CN105395196B - Eeg或meg电极在脑mr图像中的定位装置和方法 - Google Patents
Eeg或meg电极在脑mr图像中的定位装置和方法 Download PDFInfo
- Publication number
- CN105395196B CN105395196B CN201510946184.5A CN201510946184A CN105395196B CN 105395196 B CN105395196 B CN 105395196B CN 201510946184 A CN201510946184 A CN 201510946184A CN 105395196 B CN105395196 B CN 105395196B
- Authority
- CN
- China
- Prior art keywords
- eeg
- meg
- brain
- images
- electrode
- 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
Classifications
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种电极帽,其包括:电极帽本体;若干个第一电极;若干个第一位置传感器;基准坐标测量装置;微处理器;其中,所述电极为EEG或MEG电极。本发明还公开了将电极帽得到的EEG或MEG电极坐标定位到脑MR图像中的方法,包括:大脑表面分割,大脑表面和EEG/MEG电极坐标分别到标准头模型的映射,以及在标准头模型空间中大脑灰质表面和EEG/MEG电极的配准。本发明通过使用含有位置传感器的EEG/MEG电极帽和曲面配准技术,克服了传统方法只能使用刚性匹配方法在MR图像中定位EEG/MEG电极位置,大幅提高了EEG/MEG在脑MR图像中的定位精度。
Description
技术领域
本发明涉及脑功能成像技术领域。更具体地说,本发明涉及一种将EEG或MEG电极在脑MR图像中的定位装置和方法。
背景技术
脑电图(EEG)、脑磁图(MEG)和核磁磁共振图像(MR)是目前主要的神经成像工具,在学术研究和临床诊断中得到了极大关注和广泛应用。EEG和MEG具有高时间分辨率,MR图像具有高空间分辨率,由此人们希望融合EEG信号和MR图像或融合MEG信号和MR图像以获得兼具高时间分辨率和高空间分辨率的脑功能图像。而精确定位EEG/MEG电极在MR头模型中的坐标,是融合EEG/MEG信号和MR图像的必要步骤,其配准精度直接影响融合效果和脑功能分析结果。当前,常见的EEG/MEG电极定位方法有三种:基准点法、电极可视化方法和表面匹配法。
基准点法是最早提出并广泛应用的EEG/MEG电极定位方法,其基本思路是在头部寻找若干个生理基准点,即内部基准点,或在头皮外侧周围设置若干个外部基准点。上述基准点可以通过MR成像,同时又可以在测量EEG/MEG电极位置时被精确测量。其中,典型的生理基准点是鼻根、鼻尖、左右耳廓周点和枕外隆凸尖等位置。因为电极在MR头模型中的坐标取决于基准点配准,因此要求基准点的选取和测量必须精确。为了提高EEM/MEG电极的定位精度,可混合使用外部基准点和内部基准点。因为外部基准点是人为设定的,在MR图像和EEG/MEG测量时易识别、易定位,且定位精度高,可实现精确定位EEG/MEG电极坐标。但是,在MR成像和EEG/MEG测量过程中,外部基准点不易大量设置,距离外部基准点较远的地方,定位精度也较低。
电极可视化方法要求受试者佩戴电极帽进行MR成像,电极可成像于MR图像中,可有效避免配准EEG/MEG电极和MR头模型。但是,电极可视化方法要求每次EEG/MEG测量时必须进行一次MR成像,以同步获得电极在MR头模型中的坐标,限制了该方法的广泛应用。
表面匹配法的思路是在进行EEG/MEG测量时,对受试者头皮做数字化扫描以得到头皮表面,再将该头皮表面与MRI头皮表面做配准。该方法精度较高,但是存在以下三个不足:一、需要高精度的扫描仪对头表面做数字化处理,大幅提高了成本;二、数字化处理头表面后,需要进一步进行数据筛选,去掉其中不适合于用配准的点,增加了工作量;三、表面配准易陷入局部最优值,而不是全局最优值。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种具有空间定位装置的电极帽,其能够精确获取每个EEG或MEG电极相对于基准点的空间坐标。
本发明还有一个目的是通过基于曲面顶点配准技术的EEG或MEG电极在脑MR图像中定位的方法,将EEG或MEG电极的坐标精确映射到MR图像的大脑表面,有效实现EEG或MEG信号和MR图像信息的融合。
为了实现根据本发明的这些目的和其它优点,提供了一种电极帽,其包括:
电极帽本体;
若干个第一电极,其设置于所述电极帽本体上;
若干个第一位置传感器,其分别与所述第一电极封装于同一承载基板上或同一密闭空间内;
基准坐标测量装置,其设于生理基准点,每个所述基准坐标测量装置具有封装于同一承载基板上或同一密闭空间内的一第二电极和一第二位置传感器;
微处理器,其分别于所述第一电极、第一位置传感器、第二电极和第二位置传感器相连;
其中,所述电极为EEG或MEG电极;
其中,所述基准坐标测量装置至少设置有3个,所述生理基准点选自鼻根、鼻尖、左右耳廓周点和枕外隆凸尖。
本发明的目的还可以进一步由将应用如权利要求1所述的电极帽得到的EEG或MEG电极坐标定位到脑MR图像中的方法来实现,该方法包括如下步骤:
步骤1):对扫描脑区获取的大脑MR图像使用交互式或机器学习的方法分割颅骨外表面;使用水平集方法分割大脑灰质表面,并使用Delaunay三角网格化算法对所述分割曲面进行三角网格化处理,得到大脑表面的离散曲面;
步骤2):利用拉普拉斯特征映射的方法将所述大脑表面的离散曲面映射到标准头模型,得到映射函数为T0;
步骤3):对EEG或MEG电极坐标使用所述Delaunay三角网格化算法进行三角网格化处理,得到以EEG或MEG电极坐标为顶点的离散曲面;
步骤4):利用步骤2)中所述拉普拉斯特征映射的方法将所述EEG或MEG电极坐标的离散曲面映射到标准头模型,得到映射函数为T1;
步骤5):将映射后的EEG或MEG电极坐标离散曲面中的所述生理基准点的坐标映射到原始MR图像中的颅骨外表面进行粗配准,得到仿射变换T20;
步骤6):通过构造配准能量函数配准映射后的大脑灰质表面和EEG/MEG电极坐标,得到映射函数为T21;
其中,所述配准能量函数为:
其中,所述的Esim(X,Y,T21)表示映射后的大脑表面的离散曲面点集和映射后的EEG或MEG电极坐标的离散曲面点集之间的相似程度,Etran(T21)表示浮动点集位移向量的运动相干性,Estr(Y,T21)表示浮动曲面的结构自相似性,λ1和λ2分别是Etran(T21)和Estr(Y,T21)的权重函数;所述的X和Y分别表示目标曲面的顶点和浮动曲面的顶点,其顶点数量分别为N和M,
其中,T21为浮动曲面顶点的运动函数,可表示为T21=Y+v(Y),在标准头模型空间中所述EEG/MEG电极坐标映射到MR图像灰质表面的映射函数T2=T20οT21,
其中,若目标曲面为大脑表面的离散曲面,则浮动曲面为EEG或MEG电极坐标的离散曲面;若目标曲面为EEG或MEG电极坐标的离散曲面,则浮动曲面为大脑表面的离散曲面;
7)将步骤6)在标准模型中配准的EEG/MEG电极坐标映射到原始MR图像中,其映射函数为T=T2οT1οT0 -1。
优选的是,其中,所述步骤2)中利用拉普拉斯特征映射的方法将所述大脑表面的离散曲面映射到标准头模型的步骤为:
a、根据所述大脑表面的离散曲面的顶点以及顶点之间的连接边,构造大脑表面的离散曲面拉普拉斯图
b、根据所述标准头模型的离散曲面的顶点以及顶点之间的连接边,构造标准头模型的离散曲面拉普拉斯图
c、求解的特征向量VB和对应的特征值CB;
d、求解的特征向量VB和对应的特征值CS;
e、根据特征值大小对特征向量进行排序,排序后的特征值从小到大依次记作和特征向量按照其对应特征值的大小进行排序;
f、选取特征值次最小的M个特征值,即选取和以及对应的特征向量;
g、构造相异性测度
h、使用Hungarian算法最小化计算得到空间映射T0。
优选的是,其中,所述步骤a和b中所述拉普拉斯图的构造方法为:
首先将离散曲面的顶点记作V={vi},离散曲面的边记作Ξ={evivj},构造边连接权重矩阵Wij:
其中,dist(vi,vj)是顶点vi和vj之间的欧式距离;若顶点vi和vj之间有边连接,则计算Wij,否则Wij=0;
然后构造离散曲面的拉普拉斯图
其中,所述D是对角矩阵,D中的元素定义为Dii=ΣjWij;I是对角矩阵,I是单位矩阵或I=D。
优选的是,其中,所述步骤g中相异性测度的构造方法为:
i)构造特征值相异性测度
其中,u和v是来自不同离散曲面的经过排序后的特征向量序号;
ii)构造特征向量直方图相异性测度
iii)构造离散曲面结构相异性测度
iv)构造相异性测度
优选的是,其中,所述步骤6)中的Esim(X,Y,T2)可通过分离变量表示为Esim(X,Y,T)=E(wmn)+E(γm)+E(ym,σ2),
其中,wmn为两个数据点集元素之间的先验概率,γm为ym的自由度,σ2为混合模型的标准差。
优选的是,其中,所述步骤6)中的Etran(T2)在空间频域描述了曲面顶点的频域摆动特性,所述Etran(T2)可表示为
其中,所述公式1)还可进一步表达为矩阵形式:
Etrans(T)=trace(WTGW)。
优选的是,其中,所述步骤6)中的Estr(Y,T2)可公式化为:
其中εi是边集合Ξ中的元素。
优选的是,其中,所述v(Y)可进一步矩阵化为v(Y)=GW,其中,G是M×M的矩阵,其元素定义为:
其中,W的解析解可通过求解如下矩阵方程得到:
其中,A是边集合的权重矩阵,其元素aij定义为Gi是矩阵G的第i行,Ξ是浮动曲面的边集合;定义为其中,Pmn为M×N矩阵,umn定义为
