CN114209287B - 基于自动磁共振成像的癫痫病灶定位方法及系统 - Google Patents
基于自动磁共振成像的癫痫病灶定位方法及系统 Download PDFInfo
- Publication number
- CN114209287B CN114209287B CN202210016367.7A CN202210016367A CN114209287B CN 114209287 B CN114209287 B CN 114209287B CN 202210016367 A CN202210016367 A CN 202210016367A CN 114209287 B CN114209287 B CN 114209287B
- Authority
- CN
- China
- Prior art keywords
- epileptic
- patient
- brain wave
- deviation rate
- patients
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于自动磁共振成像的癫痫病灶定位方法及系统,包括采集患者非癫痫状态下的磁共振成像数据,根据非癫痫状态下患者的磁共振成像数据构造患者的初始头模型;矫正后得到患者的三维立体头模型;将测试数据集输入到拟合好癫痫病灶的全卷积神经网络中进行预测,得到患者的癫痫病灶预测分割结果;采集癫痫患者和非癫痫患者的脑电波数据,得到所有的疑似癫痫病灶区;根据得到的患者的癫痫病灶预测分割结果和得到的疑似癫痫病灶区,重合的部分即为患者癫痫病灶。通过本发明能够迅速的定位癫痫脑部病灶区。
Description
技术领域
本发明涉及数据处理领域,具体是基于自动磁共振成像的癫痫病灶定位方法及系统。
背景技术
癫痫是一种慢性的、短暂性的、反复性的脑功能失调综合征。全球每年约有240万人被诊断为癫痫。癫痫发作的病因、症状和发作时间都会因个体的不同而存在差异,并且癫痫发作几乎没有任何预警。有的人一年只会发作几次,而有的人一天就会发作几次。这些因素的不同都导致癫痫的检测和治疗变得十分困难。随着计算机技术以及医学成像技术的快速发展,很多医学成像技术纷纷涌现,例如计算机断层扫描CT、三维超声成像、正电子发射断层扫描PET、核磁共振成像MRI、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等。在临床医学中,医学影像发挥的作用越来越大,尤其是磁共振、脑部CT和脑电波等。医学图像已成为医生诊断和治疗病人的重要工具和手段。
由于核磁共振技术对软组织有较好的成像效果,因此针对脑组织的成像手段多采用核磁共振技术,因此,如何根据核磁共振技术结合癫痫病人的脑部数据快速准确的定位癫痫脑部病灶区,是当下科研人员的研究重点。
发明内容
本发明的目的在于克服现有技术的不足,提供基于自动磁共振成像的癫痫病灶定位方法,包括如下步骤:
步骤一,采集患者非癫痫状态下的磁共振成像数据,根据非癫痫状态下患者的磁共振成像数据构造患者的初始头模型;
步骤二,对构造的患者的初始头模型进行矫正,在患者的磁共振成像的初始头模型上选择基准校正点;根据所述的基准校正点对磁共振成像的初始头模型进行矫正处理;矫正后得到患者的三维立体头模型;
步骤三,采集患者磁共振成像数据,将患者磁共振成像数据分为训练样本集和测试样本集,并划分手动标签,搭建全卷积神经网络模型,将训练集和对应的手动标签输入到全卷积神经网络模型中进行训练,学习患者癫痫病灶的影像特征,得到卷积核参数和偏置参数;
步骤四,将得到的卷积核参数和偏置参数载入全卷积神经网络模型中,设定各个网络层的参数,得到拟合好癫痫病灶的全卷积神经网络;将测试数据集输入到拟合好癫痫病灶的全卷积神经网络中进行预测,得到患者的癫痫病灶预测分割结果;
步骤五,采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;
步骤六,根据得到的患者的癫痫病灶预测分割结果和得到的疑似癫痫病灶区,重合的部分即为患者癫痫病灶。
进一步的,所述的对构造的患者的初始头模型进行矫正,包括磁共振成像数据构造患者的初始头模型上选择设定个数的基准校正点;根据设定个数的基准校正点对磁共振成像的初始头模型进行矫正处理;得到患者的三维立体头模型。
进一步的,所述的采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,包括:
对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集刺激前后癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,并将采集到的癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,分别处理为按刺激前后时间顺序排列的脑电波图像;
根据非癫痫患者的脑电波图像得到脑电波的参数,所述的参数包括脑电波峰值,根据多次获得的相同刺激下的脑电波峰值,得到脑电波峰值的均值;获得的相同刺激下的脑电波峰值中的最大值与脑电波峰值的均值的差值,根据差值与脑电波峰值的均值的比值,得到非癫痫患者的脑电波峰值的偏差率;同理得到癫痫患者非癫痫状态下的脑电波峰值的偏差率;根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值。
进一步的,所述的对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区,包括如下过程:
分区脑电波采集,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;根据癫痫患者的癫痫发作过程,得到癫痫发作特征,对所有的疑似癫痫病灶区分别进行脑电波检测,首先采集到癫痫发作特征的疑似癫痫病灶区为癫痫病灶区。
基于自动磁共振成像的癫痫病灶定位方法的自动定位系统,包括数据处理器、显示装置、数据存储装置、磁共振成像装置、脑电波采集装置、偏差率获取模块、通信装置;所述的显示装置、数据存储装置、脑电波采集装置、偏差率获取模块、通信装置分别与所述的数据处理器连接;
其中的磁共振成像装置用于采集患者的磁共振数据,并通过全卷积神经网络模型得到癫痫病灶预测分割结果;
脑电波采集装置用于采集癫痫患者和非癫痫患者的脑电波数据;
所述的偏差率获取模块用于根据癫痫患者和非癫痫患者的脑电波数据得到偏差率;
所述的数据存储装置用于存储脑电波采集装置采集的癫痫患者和非癫痫患者的脑电波数据,以及偏差率获取模块根据癫痫患者和非癫痫患者的脑电波数据得到的偏差率数据。
本发明的有益效果是:通过本发明提供的癫痫脑部病灶区自动定位方法,能够迅速的排除非癫痫脑部病灶区,定位疑似癫痫脑部病灶区,在癫痫病人癫痫发作时能够根据疑似癫痫脑部病灶区迅速的定位癫痫脑部病灶区。
附图说明
图1为基于自动磁共振成像的癫痫病灶定位方法的原理示意图;
图2为基于自动磁共振成像的癫痫病灶定位系统的原理示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
为了使本发明的目的,技术方案及优点更加清楚明白,结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。需要说明的是,术语“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。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示,基于自动磁共振成像的癫痫病灶定位方法,包括如下步骤:
步骤一,采集患者非癫痫状态下的磁共振成像数据,根据非癫痫状态下患者的磁共振成像数据构造患者的初始头模型;
步骤二,对构造的患者的初始头模型进行矫正,在患者的磁共振成像的初始头模型上选择基准校正点;根据所述的基准校正点对磁共振成像的初始头模型进行矫正处理;矫正后得到患者的三维立体头模型;
步骤三,采集患者磁共振成像数据,将患者磁共振成像数据分为训练样本集和测试样本集,并划分手动标签,搭建全卷积神经网络模型,将训练集和对应的手动标签输入到全卷积神经网络模型中进行训练,学习患者癫痫病灶的影像特征,得到卷积核参数和偏置参数;
其中的搭建全卷积神经网络模型,包括设计一个四十层的多模态全卷积神经网络,其前三十五层网络成对分布,第三十六层进行特征融合,一直到第四十层输出分割结果,形成Y字形网络模型结构;
将训练集和对应的手动标签输入到全卷积神经网络模型中进行训练,学习癫痫病灶的影像特征,得到卷积核参数和偏置参数,并存储;
将得到的卷积核参数和偏置参数载入全卷积神经网络模型中,设定各个网络层的参数,得到拟合好癫痫病灶的全卷积神经网络;
将测试数据集输入到拟合好癫痫病灶的全卷积神经网络中进行预测,得到脑部MRI影像测试集的癫痫病灶分割预测结果。
步骤四,将得到的卷积核参数和偏置参数载入全卷积神经网络模型中,设定各个网络层的参数,得到拟合好癫痫病灶的全卷积神经网络;将测试数据集输入到拟合好癫痫病灶的全卷积神经网络中进行预测,得到患者的癫痫病灶预测分割结果;
步骤五,采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;
步骤六,根据得到的患者的癫痫病灶预测分割结果和得到的疑似癫痫病灶区,重合的部分即为患者癫痫病灶。
所述的对构造的患者的初始头模型进行矫正,包括磁共振成像数据构造患者的初始头模型上选择设定个数的基准校正点;根据设定个数的基准校正点对磁共振成像的初始头模型进行矫正处理;得到患者的三维立体头模型。
所述的采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,包括:
对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集刺激前后癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,并将采集到的癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,分别处理为按刺激前后时间顺序排列的脑电波图像;
根据非癫痫患者的脑电波图像得到脑电波的参数,所述的参数包括脑电波峰值,根据多次获得的相同刺激下的脑电波峰值,得到脑电波峰值的均值;获得的相同刺激下的脑电波峰值中的最大值与脑电波峰值的均值的差值,根据差值与脑电波峰值的均值的比值,得到非癫痫患者的脑电波峰值的偏差率;同理得到癫痫患者非癫痫状态下的脑电波峰值的偏差率;根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值。
进一步的,所述的对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区,包括如下过程:
分区脑电波采集,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;根据癫痫患者的癫痫发作过程,得到癫痫发作特征,对所有的疑似癫痫病灶区分别进行脑电波检测,首先采集到癫痫发作特征的疑似癫痫病灶区为癫痫病灶区。
基于自动磁共振成像的癫痫病灶定位方法的自动定位系统,包括数据处理器、显示装置、数据存储装置、磁共振成像装置、脑电波采集装置、偏差率获取模块、通信装置;所述的显示装置、数据存储装置、脑电波采集装置、偏差率获取模块、通信装置分别与所述的数据处理器连接;
其中的磁共振成像装置用于采集患者的磁共振数据,并通过全卷积神经网络模型得到癫痫病灶预测分割结果;
脑电波采集装置用于采集癫痫患者和非癫痫患者的脑电波数据;
所述的偏差率获取模块用于根据癫痫患者和非癫痫患者的脑电波数据得到偏差率;
所述的数据存储装置用于存储脑电波采集装置采集的癫痫患者和非癫痫患者的脑电波数据,以及偏差率获取模块根据癫痫患者和非癫痫患者的脑电波数据得到的偏差率数据。
具体的,基于自动磁共振成像的癫痫病灶定位方法,包括如下步骤:
步骤一,采集患者非癫痫状态下的磁共振成像数据,根据非癫痫状态下患者的磁共振成像数据构造患者的初始头模型;
步骤二,对构造的患者的初始头模型进行矫正,在患者的磁共振成像的初始头模型上选择基准校正点;根据所述的基准校正点对磁共振成像的初始头模型进行矫正处理;矫正后得到患者的三维立体头模型;
步骤三,采集患者磁共振成像数据,将患者磁共振成像数据分为训练样本集和测试样本集,并划分手动标签,搭建全卷积神经网络模型,将训练集和对应的手动标签输入到全卷积神经网络模型中进行训练,学习患者癫痫病灶的影像特征,得到卷积核参数和偏置参数;
步骤四,将得到的卷积核参数和偏置参数载入全卷积神经网络模型中,设定各个网络层的参数,得到拟合好癫痫病灶的全卷积神经网络;将测试数据集输入到拟合好癫痫病灶的全卷积神经网络中进行预测,得到患者的癫痫病灶预测分割结果;
步骤五,采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;
步骤六,根据得到的患者的癫痫病灶预测分割结果和得到的疑似癫痫病灶区,重合的部分即为患者癫痫病灶。
所述的对构造的患者的初始头模型进行矫正,包括磁共振成像数据构造患者的初始头模型上选择设定个数的基准校正点;根据设定个数的基准校正点对磁共振成像的初始头模型进行矫正处理;得到患者的三维立体头模型。
所述的采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,包括:
对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集刺激前后癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,并将采集到的癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,分别处理为按刺激前后时间顺序排列的脑电波图像;
根据非癫痫患者的脑电波图像得到脑电波的参数,所述的参数包括脑电波峰值,根据多次获得的相同刺激下的脑电波峰值,得到脑电波峰值的均值;获得的相同刺激下的脑电波峰值中的最大值与脑电波峰值的均值的差值,根据差值与脑电波峰值的均值的比值,得到非癫痫患者的脑电波峰值的偏差率;同理得到癫痫患者非癫痫状态下的脑电波峰值的偏差率;根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值。
所述的对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区,包括如下过程:
分区脑电波采集,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;根据癫痫患者的癫痫发作过程,得到癫痫发作特征,对所有的疑似癫痫病灶区分别进行脑电波检测,首先采集到癫痫发作特征的疑似癫痫病灶区为癫痫病灶区。
所述的对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,包括:其中的癫痫患者为某一待检测癫痫病灶区的患者,非癫痫患者为相同年龄和性别的自然人,给癫痫患者和非癫痫患者的刺激为同一刺激源。
所述的分别采集刺激前后癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,其中的采集刺激前后癫痫患者非癫痫状态下的脑电波信息为某一待检测癫痫病灶区的患者的脑电波信息;采集刺激前后非癫痫患者的脑电波信息为相同年龄和性别的自然人的脑电波信息。
所述的根据癫痫患者的癫痫发作过程,得到癫痫发作特征,包括:将癫痫发作时的脑电波数据,依据癫痫的发作过程,分为正常期、发作前期、发作高峰以及发作后期。
所述的首先采集到癫痫发作特征的疑似癫痫病灶区为癫痫病灶区,包括:首先采集到脑电波数据的正常期、发作前期、发作高峰以及发作后期的疑似癫痫病灶区为癫痫病灶区。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.基于自动磁共振成像的癫痫病灶定位方法,其特征在于,包括如下步骤:
步骤一,采集患者非癫痫状态下的磁共振成像数据,根据非癫痫状态下患者的磁共振成像数据构造患者的初始头模型;
步骤二,对构造的患者的初始头模型进行矫正,在患者的磁共振成像的初始头模型上选择基准校正点;根据所述的基准校正点对磁共振成像的初始头模型进行矫正处理;矫正后得到患者的三维立体头模型;
步骤三,采集患者磁共振成像数据,将患者磁共振成像数据分为训练样本集和测试样本集,并划分手动标签,搭建全卷积神经网络模型,将训练集和对应的手动标签输入到全卷积神经网络模型中进行训练,学习患者癫痫病灶的影像特征,得到卷积核参数和偏置参数;
步骤四,将得到的卷积核参数和偏置参数载入全卷积神经网络模型中,设定各个网络层的参数,得到拟合好癫痫病灶的全卷积神经网络;将测试数据集输入到拟合好癫痫病灶的全卷积神经网络中进行预测,得到患者的癫痫病灶预测分割结果;
步骤五,采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应相同区域的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;
步骤六,根据得到的患者的癫痫病灶预测分割结果和得到的疑似癫痫病灶区,重合的部分即为患者癫痫病灶;
所述的采集癫痫患者和非癫痫患者的脑电波数据,根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值,包括:
对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集刺激前后癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,并将采集到的癫痫患者非癫痫状态下的脑电波信息和非癫痫患者的脑电波信息,分别处理为按刺激前后时间顺序排列的脑电波图像;
根据非癫痫患者的脑电波图像得到脑电波的参数,所述的参数包括脑电波峰值,根据多次获得的相同刺激下的脑电波峰值,得到脑电波峰值的均值;获得的相同刺激下的脑电波峰值中的最大值与脑电波峰值的均值的差值,根据差值与脑电波峰值的均值的比值,得到非癫痫患者的脑电波峰值的偏差率;同理得到癫痫患者非癫痫状态下的脑电波峰值的偏差率;根据非癫痫患者的脑电波峰值的偏差率和癫痫患者非癫痫状态下的脑电波峰值的偏差率,得到偏差率差值。
2.根据权利要求1所述的基于自动磁共振成像的癫痫病灶定位方法,其特征在于,所述的对构造的患者的初始头模型进行矫正,包括磁共振成像数据构造患者的初始头模型上选择设定个数的基准校正点;根据设定个数的基准校正点对磁共振成像的初始头模型进行矫正处理;得到患者的三维立体头模型。
3.根据权利要求1所述的基于自动磁共振成像的癫痫病灶定位方法,其特征在于,所述的对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区,包括如下过程:
分区脑电波采集,对癫痫患者非癫痫状态下和非癫痫患者给予相同的刺激,分别采集相同区域的脑电波,得到对应该分区的分区偏差率差值,若分区偏差率差值大于偏差率差值,则为疑似癫痫病灶区,否则,则为正常区域,得到所有的疑似癫痫病灶区;根据癫痫患者的癫痫发作过程,得到癫痫发作特征,对所有的疑似癫痫病灶区分别进行脑电波检测,首先采集到癫痫发作特征的疑似癫痫病灶区为癫痫病灶区。
4.根据权利要求1-3任一所述的基于自动磁共振成像的癫痫病灶定位方法的自动定位系统,其特征在于,包括数据处理器、显示装置、数据存储装置、磁共振成像装置、脑电波采集装置、偏差率获取模块、通信装置;所述的显示装置、数据存储装置、脑电波采集装置、偏差率获取模块、通信装置分别与所述的数据处理器连接;
其中的磁共振成像装置用于采集患者的磁共振数据,并通过全卷积神经网络模型得到癫痫病灶预测分割结果;
脑电波采集装置用于采集癫痫患者和非癫痫患者的脑电波数据;
所述的偏差率获取模块用于根据癫痫患者和非癫痫患者的脑电波数据得到偏差率;
所述的数据存储装置用于存储脑电波采集装置采集的癫痫患者和非癫痫患者的脑电波数据,以及偏差率获取模块根据癫痫患者和非癫痫患者的脑电波数据得到的偏差率数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016367.7A CN114209287B (zh) | 2022-01-07 | 2022-01-07 | 基于自动磁共振成像的癫痫病灶定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016367.7A CN114209287B (zh) | 2022-01-07 | 2022-01-07 | 基于自动磁共振成像的癫痫病灶定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114209287A CN114209287A (zh) | 2022-03-22 |
CN114209287B true CN114209287B (zh) | 2023-08-11 |
Family
ID=80707959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210016367.7A Active CN114209287B (zh) | 2022-01-07 | 2022-01-07 | 基于自动磁共振成像的癫痫病灶定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114209287B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997026823A1 (en) * | 1996-01-23 | 1997-07-31 | University Of Kansas | Systems for prediction, rapid detection, warning, prevention or control of changes in activity states in the brain |
CN102397069A (zh) * | 2010-09-16 | 2012-04-04 | 通用电气公司 | 用于自动癫痫监测的方法、设备和计算机程序产品 |
US8190249B1 (en) * | 2005-08-01 | 2012-05-29 | Infinite Biomedical Technologies, Llc | Multi-parametric quantitative analysis of bioelectrical signals |
CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
CN111839507A (zh) * | 2020-07-27 | 2020-10-30 | 龙成峰 | 一种可预测癫痫的脑电波预测装置 |
CN113616161A (zh) * | 2021-09-16 | 2021-11-09 | 山东中科先进技术研究院有限公司 | 一种癫痫发作预测系统及方法 |
-
2022
- 2022-01-07 CN CN202210016367.7A patent/CN114209287B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997026823A1 (en) * | 1996-01-23 | 1997-07-31 | University Of Kansas | Systems for prediction, rapid detection, warning, prevention or control of changes in activity states in the brain |
US8190249B1 (en) * | 2005-08-01 | 2012-05-29 | Infinite Biomedical Technologies, Llc | Multi-parametric quantitative analysis of bioelectrical signals |
CN102397069A (zh) * | 2010-09-16 | 2012-04-04 | 通用电气公司 | 用于自动癫痫监测的方法、设备和计算机程序产品 |
CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
CN111839507A (zh) * | 2020-07-27 | 2020-10-30 | 龙成峰 | 一种可预测癫痫的脑电波预测装置 |
CN113616161A (zh) * | 2021-09-16 | 2021-11-09 | 山东中科先进技术研究院有限公司 | 一种癫痫发作预测系统及方法 |
Non-Patent Citations (1)
Title |
---|
Focal cortical dysplasia links to sleep-related epilepsy in symptomatic focal epilepsy;Wang Y,He C,Chen C,et al.;Epilepsy & Behavior;1-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN114209287A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yeo et al. | The organization of the human cerebral cortex estimated by intrinsic functional connectivity | |
CN109965895B (zh) | 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 | |
Schnyer et al. | Evaluating the diagnostic utility of applying a machine learning algorithm to diffusion tensor MRI measures in individuals with major depressive disorder | |
Reid et al. | A cross-modal, cross-species comparison of connectivity measures in the primate brain | |
Rudrauf et al. | Disconnection's renaissance takes shape: Formal incorporation in group-level lesion studies | |
US20160171687A1 (en) | Methods and systems for evaluating bone lesions | |
Wang et al. | Diffusion tensor imaging of vascular parkinsonism: structural changes in cerebral white matter and the association with clinical severity | |
Ding et al. | Deep learning-based thigh muscle segmentation for reproducible fat fraction quantification using fat–water decomposition MRI | |
Struyfs et al. | Automated MRI volumetry as a diagnostic tool for Alzheimer's disease: Validation of icobrain dm | |
WO2023280086A1 (zh) | 靶点确定方法、装置、电子设备、存储介质及神经调控设备 | |
Ferreira et al. | Automating in vivo cardiac diffusion tensor postprocessing with deep learning–based segmentation | |
Griffa et al. | Neural circuits of idiopathic normal pressure hydrocephalus: a perspective review of brain connectivity and symptoms meta-analysis | |
CN116784820A (zh) | 一种基于种子点连接的脑功能网络构建方法及系统 | |
Osmanlıoğlu et al. | Connectomic assessment of injury burden and longitudinal structural network alterations in moderate‐to‐severe traumatic brain injury | |
Du et al. | Within-individual organization of the human cerebral cortex: Networks, global topography, and function | |
Kuhn et al. | Test-retest reliability of high angular resolution diffusion imaging acquisition within medial temporal lobe connections assessed via tract based spatial statistics, probabilistic tractography and a novel graph theory metric | |
Goh et al. | Neuroinformatics challenges to the structural, connectomic, functional and electrophysiological multimodal imaging of human traumatic brain injury | |
Oh et al. | Segmentation of white matter hyperintensities on 18 F-FDG PET/CT images with a generative adversarial network | |
Solanki et al. | A systematic analysis of magnetic resonance images and deep learning methods used for diagnosis of brain tumor | |
CN114209287B (zh) | 基于自动磁共振成像的癫痫病灶定位方法及系统 | |
Chandra et al. | CCsNeT: Automated Corpus Callosum segmentation using fully convolutional network based on U-Net | |
CN109615656A (zh) | 一种基于模型搜索的脊柱定位方法 | |
Mirzaei | Ensembles of convolutional neural network pipelines for diagnosis of alzheimer’s disease | |
CA3180031A1 (en) | Network-based functional imaging output for evaluating multiple sclerosis | |
CN112991478A (zh) | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
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 |