CN116468857A - 一种基于大脑建模的电磁仿真及优化平台构建方法及系统 - Google Patents

一种基于大脑建模的电磁仿真及优化平台构建方法及系统 Download PDF

Info

Publication number
CN116468857A
CN116468857A CN202310454674.8A CN202310454674A CN116468857A CN 116468857 A CN116468857 A CN 116468857A CN 202310454674 A CN202310454674 A CN 202310454674A CN 116468857 A CN116468857 A CN 116468857A
Authority
CN
China
Prior art keywords
model
target area
electric field
electrode
brain
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
Application number
CN202310454674.8A
Other languages
English (en)
Inventor
杜吉超
斯科
龚薇
郑晨亮
皇甫江涛
王维东
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.)
Zhejiang Zheda Xitou Brain Computer Intelligent Technology Co ltd
Original Assignee
Zhejiang Zheda Xitou Brain Computer Intelligent Technology Co ltd
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 Zhejiang Zheda Xitou Brain Computer Intelligent Technology Co ltd filed Critical Zhejiang Zheda Xitou Brain Computer Intelligent Technology Co ltd
Priority to CN202310454674.8A priority Critical patent/CN116468857A/zh
Publication of CN116468857A publication Critical patent/CN116468857A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Graphics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于大脑建模的电磁仿真及优化平台构建方法及系统，所述方法包括：采集用户的核磁共振图像建立不同用户对应的模型，基于图像参数对模型进行区域分割；将模型网格化，并对模型进行仿真，提取对应的三维电场分布；构建电极发射参数矩阵组，设定模型的期望靶区及强度要求，调整电极发射参数矩阵组中的电极属性，直至输出满足期望靶区及强度要求的参数矩阵集合；在期望靶区细化模型再分配，优化在期望靶区的电场分布，确定最优发射矩阵并检测，根据实际检测结果验证方案准确性。采用本方法能够通过大脑模型特异性的电磁场传输仿真并闭环自动优化发射参数，有效解决了个体差异性带来的非侵入定位精度不足的问题。

