CN109662778B - 基于三维卷积的人机交互式颅内电极定位方法与系统 - Google Patents
基于三维卷积的人机交互式颅内电极定位方法与系统 Download PDFInfo
- Publication number
- CN109662778B CN109662778B CN201910156119.0A CN201910156119A CN109662778B CN 109662778 B CN109662778 B CN 109662778B CN 201910156119 A CN201910156119 A CN 201910156119A CN 109662778 B CN109662778 B CN 109662778B
- Authority
- CN
- China
- Prior art keywords
- electrode
- image
- dimensional
- human
- brain
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2065—Tracking using image or pattern recognition
Abstract
本发明公开了一种基于三维卷积的人机交互式颅内电极定位方法与系统,本发明通过结合被试在术前的MRI三维脑影像和术后的CT三维脑影像,将MRI脑影像分割生成检测电极的目标区域掩模图像;对配准后的CT脑影像进行三维卷积运算,根据掩模图像提取出检测电极的目标区域并提取待筛选电极信号图像;根据术前的埋设电极信息对待筛选电极信号图像进行筛选得到正确的电极图像并人机交互进行编号。本发明通过卷积运算提高电极图像的区分能力,有效提高了颅内电极在CT脑影像中的区分度,方便了计算机的自动识别,并通过高效的人机交互手段进行电极筛选和编号,有利于准确定位颅内电极在人脑中的坐标,具有原理简单、实现方便、结果稳定的优点。
Description
技术领域
本发明涉及脑科学基础研究领域,具体涉及一种基于三维卷积的人机交互式颅内电极定位方法与系统,用于术前MRI三维脑影像和术后CT三维脑影像数据定位被试大脑内颅内电极的精确位置。
背景技术
近年来,脑科学和认知科学迅猛发展,针对人类大脑与认知的各方面研究正在不断取得突破。为了更好地监测大脑的神经活动,正电子发射型计算机断层显像-电子计算机断层扫描(Positron Emission Computed Tomography-Computed Tomography,PET-CT)技术、功能磁共振技术(fMRI)、脑电(EEG)、同步脑电-功能磁共振技术(EEG-fMRI)等各种成像或信号检测技术都纷纷被用于对大脑的深入研究。但这些技术都存在各自的短板,像PET-CT及fMRI测量的是大脑神经活动所引起的代谢情况,属于间接测量,且时间分辨率不高,而EEG虽然直接反映了大脑的神经电活动,但经过硬膜和颅骨的低通滤波,其信号的空间分辨率受到了影响,虽然能做到实时监测,但却无法准确定位相关活动的起源脑区。为了更好地对大脑的神经活动进行高时空分辨率的直接监测,目前各医院通常会在有相关需求的病人的大脑皮层上或者皮下等位置植入颅内电极(Electrocorticographic,ECoG)来监测大脑的神经电活动。由于颅内电极直接与大脑皮层接触,不像头皮EEG一样经过了硬膜和颅骨的低通滤波,因此其采集到的电信号能够直接反应附近脑区的真实生理活动。同时,紧贴皮层的特点决定了电极的信号只反应其邻域的电活动(直径10mm范围),通过双极导联等方式还能进一步提高其空间分辨率,这与fMRI相当,但其时间分辨率可达1毫秒左右,这是fMRI所不能企及的。因此,ECoG能够以很高的空间分辨率和时间分辨率监测皮层的神经电活动,这些特性使其无论是在临床的致病灶定位或者脑科学的基础研究中都具有不可替代的作用。
在植入颅内电极之前,医生会根据术前定位的结果大概布置好电极的位置,具体的位置需要在开颅后根据被试大脑的具体情况再进行电极的植入。由于不同人的结构存在微小的差异,同时植入电极的过程往往也存在操作的误差,因此电极在大脑中的准确位置往往与草图存在一定的差异,同时,进一步的研究也需要精确到毫米的电极位置坐标,这就需要在术后通过三维脑成像技术对全脑进行扫描并进行后续的电极识别,扫描通常是通过磁共振(MRI)或者电子计算机断层扫描(CT)来实现的。由于植入的电极通常有几十乃至上百个,其在三维空间的位置往往很难准确地与术前设定的草图对应,因此在三维脑影像中单纯采用人工的方式进行电极的筛选、编号,不仅费时,而且由于三维图像的重叠以及噪声干扰等问题,有可能出现误标记或者编号错误等问题,这将导致后续分析出现方向性错误,对于临床或者科学研究都有很大的影响。