CN115458143A - 基于神经网络的无源植入式医疗器械射频发热评估方法 - Google Patents

基于神经网络的无源植入式医疗器械射频发热评估方法 Download PDF

Info

Publication number
CN115458143A
CN115458143A CN202211125728.8A CN202211125728A CN115458143A CN 115458143 A CN115458143 A CN 115458143A CN 202211125728 A CN202211125728 A CN 202211125728A CN 115458143 A CN115458143 A CN 115458143A
Authority
CN
China
Prior art keywords
neural network
medical device
input
chebyshev
implantable medical
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
CN202211125728.8A
Other languages
English (en)
Other versions
CN115458143B (zh
Inventor
姚爱萍
裴云峰
何俊辰
马明娟
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.)
Lanzhou University
Original Assignee
Lanzhou University
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 Lanzhou University filed Critical Lanzhou University
Priority to CN202211125728.8A priority Critical patent/CN115458143B/zh
Publication of CN115458143A publication Critical patent/CN115458143A/zh
Application granted granted Critical
Publication of CN115458143B publication Critical patent/CN115458143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Prostheses (AREA)

Abstract

本发明提供了基于神经网络的无源植入式医疗器械射频发热评估方法，用以评估植入无源植入式医疗器械的患者是否可以进行核磁共振成像扫描。本发明利用神经网络模型与切比雪夫多项式的结合，对于具有复杂形状的无源植入式医疗器械进行拟合，保证预测得到温升数据的准确性，另外，本发明可依据训练数据的不同，用于预测不同类型的无源植入式医疗器械在MRI中产生的温升。

