CN115995299B - 一种个体化调控靶点定位方法、系统、电子设备及介质 - Google Patents
一种个体化调控靶点定位方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115995299B CN115995299B CN202310279090.1A CN202310279090A CN115995299B CN 115995299 B CN115995299 B CN 115995299B CN 202310279090 A CN202310279090 A CN 202310279090A CN 115995299 B CN115995299 B CN 115995299B
- Authority
- CN
- China
- Prior art keywords
- brain
- person
- calculating
- region
- functional
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 210000004556 brain Anatomy 0.000 claims abstract description 230
- 230000003925 brain function Effects 0.000 claims abstract description 50
- 210000005036 nerve Anatomy 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000011491 transcranial magnetic stimulation Methods 0.000 claims abstract description 31
- 239000000835 fiber Substances 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 24
- 230000000638 stimulation Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 230000002490 cerebral effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 210000004885 white matter Anatomy 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001054 cortical effect Effects 0.000 description 3
- 230000004936 stimulating effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000601 blood cell Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种个体化调控靶点定位方法、系统、电子设备及介质,涉及医疗检测领域,该定位方法包括确定待测者大脑标准空间下的各向异性分数图;应用纤维追踪方法确定结构连接网络;构建待测者的个体化大脑神经模型;将待测者的功能影像数据进行预处理得到标准空间下的真实功能影像信号;对大脑神经模型进行优化;对优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真计算全脑功能连接矩阵;根据健康人数据集的功能磁共振成像的平均功能信号计算健康真实的全脑功能连接矩阵;计算待测者各脑区经颅磁刺激后对应的全脑功能连接矩阵与健康人真实全脑功能连接矩阵之间的相关性确定作为靶点的脑区。本发明能够提高靶点定位的精度。
Description
技术领域
本发明涉及医疗检测领域,特别是涉及一种个体化调控靶点定位方法、系统、电子设备及介质。
背景技术
对于包括经颅磁刺激在内的神经调控技术可以对异常的大脑状态进行调整,对多种脑疾病的治疗与康复具有较大潜力,但其治疗效果存在较大的个体差异。而个体化的刺激靶点定位方法将有助于针对每个患者制定针对其个人的刺激方案,有助于提高神经调控技术的有效性。
现有的神经调控个体化靶点定位方法主要基于静息态功能磁共振成像,或任务态功能磁共振成像。基于静息态功能磁共振成像的个体化靶点定位方法首先对受试者的个体功能影像计算自发活动增多最明显的脑区或直接选择目标深部脑区,然后把该脑区作为感兴趣区进行基于种子点的功能连接分析,最后选择与感兴趣区功能连接最强的皮层区域作为个体化靶点。基于任务态功能磁共振影像的方法,先对受试者进行任务态的功能磁共振扫描,然后计算任务相关的激活脑区,并将该脑区作为感兴趣区进行基于种子点的功能连接分析,最后同样选择与激活脑区功能连接最强的皮层区域作为个体化的刺激靶点。
尽管现有的个体化靶点定位方法已在多种疾病中广泛使用,但有许多证据表明这些方法仍具有一定的局限性。因为在使用基于功能连接的方法寻找与深部脑区或任务激活脑区连接较强的皮层脑区作为个体化靶点时,通常会遇到同时出现多个连接较强的皮层激活区,或者出现某个孤立的、远离聚集性皮层激活区的高峰值点等情况,由于缺乏直接、快速的评估方法,无法预知哪个靶点可以带来更好的大脑响应效果,因此在这些情况下难以客观地选定一个相对最优的刺激靶点。
发明内容
本发明的目的是提供一种个体化调控靶点定位方法、系统、电子设备及介质,能够从多个待选靶点中确定目标刺激靶点,提高了靶点定位的精度。
为实现上述目的,本发明提供了如下方案:
一种个体化调控靶点定位方法,所述定位方法包括:
