Eeg或meg電極在腦mr圖像中的定位裝置和方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及腦功能成像技術(shù)領(lǐng)域。更具體地說,本發(fā)明涉及一種將EEG或MEG電 極在腦MR圖像中的定位裝置和方法。
【背景技術(shù)】
[0002] 腦電圖(EEG)、腦磁圖(MEG)和核磁磁共振圖像(MR)是目前主要的神經(jīng)成像工具, 在學術(shù)研究和臨床診斷中得到了極大關(guān)注和廣泛應(yīng)用。EEG和MEG具有高時間分辨率,MR 圖像具有高空間分辨率,由此人們希望融合EEG信號和MR圖像或融合MEG信號和MR圖像 以獲得兼具高時間分辨率和高空間分辨率的腦功能圖像。而精確定位EEG/MEG電極在MR 頭模型中的坐標,是融合EEG/MEG信號和MR圖像的必要步驟,其配準精度直接影響融合效 果和腦功能分析結(jié)果。當前,常見的EEG/MEG電極定位方法有三種:基準點法、電極可視化 方法和表面匹配法。
[0003] 基準點法是最早提出并廣泛應(yīng)用的EEG/MEG電極定位方法,其基本思路是在頭部 尋找若干個生理基準點,即內(nèi)部基準點,或在頭皮外側(cè)周圍設(shè)置若干個外部基準點。上述基 準點可以通過MR成像,同時又可以在測量EEG/MEG電極位置時被精確測量。其中,典型的 生理基準點是鼻根、鼻尖、左右耳廓周點和枕外隆凸尖等位置。因為電極在MR頭模型中的 坐標取決于基準點配準,因此要求基準點的選取和測量必須精確。為了提高EEM/MEG電極 的定位精度,可混合使用外部基準點和內(nèi)部基準點。因為外部基準點是人為設(shè)定的,在MR 圖像和EEG/MEG測量時易識別、易定位,且定位精度高,可實現(xiàn)精確定位EEG/MEG電極坐標。 但是,在MR成像和EEG/MEG測量過程中,外部基準點不易大量設(shè)置,距離外部基準點較遠的 地方,定位精度也較低。
[0004] 電極可視化方法要求受試者佩戴電極帽進行MR成像,電極可成像于MR圖像中,可 有效避免配準EEG/MEG電極和MR頭模型。但是,電極可視化方法要求每次EEG/MEG測量時 必須進行一次MR成像,以同步獲得電極在MR頭模型中的坐標,限制了該方法的廣泛應(yīng)用。
[0005] 表面匹配法的思路是在進行EEG/MEG測量時,對受試者頭皮做數(shù)字化掃描以得到 頭皮表面,再將該頭皮表面與MRI頭皮表面做配準。該方法精度較高,但是存在以下三個不 足:一、需要高精度的掃描儀對頭表面做數(shù)字化處理,大幅提高了成本;二、數(shù)字化處理頭 表面后,需要進一步進行數(shù)據(jù)篩選,去掉其中不適合于用配準的點,增加了工作量;三、表面 配準易陷入局部最優(yōu)值,而不是全局最優(yōu)值。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的一個目的是解決至少上述問題和/或缺陷,并提供至少后面將說明的優(yōu) 點。
[0007] 本發(fā)明還有一個目的是提供一種具有空間定位裝置的電極帽,其能夠精確獲取每 個EEG或MEG電極相對于基準點的空間坐標。
[0008] 本發(fā)明還有一個目的是通過基于曲面頂點配準技術(shù)的EEG或MEG電極在腦MR圖 像中定位的方法,將EEG或MEG電極的坐標精確映射到MR圖像的大腦表面,有效實現(xiàn)EEG或MEG信號和MR圖像信息的融合。
[0009] 為了實現(xiàn)根據(jù)本發(fā)明的這些目的和其它優(yōu)點,提供了一種電極帽,其包括:
[0010] 電極帽本體;
[0011] 若干個第一電極,其設(shè)置于所述電極帽本體上;
[0012] 若干個第一位置傳感器,其分別與所述第一電極封裝于同一承載基板上或同一密 閉空間內(nèi);
[0013] 基準坐標測量裝置,其設(shè)于生理基準點,每個所述基準坐標測量裝置具有封裝于 同一承載基板上或同一密閉空間內(nèi)的一第二電極和一第二位置傳感器;
[0014] 微處理器,其分別于所述第一電極、第一位置傳感器、第二電極和第二位置傳感器 相連;
[0015] 其中,所述電極為EEG或MEG電極;
[0016] 其中,所述基準坐標測量裝置至少設(shè)置有3個,所述生理基準點選自鼻根、鼻尖、 左右耳廓周點和枕外隆凸尖。
[0017] 本發(fā)明的目的還可以進一步由將應(yīng)用如權(quán)利要求1所述的電極帽得到的EEG或 MEG電極坐標定位到腦MR圖像中的方法來實現(xiàn),該方法包括如下步驟:
[0018] 步驟1):對掃描腦區(qū)獲取的大腦MR圖像使用交互式或機器學習的方法分割顱骨 外表面;使用水平集方法分割大腦灰質(zhì)表面,并使用Delaunay三角網(wǎng)格化算法對所述分割 曲面進行三角網(wǎng)格化處理,得到大腦表面的離散曲面;
[0019] 步驟2):利用拉普拉斯特征映射的方法將所述大腦表面的離散曲面映射到標準 頭模型,得到映射函數(shù)為T。;
[0020] 步驟3):對EEG或MEG電極坐標使用所述Delaunay三角網(wǎng)格化算法進行三角網(wǎng) 格化處理,得到以EEG或MEG電極坐標為頂點的離散曲面;
[0021] 步驟4):利用步驟2)中所述拉普拉斯特征映射的方法將所述EEG或MEG電極坐 標的離散曲面映射到標準頭模型,得到映射函數(shù)為T1;
[0022] 步驟5):將映射后的EEG或MEG電極坐標離散曲面中的所述生理基準點的坐標映 射到原始MR圖像中的顱骨外表面進行粗配準,得到仿射變換T2。;
[0023] 步驟6):通過構(gòu)造配準能量函數(shù)配準映射后的大腦灰質(zhì)表面和EEG/MEG電極坐 標,得到映射函數(shù)為Τ21;
[0024] 其中,所述配準能量函數(shù)為:
[0025]
[0026] 其中,所述的Esini(X,Y,T21)表示映射后的大腦表面的離散曲面點集和映射后的 EEG或MEG電極坐標的離散曲面點集之間的相似程度,E&an(T21)表示浮動點集位移向量 的運動相干性,ES&(Y,T21)表示浮動曲面的結(jié)構(gòu)自相似性,λ^Ρλ2分別是Etran(T21)和 ES&(Y,T21)的權(quán)重函數(shù);所述的X和Y分別表示目標曲面的頂點和浮動曲面的頂點,其頂點 數(shù)量分別為Ν和Μ,
[0027]其中,T21為浮動曲面頂點的運動函數(shù),可表示為Τ21=Υ+ν(Υ),在標準頭模型空間 中所述EEG/MEG電極坐標映射到MR圖像灰質(zhì)表面的映射函數(shù)Τ2=Τ2。〇Τ21,
[0028] 其中,若目標曲面為大腦表面的離散曲面,則浮動曲面為EEG或MEG電極坐標的離 散曲面;若目標曲面為EEG或MEG電極坐標的離散曲面,則浮動曲面為大腦表面的離散曲 面;
[0029] 7)將步驟6)在標準模型中配準的EEG/MEG電極坐標映射到原始MR圖像中,其映 射函數(shù)為T=?^οΤ?1。
[0030] 優(yōu)選的是,其中,所述步驟2)中利用拉普拉斯特征映射的方法將所述大腦表面的 離散曲面映射到標準頭模型的步驟為:
[0031] a、根據(jù)所述大腦表面的離散曲面的頂點以及頂點之間的連接邊,構(gòu)造大腦表面的 離散曲面拉普拉斯圖
[0032]b、根據(jù)所述標準頭模型的離散曲面的頂點以及頂點之間的連接邊,構(gòu)造標準頭模 型的離散曲面拉普拉斯圖Xsi
[0033] c、求解的特征向量VjP對應(yīng)的特征值CB;
[0034] d、求解£S:的特征向量VjP對應(yīng)的特征值Cs;
[0035] e、根據(jù)特征值大小對特征向量進行排序,排序后的特征值從小到大依次記作 (^,4,...,0和(:^,._'[,特征向量按照其對應(yīng)特征值的大小進行排序;
[0036]f、選取特征值次最小的Μ個特征值,即選取4,(:t...:和,以及對 應(yīng)的特征向量;
[0037]g、構(gòu)造相異性測度C(U,V);
[0038]h、使用Hungarian算法最小化C(U,V),計算得到空間映射T。。
[0039] 優(yōu)選的是,其中,所述步驟a和b中所述拉普拉斯圖的構(gòu)造方法為:
[0040] 首先將離散曲面的頂點記作V= {Vl},離散曲面的邊記作Ξ= {evivj},構(gòu)造邊連 接權(quán)重矩陣Wlj:
[0041]
[0042] 其中,distil,')是頂點vJP之間的歐式距離;若頂點vjP之間有邊連接, 則計算^,否則' =0 ;
[0043] 然后構(gòu)造離散曲面的拉普拉斯圖if);
[0044] 其中,所述D是對角矩陣,D中的元素定義為D"=Σ是對角矩陣,I是單位 矩陣或I=D。
[0045] 優(yōu)選的是,其中,所述步驟g中相異性測度e(u,v)的構(gòu)造方法為:
[0046]i)構(gòu)造特征值相異性測度
[0047] 其中,
U和v是來自不同離散曲面的經(jīng)過排序后的特征向量序號;
[0048]ii)構(gòu)造特征向量直方圖相異性測虔
[0