在三维脑影像标记电极信号的时候,单纯采用人工方法费时费力而且容易出错,而由于在初期描绘电极草图的时候电极的位置无法数字化,因此采用计算机识别和人工识别结合的人机交互方式能够在即提高标记的效率同时保证结果的可靠性,这对于即时监测异常放电活动,并准确定位异常放电脑区具有重要意义。计算机在这个过程中主要实现图像信号的配准、电极信号的增强以及初步的筛选。而人工的参与主要在确认及筛选计算机得到的待选电极信号上,由于计算机的结果必然存在误检,因此人工的干预对于排除错误的检测结果并将电极编号与术前的草图进行对应具有不可替代的作用,因此人机交互的方式是在当前的颅内电极植入手段以及成像技术基础上的最优选。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于三维卷积的人机交互式颅内电极定位方法与系统,本发明通过结合被试在术前的MRI三维脑影像和术后的CT三维脑影像,通过卷积运算提高电极图像的区分能力,通过人机交互界面结合根据术前的埋设电极信息进行筛选及编号,具有原理简单、实现简便、准确率高的优点。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于三维卷积的人机交互式颅内电极定位方法,实施步骤包括:
1)采集被试术前的MRI三维脑影像和植入电极后的CT三维脑影像,并将CT脑影像与MRI脑影像在空间上进行配准;
2)在个体空间上将MRI脑影像分割为灰质、白质、脑脊液、硬膜以及头骨五部分,并将灰质、白质、脑脊液三个区域或者灰质、白质、脑脊液、硬膜四个区域合并作为检测电极的目标区域作为掩模图像;对配准后的CT脑影像进行三维卷积运算将颅内电极的图像信号特异性地与图像中的其他高亮信号区别开来;
3)根据掩模图像提取出检测电极的目标区域,并根据检测电极的目标区域在卷积运算后的CT脑影像中得到待筛选电极信号图像;
4)根据术前的埋设电极信息对待筛选电极信号图像进行筛选得到正确的电极图像并人机交互进行编号。
可选地,步骤4)中筛选得到正确的电极图像并人机交互进行编号后,还包括生成电极二值化掩模的步骤,详细步骤包括将各个电极图像在空间中的MNI坐标进行保存,并将配准后的CT脑影像中对应位置的电极信号提取出来,再进行二值化处理得到电极二值化掩模。
可选地,步骤1)中采集被试术前的MRI三维脑影像和植入电极后的CT三维脑影像时,采集MRI三维脑影像的设备为核磁共振扫描仪,采集CT三维脑影像的设备为X线断层摄影机。
可选地,步骤2)中对配准后的CT脑影像进行三维卷积运算时,采用的算子为中心幅值高而其18邻域的幅值低的三维模式算子。
可选地,所述三维模式算子的函数表达式如式(1)~(3)所示;
式(1)~(3)分别为三维模式算子第一、二、三维的表达式。
可选地,步骤3)的详细步骤包括:
3.1)在卷积运算后的CT脑影像中将得到的掩模图像外的区域信号置为零;
3.2)选择预设的幅值阈值将步骤3.1)得到的图像进行二值化得到二值化图像,所述二值化图像中高于预设的幅值阈值置为1,低于预设的幅值阈值置为0;
3.3)采用连通域检测算法得到二值化图像中的三维连通域,并计算每个三维连通域包含的体素个数和平均半径;
3.4)将包含体素个数、平均半径满足预设条件的核团置为0,得到待筛选的二值化图像。
可选地,步骤3.4)中包含体素个数、平均半径满足预设条件具体是指包含体素个数小于3个或者平均半径大于3毫米。
可选地,步骤4)的详细步骤包括:按照术前确定的电极埋设草图中电极的顺序,在得到的待筛选电极信号图像中找到形状和位置都符合的核团,如果对应的在卷积运算后的CT脑影像中的三个切面也显示该核团符合电极的特征并在电极埋设草图对应的位置上,则将选中的该电极编号为草图中对应的编号。
本发明提供一种基于三维卷积的人机交互式颅内电极定位系统,包括计算机设备,所述计算机设备被编程以执行本发明前述基于三维卷积的人机交互式颅内电极定位方法的步骤;或者所述计算机设备的存储介质上存储有被编程以执行本发明前述基于三维卷积的人机交互式颅内电极定位方法的计算机程序。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有被编程以执行本发明前述基于三维卷积的人机交互式颅内电极定位方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明通过与电极图像信号特征相似的卷积运算,在卷积原CT图像后能够有效将电极信号与其他高亮图像区分开来,并且后续只要通过简单的阈值分割就可以将电极信号提取出来,算法实施简单快捷同时效果显著。
2、本发明结合了计算机图像处理与人工干预,既通过图像处理去掉了大部分的噪声和干扰,方便后续人工标记,同时又通过人工筛选和编号的方式保证了最后结果的可靠性,充分结合了人与计算机的优势,能够高效地完成对被试颅内电极的准确定位。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中卷积运算前的CT脑影像。
图3为本发明实施例中卷积运算后的CT脑影像。
图4为本发明实施例中对电极进行筛选和编号的界面。
图5为本发明实施例中经过筛选及编号后的电极在大脑皮层分布的示意图。
具体实施方式
如图1所示,本实施例基于三维卷积的人机交互式颅内电极定位方法的实施步骤包括:
1)采集被试术前的MRI三维脑影像和植入电极后的CT三维脑影像,并将CT脑影像与MRI脑影像在空间上进行配准;
2)在个体空间上将MRI脑影像分割为灰质、白质、脑脊液、硬膜以及头骨等五部分,并将灰质、白质、脑脊液三个区域或者灰质、白质、脑脊液、硬膜四个区域合并作为检测电极的目标区域作为掩模图像;对配准后的CT脑影像进行三维卷积运算将颅内电极的图像信号特异性地与图像中的其他高亮信号区别开来(包括头骨,部分硬膜等),方便后续进行阈值化;
3)根据掩模图像提取出检测电极的目标区域,并根据检测电极的目标区域在卷积运算后的CT脑影像中得到待筛选电极信号图像;
4)根据术前的埋设电极信息对待筛选电极信号图像进行筛选得到正确的电极图像并人机交互进行编号。
本实施例中,步骤1)中采集被试术前的MRI三维脑影像和植入电极后的CT三维脑影像时,采集MRI三维脑影像的设备为核磁共振扫描仪,采集CT三维脑影像的设备为X线断层摄影机。扫描前,需要设定扫描周期、层厚、层数、扫描矩阵、扫描视野等扫描参数,扫描过程中要求被试保持头部不动,闭上眼睛放松,但保持清醒。
本实施例中,将CT脑影像与MRI脑影像在空间上进行配准采用FSL软件中的flirt命令实现,采用基于正则化的互信息(normalized mutual information)作为优化目标函数,二次函数作为拟合函数(spline),其他参数为默认值。
本实施例中,步骤2)中在个体空间上将MRI脑影像分割为灰质、白质、脑脊液、硬膜以及头骨等五部分采用Matlab软件实现,详细步骤包括:在Matlab软件中打开“SPM工具包”;选择“PET&VBM模块”,然后选择分割工具(segmentation工具),在输出文件(OutputFiles)中将灰质(Grey Matter)、白质(White Matter)和脑脊液(Cerebro-spinal Fluid)对应的选项改为本地空间(Native Space);点击运行(run)按钮,即可在个体空间中对MRI脑影像进行分割。
本实施例中,步骤2)中对配准后的CT脑影像进行三维卷积运算时,采用的算子为中心幅值高而其18邻域的幅值低的三维模式算子,该三维模式算子与电极图像信号特征相似,在卷积原CT图像后能够有效将电极信号与其他高亮图像区分开来,并且后续只要通过简单的阈值分割就可以将电极信号提取出来,算法实施简单快捷同时效果显著。
本实施例中,三维模式算子的函数表达式如式(1)~(3)所示;
式(1)~(3)分别为三维模式算子第一、二、三维的表达式。这个模式算子中心幅值高,18个邻域幅值低,而电极的图像信号正好符合这个特点,卷积后其幅值会增强,从而与其他的信号区别开来。图2和图3为本发明实施例中卷积运算前后的CT脑影像对比示意图;卷积运算前的CT脑影像中,电极的幅值和头骨的幅值基本相当,和头骨信号难以区分;卷积运算后的CT脑影像中,电极的幅值得到了显著增强,和头骨信号能够区分开来。
步骤2)生成掩模图像时,可以根据需要选择将灰质、白质、脑脊液三个区域或者灰质、白质、脑脊液、硬膜四个区域合并作为检测电极的目标区域作为掩模图像,这是因为硬膜区域可能包含电极,也可能包含电极。本实施例中,该被试有一个电极在MRI的硬膜部分,为了能够在初始的阈值化处理中检测到该电极,本实施例将硬膜包含进研究区域。
本实施例中,步骤3)的详细步骤包括:
3.1)在卷积运算后的CT脑影像中将得到的掩模图像外的区域信号置为零;
3.2)选择预设的幅值阈值将步骤3.1)得到的图像进行二值化得到二值化图像,所述二值化图像中高于预设的幅值阈值置为1,低于预设的幅值阈值置为0;本实施例中,该步骤中预设的幅值阈值为6000;
3.3)采用连通域检测算法得到二值化图像中的三维连通域,并计算每个三维连通域包含的体素个数和平均半径;
3.4)将包含体素个数、平均半径满足预设条件的核团置为0,得到待筛选的二值化图像。
本实施例中,步骤3.4)中包含体素个数、平均半径满足预设条件具体是指包含体素个数小于3个或者平均半径大于3毫米。
本实施例中,步骤4)的详细步骤包括:按照术前确定的电极埋设草图中电极的顺序,在得到的待筛选电极信号图像中找到形状和位置都符合的核团,如果对应的在卷积运算后的CT脑影像中的三个切面也显示该核团符合电极的特征并在电极埋设草图对应的位置上,则将选中的该电极编号为草图中对应的编号。参见图4,本实施例中按照术前确定的电极埋设草图中电极的顺序,在得到的待筛选电极图像中找到形状和位置都符合的核团(即图4(d)所示待筛选和编号的电极图像);如果对应的CT脑影像的三个切面(如图4(a)所示的矢状面、如图4(b)所示的冠状面、如图4(c)所示的横断面)也显示该核团符合电极的特征,并在草图对应的位置上,则将选中的该电极编号为草图中对应的序号。
本实施例中,步骤4)中筛选得到正确的电极图像并人机交互进行编号后,还包括生成电极二值化掩模的步骤,详细步骤包括将各个电极图像在空间中的MNI坐标进行保存,并将配准后的CT脑影像中对应位置的电极信号提取出来,再进行二值化处理得到电极二值化掩模,方便后续的人工检验。
最终,本实施例基于三维卷积的人机交互式颅内电极定位方法得到了图5的结果图,其中左上图、右上图、左下图为电极(白色)在CT脑影像上的位置,右下图为电极在MRI脑影像的大脑皮层上的三维位置。结合术前设定的埋设草图以及配准后的CT和MRI脑影像可以发现,所有电极都能在初始的阈值化处理中被提取出来,并在后续的人工校验中被正确筛选和编号。目前对颅内电极进行定位和标记的研究不多,大多数是医生通过对照术后的MRI或者CT脑影像完全用手工进行标记的,不仅费时费力,而且对专业性要求很高,通过效率低,因此具有很大的局限性。本实施例通过结合被试在术前的MRI三维脑影像和术后的CT三维脑影像,通过卷积三维模式算子提高电极图像的区分能力,并结合大脑结构、核团大小以及平均半径等特征得到初始的电极图像信号后,通过人机交互界面结合术前埋设电极的草图对初始结果进行筛选及编号,具有原理简单、实现简便、准确率高的优点。本实施例基于三维卷积的人机交互式颅内电极定位方法与系统通过计算机图像处理,对术后CT脑影像中的电极信号进行了有效增强,同时设计了高效的人机交互界面进行后续的电极筛选和编号,有效提高了颅内电极定位的效率和准确度,具有原理简单、实现方便、结果稳定的优点,是一个非常具有应用前景的技术方案。
此外,本实施例还提供一种基于三维卷积的人机交互式颅内电极定位系统,包括计算机设备,该计算机设备被编程以执行本实施例前述基于三维卷积的人机交互式颅内电极定位方法的步骤;或者该计算机设备的存储介质上存储有被编程以执行本实施例前述基于三维卷积的人机交互式颅内电极定位方法的计算机程序。本实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程以执行本实施例前述基于三维卷积的人机交互式颅内电极定位方法的计算机程序。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于三维卷积的人机交互式颅内电极定位方法,其特征在于实施步骤包括:
1)采集被试术前的MRI三维脑影像和植入电极后的CT三维脑影像,并将CT脑影像与MRI脑影像在空间上进行配准;
2)在个体空间上将MRI脑影像分割为灰质、白质、脑脊液、硬膜以及头骨五部分,并将灰质、白质、脑脊液三个区域或者灰质、白质、脑脊液、硬膜四个区域合并作为检测电极的目标区域作为掩模图像;对配准后的CT脑影像进行三维卷积运算将颅内电极的图像信号特异性地与图像中的其他高亮信号区别开来;所述对配准后的CT脑影像进行三维卷积运算时,采用的算子为中心幅值高而其18邻域的幅值低的三维模式算子,所述三维模式算子的函数表达式如式(1)~(3)所示;
式(1)~(3)分别为三维模式算子第一、二、三维的表达式;
3)根据掩模图像提取出检测电极的目标区域,并根据检测电极的目标区域在卷积运算后的CT脑影像中得到待筛选电极信号图像;
4)根据术前的埋设电极信息对待筛选电极信号图像进行筛选得到正确的电极图像并人机交互进行编号。
2.根据权利要求1所述的基于三维卷积的人机交互式颅内电极定位方法,其特征在于,步骤4)中筛选得到正确的电极图像并人机交互进行编号后,还包括生成电极二值化掩模的步骤,详细步骤包括将各个电极图像在空间中的MNI坐标进行保存,并将配准后的CT脑影像中对应位置的电极信号提取出来,再进行二值化处理得到电极二值化掩模。
3.根据权利要求1所述的基于三维卷积的人机交互式颅内电极定位方法,其特征在于,步骤1)中采集被试术前的MRI三维脑影像和植入电极后的CT三维脑影像时,采集MRI三维脑影像的设备为核磁共振扫描仪,采集CT三维脑影像的设备为X线断层摄影机。
4.根据权利要求1所述的基于三维卷积的人机交互式颅内电极定位方法,其特征在于,步骤3)的详细步骤包括:
1)在卷积运算后的CT脑影像中将得到的掩模图像外的区域信号置为零;
2)选择预设的幅值阈值将步骤3.1)得到的图像进行二值化得到二值化图像,所述二值化图像中高于预设的幅值阈值置为1,低于预设的幅值阈值置为0;
3)采用连通域检测算法得到二值化图像中的三维连通域,并计算每个三维连通域包含的体素个数和平均半径;
4)将包含体素个数、平均半径满足预设条件的核团置为0,得到待筛选的二值化图像。
5.根据权利要求4所述的基于三维卷积的人机交互式颅内电极定位方法,其特征在于,步骤3.4)中包含体素个数、平均半径满足预设条件具体是指包含体素个数小于3个或者平均半径大于3毫米。
6.根据权利要求1所述的基于三维卷积的人机交互式颅内电极定位方法,其特征在于,步骤4)的详细步骤包括:按照术前确定的电极埋设草图中电极的顺序,在得到的待筛选电极信号图像中找到形状和位置都符合的核团,如果对应的在卷积运算后的CT脑影像中的三个切面也显示该核团符合电极的特征并在电极埋设草图对应的位置上,则将选中的该电极编号为草图中对应的编号。
7.一种基于三维卷积的人机交互式颅内电极定位系统,包括计算机设备,其特征在于:所述计算机设备被编程以执行权利要求1~6中任意一项所述基于三维卷积的人机交互式颅内电极定位方法的步骤;或者所述计算机设备的存储介质上存储有被编程以执行权利要求1~6中任意一项所述基于三维卷积的人机交互式颅内电极定位方法的计算机程序。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有被编程以执行权利要求1~6中任意一项所述基于三维卷积的人机交互式颅内电极定位方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156119.0A CN109662778B (zh) | 2019-03-01 | 2019-03-01 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156119.0A CN109662778B (zh) | 2019-03-01 | 2019-03-01 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109662778A CN109662778A (zh) | 2019-04-23 |
CN109662778B true CN109662778B (zh) | 2020-11-10 |
Family
ID=66152225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910156119.0A Active CN109662778B (zh) | 2019-03-01 | 2019-03-01 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109662778B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110464459B (zh) * | 2019-07-10 | 2022-04-15 | 丽水市中心医院 | 基于ct-mri融合的介入计划导航系统及其导航方法 |
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 |
CN110680312B (zh) * | 2019-09-17 | 2022-05-17 | 首都医科大学宣武医院 | 电极脑回标尺图的制作方法 |
CN112465900A (zh) * | 2020-12-09 | 2021-03-09 | 中国科学院深圳先进技术研究院 | 一种立体脑电图电极定位方法 |
CN112669938B (zh) * | 2020-12-11 | 2023-11-21 | 苏州景昱医疗器械有限公司 | 颅脑医学影像中脑内分片电极的方位识别方法及设备 |
CN113855023B (zh) * | 2021-10-26 | 2023-07-04 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016206093A1 (zh) * | 2015-06-26 | 2016-12-29 | 深圳市美德医疗电子技术有限公司 | 一种大脑皮层电极与磁共振图像融合显示的方法及装置 |
-
2019
- 2019-03-01 CN CN201910156119.0A patent/CN109662778B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109662778A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109662778B (zh) | 基于三维卷积的人机交互式颅内电极定位方法与系统 | |
US8634616B2 (en) | Method, apparatus, and computer program product for acquiring medical image data | |
US11205267B2 (en) | Method for localizing implanted intracranial electrode | |
US20150356733A1 (en) | Medical image processing | |
Bangare et al. | Regenerative pixel mode and tumour locus algorithm development for brain tumour analysis: A new computational technique for precise medical imaging | |
US20150206300A1 (en) | Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data | |
EP1691687A1 (en) | Automatic identification of the anterior and posterior commissure landmarks | |
EP2979249B1 (en) | Method of localization of electrodes for monitoring bioelectric signals from the patient's brain | |
WO2021222506A1 (en) | Method and apparatus to classify structures in an image | |
Hofmanis et al. | Automatic Depth Electrode Localization in Intracranial Space. | |
NL2016800B1 (en) | Method of positioning an interventional device. | |
US11508070B2 (en) | Method and apparatus to classify structures in an image | |
US20210342655A1 (en) | Method And Apparatus To Classify Structures In An Image | |
CA2976816C (en) | Methods and systems for identifying functional areas of cerebral cortex using optical coherence tomography | |
Tirumalasetty et al. | Developement of a Neurological Disease Prediction Framework for Assisting Neurologits to Automatically Segment Gray and White Matter Regions in Brain MRI Images of Patients | |
Gemmar et al. | Automated target location and trajectory selection for stereotactic planning in deep brain stimulation | |
Memon et al. | A Hybrid Learning Algorithm for Automatic MRI Segmentation of Neurodegenerative Diseases | |
Perera | DBS imaging methods I: Preprocessing | |
Siadat et al. | Subdural and depth electrode placement in the brain for validation of MEG in partial epilepsy | |
Müller et al. | Examples for Multimodal Imaging | |
Saha et al. | International Journal on Recent Researches In Science, Engineering & Technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |