CN114255209A - 基于磁共振成像和神经网络的脑深部电刺激靶点定位方法 - Google Patents
基于磁共振成像和神经网络的脑深部电刺激靶点定位方法 Download PDFInfo
- Publication number
- CN114255209A CN114255209A CN202111386383.7A CN202111386383A CN114255209A CN 114255209 A CN114255209 A CN 114255209A CN 202111386383 A CN202111386383 A CN 202111386383A CN 114255209 A CN114255209 A CN 114255209A
- Authority
- CN
- China
- Prior art keywords
- target
- mri
- network
- positioning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
- A61N1/36067—Movement disorders, e.g. tremor or Parkinson disease
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于磁共振成像和神经网络的脑深部电刺激靶点定位方法。通过分类网络判断输入图像是否包含靶点;其输出是一个数值,称为分类得分,越高表示越有可能包含靶点。通过定位网络估计输入图像中最优靶点的位置;其输出为两个二维坐标,分别对应左右脑的靶点。将定位网络的输出和图像层的索引组合,即可唯一确定靶点的三维坐标。本发明可以实现精度和效率的更佳平衡。从精度上来说,本发明的靶点定位精度可以超过传统方式,且接近DRTT分析的靶点定位精度。从效率上来说,本发明方案的分析速度是目前最快的,而且远超背景技术。本发明的方法既可以用于全自动的靶点定位,也可以和医生配合,用于半自动的靶点定位。
Description
技术领域
本发明涉及一种脑深部电刺激靶点定位方法,具体涉及一种基于磁共振成像和神经网络的脑深部电刺激靶点定位方法。
背景技术
原发性震颤(essential tremor,ET)是最常见的运动障碍性疾病之一。其全球发病率约为0.4%-6%[5]。ET首选药物治疗,但只有约一半的患者使用药物后症状能得到明显改善。对于药物治疗无效的ET患者,脑深部电刺激术(deep brain stimulation,DBS)是另一种可能的治疗手段。DBS的基本思路是使用电极对脑内的特定位置进行刺激(见图1)。这些位置称为靶点。靶点的选择对治疗效果起到重要作用。DBS治疗ET的经典靶点区域是丘脑腹内侧核(ventral intermediate nucleus,Vim),但是临床效果不一,震颤改善率从48%到57%不等[7]。也有学者推荐使用丘脑底核后区(posterior subthalamic area,PSA)作为治疗ET的DBS靶点区域。其症状改善率最高可以达到81%[6]。一项随机双盲临床试验针对Vim和PSA靶点治疗效果比较发现,PSA-DBS至少与Vim-DBS一样有效,且可能比Vim-DBS更有效[1]。然而,在不同的研究中,PSA区域内的具体刺激位点差异很大,主要原因在于靶点在磁共振成像(MRI)上不可见,通常是在一个人为规定的范围。目前已有数个团队提出不同的靶点计算方式,但得出的最佳靶点位置有明显差别,且临床症状改善率从55%到81%不等[6,2,8,7]。因此,基于PSA的最佳刺激靶点至今依旧不明。在临床上,多数神经外科医生仍然根据MRI采用目测配合经验的方式来确定靶点位置,但精度参差不齐。
如何在PSA区域内确定最优靶点的位置是当今医学界的一个前沿问题,也是本发明面对的基本问题。该问题目前只得到了部分解答。在扩散张量成像(diffusion tensorimaging,DTI)研究的基础上,PSA中的小脑齿状核-红核-丘脑纤维(dentato-rubro-thalamic tract,DRTT)被认为是PSA-DBS减轻震颤的解剖学基础[3,4]。不同的研究团队利用MRI的解剖结构定位的最佳刺激靶点被发现均位于DRTT纤维的中心或边缘附近[7]。因此,出现了一种新的高精度靶点定位方法(以下称为DRTT分析)[9],即先绘制DRTT结构,然后再根据DRTT判定靶点位置。除了医生根据MRI和经验目测以外,DRTT分析是本方案的主要背景技术。
背景技术的缺点:
DRTT分析技术目前仍处在学术阶段,离广泛的临床应用有相当的距离。主要有以下原因:
1)技术需求:生成DRTT结构除了需要MRI以外,还要使用DTI技术。但DTI技术不同于一般的MRI,不属于常规医学检查手段;
2)人员需求:生成DRTT结构和判定靶点位置涉及若干复杂的数据处理步骤,需要具有医学影像知识的专业人员手动操作;
3)时间需求:整个流程的速度较慢,处理一个病例需要几小时甚至更多。
参考文献:
[1]M.T.Barbe,P.Reker,S.Hamacher,J.Franklin,D.Kraus,T.A.Dembek,J.Becker,J.K.Steffen,N.Allert,J.Wirths,H.S.Dafsari,J.Voges,G.R.Fink,V.Visser-Vandewalle,and L.Timmermann.DBS of the PSA and the VIM in essential tremor:Arandomized,double-blind,crossover trial.Neurology,91(6):e543–e550,082018.
[2]P.Blomstedt,U.Sandvik,and S.Tisch.Deep brain stimulation in theposterior subthalamic area in the treatment of essential tremor.Mov Disord,25(10):1350–1356,Jul 2010.
[3]V.A.Coenen,N.Allert,and B.Madler.A role of diffusion tensorimaging fiber tracking in deep brain stimulation surgery:DBS of the dentato-rubro-thalamic tract(drt)for the treatment of therapy-refractory tremor.ActaNeurochir(Wien),153(8):1579–1585,Aug 2011.
[4]V.A.Coenen,N.Allert,S.Paus,M.Kronenburger,H.Urbach,andB.Madler.Modulation of the cerebello-thalamo-cortical network in thalamicdeep brain stimulation for tremor:a diffusion tensor imagingstudy.Neurosurgery,75(6):657–669,Dec 2014.
[5]E D Louis.The roles of age and aging in essential tremor:Anepidemiological perspective.Neuroepidemiology,52(1-2):111–118,2019.
[6]J.Murata,M.Kitagawa,H.Uesugi,H.Saito,Y.Iwasaki,S.Kikuchi,K.Tashiro,and Y.Sawamura.Electrical stimulation of the posterior subthalamicarea for the treatment of intractable proximal tremor.J Neurosurg,99(4):708–715,Oct 2003.
[7]A.Nowacki,I.Debove,F.Rossi,J.A.Schlaeppi,K.Petermann,R.Wiest,M.Schupbach,and C.Pollo.Targeting the posterior subthalamic area foressential tremor:proposal for MRI-based anatomical landmarks.J Neurosurg,131(3):820–827,102018.
[8]P.Plaha,S.Javed,D.Agombar,G.O’Farrell,S.Khan,A.Whone,andS.Gill.Bilateral caudal zona incerta nucleus stimulation for essentialtremor:outcome and quality of life.J Neurol Neurosurg Psychiatry,82(8):899–904,Aug 2011.
[9]Juergen R.Schlaier,Anton L.Beer,Rupert Faltermeier,ClaudiaFellner,Kathrin Steib,Max Lange,Mark W.Greenlee,Alexander T.Brawanski,andJudith M.Anthofer.Probabilistic vs.deterministic fiber tracking and theinfluence of different seed regions to delineate cerebellar-thalamic fibersin deep brain stimulation.European Journal of Neuroscience,45(12):1623–1633,2017.
