CN111640107A - 一种致痫灶位置检测方法及装置 - Google Patents
一种致痫灶位置检测方法及装置 Download PDFInfo
- Publication number
- CN111640107A CN111640107A CN202010490210.9A CN202010490210A CN111640107A CN 111640107 A CN111640107 A CN 111640107A CN 202010490210 A CN202010490210 A CN 202010490210A CN 111640107 A CN111640107 A CN 111640107A
- Authority
- CN
- China
- Prior art keywords
- detected
- person
- vertex
- preset
- focus position
- 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.)
- Granted
Links
- 230000002397 epileptogenic effect Effects 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000000877 morphologic effect Effects 0.000 claims abstract description 118
- 210000004556 brain Anatomy 0.000 claims abstract description 95
- 230000001037 epileptic effect Effects 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 230000001537 neural effect Effects 0.000 claims abstract description 33
- 238000002610 neuroimaging Methods 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 43
- 206010010904 Convulsion Diseases 0.000 claims description 40
- 210000003710 cerebral cortex Anatomy 0.000 claims description 31
- 230000001054 cortical effect Effects 0.000 claims description 24
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 210000004884 grey matter Anatomy 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 210000004885 white matter Anatomy 0.000 claims description 10
- 238000002600 positron emission tomography Methods 0.000 claims description 8
- 206010015037 epilepsy Diseases 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 3
- 238000002075 inversion recovery Methods 0.000 claims description 3
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical group CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims 2
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000007477 logistic regression Methods 0.000 description 8
- 206010070666 Cortical dysplasia Diseases 0.000 description 7
- 238000000692 Student's t-test Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012353 t test Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 208000001654 Drug Resistant Epilepsy Diseases 0.000 description 1
- 208000000676 Malformations of Cortical Development Diseases 0.000 description 1
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 208000023397 cerebral cortical dysplasia Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供了一种致痫灶位置检测方法及装置。方案如下：获取待检测人员脑部的多模态神经影像；对多模态神经影像进行特征提取，得到表面形态特征；根据表面形态特征，利用预先训练好的致痫灶位置检测模型，预测致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；输出致痫灶位置。通过本发明实施例提供的技术方案，由于致痫灶位置检测模型是根据真实癫痫患者手术前脑部的样本多模态神经影像，以及癫痫患者的真实致痫灶位置训练得到的，这使得检测得到致痫灶位置更加精准，有效提高了致痫灶位置检测的准确性。
Description
技术领域
本发明涉及医学影像处理技术领域，特别是涉及一种致痫灶位置检测方法及装置。
背景技术
局灶性皮质发育不良(Focal cortical dysplasia，FCD)属于先天性皮质发育异常，FCD是导致药物难治性癫痫的常见病因。在临床上，针对FCD所导致的癫痫往往采用手术切除致痫灶的方式进行医治。
FCD包括一系列局灶性的皮质发育畸形，在影像学上表现为一系列的放射学特征。例如，局部皮质增厚/变薄、灰白质边界模糊、皮质折叠模式异常、T2/FLAIR信号增加、半球不对称性等。由于FCD在放射学上的放射学特征表现形式的多样，且放射学特征表现微小而隐匿，放射科医师在肉眼检测过程中不易发现致痫灶位置，影响致痫灶位置检测的准确性。
发明内容
本发明实施例的目的在于提供一种致痫灶位置检测检测方法及装置，以提高致痫灶位置检测的准确性。具体技术方案如下：
本发明实施例提供了一种致痫灶位置检测方法，所述方法包括：
获取待检测人员脑部的多模态神经影像；
对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征；
根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置；所述致痫灶位置检测模型是基于预设训练集训练得到的，所述预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；
输出所述待检测人员的致痫灶位置。
可选的，在对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征之前，还包括：
对所述多模态神经影像进行预处理，得到预处理后的多模态神经影像；所述预处理至少包括去噪处理、标准化处理和配准处理；
所述对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征的步骤，包括：
对所述预处理后的多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征。
可选的，所述对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征的步骤，包括：
基于所述多模态神经影像，构建所述待检测人员的大脑皮层模型；
获取所述大脑皮层模型上每一顶点对应的第一表面形态特征；其中，所述第一表面形态特征至少包括皮层厚度、灰/白质强度对比度、曲率、沟回深度、磁共振成像液体衰减反转恢复序列(Fluid Attenuated Inversion Recovery，FLAIR)信号强度；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第一预设值的圆内所述第一表面形态特征的均值，得到第一顶点特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第二预设值的圆环内所述第一表面形态特征的均值，得到第二顶点特征；
根据每一顶点对应的第一顶点特征和第二顶点特征，进行学生(t)检验，得到所述待检测人员的第二表面形态特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第三预设值的圆内所述曲率的和值，得到第三表面形态特征。
可选的，在根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置之前，还包括：
对所述表面形态特征进行归一化处理，得到归一化后的表面形态特征；
将所述归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，并确定待检测人员的左右半球不对称特征；
所述根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置的步骤，包括：
以所述待检测人员的左右半球不对称特征为输入，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置。
可选的，所述多模态神经影像包括磁共振成像(Magnetic Resonance Imaging，MRI)影像和正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)扫描影像中的一种或多种。
可选的，采用以下步骤训练得到所述致痫灶位置检测模型：
获取所述预设训练集；
对所述预设训练集中的每一癫痫患者的样本多模态神经影像进行特征提取，得到每一癫痫患者对应的样本表面形态特征；
针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置；
基于所述预设训练集中每一癫痫患者的致痫灶位置和每一癫痫患者的预测致痫灶位置，计算所述预设多层感知机模型的损失值；
当所述损失值大于预设损失值阈值时，调整所述预设多层感知机模型的参数，并返回执行针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置的步骤；
当所述损失值不大于所述预设损失值阈值时，将当前的预设多层感知机模型确定为训练好的致痫灶位置检测模型。
本发明实施例还提供了一种致痫灶位置检测装置，所述装置包括：
第一获取模块，用于获取待检测人员脑部的多模态神经影像；
第一提取模块，用于对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征；
第一预测模块，用于根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置；所述致痫灶位置检测模型是基于预设训练集训练得到的，所述预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；
输出模块，用于输出所述待检测人员的致痫灶位置。
可选的，所述装置还包括：
第一处理模块，用于对所述多模态神经影像进行预处理，得到预处理后的多模态神经影像；所述预处理至少包括去噪处理、标准化处理和配准处理；
所述第一提取模块，具体用于对所述预处理后的多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征。
可选的，所述第一提取模块，具体用于基于所述多模态神经影像，构建所述待检测人员的大脑皮层模型；
获取所述大脑皮层模型上每一顶点对应的第一表面形态特征；其中，所述第一表面形态特征至少包括皮层厚度、灰/白质强度对比度、曲率、沟回深度、FLAIR信号强度；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第一预设值的圆内所述第一表面形态特征的均值，得到第一顶点特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第二预设值的圆环内所述第一表面形态特征的均值，得到第二顶点特征；
根据每一顶点对应的第一顶点特征和第二顶点特征，进行t检验，得到所述待检测人员的第二表面形态特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第三预设值的圆内所述曲率的和值，得到第三表面形态特征。
可选的，所述装置还包括：
第二处理模块，用于对所述表面形态特征进行归一化处理，得到归一化后的表面形态特征；
第一确定模块，用于将所述归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，并确定待检测人员的左右半球不对称特征；
所述第一预测模块，具体用于以所述待检测人员的左右半球不对称特征为输入，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置。
可选的，所述多模态神经影像包括MRI影像和PET扫描影像中的一种或多种。
可选的，所述装置还包括：
第二获取模块，用于获取所述预设训练集；
第二提取模块，用于对所述预设训练集中的每一癫痫患者的样本多模态神经影像进行特征提取，得到每一癫痫患者对应的样本表面形态特征；
第二预测模块，用于针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置；
计算模块，用于基于所述预设训练集中每一癫痫患者的致痫灶位置和每一癫痫患者的预测致痫灶位置，计算所述预设多层感知机模型的损失值；
调整模块，用于当所述损失值大于预设损失值阈值时，调整所述预设多层感知机模型的参数，并调用所述第二预测模块返回执行针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置的步骤；
第二确定模块，用于当所述损失值不大于所述预设损失值阈值时，将当前的预设多层感知机模型确定为训练好的致痫灶位置检测模型。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的致痫灶位置检测方法步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的致痫灶位置检测方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的致痫灶位置检测方法。
本发明实施例有益效果：
本发明实施例提供的致痫灶位置检测方法及装置，在进行致痫灶位置检测时，根据待检测人员脑部的多模态神经影像中的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置，从而检测出待检测人员的致痫灶位置。相比于现有技术，由于致痫灶位置检测模型是根据真实癫痫患者手术前脑部的样本多模态神经影像，以及癫痫患者的真实致痫灶位置训练得到的，这使得检测得到致痫灶位置更加精准，有效提高了致痫灶位置检测的准确性。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的致痫灶位置检测模型训练方法的一种流程示意图；
图2为本发明实施例提供的预设多层感知机模型的一种结构示意图；
图3为本发明实施例提供的致痫灶位置检测方法的第一种流程示意图；
图4为本发明实施例提供的特征提取方法的一种流程示意图；
图5为本发明实施例提供的致痫灶位置检测方法的第二种流程示意图；
图6为本发明实施例提供的致痫灶位置检测方法的第三种流程示意图；
图7为本发明实施例提供的致痫灶位置检测装置的一种结构示意图；
图8为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有致痫灶位置检测的准确性较差的问题，本发明实施例提供了一种致痫灶位置检测方法。该方法可以应用于任一电子设备。为便于描述，下面以电子设备为执行主体进行说明，并不起任何限定作用。在本发明实施例提供的方法中，获取待检测人员脑部的多模态神经影像；对多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征；根据待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，该预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；输出待检测人员的致痫灶位置。
通过本发明实施例提供的方法，在进行致痫灶位置检测时，根据待检测人员脑部的多模态神经影像中的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置，从而检测出待检测人员的致痫灶位置。相比于现有技术，由于致痫灶位置检测模型是根据真实癫痫患者手术前脑部的样本多模态神经影像，以及癫痫患者的真实致痫灶位置训练得到的，这使得检测得到致痫灶位置更加精准，有效提高了致痫灶位置检测的准确性。
下面通过具体的实施例，对本发明实施例进行说明。
如图1所示，图1为本发明实施例提供的致痫灶位置检测模型训练方法的一种流程示意图。该方法包括以下步骤。
步骤S101，获取预设训练集。
一个可选的实施例中，用户可以在电子设备中输入预设训练集。电子设备接收并存储用户输入的预设训练集。
另一个可选的实施例中，电子设备可以从预设数据库中，如预设患者数据库中获取预设训练集。
上述预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置。
由于训练好的致痫灶位置检测模型是针对FCD所包括的局灶性进行致痫灶位置检测的，因此，上述癫痫患者为进行手术切除致痫灶的患者。另外，在临床中，针对手术切除致痫灶的癫痫患者，由于无法准确确认致痫灶是否完全切除，往往需要对这类癫痫患者进行术后随访，从而根据随访结果确定患者是否康复。其中，对于随访结果较好的癫痫患者，如康复的癫痫患者，可以记为Angel(天使)I级患者。在本发明实施例中，为了提高训练得到的致痫灶位置检测模型的准确性，可以选取多个Angel I级患者作为上述预设训练集中的多个癫痫患者。在此，对Angel I级患者不作具体说明。
针对上述预设训练集中每一癫痫患者对应的致痫灶位置，该致痫灶位置可以是根据临床医生对每一癫痫患者的术前评估、手术规划方案以及术后随访结果等综合确定的。在此，对上述预设训练集中每一癫痫患者对应的致痫灶位置的确定不作具体说明。
上述预设训练集中的样本多模态神经影像可以包括MRI影像和PET扫描影像中的一种或多种。其中，MRI影像包括但不限于T1加权成像(T1weighted image，T1-w)、T2加权成像(T2weighted image，T2-w)、FLAIR、扩散加权成像(Diffusion Weighted Ima-ging，DWI)。在此，对T1-w、T2-w、FLAIR和DWI不作具体说明。
在本发明实施例中，上述样本多模态神经影像中包括上述癫痫患者脑部的多个图像，以样本多模态神经影像为MRI影像为例，该样本多模态神经影像至少可以包括多个矢状位图像、多个冠状位图像、多个轴状位图像。在此，对上述样本多模态神经影像不作具体限定。
步骤S102，对预设训练集中的每一癫痫患者的样本多模态神经影像进行特征提取，得到每一癫痫患者对应的样本表面形态特征。
关于上述样本表面形态特征的提取可以参照下文待检测人员脑部的表面形态特征的提取方法，在此不作具体说明。
步骤S103，针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置。
在本发明实施例中，上述预设多层感知机模型是以图像分割(U-net)神经网络为基本架构，通过构建隐藏层，逻辑回归层及输出层，实现致痫灶位置的预测。
为便于理解，以图2为例进行说明。图2为本发明实施例提供的预设多层感知机模型的一种结构示意图。在图2所示的预设多层感知机中至少包括：输入层201、隐藏层202，逻辑回归层203，输出层204。
在本发明实施例中，电子设备在获取到上述预设训练集时，可以利用图2所示的预设多层感知机模型所提供的输入层201，将预设训练集中的样本多模态神经影像输入至预设多层感知机模型。
预设多层感知机模型的输入层201在接收到上述预设训练集中的多模态神经影像后，可以利用隐藏层202对预设训练集中的多个癫痫患者的样本多模态神经影像进行特征提取，即提取每一样本多模态神经影像所对应的样本表面形态特征，也就是提取每一癫痫患者手术前脑部的样本表面形态特征。其中，隐藏层202是由多个卷积层构成的，每个卷积层包含多个隐藏单元。
将提取到的样本表面形态特征输入到逻辑回归层203进行特征分类，也就是预测上述癫痫患者的每一顶点对应的致痫灶概率。在逻辑回归层203中可以利用激活函数，如S型生长曲线(Sigmoid)函数，输出每一顶点对应的致痫灶概率。其中，关于顶点的描述可参见下文描述，在此不作具体说明。
在上述输入层201、隐藏层202、逻辑回归层203中，电子设备可以利用预设大小的隐藏单元数，如大小为128的隐藏单元数，对输入的信息进行卷积操作或逻辑回归预测操作。对于每一的隐藏层202所采用的隐藏单元数可以相同，也可以不同。在此，对上述隐藏层202的操作和逻辑回归层203的操作过程不作具体说明。
输出层204根据逻辑回归层203得到的每一顶点对应的致痫灶概率，预测上述癫痫患者的致痫灶位置。
步骤S104，基于预设训练集中每一癫痫患者的致痫灶位置和每一癫痫患者的预测致痫灶位置，计算预设多层感知机模型的损失值。
在本步骤中，电子设备可以利用预设损失值算法，如误差平方和(The sum ofsquares due to error，SSE)算法，计算上述预设训练集中每一癫痫患者的致痫灶位置与上述预设多层感知机模型所输出的每一癫痫患者的预测致痫灶位置间的损失值，得到上述预设多层感知机模型的损失值。
步骤S105，当损失值大于预设损失值阈值时，调整预设多层感知机模型的参数，并返回执行步骤S103。
在本步骤中，当上述预设多层感知机模型的损失值大于预设损失值阈值时，电子设备可以确定该预设多层感知机模型未收敛。此时，电子设备可以基于上述损失值，调整上述预设神经网络的参数，并返回执行上述步骤S103。也就是返回执行针对每一癫痫患者，重新将该癫痫患者的样本表面形态特征输入预设多层感知机模型，得到该癫痫患者的预测致痫灶位置的步骤。
在本发明实施例中，在对上述预设多层感知机模型的参数进行调整时，可以采用反向调节、梯度下降法等方式进行调整。上述参数包括但不限于上述预设多层感知机模型中的权值、偏置量。在此，对上述预设多层感知机模型的参数调整过程不作具体说明。
步骤S106，当损失值不大于预设损失值阈值时，将当前的预设多层感知机模型确定为训练好的致痫灶位置检测模型。
在本步骤中，当上述预设多层感知机模型的损失值不大于预设损失值阈值时，电子设备可以确定该预设多层感知机模型已收敛。此时，电子设备可以将该预设多层感知机模型确定为训练好的致痫灶位置检测模型。
采用图1所示的方法，利用真实癫痫患者的样本多模态神经影像，以及真实的致痫灶位置提高了训练得到的致痫灶位置检测模型的准确性，从而提高利用训练好的致痫灶位置检测模型预测待检测人员致痫灶位置的准确性。
在图1所示的实施例中，电子设备是利用预设训练集对预设多层感知机模型进行训练得到训练好的致痫灶位置检测模型。除此以外，电子设备还可以利用预设训练集对其他神经网络或其他分类器，如支持向量机，卷积神经网络等进行训练得到训练好的致痫灶位置检测模型。具体训练方法可参照上述预设多层感知机模型的训练方法，在此不作具体说明。
另外，在图1所示的实施例中，上述步骤S102和步骤S103均是由预设多层感知机模型完成的。也就是样本表面形态特征的提取和致痫灶位置的预测均由预设多层感知机模型完成。但是，根据实际采用的分类器或神经网络的不同，上述样本表面形态特征的提取步骤和致痫灶位置的预测步骤可以由不同的模型完成，在此不作具体限定。
根据本发明实施例提供的预先训练好的致痫灶位置检测模型，本发明实施例提供了一种致痫灶位置检测方法。如图3所示，图3为本发明实施例提供的致痫灶位置检测方法的第一种流程示意图。该方法包括以下步骤。
步骤S301，获取待检测人员脑部的多模态神经影像。
一个可选的实施例中，上述待检测人员脑部的多模态神经影像包括MRI影像和PET扫描影像中的一种或多种。
一个可选的实施例中，当上述电子设备与待检测人员脑部的多模态神经影像的采集设备为同一设备时，电子设备可以直接对待检测人员脑部进行MRI处理或PET扫描，得到待检测人员脑部的多模态神经影像。
另一个可选的实施例中，当上述电子设备与待检测人员脑部的多模态神经影像的采集设备为不同设备时，由采集设备对待检测人员脑部进行MRI处理或PET扫描，得到待检测人员脑部的多模态神经影像。电子设备可以该采集设备中获取待检测人员脑部的多模态神经影像。
上述待检测人员脑部的多模态神经影像可参照上述样本多模态神经影像，在此不作具体说明。
步骤S302，对多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征。
关于上述多模态神经影像中的表面形态特征可参见下文描述，在此不作具体说明。
步骤S303，根据待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，该预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置。
以预先训练好的致痫灶位置检测模型为上述训练好的预设多层感知机模型为例进行说明。电子设备可以将上述待检测人员脑部的表面形态特征输入至训练好的预设多层感知机模型的隐藏层，从而得到每一位置为致痫灶的概率，也就是预测出待检测人员的致痫灶位置。
步骤S304，输出待检测人员的致痫灶位置。
一个可选的实施例中，电子设备可以将上述概率大于预设概率阈值的位置作为待检测人员的致痫灶位置，并输出该位置对应的位置信息。
另一个可选的实施例中，为了进一步提高致痫灶位置确定的准确性，放射科医师可以基于电子设备输出的待检测人员的致痫灶位置，对待检测人员的致痫灶位置进行再确认。为便于放射科医师的确认，电子设备可以输出每一位置为致痫灶位置概率。
采用图3所示的方法，在进行致痫灶位置检测时，根据待检测人员脑部的多模态神经影像中的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置，从而检测出待检测人员的致痫灶位置。相比于现有技术，由于致痫灶位置检测模型是根据真实癫痫患者手术前脑部的样本多模态神经影像，以及癫痫患者的真实致痫灶位置训练得到的，这使得检测得到致痫灶位置更加精准，有效提高了致痫灶位置检测的准确性。
一个可选的实施例中，针对上述步骤S302，对多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征，本发明实施例提供了一种特征提取方法。如图4所示，图4为本发明实施例提供的特征提取方法的一种流程示意图。该方法包括以下步骤。
步骤S401，基于多模态神经影像，构建待检测人员的大脑皮层模型。
在本步骤中，电子设备可以基于上述多模态神经影像，利用神经影像处理软件freesurfer联合T1模态和FLAIR模态，构建待检测人员的大脑皮层模型。其中，T1模态为上述MRI过程中通过设置不同的参数生成的T1-w影像序列。FLAIR模态为上述MRI过程中通过设置不同的参数生成的FLAIR影像序列。
步骤S402，获取大脑皮层模型上每一顶点对应的第一表面形态特征；其中，第一表面形态特征至少包括皮层厚度、灰/白质强度对比度、曲率、沟回深度、FLAIR信号强度。
在本步骤中，电子设备可以根据上述大脑皮层模型，获取该大脑皮层模型每一顶点位置对应的皮层厚度、灰/白质强度对比度、曲率、沟回深度、FLAIR信号强度等特征，得到第一表面形态特征。
上述每一顶点为上述大脑皮层模型中包括的各个顶点，例如，大脑皮层模型中沟回变化位置所对应的点的位置可以为上述顶点所在位置。在此，对上述顶点不作具体限定。
在本发明实施例中，上述第一表面形态特征可以包括其他特征，如灰白质信号强度、局部指数等。在此，对上述第一表面形态特征不作具体限定。
步骤S403，根据大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第一预设值的圆内第一表面形态特征的均值，得到第一顶点特征。
在本步骤中，针对上述大脑皮层模型上的每一顶点，电子设备可以计算以该顶点为圆心，第一预设值为半径的圆内的每一第一表面形态特征的平均值，得到每一顶点的第一顶点特征。
以第一表面形态特征包括上述皮层厚度、灰/白质强度对比度、曲率、沟回深度、FLAIR信号强度，第一预设值为2毫米为例进行说明。针对上述每一顶点，计算以该顶点为圆心，半径为2毫米的圆内皮层厚度、灰/白质强度对比度、曲率、沟回深度、FLAIR信号强度分别对应的平均值，作为该顶点的第一顶点特征。
步骤S404，根据大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第二预设值的圆环内第一表面形态特征的均值，得到第二顶点特征。
在本步骤中，针对上述大脑皮层模型上的每一顶点，电子设备可以计算以该顶点为圆心，第二预设值为半径的圆内的每一第一表面形态特征的平均值，得到每一顶点的第二顶点特征。第二顶点特征的计算方法可参照上述第一顶点特征的计算方法，在此不作具体说明。
在本发明实施例中，上述第二预设值中包括两个不同大小的半径值，即第一半径值和第二半径值。其中，第一半径值小于第二半径值，且第一半径值大于0。第二半径值可以与上述第一预设值相等。第二半径值也可以大于上述第一预设值。在此，上述第一预设值以及第二预设值中的第一半径值和第二半径值不作具体限定。
步骤S405，根据每一顶点对应的第一顶点特征和第二顶点特征，进行t检验，得到待检测人员的第二表面形态特征。
在本步骤中，针对上述每一顶点，电子设备可以对该顶点的第一顶点特征和第二顶点特征进行t检验，从而得到待检测人员的第二表面形态特征。
上述t检验，也可以称为student(学生)t检验(Student's t test)。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均值之间的差异是否显著。也就是通过对同一顶点对应的第一顶点特征和第二顶点特征进行t检验，电子设备可以确定该顶点在上述圆和上述圆环内表面形态特征之间的差异性或关联性。在本发明实施例中，对上述t检验不作具体说明。
一个可选的实施例中，在执行上述步骤S404提取得到待检测人员的第二表面形态特征之后，电子设备还可以利用预设高斯核对提取到的待检测人员的第二表面形态特征进行平滑处理，从而在保持局部表面形态特征差异性的前提下，降低多模态神经影像采集过程中运动伪影所带来的噪声对第二表面形态特征的影响。
步骤S406，根据大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第三预设值的圆内曲率的和值，得到第三表面形态特征。
在本步骤中，针对上述大脑皮层模型上的每一顶点，电子设备可以计算以该顶点为圆心，第三预设值为半径的圆内的第一表面形态特征中所有曲率的和值，得到第三表面形态特征。
上述第三预设值可以与上述第一预设值相同，也可以与上述第一预设值不同。在此，对上述第三预设值不作具体限定。
在本发明实施例中，电子设备通过计算以第三预设值为半径的圆内第一表面形态特征的曲率的和值，可以表现出上述待检测人员的大脑皮质表面的曲率变换情况，从而表现出待检测人员的大脑皮质表面的皮质变形特征。
在本发明实施例中，上述待检测人员脑部的表面形态特征包括上述第一表面形态特征，第二表面形态特征和第三表面形态特征。也就是上述待检测人员脑部的表面形态特征包括每一顶点对应的表面形态特征(即上述第一表面形态特征)，每一顶点所在皮质区域的表面形态特征与其环带区域的表面形态特征间的差异性(即上述第二表面形态特征)，以及每一顶点所在皮质区域内的皮质变形特征(即上述第三表面形态特征)。
在本发明实施例中，上述第一预设值、第二预设值和第三预设值可以根据对运动伪影和表面形态特征精度进行综合衡量后确定的半径值。其中，运动伪影与表面形态特征精度呈负相关。也就是当运动伪影越大时，表面形态特征精度越小。当运动伪影越小时，表面形态特征精度越大。在此，对上述第一预设值、第二预设值和第三预设值不作具体限定。
采用图4所示的特征提取方法，电子设备可以准确的从多模态神经影像中提取到待检测人员大脑的表面形态特征，从而提高根据提取到的表面形态特征所预测得到的致痫灶位置的准确性。
一个可选的实施例中，根据图3所示的方法，本发明实施例还提供了一种致痫灶位置检测方法。如图5所示，图5为本发明实施例提供的致痫灶位置检测方法的第二种流程示意图。该方法包括以下步骤。
步骤S501，获取待检测人员脑部的多模态神经影像。
上述步骤S501与上述步骤S301相同。
步骤S502，对多模态神经影像进行预处理，得到预处理后的多模态神经影像；预处理至少包括去噪处理、标准化处理和配准处理。
一个可选的实施例中，电子设备在获取到待检测人员的多模态神经影像后，可以神经影像处理软件freesurfer对该多模态神经影像进行去噪处理和标准化处理。电子设备还可以调用统计参数映射(Statistical Parametric Mapping，spm)对多模态神经影像进行配准处理。
针对上述去噪处理，电子设备通过对多模态神经影像的去噪处理，可以有效抑制运动伪影、高斯噪声、灰/白质不均匀等对多模态神经影像精确度的影响。
针对上述标准化处理，电子设备通过对多模态神经影像的标准化处理，可以对多模态神经影像中每一图像的大小、大脑区域的位置进行统一，从而得到标准化后的图像，从而便于后期的配准以及特征提取。
针对上述配准处理，电子设备通过对多模态神经影像的配准处理，使得多模态神经影像中不同图像的同一位置可以一一对应，提高了每一顶点位置的准确性，从而提高后期特征提取得到的表面形态特征的准确性。
步骤S503，对预处理后的多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征。
对预处理后的多模态神经影像进行特征提取可参照上述图4所示的实施例，在此不作具体说明。
步骤S504，根据待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，该预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置。
步骤S505，输出待检测人员的致痫灶位置。
上述步骤S504-步骤S505与上述步骤S303-步骤S304相同。
一个可选的实施例中，根据图3所示的方法，本发明实施例还提供了一种致痫灶位置检测方法。如图6所示，图6为本发明实施例提供的致痫灶位置检测方法的第三种流程示意图。该方法包括以下步骤。
步骤S601，获取待检测人员脑部的多模态神经影像。
步骤S602，对多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征。
上述步骤S601-步骤S602与上述步骤S301和步骤S302相同。
步骤S603，对表面形态特征进行归一化处理，得到归一化后的表面形态特征。
在本步骤中，电子设备可以分别对提取到的每一表面形态特征，即上述第一表面形态特征，第二表面形态特征和第三表面形态特征进行归一化处理，得到归一化后的表面形态特征。
一个可选的实施例中，电子设备可以利用以下公式，对上述表面形态特征进行归一化处理，具体如下：
其中，Z为归一化处理后的表面形态特征值，N为上述顶点的数量，xi为第i个顶点的表面形态特征，μi为第i个顶点的表面形态特征的平均值。
在本发明实施例中，通过对上述待检测人员脑部的表面形态特征的归一化处理，可以有效降低不同人员脑部的个体性差异对表面形态特征精确度的影响，提高了提取到的表面形态特征的精确度，从而提高根据提取到的表面形态特征预测得到的致痫灶位置的准确性。
步骤S604，将归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，并确定待检测人员的左右半球不对称特征。
在本步骤中，电子设备可以将归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，也就是将每一顶点对应归一化后的表面形态特征记录到预设右半球标准化空间和预设右半球标准化空间对应相同顶点位置处，分别得到左半球特征和右半球特征。电子设备可以将左半球特征减去右半球特征，得到左半球不对称特征，并将右半球特征减去左半球特征，得到右半球不对称特征。
在正常情况下，人体大脑特征的分布在形态学上是几乎对称的，尤其是标准化处理后的，即上述归一化后的。但是，对于癫痫患者，由于大脑中致痫灶位置的不确定性，也就是致痫灶位置可能位于大脑的左侧，也可能位于大脑的右侧。因此，通过对比大脑的左右两侧的在形态学上的特征，可以准确的判断出差异性较大的位置，并且可以弱化由于大脑的个体化差异所带来的误差，从而提高致痫灶位置的准确性。
一个可选的实施例中，上述左半球不对称特征和右半球不对称特征可以表示为左半球不对称图和右半球不对称图。
步骤S605，以待检测人员的左右半球不对称特征为输入，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，该预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置。
在本步骤中，电子设备可以将待检测人员的左半球不对称特征和右半球不对称特征，输入预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置。也就是将待检测人员的左半球不对称图和右半球不对称图输入预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置。
在本发明实施例中，根据提取到的表面形态特征，确定待检测人员的左右半球不对称特征，强化了待检测人员的左右半球不对称，提高了预测到的致痫灶位置的准确性。
步骤S606，输出待检测人员的致痫灶位置。
上述步骤S606与上述步骤S304相同。
基于同一种发明构思，根据上述本发明实施例提供的致痫灶位置检测方法，本发明实施例还提供了一种致痫灶位置检测装置。如图7所示，图7为本发明实施例提供的致痫灶位置检测装置的一种结构示意图。该装置包括以下模块。
第一获取模块701，用于获取待检测人员脑部的多模态神经影像；
第一提取模块702，用于对多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征；
第一预测模块703，用于根据待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，该预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；
输出模块704，用于输出待检测人员的致痫灶位置。
可选的，上述致痫灶位置检测装置还可以包括：
第一处理模块，用于对多模态神经影像进行预处理，得到预处理后的多模态神经影像；预处理至少包括去噪处理、标准化处理和配准处理；
上述第一提取模块702，具体可以用于对预处理后的多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征。
可选的，上述第一提取模块702，具体可以用于基于多模态神经影像，构建待检测人员的大脑皮层模型；
获取大脑皮层模型上每一顶点对应的第一表面形态特征；其中，第一表面形态特征至少包括皮层厚度、灰/白质强度对比度、曲率、沟回深度、FLAIR信号强度；
根据大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第一预设值的圆内第一表面形态特征的均值，得到第一顶点特征；
根据大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第二预设值的圆环内第一表面形态特征的均值，得到第二顶点特征；
根据每一顶点对应的第一顶点特征和第二顶点特征，进行t检验，得到待检测人员的第二表面形态特征；
根据大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第三预设值的圆内曲率的和值，得到第三表面形态特征。
可选的，上述致痫灶位置检测装置还可以包括：
第二处理模块，用于对表面形态特征进行归一化处理，得到归一化后的表面形态特征；
第一确定模块，用于将归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，并确定待检测人员的左右半球不对称特征；
上述第一预测模块703，具体可以用于以待检测人员的左右半球不对称特征为输入，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置。
可选的，上述多模态神经影像可以包括MRI影像和PET扫描影像中的一种或多种。
可选的，上述致痫灶位置检测装置还可以包括：
第二获取模块，用于获取预设训练集；
第二提取模块，用于对预设训练集中的每一癫痫患者的样本多模态神经影像进行特征提取，得到每一癫痫患者对应的样本表面形态特征；
第二预测模块，用于针对每一癫痫患者，重新将该癫痫患者的样本表面形态特征输入预设多层感知机模型，得到该癫痫患者的预测致痫灶位置；
计算模块，用于基于预设训练集中每一癫痫患者的致痫灶位置和每一癫痫患者的预测致痫灶位置，计算预设多层感知机模型的损失值；
调整模块，用于当损失值大于预设损失值阈值时，调整预设多层感知机模型的参数，并调用第二预测模块返回执行针对每一癫痫患者，重新将该癫痫患者的样本表面形态特征输入预设多层感知机模型，得到该癫痫患者的预测致痫灶位置的步骤；
第二确定模块，用于当损失值不大于预设损失值阈值时，将当前的预设多层感知机模型确定为训练好的致痫灶位置检测模型。
通过本发明实施例提供的装置，在进行致痫灶位置检测时，根据待检测人员脑部的多模态神经影像中的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置，从而检测出待检测人员的致痫灶位置。相比于现有技术，由于致痫灶位置检测模型是根据真实癫痫患者手术前脑部的样本多模态神经影像，以及癫痫患者的真实致痫灶位置训练得到的，这使得检测得到致痫灶位置更加精准，有效提高了致痫灶位置检测的准确性。
基于同一种发明构思，根据上述本发明实施例提供的致痫灶位置检测方法，本发明实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信；
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现如下步骤：
获取待检测人员脑部的多模态神经影像；
对多模态神经影像进行特征提取，得到待检测人员脑部的表面形态特征；
根据待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置；该致痫灶位置检测模型是基于预设训练集训练得到的，该预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；
输出待检测人员的致痫灶位置。
通过本发明实施例提供的电子设备，在进行致痫灶位置检测时，根据待检测人员脑部的多模态神经影像中的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测待检测人员的致痫灶位置，从而检测出待检测人员的致痫灶位置。相比于现有技术，由于致痫灶位置检测模型是根据真实癫痫患者手术前脑部的样本多模态神经影像，以及癫痫患者的真实致痫灶位置训练得到的，这使得检测得到致痫灶位置更加精准，有效提高了致痫灶位置检测的准确性。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一致痫灶位置检测方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一致痫灶位置检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质及计算机程序产品等实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种致痫灶位置检测方法，其特征在于，所述方法包括：
获取待检测人员脑部的多模态神经影像；
对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征；
根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置；所述致痫灶位置检测模型是基于预设训练集训练得到的，所述预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；
输出所述待检测人员的致痫灶位置。
2.根据权利要求1所述的方法，其特征在于，在对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征之前，还包括：
对所述多模态神经影像进行预处理，得到预处理后的多模态神经影像；所述预处理至少包括去噪处理、标准化处理和配准处理；
所述对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征的步骤，包括：
对所述预处理后的多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征。
3.根据权利要求1所述的方法，其特征在于，所述对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征的步骤，包括：
基于所述多模态神经影像，构建所述待检测人员的大脑皮层模型；
获取所述大脑皮层模型上每一顶点对应的第一表面形态特征；其中，所述第一表面形态特征至少包括皮层厚度、灰/白质强度对比度、曲率、沟回深度、磁共振成像液体衰减反转恢复序列FLAIR信号强度；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第一预设值的圆内所述第一表面形态特征的均值，得到第一顶点特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第二预设值的圆环内所述第一表面形态特征的均值，得到第二顶点特征；
根据每一顶点对应的第一顶点特征和第二顶点特征，进行学生t检验，得到所述待检测人员的第二表面形态特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第三预设值的圆内所述曲率的和值，得到第三表面形态特征。
4.根据权利要求1所述的方法，其特征在于，在根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置之前，还包括：
对所述表面形态特征进行归一化处理，得到归一化后的表面形态特征；
将所述归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，并确定待检测人员的左右半球不对称特征；
所述根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置的步骤，包括：
以所述待检测人员的左右半球不对称特征为输入，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置。
5.根据权利要求1-4任一所述的方法，其特征在于，所述多模态神经影像包括磁共振成像MRI影像和正电子发射型计算机断层显像PET扫描影像中的一种或多种。
6.根据权利要求1所述的方法，其特征在于，采用以下步骤训练得到所述致痫灶位置检测模型：
获取所述预设训练集；
对所述预设训练集中的每一癫痫患者的样本多模态神经影像进行特征提取，得到每一癫痫患者对应的样本表面形态特征；
针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置；
基于所述预设训练集中每一癫痫患者的致痫灶位置和每一癫痫患者的预测致痫灶位置，计算所述预设多层感知机模型的损失值；
当所述损失值大于预设损失值阈值时，调整所述预设多层感知机模型的参数，并返回执行针对每一癫痫患者，根据该癫痫患者的样本表面形态特征，利用预设多层感知机模型，得到该癫痫患者的预测致痫灶位置的步骤；
当所述损失值不大于所述预设损失值阈值时，将当前的预设多层感知机模型确定为训练好的致痫灶位置检测模型。
7.一种致痫灶位置检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取待检测人员脑部的多模态神经影像；
第一提取模块，用于对所述多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征；
第一预测模块，用于根据所述待检测人员脑部的表面形态特征，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置；所述致痫灶位置检测模型是基于预设训练集训练得到的，所述预设训练集包括多个癫痫患者手术前脑部的样本多模态神经影像，以及每一癫痫患者对应的致痫灶位置；
输出模块，用于输出所述待检测人员的致痫灶位置。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第一处理模块，用于对所述多模态神经影像进行预处理，得到预处理后的多模态神经影像；所述预处理至少包括去噪处理、标准化处理和配准处理；
所述第一提取模块，具体用于对所述预处理后的多模态神经影像进行特征提取，得到所述待检测人员脑部的表面形态特征。
9.根据权利要求7所述的装置，其特征在于，所述第一提取模块，具体用于基于所述多模态神经影像，构建所述待检测人员的大脑皮层模型；
获取所述大脑皮层模型上每一顶点对应的第一表面形态特征；其中，所述第一表面形态特征至少包括皮层厚度、灰/白质强度对比度、曲率、沟回深度、磁共振成像液体衰减反转恢复序列FLAIR信号强度；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第一预设值的圆内所述第一表面形态特征的均值，得到第一顶点特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第二预设值的圆环内所述第一表面形态特征的均值，得到第二顶点特征；
根据每一顶点对应的第一顶点特征和第二顶点特征，进行学生t检验，得到所述待检测人员的第二表面形态特征；
根据所述大脑皮层模型上每一顶点的第一表面形态特征，以每一顶点为圆心，计算半径为第三预设值的圆内所述曲率的和值，得到第三表面形态特征。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第二处理模块，用于对所述表面形态特征进行归一化处理，得到归一化后的表面形态特征；
第一确定模块，用于将所述归一化后的表面形态特征记录到具有相同顶点的预设左右半球标准化空间中，并确定待检测人员的左右半球不对称特征；
所述第一预测模块，具体用于以所述待检测人员的左右半球不对称特征为输入，利用预先训练好的致痫灶位置检测模型，预测所述待检测人员的致痫灶位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490210.9A CN111640107B (zh) | 2020-06-02 | 2020-06-02 | 一种致痫灶位置检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490210.9A CN111640107B (zh) | 2020-06-02 | 2020-06-02 | 一种致痫灶位置检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111640107A true CN111640107A (zh) | 2020-09-08 |
| CN111640107B CN111640107B (zh) | 2024-02-06 |
Family
ID=72332899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010490210.9A Active CN111640107B (zh) | 2020-06-02 | 2020-06-02 | 一种致痫灶位置检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640107B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348785A (zh) * | 2020-10-29 | 2021-02-09 | 深圳大学 | 一种癫痫病灶定位方法及系统 |
| CN113112476A (zh) * | 2021-04-14 | 2021-07-13 | 中国人民解放军北部战区总医院 | 一种识别海马硬化所致颞叶癫痫的致痫灶和/或预测其病理分型的方法和系统 |
| CN115081486A (zh) * | 2022-07-05 | 2022-09-20 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101488162A (zh) * | 2008-01-17 | 2009-07-22 | 复旦大学 | 一种用于脑电信号自动评估的脑电信号特征提取方法 |
| CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 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癫痫灶定位方法 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
-
2020
- 2020-06-02 CN CN202010490210.9A patent/CN111640107B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101488162A (zh) * | 2008-01-17 | 2009-07-22 | 复旦大学 | 一种用于脑电信号自动评估的脑电信号特征提取方法 |
| CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 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癫痫灶定位方法 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348785A (zh) * | 2020-10-29 | 2021-02-09 | 深圳大学 | 一种癫痫病灶定位方法及系统 |
| CN112348785B (zh) * | 2020-10-29 | 2023-09-29 | 深圳大学 | 一种癫痫病灶定位方法及系统 |
| CN113112476A (zh) * | 2021-04-14 | 2021-07-13 | 中国人民解放军北部战区总医院 | 一种识别海马硬化所致颞叶癫痫的致痫灶和/或预测其病理分型的方法和系统 |
| CN113112476B (zh) * | 2021-04-14 | 2023-08-29 | 中国人民解放军北部战区总医院 | 一种识别致痫灶和/或预测其病理分型的方法和系统 |
| CN115081486A (zh) * | 2022-07-05 | 2022-09-20 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111640107B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| Valcarcel et al. | MIMoSA: an automated method for intermodal segmentation analysis of multiple sclerosis brain lesions | |
| US10740880B2 (en) | Systems and methods for analyzing pathologies utilizing quantitative imaging | |
| Sweeney et al. | Automatic lesion incidence estimation and detection in multiple sclerosis using multisequence longitudinal MRI | |
| Anitha et al. | Development of computer‐aided approach for brain tumor detection using random forest classifier | |
| CN111640107B (zh) | 一种致痫灶位置检测方法及装置 | |
| US7899225B2 (en) | Systems and methods of clinical state prediction utilizing medical image data | |
| Billot et al. | Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets | |
| CN109997200A (zh) | 脑中风诊断以及预后预测方法及系统 | |
| Ben Rabeh et al. | Segmentation of brain MRI using active contour model | |
| Hosseini et al. | Comparative performance evaluation of automated segmentation methods of hippocampus from magnetic resonance images of temporal lobe epilepsy patients | |
| Murakami et al. | Automatic identification of bone erosions in rheumatoid arthritis from hand radiographs based on deep convolutional neural network | |
| US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
| Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
| US11508063B2 (en) | Non-invasive measurement of fibrous cap thickness | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| Agnello et al. | Unsupervised tissue classification of brain MR images for voxel‐based morphometry analysis | |
| Roura et al. | Automated detection of lupus white matter lesions in MRI | |
| Jena et al. | Morphological feature extraction and KNG‐CNN classification of CT images for early lung cancer detection | |
| US20200129114A1 (en) | Automatic computerized joint segmentation and inflammation quantification in mri | |
| Pham et al. | Assessment of hip displacement in children with cerebral palsy using machine learning approach | |
| CN111445443B (zh) | 早急性脑梗死检测方法和装置 | |
| Kemenczky et al. | Effect of head motion-induced artefacts on the reliability of deep learning-based whole-brain segmentation | |
| CN111339993A (zh) | 一种x射线图像金属检测方法和系统 | |
| CN115035133A (zh) | 一种模型训练方法、图像分割方法及相关装置 |
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 |