CN117814907A - 一种深部脑刺激路径规划新方法 - Google Patents
一种深部脑刺激路径规划新方法 Download PDFInfo
- Publication number
- CN117814907A CN117814907A CN202410196602.2A CN202410196602A CN117814907A CN 117814907 A CN117814907 A CN 117814907A CN 202410196602 A CN202410196602 A CN 202410196602A CN 117814907 A CN117814907 A CN 117814907A
- Authority
- CN
- China
- Prior art keywords
- representing
- planning
- coordinate system
- skull
- point
- 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 113
- 210000004556 brain Anatomy 0.000 title claims abstract description 68
- 230000000638 stimulation Effects 0.000 title claims abstract description 32
- 238000002513 implantation Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 210000000463 red nucleus Anatomy 0.000 claims abstract description 8
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 7
- 210000003625 skull Anatomy 0.000 claims description 43
- 210000004281 subthalamic nucleus Anatomy 0.000 claims description 32
- 238000003780 insertion Methods 0.000 claims description 29
- 230000037431 insertion Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 230000002490 cerebral effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 7
- 230000002980 postoperative effect Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 239000007943 implant Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001225 therapeutic effect Effects 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 claims description 6
- 210000003484 anatomy Anatomy 0.000 claims description 4
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001054 cortical effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004904 shortening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 2
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 2
- 208000027089 Parkinsonian disease Diseases 0.000 description 2
- 206010034010 Parkinsonism Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种深部脑刺激路径规划新方法，包括获取原始医疗数据，并划分训练数据集和测试数据集；针对划分的数据集进行数据处理；基于数据驱动模型，获取相关结构的定位结果，并通过定位结果完成关键脑组织定位；采用基于层次包围盒的符号距离场计算算法，确定大脑关键位置结构；构建电极“安全植入通道”坐标系；采用构建的坐标系，确定最优电极植入轨迹，完成深部脑刺激路径的规划；本发明通过引入一种基于深度学习的定位方法，实现了DBS手术中的关键脑区结构精准识别；通过采用nnDetection，同时实现对STN和红核的分割以及脑区危及组织的精准检测任务；本发明方法的定位精确性提高、消耗时间缩短、效果提升。
Description
技术领域
本发明属于医学图像处理及应用技术领域，具体涉及一种深部脑刺激路径规划新方法。
背景技术
深部脑刺激(DBS)是一种里程碑式新技术，通过在大脑中植入细微电极发射电脉冲刺激特定核团，从而获取大脑神经活动的异常情况和数据，并进行调控处理；深部脑刺激在实验室研究和临床上均具有重要的意义。
深部脑刺激需要在大脑中植入电极，通过电极发射电脉冲刺激特定核团，电极路径隐藏于复杂的大脑结构中，进行植入时需要有效避开脑血管和大脑关键结构；因此，需要针对电极的植入路径进行规划，否则植入过程存在极大的风险性。
