CN114463493A - 基于编解码结构的经颅磁刺激电场快速成像方法和模型 - Google Patents
基于编解码结构的经颅磁刺激电场快速成像方法和模型 Download PDFInfo
- Publication number
- CN114463493A CN114463493A CN202210055122.5A CN202210055122A CN114463493A CN 114463493 A CN114463493 A CN 114463493A CN 202210055122 A CN202210055122 A CN 202210055122A CN 114463493 A CN114463493 A CN 114463493A
- Authority
- CN
- China
- Prior art keywords
- electric field
- neural network
- coding
- brain
- network model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- 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
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了基于编解码结构的经颅磁刺激电场快速成像方法和模型,对人脑的结构先验与深度卷积神经网络进行融合,通过搭建基于编解码结构融合多尺度特征的深度神经网络模型,缩短了经颅磁刺激后电场在大脑分布的成像时间,实现了对在经颅磁刺激下的电场在整个大脑不同区域分布的快速预测、实时成像和评估。本发明能够对经颅磁刺激线圈放置的整个大脑不同位置的电场进行快速预测和成像,可应用到经颅磁刺激的辅助诊断应用中。本发明通过有效提取输入的磁共振图像中的特征,实现了辅助医生对患者进行经颅磁刺激的治疗过程中对刺激部位和刺激强度的评估。
Description
技术领域
本发明属于深度学习技术领域,具体涉及基于编解码结构的经颅磁刺激电场快速成像方法和模型。
背景技术
随着当今社会生活节奏的不断加快,精神疾病已代替传染病成为威胁人类生命、消耗医药资源最大的疾病。精神疾病的主要表现是脑功能异常,实验证实磁刺激可以通过影响脑功能,从而达到治疗精神疾病的目的。经颅磁刺激(Transcranial MagneticStimulation)是一种通过线圈产生的磁信号无衰减的透过大脑颅骨从而刺激到大脑神经,达到对特定脑部区域刺激的一种治疗技术。经颅磁刺激技术作为一种非侵入式的神经刺激技术,在临床中常用于抑郁症、自闭症、睡眠障碍等精神类疾病的治疗。通过在不同的区域移动磁线圈,产生电场刺激大脑内部神经,从而达到治疗精神类疾病的目的。
在临床实践中,实时的可视化经颅磁刺激下电场在大脑内部各个区域的分布,不仅能够帮助医生及时的调整线圈刺激大脑的位置和角度,而且也能够帮助相关脑科学研究的科研工作者们更好的理解治疗反应的机制。但由于人体大脑结构复杂以及大脑内部不同物质电导率的差异,使得对电场分布的有效预测成为经颅磁刺激治疗中的一个挑战。最近深度学习技术被应用于预测经颅磁刺激诱导的电场,这种方法能够将仿真时间缩短到远远小于1秒,显著地缩短了预测时间。但是这种技术还存在三个方面的问题:首先,它估计了电场的大小,没有任何潜在方向的信息,这是有用的研究经颅磁刺激对轴突纤维束的影响。其次,由于线圈被放置在运动皮层周围的一个小区域附近,而没有对其他大脑区域的训练和测试数据进行检查,因此该方法只能预测电场。第三,神经网络以仅以MRI和经颅磁刺激线圈的位置作为输入来预测电场,忽略了线圈之间的差异。因此,训练后的网络仅适用于预测特定线圈的电场图。
发明内容
本发明要解决的技术问题是:提供基于编解码结构的经颅磁刺激电场快速成像方法和模型,用于快速预测经颅磁刺激下的三维电场并在大脑表层进行快速成像和评估。
本发明为解决上述技术问题所采取的技术方案为:基于编解码结构的经颅磁刺激电场快速成像方法,包括以下步骤:
S1:基于人脑磁共振图像MRI建立被测试者的三维人脑结构图;选择特定形状的线圈,在线采集经颅磁线圈电场产生的数据,通过有限元数值算法计算线圈作用下人脑中的不同区域的电场分布;
S2:根据快速运算卷积神经网络结合脑部的结构先验,构建基于编解码结构的融合多尺度特征的深度神经网络模型;设MS表示最终融合的多尺度特征,Conv表示对多尺度特征进行卷积操作,Concatenate表示把多尺度特征进行串联,f表示对不同尺度的特征进行尺度变换,变换后的特征为MS1,则深度神经网络模型的计算公式如下:
MS=Conv(Concatenate(∑nMS1+f(MS2)+…+f(MSn)));
采用步骤S1获取的数据训练基于编解码结构的融合多尺度特征的深度神经网络模型;通过最小化预测的电场和有限元算法得到的电场之间的均方误差损失进行训练;将深度神经网络模型看作非线性回归模型,通过训练深度神经网络模型拟合有限元法计算的电场分布;
S3:将基于编解码结构的融合多尺度特征的深度神经网络模型预测的三维电场数据转化为二维数据,并投影到对应的大脑表层进行显示,实现对经颅磁刺激后电场在大脑不同区域的快速成像;基于电场在大脑中的分布特点和输出的电场评估指标,对基于编解码结构的融合多尺度特征的深度神经网络模型在包括预测时间和性能两方面的表现进行实时地评估。
按上述方案,所述的步骤S1中,具体步骤为:
S11:采用T1和T2两类加权人脑磁共振图像MRI分割被测试者的人脑组织图像、重建被测试者的包括脑白质、脑灰质、脑脊液的三维人脑结构图,生成有限元网格;
S12:采用弥散磁共振图像通过配准获取弥散张量,计算人脑不同组织的电导率,构建电导率张量;
S13:在三维人脑结构图中选取脑电图上定义的不同的位置,通过选择特定形状和类型的线圈,使用有限元算法计算在线圈作用下人脑不同区域的电场分布的三维数据和对应的MRI磁共振图像数据。
按上述方案,所述的步骤S2中,编解码结构包括编码端和解码端;编码端用于学习输入数据的特征,编码端包括多组三维卷积算子、池化操作、非线性特征激活操作;解码端用于根据学习到的特征快速预测电场在三维人脑结构中的分布,解码端包括多组三维卷积、三维转置卷积、特征融合模块、非线性特征激活操作;解码端到编码端之间为短跳连接用于传递特征映射。
按上述方案,所述的步骤S2中,训练基于编解码结构的融合多尺度特征的深度神经网络模型的具体步骤为:
S21:对深度神经网络模型的权值进行初始化;
S22:使用RAdam优化器训练深度神经网络模型,设超参数分别为β1=0.9,β2=0.999,初始学习率为0.002;采用步进学习速率策略,初始值学习率每隔5个训练周期衰减为0.5;总参数迭代更新使用反向传播的小批量值为4;参数迭代更新25个训练周期,每个训练周期有2×105次迭代;深度神经网络模型共有31个卷积层。
按上述方案,所述的步骤S3中,采用训练后的模型对输入的磁共振图像和线圈产生的磁场数据进行特征提取,并输出电场在整个大脑中的分布;设x表示输入的图像数据,y表示基于有限元算法得到的电场分布,θ表示深度神经网络模型中的训练参数,Net(x|θ)表示深度神经网络模型预测的电场输出,则将深度神经网络模型的训练问题转化为优化问题,计算公式如下:
设EPD表示预测电场中峰值最大的值,则电场峰值统计的计算公式为:
EPD=||Peak(EP)||;
设Cos(θ)表示预测电场X方向和Y方向的余弦系数,则电场方向统计的计算公式为:
预测电场强度分布幅值的计算公式为:
按上述方案,所述的步骤S3中,电场评估指标包括峰值信噪比、均方误差、峰值最大距离误差、相关系数、绝对误差和电场预测时间。
按上述方案,所述的步骤S3中,评估基于编解码结构的融合多尺度特征的深度神经网络模型时使用的指标包括目标重叠系数TOC、电场峰值距离EPD、电场相似性、平均绝对误差MAE、平均相对误差MRE、归一化均方根误差NRMSE和平均方向误差MDE;
目标重叠系数TOC为预测的电场与参考目标区域的相似系数DSC;TOC的值在0到1之间,且TOC越高,电场分布越相似;设TP、FP和FN分别为预测电场与参考电场之间的真阳性、假阳性和假阴性,则:
电场峰值距离EPD为预测的峰值与参考电场震级之间的距离;分别在体积和表面空间中计算电场峰值距离EPD,公式如下:
EPD=||Peak(EP)-Peak(ER)||;
电场相似性为对预测的震级与参考电场图之间的相关系数;设||EP||和||ER||分别为预测电场和参考电场的幅值,则电场相似性为:
平均绝对误差MAE为预测值与参考值之差的绝对值;平均相对误差MRE为MAE与相应目标区域内参考电场幅值的比值;MRE仅在目标区域内计算以避免奇异性;设K为人脑表面的顶点数,则:
归一化均方根误差NRMSE用于比较体积空间中的向量电场;设N为体素数量,利用全脑电场以及参考电场峰值附近包含5%体素的目标区域计算NRMSE度量:
平均方向误差MDE为参考目标区域内预测电场向量与参考电场向量之间的平均方向误差,用于评估预测电场图的角精度,计算了全脑电场以及靶区周围电场的平均方向误差:
基于编解码结构的经颅磁刺激电场快速成像方法的深度神经网络模型,为以多尺度的方式集成到标准编解码深度网络架构中的残差模块和深度监控机制;包括人脑三维结构建模模块、基于编解码结构的深度神经网络电场预测模块、电场在三维大脑表层成像及电场分布指标评估模块。
一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行基于编解码结构的经颅磁刺激电场快速成像方法。
本发明的有益效果为:
1.本发明的基于编解码结构的经颅磁刺激电场快速成像方法和模型,对人脑的结构先验与深度卷积神经网络进行融合,通过搭建基于编解码结构融合多尺度特征的深度神经网络模型,缩短了经颅磁刺激后电场在大脑分布的成像时间,实现了对在经颅磁刺激下的电场在整个大脑不同区域分布的快速预测、实时成像和评估。
2.本发明充分利用计算机视觉、脑科学等相关领域的最新研究成果,提出快速的基于编解码的三维卷积神经网络架构,能够对经颅磁刺激线圈放置的整个大脑不同位置的电场进行快速预测和成像,可应用到经颅磁刺激的辅助诊断应用中。
3.本发明以电场在大脑表层进行快速成像为目标,基于深度学习技术,提出经颅磁刺激下电场的快速成像和评估的系统,通过有效提取输入的磁共振图像中的特征,实现了辅助医生对患者进行经颅磁刺激的治疗过程中对刺激部位和刺激强度的评估。
附图说明
图1是本发明实施例的功能框图。
图2是本发明实施例的重建三维脑结构和训练数据的流程图。
图3是本发明实施例的三维编解码深度神经网络模型的示意图。
图4是本发明实施例的经颅磁刺激下的电场预测示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明的实施例基于编解码结构融合多尺度特征的深度神经网络,用于对经颅磁刺激电场快速预测和成像。提出了一个新的深度学习框架,使得训练后的模型可以用于预测不同类型线圈的电场。本发明的核心网络架构将残差模块和深度监控机制以多尺度的方式集成到标准编解码深度网络架构中,以获得更好的性能。使用不同的测试数据集和不同类型的线圈,采用多种评价指标对训练过的网络模型的性能进行检测。
本发明的实施例包括人脑三维结构建模模块、基于编解码结构的深度神经网络电场预测模块、电场在三维大脑表层成像及电场分布指标评估模块;
本发明实施例的基于编解码结构的经颅磁刺激电场快速成像方法的具体步骤为:
S1:重建三维人脑结构图,通过有限元数值算法获取电场分布数据;基于人脑磁共振图像MRI建立被测试者的三维人脑结构图,主要包括脑白质、脑灰质、脑脊液等的三维结构分布。然后选择特定形状的线圈。基于所选定线圈的形状和类型,使用有限元算法计算选定线圈作用下在该人脑中的不同区域的电场分布;
S11:参见图2的虚线框左侧表示三维脑结构重建和电导率计算;基于人脑磁共振图像MRI的加权磁共振图像,重建被测试者的包括脑白质、脑灰质、脑脊液的三维人脑结构图;使用T1和T2两类加权的磁共振脑部图像进行三维重建;
S12:利用弥散磁共振图像计算人脑不同组织的电导率;
S13:参见图2的虚线框右侧表示在三维人脑结构图中选取脑电图上定义的不同的位置,通过选择特定形状和类型的线圈,使用有限元算法计算在线圈作用下人脑不同区域的电场分布的三维数据和对应的MRI磁共振图像数据。
S2:参见图3,根据快速运算卷积神经网络结合脑部的结构先验,构建并训练基于编解码结构的融合多尺度特征的深度神经网络模型;图中黑色箭头表示残差模块的短跳连接,灰色箭头表示将解码器的特征映射传递给编码器的短跳连接。所有的长方体代表网络中提取的特征图,且灰色长方体表示来自解码器的多尺度特征映射;
S21:构建基于编解码结构的深度神经网络模型,通过融合不同尺度的特征提升训练效率、预测性能和模型的泛化性能,编解码结构的计算公式如下:
MS=Conv(Concatenat(∑nMS1+f(MS2)+…+f(MSn)))
式中,MS表示最终融合的多尺度特征,Conv表示对多尺度特征进行卷积操作,Concatenate表示把多尺度特征进行串联,f表示对不同尺度的特征进行尺度变换,变换后的特征记为MS1。
编解码结构的编码端用于学习输入数据的特征,解码端用于根据学习到的特征对电场在三维脑结构中的分布进行快速的预测;编码端包括多组三维卷积算子、池化操作、非线性特征激活操作;解码端包括多组三维卷积、三维转置卷积、特征融合模块、非线性特征激活操作。
S22:利用步骤S1获取的数据对基于三维卷积的编解码深度神经网络进行训练;通过最小化预测的电场和有限元算法得到的电场之间的均方误差损失来进行训练。将网络看作是一个非线性回归模型,通过训练该模型来拟合有限元法计算的电场分布。该网络的学习策略如下:首先使用提出的方法对网络权值进行初始化;然后使用RAdam优化器进行网络训练,超参数分别为β1=0.9,β2=0.999,初始学习率为0.002;采用步进学习速率策略,初始值学习率每隔5个训练周期衰减为0.5;总参数迭代更新使用反向传播的小批量值为4;参数迭代更新25个训练周期,每个训练周期有2×105次迭代;如图3所示网络中总共有31个卷积层。
S3:将基于编解码结构的神经网络模型预测的三维电场数据转化为二维数据并投影到对应的大脑表层进行显示,实现对经颅磁刺激后电场在大脑不同区域的快速成像;基于电场在大脑中的分布特点,根据输出的包括峰值信噪比、均方误差、峰值最大距离误差、相关系数、绝对误差、电场预测时间的电场评估指标,对基于编解码结构的神经网络模型在预测时间和性能两方面的表现实时地进行评估。
训练得到的模型用于对输入的磁共振图像和线圈产生的磁场数据进行特征的提取,并最终输出电场在整个大脑中的分布;由于电场的数值是一个连续的实数,所以将电场预测网络的训练转化为优化问题,计算公式如下:
上式中x和y分别表示输入的图像数据和基于有限元算法得到的电场分布,θ表示网络中的训练参数,Net(x|θ)表示网络预测的电场输出。
计算电场峰值统计、电场方向统计和电场强度分布幅值的计算公式分别如下:
EPD=||Peak(EP)||
式中,EPD表示预测电场中峰值最大的值,Cos(θ)表示预测电场X和Y方向的余弦系数,||E||表示预测电场强度分布幅值。
在评估模型部分,本发明使用以下指标评估了神经网络的性能。
目标重叠系数(TOC):电场模拟的一个主要应用是确定头皮上的最佳线圈位置,以最佳地刺激给定的皮质目标与经颅磁刺激。为了比较预测的E场和参考的目标区域,对它们的相似系数(DSC)进行计算,并将其命名为目标重叠系数(TOC)。由下列公式可以看到TOC的值在0到1之间,且TOC越高,电场分布越相似。其中TP、FP和FN均为预测E场与参考E场之间的真阳性、假阳性和假阴性。
电场峰值距离(EPD):为了进一步评价预测的电场图的性能,对预测的峰值和参考电场震级之间的距离也进行了计算。与TOC类似,分别在体积和表面空间中计算E场峰值距离(EPD),公式如下:
EPD=||Peak(EP)-Peak(ER)||。
电场相似性:对预测的震级与参考的电场图之间的相关系数进行计算,以评价它们的相似性。使用以下定义计算全脑电场大小的电场相似度评分,下列公式中||EP||和||ER||分别为预测电场和参考电场的幅值。
平均绝对误差(MAE)和平均相对误差(MRE):平均绝对误差(MAE)定义为预测值与参考值之差的绝对值。平均相对误差(MRE)定义为MAE与相应目标区域内参考电场幅值的比值。这里,在计算比值时,仅在目标区域内计算MRE,以避免奇异性。其公式中K为脑表面的顶点数:
归一化均方根误差(NRMSE):为了比较体积空间中的向量E场,使用下面的公式计算NRMSE测度;其中N为体素数量,利用全脑E场以及参考E场峰值附近包含5%体素的目标区域计算了NRMSE度量:
平均方向误差(MDE):电场矢量的方向对于理解经颅磁刺激中白质的刺激具有重要意义。为此,根据以下公式,通过计算参考目标区域内预测E场向量与参考E场向量之间的平均方向误差(MDE)来评估预测E场图的角精度。与NRMSE测量相似,该公式计算了全脑电场以及靶区周围电场的MDE:
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (9)
1.基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:包括以下步骤:
S1:基于人脑磁共振图像MRI建立被测试者的三维人脑结构图;选择特定形状的线圈,在线采集经颅磁线圈电场产生的数据,通过有限元数值算法计算线圈作用下人脑中的不同区域的电场分布;
S2:根据快速运算卷积神经网络结合脑部的结构先验,构建基于编解码结构的融合多尺度特征的深度神经网络模型;设MS表示最终融合的多尺度特征,Conv表示对多尺度特征进行卷积操作,Concatenate表示把多尺度特征进行串联,f表示对不同尺度的特征进行尺度变换,变换后的特征为MS1,则深度神经网络模型的计算公式如下:
MS=Conv(Concatenate(ΣnMS1+f(MS2)+…+f(MSn)));
采用步骤S1获取的数据训练基于编解码结构的融合多尺度特征的深度神经网络模型;通过最小化预测的电场和有限元算法得到的电场之间的均方误差损失进行训练;将深度神经网络模型看作非线性回归模型,通过训练深度神经网络模型拟合有限元法计算的电场分布;
S3:将基于编解码结构的融合多尺度特征的深度神经网络模型预测的三维电场数据转化为二维数据,并投影到对应的大脑表层进行显示,实现对经颅磁刺激后电场在大脑不同区域的快速成像;基于电场在大脑中的分布特点和输出的电场评估指标,对基于编解码结构的融合多尺度特征的深度神经网络模型在包括预测时间和性能两方面的表现进行实时地评估。
2.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:所述的步骤S1中,具体步骤为:
S11:采用T1和T2两类加权人脑磁共振图像MRI分割被测试者的人脑组织图像、重建被测试者的包括脑白质、脑灰质、脑脊液的三维人脑结构图,生成有限元网格;
S12:采用弥散磁共振图像通过配准获取弥散张量,计算人脑不同组织的电导率,构建电导率张量;
S13:在三维人脑结构图中选取脑电图上定义的不同的位置,通过选择特定形状和类型的线圈,使用有限元算法计算在线圈作用下人脑不同区域的电场分布的三维数据和对应的MRI磁共振图像数据。
3.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:所述的步骤S2中,编解码结构包括编码端和解码端;编码端用于学习输入数据的特征,编码端包括多组三维卷积算子、池化操作、非线性特征激活操作;解码端用于根据学习到的特征快速预测电场在三维人脑结构中的分布,解码端包括多组三维卷积、三维转置卷积、特征融合模块、非线性特征激活操作;解码端到编码端之间为短跳连接用于传递特征映射。
4.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:所述的步骤S2中,训练基于编解码结构的融合多尺度特征的深度神经网络模型的具体步骤为:
S21:对深度神经网络模型的权值进行初始化;
S22:使用RAdam优化器训练深度神经网络模型,设超参数分别为β1=0.9,β2=0.999,初始学习率为0.002;采用步进学习速率策略,初始值学习率每隔5个训练周期衰减为0.5;总参数迭代更新使用反向传播的小批量值为4;参数迭代更新25个训练周期,每个训练周期有2×105次迭代;深度神经网络模型共有31个卷积层。
5.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:所述的步骤S3中,
采用训练后的模型对输入的磁共振图像和线圈产生的磁场数据进行特征提取,并输出电场在整个大脑中的分布;设x表示输入的图像数据,y表示基于有限元算法得到的电场分布,θ表示深度神经网络模型中的训练参数,Net(x|θ)表示深度神经网络模型预测的电场输出,则将深度神经网络模型的训练问题转化为优化问题,计算公式如下:
设EPD表示预测电场中峰值最大的值,则电场峰值统计的计算公式为:
EPD=||Peak(Ep)||;
设Cos(θ)表示预测电场X方向和Y方向的余弦系数,则电场方向统计的计算公式为:
预测电场强度分布幅值的计算公式为:
6.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:所述的步骤S3中,电场评估指标包括峰值信噪比、均方误差、峰值最大距离误差、相关系数、绝对误差和电场预测时间。
7.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法,其特征在于:所述的步骤S3中,评估基于编解码结构的融合多尺度特征的深度神经网络模型时使用的指标包括目标重叠系数TOC、电场峰值距离EPD、电场相似性、平均绝对误差MAE、平均相对误差MRE、归一化均方根误差NRMSE和平均方向误差MDE;
目标重叠系数TOC为预测的电场与参考目标区域的相似系数DSC;TOC的值在0到1之间,且TOC越高,电场分布越相似;设TP、FP和FN分别为预测电场与参考电场之间的真阳性、假阳性和假阴性,则:
电场峰值距离EPD为预测的峰值与参考电场震级之间的距离;分别在体积和表面空间中计算电场峰值距离EPD,公式如下:
EPD=||Peak(Ep)-Peak(ER)||;
电场相似性为对预测的震级与参考电场图之间的相关系数;设||EP||和||ER||分别为预测电场和参考电场的幅值,则电场相似性为:
平均绝对误差MAE为预测值与参考值之差的绝对值;平均相对误差MRE为MAE与相应目标区域内参考电场幅值的比值;MRE仅在目标区域内计算以避免奇异性;设K为人脑表面的顶点数,则:
归一化均方根误差NRMSE用于比较体积空间中的向量电场;设N为体素数量,利用全脑电场以及参考电场峰值附近包含5%体素的目标区域计算NRMSE度量:
平均方向误差MDE为参考目标区域内预测电场向量与参考电场向量之间的平均方向误差,用于评估预测电场图的角精度,计算了全脑电场以及靶区周围电场的平均方向误差:
8.用于权利要求1至7中任意一项所述的基于编解码结构的经颅磁刺激电场快速成像方法的深度神经网络模型,其特征在于:为以多尺度的方式集成到标准编解码深度网络架构中的残差模块和深度监控机制;包括人脑三维结构建模模块、基于编解码结构的深度神经网络电场预测模块、电场在三维大脑表层成像及电场分布指标评估模块。
9.一种计算机存储介质,其特征在于:其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1至权利要求7中任意一项所述的基于编解码结构的经颅磁刺激电场快速成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210055122.5A CN114463493A (zh) | 2022-01-18 | 2022-01-18 | 基于编解码结构的经颅磁刺激电场快速成像方法和模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210055122.5A CN114463493A (zh) | 2022-01-18 | 2022-01-18 | 基于编解码结构的经颅磁刺激电场快速成像方法和模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463493A true CN114463493A (zh) | 2022-05-10 |
Family
ID=81410480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210055122.5A Pending CN114463493A (zh) | 2022-01-18 | 2022-01-18 | 基于编解码结构的经颅磁刺激电场快速成像方法和模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463493A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762303A (zh) * | 2022-11-07 | 2023-03-07 | 深圳职业技术学院 | 经颅磁刺激线圈电磁场模拟系统的系统搭建方法 |
CN115910356A (zh) * | 2022-11-11 | 2023-04-04 | 深圳职业技术学院 | 基于经颅磁刺激线圈电磁场模拟的磁场刺激效果评估方法 |
CN117594193A (zh) * | 2024-01-17 | 2024-02-23 | 西安电子科技大学 | 基于深度学习的经颅直流电个体化刺激靶点定位方法 |
-
2022
- 2022-01-18 CN CN202210055122.5A patent/CN114463493A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762303A (zh) * | 2022-11-07 | 2023-03-07 | 深圳职业技术学院 | 经颅磁刺激线圈电磁场模拟系统的系统搭建方法 |
CN115762303B (zh) * | 2022-11-07 | 2023-08-18 | 深圳职业技术学院 | 经颅磁刺激线圈电磁场模拟系统的系统搭建方法 |
CN115910356A (zh) * | 2022-11-11 | 2023-04-04 | 深圳职业技术学院 | 基于经颅磁刺激线圈电磁场模拟的磁场刺激效果评估方法 |
CN115910356B (zh) * | 2022-11-11 | 2023-07-25 | 深圳职业技术学院 | 基于经颅磁刺激线圈电磁场模拟的磁场刺激效果评估方法 |
CN117594193A (zh) * | 2024-01-17 | 2024-02-23 | 西安电子科技大学 | 基于深度学习的经颅直流电个体化刺激靶点定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7405818B2 (ja) | 変形可能テンプレートを使用して最適化された電極位置を有するttフィールドを用いて患者を治療する | |
CN114463493A (zh) | 基于编解码结构的经颅磁刺激电场快速成像方法和模型 | |
Schilling et al. | Challenges in diffusion MRI tractography–Lessons learned from international benchmark competitions | |
US11664125B2 (en) | System and method for deep learning based cardiac electrophysiology model personalization | |
JP7271000B2 (ja) | パッチガイド方法及びプログラム | |
RU2703344C1 (ru) | Формирование псевдо-кт по мр-данным с использованием регрессионной модели на основе признаков | |
Van Leemput et al. | Automated segmentation of hippocampal subfields from ultra‐high resolution in vivo MRI | |
Pachauri et al. | Topology-based kernels with application to inference problems in Alzheimer's disease | |
KR20180072811A (ko) | MRI 기반 전도도 측정에 기반한 머리 위 전극 위치의 최적화된 TTField 치료 | |
CN110522448A (zh) | 一种基于图卷积神经网络的脑网络分类方法 | |
Wu et al. | Shape reconstruction with multiphase conductivity for electrical impedance tomography using improved convolutional neural network method | |
CN108778416A (zh) | 使用组织参数估计根据mr数据的伪ct生成 | |
Yokota et al. | Real-time estimation of electric fields induced by transcranial magnetic stimulation with deep neural networks | |
CN110090017B (zh) | 一种基于lstm的脑电信号源定位方法 | |
US10504222B2 (en) | System, method and computer-accessible medium for obtaining and/or determining mesoscopic structure and orientation with fiber tracking | |
CN114376558A (zh) | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 | |
US20180133467A1 (en) | System and method for using concomittant fields to control peripheral nerve stimulation (pns) in mri image encoding | |
CN107248180A (zh) | 一种基于隐状态模型的fMRI自然图像解码方法 | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
Wang et al. | Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image | |
Mendizabal et al. | Data-driven simulation for augmented surgery | |
CN112704486B (zh) | 基于电磁仿真计算的tms线圈位姿图谱生成方法 | |
CN116869504A (zh) | 一种用于脑缺血电导率分布重建的数据补偿方法 | |
CN116189881A (zh) | 一种任务态功能磁共振个体化调控策略制定方法及系统 | |
Fan et al. | Graph Reasoning Module for Alzheimer’s Disease Diagnosis: A Plug-and-Play Method |
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 |