CN113077483A - 基于脑组织和深度回归的感应电场分布预测方法及系统 - Google Patents

基于脑组织和深度回归的感应电场分布预测方法及系统 Download PDF

Info

Publication number
CN113077483A
CN113077483A CN202110461318.XA CN202110461318A CN113077483A CN 113077483 A CN113077483 A CN 113077483A CN 202110461318 A CN202110461318 A CN 202110461318A CN 113077483 A CN113077483 A CN 113077483A
Authority
CN
China
Prior art keywords
layer
electric field
model
brain tissue
image
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.)
Granted
Application number
CN202110461318.XA
Other languages
English (en)
Other versions
CN113077483B (zh
Inventor
蒋田仔
马亮
钟刚亮
杨正宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110461318.XA priority Critical patent/CN113077483B/zh
Publication of CN113077483A publication Critical patent/CN113077483A/zh
Application granted granted Critical
Publication of CN113077483B publication Critical patent/CN113077483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于医学图像处理领域，具体涉及了一种基于脑组织和深度回归的感应电场分布预测方法及系统，旨在解决现有技术不能建立任意线圈位姿下的电场预测模型，无法实时进行电场预测以及系统性偏差导致预测结果准确性较低的问题。本发明包括：以3D注意力U‑net模型作为基础架构构建深度学习模型；基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；进行T1MRI图像重采样，并通过基于深度学习的脑组织分割模型进行脑组织结构分割；通过深度回归模型进行实时的感应电场分布预测。本发明可以建立任意线圈位姿下的电场预测模型，并实时预测感应电场分布，预测结果效率高、精度和准确性高，可用于实时性要求较高的场合。