Description

基于神经网络的无源植入式医疗器械射频发热评估方法
技术领域
本发明属于生物医学技术领域，涉及基于神经网络的无源植入式医疗器械射频发热评估方法。
背景技术
由于核磁共振成像(MRI)具有非侵入性以及无电离辐射的特性，目前核磁共振成像已成为评估全域和局部组织以及内部器官功能最广泛使用的医学成像技术之一。随着核磁共振成像技术的愈发广泛应用，接受MRI的患者也在逐步增加，与此同时，使用植入式医疗设备的患者数量同样也在快速且持续的增长，这两部分人群的交集存在一个严重的安全问题。
鉴于核磁共振成像期间的电磁环境较为复杂，医疗植入物的存在将对接受MRI的患者带来若干潜在的风险，其中，射频(RF)感应加热是植入物进行MRI时关键的安全问题之一，射频场会在人体内产生强电场并导致人体组织温度升高超过几度，这可能会对患者造成不可接受的健康损伤。
已有研究证明了神经网络预测无源植入式医疗器械进行MRI时RF暴露导致温升的有效性，尽管该项研究结果显示了神经网络是预测RF暴露的温升的有效解决方案，但是对于部分无源植入式医疗器械的高维特征，仍需要对数据进行额外的选择以及预处理以获得更加优秀的性能以及准确性。
由于侵入式电磁或者温度测量通常不可行，因此，通常通过体外(人体模型)和动物实验来测量RF加热造成的温升。
对于无源植入设备，MRI中的RF暴露通常通过以美国测试与材料协会(ASTM)标准F2182-11a定义的标准方式进行评估。在此种方法中，测试者需将无源植入式医疗器械放入灌注凝胶盐水溶液(用于模拟人体组织)的特定容器中，将容器放置于核磁共振成像设备内进行15分钟的RF加热，在此期间用容器内置的多个高精度温度传感器每间隔四秒记录一次无源植入式医疗器械的温度数据直至MR扫描结束后的两分钟。这种评估需要精确的测量或者数值模拟，对于单个的无源植入式医疗器械，这一过程需要消耗的时间在数小时以上。
考虑到目前常用的多配置无源植入式医疗器械设备可能有数千到数百万种，不同配置的无源植入式医疗器械需要满足不同的临床需求，因此，传统的一对一射频加热评估的成本太高，可行性较低。
本发明提供了一种相对简单但有效的基于神经网络的射频加热评估方案，根据经验观察，对于常见的无源植入式医疗器械，RF引起的局部组织温升主要由植入式医疗器械的几何尺寸(如长度、直径等)和其周围组织分布决定。因此，本发明建立了一个基于切比雪夫参数模型的三层神经网络用于预测常见无源植入式医疗器械附近的射频加热导致的温升。
发明内容
本发明的目的在于针对现有技术存在的问题，提供基于神经网络的无源植入式医疗器械射频发热评估方法，解决了现有技术对于预测射频导致的温升以及功率沉积效率较低、精度差的问题。
为此，本发明采取以下技术方案：
基于神经网络的无源植入式医疗器械射频发热评估方法，包括如下步骤：
a.将某无源植入式医疗器械的n个物理特征分别表述为x、y、z…，通过线性变换得到归一化参数x：
Figure BDA0003848553280000031
其中，L表示某无源植入式医疗器械的某个物理特征、Lmin和Lmax分别表示L的最小值和最大值；
根据归一化参数x建立切比雪夫多项式：
T0(x)＝1，T1(x)＝x
Tr(x)＝2xTr-1(x)-Tr-2(x)，r＝2，3，...
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式：
μ(x)＝[φ1T1(x)，φ2T2(x)，...，φLTL(x)]T＝ΦTU
υ(y)＝[ψ1T1(y)，ψ2T2(y)，...，ψMTM(y)]T＝ΨTV
Figure BDA0003848553280000032
其中，μ(x)表示某无源植入式医疗器械的物理特征x的切比雪夫多项式模型、u(y)表示某无源植入式医疗器械的物理特征y的切比雪夫多项式模型、
Figure BDA0003848553280000033
表示某无源植入式医疗器械的物理特征z的切比雪夫多项式模型、[·]T表示矩阵的转置；
将切比雪夫多项式转化为张量作为神经网络的输入：
Figure BDA0003848553280000034
其中，
Figure BDA0003848553280000041
为下一个步骤中神经网络的输入张量，由无源植入式医疗器械的物理特征的切比雪夫多项式μ(x)，υ(y)，
Figure BDA0003848553280000042
运算得到；
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络，其中，将切比雪夫模型作为前馈神经网络的输入，射频加热引起的温升作为前馈神经网络的输出，所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成；
其中，神经网络内使用ReLU激活函数以更加准确的近似预测值的大小，ReLU激活函数公式如下所示：
f(a)＝max(0,a)
其中，a表示函数输入值；
神经网络的输入层中的节点个数等于切比雪夫参数模型中的参数个数，选择以输入参数的个数的二倍作为神经网络中隐藏层的节点个数；
输入与输出间的非线性关系被基于训练数据以迭代并调整的权重和偏差被准确表征，每一层神经元的输出如下式表示：
Figure BDA0003848553280000043
其中，
Figure BDA0003848553280000044
为步骤a中得到的包含无源植入式医疗器械物理特征的张量、A是输入神经元的权值、B是输入神经元的偏置、
Figure BDA0003848553280000045
该神经元在当前层的输出、其同样作为下一层的输入、f(·)表示该神经元的传递函数。
