CN117218190A - 基于点云深度学习的刺激靶点定位系统及方法 - Google Patents
基于点云深度学习的刺激靶点定位系统及方法 Download PDFInfo
- Publication number
- CN117218190A CN117218190A CN202311068786.6A CN202311068786A CN117218190A CN 117218190 A CN117218190 A CN 117218190A CN 202311068786 A CN202311068786 A CN 202311068786A CN 117218190 A CN117218190 A CN 117218190A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- point cloud
- point
- individual
- stimulation target
- 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
- 230000000638 stimulation Effects 0.000 title claims abstract description 93
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013136 deep learning model Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 210000004761 scalp Anatomy 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 15
- 230000004807 localization Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 45
- 210000004556 brain Anatomy 0.000 description 16
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 210000003128 head Anatomy 0.000 description 5
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 5
- 230000001054 cortical effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 230000004007 neuromodulation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供了一种基于点云深度学习的刺激靶点定位系统及方法，包括被配置与采集设备相连的数据集制作模块，用于利用个体MRI图像以及个体点云数据构成数据集；设置在处理器上的深度学习模块，用于利用数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；靶点预测模块，用于利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点显示在对应的个体点云数据上。本发明节省了重复采集个体MRI核磁图像的过程，减轻了以往使用MRI核磁图像进行复杂的图像处理的过程，并且通过使用点云的深度学习进行预测，减轻了确定刺激靶点的复杂性。
Description
技术领域
本发明属于医学影像技术领域，具体涉及一种基于点云深度学习的刺激靶点定位系统及方法。
背景技术
经颅磁刺激(Transcranial Magnetic Stimulation，TMS)是一种非侵入性的神经调控技术，在TMS应用中，准确确定刺激靶点的位置是非常重要的，以确保刺激目标区域的准确性和有效性。
深度学习是一种机器学习方法，通过模拟人脑神经网络的工作方式来处理和分析大规模数据，使用神经网络结构来学习和提取数据中的特征，常用于图像识别、自然语言处理和预测等。使用深度学习的优势在于能够从原始数据中学习到复杂的特征表示。随着深度学习在各个领域的快速发展，引起众多学者对深度学习在医学图像领域的应用进行研究，对于医学图像的预测是深度学习在医学领域的一个重要研究方向。通过使用深度学习模型对医学图像进行分析和预测。基于深度学习的医学图像预测需要大规模、高质量的医学图像数据集，并且需要专业医生对图像进行准确的标注。
通过使用解剖学标记点进行定位，最初在TMS的临床研究中，使用头皮测量来定位TMS刺激靶点，这种方法依赖于头部解剖学上的特定标记点。这种方法相对简单，但个体存在着差异可能会精度较低。
还有通过佩戴10-20脑电定位帽，直接使用定位帽已经标记好的目标区域，此种方法的优点在于定位帽可以重复使用，但是由于每个人的头部大小和形态不同，使用标准10-20脑电定位帽存在着些许误差。
随着脑影像技术的发展，磁共振成像(Magnetic Resonance Imaging，MRI)在确定刺激靶点中发挥了重要作用，通过获取使用者的头部MRI核磁图像，可以准确地确定目标脑区的位置和结构，使用者的MRI核磁图像可以与标准核磁图像(ICBM152、Colin27等)和标准脑图谱图像(AAL模板、Brodmann模板等)进行配准，通过使用将标准脑图谱中的标准脑区图像配准至使用者的MRI核磁图像下，可以实现根据标准脑图谱模板进行刺激靶点的确定，但是由于标准脑图谱和个体大脑存在着差异，并且进行图像配准的过程需要更精准的配准算法，还需确定更精准的方法来实现TMS刺激靶点的确定。
由于功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)可以提供脑功能连接的信息，对任务态fMRI图像进行处理，可以得到相应任务态激活图；结合MRI核磁图像来构建使用者的大脑激活图，并标记该点坐标，从而确定经颅磁刺激靶点。使用fMRI来确定刺激靶点通常需要结合其他解剖或功能信息，以减小误差和确保定位的准确性，采集MRI图像以及fMRI图像的成本高，需要一种新的定位方法来减轻采集MRI图像以及fMRI图像的费用并且得到更为精准定位。
经颅磁刺激靶点确定的目的是确保刺激准确地应用于目标大脑区域，以实现所需的神经调控效果。在TMS过程中，对非目标区域的刺激可能导致意外的效应或不良反应，准确确定刺激靶点有助于避免刺激作用于非目标区域，从而降低不必要的干扰和副作用。目前，刺激靶点的定位通常使用10-20脑电定位系统，由于每个个体的大脑结构和大小都存在差异，可能无法完全匹配个体的解剖结构。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于点云深度学习的刺激靶点定位系统及方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于点云深度学习的刺激靶点定位系统包括：
被配置与采集设备相连的数据集制作模块，用于从采集设备获取多个个体MRI图像以及对应个体点云数据，并利用个体MRI图像以及个体点云数据构建数据集；
设置在处理器上的深度学习模块，用于利用数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；
被配置与采集设备与显示设备相连的靶点预测模块，用于利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点通过显示设备显示在对应的个体点云数据上。
本发明提供了一种基于点云深度学习的刺激靶点定位方法，利用基于点云深度学习的刺激靶点定位系统实现。
有益效果：
本发明提供了一种基于点云深度学习的刺激靶点定位系统及方法，包括被配置与采集设备相连的数据集制作模块，用于利用个体MRI图像以及个体点云数据构成数据集；设置在处理器上的深度学习模块，用于利用数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；靶点预测模块，用于利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点显示在对应的个体点云数据上。本发明节省了重复采集个体MRI核磁图像的过程，减轻了以往使用MRI核磁图像进行复杂的图像处理的过程，并且通过使用点云的深度学习进行预测，减轻了确定刺激靶点的复杂性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明提供的一种基于点云深度学习的刺激靶点定位系统运行的整体流程示意图；
图2是本发明提供的皮质映射算法的流程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
结合图1和图2，本发明提供了一种基于点云深度学习的刺激靶点定位系统，包括：
被配置与采集设备相连的数据集制作模块，用于从采集设备获取多个个体MRI图像以及对应个体点云数据，并利用个体MRI图像以及个体点云数据构建数据集；
设置在处理器上的深度学习模块，用于利用数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；
被配置与采集设备与显示设备相连的靶点预测模块，用于利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点通过显示设备显示在对应的个体点云数据上。
本发明提供了一种基于点云深度学习的刺激靶点定位系统，包括
被配置与采集设备相连的数据集制作模块，用于利用个体MRI图像以及个体点云数据构成数据集；设置在处理器上的深度学习模块，用于利用数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；靶点预测模块，用于利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点显示在对应的个体点云数据上。本发明节省了重复采集个体MRI核磁图像的过程，减轻了以往使用MRI核磁图像进行复杂的图像处理的过程，并且通过使用点云的深度学习进行预测，减轻了确定刺激靶点的复杂性。
在本发明一种具体的实施方式中，数据集制作模块，具体用于：
S110，从采集设备采集多个个体MRI图像以及点云数据；
本发明可以采集一定数量被试者的个体核磁图像，并且使用红外双目相机采取被试者的个体点云数据。为了方便后续处理需要将原始的MRI图像的DICOM文件转换为转化成NIfTI文件，便于进行对MRI核磁图像预处理。
S120，对每个个体MRI图像进行预处理得到预处理后的个体MRI图像，并将个体MRI图像保存为文件格式；
在采集MRI图像的过程中，由于成像设备中存在随机性干扰等因素，获取的MRI图像会受到噪声和失真的干扰，因此预处理可以去除干扰。
方便后续确定个体空间下的刺激靶点，需进行个体头模型重建。
S130，在预处理后的个体MRI图像中标记刺激靶点，并将刺激靶点的坐标形成点集保存为标签文件；
S140，将标记好的刺激靶点转换至个体的点云数据空间下，以将标签文件转换为点云数据得到标记刺激靶点的标签点云数据；
本发明通过使用个体核磁图像得到标记好的刺激靶点转换到采集的个体点云数据空间下，将刺激靶点标签文件转为点云数据。
S150，将个体的点云数据和标记刺激靶点的标签点云数据组成数据集。
本发明的数据集由个体点云数据和标记刺激靶点标签点云数据组成，其中数据集的格式为点云PLY文件。
作为本发明一种具体的实施方式，S120包括：
S121，使用中值滤波对每个个体MRI图像进行去噪，以去除个体MRI图像中的椒盐噪声；
本发明首先需要使用中值滤波，去除MRI图像中的椒盐噪声以增强图像效果，并且能够很好保留图像的边缘和细节，其次由于使用磁共振扫描的时候会导致灰度分布不均匀性，需要使用到偏置场矫正。
S122，在去除噪声的个体MRI图像中选择起始种子点，并利用等值面抽取算法并按照设定的抽取值从个体MRI图像抽取得到头皮文件；
S123，设置领域范围，并在起始种子点的领域范围内搜索具有相似像素的目标点；
S124，将搜索到的目标点连接得到目标区域，并将目标区域从个体MRI图像中分割出来得到目标区域图像；
目标区域图像即为灰质、白质、脑脊液三个部分的图像。
S125，利用三维重建算法对目标区域图像进行三维重建得到三维重建图像，并将三维重建图像确定为预处理后的个体MRI图像。
为方便后续确定个体空间下的刺激靶点，需进行个体头模型重建。首先，分割灰质、白质和脑脊液的过程使用区域生长算法来实现，其中区域生长算法包括孤立连接和置信连接。首先在个体核磁图像中选择起始种子点，也就是目标区域上的某点，并且种子点具有明显的特征；然后通过设置领域范围，在起始种子点的领域范围内搜索具有相似像素的点；最后将搜索到的点进行连接，最终将目标区域分割出来。其次，分割头皮以及颅骨的过程使用等值面抽取算法来实现，通过设置特定的抽取值，对输入的个体核磁图像进行抽取，将图像中等于抽取值的部分抽取保留，得到相对应的头皮以及颅骨的图像。最后，对上述分割后得到的图像分别进行三维重建算法，获得三维重建图像，由于三维重建图像表面不光滑，在此过程中使用拉普拉斯平滑算法进行网格平滑，可以得到平滑后的图像。其中可以设置平滑迭代次数和松弛因子，其中迭代次数越大平滑效果越好，但迭代过多会导致部分细节丢失。此时完成个体核磁图像的预处理。
作为本发明一种具体的实施方式，S130包括：
S131，通过个体MRI图像和标准MRI图像的配准得到配准矩阵，并使用配准矩阵将标准MRI图像的坐标从MNI空间下坐标转至个体空间下，得到标准MRI图像转换至个体空间下的坐标；其中，标准MRI图像携带多个给定点；
目前，大部分常用的公开数据和文献的皮质上激活区域以及标准脑图谱模板都在标准空间(MNI)下，需要将MNI空间下的坐标转化为个体空间：通过个体核磁图像和标准核磁图像的配准，得到配准矩阵，使用配准矩阵将MNI空间下坐标转为个体空间下。
S132，通过读取头皮文件以将头皮文件转化为头皮点云数据，并使用皮质映射算法将给定点映射至头皮上以确定头皮点云数据上的表面点；
通过将个体空间下的激活区域和皮层刺激区域进行映射算法，得到头皮上的点坐标，从而确定个体核磁图像的刺激靶点。
通过采用标准脑图谱(AAL模板、Brodmann模板、中科院自动化研究所脑网络组图谱等)的激活区域、心脑耦合和胃脑耦合激活区域、以及常用的靶点坐标(10-20系统)等作为经颅磁刺激靶点。对所有的个体核磁图像标记刺激靶点，并将这些靶点坐标形成点集保存为球形NIfTI文件。
S133，将头皮点云数据上的表面点确定为个体MRI图像的刺激靶点。
作为本发明一种具体的实施方式，S132包括：
S1321，通过读取头皮文件以将头皮文件转化为头皮点云数据；
S1322，使用点云凸包算法查找头皮点云数据的表面点；
S1323，使用最近邻搜索算法搜索与给定点最近的表面点；
S1324，将最近的表面点确定为个体MRI图像的刺激靶点。
作为本发明一种具体的实施方式，S1323包括：
S13231，设置搜索给定点的搜索范围，并按照搜索范围搜索给定点的K个最邻近点；
S13232，通过计算距离平均值的方式确定K个最邻近点的中心点，并中心点作为映射点；
S13233，计算给定点到到映射点的距离，将距离最近的映射点确定为与给定点最近的表面点。
参考图2，使用最近邻搜索算法对给定点(即已知的皮层点)进行搜索，从而确定刺激靶点的具体步骤如下：
(a)通过设置搜索范围，来确定搜索给定点的K个最邻近点，计算K个最邻近点的平均值作为搜索得到的最终结果(即映射点)，并且计算给定点到映射点的距离；
(b)定义结构体来保存搜索结果，包括每个搜索范围的K值、映射点坐标、距离；
(c)遍历所有搜索范围的搜索结果，找到具有最优距离的搜索结果；
(d)输出最优搜索结果。
作为本发明一种具体的实施方式，深度学习模块，具体用于：
使用基于Unet改进的网络来作为深度学习模型架构，以构建深度学习模型；其中，改进的网络结构使用注意力机制；
利用数据集深度学习模型进行迭代训练得到每次迭代训练后的深度学习模型，在每次迭代训练过程中通过RAdam来优化深度学习模型的参数，使用交叉熵损失函数作为损失函数以衡量模型在训练过程中输出的预测刺激靶点结果与真实刺激靶点标签之间的差异；
将数据集中的一部分数据样本作为测试集；
利用测试集对每次迭代训练后的深度学习模型评估，得到评估结果；
选择评估结果最优的深度学习模型。
本发明的深度学习模块的实施过程主要分为三部分：
(1)构建深度学习模型：使用基于Unet改进的网络来作为深度学习模型架构，进行图像融合提高预测的准确率。改进的网络结构使用到注意力机制(Attention Mechanism)，注意力机制可以使深度学习模型更加关注于点云数据中最相关的区域或特征，提高预测性能。同时，将原始Unet网络的每一层卷积加上一层残差连接的残差卷积层(ResidualBlock)，用于提高网络的训练和收敛效果。
(2)模型训练：使用标注刺激靶点的个体核磁图像数据集来训练深度学习模型。通过RAdam来优化模型参数以提供更好的收敛性能和泛化能力，使用交叉熵损失函数(CrossEntropy Loss)作为损失函数可以衡量模型在训练过程中输出的预测刺激靶点结果与真实刺激靶点标签之间的差异，设置学习率来使模型快速收敛并获得较好的性能。
(3)模型测试评估：使用一部分数据集作为独立的测试数据集用来评估训练好的深度学习模型的性能，使用评估指标来评估模型在刺激靶点预测上的准确性，比如使用IOU(Intersection over Union)用于计算对刺激靶点预测中模型预测和真实标注之间重叠程度的评估指标，其中计算公式(IOU＝Intersection/Union)中，Intersection指的是预测结果和真实结果交集部分的面积，Union是指预测结果和真实结果并集部分的面积，得到最优训练结果的模型。
作为本发明一种具体的实施方式，靶点预测模块，具体用于：
使用红外双目相机和定位工具来采集当前点云数据；
将当前点云数据输入到最优的深度学习模型中，利用最优的深度学习模型输出预测当前点云数据的刺激靶点；
将预测出的刺激靶点确定为真实定位出的刺激靶点，并将定位出的刺激靶点通过显示设备显示在对应的个体点云数据上。
本发明使用红外双目相机和定位工具来采集使用者的点云数据，使用最优训练的深度学习模型对使用者的点云数据进行预测：将使用者的点云数据输入到深度学习模型中，结果是将输出使用者的预测刺激靶点图像。最终得到使用者的刺激靶点，导入到导航系统中实现精准定位。
本发明提供了一种基于深度学习的刺激靶点定位方法，利用基于点云深度学习的刺激靶点定位系统实现。
本发明提供了一种基于深度学习的刺激靶点定位方法，利用个体MRI图像构建数据集；利用数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点显示在对应的个体点云数据上。本发明节省了重复采集个体MRI核磁图像的过程，减轻了以往使用MRI核磁图像进行复杂的图像处理的过程，并且通过使用深度学习进行预测，减轻了确定刺激靶点的复杂性。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于点云深度学习的刺激靶点定位系统，其特征在于，包括：
被配置与采集设备相连的数据集制作模块，用于从所述采集设备获取多个个体MRI图像以及对应个体点云数据，并利用所述个体MRI图像以及所述个体点云数据构建数据集；
设置在处理器上的深度学习模块，用于利用所述数据集对预先构建好的深度学习模型进行训练以及评估，得到评估最优的深度学习模型；
被配置与所述采集设备与显示设备相连的靶点预测模块，用于利用评估最优的深度学习模型对从采集设备采集的当前点云数据进行预测，定位出刺激靶点，并将定位出的刺激靶点通过所述显示设备显示在对应的个体点云数据上。
2.根据权利要求1所述的基于点云深度学习的刺激靶点定位系统，其特征在于，所述数据集制作模块，具体用于：
S110，从所述采集设备采集多个个体MRI图像以及点云数据；
S120，对每个个体MRI图像进行预处理得到预处理后的个体MRI图像，并将所述个体MRI图像保存为文件格式；
S130，在预处理后的个体MRI图像中标记刺激靶点，并将所述刺激靶点的坐标形成点集保存为标签文件；
S140，将标记好的刺激靶点转换至个体的点云数据空间下，以将所述标签文件转换为点云数据得到标记刺激靶点的标签点云数据；
S150，将个体的点云数据和标记刺激靶点的标签点云数据组成数据集。
3.根据权利要求2所述的基于点云深度学习的刺激靶点定位系统，其特征在于，S120包括：
S121，使用中值滤波对每个个体MRI图像进行去噪，以去除个体MRI图像中的椒盐噪声；
S122，在去除噪声的个体MRI图像中选择起始种子点，并利用等值面抽取算法并按照设定的抽取值从所述个体MRI图像抽取得到头皮文件；
S123，设置领域范围，并在所述起始种子点的领域范围内搜索具有相似像素的目标点；
S124，将搜索到的目标点连接得到目标区域，并将目标区域从所述个体MRI图像中分割出来得到目标区域图像；
S125，利用三维重建算法对所述目标区域图像进行三维重建得到三维重建图像，并将三维重建图像确定为预处理后的个体MRI图像。
4.根据权利要求2所述的基于点云深度学习的刺激靶点定位系统，其特征在于，S130包括：
S131，通过个体MRI图像和标准MRI图像的配准得到配准矩阵，并使用配准矩阵将标准MRI图像的坐标从MNI空间下坐标转至个体空间下，得到标准MRI图像转换至个体空间下的坐标；其中，所述标准MRI图像携带多个给定点；
S132，通过读取头皮文件以将头皮文件转化为头皮点云数据，并使用皮质映射算法将给定点映射至头皮上以确定头皮点云数据上的表面点；
S133，将头皮点云数据上的表面点确定为个体MRI图像的刺激靶点。
5.根据权利要求4所述的基于点云深度学习的刺激靶点定位系统，其特征在于，S132包括：
S1321，通过读取头皮文件以将头皮文件转化为头皮点云数据；
S1322，使用点云凸包算法查找所述头皮点云数据的表面点；
S1323，使用最近邻搜索算法搜索与给定点最近的表面点；
S1324，将最近的表面点确定为个体MRI图像的刺激靶点。
6.根据权利要求5所述的基于点云深度学习的刺激靶点定位系统，其特征在于，S1323包括：
S13231，设置搜索给定点的搜索范围，并按照所述搜索范围搜索给定点的K个最邻近点；
S13232，通过计算距离平均值的方式确定K个最邻近点的中心点，并中心点作为映射点；
S13233，计算给定点到到映射点的距离，将距离最近的映射点确定为与给定点最近的表面点。
7.根据权利要求1所述的基于点云深度学习的刺激靶点定位系统，其特征在于，所述深度学习模块，具体用于：
使用基于Unet改进的网络来作为深度学习模型架构，以构建深度学习模型；其中，改进的网络结构使用注意力机制；
利用所述数据集所述深度学习模型进行迭代训练得到每次迭代训练后的深度学习模型，在每次迭代训练过程中通过RAdam来优化所述深度学习模型的参数，使用交叉熵损失函数作为损失函数以衡量模型在训练过程中输出的预测刺激靶点结果与真实刺激靶点标签之间的差异；
将所述数据集中的一部分数据样本作为测试集；
利用所述测试集对每次迭代训练后的深度学习模型评估，得到评估结果；
选择评估结果最优的深度学习模型。
8.根据权利要求7所述的基于点云深度学习的刺激靶点定位系统，其特征在于，所述评估结果为预测的刺激靶点和真实标注的刺激靶点之间重叠程度。
9.根据权利要求1所述的基于点云深度学习的刺激靶点定位系统，其特征在于，所述靶点预测模块，具体用于：
使用红外双目相机和定位工具来采集当前点云数据；
将所述当前点云数据输入到最优的深度学习模型中，利用所述最优的深度学习模型输出预测所述当前点云数据的刺激靶点；
将预测出的刺激靶点确定为真实定位出的刺激靶点，并将定位出的刺激靶点通过所述显示设备显示在对应的个体点云数据上。
10.一种基于点云深度学习的刺激靶点定位方法，其特征在于，利用权利要求1至9任一项所述的基于点云深度学习的刺激靶点定位系统实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311068786.6A CN117218190A (zh) | 2023-08-23 | 2023-08-23 | 基于点云深度学习的刺激靶点定位系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311068786.6A CN117218190A (zh) | 2023-08-23 | 2023-08-23 | 基于点云深度学习的刺激靶点定位系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218190A true CN117218190A (zh) | 2023-12-12 |
Family
ID=89043370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311068786.6A Pending CN117218190A (zh) | 2023-08-23 | 2023-08-23 | 基于点云深度学习的刺激靶点定位系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218190A (zh) |
-
2023
- 2023-08-23 CN CN202311068786.6A patent/CN117218190A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110338844B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| CN110163897B (zh) | 一种基于合成超声图像的多模态图像配准方法 | |
| US11430140B2 (en) | Medical image generation, localizaton, registration system | |
| Shen et al. | Very high-resolution morphometry using mass-preserving deformations and HAMMER elastic registration | |
| Grimson et al. | Utilizing segmented MRI data in image-guided surgery | |
| EP2919194B1 (en) | Image data processing device and transcranial magnetic stimulation apparatus | |
| CN111862249A (zh) | 使用深度学习生成用于医学图像处理的规范成像数据的系统和方法 | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| CN111539956B (zh) | 基于脑部辅助图像的脑出血自动检测方法及电子介质 | |
| JP6630455B2 (ja) | 非対称性削減方法 | |
| Liu et al. | Patch-based augmentation of Expectation–Maximization for brain MRI tissue segmentation at arbitrary age after premature birth | |
| Wu et al. | A supervoxel classification based method for multi-organ segmentation from abdominal ct images | |
| CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
| Qiu et al. | Combining anatomical manifold information via diffeomorphic metric mappings for studying cortical thinning of the cingulate gyrus in schizophrenia | |
| Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
| CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 | |
| CN110751664B (zh) | 一种基于超体素匹配的脑组织分割方法 | |
| Droste et al. | Discovering salient anatomical landmarks by predicting human gaze | |
| CN116152235A (zh) | 一种肺癌ct到pet的医学图像跨模态合成方法 | |
| CN117218190A (zh) | 基于点云深度学习的刺激靶点定位系统及方法 | |
| EP3766043A1 (en) | Method, system and computer program for determining position and/or orientation parameters of an anatomical structure | |
| CN111166373B (zh) | 一种定位注册方法、装置和系统 | |
| Yuan et al. | A 2.5 D Coarse-to-Fine Framework for 3D Cardiac CT View Planning | |
| JP6738003B1 (ja) | Ｍｒｉ画像に基づく解剖学的部位の抽出装置，方法，プログラム | |
| Du et al. | Brain Tissue Data Registration based on Context Demons Method |
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 |