Description

基于脑组织和深度回归的感应电场分布预测方法及系统
技术领域
本发明属于医学图像处理领域，具体涉及了一种基于脑组织和深度回归的感应电场分布预测方法及系统。
背景技术
经颅磁刺激(TMS，Transcranial Magnetic Stimulation)是治疗精神和神经疾病的有效刺激方法之一。然而，个体的解剖结构(皮质回或沟，头骨的厚度)很大程度上影响了个体脑内感应电场的分布，这对准确刺激目标区域构成了障碍[1]。以往的方式是基于Biot-Savart定律的有限元模型(FEM，Finite Element Model)提供脑内感应电场较为准确的仿真模拟，但是模型需要长时间的前处理工作，并且有限元仿真耗费较多时间。虽然能够精细地仿真全脑的电场分布，但这对于TMS疗法中的实时导航系统而言，耗时少与高精度电场预测模型同样重要。
为了加快在神经导航系统中模拟感应电场，现有技术一般分为两种方式。一种是对于物理模型的仿真的简化。通常通过在有限的空间范围内使用简化的计算公式,并且只预测特定的几种线圈(例如Magstim 70mm八字线圈)感应的电场分布[2]，牺牲了一定的准确度。另外一种是建立线圈相关变量与各个脑组织的电场分布之间的统计模型来近似物理模型[3]。统计模型可以通过深度学习加上显存计算的方法来加速。因而可以在保证一定精度的情况下，达到实时的电场预测，通常可以在几秒钟内优化确定目标大脑区域的线圈姿态，并提高了TMS导航系统的效率。但是该类方法还存在两个缺点。首先，该类方法面临维度诅咒(Dimension curse)的问题。例如，基于核的回归方法中，每个体素都需要一个N*N(N是局部影像中的体素数)大小的Gram矩阵。计算消耗和样本量随局部影像中体素数量的增加而成指数级增长。对于随机森林，类似的情况是，子空间分区需要迭代计算高维度协方差矩阵，从而计算每层熵的减少量。另一个缺点是像素到像素方法需要为每个体素依次计算来形成整体的分布结果，并没有提供端到端式的解决方案。
随着深度神经卷积网络在图像分类，语义分割和对象检测领域得到的显著效果，深度回归模型也已成功应用于许多回归任务中，例如头部姿态预测，面部标志检测和图像。基于深度学习的回归模型多数源自经典的网络体系结构(例如LeNet，AlexNet，VGGNet和ResNet)，其性能已超越了最新的许多传统的计算机视觉任务，例如图像分类或对象检测。在深度回归模型中，与分类任务相关中的Softmax层通常被具有线性的全连接层取代。并且分类任务中常用的交叉熵损失函数被连续变量的损失函数替代(如均方误差损失函数)。输入数据已通过堆叠的卷积层进行处理，以适合连续目标值的分布。
U-net架构已经广泛用于医学图像分析。它具有五级编码器-解码器体系结构。编码器利用池化层来减小空间尺寸并同时增加特征丰富度，然后解码器逐渐恢复空间尺寸和重建目标分布。编码器的多尺度特征通过跨层连接传达给解码器。Yokota采用U网络结构，使用个体T1w加权磁共振图像(MRI)通过U-Net网络来学习诱导电场分布[4]，为实时感应电场预测提供了端到端的解决方案。但是，仍然存在系统性的偏差影响模型预测效果。如图1所示，为物理电场仿真和现有基于深度学习电场仿真的误差对比图，该深度学习的模型进行的电场预测具有与组织相关的预测误差分布。具体而言，较高的预测误差位于脑组织的边缘区域，而相对较低的误差位于脑组织的中心。这极大地影响了电场的评估效果，进而影响导航的准确性。一个误差相对均匀电场模型有利于提升导航系统的评估准确性。这个挑战的核心问题是在该统计模型中，缺乏大脑解剖结构先验知识。而大脑解剖结构是物理仿真模型最有影响力的变量，各种大脑组织中不同的电导率会导致电场变化。尽管统计模型可以根据个体的T1w MRI在模型编码器中提取大脑解剖特征，但是大脑解剖结构仍在模型中仍然以一种概率性的隐变量形式存在，缺乏先验监督，这导致了解剖相关的误差分布。
以下文献是与本发明相关的技术背景资料：
[1]Thielscher,A.,A.Opitz,&M.Windhoff,Impact of the gyral geometry onthe electric field induced by transcranial magnetic stimulation.Neuroimage,2011.
[2]Gomez,L.J.,M.Dannhauer,&A.V.Peterchev,Fast computationaloptimization of TMS coil placement for individualized electric fieldtargeting.NeuroImage,2021.
[3]Paffi,A.,Camera,F.,et al.,A Computational Model for Real-TimeCalculation of Electric Field due to Transcranial Magnetic Stimulation inClinics.International Journal of Antennas and Propagation,2015.
[4]Yokota,T.,Maki,T.,et al.,Real-time estimation of electric fieldsinduced by transcranial magnetic stimulation with deep neural networks.BrainStimulation,2019.
发明内容
为了解决现有技术中的上述问题，即现有技术不能建立任意线圈位姿下的电场预测模型，无法实时进行电场预测以及系统性偏差导致预测结果准确性较低的问题，本发明提供了一种基于脑组织和深度回归的感应电场分布预测方法，该方法包括：
步骤S10，以3D注意力U-net模型作为基础架构构建深度学习模型；
步骤S20，基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；
步骤S30，通过线圈刺激后的图像采样网格进行T1 MRI图像重采样，获得重采样T1MRI图像；
步骤S40，通过基于深度学习的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割，获得T1 MRI分割图像；所述基于深度学习的脑组织分割模型，其结构为在所述深度学习模型的末尾增加一个Softmax层；
步骤S50，通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果；所述深度回归模型为输入特征维度为7，输出特征维度为1的深度学习模型。
