基于磁共振成像和神经网络的脑深部电刺激靶点定位方法技术

本发明专利技术公开了一种基于磁共振成像和神经网络的脑深部电刺激靶点定位方法。通过分类网络判断输入图像是否包含靶点；其输出是一个数值，称为分类得分，越高表示越有可能包含靶点。通过定位网络估计输入图像中最优靶点的位置；其输出为两个二维坐标，分别对应左右脑的靶点。将定位网络的输出和图像层的索引组合，即可唯一确定靶点的三维坐标。本发明专利技术可以实现精度和效率的更佳平衡。从精度上来说，本发明专利技术的靶点定位精度可以超过传统方式，且接近DRTT分析的靶点定位精度。从效率上来说，本发明专利技术方案的分析速度是目前最快的，而且远超背景技术。本发明专利技术的方法既可以用于全自动的靶点定位，也可以和医生配合，用于半自动的靶点定位。用于半自动的靶点定位。用于半自动的靶点定位。

【技术实现步骤摘要】
基于磁共振成像和神经网络的脑深部电刺激靶点定位方法


[0001]本专利技术涉及一种脑深部电刺激靶点定位方法，具体涉及一种基于磁共振成像和神经网络的脑深部电刺激靶点定位方法。

技术介绍

[0002]原发性震颤(essential tremor，ET)是最常见的运动障碍性疾病之一。其全球发病率约为0.4％
‑
6％[5]。ET首选药物治疗，但只有约一半的患者使用药物后症状能得到明显改善。对于药物治疗无效的ET患者，脑深部电刺激术(deep brain stimulation，DBS)是另一种可能的治疗手段。DBS的基本思路是使用电极对脑内的特定位置进行刺激(见图1)。这些位置称为靶点。靶点的选择对治疗效果起到重要作用。DBS治疗ET的经典靶点区域是丘脑腹内侧核(ventral intermediate nucleus，Vim)，但是临床效果不一，震颤改善率从48％到57％不等[7]。也有学者推荐使用丘脑底核后区(posterior subthalamic area，PSA)作为治疗ET的DBS靶点区域。其症状改善率最高可以达到81％[6]。一项随机双盲临床试验针对Vim和PSA靶点治疗效果比较发现，PSA
‑
DBS至少与Vim
‑
DBS一样有效，且可能比Vim
‑
DBS更有效[1]。然而，在不同的研究中，PSA区域内的具体刺激位点差异很大，主要原因在于靶点在磁共振成像(MRI)上不可见，通常是在一个人为规定的范围。目前已有数个团队提出不同的靶点计算方式，但得出的最佳靶点位置有明显差别，且临床症状改善率从55％到81％不等[6,2,8,7]。因此，基于PSA的最佳刺激靶点至今依旧不明。在临床上，多数神经外科医生仍然根据MRI采用目测配合经验的方式来确定靶点位置，但精度参差不齐。
[0003]如何在PSA区域内确定最优靶点的位置是当今医学界的一个前沿问题，也是本专利技术面对的基本问题。该问题目前只得到了部分解答。在扩散张量成像(diffusion tensor imaging，DTI)研究的基础上，PSA中的小脑齿状核
‑
红核
‑
丘脑纤维(dentato
‑
rubro
‑
thalamic tract，DRTT)被认为是PSA
‑
DBS减轻震颤的解剖学基础[3,4]。不同的研究团队利用MRI的解剖结构定位的最佳刺激靶点被发现均位于DRTT纤维的中心或边缘附近[7]。因此，出现了一种新的高精度靶点定位方法(以下称为DRTT分析)[9]，即先绘制DRTT结构，然后再根据DRTT判定靶点位置。除了医生根据MRI和经验目测以外，DRTT分析是本方案的主要
技术介绍
。
[0004]
技术介绍
的缺点：
[0005]DRTT分析技术目前仍处在学术阶段，离广泛的临床应用有相当的距离。主要有以下原因：
[0006]1)技术需求：生成DRTT结构除了需要MRI以外，还要使用DTI技术。但DTI技术不同于一般的MRI，不属于常规医学检查手段；
[0007]2)人员需求：生成DRTT结构和判定靶点位置涉及若干复杂的数据处理步骤，需要具有医学影像知识的专业人员手动操作；
[0008]3)时间需求：整个流程的速度较慢，处理一个病例需要几小时甚至更多。
[0009]参考文献：
[0010][1]M.T.Barbe,P.Reker,S.Hamacher,J.Franklin,D.Kraus,T.A.Dembek,J.Becker,J.K.Steffen,N.Allert,J.Wirths,H.S.Dafsari,J.Voges,G.R.Fink,V.Visser
‑
Vandewalle,and L.Timmermann.DBS of the PSA and the VIM in essential tremor:A randomized,double
‑
blind,crossover trial.Neurology,91(6):e543
–
e550,082018.
[0011][2]P.Blomstedt,U.Sandvik,and S.Tisch.Deep brain stimulation in the posterior subthalamic area in the treatment of essential tremor.Mov Disord,25(10):1350
–
1356,Jul 2010.
[0012][3]V.A.Coenen,N.Allert,and B.Madler.A role of diffusion tensor imaging fiber tracking in deep brain stimulation surgery:DBS of the dentato
‑
rubro
‑
thalamic tract(drt)for the treatment of therapy
‑
refractory tremor.Acta Neurochir(Wien),153(8):1579
–
1585,Aug 2011.
[0013][4]V.A.Coenen,N.Allert,S.Paus,M.Kronenburger,H.Urbach,and B.Madler.Modulation of the cerebello
‑
thalamo
‑
cortical network in thalamic deep brain stimulation for tremor:a diffusion tensor imaging study.Neurosurgery,75(6):657
–
669,Dec 2014.
[0014][5]E D Louis.The roles of age and aging in essential tremor:An epidemiological perspective.Neuroepidemiology,52(1
‑
2):111
–
118,2019.
[0015][6]J.Murata,M.Kitagawa,H.Uesugi,H.Saito,Y.Iwasaki,S.Kikuchi,K.Tashiro,and Y.Sawamura.Electrical stimulation of the posterior subthalamic area for the treatment of intractable proximal tremor.J Neurosurg,99(4):708
–
715,Oct 2003.
[0016][7]A.Nowack本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于磁共振成像和神经网络的脑深部电刺激靶点定位方法，其特征在于，步骤如下：步骤1、数据预处理；步骤2、构建靶点定位模型；靶点定位模型包括分类网络和定位网络，所述的分类网络和定位网络都采用卷积神经网络结构；步骤3、训练靶点定位模型，并确定分类得分的阈值参数T的初始值；步骤4、通过训练好的靶点定位模型进行靶点定位；将预处理后的每一层MRI数据输入靶点定位模型的分类网络，将所有层按照分类网络的输出分值排序，选择排在最前面的K层MRI图像，放弃分值低于T的层，将选中的层输入靶点定位模型的定位网络，计算靶点坐标；所述的K是一个参数，K的值根据实际情况进行设定，小于等于最多可能包含靶点的层数；步骤5、验证和输出；根据预先设定的规则验证靶点是否规范，最后将通过验证的靶点坐标以及对应的层索引输出。2.根据权利要求1所述的基于磁共振成像和神经网络的脑深部电刺激靶点定位方法，其特征在于，步骤1具体方法如下：一组完整的MRI影像是由很多幅灰度图像层叠构成；人的头部MRI通常包含了上百个图像层，靶点的位置能够表示成一个二维坐标和一个层索引的组合；首先对样本数据进行分析，统计每组MRI中存在靶点的层索引值，计算出比例范围a％
‑‑
b％，即可能包含靶点的层的位置范围；然后，为了减少不必要的计算，每组MRI中超出比例范围的图像层将被忽略；接下来，将保留下来的MRI图像层裁剪成预先设定的标准尺寸，裁剪时先将图像中的非空白部分居中后再进行裁剪；最后，将MRI数据的取值范围规范化；对于每组MRI，将所有像素值除以一个自定义的最大值，从而将所有像素值限定在0到1之间；在此基础上，为了匹配神经网络的输入端，需要对数据进一步规范化，使数据每个维度的均值接近零，方差接近一。3.根据权利要求2所述的基于磁共振成像和神经网络的脑深部电刺激靶点定位方法，其特征在于，步骤2具体方法如下；靶点定位模型包括分类网络和定位网络；所述的分类网络和定位网络都基于卷积神经网络架构；所述的分类网络和定位网络采用基于残差网络(ResNet)结构的卷积部分作为网络主干，配合网络末端的全连接部分；分类网络的卷积部分由一个卷积层和若干残差块(residualblock)构成；最后一层为全连接层，输出结果是一维数值，定义为分类得分；由于sigmoid函数的作用，分类得分介于0和1之间；将其作为输入图像包含靶点的概率，用于根据得分对不同的MRI图像层进行排序；定位网络的卷积部分由一个卷积层和若干残差块(residualblock)构成；最后一层为全连接层，输出结果是4维数组；将其转换成2乘2维的形式，即两个二维坐标，分别对应左右靶点的位置；由于sigm...

【专利技术属性】
技术研发人员：翁立，吴承瀚，朱周乐，朱君明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：