【技术实现步骤摘要】
本申请涉及经颅磁刺激电场预测，特别是涉及一种tms电场预测模型的确定方法、应用方法及相关装置。
技术介绍
1、经颅磁刺激(transcranial magnetic stimulation，以下简称tms)线圈中的瞬变电流会产生磁场，动态的磁场穿透颅骨，在颅内感应出电流，产生感应电场，从而影响神经元的电活动。由于tms技术具有安全、无创的优点，其常用来治疗神经退行性疾病和精神疾病。不同个体间大脑的解剖结构具有较大的差异，因而不同个体间的最优刺激靶点以及线圈朝向可能也会具有较大差异。因而，对于每名个体，需要计算预选靶点附近若干不同线圈位姿下的电场分布，将有效刺激范围内电场强度最大者对应的线圈位姿作为最优的线圈位姿，进而实现最有效的tms刺激。具体而言，电场计算的整个流程可分成两大步骤，第一步是个体头模重建；第二步是根据头模的导电率映射、线圈模型以及刺激参数，计算某一线圈位姿下的电场。
2、目前，tms电场计算主要有两大类方法，一类是传统的数值分析方法，另一类是基于深度学习的方法。然而，现有大多数传统的数值分析方法整套计算流程耗时较长，大大影响整个流程的效率。
技术实现思路
1、本申请的目的是提供一种tms电场预测模型的确定方法、应用方法及相关装置，可快速实现tms电场预测。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种tms电场预测模型的确定方法，所述tms电场预测模型的确定方法包括：
4、获取局部影像块数
5、根据每一实际组织分割结果，确定对应的局部影像块的导电率映射结果。
6、获取经过头皮掩码后的线圈的初级电场。
7、将所述经过头皮掩码后的线圈的初级电场分别与每一局部影像块的导电率映射结果在通道维度上进行拼接，得到拼接后的数据。
8、将所述拼接后的数据输入第一卷积神经网络3d u-net，得到第一卷积神经网络3du-net的输出；所述第一卷积神经网络3d u-net的输出为预测电势梯度。
9、根据所述拼接后的数据、所述第一卷积神经网络3d u-net的输出和能量损失函数，确定损失值。
10、根据所述损失值对所述第一卷积神经网络3d u-net的网络参数进行优化，得到tms电场预测模型。
11、可选地，在获取局部影像块数据集步骤之后，所述tms电场预测模型的确定方法还包括：
12、将局部影像块输入第二卷积神经网络3d u-net，得到第二卷积神经网络3d u-net的输出；所述第二卷积神经网络3d u-net的输出为预测组织分割结果。
13、根据所述第二卷积神经网络3d u-net的输出、局部影像块对应的组织分割结果和dice损失函数，确定损失值。
14、根据所述损失值对所述第二卷积神经网络3d u-net的网络参数进行优化，得到分割模型。
15、可选地，所述获取局部影像块数据集，具体包括：
16、获取t1加权影像，并对所述t1加权影像进行预处理操作，得到预处理后的影像；所述t1加权影像为个体做核磁共振检查时得到的影像；所述预处理操作包括：去噪、偏差校正、重采样和配准到大脑标准空间。
17、根据所述预处理后的影像，分割出头皮，进行头皮的三维重建，得到头皮的三维重建图。
18、根据所述头皮的三维重建图，确定头皮采样位点和tms刺激线圈的朝向。
19、根据所述头皮采样位点和tms刺激线圈的朝向，对所述t1加权影像进行局部采样，得到若干个局部影像块和对应的组织分割结果。
20、可选地，所述能量损失函数的表达式为：
21、
22、其中，lenergy为能量损失函数，σi为第i个体素对应的组织导电率，为第i个体素对应的电势梯度，ai为第i个体素对应的线圈的磁矢量位，为第i个体素对应的线圈的初级电场，e i为第i个体素对应的电场矢量，i为局部影像块中组织的第i个体素，n为局部影像块中组织的总体素数。
23、可选地，所述dice损失函数的表达式为：
24、
25、其中，ldice为dice损失函数，i为局部影像块中组织的第i个体素，n为局部影像块中组织的总体素数，k为第k个类别，k为总类别数，yik为网络预测第i个体素为第k类的概率，为第i个体素的标注是否为第k类，若是则为1，否则为0；ε为平滑系数。
26、第二方面，本专利技术提供了一种tms电场预测模型的应用方法，所述tms电场预测模型的应用方法包括：
27、获取待预测的局部影像块和对应的实际组织分割结果以及经过头皮掩码后的线圈的初级电场。
28、根据每一实际组织分割结果，确定对应的局部影像块的导电率映射结果。
29、将所述经过头皮掩码后的线圈的初级电场分别与每一对应的局部影像块的导电率映射结果在通道维度上进行拼接，得到拼接后的待预测数据。
30、将所述拼接后的待预测数据输入tms电场预测模型，得到预测电势梯度；所述tms电场预测模型为根据第一方面所述的tms电场预测模型的确定方法训练得到的模型。
31、第三方面，本专利技术提供了一种tms电场预测模型的应用方法，所述tms电场预测模型的应用方法包括：
32、获取待预测的局部影像块。
33、将所述待预测的局部影像块输入分割模型，得到若干个预测的组织分割结果；所述分割模型为根据第一方面所述的tms电场预测模型的确定方法训练得到的模型。
34、根据每一预测的组织分割结果，确定对应的局部影像块的导电率映射结果。
35、将所述经过头皮掩码后的线圈的初级电场分别与每一对应的局部影像块的导电率映射结果在通道维度上进行拼接，得到拼接后的待预测数据。
36、将所述拼接后的待预测数据输入tms电场预测模型，得到预测电势梯度；所述tms电场预测模型为根据第一方面所述的tms电场预测模型的确定方法训练得到的模型。
37、第四方面，本专利技术提供了一种计算机设备，包括：存储器、处理器以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计算机程序以实现上述中任一项所述的tms电场预测模型的确定方法的步骤或实现上述中任一项所述的tms电场预测模型的应用方法的步骤。
38、第五方面，本专利技术提供了一种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中任一项所述的tms电场预测模型的确定方法的步骤或实现上述中任一项所述的tms电场预测模型的应用方法的步骤。
39、第六方面，本专利技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的tms电场预测模型的确定方法的步骤或实现上述中任一项所述的tms电场预测模型的应用方本文档来自技高网...
【技术保护点】
1.一种TMS电场预测模型的确定方法，其特征在于，所述TMS电场预测模型的确定方法包括：
2.根据权利要求1所述的TMS电场预测模型的确定方法，其特征在于，在获取局部影像块数据集步骤之后，所述TMS电场预测模型的确定方法还包括：
3.根据权利要求1所述的TMS电场预测模型的确定方法，其特征在于，所述获取局部影像块数据集，具体包括：
4.根据权利要求1所述的TMS电场预测模型的确定方法，其特征在于，所述能量损失函数的表达式为：
5.根据权利要求2所述的TMS电场预测模型的确定方法，其特征在于，所述Dice损失函数的表达式为：
6.一种TMS电场预测模型的应用方法，其特征在于，所述TMS电场预测模型的应用方法包括：
7.一种TMS电场预测模型的应用方法，其特征在于，所述TMS电场预测模型的应用方法包括：
8.一种计算机设备，包括：存储器、处理器以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计算机程序以实现权利要求1-5中任一项所述的TMS电场预测模型的确定方法的步骤或
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，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的TMS电场预测模型的确定方法的步骤或实现权利要求6或7所述的TMS电场预测模型的应用方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的TMS电场预测模型的确定方法的步骤或实现权利要求6或7所述的TMS电场预测模型的应用方法的步骤。
...【技术特征摘要】
1.一种tms电场预测模型的确定方法，其特征在于，所述tms电场预测模型的确定方法包括：
2.根据权利要求1所述的tms电场预测模型的确定方法，其特征在于，在获取局部影像块数据集步骤之后，所述tms电场预测模型的确定方法还包括：
3.根据权利要求1所述的tms电场预测模型的确定方法，其特征在于，所述获取局部影像块数据集，具体包括：
4.根据权利要求1所述的tms电场预测模型的确定方法，其特征在于，所述能量损失函数的表达式为：
5.根据权利要求2所述的tms电场预测模型的确定方法，其特征在于，所述dice损失函数的表达式为：
6.一种tms电场预测模型的应用方法，其特征在于，所述tms电场预测模型的应用方法包括：
7.一种tms电场预测模型的应用方法，其特征在于，所述tms电...
【专利技术属性】
技术研发人员：刘涛，周峻锋，张烁，刘浩，刘子阳，周怡君，赵扬，
申请(专利权)人：北京天航睿医科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。