CN116630384A - 一种serf原子磁强计与头部核磁共振影像的自动配准方法 - Google Patents

一种serf原子磁强计与头部核磁共振影像的自动配准方法 Download PDF

Info

Publication number
CN116630384A
CN116630384A CN202310503496.3A CN202310503496A CN116630384A CN 116630384 A CN116630384 A CN 116630384A CN 202310503496 A CN202310503496 A CN 202310503496A CN 116630384 A CN116630384 A CN 116630384A
Authority
CN
China
Prior art keywords
point
helmet
point cloud
face
nose
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
Application number
CN202310503496.3A
Other languages
English (en)
Inventor
宁晓琳
高振峰
高阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310503496.3A priority Critical patent/CN116630384A/zh
Publication of CN116630384A publication Critical patent/CN116630384A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • 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
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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]
    • 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

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种SERF原子磁强计与头部核磁共振影像的自动配准方法，包括：基于光学扫描仪获取被试者头部的三维信息，将扫描点云分割为头盔和人脸两部分；基于FPFH描述子对头盔模型与头盔点云进行粗配准，采用ICP算法进行精配准，确定传感器在三维扫描数据上的位置和方向；基于人脸对称信息对脸部点云与头部核磁共振影像进行粗配准，采用ICP算法进行精配准，将传感器位置和方向信息转换到核磁共振影像坐标系下。本发明所实现的配准算法且具有自动化、高精度、高效率的特性，极大简化了配准流程，方便医护人员使用，推动脑磁的医学应用。

Description

一种SERF原子磁强计与头部核磁共振影像的自动配准方法
技术领域
本发明涉及生物医学工程领域，具体涉及一种SERF原子磁强计与头部核磁共振影像的自动配准方法。
背景技术
脑磁图是一种非接触功能成像技术，它通过测量头皮的神经信号进而反解脑内源活动信息，具有很高的空间分辨率和时间分辨率。由于脑磁信号极其微弱，目前采用超导量子干涉仪(superconducting quantum interference devices,SQUIDs)进行测量，但是SQUIDs需要液氦冷却导致维护成本过高，限制了其大规模推广。
近年来SERF(Spin-Exchange Relaxation-Free)原子磁强计的出现，使低成本、可穿戴、高灵敏度MEG成为可能。它能在常温下使用，由于体积很小而具有灵活配置的特性，可以贴近头皮放置从而获得更高的信噪比，被试为将取代SQUIDs的第二代脑磁仪器。
SERF原子磁强计可穿戴的特性是其突出的亮点，也为其与MRI的配准带来了挑战。目前的配准方案大多是基于手动配准：手动选取靶标点进行粗配准，然后手动裁剪相应区域进行精配准。整个过程耗时较长，不利于大量数据处理，对没有数学背景的医护人员很不友好，进而不适用与SERF磁强计在脑磁领域的应用。
发明内容
针对SERF原子磁强计与MRI的配准需求，目前方法需要过多的人工步骤，费事费力。为克服现有技术的不足，本发明提供了一种SERF原子磁强计与头部核磁共振影像的自动配准方法，快速准确地完成整个配准过程。
为达到上述目的，本发明采用如下技术方案：
一种SERF原子磁强计与头部核磁共振影像的自动配准方法，包括以下步骤：
步骤1：对扫描所得的原始点云进行区域生长分割，去除孤立数据点，将原始点云分割为人脸和头盔两部分，且根据表面曲率的不同去除头盔表面卡槽的点云，保证头盔点云与头盔模型基本一致；
步骤2：头盔模型与头盔点云配准，首先对头盔模型和头盔点云进行下采样，分别计算FPFH描述子，采用SAC-IA算法对其粗配准，之后采用ICP算法对其进行精匹配，完成第一次配准获得转换矩阵T1；
步骤3：人脸点云与MRI配准，首先对人脸进行裁剪，使其成为对称点云，之后定位鼻尖点，并根据鼻尖点提取鼻子区域点云；同样定位MRI鼻尖点，提取鼻子区域；基于脸部对称信息对人脸点云和MRI进行粗配准，采用ICP算法对二者进行精配准，完成第二次配准获得转换矩阵T2，整个过程的转换矩阵为T＝T1*T2；MRI为头部核磁共振影像；
步骤4：由于头盔为定制头盔，传感器相对于头盔的位置与方向在头盔设计过程中已知，对传感器的位置和方向做变换T,得到传感器相对于MRI的位置与方向。
进一步地，所述步骤1包括：
基于光学扫描仪对已佩戴头盔的被试进行扫描，获得扫描图像；由于扫描图像中的头盔点云和人脸点云并不是连通的，采用区域生长法分割出曲率不连续但点云连续的区域，因而通过区域生长分割算法将其分离；区域生长分割完成后，得到一系列点簇，选择数量最多的前两个点簇作为头盔点云和人脸点云的候选点，其中体积较大的点云视为头盔点云，体积较小的视为人脸点云。
进一步地，所述步骤2包括：
为降低算法复杂度，减少运算时间，首先对头盔模型和分割所得的头盔点云下采样，并计算下采样的点云的表面法线和FPFH描述子；基于SAC-IA算法对头盔模型和头盔模型进行粗匹配，首先需要提取点云的快速点特征直方图特征，然后采用随机采样一致性算法对FPFH描述子进行匹配，从而完成点云的粗匹配，使两片点云有一个良好的初始位置，所述初始位置对应的初值作为点云精配准的初值进行快速迭代；采用ICP算法对粗配准后的点云进一步匹配，获得转换矩阵T1。
进一步地，经过转换矩阵T1的变换，头盔模型坐标系O1-X1Y1Z1被转换为坐标系O2-X2Y2Z2，其中平面O1-Y1Z1近似为头部的对称平面，O1-X2Z2与头部冠状面基本平行。
进一步地，人脸点云中，沿O2Y2轴的最远点被认为是近似鼻尖点pnt；某一平面以O2Y2轴方向为法向量，距离pnt点的距离为d，且该平面与人脸点云相交，用该平面裁剪人脸点云，去除肩部、脖颈和耳朵区域的点云，使剩余的人脸点云呈对称形状。
进一步地，首先确定人脸点云的对称平面，该对称平面与人脸点云相交获得人脸轮廓C,在轮廓C上寻找鼻尖点；鼻尖点应满足以下条件：(1)鼻尖点P1位于人脸轮廓C上且靠近轮廓重心；(2)在满足条件(1)的点中，鼻尖点P1点沿O2Y2轴最大；由于MRI的姿态已经经过校正，Y轴坐标最大的点被认为是鼻尖点P2。
进一步地，对于人脸点云，以鼻尖点P1为原点建立坐标系P1-U1V1W1，对人脸轮廓C做主成分分析，获得三个特征向量对应的特征值为λ1＜λ2＜λ3,/>对应于P1U1方向，/>对应于P1V1方向，/>对应于P1W1方向；对于MRI，以鼻尖点P2为原点建立坐标系P2-U2V2W2，MRI的X轴方向与P2U2一致，Y轴方向与P2V2一致，Z轴方向与P2W2一致；将两个坐标系进行配准，作为人脸与MRI的粗配准结果；
进一步地，以鼻尖点为球心，r为半径截取鼻子区域；由于已经完成粗配准，两个鼻子区域已经大致对齐，对两者采用ICP算法进行精配准获得转换矩阵T2。
有益效果：
本发明实现了SERF原子磁强计与MRI的自动配准算法，由于无需人工操作，可以极大地提高配准效率，对没有工科背景的医护人员非常友好，平均运行时间为30s，传感器的位置误差为0.25±0.03mm，方向误差为0.27±0.04°，其精度高于手动配准精度，因而该算法兼具高效率、高精度、自动化的突出特点。
附图说明
图1为本发明中SERF原子磁强计与头部核磁共振影像的自动配准方法流程图；
图2为本发明中人脸点云裁剪示意图；其中，(a)为头盔模型坐标系O1-X1Y1Z1示意图，(b)为头坐标系O2-X2Y2Z2示意图，(c)为平面剪切人脸示意图；
图3为本发明中人脸点云对称平面获取示意图；其中，(a)为初始对称平面Σinitial示意图，F关于Σinitial对称后得F'，(b)表示ICP算法配准F与F'后，F'被转换为F”，(c)为人脸对称平面Σ示意图；
图4为本发明中鼻尖点定位和鼻子区域配准示意图；其中，(a)为人脸轮廓线和鼻尖点示意图，(b)为坐标系P1-U1V1W1示意图，(c)为坐标系P2-U2V2W2示意图；
图5为本发明中配准结果示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细的说明，应当理解，此处所描述的具体实施例仅用以解释本发明，不用于限定本发明。
如图1所示，本发明的一种SERF原子磁强计与头部核磁共振影像的自动配准方法，在Windows及Linux操作系统中基于PCL库实现整个流程，具体步骤如下：
步骤1：基于光学扫描仪对已佩戴头盔的被试进行扫描，获得扫描图像；由于扫描图像中的头盔点云和人脸点云并不是连通的，区域生长法可以分割出曲率不连续但点云连续的区域，因而可以通过区域生长分割算法将其分离，具体实现如下：
(1)点云中有未标记点，按照点的曲率值对点进行排序，找到最小曲率值点，并把它添加到种子点集；
(2)对于每个种子点，算法都会发现周边所有近邻点：
a.计算每个近邻点与当前种子点的法线角度差，如果差值小于设置的阈值，则该近邻点被重点考虑，进行步骤b测试；
b.该近邻点通过了法线角度差检验，如果它的曲率小于设定的阈值，这个点就被添加到种子点集，即属于当前连通域。
(3)从原始点云去除通过两次检验的点；
(4)设置最小点簇的点数min，最大点簇为max；
(5)重复(1)-(3)步，算法会生成点数在min和max的所有平面，并对不同平面标记不同颜色加以区分；
(6)直到剩余的点数不能满足min，算法停止工作。
区域生长分割完成后，会得到一系列点簇，选择数量最多的前两个点簇作为头盔点云和人脸点云的候选点，其中体积较大的点云视为头盔点云，体积较小的视为人脸点云。
步骤2：为降低算法复杂度，减少运算时间，首先对头盔模型和分割所得的头盔点云下采样，并计算下采样的点云的表面法线和FPFH描述子；基于SAC-IA算法对头盔模型和头盔模型进行粗匹配，首先需要提取点云的快速点特征直方图特征，然后采用随机采样一致性算法计算这些特征之间的关系，从而完成点云的粗匹配，使两片点云有一个良好的初始位置，其算法原理如下：
(1)从参考点云R中随机选取n个点，为了保证选区的点具有一定差异的FPFH特征，选取点两两之间的距离应该大于预先设置的阈值d；
(2)在目标点云T中查找与参考点云R选取点中具有相似FPFH特征的点，从这些相似的点中随机选取一个点作为目标点云T中点的对应点；
(3)对这些对应点对计算刚体变换，之后通过求解对应点变换后的距离误差和函数来判断配准效果。在此处的距离误差和函数多采用Huber函数来表示，记为其中：
式中：ml为一预先设定值，li为第i组对应点变换后的距离差，||·||指代2-范数。上述变换为了找到变换后的最优解，使得误差函数最小，该最优化过程求得的结果便是粗配准的配准矩阵。
SAC-IA算法求出的变换矩阵并不准确，但该初值可作为点云精配准的初值进行快速迭代；采用ICP算法对粗配准后的点云进一步匹配，获得转换矩阵T1；
步骤3：人脸点云与MRI配准，首先对人脸进行裁剪，使其成为对称点云，之后定位鼻尖点，并根据鼻尖点提取鼻子区域点云；同样定位MRI鼻尖点，提取鼻子区域；基于脸部对称信息对人脸点云和MRI进行粗配准，采用ICP算法对二者进行精配准，完成第二次配准获得转换矩阵T2，整个过程的转换矩阵为T＝T1*T2。具体包括：
步骤3.1：人脸区域提取。经过转换矩阵T1的变换，头盔模型坐标系O1-X1Y1Z1(图2中(a))被转换为坐标系O2-X2Y2Z2(图2中(b))，其中平面O1-Y1Z1近似为头部的对称平面，O1-X2Z2与头部冠状面基本平行。人脸点云中，沿O2Y2轴的最远点被认为是近似鼻尖点pnt；某一平面以O2Y2轴方向为法向量，距离pnt点的距离为d，且该平面与人脸点云相交，用该平面裁剪人脸点云，去除肩部、脖颈和耳朵区域的点云，使剩余的人脸点云呈对称形状(图2中(c))。
步骤3.2：确定人脸点云的对称平面；裁剪后的人脸区域为F＝{pi|pi＝(xi,yi,zi)T,1≤i≤N}，pi指人脸区域F上的点，(xi,yi,zi)为pi点的三维坐标，T代表转置；首先寻找人脸的近似对称平面Σinitial，在本发明中，法向量为O2X2且经过F重心的平面被认为是Σinitial，O2-Y2Z2也可认为是Σinitial(图3中(a))；F关于Σinitial对称后得F'＝{pmi|pmi＝(xmi,ymi,zmi)T,1≤i≤N}，pmi指F'上一点,(xmi,ymi,zmi)为pmi点的三维坐标；采用ICP算法配准F与F'，F'被转换为F”＝{pri|pri＝(xri,yri,zri)T,1≤i≤N}，pri指F”上一点,(xri,yri,zri)为pri的三维坐标(图3中(b))；平均F与F”并拟合获得一个平面，该平面即是人脸对称平面Σ(图3中(c))。
步骤3.3：鼻尖点定位；该对称平面与人脸点云相交获得人脸轮廓C，在轮廓C上寻找鼻尖点；鼻尖点应满足以下条件：(1)鼻尖点P1应当位于轮廓C上且靠近轮廓重心；(2)在满足条件(1)的点中，P1点沿O2Y2轴应最大；由于MRI的姿态已经经过校正，Y轴坐标最大的点被认为是鼻尖点P2，如图4中(a)所示。
步骤3.4：鼻子区域配准。对于人脸点云，以鼻尖点P1为原点建立坐标系P1-U1V1W1，对轮廓C做主成分分析(PCA)，获得三个特征向量对应的特征值为λ1＜λ2＜λ3,/>对应于P1U1方向，/>对应于P1V1方向，/>对应于P1W1方向；对于MRI，以鼻尖点P2为原点建立坐标系P2-U2V2W2(图4中(b))，MRI的X轴方向与P2U2一致，Y轴方向与P2V2一致，Z轴方向与P2W2一致(图4中(c))；将两个坐标系进行配准，作为人脸与MRI的粗配准结果；以鼻尖点为球心，r为半径截取鼻子区域；由于已经完成粗配准，两个鼻子区域已经大致对齐，对两者采用ICP算法进行精配准获得转换矩阵T2。
图5展示了最终配准结果，箭头指代传感器的方向，圆球指代传感器的坐标，二者已被转换到MRI坐标系下。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
提供以上实施例仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (8)

1.一种SERF原子磁强计与头部核磁共振影像的自动配准方法，其特征在于，包括以下步骤：
步骤1：对扫描所得的原始点云进行区域生长分割，去除孤立数据点，将原始点云分割为人脸和头盔两部分，且根据表面曲率的不同去除头盔表面卡槽的点云，保证头盔点云与头盔模型基本一致；
步骤2：头盔模型与头盔点云配准，首先对头盔模型和头盔点云进行下采样，分别计算FPFH描述子，采用SAC-IA算法对其粗配准，之后采用ICP算法对其进行精匹配，完成第一次配准获得转换矩阵T1；
步骤3：人脸点云与核磁共振影像配准，首先对人脸进行裁剪，使其成为对称点云，之后定位鼻尖点，并根据鼻尖点提取鼻子区域点云；同样定位MRI鼻尖点，提取鼻子区域；基于脸部对称信息对人脸点云和MRI进行粗配准，采用ICP算法对二者进行精配准，完成第二次配准获得转换矩阵T2，整个过程的转换矩阵为T＝T1*T2；MRI为头部核磁共振影像；
步骤4：由于头盔为定制头盔，传感器相对于头盔的位置与方向在头盔设计过程中已知，对传感器的位置和方向做变换T,得到传感器相对于MRI的位置与方向。
2.根据权利要求1所述的自动配准方法，其特征在于，所述步骤1包括：
基于光学扫描仪对已佩戴头盔的被试进行扫描，获得扫描图像；由于扫描图像中的头盔点云和人脸点云并不是连通的，采用区域生长法分割出曲率不连续但点云连续的区域，因而通过区域生长分割算法将其分离；区域生长分割完成后，得到一系列点簇，选择数量最多的前两个点簇作为头盔点云和人脸点云的候选点，其中体积较大的点云视为头盔点云，体积较小的视为人脸点云。
3.根据权利要求1所述的自动配准方法，其特征在于，所述步骤2包括：
为降低算法复杂度，减少运算时间，首先对头盔模型和分割所得的头盔点云下采样，并计算下采样的点云的表面法线和FPFH描述子；基于SAC-IA算法对头盔模型和头盔模型进行粗匹配，首先需要提取点云的快速点特征直方图特征，然后采用随机采样一致性算法对FPFH描述子进行匹配从而完成点云的粗匹配，使两片点云有一个良好的初始位置，所述初始位置对应的初值作为点云精配准的初值进行快速迭代；采用ICP算法对粗配准后的点云进一步匹配，获得转换矩阵T1。
4.根据权利要求3所述的自动配准方法，其特征在于：经过转换矩阵T1的变换，头盔模型坐标系O1-X1Y1Z1被转换为坐标系O2-X2Y2Z2，其中平面O1-Y1Z1近似为头部的对称平面，O1-X2Z2与头部冠状面基本平行。
5.根据权利要求1所述的自动配准方法，其特征在于：人脸点云中，沿O2Y2轴的最远点被认为是近似鼻尖点pnt；某一平面以O2Y2轴方向为法向量，距离pnt点的距离为d，且该平面与人脸点云相交，用该平面裁剪人脸点云，去除肩部、脖颈和耳朵区域的点云，使剩余的人脸点云呈对称形状。
6.根据权利要求1或5所述的自动配准方法，其特征在于：首先确定人脸点云的对称平面，该对称平面与人脸点云相交获得人脸轮廓C，在轮廓C上寻找鼻尖点；鼻尖点应满足以下条件：(1)鼻尖点P1位于人脸轮廓C上且靠近轮廓重心；(2)在满足条件(1)的点中，P1点沿O2Y2轴最大；由于MRI的姿态已经经过校正，Y轴坐标最大的点被认为是MRI鼻尖点P2。
7.根据权利要求6所述的自动配准方法，其特征在于：对于人脸点云，以鼻尖点P1为原点建立坐标系P1-U1V1W1，对人脸轮廓C做主成分分析，获得三个特征向量对应的特征值为λ1＜λ2＜λ3,/>对应于P1U1方向，/>对应于P1V1方向，/>对应于P1W1方向；对于MRI，以鼻尖点P2为原点建立坐标系P2-U2V2W2，MRI的X轴方向与P2U2一致，Y轴方向与P2V2一致，Z轴方向与P2W2一致；将两个坐标系进行配准，作为人脸与MRI的粗配准结果。
8.根据权利要求1或7所述的自动配准方法，其特征在于：以鼻尖点为球心，r为半径截取鼻子区域；由于已经完成粗配准，两个鼻子区域已经大致对齐，对两者采用ICP算法进行精配准获得转换矩阵T2。
CN202310503496.3A 2023-05-06 2023-05-06 一种serf原子磁强计与头部核磁共振影像的自动配准方法 Pending CN116630384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310503496.3A CN116630384A (zh) 2023-05-06 2023-05-06 一种serf原子磁强计与头部核磁共振影像的自动配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310503496.3A CN116630384A (zh) 2023-05-06 2023-05-06 一种serf原子磁强计与头部核磁共振影像的自动配准方法

Publications (1)

Publication Number Publication Date
CN116630384A true CN116630384A (zh) 2023-08-22

Family

ID=87637386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310503496.3A Pending CN116630384A (zh) 2023-05-06 2023-05-06 一种serf原子磁强计与头部核磁共振影像的自动配准方法

Country Status (1)

Country Link
CN (1) CN116630384A (zh)

Similar Documents

Publication Publication Date Title
Gerig et al. Analysis of brain white matter via fiber tract modeling
WO2020172783A1 (zh) 一种用于经颅磁刺激诊疗的人头姿态跟踪系统
EP3309749B1 (en) Registration of a magnetic tracking system with an imaging device
CN111289926B (zh) 一种脑磁测量头盔的设计和标定方法
CN103049901A (zh) 磁共振弥散张量成像纤维束追踪装置
CN109671505B (zh) 一种用于医学诊疗辅助的头部三维数据处理方法
CN105395196B (zh) Eeg或meg电极在脑mr图像中的定位装置和方法
WO2023197441A1 (zh) 一种基于空间标记点的opm阵列快速光学扫描定位方法
Freitas et al. Watershed-based segmentation of the midsagittal section of the corpus callosum in diffusion MRI
CN104523275A (zh) 一种健康人群白质纤维束图谱构建方法
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
CN115797293A (zh) 一种基于磁共振成像的脑影像基准点自动化标注方法
CN112669386A (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
Huang et al. MRI brain extraction with combined expectation maximization and geodesic active contours
CN116630384A (zh) 一种serf原子磁强计与头部核磁共振影像的自动配准方法
CN110751664B (zh) 一种基于超体素匹配的脑组织分割方法
Corouge et al. A statistical shape model of individual fiber tracts extracted from diffusion tensor MRI
Morris et al. Analysing growth in faces
Schwing et al. Reliable extraction of the mid-sagittal plane in 3D brain MRI via hierarchical landmark detection
CN115116113A (zh) 一种光学导航方法
Zagorchev et al. Patient-specific sensor registration for electrical source imaging using a deformable head model
CN114288560A (zh) 经颅磁刺激导航过程的三维配准方法、系统及计算机设备
Zou et al. Feature-based optimization analysis technology of precision casting machining allowance
CN116392132B (zh) 一种柔性脑磁头盔及其传感器阵列空间定位方法
Pang et al. Automatic Sensor Array Calibration and Coregistration for On-Scalp MEG

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