Description

一种基于大脑建模的电磁仿真及优化平台构建方法及系统
技术领域
本发明涉及医疗保健技术领域，尤其涉及一种基于大脑建模的电磁仿真及优化平台构建方法及系统。
背景技术
随着人们对脑科学的研究逐渐深入，对于脑区间连接、神经元活动和功能区域的理解也不断加深。近年来，非侵入性治疗技术逐渐得到广泛关注和研究，其优点包括对患者无风险和无痛苦。时间干涉电刺激技术正是在这种背景下应运而生，它为脑功能研究与治疗提供了一种全新的手段和工具。时间干涉电刺激技术是一种基于时间干涉原理的非侵入性脑刺激技术，它可以选择性地激活或抑制人脑某些区域的神经元活动，从而增强或抑制某些功能。它可以精准定位脑部某些区域的神经元活动，从而达到神经调控的目的，可以被广泛应用于神经调节和治疗，并且与传统的脑刺激技术相比具有更高的选择性和精度。
但是，针对不同个体间的脑类结构差异性，如何使时间干涉低频包络能精准定位在不同个体的不同靶区，这是本发明所解决的主要问题。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于大脑建模的电磁仿真及优化平台构建方法及系统。
本发明实施例提供一种基于大脑建模的电磁仿真及优化平台构建方法，包括：
采集用户的核磁共振图像，并基于所述核磁共振图像建立不同用户对应的模型，确定所述核磁共振图像的图像参数，基于所述图像参数对模型进行区域分割，所述模型为特异性三维重构大脑网络模型；
将所述区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；
构建电极发射参数矩阵组，设定所述模型的期望靶区及强度要求，调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合；
在所述期望靶区细化所述模型，并对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于所述最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
在其中一个实施例中，所述方法还包括：
计算所述模型在恒流源刺激下的多频段电场叠加分布，并从中提取时间干涉的低频包络信号在模型网格中的三维电场分布。
在其中一个实施例中，所述电极属性，包括：
调控幅度、频率、相位信息，给定电流、网格位置、电极数量。
所述调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合，包括：
调整所述电极发射参数矩阵组中的电极属性，并通过二分法及并行运算计算不同电极属性下，期望靶区内的时间干涉结果，并选定所述时间干涉结果中满足所述强度要求时的电极属性对应的参数矩阵集合。
在其中一个实施例中，所述方法还包括：
将所述期望靶区的定位精度、电场强度、期望靶区与周围区域的指数比例进行加权平均，通过加权平均结果优化确定最优发射矩阵。
在其中一个实施例中，所述方法还包括：
将所述模型根据电导率差异分割为颅骨、脑脊液、灰质、白质，并对分割结果在所述模型上进行标记。
在其中一个实施例中，所述方法还包括：
计算所述核磁共振图像中图像边缘的像素值面积缩小率，并基于所述像素值面积缩小率对所述核磁共振图像进行图像补全。
本发明实施例提供一种基于大脑建模的电磁仿真及优化平台构建系统，包括：
模型模块，用于采集用户的核磁共振图像，并基于所述核磁共振图像建立不同用户对应的模型，确定所述核磁共振图像的图像参数，基于所述图像参数对模型进行区域分割，所述模型为特异性三维重构大脑网络模型；
仿真模块，用于将所述区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；
调整模块，用于构建电极发射参数矩阵组，设定所述模型的期望靶区及强度要求，调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合；
优化模块，用于在所述期望靶区细化所述模型，并对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于所述最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
在其中一个实施例中，所述系统还包括：
计算模块，用于计算所述模型在恒流源刺激下的多频段电场叠加分布，并从中提取时间干涉的低频包络信号在模型网格中的三维电场分布。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于大脑建模的电磁仿真及优化平台构建方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于大脑建模的电磁仿真及优化平台构建方法的步骤。
本发明实施例提供的一种基于大脑建模的电磁仿真及优化平台构建方法及系统，采集用户的核磁共振图像，并基于核磁共振图像建立不同用户对应的模型，确定核磁共振图像的图像参数，基于图像参数对模型进行区域分割，模型为特异性三维重构大脑网络模型；将区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；构建电极发射参数矩阵组，设定模型的期望靶区及强度要求，调整电极发射参数矩阵组中的电极属性，直至输出满足期望靶区及强度要求的参数矩阵集合；在期望靶区细化模型，并对参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。这样能够通过大脑模型特异性的电磁场传输仿真并闭环自动优化发射参数，为非侵入时间干涉大脑刺激提供了快速精准，有效解决了个体差异性带来的非侵入定位精度不足的问题。
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，下面将对实施例或现有技术描述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为本发明实施例中一种基于大脑建模的电磁仿真及优化平台构建方法的流程图；
图2为本发明实施例中另一种基于大脑建模的电磁仿真及优化平台构建方法的流程图；
图3为本发明实施例中一种基于大脑建模的电磁仿真及优化平台构建系统的结构图；
图4为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明实施例提供的一种基于大脑建模的电磁仿真及优化平台构建方法的流程示意图，如图1所示，本发明实施例提供了一种基于大脑建模的电磁仿真及优化平台构建方法，包括：
步骤S101，采集用户的核磁共振图像，并基于所述核磁共振图像建立不同用户对应的模型，确定所述核磁共振图像的图像参数，基于所述图像参数对模型进行区域分割，所述模型为特异性三维重构大脑网络模型。
具体地，针对不同志愿者用户建立特异性三维重构大脑网格模型，将整体大脑模型根据典型电磁传输参数进行区域分割与标记，即特异性三维重构大脑网格模型来源于志愿者的全脑MRI影像，区域分割与标记将大脑模型根据电磁传输参数分为颅骨、脑脊液、灰质、白质4类，将各个区域形态进行分割并标记对应的电磁参数。
详细步骤分割步骤可以通过获取全脑核磁共振图像，即MRI影像后，利用开源软件freesurfer对脑结构进行分割。将预处理后的MRI数据使用的是聚类方法和基于厚度估计的填充方法进行脑区分割，最后使用3D slicer软件生成3D文件用于特异性建模。同时，全脑MRI影像通常缺失大脑两侧(耳部)的颅骨数据，使得颅骨重建后会有缺口，计算出边缘(如第0～3张)的像素值面积缩小率(取平均)，然后对于最边界的图像(如第0张)，对图像进行缩小操作，缩小比例即为之前算出来的面积缩小率，缩小的这张图片添加到第0张图片之前，完成颅骨重建。
步骤S102，将所述区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布。
具体地，将区域分割后的模型网格化进行网格化处理，比如分割为64个网格等数量，然后通过有限元方案计算高频电场在大脑模型中的传输规律，并提取全脑时间干涉低频包络分布，其中，高频电场为频率可调的恒流电极模块，计算模型每一网格的时间干涉低频包络并提取强度信息。
其中，将标记后的重组三维特异性大脑模型导入COMSOL软件进行电磁传输仿真，理想条件下采用有限元法，在瞬态求解器下，计算并总结了不同变量(例如电极片数目、位置、幅度、相位、频率等物理参数)对脑组织聚焦能力的影响。由于仿真软件的局限性，仅提供电势分布情况，不能及时反映电场分布，利用Matlab软件对导出结果进行计算处理，得到理想情况下电压分布及低频包络分布图。
并且，在COMSOL仿真计算中为加快运算速度，可以将处理后的大脑灰质、白质结构进行平滑处理，通过Python中的PyMeshLab来自动进行重建、去除自相交面，是重建后的结构形成水密组件，加大降低COMSOL的运算量与内存占用，加速模型仿真的运算速度。
在Matlab软件中利用COMSOL的api功能进行操作，通过api调用结果中的数据，在Matlab中通过希尔伯特变换提取低频干涉包络数据并计算时间尺度上的均值强度。并行运算其他网格点位的仿真电场强度，得到特异性大脑模型的三维电场分布。
步骤S103，构建电极发射参数矩阵组，设定所述模型的期望靶区及强度要求，调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合。
具体地，构建电极发射参数矩阵组，并基于对于特异性三维重构大脑网络模型的模型检测要求设定模型的期望靶区及强度要求，调整电极发射参数矩阵组中的电极属性，并通过二分法及并行运算计算不同电极属性下，期望靶区内的时间干涉结果，并选定时间干涉结果中满足强度要求时的电极属性对应的参数矩阵集合，其中，电极属性可以包括：调控幅度、频率、相位信息，给定电流、网格位置、电极数量。
另外，在模型分割为64个网格后，电极位置矩阵参照脑电系统64个电极点位的电极帽，发射电极数量选择4、8、16三种方案，单个电极电流不超过2mA，脑内叠加总电流不超过4mA，电流调整精度为0.01mA，电极频率调整范围为1kHz-100MHz，频率调整精度为1kHz，时间干扰差频调整范围为10Hz-100Hz，差频调整精度为1Hz，电极发射相位调整范围为0-360°，调整精度为1°。特异性大脑模型首先划分64网格，利用Matlab软件通过二分法和并行运算等算法独立计算不同发射参数对于靶区时间干涉的促进或抑制作用，选定初步的较优参数发射矩阵集合，
并且，在COMSOL仿真中为探索电磁场在特异性大脑模型中的传输规律，利用1T内存的计算机对模型整体进行电磁场传输仿真，分析所有位点的连续电磁场分布。依据整脑模型的电场传输效果可独立分析某类参数对于靶区时间干涉的促进或抑制规律，同时在靶区改变时可逆向求解电极发射参数的大致范围，缩短仿真优化平台的计算时间，且无需进行靶区改变的重复特异性大脑建模。
在Matlab参数优化中为了增加计算速度，减少数据运算量，优先采用数据并行运算方案。以电极位置选择为例，8个电极在64个电极位置中排布约有4*109种分布，考虑到单个电极的幅度、频率、相位等参数，优化情况将是难以计算的数据量。为此，上述分析某类参数对于靶区时间干涉的促进或抑制规律，可逆向求解电极发射参数的大致范围；同时根据电场传输规律将参数种类并行独立运算，选定较优参数发射矩阵组合，可减少90％以上的数据量并极大缩短运算时间。
步骤S104，在所述期望靶区细化所述模型，并对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于所述最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
具体地，基于期望靶区细化模型网格，对较优矩阵集合进行再分配，进一步优化时间干涉低频包络在靶区的电场分布；将期望靶区定位精度、电场强度、期望靶区与周围区域的指数比例进行加权平均，优化出最优发射矩阵；将特异性模型进行3D打印并进行最优发射矩阵方案实测，验证仿真优化平台的准确性，具体地仿真优化平台的准确性的验证方法可以如图2的流程图所示，包括上述的在一个实施例中的详细实施流程。
另外，在发射矩阵从次优到最优的收敛过程中，可仅针对目标靶区进行计算模拟，同时将靶区模型网格再度细化为更少的网格，比如从64网格细化至32网格进行分析计算。将低频包络定位精度、低频包络电场强度、靶区与周边区域强度的峰背比等按照40％、30％、30％的比例进行加权平均计算评价参数，从较优参数发射矩阵集合中选择评价参数最大的方案作为最优时间干涉电刺激方案。在合成空间聚焦理论中，通常电极数目越多，非侵入时间干涉定位精度越高，但定位精度与平台优化时间存在权衡。为减少数据运算量同时兼顾电场性能，也可参照上述从次优到最优的收敛过程，电极数目从4到16再到32逐步增多。在时间干涉电磁仿真及优化平台的硬件测试方面，首先将建立的特异性大脑模型通过3D打印机构建1：1实物模型，内部填充人工脑脊液。恒流型信号发生设备按照最优时间干涉电刺激方案进行非侵入电刺激，电极数目、位置按照方案固定在实物模型表面，幅度、频率、相位等参数按照方案由信号发生设备产生并连接电极，功率不够时由多通道功率放大器补充。实物模型内电场分布由三维位移台固定的探针逐点扫描并由信号采集设备记录，采集完成后数据利用Matlab离线处理得到实物模型的三维电场分布，进行最优方案的评估与验证。
本发明实施例提供的一种基于大脑建模的电磁仿真及优化平台构建方法，采集用户的核磁共振图像，并基于核磁共振图像建立不同用户对应的模型，确定核磁共振图像的图像参数，基于图像参数对模型进行区域分割，模型为特异性三维重构大脑网络模型；将区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；构建电极发射参数矩阵组，设定模型的期望靶区及强度要求，调整电极发射参数矩阵组中的电极属性，直至输出满足期望靶区及强度要求的参数矩阵集合；在期望靶区细化模型，并对参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。这样能够通过建立了自动化的特异性大脑模型建立算法，能基于不同的全脑MRI影像自动实现脑区分割与三维重构；针对不同靶区，本实施例设计了全面的参数优化方案，对于全脑进行电磁场传输规律分析，通过二分法、并行运算等方式极大缩短方案优化时间；本实施例加入次优到最优的收敛过程并通过多种评价指标量化评价参数，缩短计算时间的同时还能根据实际需求灵活调整评价参数的侧重。
图3为本发明实施例提供的一种基于大脑建模的电磁仿真及优化平台构建系统，包括：模型模块S201、仿真模块S202、调整模块S203、优化模块S204，其中：
模型模块S201，用于采集用户的核磁共振图像，并基于所述核磁共振图像建立不同用户对应的模型，确定所述核磁共振图像的图像参数，基于所述图像参数对模型进行区域分割，所述模型为特异性三维重构大脑网络模型。
仿真模块S202，用于将所述区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布。
调整模块S203，用于构建电极发射参数矩阵组，设定所述模型的期望靶区及强度要求，调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合。
优化模块S204，用于在所述期望靶区细化所述模型，并对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于所述最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
在一个实施例中，系统还可以包括：
计算模块，用于计算所述模型在恒流源刺激下的多频段电场叠加分布，并从中提取时间干涉的低频包络信号在模型网格中的三维电场分布。
关于基于大脑建模的电磁仿真及优化平台构建系统的具体限定可以参见上文中对于基于大脑建模的电磁仿真及优化平台构建方法的限定，在此不再赘述。上述基于大脑建模的电磁仿真及优化平台构建系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：采集用户的核磁共振图像，并基于核磁共振图像建立不同用户对应的模型，确定核磁共振图像的图像参数，基于图像参数对模型进行区域分割，模型为特异性三维重构大脑网络模型；将区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；构建电极发射参数矩阵组，设定模型的期望靶区及强度要求，调整电极发射参数矩阵组中的电极属性，直至输出满足期望靶区及强度要求的参数矩阵集合；在期望靶区细化模型，并对参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：采集用户的核磁共振图像，并基于核磁共振图像建立不同用户对应的模型，确定核磁共振图像的图像参数，基于图像参数对模型进行区域分割，模型为特异性三维重构大脑网络模型；将区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；构建电极发射参数矩阵组，设定模型的期望靶区及强度要求，调整电极发射参数矩阵组中的电极属性，直至输出满足期望靶区及强度要求的参数矩阵集合；在期望靶区细化模型，并对参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于大脑建模的电磁仿真及优化平台构建方法，其特征在于，所述方法包括：
采集用户的核磁共振图像，并基于所述核磁共振图像建立不同用户对应的模型，确定所述核磁共振图像的图像参数，基于所述图像参数对模型进行区域分割，所述模型为特异性三维重构大脑网络模型；
将所述区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；
构建电极发射参数矩阵组，设定所述模型的期望靶区及强度要求，调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合；
在所述期望靶区细化所述模型，并对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于所述最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
2.根据权利要求1所述的基于大脑建模的电磁仿真及优化平台构建方法，其特征在于，所述对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布，包括：
计算所述模型在恒流源刺激下的多频段电场叠加分布，并从中提取时间干涉的低频包络信号在模型网格中的三维电场分布。
3.根据权利要求1所述的基于大脑建模的电磁仿真及优化平台构建方法，其特征在于，所述电极属性，包括：
调控幅度、频率、相位信息，给定电流、网格位置、电极数量。
所述调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合，包括：
调整所述电极发射参数矩阵组中的电极属性，并通过二分法及并行运算计算不同电极属性下，期望靶区内的时间干涉结果，并选定所述时间干涉结果中满足所述强度要求时的电极属性对应的参数矩阵集合。
4.根据权利要求1所述的基于大脑建模的电磁仿真及优化平台构建方法，其特征在于，所述对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，包括：
将所述期望靶区的定位精度、电场强度、期望靶区与周围区域的指数比例进行加权平均，通过加权平均结果优化确定最优发射矩阵。
5.根据权利要求1所述的基于大脑建模的电磁仿真及优化平台构建方法，其特征在于，所述方法还包括：
将所述模型根据电导率差异分割为颅骨、脑脊液、灰质、白质，并对分割结果在所述模型上进行标记。
6.根据权利要求1所述的基于大脑建模的电磁仿真及优化平台构建方法，其特征在于，所述方法还包括：
计算所述核磁共振图像中图像边缘的像素值面积缩小率，并基于所述像素值面积缩小率对所述核磁共振图像进行图像补全。
7.一种基于大脑建模的电磁仿真及优化平台构建系统，其特征在于，所述系统包括：
模型模块，用于采集用户的核磁共振图像，并基于所述核磁共振图像建立不同用户对应的模型，确定所述核磁共振图像的图像参数，基于所述图像参数对模型进行区域分割，所述模型为特异性三维重构大脑网络模型；
仿真模块，用于将所述区域分割后的模型网格化，并对模型进行高频电场传输仿真，提取仿真结果中模型网格对应的三维电场分布；
调整模块，用于构建电极发射参数矩阵组，设定所述模型的期望靶区及强度要求，调整所述电极发射参数矩阵组中的电极属性，直至输出满足所述期望靶区及强度要求的参数矩阵集合；
优化模块，用于在所述期望靶区细化所述模型，并对所述参数矩阵集合进行再分配，优化在期望靶区的电场分布，确定最优发射矩阵，并基于所述最优发射矩阵进行方案实际检测，根据实际检测结果验证方案准确性。
8.根据权利要求7中所述的基于大脑建模的电磁仿真及优化平台构建系统，其特征在于，所述系统还包括：
计算模块，用于计算所述模型在恒流源刺激下的多频段电场叠加分布，并从中提取时间干涉的低频包络信号在模型网格中的三维电场分布。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于大脑建模的电磁仿真及优化平台构建方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于大脑建模的电磁仿真及优化平台构建方法的步骤。
CN202310454674.8A 2023-04-24 2023-04-24 一种基于大脑建模的电磁仿真及优化平台构建方法及系统 Pending CN116468857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310454674.8A CN116468857A (zh) 2023-04-24 2023-04-24 一种基于大脑建模的电磁仿真及优化平台构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310454674.8A CN116468857A (zh) 2023-04-24 2023-04-24 一种基于大脑建模的电磁仿真及优化平台构建方法及系统

Publications (1)

Publication Number Publication Date
CN116468857A true CN116468857A (zh) 2023-07-21

Family

ID=87173210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310454674.8A Pending CN116468857A (zh) 2023-04-24 2023-04-24 一种基于大脑建模的电磁仿真及优化平台构建方法及系统

Country Status (1)

Country Link
CN (1) CN116468857A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117038064A (zh) * 2023-10-07 2023-11-10 之江实验室 一种辅助分析算法的评估方法、装置、存储介质及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117038064A (zh) * 2023-10-07 2023-11-10 之江实验室 一种辅助分析算法的评估方法、装置、存储介质及设备
CN117038064B (zh) * 2023-10-07 2024-01-09 之江实验室 一种辅助分析算法的评估方法、装置、存储介质及设备

Similar Documents

Publication Publication Date Title
US11911612B2 (en) Using power loss density and related measures to quantify the dose of tumor treating fields (TTFields)
CN106815481B (zh) 一种基于影像组学的生存期预测方法及装置
CN110074813B (zh) 一种超声图像重建方法及系统
CN111046581B (zh) 一种输电线路故障类型识别方法及系统
CN111369525B (zh) 图像分析方法、设备和存储介质
CN105405167A (zh) 基于完整的人头颅进行有限元建模的方法
CN107909622A (zh) 模型生成方法、医学成像的扫描规划方法及医学成像系统
CN110859624A (zh) 一种基于结构磁共振影像的大脑年龄深度学习预测系统
CN109583594B (zh) 深度学习训练方法、装置、设备及可读存储介质
CN116468857A (zh) 一种基于大脑建模的电磁仿真及优化平台构建方法及系统
CN116725511B (zh) 经颅直流电刺激时的干预电流值确定方法、装置及终端
CN111932552B (zh) 一种主动脉建模的方法及装置
CN108564541A (zh) 一种图像处理方法及装置
CN110522412A (zh) 基于多尺度脑功能网络分类脑电信号的方法
CN114496099A (zh) 细胞功能注释方法、装置、设备及介质
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN106780652B (zh) 医学数据处理方法及装置
CN116090294A (zh) 个体化经颅直流电刺激的脑响应方法、装置、设备和介质
CN112947080B (zh) 一种基于场景参数变换的智能决策模型性能评估系统
Thorbergsson et al. Computationally efficient simulation of extracellular recordings with multielectrode arrays
CN113240106A (zh) 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备
CN111815692A (zh) 无伪影数据及有伪影数据的生成方法、系统及存储介质
CN115187519B (zh) 图像质量评价方法、系统及计算机可读介质
CN113436170B (zh) 基于磁共振影像的经颅电刺激个体化优化平台
CN109087701A (zh) 提供次要参数的方法、决策支持系统、介质、计算机程序

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