对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图;
根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络;
根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的连接强度;
根据所述连接强度,基于Kuramoto模型,构建待测者的大脑神经模型,并计算待测者的仿真功能信号;
将所述待测者的功能影像数据进行预处理,得到标准空间下的真实功能影像信号;
根据所述真实功能影像信号和所述仿真功能信号之间的相关性,对所述大脑神经模型进行优化,得到优化后的大脑神经模型;
对所述优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真,计算待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵;
根据健康人数据集预处理后的功能磁共振成像,计算健康人的真实全脑功能连接矩阵;
计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区。
可选地,所述对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图,具体包括:
将待测者的弥散张量成像的数据格式转换为NIFTI格式;
将格式转换后的弥散张量成像进行涡流校正和磁场形变矫正,得到矫正后的弥散张量成像;
估计所述矫正后的弥散张量成像的弥散张量,确定各向异性分数;
将所述矫正后的弥散张量成像按照大脑标准空间进行转换,得到大脑标准空间下的各向异性分数图。
可选地,根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络,具体包括:
应用纤维追踪方法,确定所述各向异性分数图中各体素之间的连接关系;
以所述连接关系作为白质纤维,得到待测者大脑的白质纤维分布图;
以各脑区为点,脑区之间的纤维为边,构建结构连接网络。
可选地,根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的连接强度,具体包括:
根据所述脑区之间的纤维的数量,确定所述结构连接网络中具有连接关系的脑区;
计算所述具有连接关系的脑区之间的平均各向异性分数;
以所述平均各向异性分数为权重,得到各脑区之间的连接强度。
可选地,所述大脑神经模型为:
其中,为脑区i的固有频率;λ为脑区间的耦合强度;N为脑区的个数;Wij为脑区i和脑区j之间的结构连接强度;(θ j -θ i )为预设的脑区j和脑区i之间的相位差;θ i 为预设的脑区i的相位;θ j 为预设的脑区j的相位,t为时间。
可选地,根据健康人数据集预处理后的功能磁共振成像,计算真实全脑功能连接矩阵,具体包括:
将所述健康人数据集的功能磁共振成像进行预处理和空间转换,得到标准空间下的健康人功能影像信号;
对所述健康人功能影像信号求平均,得到标准空间下的真实平均功能信号;
根据所述健康人真实平均功能信号,计算真实全脑功能连接矩阵。
可选地,计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区,具体包括:
计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,得到模拟刺激各脑区对应的相关系数;
对所述相关系数进行比较,将最大的相关系数对应的脑区作为靶点。
一种个体化调控靶点定位系统,应用于上述的个体化调控靶点定位方法,所述定位系统包括:
估计模块,用于对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图;
追踪模块,用于根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络;
第一计算模块,用于根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的连接强度;
构建模块,用于根据所述连接强度,基于Kuramoto模型,构建待测者的大脑神经模型,并计算待测者的仿真功能信号;
转换模块,用于将所述待测者的功能影像数据进行预处理,得到标准空间下的真实功能影像信号;
优化模块,用于根据所述真实功能影像信号和所述大脑神经模型仿真的功能信号之间的相关性,对所述大脑神经模型进行优化,得到优化后的大脑神经模型;
第二计算模块,用于对所述优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真,计算待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵;
第三计算模块,用于根据健康人数据集预处理后的功能磁共振成像,计算健康人的真实全脑功能连接矩阵;
靶点定位模块,用于计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的个体化调控靶点定位方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的个体化调控靶点定位方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种个体化调控靶点定位方法,通过对每个受试者都单独构建一个大脑神经模型,在这个模拟的大脑模型上通过改变模型参数的方法来模拟仿真靶点刺激,同时该神经模型会对模拟刺激作出响应,通过观察模拟的大脑响应效果,能够为个体化的靶点选择提供一个快捷、直接的评估途径,当存在多个待选靶点时,计算待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与健康人的真实全脑功能连接矩阵之间的相关性,根据该相关性选择作为目标靶点的脑区,实现从多个待选靶点中确定目标刺激靶点的目标,提高了靶点定位的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的个体化调控靶点定位方法流程图;