传统DBS路径规划主要在包括融合CT、MRI的多模态影像上进行手动规划，然而二维图像无法提供充足的深度信息，在这种方式下，容易导致靶点判断不准确并难以找到最合适的穿刺路径；在三维图形上进行手术规划能够提供更全面的信息，然而依靠医生手动分割并寻找最优植入路径的方式，耗费大量的时间和精力。
近些年来，已有一些算法支持STN-DBS术前规划，这些系统能够提供更好的2D或者3D可视化结果，为减少医生工作量并保障精准手术规划，提供了一个有前景的方向。
实现准确的STN-DBS手术路径规划包括两个主要步骤：首先，确定一个最优的刺激目标，以缓解患者的症状；其次，寻找理想的植入路径，有效地避开脑血管和大脑关键结构，必须在多重约束的情况下进行。
在关键脑组织定位方面，这些解剖结构的信息能够帮助医生进行精准的STN靶点定位，并明确穿刺过程中必须避开的组织如脑沟、脑室的位置；然而，由于STN体积小且位于患者大脑深部，单纯依靠术前MRI或CT图像，难以人工精确定位目标。
目前，研究者们提出了多种定位STN目标的方法，分为直接定位方法和间接定位方法：传统的间接靶向方法利用连接前连合(AC)和后连合(PC)的线的中点来帮助定位STN目标；在这些方法中，研究人员经常寻求自动识别AC和PC以提高瞄准精度，并且也采用基于Atlases的配准模式。相比之下，直接靶向涉及使用MRI技术来协助神经外科医生提取形态学特征以精确定位目标点；随后，采用图像处理方法对目标区域进行直接可视化；然而，这些目标定位方法通常在STN边界不明确的情况下采用，可能导致目标定位不准确；这种不准确的结果在临床应用中是不可接受的，因为它们会增加术中颅内出血的风险，导致术后治疗效果差。
因此，为实现STN-DBS手术电极精准植入，迫切需要清晰的靶区边界；利用医学影像分割技术，医生能够更好地获取STN靶区的形态学信息；在临床应用中利用STN和红核能够协助医生进行STN内部的最优靶点定位。最近，基于深度学习作为医学图像分割的主要方法的数据驱动方法大大减轻了神经外科医生的工作量；基于UNet的模型采用编码器-解码器架构，在计算机视觉和分割任务的精度上有了很大的提高；对于微小核分割，分别使用注意门(AG)和循环残差U-Net提取显著特征和低维特征；此外，Transformer为提取全局特征提供了一种可靠的方法。Park等人提出了一种用于STN分割的全卷积神经网络；Liu等人提出HA-UNet实现STN和Red核的分割，辅助目标定位；然而，脑沟和脑回广泛分布于整个脑表面，脑沟的几何特征不具有显著性，且其分布在个体患者之间存在差异；因此，上述方法在分割脑回和脑沟方面面临挑战。另一方面，一旦确定了刺激点，临床外科医生必须将电极引导到最终位置，同时避免在进行手术时刺穿脑沟和脑室等危险结构。当到达实质表面时，电极只能从脑回经过；值得注意的是，术中外科医生只需要确定脑沟或脑室的位置，避免刺穿它们，这意味着检测这些结构的位置就足够了，而不需要详细的纹理信息；在这种情况下，nnUNet和nnDetection已经在各种场景中展示了它们的高性能，例如，目标检测和分割，为精确定位STN目标和处于危险中的大脑关键结构提供了潜力。
在STN-DBS的术前路径规划中，另一个关键阶段是建立从颅骨进入部位到刺激目标的最佳电极插入轨迹，同时避免刺穿危险的关键结构。规划结果对于预防术中颅内出血和减轻患者术后并发症至关重要，许多轨迹规划方法已经开发用于PD治疗：Essert等人引入了一组几何约束来绘制DBS规划的插入路径；Dergachyova等人采用了一种新的刺激点来实现他们的算法；Bai等人提出了一个术前路径规划管道，并将规划结果与临床医生的电极植入轨迹进行了比较；姚等人利用随机森林算法将术中微电极记录(MER)与术前MRI相关联，然后利用MER与MRI的相关性偏离电极轨迹；尽管如此，临床医生通常依靠AC-PC线中点来决定电极植入路径；由于所建立的图形坐标系与临床规划坐标系不一致，阻碍了这些方法的实际应用。
另一方面，柔性针作为一种适应性更强的植入方式，近年来开始受到关注。Segato等人提出了一种将规划框架与用户交互无缝结合的逆强化学习术前路径规划方法，他们在人脑数据集上进行的模拟显示了STN-DBS手术的临床应用潜力；Zhao等人提出了一种综合模型，模型结合了针头缺损建模、插入角度校正和轨迹优化，以用于多层组织的术前规划；许多研究者也致力于软组织变形针植入，努力寻找合适的路径，这些植入方式使得针在经验通道内存在更多的合适通路，为未来STN-DBS手术路径规划的发展提供了一个思路；然而，由于非刚性的特点，这些方法的术前路径规划需要耗费大量的时间来计算合适的植入路径，此外，医生在操作过程中需要非常细心地对电极进行引导，这严重延长了临床手术的时间。
综上所述，当前实现STN-DBS手术路径规划的大多数方法存在定位精确性不够、路径规划消耗时间较长的问题。
发明内容
本发明的目的在于提供一种定位精确性提高、路径规划时间缩短的深部脑刺激路径规划新方法。
本发明提供的这种深部脑刺激路径规划新方法，包括如下步骤：
S1.获取原始医疗数据，并划分训练数据集和测试数据集；
S2.针对步骤S1划分的数据集进行数据处理；
S3.采用步骤S2处理后的数据集，基于数据驱动模型，获取相关结构的定位结果，并通过定位结果完成关键脑组织定位；
S4.采用基于层次包围盒的符号距离场计算算法，确定大脑关键位置结构；
S5.采用步骤S4确定的关键位置结构，构建电极“安全植入通道”坐标系；
S6.采用步骤S5构建的坐标系，确定最优电极植入轨迹，完成深部脑刺激路径的规划；
步骤S1所述的获取原始医疗数据，并划分训练数据集和测试数据集，具体包括：
获取所有诊断和治疗数据集；
原始医疗数据包括术前3T磁共振成像(Magnetic resonance imaging，MRI)扫描(t1加权和t2加权)，术前电子计算机断层扫描(Computed Tomography，CT)和术后回顾性CT图像；同时，在每张MRI切片上手动标记脑回、脑沟、脑室、丘脑底核(STN)和红核的基底真值；
按照设定个数，从获取的原始医疗数据中随机抽取样本，作为训练数据集，选择剩余样本作为测试数据集；
步骤S2所述的针对步骤S1划分的数据集进行数据处理，具体包括：
针对训练数据集进行五折交叉验证，通过五折交叉验证在测试数据集上验证模型和分割结果；
通过在测试数据集上取结果的平均值，评估方法的性能；
步骤S3所述的采用步骤S2处理后的数据集，基于数据驱动模型，获取相关结构的定位结果，并通过定位结果完成关键脑组织定位，具体包括：
在预处理阶段，手动勾画关键的大脑结构，将基底裂缝至凸起区域交界处的部分标记为皮质层内的脑沟，将剩余部分标记为脑回；根据脑室、STN和红核的轮廓划定基础真值标签；利用检测分支确定脑沟、脑回和脑室的位置；利用nnDetection模型的分割分支得到STN和红核的分割结果；利用STN和红核边界半自动地定位STN内的最优刺激点；将脑沟、脑回和脑室的检测结果将作为STN-DBS植入路径规划的约束条件；
步骤S4所述的采用基于层次包围盒的符号距离场计算算法，确定大脑关键位置结构，具体包括：
采用下述公式表示给定的一个初始三角形输入网格：
其中，F(ξ)表示带符号距离函数；ξ表示任意一个三角形网络；inf||·||表示无符号距离场；ξ*表示三角形网络ξ的近似值；表示三维空间域，/>h(ξ)表示近似函数，计算公式如下所示：
其中，h(ξ)＝-1，表示网格上的点位于内部；
通过F(ξ)的计算公式，推算得到三角形网格每个点在场上的符号距离场(SDF)值，并将得到的值保存到对应的3D映射图中；
按照设定的比例整合每个结构的位置：选择患者颅骨的实际尺寸作为最终融合图，所有其他结构的SDF值根据选择的头骨的比例，按照比例生成；将所有值合并到头骨的SDF图中；选择Ffu表示各个部分融合后的SDF；Fsk表示患者颅骨的SDF；Fsu表示脑沟的SDF；Fgy表示脑回的SDF；FSTN表示STN的SDF；
步骤S5所述的采用步骤S4确定的关键位置结构，构建电极“安全植入通道”坐标系，具体包括：
针对CT坐标系进行转换，使得转换后的坐标系对齐临床坐标系：在CT坐标系中给定一个固定点，在临床规划坐标系中找到对应点的位置；通过计算固定点的旋转矩阵和位移矩阵/>得到最终转换结果；
选择CT坐标系中的任意一点，通过相同的旋转平移矩阵，计算对应点在临床计划坐标系上的位置，计算公式如下所示：
其中，CoorClinical表示任意一点在临床坐标系中的位置；CoorCT表示对应点在CT坐标系中的对应位置；
针对获得的三维点在CT和临床规划坐标系中的位置进行标注，选择前连合后缘中点(anterior commissure，AC)-后连合前缘中点(posterior commissure，PC)线的中点；
以选择的AC-PC线的中点为原点建立坐标系；
步骤S6所述的采用步骤S5构建的坐标系，确定最优电极植入轨迹，完成深部脑刺激路径的规划，具体包括：
将电极植入任务转换为求解能量函数Etotal的能量优化问题，并采用下述公式进行描述：
Etotal＝Ehard+Esoft1+Esoft2+Esoft3
其中，Ehard表示硬约束；Esoft1表示软约束1；Esoft2表示软约束2；Esoft3表示软约束3；
通过硬约束和软约束，安全地将电极从颅骨上的插入点Pins刺穿到STN的目标点Ptar；
采用下述公式表示插入路径集：
其中，Pathi表示插入路径集，是第i个目标点Ptari到第i个插入点Pinsi的路径；i＝1,L,N，N表示“安全植入通道”坐标系内的潜在路径总数；
能量函数的能量优化问题的第一步是确定不能刺穿的具体解剖结构，包括脑血管和脑室；
如果硬约束满足条件：既不刺穿脑沟，也不刺穿脑室，那么：Ehard＝0；
如果脑沟或者脑室中的任意一个被刺穿，那么：Ehard＝∞；
1)计算软约束1：
采用下述公式计算软约束1Esoft1：
其中，Dist(·)表示两点之间的距离；p表示插入路径；q表示目标点；pk表示Path条路径上的离散点；ok表示最近障碍物上的最近点；n表示离散点总数；
通过Esoft1约束插入路径在设定范围内与关键结构保持距离；
2)计算软约束2：
通过最小化计划入口点和相关平面法线方向之间的角度，增加植入电极和STN区域之间的接触面积；
采用下述公式计算软约束2Esoft2：
Esoft2＝(1-cosθskull)+(1-cosθgyri)
其中，cosθskull表示规划轨迹与颅骨法线方向的夹角；cosθgyri表示规划轨迹与脑回法线方向的夹角；
3)计算软约束3：
在设定的范围内建立电极植入长度的限制；
计算头骨和目标的最近距离Lo；
采用下述公式计算软约束3Esoft3：
其中，Dis tance(Ptar,Pins)表示靶点和入颅点之间的距离；Dmin表示植入电极允许的最小长度；Dmax表示植入电极允许的最大长度；
通过基于多重医学条件约束的电极植入路径优化算法，在满足上述全部约束条件的所有候选入口中确定最小能量函数Etotal对应的入口点，同时将确定的最小入口点作为最优插入点；
4)最优电极植入轨迹规划过程：
采用基于多重医学条件约束的电极植入路径优化算法，描述最优电极植入轨迹规划过程，具体包括：
输入：颅骨的3D模型Mskull；脑回的3D模型Mgyri；避障组织的3D模型Mobs；STN上的靶点位置ptar；
输出：最优电极植入方向位于患者颅骨上的入颅点位置pins；
(1)初始化处理：
初始化轴向平面上的方向D0；靶点至患者颅骨垂直方向上的入针点的距离
(2)总能量计算：
通过ptar、Mskull、Mgyri、Mobs，计算总能量Etotal；
采用D0计算Dtemp，计算公式如下所示：
Dtemp＝D0
当迭代次数interaction小于最大迭代次数maximum时，利用ptar、Mskull、Mgyri、Mobs替代在软约束条件公式Esoft1、Esoft2、Esoft3中对应的位置；采用下述公式计算Etemp：
Etemp＝Ehard+Esoft1+Esoft2+Esoft3
当Etemp＜Etotal时，选择当前的Dtemp替换最优电极植入方向D、选择通过得到的Etemp替换总能量Etotal；
当Etemp≥Etotal时，保持Etotal不变，继续迭代；直至当Etemp不再变小，或者迭代次数interaction达到最大迭代次数maximum时，结束迭代；
(3)更新处理：
更新靶点至颅骨之间的最优距离植入方向D。
本发明提供的这种深部脑刺激路径规划新方法，通过引入一种基于深度学习的定位方法，实现了DBS手术中的关键脑区结构精准识别；通过采用分割网络结构，同时实现对STN和红核的分割以及脑区危及组织的精准检测任务；构建一个经验通道坐标系，使得规划结果能够直接在临床上进行应用，为外科医生进行植入手术提供更有效和安全的方法支撑；通过建立临床经验坐标系，将专家共识下的电极植入范围直接作为约束条件应用到算法中，减少最优植入路径的计算时间，使得算法在时间效率上具有优越性；本发明方法的定位精确性提高、消耗时间缩短、效果提升。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的方法实施流程示意图。
图3为本发明方法中的电极“安全植入通道”坐标系的构建及CT与临床坐标系的转换示意图。
图4为本发明方法中通过三种不同方法得到的电极植入路径在临床DBS手术规划系统下的比较结果示意图。
图5为本发明方法中选择的三种不同方法应用于临床用药计划系统的比较结果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图、如图2为本发明方法的方法实施流程示意图：本发明提供的这种深部脑刺激路径规划新方法，包括如下步骤：
S1.获取原始医疗数据，并划分训练数据集和测试数据集；具体包括：
获取所有诊断和治疗数据集；
本发明方法中选择获取帕金森病患者的所有诊断和治疗数据集；
原始医疗数据包括术前3T磁共振成像(Magnetic resonance imaging，MRI)扫描(t1加权和t2加权)，术前电子计算机断层扫描(Computed Tomography，CT)和术后回顾性CT图像；同时，在每张MRI切片上手动标记脑回、脑沟、脑室、丘脑底核(STN)和红核的基底真值；
按照设定个数，从获取的原始医疗数据中随机抽取样本，作为训练数据集，选择剩余样本作为测试数据集；
在本发明方法中，一共收集100例帕金森病患者的所有诊断和治疗数据集，患者的年龄包括23～76岁，平均病程为7.18岁；同时，聘请具有5年以上经验的神经外科医生在每张MRI切片上手动标记脑回、脑沟、脑室、STN和红核的基底真值；
随机抽取80个样本组成训练数据集，其余样本组成测试数据集；
S2.针对步骤S1划分的数据集进行数据处理；具体包括：
针对训练数据集进行五折交叉验证，通过五折交叉验证，在测试数据集上验证模型和分割结果；
通过在测试集上取结果的平均值，评估方法的性能；
在本发明方法中，选择8例有治疗结果的患者，每位患者均经历完整手术过程并预后良好；所有患者均双侧植入DBS电极，检查时间为2023年3月至2023年6月；所有患者均符合英国帕金森病协会脑库特发性帕金森病的标准；男女比例为1∶1，平均年龄64.25岁，平均病程8.0年；
S3.采用步骤S2处理后的数据集，基于数据驱动模型，获取相关结构的定位结果，并通过定位结果完成关键脑组织定位；具体包括：
通过使得插入电极与STN靶区的接触面积最大化，帮助患者获得最有利的治疗效果；
在预处理阶段，手动勾画关键的大脑结构，将基底裂缝至凸起区域交界处的部分标记为皮质层内的脑沟，将剩余部分标记为脑回；根据脑室、STN和红核的轮廓划定基础真值标签；利用检测分支确定脑沟、脑回和脑室的位置；利用nnDetection模型的分割分支得到STN和红核的分割结果；利用STN和红核边界半自动地定位STN内的最优刺激点；将脑沟、脑回和脑室的检测结果将作为STN-DBS植入路径规划的约束条件；
S4.采用基于层次包围盒的符号距离场计算算法，确定大脑关键位置结构；具体包括：
采用下述公式表示给定的一个初始三角形输入网格：
其中，F(ξ)表示带符号距离函数；ξ表示任意一个三角形网络；inf||·||表示无符号距离场；ξ*表示三角形网络ξ的近似值；表示三维空间域，/>h(ξ)表示近似函数，计算公式如下所示：
其中，h(ξ)＝-1，表示网格上的点位于内部；
通过F(ξ)的计算公式，推算得到三角形网格每个点在场上的符号距离场(SDF)值，并将得到的值保存到对应的3D映射图中；
按照设定的比例整合每个结构的位置：选择患者颅骨的实际尺寸作为最终融合图，所有其他结构的SDF值根据选择的头骨的比例，按照比例生成；将所有值合并到头骨的SDF图中；选择Ffu表示各个部分融合后的SDF；Fsk表示患者颅骨的SDF；Fsu表示脑沟的SDF；Fgy表示脑回的SDF；FSTN表示STN的SDF；
S5.采用步骤S4确定的关键位置结构，构建电极“安全植入通道”坐标系；具体包括：
如图3所示为本发明方法中的电极“安全植入通道”坐标系的构建及CT与临床坐标系的转换示意图：
针对CT坐标系进行转换，使得转换后的坐标系对齐临床坐标系：在CT坐标系中给定一个固定点，在临床规划坐标系中找到对应点的位置；通过计算固定点的旋转矩阵和位移矩阵/>得到最终转换结果；
选择CT坐标系中的任意一点，通过相同的旋转平移矩阵，计算对应点在临床计划坐标系上的位置，计算公式如下所示：
其中，CoorClinical表示任意一点在临床坐标系中的位置；CoorCT表示对应点在CT坐标系中的对应位置；
针对获得的三维点在CT和临床规划坐标系中的位置进行标注，选择前连合后缘中点(anterior commissure，AC)-后连合前缘中点(posterior commissure，PC)线的中点；
以选择的AC-PC线的中点为原点建立坐标系；
S6.采用步骤S5构建的坐标系，确定最优电极植入轨迹，完成深部脑刺激路径的规划；具体包括：
将电极植入任务转换为求解能量函数Etotal的能量优化问题，并采用下述公式进行描述：
Etotal＝Ehard+Esoft1+Esoft2+Esoft3
其中，Ehard表示硬约束；Esoft1表示软约束1；Esoft2表示软约束2；Esoft3表示软约束3；
通过硬约束和软约束，安全地将电极从颅骨上的插入点Pins刺穿到STN的目标点Ptar；
采用下述公式表示插入路径集：
其中，Pathi表示插入路径集，是第i个目标点Ptari到第i个插入点Pinsi的路径；i＝1,L,N，N表示“安全植入通道”坐标系内的潜在路径总数；
能量函数的能量优化问题的第一步是确定不能刺穿的具体解剖结构，包括脑血管和脑室；
如果硬约束满足条件：既不刺穿脑沟，也不刺穿脑室，那么：Ehard＝0；
如果脑沟或者脑室中的任意一个被刺穿，那么：Ehard＝∞；
1)计算软约束1：
采用下述公式计算软约束1Esoft1：
其中，Dist(·)表示两点之间的距离；p表示插入路径；q表示目标点；pk表示Path条路径上的离散点；ok表示最近障碍物上的最近点；n表示离散点总数；
通过Esoft1约束插入路径在设定范围内与关键结构保持距离；
2)计算软约束2：
通过最小化计划入口点和相关平面法线方向之间的角度，增加植入电极和STN区域之间的接触面积；
采用下述公式计算软约束2Esoft2：
Esoft2＝(1-cosθskull)+(1-cosθgyri)
其中，cosθskull表示规划轨迹与颅骨法线方向的夹角；cosθgyri表示规划轨迹与脑回法线方向的夹角；
3)计算软约束3：
在设定的范围内建立电极植入长度的限制；
计算头骨和目标的最近距离Lo；在本发明方法中，选择Lo＝700mm；
采用下述公式计算软约束3Esoft3：
其中，Distance(Ptar,Pins)表示靶点和入颅点之间的距离；Dmin表示植入电极允许的最小长度；Dmax表示植入电极允许的最大长度；
通过基于多重医学条件约束的电极植入路径优化算法，在满足上述全部约束条件的所有候选入口中确定最小能量函数Etotal对应的入口点，同时将确定的最小入口点作为最优插入点；
4)最优电极植入轨迹规划过程：
采用基于多重医学条件约束的电极植入路径优化算法，描述最优电极植入轨迹规划过程，具体包括：
输入：颅骨的3D模型Mskull；脑回的3D模型Mgyri；避障组织的3D模型Mobs；STN上的靶点位置ptar；
输出：最优电极植入方向位于患者颅骨上的入颅点位置pins；
(1)初始化处理：
初始化轴向平面上的方向D0；靶点至患者颅骨垂直方向上的入针点的距离
(2)总能量计算：
通过ptar、Mskull、Mgyri、Mobs，计算总能量Etotal；
采用D0计算Dtemp，计算公式如下所示：
Dtemp＝D0
当迭代次数interaction小于最大迭代次数maximum时，利用ptar、Mskull、Mgyri、Mobs替代在软约束条件公式Esoft1、Esoft2、Esoft3中对应的位置；采用下述公式计算Etemp：
Etemp＝Ehard+Esoft1+Esoft2+Esoft3
当Etemp＜Etotal时，选择当前的Dtemp替换最优电极植入方向D、选择通过得到的Etemp替换总能量Etotal；
当Etemp≥Etotal时，保持Etotal不变，继续迭代；直至当Etemp不再变小，或者迭代次数interaction达到最大迭代次数maximum时，结束迭代；
(3)更新处理：
更新靶点至颅骨之间的最优距离植入方向D；
在本发明方法中，在8例临床病人的回顾性数据上进行了实验验证；同时邀请一位临床医生在一个临床上常用的DBS手术规划系统中，分别利用系统自带的规划算法、本发明方法算法进行模拟电极植入操作，并将这两种不同方法中电极与脑沟、脑室的距离和手术植入结果进行了对比；同时通过医生对本发明方法的可行性进行了评价；
对于每个病人的数据，外科医生先做一步预处理，以术前MRI数据(T1w)为参考模态，在系统上将术前CT数据、术后CT数据分别与术前MRI进行配准及融合；在获得的融合图像上同时观察颅骨和患者大脑内的关键结构；利用导航系统半自动重建脑结构，并用于STN-DBS手术；外科医生通过肉眼寻找AC和PC的位置，并进行位置标记，然后在两个半脑之间确定中线，完成规划坐标系的构建；随后系统能够分别生成双向电极的规划规矩；将通过本发明方法得到的电极规划结果导入到导航系统中，以验证三种方法的性能，经验通道坐标系的构建使得通过本发明方法得到的电极规划结果能够和规划系统中的其他两种结果进行直接比较；在最终的实验验证中，术前CT被用来展示系统自带算法及本发明方法的可视化结果；术后CT被用来展示真实植入结果；MRI被用来测量通过上述三种不同方法得到的双向电极规划结果分别与脑沟和脑室的最近距离；医生通过在术前术后融合图像上结合矢状位、冠状位以及横断位以逐层查看的方式进行了三种方法的两种针道最近的脑沟、脑室距离测量；
如图4所示为本发明方法中通过三种不同方法得到的电极植入路径在临床DBS手术规划系统下的比较结果示意图、如图5所示为本发明方法中选择的三种不同方法应用于临床用药计划系统的比较结果示意图：在临床上采用的电极直径为1.3mm，本发明方法依据临床医生的建议，将安全植入半径设为1.20mm，除去电极半径外，预留0.55mm的调整区间；从图5可以看出，规划系统内置算法产生的很多规划结果并不符合临床要求，导致这种结果的原因主要是系统内置算法是在一个事先设定的模版上生成规划结果，对于每个病例，电极植入角度都默认一致；然而，由于每个患者的脑结构并不完全一致，使得通过这种方式生成的电极与患者脑沟、脑室之间的距离小于安全阈值，导致医生需要在上述算法生成规划结果的基础上进行调整才能够为临床所使用；
图5所示的三维可视化结果，进一步支持了本发明方法的论断；图5中的图A-图C表示在广泛使用的临床计划系统中，从应用于植入轨迹的各种方法中获得的三个不同视角的可视化结果，其中，电极1对应系统原生算法产生的结果，电极2代表实际植入结果，电极3代表通过本发明方法得到的结果；图D-图G表示由系统内引入的算法确定的左右电极与脑沟和脑室之间距离的测量结果；图H-图K表示实际植入的左右电极分别与脑沟和脑室距离的测量结果；图L-图O表示通过本发明方法确定的左、右电极轨迹与脑沟和脑室之间的距离；
当规划系统自带算法的结果与临床植入结果、本发明方法的结果进行比较时，系统的规划结果显示得到的结果过于接近冠状缝合线，导致结果不被临床医生所认可；此外，本发明方法还计算了通过本发明方法得到的电极与障碍物之间的平均距离：右电极与障碍物的平均距离分别为2.36mm(脑沟)和6.64mm(脑室)，左电极与障碍物的平均距离分别为1.76mm和5.22mm；与依赖外科医生通过反复试验确定电极植入轨迹的临床规划方法相比，本发明为STN-DBS电极插入路径规划提供了更有效和安全的方法。
Claims (8)
1.一种深部脑刺激路径规划新方法，包括如下步骤：
S1.获取原始医疗数据，并划分训练数据集和测试数据集；
S2.针对步骤S1划分的数据集进行数据处理；
S3.采用步骤S2处理后的数据集，基于数据驱动模型，获取相关结构的定位结果，并通过定位结果完成关键脑组织定位；
S4.采用基于层次包围盒的符号距离场计算算法，确定大脑关键位置结构；
S5.采用步骤S4确定的关键位置结构，构建电极“安全植入通道”坐标系；
S6.采用步骤S5构建的坐标系，确定最优电极植入轨迹，完成深部脑刺激路径的规划。
2.权利要求1所述一种深部脑刺激路径规划新方法，其特征在于步骤S1所述的获取原始医疗数据，并划分训练数据集和测试数据集，具体包括：
获取所有诊断和治疗数据集；
原始医疗数据包括术前3T磁共振成像扫描，术前电子计算机断层扫描和术后回顾性CT图像；术前3T磁共振成像扫描包括t1加权和t2加权；同时，在每张MRI切片上手动标记脑回、脑沟、脑室、丘脑底核STN和红核的基底真值；
按照设定个数，从获取的原始医疗数据中随机抽取样本，作为训练数据集，选择剩余样本作为测试数据集。
3.权利要求2所述一种深部脑刺激路径规划新方法，其特征在于步骤S2所述的针对步骤S1划分的数据集进行数据处理，具体包括：
针对训练数据集进行五折交叉验证，通过五折交叉验证，在测试数据集上验证模型和分割结果；
通过在测试集上取结果的平均值，评估方法的性能。
4.权利要求3所述一种深部脑刺激路径规划新方法，其特征在于步骤S3所述的采用步骤S2处理后的数据集，基于数据驱动模型，获取相关结构的定位结果，并通过定位结果完成关键脑组织定位，具体包括：
在预处理阶段，手动勾画关键的大脑结构，将基底裂缝至凸起区域交界处的部分标记为皮质层内的脑沟，将剩余部分标记为脑回；根据脑室、STN和红核的轮廓划定基础真值标签；利用检测分支确定脑沟、脑回和脑室的位置；利用nnDetection模型的分割分支得到STN和红核的分割结果；利用STN和红核边界半自动地定位STN内的最优刺激点；将脑沟、脑回和脑室的检测结果将作为STN-DBS植入路径规划的约束条件。
5.权利要求4所述一种深部脑刺激路径规划新方法，其特征在于步骤S4所述的采用基于层次包围盒的符号距离场计算算法，确定大脑关键位置结构，具体包括：
采用下述公式表示给定的一个初始三角形输入网格：
其中，F(ξ)表示带符号距离函数；ξ表示任意一个三角形网络；inf||·||表示无符号距离场；ξ*表示三角形网络ξ的近似值；表示三维空间域，/>h(ξ)表示近似函数，计算公式如下所示：
其中，h(ξ)＝-1，表示网格上的点位于内部；
通过F(ξ)的计算公式，推算得到三角形网格每个点在场上的符号距离场(SDF)值，并将得到的值保存到对应的3D映射图中；
按照设定的比例整合每个结构的位置：选择患者颅骨的实际尺寸作为最终融合图，所有其他结构的SDF值根据选择的头骨的比例，按照比例生成；将所有值合并到头骨的SDF图中；选择Ffu表示各个部分融合后的SDF；Fsk表示患者颅骨的SDF；Fsu表示脑沟的SDF；Fgy表示脑回的SDF；FSTN表示STN的SDF。
6.权利要求5所述一种深部脑刺激路径规划新方法，其特征在于步骤S5所述的采用步骤S4确定的关键位置结构，构建电极“安全植入通道”坐标系，具体包括：
针对CT坐标系进行转换，使得转换后的坐标系对齐临床坐标系：在CT坐标系中给定一个固定点，在临床规划坐标系中找到对应点的位置；通过计算固定点的旋转矩阵和位移矩阵/>得到最终转换结果；
选择CT坐标系中的任意一点，通过相同的旋转平移矩阵，计算对应点在临床计划坐标系上的位置，计算公式如下所示：
其中，CoorClinical表示任意一点在临床坐标系中的位置；CoorCT表示对应点在CT坐标系中的对应位置；
针对获得的三维点在CT和临床规划坐标系中的位置进行标注，选择前连合后缘中点(anterior commissure，AC)-后连合前缘中点(posterior commissure，PC)线的中点；
以选择的AC-PC线的中点为原点建立坐标系。
7.权利要求6所述一种深部脑刺激路径规划新方法，其特征在于步骤S6所述的采用步骤S5构建的坐标系，确定最优电极植入轨迹，完成深部脑刺激路径的规划，具体包括：
将电极植入任务转换为求解能量函数Etotal的能量优化问题，并采用下述公式进行描述：
Etotal＝Ehard+Esoft1+Esoft2+Esoft3
其中，Ehard表示硬约束；Esoft1表示软约束1；Esoft2表示软约束2；Esoft3表示软约束3；
通过硬约束和软约束，安全地将电极从颅骨上的插入点Pins刺穿到STN的目标点Ptar；
采用下述公式表示插入路径集：
其中，Pathi表示插入路径集，是第i个目标点Ptari到第i个插入点Pinsi的路径；i＝1,L,N，N表示“安全植入通道”坐标系内的潜在路径总数；
能量函数的能量优化问题的第一步是确定不能刺穿的具体解剖结构，包括脑血管和脑室；
如果硬约束满足条件：既不刺穿脑沟，也不刺穿脑室，那么：Ehard＝0；
如果脑沟或者脑室中的任意一个被刺穿，那么：Ehard＝∞；
1)计算软约束1：
采用下述公式计算软约束1Esoft1：
其中，Dist(·)表示两点之间的距离；p表示插入路径；q表示目标点；pk表示Path条路径上的离散点；ok表示最近障碍物上的最近点；n表示离散点总数；
通过Esoft1约束插入路径在设定范围内与关键结构保持距离；
2)计算软约束2：
通过最小化计划入口点和相关平面法线方向之间的角度，增加植入电极和STN区域之间的接触面积；
采用下述公式计算软约束2Esoft2：
Esoft2＝(1-cosθskull)+(1-cosθgyri)
其中，cosθskull表示规划轨迹与颅骨法线方向的夹角；cosθgyri表示规划轨迹与脑回法线方向的夹角；
3)计算软约束3：
在设定的范围内建立电极植入长度的限制；
计算头骨和目标的最近距离Lo；
采用下述公式计算软约束3Esoft3：
其中，Distance(Ptar,Pins)表示靶点和入颅点之间的距离；Dmin表示植入电极允许的最小长度；Dmax表示植入电极允许的最大长度；
通过基于多重医学条件约束的电极植入路径优化算法，在满足上述全部约束条件的所有候选入口中确定能量函数Etotal最小对应的入口点，同时将确定的最小入口点作为最优插入点。
8.权利要求6所述一种深部脑刺激路径规划新方法，其特征在于最优电极植入轨迹规划过程，具体包括：
采用基于多重医学条件约束的电极植入路径优化算法，描述最优电极植入轨迹规划过程，具体包括：
输入：颅骨的3D模型Mskull；脑回的3D模型Mgyri；避障组织的3D模型Mobs；STN上的靶点位置ptar；
输出：最优电极植入方向位于患者颅骨上的入颅点位置pins；
(1)初始化处理：
初始化轴向平面上的方向D0；靶点至患者颅骨垂直方向上的入针点的距离
(2)总能量计算：
通过ptar、Mskull、Mgyri、Mobs，计算总能量Etotal；
采用D0计算Dtemp，计算公式如下所示：
Dtemp＝D0
当迭代次数interaction小于最大迭代次数maximum时，利用ptar、Mskull、Mgyri、Mobs替代在软约束条件公式Esoft1、Esoft2、Esoft3中对应的位置；采用下述公式计算Etemp：
Etemp＝Ehard+Esoft1+Esoft2+Esoft3
当Etemp＜Etotal时，选择当前的Dtemp替换最优电极植入方向D、选择通过得到的Etemp替换总能量Etotal；
当Etemp≥Etotal时，保持Etotal不变，继续迭代；直至当Etemp不再变小，或者迭代次数interaction达到最大迭代次数maximum时，结束迭代；
(3)更新处理：
更新靶点至颅骨之间的最优距离植入方向D。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196602.2A CN117814907A (zh) | 2024-02-22 | 2024-02-22 | 一种深部脑刺激路径规划新方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196602.2A CN117814907A (zh) | 2024-02-22 | 2024-02-22 | 一种深部脑刺激路径规划新方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117814907A true CN117814907A (zh) | 2024-04-05 |
Family
ID=90509960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410196602.2A Pending CN117814907A (zh) | 2024-02-22 | 2024-02-22 | 一种深部脑刺激路径规划新方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117814907A (zh) |
-
2024
- 2024-02-22 CN CN202410196602.2A patent/CN117814907A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10255723B2 (en) | Planning, navigation and simulation systems and methods for minimally invasive therapy | |
| Essert et al. | Automatic computation of electrode trajectories for deep brain stimulation: a hybrid symbolic and numerical approach | |
| US9002076B2 (en) | Method and apparatus for optimal trajectory planning | |
| US20140303486A1 (en) | Surgical Navigation Planning System and Associated Methods | |
| Chakravarty et al. | Towards a validation of atlas warping techniques | |
| US11734842B2 (en) | Methods for optimizing the planning and placement of probes in the brain via multimodal 3D analyses of cerebral anatomy | |
| CN113349925A (zh) | 基于全自动三维成像的听神经瘤手术路径自动规划方法 | |
| Muller et al. | Use of probabilistic tractography to provide reliable distinction of the motor and sensory thalamus for prospective targeting during asleep deep brain stimulation | |
| CN110136137A (zh) | 一种基于断层扫描图数据集进行血管区域分割的方法 | |
| Li et al. | Automated segmentation and reconstruction of the subthalamic nucleus in Parkinson’s disease patients | |
| Negwer et al. | Elastic fusion enables fusion of intraoperative magnetic resonance imaging data with preoperative neuronavigation data | |
| Guo et al. | Automatic target and trajectory identification for deep brain stimulation (DBS) procedures | |
| He et al. | Preoperative path planning algorithm for lung puncture biopsy based on path constraint and multidimensional space distance optimization | |
| Cai et al. | Accurate preoperative path planning with coarse-to-refine segmentation for image guided deep brain stimulation | |
| CN117814907A (zh) | 一种深部脑刺激路径规划新方法 | |
| CN110136096A (zh) | 一种基于断层扫描图数据集进行病变区域分割的方法 | |
| CN205658974U (zh) | 一种基于3d打印的放射性粒子植入进针定位辅助系统 | |
| Nowinski | and Functional Neurosurgery | |
| CN113870324A (zh) | 多模态图像的配准方法及其配准装置和计算机可读存储介质 | |
| Luo | Predictive Computational Biophysical Modeling for Enhanced Image-Guided Functional Neurosurgery | |
| Li | Brain Shift Compensation in Deep Brain Stimulation Electrode Placement Surgery | |
| Noble et al. | Automatic segmentation of the optic tracts for computer assistance of deep brain stimulation procedures. | |
| Gibson et al. | 3D visualization methods to guide surgery for Parkinson’s disease | |
| Liu | Improving image-guided preoperative planning in deep brain stimulation procedures | |
| CN114869315A (zh) | 一种用于胰腺病灶的三维模型重建与可视化方法及系统 |
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 |