发明内容
针对现有技术中存在的不足,本发明提供一种基于磁共振成像和神经网络的脑深部电刺激靶点定位方法。
本发明的目的是设计基于神经网络和深度学习的机器学习算法,根据磁共振成像(MRI)数据,估计用于脑深部电刺激(DBS)疗法的最优靶点位置。
本发明方法根据患者头部的MRI数据估计最优的DBS靶点位置。一次MRI扫描的数据由很多层图像组成,但靶点仅可能存在于少数几层。因此,本发明的基本思路为:先判断输入的MRI图像层是否具有靶点,然后对于合适的图像层进行靶点估计。本发明的核心是使用两个针对图像的神经网络。前者称为“分类网络”,后者称为“定位网络”。分类网络的作用是判断输入图像是否包含靶点;其输出是一个数值,称为分类得分,可以理解为包含靶点的概率,越高表示越有可能包含靶点。定位网络的作用是估计输入图像中最优靶点的位置;其输出为两个二维坐标,分别对应左右脑的靶点。将定位网络的输出和图像层的索引组合,即可唯一确定靶点的三维坐标。
本发明的基本流程是:对于输入的一组MRI图像层,首先根据分类网络的输出,选出得分最高的前K层,然后使用定位网络对被选中的层进行靶点估计。K是一个参数(整数),通常小于等于最多可能包含靶点的层数,例如11。
在基本流程之外,也可能出现一些小概率事件。例如,被选中的层的分类得分过低(即小于T)。T是一个阈值参数(浮点数),通常在0和1之间。另一种情况是,定位网络得出的靶点位置不符合常理(即一些基本医学假设),无法通过后期验证。当这些小概率事件发生时,算法得出的结果将被视为无效。
基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,步骤如下:
步骤1、数据预处理;
步骤2、构建靶点定位模型;
靶点定位模型包括分类网络和定位网络,所述的分类网络和定位网络都采用卷积神经网络结构;
步骤3、训练靶点定位模型,并确定分类得分的阈值参数T的初始值;
步骤4、通过训练好的靶点定位模型进行靶点定位;
将预处理后的每一层MRI数据输入靶点定位模型的分类网络,将所有层按照分类网络的输出分值排序,选择排在最前面的K层MRI图像,放弃分值低于T的层,将选中的层输入靶点定位模型的定位网络,计算靶点坐标;所述的K是一个参数(整数),K的值根据实际情况进行设定,小于等于最多可能包含靶点的层数。
步骤5、验证和输出;
根据预先设定的规则验证靶点是否规范,最后将通过验证的靶点坐标以及对应的层索引输出;
步骤1具体方法如下:
一组完整的MRI影像是由很多幅灰度图像层叠构成。人的头部MRI通常包含了上百个图像层,靶点的位置能够表示成一个二维坐标和一个层索引的组合。
首先对样本数据进行分析,统计每组MRI中存在靶点的层索引值,计算出比例范围a%--b%,即可能包含靶点的层的位置范围。然后,为了减少不必要的计算,每组MRI中超出比例范围的图像层将被忽略。
接下来,将保留下来的MRI图像层裁剪成预先设定的标准尺寸,裁剪时先将图像中的非空白部分居中后再进行裁剪。
最后,将MRI数据的取值范围规范化。对于每组MRI,将所有像素值除以一个自定义的最大值(例如该组的最大像素值),从而将所有像素值限定在0到1之间。在此基础上,为了匹配神经网络的输入端,需要对数据进一步规范化,使数据每个维度的均值接近零,方差接近一。
步骤2具体方法如下;
靶点定位模型包括分类网络和定位网络。所述的分类网络和定位网络都基于卷积神经网络架构。所述的分类网络和定位网络采用基于残差网络(ResNet)结构的卷积部分作为网络主干,配合网络末端的全连接部分。
分类网络的卷积部分由一个卷积层和若干残差块(residual block)构成。最后一层为全连接层,输出结果是一维数值,定义为分类得分。由于sigmoid函数的作用,分类得分介于0和1之间。将其作为输入图像包含靶点的概率,用于根据得分对不同的MRI图像层进行排序。
定位网络的卷积部分由一个卷积层和若干残差块(residual block)构成。最后一层为全连接层,输出结果是4维数组。将其转换成2乘2维的形式,即两个二维坐标,分别对应左右靶点的位置。由于sigmoid函数的作用,坐标值介于0和1之间,视为根据图像长宽归一化以后的坐标。假定归一化后的坐标为(x,y),图像的分辨率为H乘W,像素的长宽分别为p,q,则实际的坐标为(xHp,yWq)。
步骤3具体方法如下:
采用有监督学习,通过预处理后的已知靶点位置的MRI图像数据对步骤2构建好的靶点定位模型进行训练和验证。对获取的已知靶点位置的MRI图像数据进行划分,其中随机取4/5作为训练集,其余作为验证集,采用基于小批次(mini batch)的随机梯度下降(stochastic gradient descent)算法,利用反向传播(back-propagation)对网络参数进行优化。所述MRI图像的已知靶点位置数据是利用DRTT分析技术获得并进行人工标注的最优靶点。
确定分类得分的阈值参数T的初始值:在训练和验证的过程中,每个图像层的最佳定位误差和对应的分类得分将被记录。当误差小于预设的最大值,则对应的分类得分将被选中。所有被选中的分类得分中的最小值将被设为参数T的初始值。
进一步的,所述的DRTT分析需要用到两种数据,包括MRI和弥散张量成像DTI数据,具体流程如下:
MRI预处理流程:默认采用的MRI模式为T2-MRI,图像原始层厚为0.7mm。将MRI根据AC-PC线进行较正。设定AC-PC线中点作为坐标轴原点,并进行重新分层。
弥散张量成像预处理流程:首先进行确定性纤维追踪deterministicfibertracking。采用广义q采样成像方法重建磁共振弥散张量成像数据,以获得每个体素内的张量。采用刚性变换对MRI和弥散张量成像数据进行配准。在MRI上定义三个感兴趣区域:1)手动分割的同侧齿状核;2)手动分割的同侧PSA区域;3)使用FreeSurfer DKT图谱自动提取的同侧中央前回。种子点设定为同侧齿状核。确定性纤维追踪最小和最大纤维长度分别设置为20和200mm。角度阈值设置为55,步长设置为0.5,种子追踪上限设定为50000。将重建的DRT纤维进行人工调整,去除解剖学上不合理的纤维束。
最优靶点标注:对MRI和重建的纤维束进行融合并导出为新的MRI_label图像。在FSLview软件中打开MRI_label图像,取红核最大直径层面及上、下各5个层面(共11个层面)识别双侧DRT纤维中点,将坐标记录、保存并导出。
本发明有益效果如下:
本发明的背景技术主要有两种,即传统方式(临床医生通过肉眼并依据经验分析MRI图像)和最新的DRTT分析方式(利用DTI进行纤维束造影)。与背景技术相比,本发明可以实现精度和效率的更佳平衡。从精度上来说,本发明的靶点定位精度可以超过传统方式,且接近DRTT分析的靶点定位精度。从效率上来说,本发明方案的分析速度是目前最快的,而且远超背景技术。本发明主要针对原发性震颤(ET)病症,但也适用于其他类似病症,例如帕金森症。本发明的方法既可以用于全自动的靶点定位,也可以和医生配合,用于半自动的靶点定位。
附图说明
图1为DBS示意图;
图2为本发明实施例方法流程图;
图3为本发明实施例靶点定位示意图;
图4为MRI数据表示的示意图;
图5为本发明实施例神经网络结构;
图6为本发明实施例残差块结构示意图。
具体实施方式
以下结合附图与实施例对本发明方法进行进一步描述。
磁共振成像(MRI)数据和靶点位置的表示:
本发明使用的MRI模式为T2-MRI,简称MRI。MRI的基本工作方式是在人体的移动过程中,在连续的切面上对人体进行扫描。因此,一组完整的MRI影像是由很多张灰度图片层叠构成。相邻两层的间隔取决于设备,是固定且已知的,例如0.7毫米。人的头部MRI通常包含了上百个图像层。它们既可以看成一个二维数组的序列,也可以看成一个三维数组。相对地,靶点的位置既可以表示成一个二维坐标和一个层索引的组合,也可以表示成一个三维坐标。本发明的方案采用前者表示靶点位置,是在选定了层的前提下对层内靶点的二维坐标进行估计。图4为MRI数据表示的示意图。
图3为本发明实施例靶点定位示意图。数字为距离误差。右下角显示了该MRI图像层的分类得分(置信度)。
如图2所示,基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,步骤如下:
步骤1、数据预处理;
由于靶点的尺寸范围相对较小(若干毫米),只存在于MRI数据的少数几层中,头部MRI的大部分图像层实际上都和靶点定位没有关系。因此,可以利用已有的数据对存在靶点的层索引值进行统计,计算出一个比例范围a%--b%,即可能包含靶点的层的位置范围,然后将每组MRI中超出这个范围的图像层忽略。这样可以减少不必要的计算。例如,计算出的范围是35%--46%,则一组100层的MRI数据中,前34层和后54层将被忽略。
一方面,不同患者的MRI图像分辨率可能略有不同。另一方面,一幅MRI图像中可能包含很多无用的黑色空白区域。为了减少数据冗余并且匹配后续的机器学习,需要规定一个标准尺寸。所有的MRI图像层都需要经过裁剪后达到标准尺寸。本发明方案采用的标准图像层尺寸是220x280(像素间距为0.7毫米)。较为简单裁剪的方式是固定位置的裁剪。由于患者的头部并不一定在图像中间,这种方式可能会裁掉一小部分有用图像(即图像中非空白部分)的边缘。另一种更复杂但优选的裁剪方式是,先将图像中的非空白部分居中后再进行裁剪。
为了方便机器学习,需要将MRI数据的取值范围规范化。例如,可以将所有像素值除以一个自定义的最大值(例如每组MRI的最大像素值),从而将所有像素值限定在0到1之间。在此基础上,为了匹配神经网络的输入端,需要对数据进一步规范化,使每个维度的均值接近零,方差接近一。
步骤2、构建靶点定位模型;
靶点定位模型包括分类网络和定位网络,所述的分类网络和定位网络都采用卷积神经网络结构。该类网络主要由卷积部分和全连接部分构成。图5是一个具体的例子。
分类网络和定位网络采用同样的结构作为网络主干,仅在网络末端有所不同。图中的卷积部分基于已知的残差网络(ResNet)结构,主要由一个卷积层和两个残差块(residual block)构成。残差块主要也是由卷积层构成,其具体结构如图6所示。
除了卷积层、全连接层以外,图中也使用了其它一些神经网络的常用操作,包括了max pooling、ReLU、sigmoid、batch normalization。它们的描述和一些基本的参数设置在表格1中列出。由于这些都是神经网络及深度学习领域的标准操作,其具体数学定义在相关文献中(例如《Dive into Deep Learning》https://d2l.ai)都有说明,本文档中不再详细描述。
分类网络的最后一层为全连接层,输出结果是一维数值,定义为分类得分。由于sigmoid函数的作用,分类得分介于0和1之间,可以被理解为输入图像包含靶点的概率。根据得分可以对不同的MRI图像层进行排序。
定位网络的最后一层为全连接层,输出结果是4维数组,可以转换成2乘2维的形式,即两个二维坐标,分别对应左右靶点的位置。由于sigmoid函数的作用,坐标值介于0和1之间,可以理解为根据图像长宽归一化以后的坐标。假设归一化后的坐标为(x,y),图像的分辨率为H乘W,像素的长宽分别为p,q,则实际的坐标为(xHp,yWq)。
实际当中,分类网络和定位网络也可以使用不同的主干结构。一个优选的方式是通过改变残差块的数量来改变网络结构。残差块的数量范围在1到200之间。
表1实施例中神经网络各组成部分的描述。
步骤3、神经网络的训练以及其它算法参数的确定;
神经网络算法需要经过训练才能使用。训练的目的是确定网络的参数。本方案采用有监督学习,需要一定数量已知靶点位置的MRI图像用于训练和验证。通常训练数据越多,验证效果越好。本方案中的实施例(图5)在实验中采用了159组头部MRI扫描影像,其中随机取4/5用于训练,其余用于验证,得到了良好的效果。本方案采用基于小批次(minibatch)的随机梯度下降(stochastic gradient descent)算法,利用反向传播(back-propagation)对网络参数进行优化。这些方法均为神经网络计算中的标准操作,其具体数学定义在相关文献中都有说明,本文档中不再详细描述。
确定分类得分的阈值参数T的初始值:在训练和验证的过程中,每个图像层的最佳定位误差和对应的分类得分将被记录。如果误差小于预设的最大值,例如5毫米,则对应的分类得分将被选中。所有被选中的分类得分中的最小值将被设为参数T的初始值。
DRTT分析:本方案中用于神经网络训练和验证的已知靶点位置是利用DRTT分析技术获得并进行人工标注的最优靶点。该技术需要用到两种数据,包括MRI和弥散张量成像(DTI)数据。具体流程如下。
MRI预处理流程:默认采用的MRI模式为T2-MRI,图像原始层厚为0.7mm。通过专用软件(例如基于MATLAB的SPM 12.0)将MRI根据AC-PC线进行较正。设定AC-PC线中点作为坐标轴原点,并进行重新分层。
弥散张量成像预处理流程:使用专用软件(例如DSI studio)进行确定性纤维追踪(deterministic fiber tracking)。采用广义q采样成像方法重建磁共振弥散张量成像数据,以获得每个体素内的张量。采用刚性变换对MRI和弥散张量成像数据进行配准。在MRI上定义三个感兴趣区域:1)手动分割的同侧齿状核;2)手动分割的同侧PSA区域;3)使用FreeSurfer DKT图谱自动提取的同侧中央前回。种子点设定为同侧齿状核。确定性纤维追踪最小和最大纤维长度分别设置为20和200mm。角度阈值设置为55,步长设置为0.5,种子追踪上限设定为50000。将重建的DRT纤维进行人工调整,去除解剖学上不合理的纤维束。
最优靶点标注:对MRI和重建的纤维束进行融合并导出为新的MRI_label图像。在FSLview软件中打开MRI_label图像,取红核最大直径层面及上、下各5个层面(共11个层面)识别双侧DRT纤维中点,将坐标记录、保存并导出。
步骤4、通过训练好的靶点定位模型进行靶点定位;
将预处理后的每一层MRI数据输入靶点定位模型的分类网络,将所有层按照分类网络的输出分值排序,选择排在最前面的K层MRI图像,放弃分值低于T的层,将选中的层输入靶点定位模型的定位网络,计算靶点坐标;所述的K是一个参数(整数),K的值根据实际情况进行设定,小于等于最多可能包含靶点的层数。
T的值可以在后期使用过程中根据实际情况再次调整。
步骤5、验证和输出;
根据预先设定的规则验证靶点是否规范,最后将通过验证的靶点坐标以及对应的层索引输出;
预先设定的规则:为了减少产生不合理的靶点定位结果,需要定义一些简单的靶点验证规则。这些规则表示靶点不可能出现的情况。例如,左脑的靶点不可能出现在右脑。根据医学领域对应相关规范确定靶点验证规则。
以上分析过程涉及的术语在相关的神经医学以及医学成像文献中均有说明,本文档中不再详细描述。
Claims (5)
1.基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,其特征在于,步骤如下:
步骤1、数据预处理;
步骤2、构建靶点定位模型;
靶点定位模型包括分类网络和定位网络,所述的分类网络和定位网络都采用卷积神经网络结构;
步骤3、训练靶点定位模型,并确定分类得分的阈值参数T的初始值;
步骤4、通过训练好的靶点定位模型进行靶点定位;
将预处理后的每一层MRI数据输入靶点定位模型的分类网络,将所有层按照分类网络的输出分值排序,选择排在最前面的K层MRI图像,放弃分值低于T的层,将选中的层输入靶点定位模型的定位网络,计算靶点坐标;所述的K是一个参数,K的值根据实际情况进行设定,小于等于最多可能包含靶点的层数;
步骤5、验证和输出;
根据预先设定的规则验证靶点是否规范,最后将通过验证的靶点坐标以及对应的层索引输出。
2.根据权利要求1所述的基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,其特征在于,步骤1具体方法如下:
一组完整的MRI影像是由很多幅灰度图像层叠构成;人的头部MRI通常包含了上百个图像层,靶点的位置能够表示成一个二维坐标和一个层索引的组合;
首先对样本数据进行分析,统计每组MRI中存在靶点的层索引值,计算出比例范围a%--b%,即可能包含靶点的层的位置范围;然后,为了减少不必要的计算,每组MRI中超出比例范围的图像层将被忽略;
接下来,将保留下来的MRI图像层裁剪成预先设定的标准尺寸,裁剪时先将图像中的非空白部分居中后再进行裁剪;
最后,将MRI数据的取值范围规范化;对于每组MRI,将所有像素值除以一个自定义的最大值,从而将所有像素值限定在0到1之间;在此基础上,为了匹配神经网络的输入端,需要对数据进一步规范化,使数据每个维度的均值接近零,方差接近一。
3.根据权利要求2所述的基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,其特征在于,步骤2具体方法如下;
靶点定位模型包括分类网络和定位网络;所述的分类网络和定位网络都基于卷积神经网络架构;所述的分类网络和定位网络采用基于残差网络(ResNet)结构的卷积部分作为网络主干,配合网络末端的全连接部分;
分类网络的卷积部分由一个卷积层和若干残差块(residualblock)构成;最后一层为全连接层,输出结果是一维数值,定义为分类得分;由于sigmoid函数的作用,分类得分介于0和1之间;将其作为输入图像包含靶点的概率,用于根据得分对不同的MRI图像层进行排序;
定位网络的卷积部分由一个卷积层和若干残差块(residualblock)构成;最后一层为全连接层,输出结果是4维数组;将其转换成2乘2维的形式,即两个二维坐标,分别对应左右靶点的位置;由于sigmoid函数的作用,坐标值介于0和1之间,视为根据图像长宽归一化以后的坐标;假定归一化后的坐标为(x,y),图像的分辨率为H乘W,像素的长宽分别为p,q,则实际的坐标为(xHp,yWq)。
4.根据权利要求3所述的基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,其特征在于,步骤3具体方法如下:
采用有监督学习,通过预处理后的已知靶点位置的MRI图像数据对步骤2构建好的靶点定位模型进行训练和验证;对获取的已知靶点位置的MRI图像数据进行划分,其中随机取4/5作为训练集,其余作为验证集,采用基于小批次(mini batch)的随机梯度下降(stochastic gradient descent)算法,利用反向传播(back-propagation)对网络参数进行优化;所述MRI图像的已知靶点位置数据是利用DRTT分析技术获得并进行人工标注的最优靶点;
确定分类得分的阈值参数T的初始值:在训练和验证的过程中,每个图像层的最佳定位误差和对应的分类得分将被记录;当误差小于预设的最大值,则对应的分类得分将被选中;所有被选中的分类得分中的最小值将被设为参数T的初始值。
5.根据权利要求4所述的基于磁共振成像和神经网络的脑深部电刺激靶点定位方法,其特征在于,所述的DRTT分析需要用到两种数据,包括MRI和弥散张量成像DTI数据,具体流程如下:
MRI预处理流程:默认采用的MRI模式为T2-MRI,图像原始层厚为0.7mm;将MRI根据AC-PC线进行较正;设定AC-PC线中点作为坐标轴原点,并进行重新分层;
弥散张量成像预处理流程:首先进行确定性纤维追踪deterministic fibertracking;采用广义q采样成像方法重建磁共振弥散张量成像数据,以获得每个体素内的张量;采用刚性变换对MRI和弥散张量成像数据进行配准;在MRI上定义三个感兴趣区域:1)手动分割的同侧齿状核;2)手动分割的同侧PSA区域;3)使用FreeSurfer DKT图谱自动提取的同侧中央前回;种子点设定为同侧齿状核;确定性纤维追踪最小和最大纤维长度分别设置为20和200mm;角度阈值设置为55,步长设置为0.5,种子追踪上限设定为50000;将重建的DRT纤维进行人工调整,去除解剖学上不合理的纤维束;
最优靶点标注:对MRI和重建的纤维束进行融合并导出为新的MRI_label图像;在FSLview软件中打开MRI_label图像,取红核最大直径层面及上、下各5个层面识别双侧DRT纤维中点,将坐标记录、保存并导出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111386383.7A CN114255209B (zh) | 2021-11-22 | 2021-11-22 | 基于磁共振成像和神经网络的脑深部电刺激靶点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111386383.7A CN114255209B (zh) | 2021-11-22 | 2021-11-22 | 基于磁共振成像和神经网络的脑深部电刺激靶点定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255209A true CN114255209A (zh) | 2022-03-29 |
CN114255209B CN114255209B (zh) | 2023-04-07 |
Family
ID=80792923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111386383.7A Active CN114255209B (zh) | 2021-11-22 | 2021-11-22 | 基于磁共振成像和神经网络的脑深部电刺激靶点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255209B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190217113A1 (en) * | 2018-01-12 | 2019-07-18 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Personalized Treatment of Neurological Conditions using Implantable Neurostimulators |
CN110210543A (zh) * | 2019-05-24 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 图像分类系统、方法、设备和存储介质 |
CN112215291A (zh) * | 2020-10-19 | 2021-01-12 | 中国计量大学 | 级联神经网络下医学图像特征提取和分类方法 |
-
2021
- 2021-11-22 CN CN202111386383.7A patent/CN114255209B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190217113A1 (en) * | 2018-01-12 | 2019-07-18 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Personalized Treatment of Neurological Conditions using Implantable Neurostimulators |
CN110210543A (zh) * | 2019-05-24 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 图像分类系统、方法、设备和存储介质 |
CN112215291A (zh) * | 2020-10-19 | 2021-01-12 | 中国计量大学 | 级联神经网络下医学图像特征提取和分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114255209B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230005619A1 (en) | Spinal stenosis detection and generation of spinal decompression plan | |