在一些优选的实施例中，所述深度学习模型包括五层编码器和五层解码器；
所述五层编码器，其第一层编码器包括顺序连接的两个3*3*3卷积层、一个批量归一化层、一个线性整流单元层和一个2*2*1最大池化层；
所述五层编码器，其第二层、第三层、第四层和第五层编码器分别包括顺序连接的两个3*3*3卷积层、一个批量归一化层、一个线性整流单元层和一个2*2*2最大池化层；
所述五层解码器，其第一层解码器包括顺序连接的两个3*3*3卷积层、一个3D注意力模块、一个第一卷积上采样层；所述第一卷积上采样层包括顺序连接的一个3*3*3卷积层、一个2*2*1上采样层、批量归一化层和线性整流单元层；
所述五层解码器，其第二层、第三层、第四层和第五层解码器分别包括顺序连接的两个3*3*3卷积层、一个3D注意力模块、一个第二卷积上采样层；所述第二卷积上采样层包括顺序连接的一个3*3*3卷积层、一个2*2*2上采样层、批量归一化层和线性整流单元层；
其中，第一层编码器的输出作为第五层解码器的输入，第二层编码器的输出作为第四层解码器的输入，第三层编码器的输出作为第三层解码器的输入，第四层编码器的输出作为第二层解码器的输入，第五层编码器的输出作为第一层解码器的输入。
在一些优选的实施例中，所述3D注意力模块，其在所述深度学习模型中的特征图处理方法为：
分别通过3*3*3卷积层、批归一化层进行同层编码器特征图和高层特征图的卷积和批归一化；
将卷积和批归一化的特征图相加，与所述同层编码器特征图进行相乘，获得3D注意力同层编码器特征图。
在一些优选的实施例中，步骤S20包括：
步骤S21，将线圈位置(x,y,z)放置在网格顶层XY平面的中心，获取线圈的旋转角θ；所述XY平面为大脑头皮中选定线圈位置的切线平面，X轴正方向为线圈方向，Z轴正方向为切线平面法向量的负方向，Y轴正方向为X轴正方向与Z轴正方向的叉乘方向；
步骤S22，将线圈刺激前的图像采样网格中的坐标记作(X,Y,Z)，获得线圈刺激后的图像采样网格中的坐标
Figure BDA0003042490770000051
Figure BDA0003042490770000052
其中，I为1的行向量，A为从切线平面法向量方向和旋转方向导出的旋转矩阵；
步骤S23，遍历图像采样网格的每个坐标位置，获得线圈刺激后的图像采样网格。
在一些优选的实施例中，所述基于深度学习的脑组织分割模型，其训练中采用Focal损失函数；所述Focal损失函数为：
Lossseg(pt)＝-αt(1-pt)γlog(pt)
Figure BDA0003042490770000061
其中，Lossseg(pt)代表概率为pt时的Focal损失，ya和pa分别为每个体素的对应解剖标签的one-hot编码和模型预测对应类别的概率，αt和γ分别为体素导向的类别权重和聚集参数。
在一些优选的实施例中，步骤S50中通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，其表示为：
Figure BDA0003042490770000062
其中，
Figure BDA0003042490770000063
为深度回归模型输出的感应电场分布预测结果，f(Θ)代表深度回归模型，p,t,a分别为深度回归模型中的坐标参数变量、个体结构影像变量和个体脑组织结构变量，p0为设定情况下的坐标参数变量。
在一些优选的实施例中，为使感应电场分布预测结果
Figure BDA0003042490770000064
与物理模型模拟效果E趋于一致，所述深度回归模型的目标函数为：
Figure BDA0003042490770000065
其中，
Figure BDA0003042490770000066
代表深度回归模型的目标函数，D为(t,a,p)的参数域，‖·‖2代表2范数。
在一些优选的实施例中，所述深度回归模型，其训练中采用均方误差损失函数；所述均方误差损失函数为：
Figure BDA0003042490770000067
其中，
Figure BDA0003042490770000068
代表感应电场分布预测结果
Figure BDA0003042490770000069
与物理模型模拟效果E之间的均方误差损失。
在一些优选的实施例中，所述方法还可以通过基于SPM的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割。
本发明的另一方面，提出了一种基于脑组织和深度回归的感应电场分布预测系统，该系统包括以下模块：
模型构建模块，配置为以3D注意力U-net模型作为基础架构构建深度学习模型；
网格刺激对应模块，配置为基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；
重采样模块，配置为通过线圈刺激后的图像采样网格进行T1MRI图像进行重采样，获得重采样T1 MRI图像；
脑组织结构分割模块，配置为通过基于深度学习的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割，获得T1 MRI分割图像；所述基于深度学习的脑组织分割模型，其结构为在所述深度学习模型的末尾增加一个Softmax层；
预测模块，配置为通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果；所述深度回归模型为输入特征维度为7，输出特征维度为1的深度学习模型。
本发明的有益效果：
(1)本发明基于脑组织和深度回归的感应电场分布预测方法，仅利用个体T1wMRI，实现在线圈刺激位置局部范围内个体化的电场分布预测，该方法借鉴传统的基于有限元方法的物理仿真的流程，采用两步走的预测方式：首先通过T1w MRI得到个体脑组织结构，然后以个体脑组织结构作为中间变量，通过深度回归模型得到个体感应局部电场的仿真结果；然后，深度回归模型以传统物理模型仿真出的电场为目标，通过5层的特征提取器和多尺度的空间注意机制来编码脑结构信息，同时以5层的解码器输出仿真电场，使用训练好的脑分割和深度回归模型，可以在所选区域直接利用个体的T1w MRI来实现任意线圈位姿下产生的局部感应电场的分布预测。
(2)本发明基于脑组织和深度回归的感应电场分布预测方法，个体脑组织结构除了可以通过头模型Headreco流程预先进行脑分割，还可以通过已训练的深度学习脑分割模型进行实时分割，大大提高了脑组织结构分割的效率，从而实现了任意线圈位姿下产生的局部感应电场分布的实时预测。
(3)本发明基于脑组织和深度回归的感应电场分布预测方法，基于Headreco流程的脑组织分割结果得到的经颅磁刺激的感生电场分布，和传统的有限元仿真结果比较，取得了0.996的相关系数，37.51的峰值信噪比和6.81％的相对误差；基于深度学习的脑分割结果得到的电场分布和传统的有限元仿真结果比较，取得了0.982的相关系数，32.20的峰值信噪比和7.75％的相对误差；两者都减少了与脑组织形态有关的误差分布，同时与基于有限元的物理仿真在时间上相比，从30s一次减少到0.02和0.04s一次，在保证预测结果准确性与精度的前提下大大提升了预测效率，可以应用到实时性要求较高的场合。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是物理电场仿真和现有基于深度学习电场仿真的误差对比图；
图2是本发明基于脑组织和深度回归的感应电场分布预测方法的流程和深度回归模型结构示意图；
图3是本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的格点网格以及位置变化示意图；
图4是本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的线圈位置及头模型示意图；
图5是本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的4种模型表现示意图；
图6是本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的4种模型之间的绝对误差比较图；
图7是本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的4种模型与物理仿真模型在灰质表面上的绝对误差示例图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于脑组织和深度回归的感应电场分布预测方法，本方法总体设计是将监督的解剖结构作为显式变量引入，这与传统物理仿真方法中的头部模型相似，因此，整个电场估计有两个步骤：解剖结构分割和电场回归模型预测。
本发明的一种基于脑组织和深度回归的感应电场分布预测方法，该方法包括：
步骤S10，以3D注意力U-net模型作为基础架构构建深度学习模型；
步骤S20，基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；
步骤S30，通过线圈刺激后的图像采样网格进行T1 MRI图像重采样，获得重采样T1MRI图像；
步骤S40，通过基于深度学习的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割，获得T1 MRI分割图像；所述基于深度学习的脑组织分割模型，其结构为在所述深度学习模型的末尾增加一个Softmax层；
步骤S50，通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果；所述深度回归模型为输入特征维度为7，输出特征维度为1的深度学习模型。
为了更清晰地对本发明基于脑组织和深度回归的感应电场分布预测方法进行说明，下面结合图2对本发明实施例中各步骤展开详述。
本发明第一实施例的基于脑组织和深度回归的感应电场分布预测方法，包括步骤S10-步骤S50，各步骤详细描述如下：
步骤S10，以3D注意力U-net模型作为基础架构构建深度学习模型。
如图2所示，为本发明基于脑组织和深度回归的感应电场分布预测方法的流程和深度回归模型结构示意图，图2下半部分展示了深度学习模型的结构以及其中的3D注意力模块的结构：
模型的输入和输出图像都具有四个维度(W，H，D是大脑3D图像的宽度，高度，深度，C是特征通道)，其中三个是空间尺寸，另一个是预定义的特征通道(对于T1w MRI，特征通道为1；对于解剖结构，特征通道为6)；
深度学习模型包括五层编码器和五层解码器；
第一层编码器包括顺序连接的两个3*3*3卷积层、一个批量归一化层、一个线性整流单元层和一个2*2*1最大池化层；第二层、第四层、第三层和第五层编码器分别包括顺序连接的两个3*3*3卷积层、一个批量归一化层、一个线性整流单元层和一个2*2*2最大池化层；在每层编码器中，较高层的特征通道数量是较低层的两倍；
第一层解码器包括顺序连接的两个3*3*3卷积层、一个3D注意力模块、一个第一卷积上采样层；第二层、第三层、第四层和第五层解码器分别包括顺序连接的两个3*3*3卷积层、一个3D注意力模块、一个第二卷积上采样层；第一卷积上采样层包括顺序连接的一个3*3*3卷积层、一个2*2*1上采样层、批量归一化层和线性整流单元层；第二卷积上采样层包括顺序连接的一个3*3*3卷积层、一个2*2*2上采样层、批量归一化层和线性整流单元层；在每个解码器中，低层特征通道将减少高层特征通道的一半；
其中，第一层编码器的输出作为第五层解码器的输入，第二层编码器的输出作为第四层解码器的输入，第三层编码器的输出作为第三层解码器的输入，第四层编码器的输出作为第二层解码器的输入，第五层编码器的输出作为第一层解码器的输入。
3D注意力模块，其在深度学习模型中的特征图处理方法为：
分别通过3*3*3卷积层、批归一化层进行同层编码器特征图和高层特征图的卷积和批归一化；
将卷积和批归一化的特征图相加，与所述同层编码器特征图进行相乘，获得3D注意力同层编码器特征图；
由于3D注意模块在体素上增加了额外的空间权重，所以更多地关注某些大脑结构特征。
步骤S20，基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格。
线圈位置参数对感生电场分布有很大影响。在一般的刺激系统，其线圈参数一般有6个：刺激位置(单个头皮上的x,y,z坐标)，方向参数(滚动角，俯仰角，旋转角)。由于线圈在刺激位置垂直于单个头皮切平面，所以滚动角和俯仰角是确定的。因此，仅要确定旋转角度θ。为了降低模型复杂度，模型将在各种线圈参数(x,y,z,θ)下电场分布预测的问题转换为在设定情况p0下的电场分布预测的问题。其他情况p可以通过单个MRI图像的采样网格的旋转变化转化为该设定情况p0。针对这个设定情况，我们使用局部坐标网格定义来确定。
如图3所示，为本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的格点网格以及位置变化示意图，步骤S20具体包括以下步骤：
步骤S21，将线圈位置(x,y,z)放置在网格顶层XY平面的中心，获取线圈的旋转角θ；所述XY平面为大脑头皮中选定线圈位置的切线平面，X轴正方向为线圈方向，Z轴正方向为切线平面法向量的负方向，Y轴正方向为X轴正方向与Z轴正方向的叉乘方向；