图2为本发明提供的一个具体实施方式的流程图;
图3为本发明提供的个体化调控靶点定位系统模块图。
附图标记说明:
估计模块—1,追踪模块—2,第一计算模块—3,构建模块—4,转换模块—5,优化模块—6,第二计算模块—7,第三计算模块—8,靶点定位模块—9。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种个体化调控靶点定位方法、系统、电子设备及介质,能够从多个待选靶点中确定目标刺激靶点,提高了靶点定位的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,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。
实施例一
如图1和图2所示,本发明提供了一种个体化调控靶点定位方法,所述定位方法包括:
步骤S1:对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图。
S1具体包括:
步骤S11:将待测者的弥散张量成像的数据格式转换为NIFTI格式。
步骤S12:将格式转换后的弥散张量成像进行涡流校正和磁场形变矫正,得到矫正后的弥散张量成像。
步骤S13:估计所述矫正后的弥散张量成像的弥散张量,确定各向异性分数。
步骤S14:将所述矫正后的弥散张量成像按照大脑标准空间进行转换,得到大脑标准空间下的各向异性分数图。具体地,将所述矫正后的弥散张量成像配准到蒙特利尔神经科学研究所的大脑标准空间(即MNI标准空间)。
步骤S2:根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络。
S2具体包括:
步骤S21:应用纤维追踪方法,确定所述各向异性分数图中各体素之间的连接关系。
作为一个具体地实施方式,从FA(各向异性分数)图的一个体素(作为初始体素)出发对周围相邻的体素进行追踪,当下一个体素的FA值>0.2且追踪角度<45°时,从该体素继续往其相邻的体素追踪,当下一个体素不满足FA值>0.2或者不满足追踪角度<45°时,停止追踪,并从初始体素重新出发对未被初始体素追踪过的相邻体素继续进行追踪,重复上述过程;当除初始体素外的其他相邻体素均被初始体素追踪过时,设定追踪路线上的体素分别对应一个级别,以初始体素为追踪路线上的第一级,该追踪路线上的第二个体素设置为第二级,该追踪路线上的其他体素依次被设置为第三级、第四级……,直到该路线终止,从第二级上的体素开始,重复初始体素的追踪方式,直至每一条追踪路线上的每一个体素均重复初始体素的过程后,所有体素均追踪结束,确定所述各向异性分数图中体素之间的连接关系。
步骤S22:以所述连接关系作为白质纤维,得到待测者大脑的白质纤维分布图。
步骤S23:以各脑区为点,脑区之间的纤维为边,构建结构连接网络。
步骤S3:根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的连接强度。
S3具体包括:
步骤S31:根据所述脑区之间的纤维的数量,确定所述结构连接网络中具有连接关系的脑区;当脑区间之间的纤维数量≥3时,认为两个脑区间存在结构连接,否则认为脑区间不存在结构连接。
步骤S32:计算所述具有连接关系的脑区之间的平均各向异性分数。
步骤S33:以所述平均各向异性分数为权重,得到各脑区之间的连接强度。
步骤S4:根据所述连接强度,基于Kuramoto模型,构建待测者的大脑神经模型,并计算待测者的仿真功能信号;具体地,所述大脑神经模型为:
其中,为脑区i的固有频率;λ为脑区间的耦合强度,一般设置为0.0028;N为脑区的个数;Wij为脑区i和脑区j之间的结构连接强度;(θ j -θ i )为预设的脑区j和脑区i之间的相位差;θ i 为预设的脑区i的相位;θ j 为预设的脑区j的相位,t为时间。
将结构连接网络中脑区间的连接强度输入到大脑神经模型中,计算固有频率:
其中,s i 为N个脑区i与脑区j之间的结构连接强度总和,N为脑区的个数,s a 为N个脑区i与脑区j之间的结构连接强度总和的最小值,s b 为N个脑区i与脑区j之间的结构连接强度总和的最大值,a和b表示功能磁共振的信号频率范围,一般取a=0.1Hz,b=0.01Hz。
步骤S5:将所述待测者的功能影像数据进行预处理,得到标准空间下的真实功能影像信号;具体地,预处理包括去除不稳定时间点、时间层矫正、磁场形变矫正、头动校正、去除白质与脑脊液等噪声信号、结构像配准、滤波、空间标准化、空间平滑等步骤,得到MNI标准空间下的真实功能影像信号。
步骤S6:根据所述真实功能影像信号和所述仿真功能信号之间的相关性,对所述大脑神经模型进行优化,得到优化后的大脑神经模型;具体地,对待测者个体化的大脑神经模型进行仿真计算,得到仿真BOLD功能信号;将得到的仿真BOLD功能信号与待测者真实功能影像的BOLD信号进行相关计算,若两者相关性较低(即相关系数≤0.5),则对大脑神经模型的参数进行优化,最终使得仿真功能信号与真实功能信号具有较高的相关性(即相关系数>0.5)后,结束模型优化。
步骤S7:对所述优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真,计算待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵。