进一步地，所述步骤b中神经网络的每一次迭代过程均使用反向传播算法将神经元中每个节点的权值进行修正直至误差处于可接受的范围内，所述反向传播算法的修正过程如下式表示：
Figure BDA0003848553280000051
Figure BDA0003848553280000052
Figure BDA0003848553280000053
其中，yn表示由软件模拟得到的实际温升、
Figure BDA0003848553280000054
表示每层神经网络预测得到的值、δn表示该结点得到结果的误差、An表示结点的权值、A′n表示由反向传播算法得到的该结点的新的权值。
本发明的有益效果在于：
1.本发明不同于以往使用物理的手段测试无源植入式医疗器械的温升，而创新性地采用机器学习领域的预测方法，神经网络在使用已有模型的数据训练后，只需要输入新模型的相关参数(如长、宽、高)就可以迅速得出新模型的最大温升，本发明不需要耗费大量的时间来对形状相同但是体积参数有差异的无源植入式医疗器械进行多次测量，可以极大程度的减少研究人员和测试人员的工作量；同时，神经网络模型结合了切比雪夫多项式，对于具有复杂形状的无源植入式医疗器械同样可以很好的进行拟合，保证预测得到温升数据的准确性；
2.本发明用以评估植入无源植入式医疗器械的患者是否可以进行核磁共振检测，可依据训练的数据的不同，用于预测不同类型的无源植入式医疗器械；如，当输入的训练数据为钉子相关的数据时，得到的神经网络模型可用于预测钉子形的无源植入式医疗器械，所以对应不同形状的无源植入式医疗器械，本发明均可以训练神经网络模型用于预测。
附图说明
图1为本发明的算法架构示意图。
具体实施方式
下面结合附图与实施方法对本发明的技术方案进行相关说明。
本发明为一种基于切比雪夫的神经网络模型，开发该模型的主要的目的是用于预测无源植入式医疗器械进行核磁共振(MRI)时的最大温升数据，以评估植入无源植入式医疗器械的患者是否可以进行核磁共振检测。
本发明可通过神经网络的代价函数计算均方误差(MSE)对神经网络的表现进行评价，代价函数的计算公式见下式。
Figure BDA0003848553280000061
其中，J(A,B)是神经网络的代价函数、
Figure BDA0003848553280000062
是根据输入的无源植入式医疗器械特征参数通过神经网络计算得到的温升的预测值、
Figure BDA0003848553280000063
是仿真得出的温升实际值、N是数据集的总数。此处神经网络由步骤a、b中根据仿真得到的数据集通过建立切比雪夫多项式训练完成，大约30％的数据作为训练集，剩余部分的数据集被用于测试，相关系数R用于评估算法的性能，其中，R＝1表示直接正相关、R＝-1表示直接负相关。
实施例1：
建立一个用以预测具有长、宽、高三个特征参数的板状植入式医疗器械的最大温升的神经网络。部分用于训练神经网络的数据如下表所示。
表1板状植入器械部分训练数据
长(mm) 宽(mm) 高(mm) 最大温升(mK)
225 25 2.0 0.175
25 15 3.5 0.294
25 5 2.5 0.0301
150 25 1.5 0.227
150 25 2.0 0.198
总实验数据为300组，其中使用240组数据作为神经网络的训练集，60组数据作为神经网络的测试集。
建立神经网络过程如以下步骤所示：
a.对于板状无源植入式医疗器械的3个物理特征：长度(L)、宽度(W)和高度(H)分别进行数据归一化，得到对应的归一化参数x，y，z；
Figure BDA0003848553280000071
Figure BDA0003848553280000072
Figure BDA0003848553280000073
根据归一化参数建立相应的切比雪夫多项式：
T0(x)＝1,T1(x)＝x
Tr(x)＝2xTr-1(x)-Tr-2(x)，r＝2，3，...
T0(y)＝1，T1(y)＝y
Tr(y)＝2yTr-1(y)-Tr-2(y)，r＝2，3，...
T0(z)＝1，T1(z)＝z
Tr(z)＝2zTr-1(z)-Tr-2(z)，r＝2，3，...
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式：
μ(x)＝[φ1T1(x)，φ2T2(x)，...，φLTL(x)]T＝ΦTU
υ(y)＝[ψ1T1(y)，ψ2T2(y)，...，ψMTM(y)]T＝ΨTV
Figure BDA0003848553280000081
其中，μ(x)表示板状植入式医疗器械的物理特征x的切比雪夫多项式模型、υ(y)表示板状植入式医疗器械的物理特征y的切比雪夫多项式模型、
Figure BDA0003848553280000082
表示板状植入式医疗器械的物理特征z的切比雪夫多项式模型、[·]T表示矩阵的转置；
将切比雪夫多项式转化为张量作为神经网络的输入：
Figure BDA0003848553280000083
其中，
Figure BDA0003848553280000084
为下一个步骤中神经网络的输入张量，由无源植入式医疗器械的物理特征的切比雪夫多项式μ(x)，υ(y)，
Figure BDA0003848553280000086
运算得到；
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络，其中，将切比雪夫模型作为前馈神经网络的输入，射频加热引起的温升作为前馈神经网络的输出，所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成；
每一层神经元的输出如下式表示，其中
Figure BDA0003848553280000085
为步骤a中得到的张量：
Figure BDA0003848553280000091
训练后得到的神经网络性能如下表所示：
表2板状神经网络性能表
均方根误差<sub>(训练)</sub> 均方根误差<sub>(测试)</sub> 相关系数
14.28 17.78 0.996
训练结束后可通过神经网络对具有长、宽、高三个特征参数的板状植入式医疗器械进行核磁共振时的最大温升进行评估预测，部分预测结果如下表所示：
表3板状神经网络部分预测结果
长(mm) 宽(mm) 高(mm) 实际温升(mK) 预测温升(mK)
125 5 2.0 0.328 0.326
175 25 3.0 0.225 0.218
200 25 2.5 0.194 0.198
25 5 2.0 0.0268 0.0268
100 10 3.5 0.22 0.21
上表显示了用于预测板状植入式医疗器械的神经网络的预测温升以及板状植入式医疗器械进行MR检测时的实际温升。结果显示，神经网络的预测结果的误差均小于0.01mK。该结果表明，切比雪夫多项式能够准确的表示板状无源植入式医疗器械的几何特征，以板状植入物长、宽、高表征为切比雪夫多项式张量作为输入的神经网络能根据板状无源植入式医疗器械的几何特征基本上能够准确预测板状无源植入式医疗器械在进行MR检测时产生的最大温升，从而保障携带板状无源植入式医疗设备的患者的健康。
实施例2：
建立一个用以预测具有半径、高两个特征参数的钉状植入式医疗器械的最大温升的神经网络，部分用于训练神经网络的数据如下表所示。
表4钉状植入器械部分训练数据
半径(mm) 高(mm) 最大温升(mK)
3.5 170 0.285
2.5 200 0.323
0.5 90 0.242
4 10 0.0176
4 240 0.22
总实验数据为300组，其中使用240组数据作为神经网络的训练集，60组数据作为神经网络的测试集。
建立神经网络过程如以下步骤所示：
a.对于钉状无源植入式医疗器械的2个物理特征：高(H)和半径(R)分别进行数据归一化，得到对应的归一化参数x，y。
Figure BDA0003848553280000101
Figure BDA0003848553280000102
根据归一化参数建立相应的切比雪夫多项式：
T0(x)＝1,T1(x)＝x
Tr(x)＝2xTr-1(x)-Tr-2(x)，r＝2，3，...
T0(y)＝1，T1(y)＝y
Tr(y)＝2yTr-1(y)-Tr-2(y)，r＝2，3，...
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式：
μ(x)＝[φ1T1(x)，φ2T2(x)，...，φLTL(x)]T＝ΦTU
υ(y)＝[ψ1T1(y)，ψ2T2(y)，...，ψMTM(y)]T＝ΨTy
其中，μ(x)表示该钉状无源植入式医疗器械的物理特征x的切比雪夫多项式模型、υ(y)表示该钉状无源植入式医疗器械的物理特征y的切比雪夫多项式模型；
将切比雪夫多项式转化为张量作为神经网络的输入：
Figure BDA0003848553280000111
其中，
Figure BDA0003848553280000112
为下一个步骤中神经网络的输入张量，由该钉状无源植入式医疗器械的物理特征的切比雪夫多项式μ(x)，υ(y)，
Figure BDA0003848553280000117
运算得到。
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络，其中，将切比雪夫模型作为前馈神经网络的输入，射频加热引起的温升作为前馈神经网络的输出，所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成；
每一层神经元的输出如下式表示，其中
Figure BDA0003848553280000113
为步骤a中得到的张量：
Figure BDA0003848553280000114
其中，
Figure BDA0003848553280000115
为步骤a中得到的包含无源植入式医疗器械物理特征的张量、A是输入神经元的权值、B是输入神经元的偏置、
Figure BDA0003848553280000116
该神经元在当前层的输出、其同样作为下一层的输入、f(·)表示该神经元的传递函数。
训练后得到的神经网络性能如下表所示：
表5钉状神经网路性能表
均方根误差<sub>(训练)</sub> 均方根误差<sub>(测试)</sub> 相关系数
25.06 29.26 0.993
训练结束后可通过神经网络对具有半径、高两个特征参数的钉状植入式医疗器械进行核磁共振时的最大温升进行评估预测，部分预测结果如下表所示：
表6钉状神经网络部分预测结果
半径(mm) 高(mm) 实际温升(mK) 预测温升(mK)
4 270 0.170 0.180
3.5 130 0.270 0.289
4.5 190 0.230 0.238
2 280 0.231 0.232
1 270 0.276 0.282
上表显示了用于预测钉状植入式医疗器械的神经网络的预测温升以及钉状植入式医疗器械进行MR检测时的实际温升。结果显示，神经网络的预测结果的误差均小于0.02mK。该结果表明，切比雪夫多项式能够准确的表示钉状无源植入式医疗器械的几何特征，以钉状植入物半径、高表征为切比雪夫多项式张量作为输入的神经网络能根据钉状无源植入式医疗器械的几何特征准确预测钉状无源植入式医疗器械在进行MR检测时产生的最大温升，从而保障携带钉状无源植入式医疗设备的患者的健康。

Claims (2)

1.基于神经网络的无源植入式医疗器械射频发热评估方法，其特征在于，包括如下步骤：
a.将某无源植入式医疗器械的n个物理特征分别表述为x、y、z…，通过线性变换得到归一化参数x：
Figure FDA0003848553270000011
其中，L表示某无源植入式医疗器械的某个物理特征、Lmin和Lmax分别表示L的最小值和最大值；
根据归一化参数x建立切比雪夫多项式：
T0(x)＝1，T1(x)＝x
Tr(x)＝2xTr-1(x)-Tr-2(x)，r＝2，3，…
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式：
μ(x)＝[φ1T1(x)，φ2T2(x)，…，φLTL(x)]T＝ΦTU
υ(y)＝[ψ1T1(y)，ψ2T2(y)，…，ψMTM(y)]T＝ΨTV
Figure FDA0003848553270000012
其中，μ(x)表示某无源植入式医疗器械的物理特征x的切比雪夫多项式模型、υ(y)表示某无源植入式医疗器械的物理特征y的切比雪夫多项式模型、
Figure FDA0003848553270000013
表示某无源植入式医疗器械的物理特征z的切比雪夫多项式模型、[·]T表示矩阵的转置；
将切比雪夫多项式转化为张量作为神经网络的输入：
Figure FDA0003848553270000014
其中，
Figure FDA0003848553270000015
为下一个步骤中神经网络的输入张量，由无源植入式医疗器械的物理特征的切比雪夫多项式μ(x)，υ(y)，
Figure FDA0003848553270000016
运算得到；
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络，其中，将切比雪夫模型作为前馈神经网络的输入，射频加热引起的温升作为前馈神经网络的输出，所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成；
其中，神经网络内使用ReLU激活函数以更加准确的近似预测值的大小，ReLU激活函数公式如下所示：
f(a)＝max(0，a)
其中，a表示函数输入值；
神经网络的输入层中的节点个数等于切比雪夫参数模型中的参数个数，选择以输入参数的个数的二倍作为神经网络中隐藏层的节点个数；
输入与输出间的非线性关系被基于训练数据以迭代并调整的权重和偏差被准确表征，每一层神经元的输出如下式表示：
Figure FDA0003848553270000021
其中，
Figure FDA0003848553270000022
为步骤a中得到的包含无源植入式医疗器械物理特征的张量、A是输入神经元的权值、B是输入神经元的偏置、
Figure FDA0003848553270000023
该神经元在当前层的输出、其同样作为下一层的输入、f(·)表示该神经元的传递函数。
2.根据权利要求1所述的基于神经网络的无源植入式医疗器械射频发热评估方法，其特征在于，所述步骤b中神经网络的每一次迭代过程均使用反向传播算法将神经元中每个节点的权值进行修正直至误差处于可接受的范围内，所述反向传播算法的修正过程如下式表示：
Figure FDA0003848553270000031
Figure FDA0003848553270000032
Figure FDA0003848553270000033
其中，yn表示由软件模拟得到的实际温升、
Figure FDA0003848553270000034
表示每层神经网络预测得到的值、δn表示该结点得到结果的误差、An表示结点的权值、A′n表示由反向传播算法得到的该结点的新的权值。
CN202211125728.8A 2022-09-16 2022-09-16 基于神经网络的无源植入式医疗器械射频发热评估方法 Active CN115458143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211125728.8A CN115458143B (zh) 2022-09-16 2022-09-16 基于神经网络的无源植入式医疗器械射频发热评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211125728.8A CN115458143B (zh) 2022-09-16 2022-09-16 基于神经网络的无源植入式医疗器械射频发热评估方法

Publications (2)

Publication Number Publication Date
CN115458143A true CN115458143A (zh) 2022-12-09
CN115458143B CN115458143B (zh) 2023-05-23

Family

ID=84305299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211125728.8A Active CN115458143B (zh) 2022-09-16 2022-09-16 基于神经网络的无源植入式医疗器械射频发热评估方法

Country Status (1)

Country Link
CN (1) CN115458143B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106667487A (zh) * 2016-12-23 2017-05-17 清华大学 一种监测有源植入物周围组织温度的方法和磁共振成像系统
CN106896334A (zh) * 2017-04-18 2017-06-27 清华大学 一种预先评估mr下有源植入物周围组织温度的方法和磁共振成像系统
CN109284541A (zh) * 2018-08-31 2019-01-29 天津工业大学 一种用于微波无源器件的神经网络多物理建模方法
CN109541511A (zh) * 2018-11-26 2019-03-29 清华大学 温升预测方法和装置
CN112630709A (zh) * 2020-11-03 2021-04-09 成都易检医疗科技有限公司 金属植入物磁共振成像方法、系统、终端及存储介质
US20210385889A1 (en) * 2018-03-09 2021-12-09 Stryker Corporation Systems and Methods for Remotely Controlling a Surgical Instrument of Console-Based Surgical Systems
CN114224387A (zh) * 2021-11-02 2022-03-25 华南理工大学 基于超声多径信道特征参数感知的体脂率测量方法
CN114325404A (zh) * 2021-12-09 2022-04-12 重庆大学 一种基于热-神经网络耦合模型的电池温度估计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106667487A (zh) * 2016-12-23 2017-05-17 清华大学 一种监测有源植入物周围组织温度的方法和磁共振成像系统
CN106896334A (zh) * 2017-04-18 2017-06-27 清华大学 一种预先评估mr下有源植入物周围组织温度的方法和磁共振成像系统
US20210385889A1 (en) * 2018-03-09 2021-12-09 Stryker Corporation Systems and Methods for Remotely Controlling a Surgical Instrument of Console-Based Surgical Systems
CN109284541A (zh) * 2018-08-31 2019-01-29 天津工业大学 一种用于微波无源器件的神经网络多物理建模方法
CN109541511A (zh) * 2018-11-26 2019-03-29 清华大学 温升预测方法和装置
CN112630709A (zh) * 2020-11-03 2021-04-09 成都易检医疗科技有限公司 金属植入物磁共振成像方法、系统、终端及存储介质
CN114224387A (zh) * 2021-11-02 2022-03-25 华南理工大学 基于超声多径信道特征参数感知的体脂率测量方法
CN114325404A (zh) * 2021-12-09 2022-04-12 重庆大学 一种基于热-神经网络耦合模型的电池温度估计方法

Also Published As

Publication number Publication date
CN115458143B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Zheng et al. Prediction of MRI RF exposure for implantable plate devices using artificial neural network
US11679254B2 (en) System and method for using concomitant fields to control peripheral nerve stimulation (PNS) in MRI image encoding
CN105931262A (zh) 一种快速精确的肿瘤位置预测装置
Vu et al. Machine learning-based prediction of MRI-induced power absorption in the tissue in patients with simplified deep brain stimulation lead models
CN115050435A (zh) 一种基于大数据的临床试验数据管理系统及方法
CN116172688A (zh) 基于支撑向量回归的射频消融损伤深度预测模型和系统
CN115458143B (zh) 基于神经网络的无源植入式医疗器械射频发热评估方法
Zhu et al. Real‐time biomechanical modelling of the liver using LightGBM model
Lan et al. Fast Prediction of RF-induced Heating for Sacral Neuromodulation System Exposed to Multi-Channel 2 RF Field at 3T MRI
Koşan et al. Developing an item bank for progress tests and application of computerized adaptive testing by simulation in medical education
CN113033064B (zh) 一种基于支持向量机的电力设备冲击负荷模拟方法
CN113436170B (zh) 基于磁共振影像的经颅电刺激个体化优化平台
Chen et al. Multiple dipolar sources localization for MEG using Bayesian particle filtering
Gajewski et al. A log‐normal distribution model of the effect of bacteria and ear fenestration on hearing loss: a Bayesian approach
Yao et al. A CP-ANN-Based RF-Induced Heating Estimation Method for Passive Orthopaedic Implantable Devices Under 1.5 T and 3.0 T MRI
CN112071434A (zh) 一种异常体温序列检测新方法
Tate et al. Measuring defibrillator surface potentials for simulation verification
Brown et al. Virtual humans for implantable device safety assessment in MRI: mitigating magnetic resonance imaging hazards for implanted medical devices
Asahina et al. Observing cell assemblies from spike train recordings based on the biological basis of synaptic connectivity
Zhu et al. An optimization approach for transcranial direct current stimulation using nondominated sorting genetic algorithm II
Zheng et al. Predicting RF Heating of Conductive Leads During Magnetic Resonance Imaging at 1.5 T: A Machine Learning Approach
CN115512172B (zh) 一种用于电阻抗成像技术中多维参数的不确定性量化方法
Ferrante et al. Physically constrained neural networks to solve the inverse problem for neuron models
US20230137794A1 (en) Method and system to predict rf heating of medical implants
Ji et al. Fast prediction of MRI RF-induced heating for a generic stent with arbitrary orientation using ANN

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