优选的是,其中,
所述E(wmn)可表示为:
通过EM算法对所述公式2)计算得到解析表达式
其中其中pmn是混合模型的后验概率密度,定义为是人为选定的定值,所述的典型值为0.01~0.1;
其中,所述ft(xn;ym,σ2,γm)是多参数t分布,定义为:
其中,D是EEG/MEG所在的空间维度,其典型值为3;d(xn,ym,σ2)是Mahalanobis平方距离,定义为d(xn,ym,σ2)=(xn-ym)2/σ2;
所述的E(γm)的表达式为:
其中,Γ是Gamma分布,是Digamma函数;通过EM算法对所述公式3)计算可进一步得到其迭代解为:
所述的E(ym,σ2)可通过最小化能量函数表示为:
通过EM算法对所述式4)进一步计算可得到解析表达式:
本发明至少包括以下有益效果:
本发明通过使用含有位置传感器的EEG/MEG电极帽和曲面配准技术,克服了传统方法只能使用刚性匹配方法在MR图像中定位EEG/MEG电极位置,大幅提高了EEG/MEG在脑MR图像中的定位精度。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的一个实施例中电极帽的结构示意图;
图2为本发明的另一个实施例中电极帽侧面的结构示意图;
图3为本发明的另一个实施例中电极帽的系统框图;
图4为本发明另一个实施例中EEG或MEG电极在脑MR图像中的定位的流程示意图;
图5说明的是大脑表面的三角网格曲面和标准头模型进行配准的流程示意图;
图6说明的是映射到标准头模型的EEG或MEG电极坐标和映射到标准头模型的大脑表面进行配准的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
图1~图3示出了根据本发明的电极帽的一种实现形式,其中包括:
电极帽本体;
若干个第一电极,其设置于所述电极帽本体上;
若干个第一位置传感器,其分别与所述第一电极封装于同一承载基板上或同一密闭空间内;
基准坐标测量装置,其设于生理基准点,每个所述基准坐标测量装置具有封装于同一承载基板上或同一密闭空间内的一第二电极和一第二位置传感器;
微处理器,其分别于所述第一电极、第一位置传感器、第二电极和第二位置传感器相连;
其中,所述电极为EEG或MEG电极;
其中,所述基准坐标测量装置至少设置有3个,所述生理基准点选自鼻根、鼻尖、左右耳廓周点和枕外隆凸尖。
在这种技术方案中,首先选择合适头围的脑电帽型号,然后参照国际10-20系统的标准或按照实际需要安装EEG或MEG电极,其中,每个EEG或MEG电极都封装有一个位置传感器,并在每个EEG或MEG电极的在脑电极帽的相对应处安装位置传感器,为被试者戴上电极帽,并捋平脑电图帽,确定每个电极头与头皮处于垂直接触位置,在供试者的生理基准点定位安装具有EEG或MEG电极和对应的位置传感器的基准坐标测量装置,在各电极位置注入适量导电胶后,进行测试记录。
参照图1和2,在上述方案中,封装在一起的每个EEG或MEG电极与对应的1位置传感器采用国际10-20系统的标准进行安装,分别安装于电极帽的前、后、Fz、Cz、Pz、T3、C3、Cz、C4、T4、Fp1、Fp2、F7、F8、T5、T6、O1、O2、F3、F4、P3、P4位置。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行不同态样的实施。
参照图3,测量时,分别安装于电极帽上和封装于基准坐标测量装置的位置传感器将检测到的位置信号依次经信号隔离模块进行提取,信号滤波模块过滤掉眼电、肌电等杂波信号,信号放大模块放大经滤波处理后的信号,再经A/D转换模块将采集到的模拟信号转换为数字信号传输至计算机进行处理,通过位置传感器检测到的EEG或MEG电极相对所有基准坐标测量装置的相对距离,再基于在核磁共振三维图像中获取的生理基准点坐标,从而计算出其在由基准坐标测量装置构成的坐标系中的相对坐标CR,进而精确得到了EEG或MEG的实际三维空间坐标。此外,基于EEG或MEG坐标的精确定位,还可进一步与计算机采集到的大脑MR图像进行融合以实现对脑的多模态观测和研究。
图4~图6示出了根据本发明的将应用所述的电极帽得到的EEG或MEG电极坐标定位到脑MR图像中的方法的一种实现形式,其包括如下步骤:
步骤1):对扫描脑区获取的大脑MR图像使用交互式或机器学习的方法分割颅骨外表面;使用水平集方法分割大脑灰质表面,并使用Delaunay三角网格化算法对所述分割曲面进行三角网格化处理,得到大脑表面的离散曲面;
步骤2):利用拉普拉斯特征映射的方法将所述大脑表面的离散曲面映射到标准头模型,得到映射函数为T0;
步骤3):对EEG或MEG电极坐标使用所述Delaunay三角网格化算法进行三角网格化处理,得到以EEG或MEG电极坐标为顶点的离散曲面;
步骤4):利用步骤2)中所述拉普拉斯特征映射的方法将所述EEG或MEG电极坐标的离散曲面映射到标准头模型,得到映射函数为T1;
步骤5):将映射后的EEG或MEG电极坐标离散曲面中的所述生理基准点的坐标映射到原始MR图像中的颅骨外表面进行粗配准,得到仿射变换T20;
步骤6):参照图6,通过构造配准能量函数配准映射后的大脑灰质表面和EEG/MEG电极坐标,得到映射函数为T21;
其中,所述配准能量函数为:
其中,所述的Esim(X,Y,T21)表示映射后的大脑表面的离散曲面点集和映射后的EEG或MEG电极坐标的离散曲面点集之间的相似程度,Etran(T21)表示浮动点集位移向量的运动相干性,Estr(Y,T21)表示浮动曲面的结构自相似性,λ1和λ2分别是Etran(T21)和Estr(Y,T21)的权重函数;所述的X和Y分别表示目标曲面的顶点和浮动曲面的顶点,其顶点数量分别为N和M,
其中,T21为浮动曲面顶点的运动函数,可表示为T21=Y+v(Y),在标准头模型空间中所述EEG/MEG电极坐标映射到MR图像灰质表面的映射函数T2=T20οT21,该映射函数等同为T2=T20(T21);
其中,若目标曲面为大脑表面的离散曲面,则浮动曲面为EEG或MEG电极坐标的离散曲面;若目标曲面为EEG或MEG电极坐标的离散曲面,则浮动曲面为大脑表面的离散曲面;
7)将步骤6)在标准模型中配准的EEG/MEG电极坐标映射到原始MR图像中,其映射函数为T=T2οT1οT0 -1,该映射函数公式等同为T=T2(T1(T0 -1))。
在这种技术方案中,可利用生理基准点初步配准电极和MR图像,但由于大脑表面存在沟灰等结构,直接配准电极和大脑表面有困难,所以将两者首先映射到标准头模型,以降低难度,然后在标准头模型内使用基于能量函数的曲面配准方法对电极和大脑离散表面精确配准,最后将配准后的EEG/MEG电极映射到原始MR图像中,有效实现EEG/MEG信号和MR图像信息的融合,同时获得高时间信息和高空间信息合来实现对脑的多模态观测,在神经精神类疾病的发病机制以及认知心理学的脑机制等研究中起着至关重要的作用。
上述方案中,所述步骤1)中对扫描脑区获取的大脑MR图像中的大脑表面分割并三角网格化的一种实现方式为:
①使用交互式方式或预分割方法初始化分割曲面;
②构造三个水平集函数分别用于表示白质、灰质、脑脊液和背景,其相应的零水平集分别表示白质/灰质、灰质/脑脊液、脑脊液/背景的分界面;
③构造图像区域信息和边缘信息,驱动水平集函数演化;
④在水平集函数演化过程中附加图像局部灰度分布和脑皮层厚度的先验信息;
⑤使用Delaunay三角网格化算法对分割后的曲面进行三角网格化处理,得到大脑表面的离散曲面。
上述方案中,参照图5,步骤2)中利用拉普拉斯特征映射的方法将所述大脑表面的离散曲面映射到标准头模型的步骤为:
a、根据所述大脑表面的离散曲面的顶点以及顶点之间的连接边,构造大脑表面的离散曲面拉普拉斯图
b、根据所述标准头模型的离散曲面的顶点以及顶点之间的连接边,构造标准头模型的离散曲面拉普拉斯图
c、求解的特征向量VB和对应的特征值CB;
d、求解的特征向量VB和对应的特征值CS;
e、根据特征值大小对特征向量进行排序,排序后的特征值从小到大依次记作和特征向量按照其对应特征值的大小进行排序;
f、选取特征值次最小的M个特征值,即选取和以及对应的特征向量;
g、构造相异性测度
h、使用Hungarian算法最小化计算得到空间映射T0。
其中,所述步骤a和b中所述拉普拉斯图的构造方法为:
首先将离散曲面的顶点记作V={vi},离散曲面的边记作Ξ={evivj},构造边连接权重矩阵Wij:
其中,dist(vi,vj)是顶点vi和vj之间的欧式距离;若顶点vi和vj之间有边连接,则计算Wij,否则Wij=0;
然后构造离散曲面的拉普拉斯图
其中,所述D是对角矩阵,D中的元素定义为Dii=ΣjWij;I是对角矩阵,I是单位矩阵或I=D。
其中,所述步骤g中相异性测度的构造方法为:
i)构造特征值相异性测度
其中,u和v是来自不同离散曲面的经过排序后的特征向量序号;
ii)构造特征向量直方图相异性测度
iii)构造离散曲面结构相异性测度
iv)构造相异性测度
上述方案中,步骤3)中获取EEG或MEG电极坐标并三角网格化的一种实现方式为:
①使用设置有位置传感器的电极帽测量得到EEG/MEG电极的实际三维空间坐标;
②使用Delaunay三角网格化算法三角网格化EEG/MEG电极的空间坐标,将其表示为三维离散曲面,EEG/MEG电极坐标为三维离散曲面的顶点。
上述方案中,步骤4)中将三角网格化的EEG或MEG电极坐标的离散曲面映射到标准头模型的具体步骤和步骤2)中三角网格化的大脑表面映射到标准头模型的步骤相同,最终计算得到T1。
上述方案中,步骤6)在使用配准能量函数进行曲面配准之前,首先进行一次刚性配准,由于电极坐标和大脑表面两者均映射到标准头模型而这个映射并不能总是满足保角等要求,而且这个映射可能存在偏差,由此在曲面配准前再做一次刚性配准,以减小曲面配准的误差
上述方案中,所述步骤6)中的Esim(X,Y,T2)可通过分离变量表示为Esim(X,Y,T)=E(wmn)+E(γm)+E(ym,σ2),
其中,wmn为两个数据点集元素之间的先验概率,γm为ym的自由度,σ2为混合模型的标准差。
上述方案中,所述步骤6)中的Etran(T2)在空间频域描述了曲面顶点的频域摆动特性,所述Etran(T2)可表示为
其中,所述公式1)还可进一步表达为矩阵形式:
Etrans(T)=trace(WTGW)。
上述方案中,所述步骤6)中的Estr(Y,T2)可公式化为:
其中εi是边集合Ξ中的元素。
上述方案中,所述v(Y)可进一步矩阵化为v(Y)=GW,其中,G是M×M的矩阵,其元素定义为:
其中,W的解析解可通过求解如下矩阵方程得到:
其中,A是边集合的权重矩阵,其元素aij定义为Gi是矩阵G的第i行,Ξ是浮动曲面的边集合;定义为其中,Pmn为M×N矩阵,umn定义为
上述方案中,所述E(wmn)可表示为:
通过EM算法对所述公式2)计算得到解析表达式
其中其中pmn是混合模型的后验概率密度,定义为是人为选定的定值,所述的典型值为0.01~0.1;
其中,所述ft(xn;ym,σ2,γm)是多参数t分布,定义为
其中,D是EEG/MEG所在的空间维度,其典型值为3;d(xn,ym,σ2)是Mahalanobis平方距离,定义为d(xn,ym,σ2)=(xn-ym)2/σ2;
所述的E(γm)的表达式为:
其中,Γ是Gamma分布,是Digamma函数;通过EM算法对所述公式3)计算可进一步得到其迭代解为:
所述的E(ym,σ2)可通过最小化能量函数表示为:
通过EM算法对所述公式4)进一步计算可得到解析表达式:
这里说明的模块数量和处理规模是用来简化本发明的说明的。对本发明的EEG/MEG电极在脑MR图像中的定位装置和方法的应用、修改和变化对本领域的技术人员来说是显而易见的。
如上所述,根据本发明,
本发明通过使用含有位置传感器的EEG/MEG电极帽和曲面配准技术,克服了传统方法只能使用刚性匹配方法在MR图像中定位EEG/MEG电极位置,大幅提高了EEG/MEG在脑MR图像中的定位精度。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,
所述电极帽包括:
电极帽本体;
若干个第一电极,其设置于所述电极帽本体上;
若干个第一位置传感器,其分别与所述第一电极封装于同一承载基板上或同一密闭空间内;
基准坐标测量装置,其设于生理基准点,每个所述基准坐标测量装置具有封装于同一承载基板上或同一密闭空间内的一第二电极和一第二位置传感器;
微处理器,其分别与所述第一电极、第一位置传感器、第二电极和第二位置传感器相连;
其中,所述电极为EEG或MEG电极;
其中,所述基准坐标测量装置至少设置有3个,所述生理基准点选自鼻根、鼻尖、左右耳廓周点和枕外隆凸尖;
其中,将所述电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,包括如下步骤:
步骤1):对扫描脑区获取的脑MR图像使用交互式或机器学习的方法分割颅骨外表面;使用水平集方法分割大脑灰质表面,并使用Delaunay三角网格化算法对所述大脑灰质表面的分割曲面进行三角网格化处理,得到大脑灰质表面的离散曲面;
步骤2):利用拉普拉斯特征映射的方法将所述大脑灰质表面的离散曲面映射到标准头模型,得到映射函数为T0;
步骤3):对EEG或MEG电极坐标使用所述Delaunay三角网格化算法进行三角网格化处理,得到以EEG或MEG电极坐标为顶点的离散曲面;
步骤4):利用步骤2)中所述拉普拉斯特征映射的方法将所述EEG或MEG电极坐标的离散曲面映射到标准头模型,得到映射函数为T1;
步骤5):将映射后的EEG或MEG电极坐标离散曲面中的所述生理基准点的坐标映射到原始的脑MR图像中的颅骨外表面进行粗配准,得到仿射变换T20;
步骤6):通过构造配准能量函数对映射后的大脑灰质表面和EEG/MEG电极坐标进行配准,得到映射函数为T21;
其中,所述配准能量函数为:
其中,所述的Esim(X,Y,T21)表示映射后的大脑灰质表面的离散曲面点集和映射后的EEG或MEG电极坐标的离散曲面点集之间的相似程度,Etran(T21)表示浮动点集位移向量的运动相干性,Estr(Y,T21)表示浮动曲面的结构自相似性,λ1和λ2分别是Etran(T21)和Estr(Y,T21)的权重函数;所述的X和Y分别表示目标曲面的顶点和浮动曲面的顶点,其顶点数量分别为N和M,
其中,T21为浮动曲面顶点的运动函数,可表示为T21=Y+v(Y),在标准头模型空间中所述EEG/MEG电极映射到原始的脑MR图像的映射函数T2=
其中,若目标曲面为大脑灰质表面的离散曲面,则浮动曲面为EEG或MEG电极坐标的离散曲面;若目标曲面为EEG或MEG电极坐标的离散曲面,则浮动曲面为大脑灰质表面的离散曲面;
7)将步骤6)在标准头模型中配准的EEG/MEG电极坐标映射到原始的脑MR图像中,其映射函数为
2.如权利要求1所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤2)中利用拉普拉斯特征映射的方法将所述大脑灰质表面的离散曲面映射到标准头模型的步骤为:
a、根据所述大脑灰质表面的离散曲面的顶点以及顶点之间的连接边,构造大脑灰质表面的离散曲面拉普拉斯图
b、根据所述标准头模型的离散曲面的顶点以及顶点之间的连接边,构造标准头模型的离散曲面拉普拉斯图
c、求解的特征向量VB和对应的特征值CB;
d、求解的特征向量VB和对应的特征值CS;
e、根据特征值大小对特征向量进行排序,排序后的特征值从小到大依次记作和特征向量按照其对应特征值的大小进行排序;
f、选取特征值次最小的M个特征值,即选取和以及对应的特征向量;
g、构造相异性测度
h、使用Hungarian算法最小化计算得到空间映射T0。
3.如权利要求2所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤a和b中拉普拉斯图的构造方法为:
首先将离散曲面的顶点记作V={vi},离散曲面的边记作构造边连接权重矩阵Wij:
其中,dist(vi,vj)是顶点vi和vj之间的欧式距离;若顶点vi和vj之间有边连接,则计算Wij,否则Wij=0;
然后构造离散曲面的拉普拉斯图
其中,所述D是对角矩阵,D中的元素定义为Dii=ΣjWij;I是对角矩阵,I是单位矩阵或I=D。
4.如权利要求2所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤g中相异性测度的构造方法为:
i)构造特征值相异性测度
其中,u和v是来自不同离散曲面的经过排序后的特征向量序号;
ii)构造特征向量直方图相异性测度
iii)构造离散曲面结构相异性测度
iv)构造相异性测度
5.如权利要求1所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤6)中的Esim(X,Y,T21)可通过分离变量表示为Esim(X,Y,T21)=E(wmn)+E(γm)+E(ym,σ2),
其中,wmn为两个数据点集元素之间的先验概率,γm为ym的自由度,σ2为混合模型的标准差。
6.如权利要求1所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤6)中的Etran(T21)在空间频域描述了曲面顶点的频域摆动特性,所述Etran(T21)可表示为
其中,所述公式1)还可进一步表达为矩阵形式:
Etran(T21)=trace(WTGW)。
7.如权利要求1所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤6)中的Estr(Y,T21)可公式化为:其中εi是边集合Ξ中的元素。
8.如权利要求6所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,所述步骤6)中的v(Y)可进一步矩阵化为v(Y)=GW,其中,G是M×M的矩阵,其元素定义为:
其中,W的解析解可通过求解如下矩阵方程得到:
其中,A是边集合的权重矩阵,其元素aij定义为Gi是矩阵G的第i行,Ξ是浮动曲面的边集合;定义为其中,Pmn为M×N矩阵,umn定义为
9.如权利要求5所述的将电极帽获取的EEG或MEG电极坐标定位到脑MR图像中的方法,其特征在于,
所述E(wmn)可表示为:
通过EM算法对所述公式2)计算得到解析表达式
其中其中pmn是混合模型的后验概率密度,定义为 是人为选定的定值,所述的典型值为0.01~0.1;
其中,所述ft(xn;ym,σ2,γm)是多参数t分布,定义为
其中,D是EEG/MEG所在的空间维度,其典型值为3;d(xn,ym,σ2)是Mahalanobis平方距离,定义为d(xn,ym,σ2)=(xn-ym)2 /σ2;
所述的E(γm)的表达式为:
其中,Γ是Gamma分布,是Digamma函数;通过EM算法对所述公式3)计算可进一步得到其迭代解为:
所述的E(ym,σ2)可通过最小化能量函数表示为:
通过EM算法对所述式4)进一步计算可得到解析表达式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510946184.5A CN105395196B (zh) | 2015-12-17 | 2015-12-17 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510946184.5A CN105395196B (zh) | 2015-12-17 | 2015-12-17 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105395196A CN105395196A (zh) | 2016-03-16 |
CN105395196B true CN105395196B (zh) | 2018-07-27 |
Family
ID=55461214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510946184.5A Active CN105395196B (zh) | 2015-12-17 | 2015-12-17 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105395196B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106580318B (zh) * | 2016-11-16 | 2020-02-18 | 华南理工大学 | 一种硬膜下矩阵式电极精确定位装置 |
US11610369B2 (en) * | 2018-10-09 | 2023-03-21 | Koninklijke Philips N.V. | Automatic EEG sensor registration |
CN109965895B (zh) * | 2019-03-28 | 2024-01-23 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 |
CN110363778B (zh) * | 2019-07-18 | 2023-05-02 | 中山大学 | 一种基于ct图像的多触点电极自动分割方法 |
CN110754729A (zh) * | 2019-08-28 | 2020-02-07 | 南京医科大学第二附属医院 | 一种psg电极定位头盔 |
CN111289926B (zh) * | 2020-02-19 | 2021-07-02 | 北京航空航天大学 | 一种脑磁测量头盔的设计和标定方法 |
CN114041797B (zh) * | 2022-01-12 | 2022-04-19 | 北京航空航天大学杭州创新研究院 | 一种脑磁测量头盔的传感器布局方法及系统 |
CN117281484B (zh) * | 2023-11-24 | 2024-03-01 | 深圳启脉科技有限公司 | 一种监护装置的佩戴位置的标识方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4736751A (en) * | 1986-12-16 | 1988-04-12 | Eeg Systems Laboratory | Brain wave source network location scanning method and system |
CN1704022A (zh) * | 2004-06-03 | 2005-12-07 | 电子科技大学 | 一种脑电采集系统电极帽 |
CN101199416A (zh) * | 2006-09-06 | 2008-06-18 | 韦伯斯特生物官能公司 | 心电图与体表测量的相关性 |
CN101564294A (zh) * | 2009-06-01 | 2009-10-28 | 中国人民解放军第四军医大学 | 一种结构信息融合的电阻抗断层成像方法 |
CN102698360A (zh) * | 2012-04-21 | 2012-10-03 | 南京理工大学 | 一种高聚焦性多通道经颅直流电刺激装置和控制方法 |
EP2561810A1 (en) * | 2011-08-24 | 2013-02-27 | Université Libre de Bruxelles | Method of locating eeg and meg sensors on a head |
WO2014025353A1 (en) * | 2012-08-09 | 2014-02-13 | Northeastern University | Electric field encephalography: electric field based brain signal detection and monitoring |
-
2015
- 2015-12-17 CN CN201510946184.5A patent/CN105395196B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4736751A (en) * | 1986-12-16 | 1988-04-12 | Eeg Systems Laboratory | Brain wave source network location scanning method and system |
CN1704022A (zh) * | 2004-06-03 | 2005-12-07 | 电子科技大学 | 一种脑电采集系统电极帽 |