作为一个具体地实施方式,调整优化后大脑神经模型中的脑区固有频率来模拟经颅磁刺激:增大固有频率,模拟对脑区i进行促进性的高频经颅磁刺激;减少固有频率,模拟对脑区i进行抑制性的低频经颅磁刺激,从而得到模拟刺激后的仿真功能信号;模拟刺激脑区i后,对输出的仿真功能信号计算全脑功能连接Ai(i=1,2,3,…,M,M表示一共M个待刺激脑区),最后对Ai进行Fisher Z变换。其中全脑功能连接矩阵Ai的具体表达为:
其中k表示大脑一共被划分为k个脑区,a xy 表示脑区x与脑区y的BOLD功能信号之间的Pearson相关系数。
步骤S8:根据健康人数据集预处理后的功能磁共振成像,计算健康人的真实全脑功能连接矩阵。
S8具体包括:
步骤S81:获取一批健康人的功能磁共振成像。
步骤S82:将所述健康人数据集的功能磁共振成像进行预处理和空间转化,得到标准空间下的健康人功能影像信号;
步骤S83:对所述健康人功能影像信号求平均,得到标准空间下的健康人真实平均功能信号。
步骤S84:根据所述健康人真实平均功能信号,计算真实全脑功能连接矩阵。
作为一个具体地实施方式,对一个总数为N的健康人数据集的功能磁共振成像进行预处理和空间转换(具体预处理流程与S1中的预处理相同),并对所有样本的功能磁共振图像求平均,得到真实健康受试者标准空间下的平均功能信号,然后对该信号计算全脑功能连接矩阵B,最后将B进行Fisher Z变换。其中健康人全脑功能连接矩阵B的具体表达为:
其中k表示大脑一共被划分为k个脑区,b xy 表示脑区x与脑区y的BOLD功能信号之间的Pearson相关系数。
步骤S9:计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区。
S9具体包括:
步骤S91:计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,得到两个功能连接矩阵之间的相关系数,即模拟刺激各脑区对应的相关系数。
具体地,通过S7对总数为M的待刺激脑区分别进行模拟刺激,并分别计算各脑区在模拟刺激后的全脑功能连接矩阵Ai与S8得到的“真实健康的全脑功能连接B”之间的相似性,可以得到M个Pearson相关系数,每个相关系数分别代表刺激各个脑区后的大脑状态与真实健康大脑状态之间的相似性。
步骤S92:对所述相关系数进行比较,将最大的相关系数对应的脑区作为靶点。具体地,选择相关系数最高对应的脑区作为潜在的个体化治疗靶点。
本发明提供的个体化调控靶点定位方法,是对每个患者制定个性化精准神经调控方案的重要部分,而大脑是由大量神经元相互连接的复杂结构,不同位点的局部刺激将会引起大脑大范围的响应。但在目前的个体化靶点定位方法中,无法提前评估大脑对于该靶点刺激引起的整体响应情况与调控效果。本发明通过对单独个体的大脑功能进行建模,构建数字化的模拟大脑,并对数字大脑进行局部的模拟刺激,根据大脑的响应情况和调控效果来探索潜在的个体化治疗靶点。
本发明结合了神经建模方法,提出了一种大脑神经模型驱动的个体化靶点定位方法,本发明中用到的Kuramoto模型是经典的大脑神经模型之一,本发明在此基础上对模型进行了改进,将个体化的白质损伤信息作为结构信息输入到模型中,能够提高仿真功能信号的准确性;另外本发明还对该模型进行了创新性的应用,将其用于探索个体化的靶点定位。本发明通过个体化结构信息、白质损伤信息(各向异性分数FA值作为结构网络的边的权重)融入到神经模型中,使得仿真的功能信号相对更精确,有助于对后面的模拟刺激作出更准确的响应;将模拟刺激后的大脑状态与健康样本数据集的大脑状态进行比较,有助于直接快捷地评估靶点的刺激效果,并根据刺激效果来选择合适的个体化刺激靶点。
本发明提供的定位方法具有下述优势:
1.本发明提出的基于大脑神经模型的个体化靶点定位方法是纯数学模型驱动的,当存在多个备选靶点时,可以对需检测的靶点在神经模型上进行模拟刺激,直接观察刺激后的大脑响应,相比于对每个靶点都进行临床试验评估,该方法提供了一种更简单快捷的模拟评估途径。
2.本方法仅依赖于受试者本身的结构和功能信息,不受其他主观判断的影响,具有良好的个体特异性与客观性,有助于更准确地确定个体化治疗靶点。
3.本发明将经颅磁刺激对大脑的影响综合简化为对脑区固有频率的调整,无需考虑磁场分布、线圈类型等复杂情况,模型构建速度快,有助于全脑靶点的快速筛选。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种个体化调控靶点定位系统,如图3所示,所述系统包括:
估计模块1,用于对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图。
追踪模块2,用于根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络。
第一计算模块3,用于根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的连接强度。
构建模块4,用于根据所述连接强度,基于Kuramoto模型,构建待测者的大脑神经模型,并计算待测者的仿真功能信号。
转换模块5,用于将所述待测者的功能影像数据进行预处理,得到标准空间下的真实功能影像信号。
优化模块6,用于根据所述真实功能影像信号和所述仿真功能信号之间的相关性,对所述大脑神经模型进行优化,得到优化后的大脑神经模型。
第二计算模块7,用于对所述优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真,计算待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵。