对于任何给定线圈参数，首先将网格顶层XY平面中心放置在线圈位置。初始方向为沿着从左耳前点(AL)到右耳前点(AR)的方向设置网格中x轴的正方向，即θ为0。对于任意的偏航方向θ，通过旋转操作都会使网格从原始网格沿切线平面的法线方向旋转θ度，使得X轴和线圈方向垂直；
步骤S22，将线圈刺激前的图像采样网格中的坐标记作(X,Y,Z)，获得线圈刺激后的图像采样网格中的坐标
Figure BDA0003042490770000121
如式(1)所示：
Figure BDA0003042490770000122
其中，I为1的行向量，A为从切线平面法向量方向和旋转方向导出的旋转矩阵；
步骤S23，遍历图像采样网格的每个坐标位置，获得线圈刺激后的图像采样网格。
步骤S30，通过线圈刺激后的图像采样网格进行T1 MRI图像重采样，获得重采样T1MRI图像。
步骤S40，通过基于深度学习的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割，获得T1 MRI分割图像。
本发明一个实施例中，可以采用两种策略对重采样T1 MRI图像进行脑组织结构分割：一种是使用传统方法分割整个脑组织(即通过基于SPM的脑组织分割模型进行脑组织结构分割)，该方法获得的脑分割的解剖结构相对准确，但是实时电场估计之前需要花费大约2小时进行预分割；另一种是使用基于深度学习的脑组织分割模型进行脑组织结构实时分割，这个过程节省了预分割的时间，分割准确性相对传统软件在Dice系数上低了约4％。
基于深度学习的脑组织分割模型，其结构为在深度学习模型的末尾增加一个Softmax层进行概率归一化。
输入图像是任意线圈参数下的局部T1w影像，输出为每个位置属于各个结构的概率，然后将真实的解剖标签转换为one-hot编码。
基于深度学习的脑组织分割模型，其训练中采用Focal损失函数，Focal损失函数如式(2)和式(3)所示：
Lossseg(pt)＝-αt(1-pt)γlog(pt) (2)
Figure BDA0003042490770000131
其中，Lossseg(pt)代表概率为pt时的Focal损失，ya和pa分别为每个体素的对应解剖标签的one-hot编码和模型预测对应类别的概率，αt和γ分别为体素导向的类别权重和聚集参数。
步骤S50，通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果。
对于电场分布预测采用深度回归模型，如图2所示，深度回归模型中包含三个变量(坐标参数p，个体结构影像t，个体脑组织结构a)。通过对网格坐标进行转换，可以将坐标参数p统一在设定p0的情况下。个体脑组织结构a可以从Headreco流程预分割(基于SPM的脑组织分割模型)或实时深度学习(基于深度学习的脑组织分割模型)的分割结果得到。将结构影像t以及解剖结构a进行特征合并作为模型输入。通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，其表示如式(4)所示：
Figure BDA0003042490770000141
其中，
Figure BDA0003042490770000142
为深度回归模型输出的感应电场分布预测结果，f(Θ)代表深度回归模型，p0为设定情况下的坐标参数变量。
为使感应电场分布预测结果
Figure BDA0003042490770000143
与物理模型模拟效果E趋于一致，深度回归模型的目标函数如式(5)所示：
Figure BDA0003042490770000144
其中，
Figure BDA0003042490770000145
代表深度回归模型的目标函数，D为(t,a,p)的参数域，‖·‖2代表2范数。
深度回归模型采用3D注意力U-net模型结构，模型的输入特征维度为7，输出特征维度为1，模型训练中采用均方误差损失函数，均方误差损失函数如式(6)所示：
Figure BDA0003042490770000146
其中，
Figure BDA0003042490770000147
代表感应电场分布预测结果
Figure BDA0003042490770000148
与物理模型模拟效果E之间的均方误差损失。
为了明确本发明方法的性能，本发明对来自HCP S1200数据集的16位受试者的结构(T1和T2加权)和弥散MRI进行了电场仿真实验。使用Siemens 3T扫描仪获取结构和扩散MRI。弥散MRI数据是在3T Skyra扫描仪上使用切片厚度为1.25mm的32通道磁头线圈收集的。扩散权重包含3个壳，分别为b＝1000/mm2、2000/mm2和3000s/mm2，具有90个扩散权重方向，另外还有6个b＝0采集。所有结构和弥散MRI均已通过HCP最小预处理流程进行了预处理。如图4所示为本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的线圈位置及头模型示意图，左图中圆柱状部分为基于SimNIBS软件的物理电场模拟实验的线圈位置，右图为基于SimNIBS软件的物理电场模拟实验的头模型。
对于实验，为了给出相对准确的电场，本发明使用Headreco流程从T1和T2加权图像中开发了16个有限元模型(FEM)。使用SimNIBS软件中FEM方法模拟了每个模型在运动皮质上TMS感应电场分布，选择了Magstim 70mm八字线圈进行刺激模拟。通过扩散张量成像(DTI)图像为灰质和白土分配了各向异性电导率值。假定仿真的感应电场是准静态状态。线圈电流的变化率设定为1μA/μs。使用SimNIBS软件进行传统物理模型(FEM)的仿真结果为实时电场估计提供了相对准确的验证数据。其中，脑组织的不同电导率如表1所示：
表1
脑组织 电导率(S/m)
皮肤 0.465
头骨 0.010
脑脊液 1.654
灰质 0.275
白质 0.126
在每个被试中选择了一块运动相关区域作为可选线圈位置网格点(15*15)(如图3左上图)。对于每个线圈位置，旋转方向(如图3右上图)的范围为0至180度，间隔为15度(对于Magstim 70mm八字圈，假定感应电场分布类似，在线圈中额外旋转180度旋转方向)。在每对线圈参数(位置和方向)下，线圈刺激位置附近的局部图像将通过1mm间隔的网格转移网格进行采样，网格的体积为80*80*40mm(如图3右下图和左下图)。从头模型的脑分割结果(图3右上图)中提取了对应的五个局部解剖结构(皮肤，骨骼，脑脊液，灰质，白质)和空白区域，其值为1或0。整个数据集包括16*225*12＝43200个3D图像样本。在所有主题中，有13个被试用于训练和验证模型参数(20％训练数据，80％测试性能)，其他3个被试用于验证模型的效果。
如图5所示，为本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的4种模型表现示意图，首先是直接利用个体结构影像的模型(U-Net)，其次是加入注意力机制的模型(U-Net+Att)，本发明两个模型为在U-Net+Att模型基础上，采用两步电场估计的模型，其中第三个模型脑结构分割采用深度学习的方法，第四个模型脑结构分割采用Hm方法。模型效果评分如表2所示：
表2
模型 Corr MAE RMSE PSNR
U-Net 0.978 0.051 0.134 30.543
U-Net+Att 0.985 0.046 0.122 31.295
U-Net+Att+Seg-Dl 0.982 0.050 0.109 32.195
U-Net+Att+Seg-Hm 0.996 0.035 0.063 37.510
表2中为4个模型在4个指标(皮尔孙相关性Corr，平均绝对误差MAE，均方根误差RMSE，峰值信噪比PSNR)下的整体性能，从表2中可以看出，U-Net+Att模型中的3D注意力模块加入使得模型相较于U-Net模型增加了Corr和PSNR评分并且减少了MAE和RMSE评分，再加入额外的解剖结构输入(无论基于深度学习的脑结构分割Seg-Hm还是基于Headreco头模型流程得到的脑结构分割Seg-Dl)，该电场估计模型都会降低RMSE和增加PSNR评分。就这四个评分而言，U-Net+Att+Seg-HM模型在四个模型中的性能最高，Corr为0.996，PSNR为37.51。
如图6所示，为本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的4种模型之间的绝对误差比较图，从图中可以看出，该误差不会呈现为随机分布，甚至不是平滑分布，脑组织边缘内的误差的高对比度也会导致线圈优化困难。因此，与解剖相关的误差存在于U-net和U-Net+Att模型中。但是对于其他两个模型，解剖相关的误差并不明显。特别是对于U-Net+Att+Seg-Hm模型，电场估计误差呈现出更平滑的误差分布。4种模型在不同组织上的相对误差如表3所示：
表3
模型 White Gray CSF Bone Skin Mean
U-Net 8.77％ 12.77％ 13.23％ 6.84％ 7.76％ 9.87％
U-Net+Att 8.11％ 10.28％ 11.73％ 4.53％ 5.12％ 7.95％
U-Net+Att+Seg-Dl 7.99％ 10.15％ 10.83％ 4.82％ 5.04％ 7.76％
U-Net+Att+Seg-Hm 7.06％ 8.44％ 9.16％ 4.73％ 4.67％ 6.81％
本发明计算了表3所示的被测对象在不同组织上的平均相对误差(MRE)。结果表明，模型中的解剖学意识(包括解剖学结构和附加的空间注意区域)对减少相对误差具有积极作用。该模型的解剖学意识设计将使得MRE最大程度降低，白质体素为1.71％，灰质体素为4.33％，CSF体素为4.07％，骨体素为2.31％，皮肤体素为3.09％。总体而言，后两个模型的平均相对误差分别为7.76％和6.81％。
本发明进一步研究了灰质表面，采用使用Freesurfer软件进行的中级灰阶表面，将体素值映射到灰色表面。如图7所示，为本发明基于脑组织和深度回归的感应电场分布预测方法一种实施例的4种模型与物理仿真模型在灰质表面上的绝对误差示例图，对于没有解剖结构的模型，发现了许多具有较高绝对误差的深色块，但是对于本发明的模型(U-Net+Att+Seg-Dl)和(U-Net+Att+Seg-Hm)，深色块面积较少。
此外，本发明还记录了每个模型单次的时间消耗。其中U-Net+Att+Seg-Dl模型花费0.04秒(包括脑结构分割时间)，而U-Net+Att+Seg-Hm模型的耗时0.02秒，但是U-Net+Att+Seg-Hm模型需要对头模型流程的预处理。两个模型的时间消耗都比传统的FEM模型要降低3～4个数量级。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于脑组织和深度回归的感应电场分布预测系统，该系统包括以下模块：
模型构建模块，配置为以3D注意力U-net模型作为基础架构构建深度学习模型；
网格刺激对应模块，配置为基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；
重采样模块，配置为通过线圈刺激后的图像采样网格进行T1MRI图像进行重采样，获得重采样T1 MRI图像；
脑组织结构分割模块，配置为通过基于深度学习的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割，获得T1 MRI分割图像；所述基于深度学习的脑组织分割模型，其结构为在所述深度学习模型的末尾增加一个Softmax层；
预测模块，配置为通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果；所述深度回归模型为输入特征维度为7，输出特征维度为1的深度学习模型。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于脑组织和深度回归的感应电场分布预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于脑组织和深度回归的感应电场分布预测方法，其特征在于，该方法包括：
步骤S10，以3D注意力U-net模型作为基础架构构建深度学习模型；
步骤S20，基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；
步骤S30，通过线圈刺激后的图像采样网格进行T1 MRI图像重采样，获得重采样T1 MRI图像；
步骤S40，通过基于深度学习的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割，获得T1 MRI分割图像；所述基于深度学习的脑组织分割模型，其结构为在所述深度学习模型的末尾增加一个Softmax层；
步骤S50，通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果；所述深度回归模型为输入特征维度为7，输出特征维度为1的深度学习模型。
2.根据权利要求1所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，所述深度学习模型包括五层编码器和五层解码器；
所述五层编码器，其第一层编码器包括顺序连接的两个3*3*3卷积层、一个批量归一化层、一个线性整流单元层和一个2*2*1最大池化层；
所述五层编码器，其第二层、第三层、第四层和第五层编码器分别包括顺序连接的两个3*3*3卷积层、一个批量归一化层、一个线性整流单元层和一个2*2*2最大池化层；
所述五层解码器，其第一层解码器包括顺序连接的两个3*3*3卷积层、一个3D注意力模块、一个第一卷积上采样层；所述第一卷积上采样层包括顺序连接的一个3*3*3卷积层、一个2*2*1上采样层、批量归一化层和线性整流单元层；
所述五层解码器，其第二层、第三层、第四层和第五层解码器分别包括顺序连接的两个3*3*3卷积层、一个3D注意力模块、一个第二卷积上采样层；所述第二卷积上采样层包括顺序连接的一个3*3*3卷积层、一个2*2*2上采样层、批量归一化层和线性整流单元层；
其中，第一层编码器的输出作为第五层解码器的输入，第二层编码器的输出作为第四层解码器的输入，第三层编码器的输出作为第三层解码器的输入，第四层编码器的输出作为第二层解码器的输入，第五层编码器的输出作为第一层解码器的输入。
3.根据权利要求2所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，所述3D注意力模块，其在所述深度学习模型中的特征图处理方法为：
分别通过3*3*3卷积层、批归一化层进行同层编码器特征图和高层特征图的卷积和批归一化；
将卷积和批归一化的特征图相加，与所述同层编码器特征图进行相乘，获得3D注意力同层编码器特征图。
4.根据权利要求1所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，步骤S20包括：
步骤S21，将线圈位置(x,y,z)放置在网格顶层XY平面的中心，获取线圈的旋转角θ；所述XY平面为大脑头皮中选定线圈位置的切线平面，X轴正方向为线圈方向，Z轴正方向为切线平面法向量的负方向，Y轴正方向为X轴正方向与Z轴正方向的叉乘方向；
步骤S22，将线圈刺激前的图像采样网格中的坐标记作(X,Y,Z)，获得线圈刺激后的图像采样网格中的坐标
Figure FDA0003042490760000031
Figure FDA0003042490760000032
其中，I为1的行向量，A为从切线平面法向量方向和旋转方向导出的旋转矩阵；
步骤S23，遍历图像采样网格的每个坐标位置，获得线圈刺激后的图像采样网格。
5.根据权利要求1所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，所述基于深度学习的脑组织分割模型，其训练中采用Focal损失函数；所述Focal损失函数为：
Lossseg(pt)＝-αt(1-pt)γlog(pt)
Figure FDA0003042490760000033
其中，Lossseg(pt)代表概率为pt时的Focal损失，ya和pa分别为每个体素的对应解剖标签的one-hot编码和模型预测对应类别的概率，αt和γ分别为体素导向的类别权重和聚集参数。
6.根据权利要求1所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，步骤S50中通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，其表示为：
Figure FDA0003042490760000034
其中，
Figure FDA0003042490760000035
为深度回归模型输出的感应电场分布预测结果，f(Θ)代表深度回归模型，p,t,a分别为深度回归模型中的坐标参数变量、个体结构影像变量和个体脑组织结构变量，p0为设定情况下的坐标参数变量。
7.根据权利要求6所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，为使感应电场分布预测结果
Figure FDA0003042490760000036
与物理模型模拟效果E趋于一致，所述深度回归模型的目标函数为：
Figure FDA0003042490760000041
其中，
Figure FDA0003042490760000042
代表深度回归模型的目标函数，D为(t,a,p)的参数域，‖·‖2代表2范数。
8.根据权利要求7所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，所述深度回归模型，其训练中采用均方误差损失函数；所述均方误差损失函数为：
Figure FDA0003042490760000043
其中，
Figure FDA0003042490760000044
代表感应电场分布预测结果
Figure FDA0003042490760000045
与物理模型模拟效果E之间的均方误差损失。
9.根据权利要求1-8任一项所述的基于脑组织和深度回归的感应电场分布预测方法，其特征在于，所述方法还可以通过基于SPM的脑组织分割模型进行所述重采样T1 MRI图像的脑组织结构分割。
10.一种基于脑组织和深度回归的感应电场分布预测系统，其特征在于，该系统包括以下模块：
模型构建模块，配置为以3D注意力U-net模型作为基础架构构建深度学习模型；
网格刺激对应模块，配置为基于线圈刺激位置、旋转角以及线圈刺激前的图像采样网格，获得线圈刺激后的图像采样网格；
重采样模块，配置为通过线圈刺激后的图像采样网格进行T1 MRI图像进行重采样，获得重采样T1 MRI图像；
脑组织结构分割模块，配置为通过基于深度学习的脑组织分割模型进行所述重采样T1MRI图像的脑组织结构分割，获得T1 MRI分割图像；所述基于深度学习的脑组织分割模型，其结构为在所述深度学习模型的末尾增加一个Softmax层；
预测模块，配置为通过深度回归模型进行所述T1 MRI分割图像的感应电场分布预测，获得感应电场分布预测结果；所述深度回归模型为输入特征维度为7，输出特征维度为1的深度学习模型。
CN202110461318.XA 2021-04-27 2021-04-27 基于脑组织和深度回归的感应电场分布预测方法及系统 Active CN113077483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110461318.XA CN113077483B (zh) 2021-04-27 2021-04-27 基于脑组织和深度回归的感应电场分布预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110461318.XA CN113077483B (zh) 2021-04-27 2021-04-27 基于脑组织和深度回归的感应电场分布预测方法及系统

Publications (2)

Publication Number Publication Date
CN113077483A true CN113077483A (zh) 2021-07-06
CN113077483B CN113077483B (zh) 2022-03-25

Family

ID=76618865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110461318.XA Active CN113077483B (zh) 2021-04-27 2021-04-27 基于脑组织和深度回归的感应电场分布预测方法及系统

Country Status (1)

Country Link
CN (1) CN113077483B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463493A (zh) * 2022-01-18 2022-05-10 武汉工程大学 基于编解码结构的经颅磁刺激电场快速成像方法和模型

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105980009A (zh) * 2014-02-14 2016-09-28 国立大学法人东京大学 脑内电流模拟方法及其装置、以及包含脑内电流模拟装置的经颅磁刺激系统
CN107405495A (zh) * 2015-02-26 2017-11-28 美敦力公司 基于组织激活的体积的电刺激治疗的治疗程序选择
CN107993714A (zh) * 2017-10-24 2018-05-04 中国科学院自动化研究所 人脑意识状态预测装置
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN109475736A (zh) * 2016-04-28 2019-03-15 利兰斯坦福初级大学董事会 抑郁症脑刺激治疗
CN110741440A (zh) * 2017-03-08 2020-01-31 华盛顿大学 Mri中的运动的实时监测和预测
US20200214569A1 (en) * 2017-09-11 2020-07-09 NEUROPHET Inc. Method and program for navigating tms stimulation
CN112240995A (zh) * 2019-07-17 2021-01-19 通用电气精准医疗有限责任公司 用于从磁共振校准图像预测b1+标测图的系统和方法
CN112365496A (zh) * 2020-12-02 2021-02-12 中北大学 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法
CN112541572A (zh) * 2020-11-25 2021-03-23 中国石油大学(华东) 基于卷积编码器-解码器网络的剩余油分布预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105980009A (zh) * 2014-02-14 2016-09-28 国立大学法人东京大学 脑内电流模拟方法及其装置、以及包含脑内电流模拟装置的经颅磁刺激系统
CN107405495A (zh) * 2015-02-26 2017-11-28 美敦力公司 基于组织激活的体积的电刺激治疗的治疗程序选择
CN109475736A (zh) * 2016-04-28 2019-03-15 利兰斯坦福初级大学董事会 抑郁症脑刺激治疗
CN110741440A (zh) * 2017-03-08 2020-01-31 华盛顿大学 Mri中的运动的实时监测和预测
US20200214569A1 (en) * 2017-09-11 2020-07-09 NEUROPHET Inc. Method and program for navigating tms stimulation
CN107993714A (zh) * 2017-10-24 2018-05-04 中国科学院自动化研究所 人脑意识状态预测装置
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN112240995A (zh) * 2019-07-17 2021-01-19 通用电气精准医疗有限责任公司 用于从磁共振校准图像预测b1+标测图的系统和方法
CN112541572A (zh) * 2020-11-25 2021-03-23 中国石油大学(华东) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN112365496A (zh) * 2020-12-02 2021-02-12 中北大学 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
AINO E.TERVO等: "Automated search of stimulation targets with closed-loop transcranial magnetic stimulation", 《NEUROIMAGE》 *
ILKKA LAAKSO等: "Fast multigrid based computation of induced electric field for transcranial magnetic stimulation", 《PHYSICS IN MEDICINE AND BIOLOGY》 *
JOSE GOMEZ-TAMES等: "Atlas of Optimal Coil Orientation and Position for TMS: A Computational Study", 《BRAIN STIMULATION》 *
TATSUYA YOKOTA等: "Real-time estimation of electric fields induced by transcranial magnetic stimulation with deep neural networks", 《BRAIN STIMULATION》 *
李渔樵: "经颅磁刺激个性化感应电场建模与预测的研究", 《万方》 *
林泽才: "经颅磁刺激治疗机器人定位与跟踪系统设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
聂文亮等: "基于三维有限元软件的经颅磁刺激仿真研究", 《成都信息工程学院学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463493A (zh) * 2022-01-18 2022-05-10 武汉工程大学 基于编解码结构的经颅磁刺激电场快速成像方法和模型

Also Published As

Publication number Publication date
CN113077483B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Wang et al. Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization
JP7373042B2 (ja) グラフモデルに基づく脳機能レジストレーション方法
US8861815B2 (en) Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model
CN109410195B (zh) 一种磁共振成像脑分区方法及系统
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN104881680A (zh) 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法
CN106022384A (zh) 基于fMRI视觉功能数据DeconvNet的图像关注目标语义分割方法
CN104361318A (zh) 一种基于弥散张量成像技术的疾病诊断辅助系统及方法
Wismüller et al. The deformable feature map-a novel neurocomputing algorithm for adaptive plasticity in pattern analysis
CN115330813A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN114241240A (zh) 脑部图像的分类方法、装置、电子设备及存储介质
CN113077483B (zh) 基于脑组织和深度回归的感应电场分布预测方法及系统
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
CN116309615A (zh) 一种多模态mri脑肿瘤图像分割方法
Shi et al. Impact of early and late visual deprivation on the structure of the corpus callosum: a study combining thickness profile with surface tensor-based morphometry
CN107169955B (zh) 一种智能化的医学图像处理装置与方法
CN115909016B (zh) 基于GCN分析fMRI图像的系统、方法、电子设备及介质
Sun et al. Shape-based normalization of the corpus callosum for DTI connectivity analysis
CN116309754A (zh) 一种基于局部-全局信息协作的大脑医学图像配准方法及系统
Ma et al. Multi-scale anatomical awareness improves the accuracy of the real-time electric field estimation
CN111738999B (zh) 基于弥散张量成像的大脑张量模板构建方法
CN105989371B (zh) 一种核磁共振影像的灰度标准化方法和装置
Gao et al. Optimized Resolution-Oriented Many-to-One Intensity Standardization Method for Magnetic Resonance Images
da Silva et al. Biomechanical modelling of brain atrophy through deep learning
Furuhashi et al. A robust and accurate deep-learning-based method for the segmentation of subcortical brain: Cross-dataset evaluation of generalization performance

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
GR01 Patent grant
GR01 Patent grant