基于编解码结构的经颅磁刺激电场快速成像方法和模型技术

本发明专利技术提供了基于编解码结构的经颅磁刺激电场快速成像方法和模型，对人脑的结构先验与深度卷积神经网络进行融合，通过搭建基于编解码结构融合多尺度特征的深度神经网络模型，缩短了经颅磁刺激后电场在大脑分布的成像时间，实现了对在经颅磁刺激下的电场在整个大脑不同区域分布的快速预测、实时成像和评估。本发明专利技术能够对经颅磁刺激线圈放置的整个大脑不同位置的电场进行快速预测和成像，可应用到经颅磁刺激的辅助诊断应用中。本发明专利技术通过有效提取输入的磁共振图像中的特征，实现了辅助医生对患者进行经颅磁刺激的治疗过程中对刺激部位和刺激强度的评估。位和刺激强度的评估。位和刺激强度的评估。

【技术实现步骤摘要】
基于编解码结构的经颅磁刺激电场快速成像方法和模型


[0001]本专利技术属于深度学习
，具体涉及基于编解码结构的经颅磁刺激电场快速成像方法和模型。

技术介绍

[0002]随着当今社会生活节奏的不断加快，精神疾病已代替传染病成为威胁人类生命、消耗医药资源最大的疾病。精神疾病的主要表现是脑功能异常，实验证实磁刺激可以通过影响脑功能，从而达到治疗精神疾病的目的。经颅磁刺激(Transcranial Magnetic Stimulation)是一种通过线圈产生的磁信号无衰减的透过大脑颅骨从而刺激到大脑神经，达到对特定脑部区域刺激的一种治疗技术。经颅磁刺激技术作为一种非侵入式的神经刺激技术，在临床中常用于抑郁症、自闭症、睡眠障碍等精神类疾病的治疗。通过在不同的区域移动磁线圈，产生电场刺激大脑内部神经，从而达到治疗精神类疾病的目的。
[0003]在临床实践中，实时的可视化经颅磁刺激下电场在大脑内部各个区域的分布，不仅能够帮助医生及时的调整线圈刺激大脑的位置和角度，而且也能够帮助相关脑科学研究的科研工作者们更好的理解治疗反应的机制。但由于人体大脑结构复杂以及大脑内部不同物质电导率的差异，使得对电场分布的有效预测成为经颅磁刺激治疗中的一个挑战。最近深度学习技术被应用于预测经颅磁刺激诱导的电场，这种方法能够将仿真时间缩短到远远小于1秒，显著地缩短了预测时间。但是这种技术还存在三个方面的问题：首先，它估计了电场的大小，没有任何潜在方向的信息，这是有用的研究经颅磁刺激对轴突纤维束的影响。其次，由于线圈被放置在运动皮层周围的一个小区域附近，而没有对其他大脑区域的训练和测试数据进行检查，因此该方法只能预测电场。第三，神经网络以仅以MRI和经颅磁刺激线圈的位置作为输入来预测电场，忽略了线圈之间的差异。因此，训练后的网络仅适用于预测特定线圈的电场图。

技术实现思路

[0004]本专利技术要解决的技术问题是：提供基于编解码结构的经颅磁刺激电场快速成像方法和模型，用于快速预测经颅磁刺激下的三维电场并在大脑表层进行快速成像和评估。
[0005]本专利技术为解决上述技术问题所采取的技术方案为：基于编解码结构的经颅磁刺激电场快速成像方法，包括以下步骤：
[0006]S1：基于人脑磁共振图像MRI建立被测试者的三维人脑结构图；选择特定形状的线圈，在线采集经颅磁线圈电场产生的数据，通过有限元数值算法计算线圈作用下人脑中的不同区域的电场分布；
[0007]S2：根据快速运算卷积神经网络结合脑部的结构先验，构建基于编解码结构的融合多尺度特征的深度神经网络模型；设MS表示最终融合的多尺度特征，Conv表示对多尺度特征进行卷积操作，Concatenate表示把多尺度特征进行串联，f表示对不同尺度的特征进行尺度变换，变换后的特征为MS1，则深度神经网络模型的计算公式如下：
[0008]MS＝Conv(Concatenate(∑
n
MS1+f(MS2)+
…
+f(MS
n
)))；
[0009]采用步骤S1获取的数据训练基于编解码结构的融合多尺度特征的深度神经网络模型；通过最小化预测的电场和有限元算法得到的电场之间的均方误差损失进行训练；将深度神经网络模型看作非线性回归模型，通过训练深度神经网络模型拟合有限元法计算的电场分布；
[0010]S3：将基于编解码结构的融合多尺度特征的深度神经网络模型预测的三维电场数据转化为二维数据，并投影到对应的大脑表层进行显示，实现对经颅磁刺激后电场在大脑不同区域的快速成像；基于电场在大脑中的分布特点和输出的电场评估指标，对基于编解码结构的融合多尺度特征的深度神经网络模型在包括预测时间和性能两方面的表现进行实时地评估。
[0011]按上述方案，所述的步骤S1中，具体步骤为：
[0012]S11：采用T1和T2两类加权人脑磁共振图像MRI分割被测试者的人脑组织图像、重建被测试者的包括脑白质、脑灰质、脑脊液的三维人脑结构图，生成有限元网格；
[0013]S12：采用弥散磁共振图像通过配准获取弥散张量，计算人脑不同组织的电导率，构建电导率张量；
[0014]S13：在三维人脑结构图中选取脑电图上定义的不同的位置，通过选择特定形状和类型的线圈，使用有限元算法计算在线圈作用下人脑不同区域的电场分布的三维数据和对应的MRI磁共振图像数据。
[0015]按上述方案，所述的步骤S2中，编解码结构包括编码端和解码端；编码端用于学习输入数据的特征，编码端包括多组三维卷积算子、池化操作、非线性特征激活操作；解码端用于根据学习到的特征快速预测电场在三维人脑结构中的分布，解码端包括多组三维卷积、三维转置卷积、特征融合模块、非线性特征激活操作；解码端到编码端之间为短跳连接用于传递特征映射。
[0016]按上述方案，所述的步骤S2中，训练基于编解码结构的融合多尺度特征的深度神经网络模型的具体步骤为：
[0017]S21：对深度神经网络模型的权值进行初始化；
[0018]S22：使用RAdam优化器训练深度神经网络模型，设超参数分别为β1＝0.9，β2＝0.999，初始学习率为0.002；采用步进学习速率策略，初始值学习率每隔5个训练周期衰减为0.5；总参数迭代更新使用反向传播的小批量值为4；参数迭代更新25个训练周期，每个训练周期有2
×
105次迭代；深度神经网络模型共有31个卷积层。
[0019]按上述方案，所述的步骤S3中，采用训练后的模型对输入的磁共振图像和线圈产生的磁场数据进行特征提取，并输出电场在整个大脑中的分布；设x表示输入的图像数据，y表示基于有限元算法得到的电场分布，θ表示深度神经网络模型中的训练参数，Net(x|θ)表示深度神经网络模型预测的电场输出，则将深度神经网络模型的训练问题转化为优化问题，计算公式如下：
[0020][0021]设EPD表示预测电场中峰值最大的值，则电场峰值统计的计算公式为：
[0022]EPD＝||Peak(E
P
)||；
[0023]设Cos(θ)表示预测电场X方向和Y方向的余弦系数，则电场方向统计的计算公式为：
[0024][0025]预测电场强度分布幅值的计算公式为：
[0026][0027]按上述方案，所述的步骤S3中，电场评估指标包括峰值信噪比、均方误差、峰值最大距离误差、相关系数、绝对误差和电场预测时间。
[0028]按上述方案，所述的步骤S3中，评估基于编解码结构的融合多尺度特征的深度神经网络模型时使用的指标包括目标重叠系数TOC、电场峰值距离EPD、电场相似性、平均绝对误差MAE、平均相对误差MRE、归一化均方根误差NRMSE和平均方向误差MDE；
[0029]目标重叠系数TOC为预测的电场与参考目标区域的相似系数DSC；TOC的值在0到1之间，且TOC越高，电场分布越相似；设TP、FP和FN分别为预测电场与参考电场之间的真阳性、假阳性和假阴性，则：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于编解码结构的经颅磁刺激电场快速成像方法，其特征在于：包括以下步骤：S1：基于人脑磁共振图像MRI建立被测试者的三维人脑结构图；选择特定形状的线圈，在线采集经颅磁线圈电场产生的数据，通过有限元数值算法计算线圈作用下人脑中的不同区域的电场分布；S2：根据快速运算卷积神经网络结合脑部的结构先验，构建基于编解码结构的融合多尺度特征的深度神经网络模型；设MS表示最终融合的多尺度特征，Conv表示对多尺度特征进行卷积操作，Concatenate表示把多尺度特征进行串联，f表示对不同尺度的特征进行尺度变换，变换后的特征为MS1，则深度神经网络模型的计算公式如下：MS＝Conv(Concatenate(Σ
n
MS1+f(MS2)+
…
+f(MS
n
)))；采用步骤S1获取的数据训练基于编解码结构的融合多尺度特征的深度神经网络模型；通过最小化预测的电场和有限元算法得到的电场之间的均方误差损失进行训练；将深度神经网络模型看作非线性回归模型，通过训练深度神经网络模型拟合有限元法计算的电场分布；S3：将基于编解码结构的融合多尺度特征的深度神经网络模型预测的三维电场数据转化为二维数据，并投影到对应的大脑表层进行显示，实现对经颅磁刺激后电场在大脑不同区域的快速成像；基于电场在大脑中的分布特点和输出的电场评估指标，对基于编解码结构的融合多尺度特征的深度神经网络模型在包括预测时间和性能两方面的表现进行实时地评估。2.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法，其特征在于：所述的步骤S1中，具体步骤为：S11：采用T1和T2两类加权人脑磁共振图像MRI分割被测试者的人脑组织图像、重建被测试者的包括脑白质、脑灰质、脑脊液的三维人脑结构图，生成有限元网格；S12：采用弥散磁共振图像通过配准获取弥散张量，计算人脑不同组织的电导率，构建电导率张量；S13：在三维人脑结构图中选取脑电图上定义的不同的位置，通过选择特定形状和类型的线圈，使用有限元算法计算在线圈作用下人脑不同区域的电场分布的三维数据和对应的MRI磁共振图像数据。3.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法，其特征在于：所述的步骤S2中，编解码结构包括编码端和解码端；编码端用于学习输入数据的特征，编码端包括多组三维卷积算子、池化操作、非线性特征激活操作；解码端用于根据学习到的特征快速预测电场在三维人脑结构中的分布，解码端包括多组三维卷积、三维转置卷积、特征融合模块、非线性特征激活操作；解码端到编码端之间为短跳连接用于传递特征映射。4.根据权利要求1所述的基于编解码结构的经颅磁刺激电场快速成像方法，其特征在于：所述的步骤S2中，训练基于编解码结构的融合多尺度特征的深度神经网络模型的具体步骤为：S21：对深度神经网络模型的权值进行初始化；S22：使用RAdam优化器训练深度神经网络模型，设超参数分别为β1＝0.9，β2＝0.999，初始学习率为0.002；采用步进学习速率策略，初始值学习率每隔5个训练周期衰减为0.5；总参数迭代更新使用反向传播的小批量值为4；参数迭代更新25个训练周期，每个训练周期有
2
×
105次迭代；深度神经网络模型共有...

【专利技术属性】
技术研发人员：徐国平，吴兴隆，李亚楠，肖利芳，张炫，廖文涛，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：