第三计算模块8,用于根据健康人数据集预处理后的功能磁共振成像,计算健康人的真实全脑功能连接矩阵。
靶点定位模块9,用于计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能信号与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区。
实施例三
本发明实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行计算机程序以使电子设备执行实施例一的个体化调控靶点定位方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的个体化调控靶点定位方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种个体化调控靶点定位方法,其特征在于,所述定位方法包括:
对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图;
根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络;
根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的结构连接强度;
根据所述结构连接强度,基于Kuramoto模型,构建所述待测者的大脑神经模型,并计算所述待测者的仿真功能信号;
将所述待测者的功能影像数据进行预处理,得到标准空间下的真实功能影像信号;
根据所述真实功能影像信号和所述仿真功能信号之间的相关性,对所述大脑神经模型进行优化,得到优化后的大脑神经模型;
对所述优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真,计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵;
根据健康人数据集预处理后的功能磁共振成像,计算健康人的真实全脑功能连接矩阵;
计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区;
具体地,所述大脑神经模型为:
其中,为脑区i的固有频率;λ为脑区间的耦合强度;N为脑区的个数;Wij为脑区i和脑区j之间的结构连接强度;(θ j -θ i )为预设的脑区j和脑区i之间的相位差;θ i 为预设的脑区i的相位;θ j 为预设的脑区j的相位,t为时间;
将所述结构连接网络中各脑区之间的结构连接强度输入到所述大脑神经模型中,计算固有频率:
其中,s i 为N个脑区i与脑区j之间的结构连接强度总和,N为脑区的个数,s a 为N个脑区i与脑区j之间的结构连接强度总和的最小值,s b 为N个脑区i与脑区j之间的结构连接强度总和的最大值,a和b表示功能磁共振的信号频率范围。
2.根据权利要求1所述的个体化调控靶点定位方法,其特征在于,所述对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图,具体包括:
将所述待测者的弥散张量成像的数据格式转换为NIFTI格式;
将格式转换后的弥散张量成像进行涡流校正和磁场形变矫正,得到矫正后的弥散张量成像;
估计所述矫正后的弥散张量成像的弥散张量,确定各向异性分数;
将所述矫正后的弥散张量成像按照大脑标准空间进行转换,得到大脑标准空间下的各向异性分数图。
3.根据权利要求1所述的个体化调控靶点定位方法,其特征在于,根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络,具体包括:
应用纤维追踪方法,确定所述各向异性分数图中各体素之间的连接关系;
以所述连接关系作为白质纤维,得到待测者大脑的白质纤维分布图;
以各脑区为点,脑区之间的纤维为边,构建结构连接网络。
4.根据权利要求3所述的个体化调控靶点定位方法,其特征在于,根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的结构连接强度,具体包括:
根据所述脑区之间的纤维的数量,确定所述结构连接网络中具有连接关系的脑区;
计算所述具有连接关系的脑区之间的平均各向异性分数;
以所述平均各向异性分数为权重,得到各脑区之间的连接强度。
5.根据权利要求1所述的个体化调控靶点定位方法,其特征在于,根据健康人数据集预处理后的功能磁共振成像,计算真实全脑功能连接矩阵,具体包括:
将所述健康人数据集的功能磁共振成像进行预处理和空间转换,得到标准空间下的健康人功能影像信号;
对所述健康人功能影像信号求平均,得到标准空间下的健康人真实平均功能信号;
根据所述健康人真实平均功能信号,计算真实全脑功能连接矩阵。
6.根据权利要求1所述的个体化调控靶点定位方法,其特征在于,计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区,具体包括:
计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,得到模拟刺激各脑区对应的相关系数;
对所述相关系数进行比较,将最大的相关系数对应的脑区作为靶点。
7.一种个体化调控靶点定位系统,其特征在于,所述定位系统包括:
估计模块,用于对待测者的弥散张量成像进行弥散张量估计,确定大脑标准空间下的各向异性分数图;
追踪模块,用于根据所述各向异性分数图,应用纤维追踪方法,确定结构连接网络;
第一计算模块,用于根据所述结构连接网络,计算各脑区之间的平均各向异性分数,得到各脑区之间的结构连接强度;
构建模块,用于根据所述结构连接强度,基于Kuramoto模型,构建所述待测者的大脑神经模型,并计算所述待测者的仿真功能信号;
转换模块,用于将所述待测者的功能影像数据进行预处理,得到标准空间下的真实功能影像信号;
优化模块,用于根据所述真实功能影像信号和所述仿真功能信号之间的相关性,对所述大脑神经模型进行优化,得到优化后的大脑神经模型;
第二计算模块,用于对所述优化后的大脑神经模型的脑区进行经颅磁刺激模拟仿真,计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵;
第三计算模块,用于根据健康人数据集预处理后的功能磁共振成像,计算健康人的真实全脑功能连接矩阵;
靶点定位模块,用于计算所述待测者各脑区经颅磁刺激后对应的仿真全脑功能连接矩阵与所述健康人的真实全脑功能连接矩阵之间的相关性,确定作为靶点的脑区;
具体地,所述大脑神经模型为:
其中,为脑区i的固有频率;λ为脑区间的耦合强度;N为脑区的个数;Wij为脑区i和脑区j之间的结构连接强度;(θ j -θ i )为预设的脑区j和脑区i之间的相位差;θ i 为预设的脑区i的相位;θ j 为预设的脑区j的相位,t为时间;
将所述结构连接网络中各脑区之间的结构连接强度输入到所述大脑神经模型中,计算固有频率:
其中,s i 为N脑区i与脑区j之间的结构连接强度总和,N为脑区的个数,s a 为N个脑区i与脑区j之间的结构连接强度总和的最小值,s b 为N个脑区i与脑区j之间的结构连接强度总和的最大值,a和b表示功能磁共振的信号频率范围。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的个体化调控靶点定位方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的个体化调控靶点定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310279090.1A CN115995299B (zh) | 2023-03-22 | 2023-03-22 | 一种个体化调控靶点定位方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310279090.1A CN115995299B (zh) | 2023-03-22 | 2023-03-22 | 一种个体化调控靶点定位方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115995299A CN115995299A (zh) | 2023-04-21 |
CN115995299B true CN115995299B (zh) | 2023-06-06 |
Family
ID=85995261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310279090.1A Active CN115995299B (zh) | 2023-03-22 | 2023-03-22 | 一种个体化调控靶点定位方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115995299B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313131B (zh) * | 2023-05-24 | 2023-09-15 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
CN116492600B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 基于个体化时-空靶点的调控装置、设备及存储介质 |
CN117095824B (zh) * | 2023-10-19 | 2024-04-16 | 之江实验室 | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 |
CN117095823B (zh) * | 2023-10-19 | 2024-04-16 | 之江实验室 | 基于孪生脑仿真模型的药物成瘾关联脑区确定系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494810A (zh) * | 2020-09-17 | 2021-03-16 | 杭州师范大学 | 多刺激靶点聚焦的重复经颅磁刺激方法 |
CN112546446A (zh) * | 2020-11-24 | 2021-03-26 | 浙江大学医学院附属邵逸夫医院 | 一种基于权重功能连接的个体化靶点定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9694178B2 (en) * | 2013-10-21 | 2017-07-04 | Neuroelectronics Barcelona S.L. | Method and a system for optimizing the configuration of multisite transcranial current stimulation and a computer-readable medium |
CN106823137B (zh) * | 2016-12-30 | 2019-07-16 | 王征 | 一种优化神经调控的方法和装置 |
CN109999348A (zh) * | 2019-03-20 | 2019-07-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种基于弥散张量成像实现经颅磁刺激深部脑区的方法 |
CN113367680B (zh) * | 2021-07-05 | 2022-09-30 | 北京银河方圆科技有限公司 | 靶点确定方法、装置、设备及存储介质 |
CN115670429A (zh) * | 2022-11-17 | 2023-02-03 | 电子科技大学 | 基于弥散加权成像的经颅磁刺激个体结构靶点定位方法 |
-
2023
- 2023-03-22 CN CN202310279090.1A patent/CN115995299B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494810A (zh) * | 2020-09-17 | 2021-03-16 | 杭州师范大学 | 多刺激靶点聚焦的重复经颅磁刺激方法 |
CN112546446A (zh) * | 2020-11-24 | 2021-03-26 | 浙江大学医学院附属邵逸夫医院 | 一种基于权重功能连接的个体化靶点定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115995299A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115995299B (zh) | 一种个体化调控靶点定位方法、系统、电子设备及介质 | |
CN109528197B (zh) | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 | |
Robinson et al. | Determination of effective brain connectivity from functional connectivity with application to resting state connectivities | |
Glomb et al. | Resting state networks in empirical and simulated dynamic functional connectivity | |
CN109034360A (zh) | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 | |
US20060165308A1 (en) | Noise reduction in diffusion tensor imaging data using bayesian methods | |
CN103886328A (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
CN109065128A (zh) | 一种加权图正则化稀疏脑网络构建方法 | |
Shi et al. | A new constrained spatiotemporal ICA method based on multi-objective optimization for fMRI data analysis | |
KR101611489B1 (ko) | 뇌 영상에 기반한 경색 영역의 발생 시점의 추정 방법 | |
Zhou et al. | Detecting directional influence in fMRI connectivity analysis using PCA based Granger causality | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN110211671B (zh) | 一种基于权值分布的阈值化方法 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
CN115169067A (zh) | 脑网络模型构建方法、装置、电子设备及介质 | |
CN111402180B (zh) | 一种nsct域的基于fbiem与iscm的图像融合方法 | |
CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
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 | |
Pineda-Pardo et al. | Disparate connectivity for structural and functional networks is revealed when physical location of the connected nodes is considered | |
CN108596900B (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
CN116401889A (zh) | 一种基于功能连接优化和谱聚类的小脑分区方法 | |
CN116823813B (zh) | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 | |
CN111914952A (zh) | 一种基于深度神经网络的ad特征参数筛选方法及系统 | |
Joshi et al. | Bayesian approach for network modeling of brain structural features | |
CN117315425B (zh) | 一种多模态磁共振影像的融合方法及系统 |
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 |