[发明专利]基于编解码结构的经颅磁刺激电场快速成像方法和模型

说明书

本发明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。

技术领域

本发明属于深度学习技术领域，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。

背景技术

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 MagneticStimulation)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。

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。

发明内容

本发明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。

本发明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：

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(∑_nMS₁+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；