US20230008386A1 (en) | Method for automatically planning a trajectory for a medical intervention | |
CN103942780B (zh) | 基于改进模糊连接度算法的丘脑及其子结构分割方法 | |
EP2393416A1 (en) | Methods and apparatuses for quantitatively determining the likelihood of a disease | |
Taherdangkoo et al. | Segmentation of MR brain images using FCM improved by artificial bee colony (ABC) algorithm | |
CN112184720B (zh) | 一种ct图像的内直肌和视神经分割方法及系统 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
Solomon et al. | Deep‐learning based fully automatic segmentation of the globus pallidus interna and externa using ultra‐high 7 Tesla MRI | |
CN114255209B (zh) | 基于磁共振成像和神经网络的脑深部电刺激靶点定位方法 | |
Muller et al. | Use of probabilistic tractography to provide reliable distinction of the motor and sensory thalamus for prospective targeting during asleep deep brain stimulation | |
Liu et al. | A surgeon specific automatic path planning algorithm for deep brain stimulation | |
CN107845106A (zh) | 利用改进的nndr策略的医学图像配准方法 | |
CN116863221A (zh) | 一种基于cnn与注意力机制的阿尔兹海默症分类方法 | |
Sengun et al. | Automatic liver segmentation from CT images using deep learning algorithms: a comparative study | |
Sammartino et al. | Radiological identification of the globus pallidus motor subregion in Parkinson’s disease | |
Baxter et al. | Segmentation of the subthalamic nucleus in MRI via convolutional neural networks for deep brain stimulation planning | |
CN115409857A (zh) | 一种基于深度学习的三维脑积水ct图像分割方法 | |
CN114748162A (zh) | 路径规划方法和可读存储介质 | |
CN110136096A (zh) | 一种基于断层扫描图数据集进行病变区域分割的方法 | |
CN109615656A (zh) | 一种基于模型搜索的脊柱定位方法 | |
CN113724304A (zh) | 一种基于深度学习的食管区域图像自动配准方法及系统 | |
CN113870324A (zh) | 多模态图像的配准方法及其配准装置和计算机可读存储介质 | |
CN117649442B (zh) | 利用平衡器官解剖标志构筑三维头影测量坐标系的方法 | |
Aisyah et al. | Multilevel thresholding and Morphological Relationship Approach for Automatic Detection of Anterior and Posterior Commissure in Mid-sagittal Brain MRI. | |
CN113379249B (zh) | 一种基于图谱的纤维束成像评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |