旨在计算年度使用量。我们旨在通过供应商提供的各种措施(经济协议和节能模式(EPM))以及新型DL加速采集来降低能耗。因此可以区分以下两种节能模式:“经济”(协议)模式,采用缩短的扫描协议;“DL”模式,采用DL加速序列。我们将研究重点放在肌肉骨骼MRI上。工作流程如图1所示。
能耗测量
测量于2022年12月6日至2023年3月20日期间在德国慕尼黑大都市区的两家注册私人诊所进行,每家诊所配备一台MRI扫描仪:A站点为1.5-T MRI(Magnetom Aera,Siemens Healthineers,软件版本VA30),B站点为1.5-T MRI(Magnetom Sola,软件版本VA50A,Siemens Healthineers)。诊所的正常运营时间平均为每天8至12小时。在四个月期间,共进行了2252例(Aera)/3214例(Sola)肌肉骨骼检查,其中262例(Aera)/372例(Sola)使用经济协议(详见下文)进行扫描,并进行了186例(Sola)DL检查。协议决定根据可用扫描时间、患者配合度和知情同意情况逐例做出。
在四个月期间,使用Janitza公司的UMG 512电能质量分析仪以非侵入方式测量功耗。在通往MR扫描仪的主电源线上,以20 kHz采样率分三相测量电压[V]、电流[A]、有效功率[W]和无功功率[VAR],并记录时间戳。时间通过网络时间协议服务器与MR扫描仪同步。随后以10分钟间隔对测量数据进行分析。测得的能耗(功耗对时间的积分[Wh])包括MR扫描仪运行、磁体冷却和重建服务器,但不包括外部冷却组件(冷水机组)。
在协议层面实施并研究了两个层级的能量削减措施。首先,将所谓的经济型协议和第二类深度学习(DL)加速序列与基线(即无能量削减措施)进行比较。经济型协议在两种所研究的MRI扫描仪(1.5-T Aera和1.5-T Sola)上均可使用,而DL加速序列仅在1.5-T Sola扫描仪上可用。经济型协议包括缩短的序列协议树,成像分辨率略低,并行成像加速因子增加(常规成像加速)。在两种扫描仪中,磁体冷却的能耗占能量的主要份额。通过在下机时段关闭氦泵并根据温度和压力值重新激活,对其进行了进一步优化。该措施称为EPM,独立于其他技术实施,旨在进一步降低功率。DL加速序列(DeepResolve,Siemens Healthineers)在可用处替代了常规序列,使常规并行成像亚奈奎斯特采样的加速因子更高,即产生更短的扫描时间。受较强混叠伪影影响的图像(与经济模式或基线相比)由供应商提供的名为DeepResolve Boost的DL重建网络在扫描仪的重建服务器上重建(能耗计入测量)[29]。虽然DL加速序列的计算重建需求与经济模式或基线相比增加,但更短的采集时间以及由此减少的射频脉冲和梯度播放所带来的能耗降低,预期可补偿这一增加,图1。
对髋关节、膝关节、脊柱和肩关节进行了肌肉骨骼MRI。在这些解剖区域的常规程序树中执行了以下协议。髋关节:定位像、T1冠状位、质子密度脂肪饱和冠状位、横断位和矢状位;膝关节:定位像、T1矢状位、质子密度脂肪饱和矢状位、横断位和冠状位;肩关节:定位像、T2矢状位、T1矢状位、T2脂肪饱和冠状位(DL:短tau反转恢复冠状位)和T2横断位;脊柱:定位像、质子密度脂肪饱和横断位、T1矢状位、T2脂肪饱和矢状位和质子密度脂肪饱和冠状位。髋关节、膝关节、脊柱和肩关节的选定成像参数见表1–4。所有图像均由经验丰富的阅片者(S.A.、J.H.、S.G.和M.N.)检查。
除测量能耗外,MR扫描仪上的所有活动均由供应商提供的平台(Siemens Fleet Cockpit)记录和分析。记录的活动包括时间戳和协议、患者检查的开始和结束时间、序列、测量的开始和结束时间,以及某些用户行为,如检查床控制操作。能耗测量使用时间戳与MR扫描仪活动日志进行匹配。因此,能量测量被分割为扫描仪的不同状态:活跃测量、空闲时间和系统关机时间。
统计分析
统计分析在R(版本4.2.3)和Python(版本3.9)中进行。我们评估了不同能量优化方案(基线、经济模式和DL)的序列扫描时间和能耗的平均值、中位数和标准差,包括优化磁体冷却。根据放射科执业机构的开放和关闭时间进行了额外筛选。离群值定义为大于/小于四分位距的1.5倍。统计显著性采用Wilcoxon符号秩检验,零假设显著性水平为ɑ = 0.05,并进行Bonferroni校正。对于计算的成本节省,我们假设能源价格为0.50 €/kWh [30],这是德国在研究时间段内的平均能源价格。
结果
扫描时间测量
在其他因素中,扫描时间的减少对节能有显著贡献,尽管若干其他变量(序列、应用、目标身体区域……) also影响总消耗能量。图2描绘了所提出的节能模式与未修改基线相比在各身体区域节省的测量时间。完整方案的记录扫描时间平均值±标准差在表5中报告了基线、经济模式和DL的结果。平均而言,与基线相比,节能经济方案使扫描时间减少34%(髋部;235 s,p < 0.001)、32%(膝关节;148 s,p < 0.001)、11%(脊柱;57 s,p < 0.01)和25%(肩关节;146 s,p < 0.01)。DL方案则使扫描时间较基线平均减少81%(髋部;467 s,p < 0.001)、66%(膝关节;268 s,p < 0.001)、49%(脊柱;218 s,p < 0.001)和77%(肩关节;367 s,p < 0.001),较经济方案减少50%(髋部;232 s,p < 0.001)、36%(膝关节;120 s,p < 0.001)、38%(脊柱;161 s,p < 0.001)和55%(肩关节;221 s,p < 0.001)。在所有检查的身体区域中,经济模式和DL节能模式的扫描时间均较基线显著减少。对于所有身体区域,DL平均较基线减少71%,经济方案平均较基线减少18%。
能耗测量
每个身体区域的相关能耗如图3所示。完整方案的测量能耗平均值±标准差在表5中报告了基线、经济模式和深度学习(DL)模式的数据。与基线相比,经济方案平均能耗降低为21%(髋部;1.9 kWh,p = 0.31)、48%(膝部;4.0 kWh,p < 0.001)、22%(脊柱;2.3 kWh,p < 0.01)和28%(肩部;2.9 kWh,p < 0.01)。与基线相比,DL方案平均能耗降低为69%(髋部;5.2 kWh,p < 0.001)、89%(膝部;6.3 kWh,p < 0.001)、66%(脊柱;5.8 kWh,p < 0.001)和76%(肩部;6.5 kWh,p < 0.001)。与经济方案相比,DL方案额外降低能耗50%(髋部;3.3 kWh,p < 0.001)、45%(膝部;2.3 kWh,p < 0.001)、46%(脊柱;3.5 kWh,p < 0.001)和51%(肩部;3.6 kWh,p < 0.001)。在所有检查的身体区域中,经济模式(髋部除外)和DL节能模式的能耗较基线均显著降低。对于所有身体区域,DL平均降低能耗72%,经济方案平均降低31%(相较于基线)。考虑到每年250个工作日、平均运行时间8–12 h/天、115天不运行以及0.5 €/kWh,如果应用DL方案,每台扫描仪每年可节省7032 €(7617美元)或5422 kg CO2(德国为385 g CO2/kWh)。
EPM
对于独立EPM的节能分析,已筛选出晚上8:00至早上6:00无操作的夜间时段10分钟时间槽。这反过来得到2868个时间槽。未启用EPM时的待机能耗为1.33 ± 0.01 kWh(最小值:1.32 kWh,最大值:1.34 kWh),启用EPM时为1.02 ± 0.52 kWh(最小值:0.14 kWh,最大值:1.36 kWh)。因此,如果启用EPM,非扫描期间的平均能耗降低30%。这是能耗的显著降低。考虑到每年250个工作日、夜间待机10 h、115天不运行以及0.5 €/kWh,在 investigated site 每台扫描仪每年可节省4881 €(5287美元)。该优化不会牺牲图像采集时间、图像质量,也不会影响扫描仪运行。因此,将EPM与DL方案结合可使每台扫描仪每年成本降低11,913 €(12,904美元)。
日志文件还记录了MR扫描仪随时间变化的氦水平。EPM在值班和非值班周期之间开启/关闭氦泵,并未导致氦随时间任何损失。记录到氦水平恒定,并且只要温度和压力测量需要,氦泵总是自动切换开启。由此实现了优化的冷却循环。
定性图像质量
代表性图像示例展示于图4和图5中,显示加速采集(经济型、深度学习)与传统临床基线之间具有相当的图像质量,但采集时间缩短。阅片者(S.A.、J.H.、S.G.和M.N.)未报告观察到相关图像质量差异。
讨论
我们的研究能够对MRI扫描仪能耗进行全面评估,并证明应用某些技术可有助于显著节省能源。通过优化协议设置和引入深度学习,能耗最多降低56%,成像时间最多缩短55%。此外,在空闲时间使用EPM节省了30%的能源成本。
Heye等人揭示,MRI扫描仪消耗了大量能源。他们发现,2015年3台CT和4台MRI扫描仪的总能耗合计为614,825 kWh,而辅助冷却系统又需要额外492,624 kWh。这些成像设备及其冷却系统的综合能耗占医院年度总能耗的4%。该研究为探索医疗领域潜在的节能措施提供了重要基础。这些措施包括通过改善工作流程效率降低扫描仪能耗、优化冷却系统以及探索节能技术[9]。我们的研究结果凸显了协议优化的力量,仅通过改进协议设置就实现了显著的能耗和时间缩减。例如,在膝关节成像中,仅此策略(经济型协议)就使能耗降低9%、扫描时间缩短24%。此类节省至关重要,因为它们证明了无需任何额外技术或财务投入即可提升效率的潜力。然而,我们观察到采用DL技术时节能效果更为显著。在膝关节成像中,与基线相比,这种先进方法使能耗降低89%、时间缩短66%。扫描时间缩短与能耗降低之间的强相关性表明,DL技术增加的计算需求被更短的采集时间所抵消。在每年250个工作日、每日运行时间8 h至12 h的情景下,通过这些方法可实现显著的费用节省。使用经济功率模式每台扫描仪每年可节省4881 €(5287美元)。若实施DL协议则可实现更大节省,每台扫描仪每年额外减少7032 €(7617美元)或5422 kg CO2。即便是DL方法预期增加的计算需求(以及由此增加的图像重建能耗)也被这些较短采集时间在扫描过程中的能耗降低所补偿。这凸显了通过审慎应用这些技术可能获得的效率提升和成本削减策略。
我们承认本研究存在若干局限性。首先,并非所有节能方案在所有扫描仪上均可使用,因此无法对各方案的效果进行现场比较,且所研究的解决方案具有厂商特异性。然而,相对节能效果在不同站点具有可重复性,因此我们预计对结果不会产生偏倚影响。未来研究将在现场和扫描仪上对不同节能方法进行比较。此外,未来研究将覆盖更多身体部位和更大规模的扫描仪群体,涵盖医院和实践环境,以捕捉常规检查中更多的多样性。其次,测量仅在10分钟间隔内进行,导致能耗读数为平均值,并通过线性插值推算至成像序列的实际开始或结束时间。虽然这可能对能耗的细粒度分析产生影响,但对整体全局评估的影响较小。从统计学角度看,在四个月的时间跨度内,这些插值偏移可忽略不计。第三,分析并非基于单个短方案步骤,而是基于持续时间可比的完整检查。第四,必须注意能源成本在不同国家之间乃至同一国家内随时间可能显著变化。这种差异可能影响我们节能成本结论的普适性,因为一个地区的节能效果可能因能源价格不同而无法转化为另一地区类似的财务节省。第五,我们的研究结果主要适用于门诊放射学实践。在MRI设备连续运行(24/7)的场景中,如住院环境中,获益将主要来源于使用深度学习(DL)加速序列采集,因为通过设备关机或减少夜间运行时间来节能的机会不存在。研究场景的这一差异可能影响我们的结果在不同临床环境中的适用性。第六,尽管MR扫描仪制造过程中的能耗超过年度运行能耗,但我们认为本研究强调的获益(缩短扫描时间或延长运行时间以增加每台扫描仪的检查数量)具有激励作用,并将有助于推动医学影像领域关于效率和可持续性的更广泛讨论。
结论
我们的研究结果表明,经济型方案、深度学习(DL)加速序列采集和优化磁体冷却可有效提高放射科和实践中的能源效率。采用这些策略可优化能耗、降低成本并减少医疗相关的环境足迹。我们的研究为医疗领域中其他高能耗设备的类似未来研究提供了路线图。为进行更深入的时间分析,未来研究将指向更高时间分辨率的能耗测量,这将进一步揭示单个扫描步骤及这些步骤内不同参数设置的能耗行为。
引用
- Afat S, Wohlers J, Herrmann J, et al. Reducing energy consumption in musculoskeletal MRI using shorter scan protocols, optimized magnet cooling patterns, and deep learning sequences. Eur Radiol. 2024. PMID: 39242400. doi:10.1007/s00330-024-11056-0
- 全文:PMC11914325(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11914325/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。