CN112465900A - 一种立体脑电图电极定位方法 - Google Patents
一种立体脑电图电极定位方法 Download PDFInfo
- Publication number
- CN112465900A CN112465900A CN202011433249.3A CN202011433249A CN112465900A CN 112465900 A CN112465900 A CN 112465900A CN 202011433249 A CN202011433249 A CN 202011433249A CN 112465900 A CN112465900 A CN 112465900A
- Authority
- CN
- China
- Prior art keywords
- electrode
- coordinates
- image
- positioning
- registration
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 210000004556 brain Anatomy 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007620 mathematical function Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 210000003625 skull Anatomy 0.000 description 3
- 206010010904 Convulsion Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 208000028329 epileptic seizure Diseases 0.000 description 1
- 230000002397 epileptogenic effect Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012978 minimally invasive surgical procedure Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出了一种立体脑电图电极定位方法，采用CT影像进行定位：S1：获取电极植入后的CT影像进行配准；S2：将配准得到的多层图像进行二值化处理；S3：将包含目标电极的所有图像叠加为一张图片；S4：根据步骤S3得出的图片确定所述目标电极的起始坐标与终点坐标，计算电极位点坐标；S5：将步骤S4得出的电极位点坐标进行空间坐标变换，根据变换后的坐标定位脑区位置。定位过程仅用到手术后的CT影像即可工作，无需用到病人的多组影像数据；而且，定位的进行不受得到的CT影像分辨率影响，且计算量小，工作效率高。进一步，计算步骤的应用能够适用于不同系统上的开发场景，可移植性强，定位方法实用且有效。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种通过CT影像数据进行的立体脑电图电极定位方法。
背景技术
立体定向脑电图(SEEG)是一种微创外科手术，用于识别大脑中癫痫发作的起始区域。医生在手术时将含有多个位点的电极放置在目标脑区，然后对电极采集到的脑电信号进行分析，以精确定位癫痫疾病的致痫区域。立体定向脑电图可以做到精确可靠、有针对性的治疗，并能够发现常规脑电图(EEG)测试无法发现的大脑深处的癫痫发作部位。但是，在分辨率不高的MRI和CT影像中电极和电极上每个位点的位置难以定位，对后期对影像的处理和分析上有较大的影响。所以，如何有效定位电极位点所在脑区的位置，是一项亟待解决的问题。
现有技术中采用先以计算机进行识别初步筛选电极位点，然后通过人工确认及筛选得到待选电极信号的定位方式，确保对电极位点的定位准确性。这种方式相比于传统的采用人工标注的方式提升了定位准确性，但是，定位过程中需要运用到病人的多种影像数据、对影像数据的分辨率要求高，且需要对电极图像信号和体素进行处理；而且，由于不同人体的结构存在微小差异，定位过程中需要进行大量的运算，且针对不同的情况需要重新设置大量的参数，过程复杂。
发明内容
有鉴于此，为了克服上述现有技术的缺陷，本发明提出了一种能够在分辨率不高的影像中进行立体脑电图电极定位的方法。
具体地，所述立体脑电图电极定位方法包括：
S1：获取电极植入后的CT影像进行配准；
S2：将配准得到的多层图像进行二值化处理；
S3：将包含目标电极的所有图像叠加为一张图片；
S4：根据步骤S3得出的图片确定所述目标电极的起始坐标与终点坐标，计算电极位点坐标；
S5：将步骤S4得出的电极位点坐标进行空间坐标变换，根据变换后的坐标定位脑区位置。优选地，使用标准模板对所述CT影像进行配准。
进一步，步骤S2还包括，对二值化处理得到的图像进行去噪处理，提升所得到的图像质量。
步骤S4的具体执行过程包括：
S41：确定步骤S3得到的图片中，所述目标电极的起始点与终点的二维坐标；
S42：根据所述起始点与所述终的点二维坐标及所述目标电极的起始点和终点的所在的图像编号，得出所述起始点与所述终点的三维坐标；
S43：根据所述起始点与所述终点的三维坐标计算所述电极位点的坐标。
步骤S43的具体算法为：
根据起始坐标(X1，Y1，Z1)和终点坐标(xN，YN，zN)，其中，N为电极中位点的数量，按照公式计算第k个电极位点的坐标(Xk，Yk，Zk)：
signX＝sign(XN-X1)，其中，sign为得到某个数的+/-符号的数学函数；
Xk＝X1+stepX·k，(k＝0，1，...，N-1)；
oignY-oign(YN-Y1)，其中，sign为得到某个数的+/-符号的数学函数；
Yk＝Y1+stepY·k，(k＝0，1，...，N-1)；
signZ＝sign(ZN-Z1)，其中，sign为得到某个数的+/-符号的数学函数；
Zk＝Z1+stepZ·k，(k＝0，1，...，N-1)。
具体地，所述电极中位点数量N为包含所述目标电极的冠状面图像数量。进一步，对步骤S43计算得出的三维坐标的数值进行取整。
步骤S5的具体执行过程包括：
S51：根据公式(X,Y,Z)＝T*(Xk,Yk,Zk)+b将步骤S4得到的空间坐标变换以转换为标准模板中的坐标，其中，T为线性映射矩阵，b为平移表示需要的向量；
S52：将配准后的CT影像与标准模板叠加；
S53：根据变换后的坐标定位脑区位置。
所述二值化的具体过程包括：设定阈值，将步骤S1所获得的图像像素与所述阈值比较，将将大于所述阈值的部分的像素调整为255，小于所述阈值的部分的像素调整为0。
基于上述立体脑电图电极定位方法，本发明还提供了一种立体脑电图电极定位系统，包括：
配准模块，用于将所获取的电极植入后的CT影像进行配准；
二值化模块，用于将配准得到的多层图像进行二值化处理；
图像叠加模块，用于将包含所述目标电极的所有图像叠加为一张图片；
坐标计算模块，用于根据步骤S3得出的图片确定所述目标电极的起始点坐标与终点坐标，计算电极位点坐标；
坐标变换模块，用于将步骤S4得出的电极位点坐标进行空间坐标变换，根据变换后的坐标定位脑区位置。
综上所述，本发明的立体脑电图定位方法只用到手术后CT影像即可工作，不需要用到病人的多种影像数据，且不需要设置大量的参数，泛化能力强；在CT影像分辨率较低的情况下依然可以使用，不受得到的CT影像分辨率的影响，提高实验的工作效率。进一步，计算步骤的应用能够适用于不同系统上的开发场景，可移植性强，定位方法实用且有效。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为本发明立体脑电图电极定位方法的工作流程示意图；
图2为二值化后某一电极CT冠状面图像；
图3为包含图2所示电极的所有CT冠状面图像的拼接图
图4为实施例2中的目标电极的部分冠状面图像；
图5为本发明立体脑电图电极定位系统的结构示意图。
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。
本发明提供了一种立体脑电图电极定位方法，采用参考影像将电极植入后获得的CT影像进行配准；对配准得到的每一层图像都进行二值化处理；确定需要定位的目标电极跨越的每层图像，对其进行拼接；根据目标电极的起始点坐标和终点坐标计算得到CT影像中的电极位点的坐标；将CT影像中的电极位点坐标进行空间坐标变换转换为标准模板中的坐标，根据标准模板中的坐标定位找到电极对应的脑区位置。
实施例1
参见说明书附图1，本发明的立体脑电图电极定位方法的具体工作流程如下：
S1：将电极植入后获得的CT影像配准到参考影像。其中，参考影像采用标准模板，配准过程可以使用开源工具fs l或spm。在本实施例中，采用fs l工具中的线性配准功能将病人手术后的CT影像配准到CT的模板上。具体地，进行配准时对部分参数的选择为：-in:需要配准的影像，-ref:参考影像，-omat:配准过程保存的仿射矩阵，-out:配准结果；其中，仿射变换作用为使得配准过程中目标影像与参考影像在体素层面对齐。其他如代价函数加权(cost function weighting)使得不同体素有不同权重，自由度(degrees of freedom)，插值方法，成本函数等参数选用默认设置。
在一些实施例中，使用MNI152模板作为标准模板进行配准操作。上述CT模板和MNI152模板具有相同结构。可选地，还可以采用ICBM152模板作为标准模板。
S2：配准之后的CT影像形成多层的图像，先将每一层图像进行二值化处理。二值化的具体过程包括：设定阈值，将步骤S1所获得的图像像素与阈值比较，将大于阈值的部分的像素调整为255，小于阈值的部分的像素调整为0。二值化之后的图像中颅骨和电极的像素值为255，显示为白色，背景像素值为0，显示为黑色。在本实施例中，采用0TSU二值化方法处理。然后对二值化之后的图像进行去噪，提升图像质量。具体地，可以使用数字图像处理中的形态学操作开操作。步骤S2执行完成得到的图像如图2所示。
S3：确定目标电极跨越的每层图像，将电极的起始和终点位置之间所有的二值化图像叠加为一张图片，获得可以清晰显示此电极形状的图片。可选地，上述图像叠加可以采用0penCV中的add()，或是其他图像叠加方法进行，例如，resize()和addWeighted()。拼接得到的图片如图3所示，白色电极清晰可见。
S4：将步骤S3得到的拼接后的图片视为电极从三维位置向二维的投影，在拼接后图片中计算出电极的起始点和终点的二维坐标，则根据投影还原出原始三维的坐标，即为电极在配准后的CT影像中的坐标位置。例如，计算名称为A，电极位点个数为N的电极位点坐标的过程如下：将电极上所有的位点标记为A1，A2，...，AN。设深入颅内电极位点为A1，作为电极起始位置，其三维坐标为(X1，Y1，Z1)；靠近颅骨电极位点为AN，作为电极终点位置，其三维坐标为(XN，YN，ZN)。具体地，位点数量等于包含目标电极的冠状面图像数量。
则运用以下公式计算所有电极位点的X方向坐标：
oignX-oign(xN-X1)，其中，sign为得到某个数的+/-符号的数学函数；
Xk＝X1+stepX·k，(k＝0，1，...，N-1)。
同理，电极位点的Y方向坐标的计算过程为：
signY＝sign(YN-Y1)，其中，sign为得到某个数的+/-符号的数学函数；
Yk＝Y1+stepY·k，(k＝0，1，...，N-1)。
电极位点的Z方向坐标的计算过程为：
signZ＝sign(ZN-Z1)，其中，sign为得到某个数的+/-符号的数学函数；
Zk＝Z1+stepZ·k，(k＝0，1，...，N-1)。
S5：得到CT影像中的电极位点坐标之后，由于CT/MNI体素位置坐标(voxellocation)和MNI空间坐标(MNI coordinates)的偏差方向不同，需要将坐标进行空间坐标变换：(X，Y，Z)＝T*(Xk，Yk，Zk)+b，其中，T为线性映射矩阵，b为平移表示需要的向量。在具体使用公式时，需要根据实际情况选择不同的变换矩阵。之后，将配准后的CT影像与MNI152标准模板叠加，根据变换后的坐标定位到脑区所在位置即可得到此位点的脑区位置。重复此流程即可得到所有电极位点的脑区坐标。
实施例2
本实施例提供了对一个目标电极进行定位的具体计算过程。
具体地，本实施例对一个编号为86-99的目标电极进行定位，上述电极具有共14个冠状面图像，参见说明书附图4，为从中提取的7张图像，可以看到电极在不同图像中的变化。由于CT影像是由若干张图像形成的影像集，每张图片只能反应出电极的一部分，所以需要将图像叠加以展示出完整电极的形状。
电极跨越编号86-99，可得到MNI体素空间位置Z坐标为86-99，则Z1＝86处为电极深入颅内的位置，认为是电极起始位置，ZN＝99处为电极靠近颅骨位置，认为是终点位置。在叠加后的图像中电极起始x为85，y为160，终点x为38，y为163。此处假设起始处一个电极位点，终点处位置没有电极位点，实际计算时需要考虑电极位点的位置偏差，即起始位置电极位点坐标为A1(X1＝85，Y1＝160，Z1＝86)，终点位置坐标为AN(XN＝38，YN＝163，ZN＝99)。根据此电极的位点个数14可以计算所有电极的位置：
signX＝sign(XN-X1)，
同理可得：
然后，进行空间仿射变换
具体使用时需要根据实际情况选择不同的变换矩阵T，X，Y，Z为电极位点在Talairach空间坐标，X′，Y′，z′为得到的MNI空间坐标。
如将Talairach坐标转换为MNI坐标，作如下变换：
则变换矩阵T由此得到：
如将体素位置坐标转换为MNI坐标，由于体素坐标只能为正整数和0，需计算round(X1|stepX·k)，round(Y1|stepY·k)，round(z1|stepz·k)，其中，round为向近取整符号；空间仿射变换如下：
则得到
其中，X，Y，Z为电极位点在MNI体素位置空间坐标，X′，Y′，Z′为得到的MNI空间坐标。
实施例3
本实施例为一种运用实施例1所提供的立体脑电图电极定位方法的立体脑电图电极定位系统。
参见说明书附图5，立体脑电图电极定位系统包括：
配准模块，用于将所获取的电极植入后的CT影像进行配准；
二值化模块，用于将配准得到的多层图像进行二值化处理，随后对二值化之后的图像进行去噪；
图像叠加模块，用于将包含目标电极的所有图像叠加为一张图片；
坐标计算模块，用于根据步骤S3得出的图片确定目标电极的起始坐标与终点坐标，计算电极位点坐标；
坐标变换模块，用于将步骤S4得出的电极位点坐标进行空间坐标变换，根据变换后的坐标定位脑区位置。
综上所述，本发明提供了一种能够在分辨率不高的影像中进行立体脑电图电极定位的方法，只用到手术后CT影像即可工作，不需要用到病人的多种影像数据，且不需要设置大量的参数，泛化能力强；不受得到的CT影像分辨率的影响，在CT影像分辨率较低的情况下依然可以使用，提高实验的工作效率；可以根据计算得到的电极位点的坐标找到位点所在的脑区位置，是之后在脑区层面的处理分析的前提条件；而且，本方法除配准步骤外其他计算步骤在所有平台都可以使用，可移植性强，适应不同系统上的开发场景，因而更加实用有效。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，除了以上实施例以外，还可以具有不同的变形例，以上实施例的技术特征可以相互组合，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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种立体脑电图电极定位方法，其特征在于，
S1：获取电极植入后的CT影像进行配准；
S2：将配准得到的多层图像进行二值化处理；
S3：将包含目标电极的所有图像叠加为一张图片；
S4：根据步骤S3得出的图片确定所述目标电极的起始坐标与终点坐标，计算电极位点坐标；
S5：将步骤S4得出的电极位点坐标进行空间坐标变换，根据变换后的坐标定位脑区位置。
2.根据权利要求1所述的立体脑电图电极定位方法，其特征在于，使用标准模板对所述CT影像进行配准。
3.根据权利要求1所述的立体脑电图电极定位方法，其特征在于，步骤S2还包括，对二值化处理得到的图像进行去噪处理。
4.根据权利要求1所述的立体脑电图电极定位方法，其特征在于，步骤S4的具体执行过程包括：
S41：确定步骤S3得到的图片中，所述目标电极的起始点与终点的二维坐标；
S42：根据所述起始点与所述终点的二维坐标及所述目标电极的起始点和终点的所在的图像编号，得出所述起始点与所述终点的三维坐标；
S43：根据所述起始点与所述终点的三维坐标计算所述电极位点的坐标。
5.根据权利要求4所述的立体脑电图电极定位方法，其特征在于，步骤S43的具体算法为：
根据起始坐标(X1，Y1，Z1)和终点坐标(XN，YN，ZN)，其中，N为电极中位点的数量，按照公式计算第k个电极位点的坐标(Xk，Yk，Zk)：
signX＝sign(XN-X1)，其中，sign为得到某个数的+/-符号的数学函数；
Xk＝X1+stepX·k，(k＝0，1，...，N-1)；
signY＝sign(YN-Y1)，其中，sign为得到某个数的+/-符号的数学函数；
Yk＝Y1+stepY·k，(k＝0，1，...，N-1)；
signZ＝sign(ZN-Z1)，其中，sign为得到某个数的+/-符号的数学函数；
Zk＝Z1+stepZ·k，(k＝0，1，...，N-1)。
6.根据权利要求5所述的立体脑电图电极定位方法，其特征在于，对步骤S43计算得出的三维坐标的数值进行取整。
7.根据权利要求5所述的立体脑电图电极定位方法，其特征在于，所述电极中位点数量N为包含所述目标电极的冠状面图像数量。
8.根据权利要求1所述的立体脑电图电极定位方法，其特征在于，步骤S5的具体执行过程包括：
S51：根据公式(X，Y，Z)＝T*(Xk，Yk，Zk)+b将步骤S4得到的空间坐标变换以转换为标准模板中的坐标，其中，T为线性映射矩阵，b为平移表示需要的向量；
S52：将配准后的CT影像与所述参考影像叠加；
S53：根据变换后的坐标定位脑区位置。
9.根据权利要求1所述的立体脑电图电极定位方法，其特征在于，所述二值化的具体过程包括：
设定阈值，将步骤S1所获得的图像像素与所述阈值比较；
将大于所述阈值的部分的像素调整为255，小于所述阈值的部分的像素调整为0。
10.一种立体脑电图电极定位系统，用于执行权利要求1-9任一项所述的方法，其特征在于，包括，
配准模块，用于将所获取的电极植入后的CT影像进行配准；
二值化模块，用于将配准得到的多层图像进行二值化处理；
图像叠加模块，用于将包含所述目标电极的所有图像叠加为一张图片；
坐标计算模块，用于根据步骤S3得出的图片确定所述目标电极的起始点坐标与终点坐标，计算电极位点坐标；
坐标变换模块，用于将步骤S4得出的电极位点坐标进行空间坐标变换，根据变换后的坐标定位脑区位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011433249.3A CN112465900A (zh) | 2020-12-09 | 2020-12-09 | 一种立体脑电图电极定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011433249.3A CN112465900A (zh) | 2020-12-09 | 2020-12-09 | 一种立体脑电图电极定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465900A true CN112465900A (zh) | 2021-03-09 |
Family
ID=74800531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011433249.3A Pending CN112465900A (zh) | 2020-12-09 | 2020-12-09 | 一种立体脑电图电极定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465900A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612653A (zh) * | 2023-12-19 | 2024-02-27 | 东莞市鹏锦机械科技有限公司 | 干法电极自立膜纤维化的区域定位方法及其区域调整装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120314923A1 (en) * | 2011-03-29 | 2012-12-13 | Boston Scientific Neuromodulation Corporation | System and method for image registration |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN108682009A (zh) * | 2018-05-08 | 2018-10-19 | 深圳市铱硙医疗科技有限公司 | 一种阿尔茨海默症预测方法、装置、设备及介质 |
| CN109662778A (zh) * | 2019-03-01 | 2019-04-23 | 中国人民解放军国防科技大学 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
| TWI680744B (zh) * | 2018-10-04 | 2020-01-01 | 臺北榮民總醫院 | 定位顱內電極的方法和系統 |
-
2020
- 2020-12-09 CN CN202011433249.3A patent/CN112465900A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120314923A1 (en) * | 2011-03-29 | 2012-12-13 | Boston Scientific Neuromodulation Corporation | System and method for image registration |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN108682009A (zh) * | 2018-05-08 | 2018-10-19 | 深圳市铱硙医疗科技有限公司 | 一种阿尔茨海默症预测方法、装置、设备及介质 |
| TWI680744B (zh) * | 2018-10-04 | 2020-01-01 | 臺北榮民總醫院 | 定位顱內電極的方法和系統 |
| US20200111207A1 (en) * | 2018-10-04 | 2020-04-09 | National Chiao Tung University | Method and system for localizing implanted intracranial electrode |
| CN109662778A (zh) * | 2019-03-01 | 2019-04-23 | 中国人民解放军国防科技大学 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| S.M. SMITH ET AL.: "Advances in functional and structural MR image analysis and implementation as FSL", 《NEUROIMAGE》, vol. 23, no. 1, pages 208 * |
| 李丹妮 等: "基于MRI和CT图像配准的颅内电极定位方法", 《生物医学工程与临床》, vol. 16, no. 1, pages 7 - 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612653A (zh) * | 2023-12-19 | 2024-02-27 | 东莞市鹏锦机械科技有限公司 | 干法电极自立膜纤维化的区域定位方法及其区域调整装置 |
| CN117612653B (zh) * | 2023-12-19 | 2024-05-14 | 东莞市鹏锦机械科技有限公司 | 干法电极自立膜纤维化的区域定位方法及其区域调整装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11430140B2 (en) | Medical image generation, localizaton, registration system | |
| Rorden et al. | Stereotaxic display of brain lesions | |
| JP2003265408A (ja) | 内視鏡誘導装置および方法 | |
| Marino et al. | Automated detection and labeling of high-density EEG electrodes from structural MR images | |
| CN110464462B (zh) | 腹部外科介入手术的图像导航配准系统及相关装置 | |
| CN111540008B (zh) | 定位方法、装置、系统、电子设备及存储介质 | |
| US20160379362A1 (en) | Medical image processing method and image processing system | |
| Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
| CN109741290B (zh) | 用于神经追踪的方法、非暂时性计算机可读媒体及设备 | |
| EP3137917B1 (en) | High resolution intraoperative mri images | |
| CN112508869A (zh) | 颅内血管图像融合方法和计算机可读存储介质 | |
| CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
| CN112465900A (zh) | 一种立体脑电图电极定位方法 | |
| JP6967983B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN116580033B (zh) | 一种基于图像块相似性匹配的多模态医学图像配准方法 | |
| CN104182963B (zh) | 一种图像处理方法及图像处理装置 | |
| Lapeer et al. | An optimised radial basis function algorithm for fast non-rigid registration of medical images | |
| Hofmanis et al. | Automatic Depth Electrode Localization in Intracranial Space. | |
| Saha et al. | Tensor scale-based image registration | |
| Luo et al. | Implementation of mutual information based multi-modality medical image registration | |
| Zagorchev et al. | Patient-specific sensor registration for electrical source imaging using a deformable head model | |
| Little et al. | The registration of multiple medical images acquired from a single subject: why, how, what next? | |
| CN113822796A (zh) | 基于改进的图像金字塔的多模态脑部影像配准方法 | |
| CN113450893A (zh) | 脑功能区定位和定侧方法、装置、设备及存储介质 | |
| Ruby et al. | Analysis of Alzheimer’s Disease Using ColorImage Segmentation |
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 |