CN109300168A - 单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法 - Google Patents
单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法 Download PDFInfo
- Publication number
- CN109300168A CN109300168A CN201810890223.8A CN201810890223A CN109300168A CN 109300168 A CN109300168 A CN 109300168A CN 201810890223 A CN201810890223 A CN 201810890223A CN 109300168 A CN109300168 A CN 109300168A
- Authority
- CN
- China
- Prior art keywords
- brain
- data
- module
- image
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
Abstract
本发明属于医疗技术领域,公开了一种单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法,信息收集处理系统包括:图像采集模块、脑电波采集模块、主控模块、弛豫值测量模块、数据映射模块、数据存储模块、显示模块。本发明通过图像数据处理模块大大缩短了T1图像采集时间,因而不易引起用户不适,减少采集图像中的运动伪影;同时通过数据映射模块将用户大脑的MRI或CT用作针对映射的解剖模型。一旦MRI数据已被汇编,那么通过知道用户脑部的确切位置和方位以及每个TMS脉冲,就可以将用户脑电波数据图像准确地映射到解剖模型;降低风险。
Description
技术领域
本发明属于医疗技术领域,尤其涉及一种单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法。
背景技术
目前,业内常用的现有技术是这样的:
脑和脊髓外面有三层包膜:硬脑(脊)膜、蛛网膜、软脑(脊)膜是对脑脊髓组织起保护作用的。蛛网膜是一层半透明的膜,处于硬脑(脊)膜和软脑 (脊)膜之间。蛛网膜的外面是硬膜下腔,里面是蛛网膜下腔,这两个腔都是临床上很重要的腔隙。蛛网膜跨越脑,被覆于脑的表面,与软脑膜之间有较大的间隙,称为网膜下腔,腔内充满脑脊液。在一定部位,蛛网膜下腔扩展并加深,成为蛛网膜下池。其中最大的是小脑延髓池,它通过正中孔和前侧孔与第四脑室相通:桥池位于脑桥腹侧:脚间池位于脚间凹;交叉池位于视交叉前方。然而,T1值是磁共振成像(MRI)过程中纵向磁化矢量弛豫时间常数,是脑电波数据的固有属性。传统的T1值定量估计非常耗时,T1图像采集过程消耗大量时间,极易引起用户不适且采集图像易产生运动伪影;同时现有外科医生通常使用光学显微镜和/或专用成像装置来察看大脑;长期以来都非常需要以高精度和及时的方式将局部脑功能显示给外科医生,精确的方法需要在操作开始时花大量的时间,这给用户增加了风险。反过来,在操作期间需要较少时间来设定的方法不够准确,也会带来相应的风险。
综上所述,现有技术存在的问题是:
传统的T1值定量估计非常耗时,T1图像采集过程消耗大量时间,极易引起用户不适且采集图像易产生运动伪影;同时现有外科医生通常使用光学显微镜和/或专用成像装置来察看大脑;长期以来都非常需要以高精度和及时的方式将局部脑功能显示给外科医生,精确的方法需要在操作开始时花大量的时间,这给用户增加了风险。反过来,在操作期间需要较少时间来设定的方法不够准确,也会带来相应的风险。
现有技术的图像采集获得数据失真度大。
现有技术中,成像由于生物样品未经透明化处理,因此存在光子散射问题。常规的成像算法只考虑生物组织对光子的吸收特性,也只能重建光子的吸收系数不能重建光子的散射系数。当进行成像时,散射的影响不可忽略,并且会和光子的吸收特性混合在一起,从而导致传统的成像空间分辨率的降低以及重建结果的不准确。
发明内容
针对现有技术存在的问题,本发明提供了一种单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法。
本发明是这样实现的,一种单次蛛网膜下腔阻滞术中信息收集处理方法,包括:
采集单次蛛网膜图像数据信息;结合采集单次蛛网膜图像影响因素构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型 DBP,产生动态神经网络模型DBP的权值和阈值;具体包括:调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值 tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
其中wkj和w* kj分别为更新前后的权值,ypk为隐含层输出,Δwkj为wkj的改变量;
根据公式得到Δwkj的求解方程:
其中,
根据最小平方和误差原则求解方程得到Δwkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化Δ wkj,更新权值并计算平方和误差E,然后在k∈[1,H]区间选择一个最优的k,使得E最小;
调整神经网络模型BP输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差E的变化率ΔE=0,且 E>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+Δypk)-f-1(ypk),M为自然数,则隐含层输出ypk求解公式为:
其中Δypk为ypk的改变量,则有:
根据最小平方和误差原则求解公式构建的矩阵方程,可以算出:
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式中M取10~20之间的自然数,获得神经网络模型BP的动态平均权值,根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP;
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算采集单次蛛网膜图像预测真实数据;
采集单次蛛网膜下腔阻滞术中脑电波数据信息;重建脑电波数据衰减系数;
采集模块偏移一定角度放置时采集投影数据;重建脑电波数据散射系数;计算脑电波的吸收系数,获得准确脑电波数据图像信息;
重建脑电波数据散射系数包括:
表示Γ-上入射的光子到位置且方向为时所传播的距离,则:
其中为处的辐射度,表示单位立体角内、单位时间内、通过垂直于单位方向矢量的单位面积上的平均功率通量密度,量纲是W/(m2.Sr);K0为引入的光子弹道传播算子,表示脑电波数据在处的总的衰减系数,表示脑电波数据的吸收系数,表示散射系数;
再:
其中K为引入的光子散射传播算子,为归一化的散射相位函数,表示光子从方向v′散射到方向的概率,满足dΩ′表示单位方向矢量v′对应的立体角微元;定义m0=K0gin,则有nn+1=Kmn(n≥0),从而在处的总的辐射率为:
其中mn表示经n次散射到达的辐射度分量;当光子在扩散区域传播时,K 的谱半径ρ(K)值接近1,当光子在弱散射区域传播时,ρ(K)>>1,在此种情况下,当n→∞时,快速收敛;
然后,在输出边界Γ+上描述探测器接收到的数据总量gout,即从而:
其中A是描述光子传输的矩阵,A0、A1和A2分别描述弹道传输、一次散射传输和多次散射传输部分,定义g0=A0gin,g1=A1gin分别表示测量数值中的弹道传输分量和一次散射分量,则知:
入射光方向为经一次散射后其方向为则上式中关于的积分仅在一特定角度上有值,取系数k的取值由相位函数确定,同时定义 分别表示光子发生散射后和散射前的衰减量,则有:
通过弛豫值测量方法测量大脑纵向弛豫值数据信息;
将用户脑电波数据图像准确地映射到解剖模型;
对采集的数据信息进行存储;并显示采集的图像及脑电波数据信息。
进一步,产生神经网络模型BP初始权值的方法为:
将权值初始化为[a,b]之间的随机数,其中a,b为满足以下方程的整数:
其中H为网络隐含层节点数。
进一步,重建脑电波数据衰减系数包括:
在成像中采用空间均匀分布的平行光对术中待处理部位gin进行照射,通过采集模块集成的摄像结构采集无样品遮挡的照射光测得入射光强度;对左右两边同除以gin并取负对数,则:
采集到360度的测量数据G0后,采用精确高效的滤波反投影重建算法实现逆Radon变换即计算出衰减系数,即μt=FBP(G0)。
进一步,弛豫值测量方法包括:
首先,施加IR射频脉冲至预设数量的层,使得所述预设数量的层内的磁化矢量翻转180度,所述层是指对大脑进行磁共振扫描形成的成像层;
然后,对所述预设数量的层内的磁化矢量恢复曲线采用交错采集模式采集 T1图像,所述采用交错采集模式采集T1图像过程中采用了并行成像和部分傅里叶变换加速技术;
对所述预设数量的层内的磁化矢量恢复曲线采用交错采集模式采集T1图像的步骤,包括:
在第一个重复时间内,施加预设的小角度射频脉冲,通过梯度场选中预设数量的层中的第一层,并将所述第一层内的磁化矢量翻转所述小角度;
通过梯度线圈在相位方向发射的梯度场对所述翻转小角度的磁化矢量进行相位编码;
通过所述梯度线圈在读出方向发射的梯度场对所述磁化矢量进行频率编码;
通过模拟数字转换器进行数据采集得到所述第一层的T1图像;
重复执行上述步骤,直至采集完成所述预设数量的层中的每一层的T1图像。
进一步,数据映射模方法包括:
(1)获得大脑的实时图像;
(2)获得脑电波数据图像映射,包括大脑的解剖模型和与大脑有关的NBS 功能数据;
(3)从大脑的实时图像中识别大脑的至少一个解剖标志;
(4)识别大脑的解剖模型上的所识别出的解剖标志中的至少一个;
(5)修改功能映射,使得模型中的所识别的至少一个解剖标志在尺寸和方位上对应于大脑的实时图像中的相应的至少一个解剖标志;
(6)根据相应的对准的解剖标志将至少所述NBS功能数据以数字方式重叠在所述大脑的实时图像上。
本发明另一目的在于提供一种实现所述单次蛛网膜下腔阻滞术中信息收集处理的计算机程序。
本发明另一目的在于提供一种实现所述单次蛛网膜下腔阻滞术中信息收集处理方法的计算机。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的单次蛛网膜下腔阻滞术中信息收集处理方法。
本发明另一目的在于提供一种实现所述单次蛛网膜下腔阻滞术中信息收集处理方法的单次蛛网膜下腔阻滞术中信息收集处理系统,所述单次蛛网膜下腔阻滞术中信息收集处理系统包括:
图像采集模块,与主控模块连接,用于采集单次蛛网膜图像数据信息;
脑电波采集模块,与主控模块连接,用于采集单次蛛网膜下腔阻滞术中脑电波数据信息;
主控模块,与图像采集模块、脑电波采集模块、弛豫值测量模块、数据映射模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
弛豫值测量模块,与主控模块连接,用于测量大脑纵向弛豫值数据信息;
数据映射模块,与主控模块连接,用于将用户脑电波数据图像准确地映射到解剖模型;
数据存储模块,与主控模块连接,用于对采集的数据信息进行存储;
显示模块,与主控模块连接,用于通过显示器显示采集的图像及脑电波数据信息。
本发明另一目的在于提供一种搭载所述单次蛛网膜下腔阻滞术中信息收集处理系统的单次蛛网膜下腔阻滞术中信息收集处理设备。
本发明的优点及积极效果为:
本发明通过图像数据处理模块能够将识别为有异常信号的蛛网膜下腔位置显示出来,供医务人员参考,为医务人员的诊断提供精确的资料,以辅助对蛛网膜下腔出血进行准确判定,能够降低蛛网膜下腔出血的误诊/本发明提供的弛豫值测量模块由于交错采集模式采集T1图像过程中采用了并行成像和部分傅里叶变换加速技术,只需在一次IR激励内即可完成一幅图谱所需的所有数据的采集,大大缩短了T1图像采集时间,因而不易引起用户不适,减少采集图像中的运动伪影;同时通过数据映射模块将用户大脑的MRI或CT用作针对映射的解剖模型。一旦MRI数据已被汇编,那么通过知道用户脑部的确切位置和方位以及每个TMS脉冲,就可以将用户脑电波数据图像准确地映射到解剖模型;降低风险。
本发明通过采集单次蛛网膜图像数据信息;结合采集单次蛛网膜图像影响因素构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型 DBP,产生动态神经网络模型DBP的权值和阈值;具体包括:调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值 tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
本发明图像采集获得数据失真度小、清晰度高。
本发明针对成像存在弱散射的问题,结合OPT成像数据采集的自身特点,构建相应的数学模型,并通过额外测量一组与入射光保持一定倾斜角度的数据的方法,对弹道传输分量和一次散射传输分量进行分离,进而实现生物组织吸收系数和散射系数的三维重建,从而既可以有效解决OPT成像存在的散射问题;提高了OPT成像质量,同时更丰富了OPT技术提供的信息量,使得OPT技术可以从吸收系数和散射系数两个角度描述生物的组织结构特性。
附图说明
图1是本发明实施提供的单次蛛网膜下腔阻滞术中信息收集处理方法流程图。
图2是本发明实施提供的单次蛛网膜下腔阻滞术中信息收集处理系统结构框图。
图中:1、图像采集模块;2、参数配置模块;3、中央控制模块;4、图像数据处理模块;5、麻醉模块;6、定位模块;7、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明提供的一种单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法包括以下步骤:
S101,通过图像采集模块采集单次蛛网膜图像数据信息;
S102,通过脑电波采集模块采集单次蛛网膜下腔阻滞术中脑电波数据信息;
S103,主控模块通过弛豫值测量模块测量大脑纵向弛豫值数据信息;
S104,通过数据映射模块将用户脑电波数据图像准确地映射到解剖模型;
S105,通过数据存储模块对采集的数据信息进行存储;并通过显示模块显示采集的图像及脑电波数据信息。
如图2所示,本发明提供的单次蛛网膜下腔阻滞术中信息收集处理系统包括:图像采集模块1、脑电波采集模块2、主控模块3、弛豫值测量模块4、数据映射模块5、数据存储模块6、显示模块7。
图像采集模块1,与主控模块3连接,用于采集单次蛛网膜图像数据信息;
脑电波采集模块2,与主控模块3连接,用于采集单次蛛网膜下腔阻滞术中脑电波数据信息;
主控模块3,与图像采集模块1、脑电波采集模块2、弛豫值测量模块4、数据映射模块5、数据存储模块6、显示模块7连接,用于控制各个模块正常工作;
弛豫值测量模块4,与主控模块3连接,用于测量大脑纵向弛豫值数据信息;
数据映射模块5,与主控模块3连接,用于将用户脑电波数据图像准确地映射到解剖模型;
数据存储模块6,与主控模块3连接,用于对采集的数据信息进行存储;
显示模块7,与主控模块3连接,用于通过显示器显示采集的图像及脑电波数据信息。
本发明提供的弛豫值测量模块4测量方法如下:
首先,施加IR射频脉冲至预设数量的层,使得所述预设数量的层内的磁化矢量翻转180度,所述层是指对大脑进行磁共振扫描形成的成像层;
然后,对所述预设数量的层内的磁化矢量恢复曲线采用交错采集模式采集 T1图像,所述采用交错采集模式采集T1图像过程中采用了并行成像和部分傅里叶变换加速技术。
本发明提供的对所述预设数量的层内的磁化矢量恢复曲线采用交错采集模式采集T1图像的步骤,包括:
在第一个重复时间内,施加预设的小角度射频脉冲,通过梯度场选中预设数量的层中的第一层,并将所述第一层内的磁化矢量翻转所述小角度;
通过梯度线圈在相位方向发射的梯度场对所述翻转小角度的磁化矢量进行相位编码;
通过所述梯度线圈在读出方向发射的梯度场对所述磁化矢量进行频率编码;
通过模拟数字转换器进行数据采集得到所述第一层的T1图像;
重复执行上述步骤,直至采集完成所述预设数量的层中的每一层的T1图像。
本发明提供的数据映射模块5映射方法如下:
(1)获得大脑的实时图像;
(2)获得脑电波数据图像映射,包括大脑的解剖模型和与大脑有关的NBS 功能数据;
(3)从大脑的实时图像中识别大脑的至少一个解剖标志;
(4)识别大脑的解剖模型上的所识别出的解剖标志中的至少一个;
(5)修改功能映射,使得模型中的所识别的至少一个解剖标志在尺寸和方位上对应于大脑的实时图像中的相应的至少一个解剖标志;
(6)根据相应的对准的解剖标志将至少所述NBS功能数据以数字方式重叠在所述大脑的实时图像上。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的单次蛛网膜下腔阻滞术中信息收集处理方法,包括:
采集单次蛛网膜图像数据信息;结合采集单次蛛网膜图像影响因素构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型 DBP,产生动态神经网络模型DBP的权值和阈值;具体包括:调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输比当前输出opj更接近目标值tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
其中wkj和w* kj分别为更新前后的权值,ypk为隐含层输出,Δwkj为wkj的改变量;
根据公式得到Δwkj的求解方程:
其中,
根据最小平方和误差原则求解方程得到Δwkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化Δ wkj,更新权值并计算平方和误差E,然后在k∈[1,H]区间选择一个最优的k,使得E最小;
调整神经网络模型BP输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差E的变化率ΔE=0,且 E>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+Δypk)-f-1(ypk),M为自然数,则隐含层输出ypk求解公式为:
其中Δypk为ypk的改变量,则有:
根据最小平方和误差原则求解公式构建的矩阵方程,可以算出:
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式中M取10~20之间的自然数,获得神经网络模型BP的动态平均权值,根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP;
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算采集单次蛛网膜图像预测真实数据;
采集单次蛛网膜下腔阻滞术中脑电波数据信息;重建脑电波数据衰减系数;
采集模块偏移一定角度放置时采集投影数据;重建脑电波数据散射系数;计算脑电波的吸收系数,获得准确脑电波数据图像信息;
重建脑电波数据散射系数包括:
表示Γ-上入射的光子到位置且方向为时所传播的距离,则:
其中为处的辐射度,表示单位立体角内、单位时间内、通过垂直于单位方向矢量的单位面积上的平均功率通量密度,量纲是W/(m2.Sr);K0为引入的光子弹道传播算子,表示脑电波数据在处的总的衰减系数,表示脑电波数据的吸收系数,表示散射系数;
再:
其中K为引入的光子散射传播算子,为归一化的散射相位函数,表示光子从方向v′散射到方向的概率,满足dΩ′表示单位方向矢量v′对应的立体角微元;定义m0=K0gin,则有nn+1=Kmn(n≥0),从而在处的总的辐射率为:
其中mn表示经n次散射到达的辐射度分量;当光子在扩散区域传播时,K 的谱半径ρ(K)值接近1,当光子在弱散射区域传播时,ρ(K)>>1,在此种情况下,当n→∞时,快速收敛;
然后,在输出边界Γ+上描述探测器接收到的数据总量gout,即从而:
其中A是描述光子传输的矩阵,A0、A1和A2分别描述弹道传输、一次散射传输和多次散射传输部分,定义g0=A0gin,g1=A1gin分别表示测量数值中的弹道传输分量和一次散射分量,则知:
入射光方向为经一次散射后其方向为则上式中关于的积分仅在一特定角度上有值,取系数k的取值由相位函数确定,同时定义 分别表示光子发生散射后和散射前的衰减量,则有:
通过弛豫值测量方法测量大脑纵向弛豫值数据信息;
将用户脑电波数据图像准确地映射到解剖模型;
对采集的数据信息进行存储;并显示采集的图像及脑电波数据信息。
进一步,产生神经网络模型BP初始权值的方法为:
将权值初始化为[a,b]之间的随机数,其中a,b为满足以下方程的整数:
其中H为网络隐含层节点数。
重建脑电波数据衰减系数包括:
在成像中采用空间均匀分布的平行光对术中待处理部位gin进行照射,通过采集模块集成的摄像结构采集无样品遮挡的照射光测得入射光强度;对左右两边同除以gin并取负对数,则:
采集到360度的测量数据G0后,采用精确高效的滤波反投影重建算法实现逆Radon变换即计算出衰减系数,即μt=FBP(G0)。
重复执行上述步骤,直至采集完成所述预设数量的层中的每一层的T1图像。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种单次蛛网膜下腔阻滞术中信息收集处理方法,其特征在于,所述单次蛛网膜下腔阻滞术中信息收集处理方法包括:
采集单次蛛网膜图像数据信息;结合采集单次蛛网膜图像影响因素构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值;具体包括:调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
其中wkj和w* kj分别为更新前后的权值,ypk为隐含层输出,Δwkj为wkj的改变量;
根据公式得到Δwkj的求解方程:
其中,
根据最小平方和误差原则求解方程得到Δwkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化Δwkj,更新权值并计算平方和误差E,然后在k∈[1,H]区间选择一个最优的k,使得E最小;
调整神经网络模型BP输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差E的变化率ΔE=0,且E>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+Δypk)-f-1(ypk),M为自然数,则隐含层输出ypk求解公式为:
其中Δypk为ypk的改变量,则有:
根据最小平方和误差原则求解公式构建的矩阵方程,可以算出:
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式中M取10~20之间的自然数,获得神经网络模型BP的动态平均权值,根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP;
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算采集单次蛛网膜图像预测真实数据;
采集单次蛛网膜下腔阻滞术中脑电波数据信息;重建脑电波数据衰减系数;
采集模块偏移一定角度放置时采集投影数据;重建脑电波数据散射系数;计算脑电波的吸收系数,获得准确脑电波数据图像信息;
重建脑电波数据散射系数包括:
表示Γ-上入射的光子到位置且方向为时所传播的距离,则:
其中为处的辐射度,表示单位立体角内、单位时间内、通过垂直于单位方向矢量的单位面积上的平均功率通量密度,量纲是W/(m2.Sr);K0为引入的光子弹道传播算子,表示脑电波数据在处的总的衰减系数,表示脑电波数据的吸收系数,表示散射系数;
再:
其中K为引入的光子散射传播算子,为归一化的散射相位函数,表示光子从方向v′散射到方向的概率,满足dΩ′表示单位方向矢量v′对应的立体角微元;定义m0=K0gin,则有nn+1=Kmn(n≥0),从而在处的总的辐射率为:
其中mn表示经n次散射到达的辐射度分量;当光子在扩散区域传播时,K的谱半径ρ(K)值接近1,当光子在弱散射区域传播时,ρ(K)>>1,在此种情况下,当n→∞时,快速收敛;
然后,在输出边界Γ+上描述探测器接收到的数据总量gout,即从而:
其中A是描述光子传输的矩阵,A0、A1和A2分别描述弹道传输、一次散射传输和多次散射传输部分,定义g0=A0gin,g1=A1gin分别表示测量数值中的弹道传输分量和一次散射分量,则知:
入射光方向为经一次散射后其方向为则上式中关于的积分仅在一特定角度上有值,取系数k的取值由相位函数确定,同时定义 分别表示光子发生散射后和散射前的衰减量,则有:
通过弛豫值测量方法测量大脑纵向弛豫值数据信息;
将用户脑电波数据图像准确地映射到解剖模型;
对采集的数据信息进行存储;并显示采集的图像及脑电波数据信息。
2.如权利要求1所述的单次蛛网膜下腔阻滞术中信息收集处理方法,其特征在于,
产生神经网络模型BP初始权值的方法为:
将权值初始化为[a,b]之间的随机数,其中a,b为满足以下方程的整数:
其中H为网络隐含层节点数。
3.如权利要求1所述的单次蛛网膜下腔阻滞术中信息收集处理方法,其特征在于,
重建脑电波数据衰减系数包括:
在成像中采用空间均匀分布的平行光对术中待处理部位gin进行照射,通过采集模块集成的摄像结构采集无样品遮挡的照射光测得入射光强度;对左右两边同除以gin并取负对数,则:
采集到360度的测量数据G0后,采用精确高效的滤波反投影重建算法实现逆Radon变换即计算出衰减系数,即μt=FBP(G0)。
4.如权利要求1所述的单次蛛网膜下腔阻滞术中信息收集处理方法,其特征在于,弛豫值测量方法包括:
首先,施加IR射频脉冲至预设数量的层,使得所述预设数量的层内的磁化矢量翻转180度,所述层是指对大脑进行磁共振扫描形成的成像层;
然后,对所述预设数量的层内的磁化矢量恢复曲线采用交错采集模式采集T1图像,所述采用交错采集模式采集T1图像过程中采用了并行成像和部分傅里叶变换加速技术;
对所述预设数量的层内的磁化矢量恢复曲线采用交错采集模式采集T1图像的步骤,包括:
在第一个重复时间内,施加预设的小角度射频脉冲,通过梯度场选中预设数量的层中的第一层,并将所述第一层内的磁化矢量翻转所述小角度;
通过梯度线圈在相位方向发射的梯度场对所述翻转小角度的磁化矢量进行相位编码;
通过所述梯度线圈在读出方向发射的梯度场对所述磁化矢量进行频率编码;
通过模拟数字转换器进行数据采集得到所述第一层的T1图像;
重复执行上述步骤,直至采集完成所述预设数量的层中的每一层的T1图像。
5.如权利要求1所述的单次蛛网膜下腔阻滞术中信息收集处理方法,其特征在于,数据映射模方法包括:
(1)获得大脑的实时图像;
(2)获得脑电波数据图像映射,包括大脑的解剖模型和与大脑有关的NBS功能数据;
(3)从大脑的实时图像中识别大脑的至少一个解剖标志;
(4)识别大脑的解剖模型上的所识别出的解剖标志中的至少一个;
(5)修改功能映射,使得模型中的所识别的至少一个解剖标志在尺寸和方位上对应于大脑的实时图像中的相应的至少一个解剖标志;
(6)根据相应的对准的解剖标志将至少所述NBS功能数据以数字方式重叠在所述大脑的实时图像上。
6.一种实现权利要求1~5任意一项所述单次蛛网膜下腔阻滞术中信息收集处理方法的计算机程序。
7.一种实现权利要求1~5任意一项所述单次蛛网膜下腔阻滞术中信息收集处理方法的计算机。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的单次蛛网膜下腔阻滞术中信息收集处理方法。
9.一种实现权利要求1所述单次蛛网膜下腔阻滞术中信息收集处理方法的单次蛛网膜下腔阻滞术中信息收集处理系统,其特征在于,所述单次蛛网膜下腔阻滞术中信息收集处理系统包括:
图像采集模块,与主控模块连接,用于采集单次蛛网膜图像数据信息;
脑电波采集模块,与主控模块连接,用于采集单次蛛网膜下腔阻滞术中脑电波数据信息;
主控模块,与图像采集模块、脑电波采集模块、弛豫值测量模块、数据映射模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
弛豫值测量模块,与主控模块连接,用于测量大脑纵向弛豫值数据信息;
数据映射模块,与主控模块连接,用于将用户脑电波数据图像准确地映射到解剖模型;
数据存储模块,与主控模块连接,用于对采集的数据信息进行存储;
显示模块,与主控模块连接,用于通过显示器显示采集的图像及脑电波数据信息。
10.一种搭载权利要求1所述单次蛛网膜下腔阻滞术中信息收集处理系统的单次蛛网膜下腔阻滞术中信息收集处理设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810890223.8A CN109300168A (zh) | 2018-07-30 | 2018-07-30 | 单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810890223.8A CN109300168A (zh) | 2018-07-30 | 2018-07-30 | 单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109300168A true CN109300168A (zh) | 2019-02-01 |
Family
ID=65172477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810890223.8A Pending CN109300168A (zh) | 2018-07-30 | 2018-07-30 | 单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300168A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
CN101912262A (zh) * | 2010-07-22 | 2010-12-15 | 中国科学院深圳先进技术研究院 | 磁共振成像定量参数计算方法及系统 |
CN102100550A (zh) * | 2009-12-21 | 2011-06-22 | 谭建强 | 一种测量蛛网膜下腔神经阻滞麻醉平面的红外热像方法 |
CN103619407A (zh) * | 2011-06-03 | 2014-03-05 | 奈科斯迪姆公司 | 用于在大脑的实时图像上重叠nbs功能数据的方法和系统 |
CN104636479A (zh) * | 2015-02-15 | 2015-05-20 | 西安电子科技大学 | 一种工业大数据驱动的总完工时间预测方法 |
CN105496410A (zh) * | 2014-10-11 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 大脑纵向弛豫值测量方法和装置 |
CN105894562A (zh) * | 2016-04-01 | 2016-08-24 | 西安电子科技大学 | 一种光学投影断层成像中的吸收和散射系数重建方法 |
CN107610195A (zh) * | 2017-07-28 | 2018-01-19 | 上海联影医疗科技有限公司 | 图像转换的系统和方法 |
-
2018
- 2018-07-30 CN CN201810890223.8A patent/CN109300168A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102100550A (zh) * | 2009-12-21 | 2011-06-22 | 谭建强 | 一种测量蛛网膜下腔神经阻滞麻醉平面的红外热像方法 |
CN101912262A (zh) * | 2010-07-22 | 2010-12-15 | 中国科学院深圳先进技术研究院 | 磁共振成像定量参数计算方法及系统 |
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
CN103619407A (zh) * | 2011-06-03 | 2014-03-05 | 奈科斯迪姆公司 | 用于在大脑的实时图像上重叠nbs功能数据的方法和系统 |
CN105496410A (zh) * | 2014-10-11 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 大脑纵向弛豫值测量方法和装置 |
CN104636479A (zh) * | 2015-02-15 | 2015-05-20 | 西安电子科技大学 | 一种工业大数据驱动的总完工时间预测方法 |
CN105894562A (zh) * | 2016-04-01 | 2016-08-24 | 西安电子科技大学 | 一种光学投影断层成像中的吸收和散射系数重建方法 |
CN107610195A (zh) * | 2017-07-28 | 2018-01-19 | 上海联影医疗科技有限公司 | 图像转换的系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035252B (zh) | 一种面向医学图像分割的超像素方法 | |
US9659405B2 (en) | Image processing method and apparatus | |
EP2984629B1 (en) | Layered two-dimensional projection generation and display | |
KR20190101905A (ko) | 양전자방출 단층촬영 시스템 및 그것을 이용한 영상 재구성 방법 | |
JP6688618B2 (ja) | 医用画像処理装置及び医用画像診断装置 | |
US8049752B2 (en) | Systems and methods of determining sampling rates for volume rendering | |
CN101856220B (zh) | 定量光学分子断层成像装置和重建方法 | |
Bai et al. | Z-index parameterization for volumetric CT image reconstruction via 3-D dictionary learning | |
WO2012071682A1 (zh) | 基于特异性的多模态三维光学断层成像系统和方法 | |
CN109490228A (zh) | 一种服务器机柜控制系统及控制方法 | |
CN104103055A (zh) | 自动获取最优输出数据 | |
JP2015533298A (ja) | 人体における放射線量の分布を決定する方法 | |
CN107402070A (zh) | 一种皮肤高光谱图像采集单元及标定方法 | |
CN109223165A (zh) | 一种消融热场温度分布监控方法及装置 | |
Agrawal et al. | Review of segmentation methods for brain tissue with magnetic resonance images | |
CN108601570A (zh) | 断层摄影图像处理设备和方法以及与方法有关的记录介质 | |
CN111080765A (zh) | 一种基于梯度采样的光线跟踪体绘制方法 | |
CN103261878B (zh) | 用于使用x射线分析在对象中的受关注区域的方法和设备 | |
CN109300168A (zh) | 单次蛛网膜下腔阻滞术中信息收集处理系统及其处理方法 | |
CN109916933A (zh) | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 | |
US10957037B2 (en) | Smart imaging using artificial intelligence | |
CN104504656A (zh) | 锥束ct图像域快速散射修正方法 | |
WO2020168054A1 (en) | Multimodality anthropomorhic phantom apparatus | |
JP2000504411A (ja) | 流体が通過するシステムをモニタする装置 | |
CN113951835B (zh) | 一种基于光学断层重建策略的三维荧光显微成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |