CN116602625B - 一种基于神经血管耦合的脑血流量预测系统 - Google Patents
一种基于神经血管耦合的脑血流量预测系统 Download PDFInfo
- Publication number
- CN116602625B CN116602625B CN202310580124.0A CN202310580124A CN116602625B CN 116602625 B CN116602625 B CN 116602625B CN 202310580124 A CN202310580124 A CN 202310580124A CN 116602625 B CN116602625 B CN 116602625B
- Authority
- CN
- China
- Prior art keywords
- blood flow
- brain
- cerebral blood
- matrix
- nerve
- 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
- 230000003727 cerebral blood flow Effects 0.000 title claims abstract description 56
- 230000003702 neurovascular coupling effect Effects 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 113
- 210000004556 brain Anatomy 0.000 claims abstract description 83
- 210000005036 nerve Anatomy 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 230000001537 neural effect Effects 0.000 claims abstract description 46
- 230000002441 reversible effect Effects 0.000 claims abstract description 35
- 238000002598 diffusion tensor imaging Methods 0.000 claims abstract description 32
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 210000004761 scalp Anatomy 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 12
- 230000033228 biological regulation Effects 0.000 claims abstract description 7
- 210000003128 head Anatomy 0.000 claims description 25
- 230000036749 excitatory postsynaptic potential Effects 0.000 claims description 20
- 230000036734 inhibitory postsynaptic potential Effects 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 15
- 239000000835 fiber Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 230000002964 excitative effect Effects 0.000 claims description 12
- 230000002401 inhibitory effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000004007 neuromodulation Effects 0.000 claims description 10
- 230000000946 synaptic effect Effects 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000008035 nerve activity Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000001242 postsynaptic effect Effects 0.000 claims description 6
- 230000017531 blood circulation Effects 0.000 claims description 5
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 230000008344 brain blood flow Effects 0.000 abstract description 2
- QUTYKIXIUDQOLK-PRJMDXOYSA-N 5-O-(1-carboxyvinyl)-3-phosphoshikimic acid Chemical compound O[C@H]1[C@H](OC(=C)C(O)=O)CC(C(O)=O)=C[C@H]1OP(O)(O)=O QUTYKIXIUDQOLK-PRJMDXOYSA-N 0.000 description 5
- 101100477360 Arabidopsis thaliana IPSP gene Proteins 0.000 description 5
- KOTOUBGHZHWCCJ-UHFFFAOYSA-N IPSP Chemical compound CCS(=O)CSP(=S)(OC(C)C)OC(C)C KOTOUBGHZHWCCJ-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 230000036995 brain health Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000003518 presynaptic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- A61B5/0035—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 acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0263—Measuring blood flow using NMR
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Psychiatry (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Hematology (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种基于神经血管耦合的脑血流量预测系统,包括:结构连接矩阵生成模块,根据弥散张量成像数据得到结构连接矩阵;重新构建局部场电位模块,根据磁共振成像数据和头皮脑电数据建立局部场电位;功能连接矩阵生成模块,根据局部场电位生成功能连接矩阵;脑网络融合矩阵生成模块,将结构连接矩阵和功能矩阵融合生成脑网络融合矩阵;全脑逆向神经质量模型网络生成模块,建立单个逆向神经质量模型并形成全脑逆向神经质量模型网络;神经活动获取模块,根据逆向神经质量模型和局部场电位获取神经活动;脑血流量计算模块,神经活动输入到神经调控血流动力学系统得到脑血流量。通过本申请,提高脑血流量预测准确性,不会对检测对象造成伤害。
Description
技术领域
本申请涉及脑血流量预测技术领域,特别是涉及一种基于神经血管耦合的脑血流量预测系统。
背景技术
脑血流量(Cerebral Blood Flow,CBF)是一项描述脑功能和健康的重要指标,其正常循环为脑组织提供氧气与营养物质,维持脑组织的正常功能。同时,CBF的变化也对预防脑血管疾病提供了有力依据。其中神经调控CBF是维持脑功能所必须的重要过程之一,CBF的调节可以通过血管扩张和收缩的方式来实现,此方式取决于血管壁的神经调节作用。此外,神经调控下CBF变化的大小也在侧面体现出神经调控的程度。
现有技术中,通常利用以下两种方式来进行脑血流量的预测:
第一种方式,通过检测软件来进行脑血流量的预测,但是通过检测软件会产生有创性以及放射性等,对检测对象造成伤害;而且直接通过检测软件获取脑血流量只能从单一的数据获取脑血流量,如从弥散张量成像数据、磁共振成像数据、头皮脑电数据等,导致数据融合不足,预测的脑血流量数据准确度低。
第二种方式,可以通过脑血流量数值模拟计算的方法来预测脑血流量,虽然这种方法微观尺度建模较为详细,但只能模拟局部神经血管耦合的机制,宏观模型建模尺度较大,但只能研究脑网络的最终结果变化,无法阐释神经血管耦合的内部机制,宏观模型数据融合不全面,导致得到的结果与真实情况也存在一定误差。
发明内容
基于此,针对上述技术问题,提供一种基于神经血管耦合的脑血流量预测系统,以解决对检测对象造成伤害和预测的脑血流量数据准确度低的问题。
第一方面,一种基于神经血管耦合的脑血流量预测系统,所述系统包括:
数据获取模块,用于获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
结构连接矩阵生成模块,用于基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
重新构建局部场电位模块,用于利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
功能连接矩阵生成模块,用于对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
脑网络融合矩阵生成模块,用于将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值得到脑网络融合矩阵;
全脑逆向神经质量模型网络生成模块,用于对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
神经血管耦合的神经活动获取模块,用于对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
脑血流量计算模块,用于将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量。
上述方案中,可选地,所述基于D-K分区模板对弥散张量成像数据进行纤维追踪前需对所述弥散张量成像数据进行预处理,包括:所所述数据进行头部矫正、运动矫正、图像尺寸调整、分辨率调整、弥散加权成像计数、外壳计数的一致性调整。
上述方案中,可选地,所述利用所述磁共振成像数据构建头模型前需对所述磁共振成像数据进行预处理,包括:校正、异源图像配准、图像分割、标准化、平滑处理。
上述方案中,可选地,所述将所述头皮脑电数据输入到所述偶极子源模型前需对所述头皮脑电数据进行预处理,包括:对所述数据进行导联定位、去除无用导联、重参考、滤波、提取片段、独立成分分析、去噪。
上述方案中,可选地,所述设置阈值的大小为:所述结构连接矩阵和所述功能连接矩阵平均值。
上述方案中,可选地,所述计算得到所述检测对象的脑血流量按照以下计算公式计算:
其中f(t)为脑血流量,t为时间,ue(t)为兴奋性突触后电位,ui(t)为制性突触后电位,∈是兴奋性神经元活动引起信号增加的效果,μ为抑制性神经元活动引起信号增加的效果,τs为信号衰减或消除的时间常数,sf是流量诱导信号,τf为血流自调节反馈的时间常数。
上述方案中,可选地,所述兴奋性突触后电位和所述抑制性突触后电位通过优化所述逆向神经质量模型内部参数以减小误差。
上述方案中,进一步可选地,所述逆向神经质量模型内部参数包括:兴奋性突触增益、抑制性突触增益和连接常数。
第二方面,一种计算机设备,包括存储器和处理器,,所述处理器执行所述计算机程序时实现以下步骤:
获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值生成脑网络融合矩阵;
对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量。
第三方面,一种计算机可读存储介质,其上存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值生成脑网络融合矩阵;
对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量。
本申请至少具有以下有益效果:
本申请通过对弥散张量成像数据构建结构连接矩阵,通过对磁共振成像数据和根据头皮脑电数据构建功能连接矩阵,并将结构连接矩阵和功能连接矩阵通过数值融合并设置阈值得到脑网络融合矩阵;同时,对脑网络融合矩阵中每个节点进行模型化,建立逆向神经质量模型,赋予节点生理意义。脑网络融合矩阵使得每个脑区之间形成网络,使得模型之间具有联系,更符合大脑生理解剖意义,从而提高全脑CBF的预测准确性,也不会对检测对象造成伤害。
附图说明
图1为本申请一个实施例提供的一种基于神经血管耦合的脑血流量预测系统的工作流程示意图;
图2为本申请一个实施例提供的脑网络融合矩阵形成过程的流程示意图;
图3为本申请一个实施例提供的单个神经质量模型;
图4为本申请一个实施提供的全脑的神经质量模型网络;
图5为本申请一个实施例提供的基于神经血管耦合的脑血流量预测系统所采用方法的基本流程示意图;
图6为本申请一个实施例中提供的通过神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到全脑的脑血流量的计算方法示意图;
图7为本申请形成全脑全脑逆向神经质量模型网络后,单个节点产生对其它节点的影响以及接受其它节点的影响的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
神经调控的CBF的数值计算关键在于如何结合影像学及电生理数据,建立高保真多场耦合系统,将电信号转换为化学信号,进而转换为机械信号,实现CBF的精准预测。本发明基于弥散张量成像(Diffusion Tensor Imaging,DTI)数据、磁共振成像(MagneticResonance Imaging,MRI)数据和头皮脑电(Electroencephalogram,EEG)数据,建立脑组织微循环神经-血管耦合的流体动力学系统,精准预测CBF,探索神经调控引起的缺血性脑功能障碍疾病的生理、病理机制。
本申请基于神经血管耦合的脑血流量预测系统,一方面,为解决数据融合不全面的问题,本方法将DTI数据、MRI数据、EEG数据融合得到结构与功能共同影响的脑网络融合矩阵节点模型。另一方面,为了解决宏观模型不能很好的阐释神经血管耦合内部机制的问题,本方法采用神经集群模型的建模手段,将节点模型化,并赋予各个参数生理意义,对于研究神经血管耦合之间的交互作用具有促进作用。同时,与微观建模方式相比,宏观模型解决了微观模型建模范围小的缺陷。总之,本方法即保留了微观模型的建模的解释性,又保留了宏观模型的整体性。
在一个实施例中,如图1所示,一种基于神经血管耦合的脑血流量预测系统,包括以下模块:
数据获取模块,用于获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据。
结构连接矩阵生成模块,用于基于D-K分区模板对所述DTI数据进行纤维追踪得到结构连接矩阵。
在结构连接矩阵生成模块中,通过对弥散张量成像数据进行纤维追踪,可以看出脑区与脑区之间的流线数量,进行归一化后得到相应的结构连接矩阵。
重新构建局部场电位模块,用于利用所述MRI数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述EEG数据输入到所述偶极子源模型重新建立局部场电位(Local Field Potential,LFP)。
在重新构建局部场电位模块中,首先,进行MRI数据检测时,有两个加权像,一个是T1,一个是T2,T1是显示了不同组织之间的高对比度,脂肪、骨骼和水等组织显示为不同的灰度值或颜色,可以更加清晰地看到组织和器官的结构,使用T1数据构建头模型。
其次,构建好头模型后,根据D-K分区模板对配准好的白质、灰质进行分割得到感兴趣区域,用于脑电逆变换,构建解剖约束的偶极子源模型;通过D-K模板分割形成68个感兴趣区域,对68个区域均进行构建偶极子源重建,偶极子重建的过程就是脑电逆过程,构建的偶极子模型用于重建LFP。
功能连接矩阵生成模块,用于对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵。
脑网络融合矩阵生成模块,用于将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值得到脑网络融合矩阵;
如图2所示,形象化的展示了结构连接矩阵和所述功能连接矩阵形成脑网络融合矩阵的过程。
全脑逆向神经质量模型网络生成模块,用于对所述脑网络融合矩阵中每个节点建立逆向神经质量模型(Reverse Neural Mass Model,RNMM),基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
在全脑逆向神经质量模型网络生成模块中,脑网络融合矩阵将每个节点的RNMM都进行连接,使之形成网络,使得模型之间具有联系。如图3所示,为单个RNMM;根据脑网络融合矩阵将多个RNMM进行耦合,形成全脑的RNMM网络,如图4所示。
形成全脑的RNMM网络之后,每个节点RNMM会受到其它节点的RNMM的影响。
神经血管耦合的神经活动获取模块,用于对每个RNMM输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位(Excitatory Postsynaptic Potential,EPSP)和抑制性突触后电位(InhibitoryPostsynaptic Potential,IPSP);
在神经血管耦合的神经活动获取模块中,如图3所示,输入为LFP,输出EPSP、IPSP,为保证EPSP、IPSP的准确性,两者相减为计算得到的LFP,输入与输出的LFP通过误差代价函数减小误差。
当同时为每个节点的逆向神经质量模型RNMM输入LFP时,输出的LFP会对其它节点的RNMM造成影响,如图7所示,每个节点的RNMM都会产生一个Hd(t),对其它节点产生影响,作为其它节点的输入,Hd(t)受对应节点输出的LFP得到。由此,每个节点由输出的局部电位影响的Hd(t)与融合矩阵中相应的数值权重相乘,作为其他节点的RNMM另外输入。
脑血流量计算模块,用于将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量。
在脑血流量计算模块中,在得到融合矩阵基础上,形成全脑网络之后进行的。形成网络后,一共有68个节点(根据D-K分区数量得到),每个节点使用一个RNMM与神经调控的血流动力学系统得到CBF。每个节点赋予以上模型的同时,为体现脑区之间的相互联系,68个RNMM也通过融合矩阵进行相互连接。
在本实施例中,如图5所示,通过高分辨率T1加权MRI扫描构建头模型,并根据D-K分区模板对配准好的白质、灰质进行分割得到感兴趣区域,用于脑电逆变换,构建解剖约束的偶极子源模型。基于D-K分区模板对DTI进行纤维追踪得到结构连接矩阵;EEG源重建数据(LFP)进行皮尔逊相关系数计算得到功能连接矩阵,两矩阵通过数值融合并取合适阈值得到相应的二值矩阵,构成全脑脑网络矩阵。
其中对节点模型化,模型输入为基于偶极子理论通过EEG逆变换重建得到的LFP,同时考虑到模型之间的联系,通过融合矩阵将全脑RNMM构建网络。参数优化后的RNMM得到神经血管耦合的神经活动EPSP与IPSP,最后通过神经调控血流动力学系统得到个性化的全脑的脑血流量。
上述基于神经血管耦合的脑血流量预测系统,本申请对弥散张量成像数据构建结构连接矩阵,通过对磁共振成像数据和根据头皮脑电数据构建功能连接矩阵,并将结构连接矩阵和功能连接矩阵通过数值融合并设置阈值得到脑网络融合矩阵;同时,对脑网络融合矩阵中每个节点进行模型化,建立逆向神经质量模型,赋予节点生理意义。脑网络融合矩阵使得每个脑区之间形成网络,使得模型之间具有联系,更符合大脑生理解剖意义,从而提高全脑CBF的计算准确性,也不会对检测对象造成伤害。
在一个实施例中,所述基于D-K分区模板对弥散张量成像数据进行纤维追踪前需对所述弥散张量成像数据进行预处理,包括:所所述数据进行头部矫正、运动矫正、图像尺寸调整、分辨率调整、弥散加权成像(Diffusion Weighted Imaging,DWI)计数、外壳计数的一致性调整。
在一个实施例中,所述利用所述磁共振成像数据构建头模型前需对所述磁共振成像数据进行预处理,包括:校正、异源图像配准、图像分割、标准化、平滑处理。
在一个实施例中,所述将所述头皮脑电数据输入到所述偶极子源模型前需对所述头皮脑电数据进行预处理,包括:对所述数据进行导联定位、去除无用导联、重参考、滤波、提取片段、独立成分分析、去噪。
在一个实施例中,所述设置阈值的大小为:所述结构连接矩阵和所述功能连接矩阵平均值。
在该实施例中,设置的阈值大小包括但不限于使用的是矩阵的平均值作为阈值,也有可能阈值的选择原则会依据情况进行适当修改。
在一个实施例中,如图6所示,所述计算得到所述检测对象的脑血流量按照以下计算公式计算:
其中f(t)为脑血流量,t为时间,ue(t)为兴奋性突触后电位,ui(t)为制性突触后电位,ε是兴奋性神经元活动引起信号增加的效果,μ为抑制性神经元活动引起信号增加的效果,τs为信号衰减或消除的时间常数,sf是流量诱导信号,τf为血流自调节反馈的时间常数。
在该实施实施例中,脑血流量的产生由神经活动驱动,包括脑血流自调节成分、信号衰减部分,最终求得CBF的变化。图6中神经活动驱动的是∈ue(t)+μui(t),脑血流自调节成分是τf(f(t)-1),信号衰减部分是τssf(t)。
在一个实施例中,所述兴奋性突触后电位和所述抑制性突触后电位通过优化所述逆向神经质量模型内部参数以减小误差。
在一个实施例中,所述逆向神经质量模型内部参数包括:兴奋性突触增益、抑制性突触增益和连接常数。
在该实施例中,如图3所示,在单个逆向神经质量模型内部中,Hexc(t)=Aae-at,Hinh(t)=Bbe-at,其中A为兴奋性突触增益,B为抑制性突触增益,C1、C2、C3、C4为连接系数;通过调节兴奋性突触增益、抑制性突触增益以及连接系数以此减小兴奋性突触后电位和抑制性突触后电位的误差。
计算兴奋性突触后电位和抑制性突触后电位的公式如下:
C1=C C2=0.8*C C3=0.25*C C4=0.25*C
v0e=6e0e=45.5re=0.519
v0i=12.9e0i=143ri=0.262
其中a和b为兴奋性和抑制性细胞膜平均时间常数和树突平均分布时延,调节这四个参数可以改变兴奋与抑制突触的敏感性,e0e、e0i为最大点燃率,v0e、v0i为对应于e0的突触后电位,re、ri为Sigmoid函数的弯曲程度,v为突触前平均膜电压;为输出兴奋性突触后电位EPSP,/>抑制性突触后电位IPSP,/>为上述提到的单个节点影响其它节点的Hd(t)。
如图7所示,因为每个节点产生的对其它所有节点均会产生影响,所以,y6-1表示此节点对其它第一个节点的产生的影响,y6-n表示此节点对其它第n个节点产生的影响,y6-N表示此节点对其它第N个节点产生的影响。
本申请采用更全面的数据融合方法,将结构连接与功能连接各自的优点融合,更有效地发现脑网络在网络属性上的差异性,进而得到精度更高的CBF;同时,本方法采用D-K模板得到68个脑区,对每个脑区进行数值建模,将节点模型化,赋予节点生理意义,每个节点为单个神经血管耦合单元。同时,采用结构、功能共同影响的脑网络融合矩阵将68个脑区形成网络,使得模型之间具有联系,更符合大脑生理解剖意义,从而提高全脑CBF的计算准确性。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现以下步骤:
获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值生成脑网络融合矩阵;
对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于神经血管耦合的脑血流量预测系统,其特征在于,所述系统包括:
数据获取模块,用于获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
结构连接矩阵生成模块,用于基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
重新构建局部场电位模块,用于利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
功能连接矩阵生成模块,用于对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
脑网络融合矩阵生成模块,用于将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值生成脑网络融合矩阵;
全脑逆向神经质量模型网络生成模块,用于对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
神经血管耦合的神经活动获取模块,用于对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
脑血流量计算模块,用于将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的脑血流量;
所述计算得到所述检测对象的脑血流量按照以下计算公式计算:
其中f(t)为脑血流量,t为时间,ue(t)为兴奋性突触后电位,ui(t)为制性突触后电位,∈是兴奋性神经元活动引起信号增加的效果,μ为抑制性神经元活动引起信号增加的效果,τs为信号衰减或消除的时间常数,sf是流量诱导信号,τf为血流自调节反馈的时间常数。
2.根据权利要求1所述的基于神经血管耦合的脑血流量预测系统,其特征在于,所述基于D-K分区模板对弥散张量成像数据进行纤维追踪前需对所述弥散张量成像数据进行预处理,包括:所所述数据进行头部矫正、运动矫正、图像尺寸调整、分辨率调整、弥散加权成像计数、外壳计数的一致性调整。
3.根据权利要求1所述的基于神经血管耦合的脑血流量预测系统,其特征在于,所述利用所述磁共振成像数据构建头模型前需对所述磁共振成像数据进行预处理,包括:校正、异源图像配准、图像分割、标准化、平滑处理。
4.根据权利要求1所述的基于神经血管耦合的脑血流量预测系统,其特征在于,所述将所述头皮脑电数据输入到所述偶极子源模型前需对所述头皮脑电数据进行预处理,包括:对所述数据进行导联定位、去除无用导联、重参考、滤波、提取片段、独立成分分析、去噪。
5.根据权利要求1所述的基于神经血管耦合的脑血流量预测系统,其特征在于,所述设置阈值的大小为:所述结构连接矩阵和所述功能连接矩阵平均值。
6.根据权利要求1所述的基于神经血管耦合的脑血流量预测系统,其特征在于,所述兴奋性突触后电位和所述抑制性突触后电位通过优化所述逆向神经质量模型内部参数以减小误差。
7.根据权利要求1所述的基于神经血管耦合的脑血流量预测系统,其特征在于,所述逆向神经质量模型内部参数包括:兴奋性突触增益、抑制性突触增益和连接常数。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值生成脑网络融合矩阵;
对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量;
所述计算得到所述检测对象的脑血流量按照以下计算公式计算:
其中f(t)为脑血流量,t为时间,ue(t)为兴奋性突触后电位,ui(t)为制性突触后电位,∈是兴奋性神经元活动引起信号增加的效果,μ为抑制性神经元活动引起信号增加的效果,τs为信号衰减或消除的时间常数,sf是流量诱导信号,τf为血流自调节反馈的时间常数。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获取检测对象的弥散张量成像数据、磁共振成像数据、头皮脑电数据;
基于D-K分区模板对所述弥散张量成像数据进行纤维追踪得到结构连接矩阵;
利用所述磁共振成像数据构建头模型,基于所述头模型构建解剖约束的偶极子源模型;将所述头皮脑电数据输入到所述偶极子源模型重新建立局部场电位;
对所述局部场电位进行皮尔逊相关系数计算得到功能连接矩阵;
将所述结构连接矩阵和所述功能连接矩阵通过数值融合并设置阈值生成脑网络融合矩阵;
对所述脑网络融合矩阵中每个节点建立逆向神经质量模型,基于所述脑网络融合矩阵对每个所述逆向神经质量模型建立构建网络形成全脑逆向神经质量模型网络;
对每个逆向神经质量模型输入所述局部场电位获取神经血管耦合的神经活动;所述神经血管耦合的神经活动包括兴奋性突触后电位和抑制性突触后电位;
将所述神经血管耦合的神经活动输入到神经调控血流动力学系统计算得到所述检测对象的全脑的脑血流量;
所述计算得到所述检测对象的脑血流量按照以下计算公式计算:
其中f(t)为脑血流量,t为时间,ue(t)为兴奋性突触后电位,ui(t)为制性突触后电位,∈是兴奋性神经元活动引起信号增加的效果,μ为抑制性神经元活动引起信号增加的效果,τs为信号衰减或消除的时间常数,sf是流量诱导信号,τf为血流自调节反馈的时间常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580124.0A CN116602625B (zh) | 2023-05-22 | 2023-05-22 | 一种基于神经血管耦合的脑血流量预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580124.0A CN116602625B (zh) | 2023-05-22 | 2023-05-22 | 一种基于神经血管耦合的脑血流量预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116602625A CN116602625A (zh) | 2023-08-18 |
CN116602625B true CN116602625B (zh) | 2024-01-26 |
Family
ID=87676026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580124.0A Active CN116602625B (zh) | 2023-05-22 | 2023-05-22 | 一种基于神经血管耦合的脑血流量预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116602625B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103619406A (zh) * | 2011-06-03 | 2014-03-05 | 奈科斯迪姆公司 | 用于组合解剖连接模式和导航脑刺激的方法和系统 |
CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和系统 |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
CN114246587A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150157235A1 (en) * | 2012-12-10 | 2015-06-11 | James J. Jelen | Public Health Screening For Cognitive Health Using Dry Sensor Electroencephalogram Technology |
US9747421B2 (en) * | 2014-02-10 | 2017-08-29 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
US12016634B2 (en) * | 2020-05-11 | 2024-06-25 | Carnegie Mellon University | Methods and apparatus for electromagnetic source imaging using deep neural networks |
-
2023
- 2023-05-22 CN CN202310580124.0A patent/CN116602625B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103619406A (zh) * | 2011-06-03 | 2014-03-05 | 奈科斯迪姆公司 | 用于组合解剖连接模式和导航脑刺激的方法和系统 |
CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和系统 |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
CN114246587A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究检测方法 |
Non-Patent Citations (3)
Title |
---|
Atlas-based and DTI-guided quantification of human brain cerebral blood flow: Feasibility, quality assurance, spatial heterogeneity and age effects;Hasan, KM,等;《MAGNETIC RESONANCE IMAGING 》;第31卷(第8期);第1445-1452页 * |
MR 3SD-pCASL成像对有颞叶内侧硬化的颞叶癫痫患者脑血流量的定量研究;郭小琴;《中国博士学位论文全文数据库 医药卫生科技辑》(第10期);第1-134页 * |
Quantifying the Link between Anatomical Connectivity, Gray Matter Volume and Regional Cerebral Blood Flow: An Integrative MRI Study;Várkuti, B,等;《PLOS ONE》;第6卷(第4期);第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116602625A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110074813B (zh) | 一种超声图像重建方法及系统 | |
WO2023108712A1 (zh) | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 | |
CN110739070A (zh) | 一种基于3d卷积神经网络的脑疾病诊断方法 | |
CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
EP3364868B1 (en) | Generating natural language representations of mental content from functional brain images | |
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 | |
CN112232407A (zh) | 病理图像样本的神经网络模型训练方法、装置 | |
CN114723763B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN110866909A (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN114549470B (zh) | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 | |
Spitzer et al. | Parcellation of visual cortex on high-resolution histological brain sections using convolutional neural networks | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
CN114782394A (zh) | 一种基于多模态融合网络的白内障术后视力预测系统 | |
CN117011673A (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
Mouches et al. | Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
CN117765530A (zh) | 一种多模态脑网络分类方法、系统、电子设备及介质 | |
CN116602625B (zh) | 一种基于神经血管耦合的脑血流量预测系统 | |
CN116703850A (zh) | 基于领域自适应的医学图像分割方法 | |
CN116484904A (zh) | 一种基于人工智能深度学习的监管数据处理实现方法 | |
Pineda-Pardo et al. | Disparate connectivity for structural and functional networks is revealed when physical location of the connected nodes is considered | |
CN115438580A (zh) | 基于肌肉骨骼模型的人体步态仿真系统、装置及存储介质 | |
Fürtinger et al. | A neural population model incorporating dopaminergic neurotransmission during complex voluntary behaviors | |
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 | |
CN112489012A (zh) | 一种用于ct图像识别的神经网络架构方法 |
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 |