CN101199416A (zh) * | 2006-09-06 | 2008-06-18 | 韦伯斯特生物官能公司 | 心电图与体表测量的相关性 |
CN101564294A (zh) * | 2009-06-01 | 2009-10-28 | 中国人民解放军第四军医大学 | 一种结构信息融合的电阻抗断层成像方法 |
EP2561810A1 (en) * | 2011-08-24 | 2013-02-27 | Université Libre de Bruxelles | Method of locating eeg and meg sensors on a head |
CN102698360A (zh) * | 2012-04-21 | 2012-10-03 | 南京理工大学 | 一种高聚焦性多通道经颅直流电刺激装置和控制方法 |
WO2014025353A1 (en) * | 2012-08-09 | 2014-02-13 | Northeastern University | Electric field encephalography: electric field based brain signal detection and monitoring |
Non-Patent Citations (1)
Title |
---|
基准点法和表面匹配法加权结合的MRI图像和EEG电极的配准;刘凡,高上凯,高小榕;《电子学报》;20001231;第28卷(第12期);第19-21、24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105395196A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105395196B (zh) | Eeg或meg电极在脑mr图像中的定位装置和方法 | |
CN110285793B (zh) | 一种基于双目立体视觉系统的车辆智能测轨迹方法 | |
CN111414798B (zh) | 基于rgb-d图像的头部姿态检测方法及系统 | |
CN106097348B (zh) | 一种三维激光点云与二维图像的融合方法 | |
Van Essen | Surface-based approaches to spatial localization and registration in primate cerebral cortex | |
CN102800127B (zh) | 一种基于光流优化的三维重建方法及装置 | |
CN102376089B (zh) | 一种标靶校正方法及系统 | |
CN110517325B (zh) | 一种坐标变换及坐标变换的车身周围物体定位方法和系统 | |
CN107677274B (zh) | 基于双目视觉的无人机自主着陆导航信息实时解算方法 | |
CN103099623B (zh) | 一种人体运动学参数的提取方法 | |
Zhong et al. | Quantitative evaluation of LDDMM, FreeSurfer, and CARET for cortical surface mapping | |
CN106296825B (zh) | 一种仿生三维信息生成系统及方法 | |
CN107726975B (zh) | 一种基于视觉拼接测量的误差分析方法 | |
CN107421502B (zh) | 一种铁路货车限界自动化测量方法 | |
CN111223133A (zh) | 一种异源图像的配准方法 | |
CN102072706A (zh) | 一种多相机定位与跟踪方法及系统 | |
US20220409328A1 (en) | System and method for spatial positioning of magnetometers | |
CN107016697A (zh) | 一种高度测量方法及装置 | |
CN106683127A (zh) | 一种基于surf算法的多模态医学图像配准方法 | |
CN115349863A (zh) | 一种脑磁测量装置以及脑磁测量装置与mri配准的方法 | |
CN114066953A (zh) | 一种针对刚性目标的三维多模态图像可变形配准方法 | |
CN106530342B (zh) | 利用激光点云辅助的可量测全景影像生成方法 | |
CN116650115A (zh) | 一种基于uwb标记点的骨科手术导航注册方法 | |
CN112669386B (zh) | 基于三维光学扫描的脑磁图自动化定位配准方法及装置 | |
CN109084675A (zh) | 基于嵌入式的几何特征与Zernike矩结合的圆心定位装置与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |