基于深度学习和电生理信号的癫痫病灶区定位系统及方法

1.本发明涉及医疗设备技术领域，尤其涉及的是一种基于深度学习和电生理信号的癫痫病灶区定位系统及方法。


背景技术：

2.癫痫是影响全世界1％人的神经系统疾病之一，局灶性癫痫患者占癫痫患者总数的50％。然而30％局灶性癫痫患者的病情不能用药物得到有效控制，只有在外科手术的帮助下才能将致痫区切除，从而达到减少或遏制癫痫发作的目的。立体定向脑电图(stereo-eeg,seeg)，将电极植入患者颅内，能直接记录脑沟回的神经活动，因而能够更准确的定位癫痫致痫区。临床医生通过数十天的24小时不间断的seeg监控(静息态、睡眠态、癫痫发作态)，从而做出手术计划。但是此法需要临床医生进行大量的脑电图的判读，费时费力，且由于专家临床经验的差异给检测定位结果的准确性带来了量化的困难，评估结果稳定性欠佳。所以，如何有效且精准地检测定位癫痫致痫区，是目前临床研究中的一个热点。
3.现有技术的癫痫检测装置中基本很少能可靠精准地检测定位癫痫致痫区，因此，现有技术还有待改进和发展。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习和电生理信号的癫痫病灶区定位系统及方法，旨在解决现有技术的癫痫检测装置中基本很少能可靠精准地检测定位癫痫致痫区的问题。
5.本发明解决问题所采用的技术方案如下：
6.第一方面，本发明实施例提供一种基于深度学习和电生理信号的癫痫病灶区定位系统，包括：
7.脑影像合成模块，用于获取脑影像数据，并将所述脑影像数据进行融合，确定患者脑结构异常与脑代谢异常区域，同时通过对颅内电极脑影像数据的三维重构，确定每个电极位点具体的脑沟回结构，生成脑影像病理结果；
8.脑电信号处理模块，用于获取颅内脑电信号，并利用人工智能算法对所述颅内脑电信号进行机器判读，结合多模态电生理信号和电刺激结构连接信号，进行正常电极与癫痫致痫区电极的分类，生成电极分类结果；
9.三维立体成像模块，所述三维立体成像模块分别与所述脑影像合成模块、脑电信号处理模块连接，用于将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果，模拟出患者需要切除的脑结构三维立体模型。
10.所述的基于深度学习和电生理信号的癫痫病灶区定位系统，其中，所述脑影像合成模块包括：
11.磁共振图像获取单元，用于通过磁共振成像数据处理，获取mri脑影像数据；
12.正电子发射断层扫描数据获取单元，用于通过正电子发射断层扫描数据处理,获
取pet脑影像数据；
13.电子计算机断层扫描数据获取单元，用于通过电子计算机断层扫描数据处理，获取ct脑影像数据；
14.融合单元，所述融合单元分别与所述磁共振图像获取单元、正电子发射断层扫描数据获取单元、电子计算机断层扫描数据获取单元连接，用于对pet脑影像数据和mri脑影像数据进行融合、融合pet脑影像数据和mri脑影像数据的成像结果，并对成像结果进行处理，调整pet与mri的对比度，比较和定位患者的脑代谢异常与脑结构异常的脑区位置，并对定位患者的脑代谢异常与脑结构异常的脑区位置进行标志，对标定的结构异常或者代谢异常的脑区发送至所述三维立体成像模块。
15.所述的基于深度学习和电生理信号的癫痫病灶区定位系统，其中，所述脑电信号处理模块包括：依次连接的颅内脑电特征提取模块、皮层电刺激网络构建模块、图卷积分类模块；
16.其中，所述颅内脑电特征提取模块用于获取颅内脑电信号，并通过深度学习算法提取睡眠态、静息态、发作期颅内脑电信号的特征；
17.所述皮层电刺激网络构建模块用于通过信号检测创建电极之间的脑结构连接模型；
18.所述图卷积分类模块用于利用图卷积方法，结合颅内脑电特征提取模块提取的属性特征和皮层电刺激网络构建模块构建的结构连接图谱将颅内电极进行分类，判定正常电极和致痫区电极，生成电极分类结果。
19.所述的基于深度学习和电生理信号的癫痫病灶区定位系统，其中，所述颅内脑电特征提取模块包括：
20.静息态数据获取单元，用于获取患者静息状态的颅内脑电信号；
21.睡眠态数据获取单元，用于获取患者睡眠时期的颅内脑电信号；
22.发作期数据获取单元，用于获取患者癫痫症状发作时颅内脑电信号；
23.预处理单元，所述预处理单元分别与所述静息态数据获取单元、睡眠态数据获取单元、发作期数据获取单元连接，用于对获取的静息状态的颅内脑电信号、睡眠时期的颅内脑电信号、癫痫症状发作时颅内脑电信号的三个模态数据进行预处理，对三个模态的数据进行时频分析，提取三个模态数据的不同频段的能量；
24.深度学习特征提取模块，所述深度学习特征提取模块与所述预处理单元，用于将预处理单元提取的三个模态数据的不同频段的能量作为输入，并通过编码器提取出潜在表征作为图卷积模型中节点的属性特征。
25.所述的基于深度学习和电生理信号的癫痫病灶区定位系统，其中，所述皮层电刺激网络构建模块，包括：
26.低频电刺激单元，用于产生低频电刺激信号，刺激患者颅内电极产生颅内电生理信号；
27.脑网络构建单元，所述脑网络构建单元与所述低频电刺激单元连接，用于对刺激患者颅内电极产生颅内电生理信号，构建全脑所有电极之间的结构连接图谱。
28.所述的基于深度学习和电生理信号的癫痫病灶区定位系统，其中，所述图卷积分类模块，包括：
29.属性特征转换单元，用于将颅内电生理信号与低频电刺激信号之间转换得到节点属性特征与边属性特征；
30.自适应图卷积分类单元，所述自适应图卷积分类单元与所述属性特征转换单元连接，用于采用自适应图卷积的方法将全部电极归类，判定正常电极和致痫区电极，生成电极分类结果，以区分病人的正常脑区和致痫灶。
31.所述的基于深度学习和电生理信号的癫痫病灶区定位系统，其中，所述三维立体成像模块包括：
32.癫痫权重赋值单元，用于将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果进行综合化，为全脑每个体素赋予癫痫权重值，所述癫痫权重值包括脑结构异常值、脑代谢异常值、图卷积癫痫预测值；
33.三维立体成像单元，用于根据脑结构异常值、脑代谢异常值、图卷积癫痫预测值的癫痫权重得分，取得分高的聚合核团，在三维立体结构中绘制出癫痫致痫灶的区域轮廓，模拟出患者需要切除的脑结构三维立体模型。
34.一种如任一项所述基于深度学习和电生理信号的癫痫病灶区定位系统的癫痫病灶区定位方法，其中，所述方法包括：
35.控制通过脑影像合成模块获取脑影像数据，并将所述脑影像数据进行融合，确定患者脑结构异常与脑代谢异常区域，同时对颅内电极脑影像数据的三维重构，确定每个电极位点具体的脑沟回结构，生成脑影像病理结果；
36.控制通过脑电信号处理模块获取颅内脑电信号，并利用人工智能算法对所述颅内脑电信号进行机器判读，结合多模态电生理信号和电刺激结构连接信号，进行正常电极与癫痫致痫区电极的分类，生成电极分类结果；
37.控制通过三维立体成像模块，将所述脑影像合成模块生成的脑影像病理结果以及所述脑电信号处理模块生成的电极分类结果，模拟出患者需要切除的脑结构三维立体模型并输出。
38.所述基于深度学习和电生理信号的癫痫病灶区定位系统的癫痫病灶区定位方法，其特征在于，所述控制通过脑影像合成模块获取脑影像数据，并将所述脑影像数据进行融合，确定患者脑结构异常与脑代谢异常区域，同时对颅内电极脑影像数据的三维重构，确定每个电极位点具体的脑沟回结构，生成脑影像病理结果的步骤包括：
39.控制磁共振图像获取单元通过磁共振成像数据处理，获取mri脑影像数据；
40.控制正电子发射断层扫描数据获取单元，通过正电子发射断层扫描数据处理，获取pet脑影像数据；
41.控制电子计算机断层扫描数据获取单元，通过电子计算机断层扫描数据处理，获取ct脑影像数据；
42.控制融合单元，对pet脑影像数据和mri脑影像数据进行融合、融合pet脑影像数据和mri脑影像数据的成像结果，并对成像结果进行处理，调整pet与mri的对比度，比较和定位患者的脑代谢异常与脑结构异常的脑区位置；并对定位患者的脑代谢异常与脑结构异常的脑区位置进行标志，对标定的结构异常或者代谢异常的脑区发送至所述三维立体成像模块；
43.所述控制通过脑电信号处理模块获取颅内脑电信号，并利用人工智能算法对所述
颅内脑电信号进行机器判读，结合多模态电生理信号和电刺激结构连接信号，进行正常电极与癫痫致痫区电极的分类，生成电极分类结果的步骤包括：
44.控制颅内脑电特征提取模块获取颅内脑电信号，并通过深度学习算法提取睡眠态、静息态、发作期颅内脑电信号的特征；
45.控制皮层电刺激网络构建模块，通过信号检测创建电极之间的脑结构连接模型；
46.控制图卷积分类模块利用图卷积方法，结合颅内脑电特征提取模块提取的属性特征和皮层电刺激网络构建模块构建的结构连接图谱将颅内电极进行分类，判定正常电极和致痫区电极，生成电极分类结果。
47.所述基于深度学习和电生理信号的癫痫病灶区定位系统的癫痫病灶区定位方法，其中，所述控制通过三维立体成像模块，将所述脑影像合成模块生成的脑影像病理结果以及所述脑电信号处理模块生成的电极分类结果，模拟出患者需要切除的脑结构三维立体模型并输出的步骤包括：
48.控制癫痫权重赋值单元将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果进行综合化，为全脑每个体素赋予癫痫权重值，所述癫痫权重值包括脑结构异常值、脑代谢异常值、图卷积癫痫预测值；
49.控制三维立体成像单元，根据脑结构异常值、脑代谢异常值、图卷积癫痫预测值的癫痫权重得分，取得分高的聚合核团，在三维立体结构中绘制出癫痫致痫灶的区域轮廓，以模拟出患者需要切除的脑结构三维立体模型。
50.本发明的有益效果：本发明的基于深度学习和电生理信号的癫痫病灶区定位系统，可以在三维立体结构中绘制出癫痫致痫灶的区域轮廓，以准确定位出癫痫致痫灶，提高了癫痫致痫灶检测定位效率和准确率；并且从最终得到的结果图，可以得到更清晰的脑电结果图，提高了脑电图阅读的效率。
51.本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统及方法，结合人工智能算法，极大的节省了医生对脑电图判读的工作量。同时，结合人工对于脑结构和脑代谢的判断，融合了机器判断的结果，提高了癫痫致痫灶检测定位效率和准确率。
附图说明
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
53.图1是本发明实施例提供的基于深度学习和电生理信号的癫痫病灶区定位系统的功能原理框图。
54.图2是本发明实施例提供的基于深度学习和电生理信号的癫痫病灶区定位系统的具体实施例功能原理框示意图。
55.图3是本发明实施例提供的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理流程示意图。
56.图4是本发明实施例提供的基于深度学习和电生理信号的癫痫病灶区定位系统的脑影像合成模块内部功能原理框图。
57.图5是本发明实施例提供的基于深度学习和电生理信号的癫痫病灶区定位系统的的pet与mri影像融合流程图。
58.图6a为现有技术的患者ct影像与标准化模板匹配示意图；
59.图6b为发明的ct与mri影像融合图。
60.图7为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理模块的颅内脑电特征提取模块内部功能原理框图。
61.图8为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理流程示意图。
62.图9为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理深度学习网络与图卷积分类算法模型示意图。
63.图10为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理模块的皮层电刺激网络构建模块内部功能原理框图。
64.图11为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理模块的图卷积分类模块内部功能原理框图。
65.图12a的图是本发明通过mri和ct融合出来的结果示意图，图12b是本发明实施例三维立体成像最终得到的结果图。
66.图13为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的三维立体成像模块内部功能原理框图。
67.图14为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的癫痫病灶区定位方法示意图。
具体实施方式
68.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
69.需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
70.在脑网络的研究中，研究者将脑网络类比成属性图。属性图由每个节点的属性以及节点与节点之间的连接关系表示。涉及分类、聚类、链路预测等等诸多分支，在分类任务上，大部分研究都是围绕着疾病预测展开，比如判断患者是否患有某一种疾病，或者是对某一种疾病发作做出预测，比如癫痫发作与否等等。聚类任务中因无监督聚类困难和生物医学数据很难量化成特征等原因，对于这一内容研究不多，多采用提取特征后利用传统k-means或者谱聚类等方法进行聚类。图卷积实质上就是通过对邻居节点特征进行聚合实现汇聚特征表示。自适应图卷积模型，充分考虑到卷积对于特征表示所产生的作用，通过对图卷积数量进行自适应学习，使得网络在完成聚类任务时取得了良好的结果。具体来说，将植入患者颅内的电极类比成属性图的节点，电极之间的皮层对皮层连接(ccep)类比成属性图节点之间的边。通过图卷积的方法，实现对电极的聚合分类，从而区分出正常脑区和癫痫致痫区。
71.另一方面，通过对磁共振和正电子发射断层扫描成像的人工判读，确定患者结构异常与代谢异常脑区，结合图卷积分类结果，标定患者癫痫致痫区。此方法从病理本身出发，结合人工智能算法，极大的节省了医生对脑电图判读的工作量。同时，结合人工对于脑结构和脑代谢的判断，融合了机器判断的结果，保证了癫痫致痫灶检测定位的效率和准确率。
72.现有基于人工智能算法检测定位癫痫致痫区的技术，主要从高频信号的特征和检测出发或者单纯通过算法确定脑影像分类。
73.现有技术的癫痫检测装置中利用人工智能算法对癫痫致痫灶进行检测的技术基本从两点出发：第一，对脑影像图像进行判别；第二，对特定的高频信号进行抓取。然而，现有技术仍存在以下缺点：
74.第一，现有技术的癫痫检测装置检测技术对于脑影像图的判读没有从根本上减轻临床医生的工作量。临床上，在检测定位癫痫患者致痫灶时，通常结合了脑影像资料与神经电生理信息进行综合判断。其中，检测定位的瓶颈在于神经电生理信号的判读。癫痫患者在植入颅内电极后通常会经历一到两周的24小时无间断的电生理检测，每名患者颅内植入80至200不等的电极通道。因此，阅读如此庞大的脑电图数据，需耗费大量的临床检测定位的资源。因此，本发明的现有技术的癫痫检测装置采用机器学习的方法，自动化的对脑电图进行判读，可以节省大量的医疗资源。而对于脑影像结果的判断，在临床实践中，原本只是作为辅助参考，因此前人利用人工智能算法对脑影像资料的分类判别对于真正解决临床困境作用有限；
75.第二，现有技术的癫痫检测装置对特定高频信号进行抓取无法获得癫痫患者总体的发作症状，且忽略了静息态与睡眠态脑活动的异常电生理信号的解读。尽管高频放电是大多数患者癫痫发作的典型特征，但在临床检测定位中，并不以单一的成分进行判定。部分患者发作的症状并未涉及高频脑电信号的发放，而是以一种特定的、有别于正常脑电的节律进行。另一方面，由于临床医生无法全面的判读所有脑电图记录，大多时候是通过发作前期的信号变化来确定致痫灶，而大量的、有用的静息态以及睡眠态的数据并未列入检测定位致痫灶的证据。因此，能够整合各种癫痫发作节律信号，同时能够囊括静息态以及睡眠态脑电信号的技术方案，对于解决真实的临床困境具有极大的提升作用；
76.第三，目前的技术更多的倾向于辅助神经内科对于致痫灶的检测定位，并未与辅助神经外科的切除方案紧密结合。而临床实践中，神经内科的检测定位与神经外科准确切除致痫灶，对于患者愈后同样重要。在临床实践中，有些癫痫患者由于病理性原因，脑结构出现严重畸形，这提升了神经外科医生手术过程中的难度，经验尚浅的外科医生常常无法准确判断需要切除的脑结构。因此一套整合神经内科检测定位结果并提供虚拟现实模拟的系统，对于神经外科医生的临床实践具有极大的帮助，这一点是先前技术方案中从未提到的。
77.针对现有技术中存在的问题，本发明结合人工经验与机器判读，综合脑影像与脑电生理信号，提出了一套解决神经外科与神经内科临床痛点的人工智能系统，本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统及方法，结合人工智能算法，极大的节省了医生对脑电图判读的工作量。同时，结合人工对于脑结构和脑代谢的判断，融合了机器判断的结果，提高了癫痫致痫灶检测定位效率和准确率。
78.示例性装置
79.如图1中所示，本发明实施例提供一种基于深度学习和电生理信号的癫痫病灶区定位系统，所述基于深度学习和电生理信号的癫痫病灶区定位系统可以应用于智能医疗设备终端。
80.在本发明实施例中，如图1所示，所述基于深度学习和电生理信号的癫痫病灶区定位系统包括：脑影像合成模块、脑电信号处理模块(其中,脑电信号处理模块包括：颅内脑电特征提取模块、皮层电刺激网络构建模块、图卷积分类模块)、以及三维立体成像模块；所述三维立体成像模块分别与所述脑影像合成模块、脑电信号处理模块连接。
81.其中，所述脑影像合成模块用于获取脑影像数据，并将所述脑影像数据进行融合，确定患者脑结构异常与脑代谢异常区域，同时通过对颅内电极脑影像数据的三维重构，确定每个电极位点具体的脑沟回结构，生成脑影像病理结果。所述脑影像合成模块包括：对于磁共振成像数据处理(mri：magnetic resonance imaging)、正电子发射断层扫描数据处理(pet：positron emission computed tomography)和电子计算机断层扫描数据处理(ct：computed tomography)。
82.所述脑电信号处理模块，用于获取颅内脑电信号，并利用人工智能算法对所述颅内脑电信号进行机器判读，结合多模态电生理信号和电刺激结构连接信号，进行正常电极与癫痫致痫区电极的分类，生成的电极分类结果。所述脑电信号处理模块包括：依次连接的颅内脑电特征提取模块、皮层电刺激网络构建模块、图卷积分类模块；其中，所述颅内脑电特征提取模块用于获取颅内脑电信号，并通过深度学习算法提取睡眠态、静息态、发作期颅内脑电信号的特征；所述皮层电刺激网络构建模块用于通过信号检测创建电极之间的脑结构连接模型；所述图卷积分类模块用于利用图卷积方法，结合颅内脑电特征提取模块提取的属性特征和皮层电刺激网络构建模块构建的结构连接图谱将颅内电极进行分类，判定正常电极和致痫区电极，生成电极分类结果。
83.所述三维立体成像模块用于将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果，可以准确地模拟出患者需要切除的脑结构三维立体模型，供外科医生做术前评估和手术模拟。
84.即本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统，采用包括三大技术模块：脑影像合成模块、脑电信号处理模块和三维立体成像模块，具体如下：
85.本发明基于深度学习和电生理信号的癫痫病灶区定位系统，可为植入颅内电极的难治性癫痫患者，患者在电极植入手术前，通常进行pet和mri脑成像扫描以确定脑结构与脑代谢信息。通过患者脑结构与脑代谢信息，结合患者临床表现与头皮脑电监测结果，神经内科医生会为每名患者制定的详细的电极植入计划。电极植入手术之后，患者会进行全脑的ct扫描，确定电极在全脑的空间位置。由于pet、mri和ct(电子计算机断层扫描)扫描的机器不同，因此各种脑成像结果之前在空间上存在差异性，本发明系统会根据此差异性，进行融合，以方便更准确定位患者脑结构异常与脑代谢异常区域，具体如下所述。
86.如图3所示，所述脑影像合成模块，通过线性变换的方法，从三维空间上转换pet(正电子发射行型计算机断层显像)和ct图像的空间位置，以融合pet、mri(磁共振)和ct的脑成像结果。如图3所示，本实施例脑影像合成模块包含对于磁共振成像数据处理(mri)、正电子发射断层扫描数据处理(pet)和电子计算机断层扫描数据处理(ct)。脑影像合成模块
通过将脑影像数据进行融合，明确患者脑结构异常与脑代谢异常区域；同时通过对颅内电极脑影像数据的三维重构，明确每个电极位点具体的脑沟回结构，以重构颅内电极脑结构位置。
87.具体地，如图4所示，本实施例所述脑影像合成模块包括：
88.磁共振图像获取(ct)单元，用于通过磁共振成像数据处理，获取mri脑影像数据；
89.正电子发射断层扫描(pet)数据获取单元，用于通过正电子发射断层扫描数据处理，获取pet脑影像数据；
90.电子计算机断层扫描(ct)数据获取单元，用于通过电子计算机断层扫描数据处理，获取ct脑影像数据；
91.融合单元，所述融合单元分别与所述磁共振图像获取单元、正电子发射断层扫描数据获取单元、电子计算机断层扫描数据获取单元连接，所述融合单元用于对pet脑影像数据和mri脑影像数据进行融合、融合pet脑影像数据和mri脑影像数据的成像结果，并对成像结果进行处理，调整pet与mri的对比度，比较和定位患者的脑代谢异常与脑结构异常的脑区位置；并对定位患者的脑代谢异常与脑结构异常的脑区位置进行标志，对标定的结构异常或者代谢异常的脑区发送至所述三维立体成像模块。
92.如图5所示，图5为本发明的pet脑影像数据与mri脑影像数据的影像融合流程示意图，本发明实施例的所述脑影像合成模块，通过融合pet(正电子发射断层扫描数据处理)与mri(磁共振成像数据处理)成像的结果，并对成像结果进行处理，调整pet与mri的对比度，从而比较和定位患者的脑代谢异常与脑结构异常的脑区位置。并对定位患者的脑代谢异常与脑结构异常的脑区位置进行标志，对标定的结构异常或者代谢异常的脑区将会被记录并发送至本发明三维立体成像模块，为最终构建癫痫致痫灶提供脑影像数据证据。
93.如图6所示，图6b为发明的ct与mri影像融合图，图6a为现有技术的患者mri影像与标准化模板匹配示意图；结果所示，传统的方法将患者mri影像与标准化模板匹配，再用相应参数矫正ct图像。这样做的后果就会导致患者脑变形，相应的ct电极的位置也会发生弯曲。这种做法无法准确的定位患者电极的具体脑结构。如图6b所示，本发明系统采用基于个体脑结构的体素计算的方法，通过概率计算，重构出患者脑沟回的结构，结合患者真实ct图像，在个体水平对电极位置进行定位，以得到准确的癫痫致痫灶定位结果。这对于临床上，确定电极信号来源至关重要。
94.进一步地，本发明实施例的脑电信号处理模块，具体描述如下：
95.本发明第二个主要部分是脑电信号处理模块。如图7所示，本发明实施例所述脑电信号处理模块的颅内脑电特征提取模块包括：
96.静息态数据获取单元，用于获取患者静息状态的颅内脑电信号；
97.睡眠态数据获取单元，用于获取患者睡眠时期的颅内脑电信号；
98.发作期数据获取单元，用于获取患者癫痫症状发作时颅内脑电信号；
99.预处理单元，所述预处理单元分别与所述静息态数据获取单元、睡眠态数据获取单元、发作期数据获取单元连接，用于对获取的静息状态的颅内脑电信号、睡眠时期的颅内脑电信号、癫痫症状发作时颅内脑电信号的三个模态数据进行预处理，对三个模态的数据进行时频分析，提取三个模态数据的不同频段的能量；
100.深度学习特征提取模块，所述深度学习特征提取模块与所述预处理单元，用于将
预处理单元提取的三个模态数据的不同频段的能量作为输入，并通过编码器提取出潜在表征作为图卷积模型中节点的属性特征。
101.具体的脑电信号处理流程如图8所示，对于脑电信号的处理，主要融入两方面数据：颅内电生理信号和低频电刺激信号；分别通过获取患者自发的颅内电生理信号和获取通过低频电刺激患者颅内电极而诱发的颅内电生理信号。
102.本发明实施例中，关于获取的患者自发的电生理信号又包含患者静息态数据、睡眠态数据以及发作期数据。其中，静息态数据是指，患者不做任何事情平静的躺在床上时颅内脑电的信号，该信号反映了患者静息状态下的脑自发连接关系。而睡眠态数据是指患者睡眠时期的颅内脑电信号，由于癫痫患者的致痫灶在患者睡眠期会偶发异常放电，因此提取睡眠态的数据对于区分致痫灶具有指导意义。而发作期数据是指患者癫痫症状发作时颅内脑电的信号，该数据是临床医生在诊断癫痫致痫灶过程中参考的主要依据。
103.见图9，图9为本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统的脑电信号处理深度学习网络与图卷积分类算法模型示意图，如图9所示，本发明通过对三个模态的数据(分别为静息状态的颅内脑电信号、睡眠时期的颅内脑电信号、癫痫症状发作时颅内脑电的信号)进行预处理，对三个模态的数据进行时频分析，提取三个模态的数据的不同频段的能量(2-4hz、4-8hz、8-12hz、12-30hz、30-60hz、60-150hz)。将提取出来的能量作为输入进入深度学习特征提取模块，通过深度学习特征提取模块的编码器将原始自发电生理信号的特征提取出来。提取出的潜在表征(xn)作为图卷积模型中节点的属性特征。深度学习特征提取模块(autoencoder，ae)是一种深度学习神经网络模型，可以将输入特征复制到输出，相比与传统主成分分析等方法，引入深度学习神经网络的算法使压缩编码维度，且通过训练得到的潜在表征能保留大部分原始数据的有效信息。随后通过对这个低维潜在表征进行重构并升维，使得重构出来的输出特征与输入特征较为接近，则认为低维的潜在表征可以代表原始高维的特征。
104.本发明实施例深度学习特征提取模块ae主要由两个部分构成：编码器和解码器。自编码器类似多层感知机，使用一个输入层、一个输出层和一个或多个隐藏层连接；将编码器和解码器转换定义为φ和ψ，输入特征为x，输出特征为y潜在特征表示为f则有如下映射：
[0105][0106]
ψ：f
→y[0107][0108]
当只有一个隐藏层条件即隐藏层即潜在特征表示情况下，潜在表征为：
[0109][0110]
其中σ是激活函数，如sigmoid或relu；w是权重矩阵，b是偏置向量，w和b通过反向传播迭代更新，之后解码器通过重建将h映射到输出特征y：
[0111]
y＝σ2(w2h+b2)
[0112]
ae经过训练以获得最小化重建误差，即损失函数；
[0113]
l(x，y)＝||x-y||2＝||x-σ2(w2(σ1(w1x+b1)))+b2)||2。
[0114]
进一步地，如图10所示，本发明实施例脑电信号处理模块的所述皮层电刺激网络构建模块，包括：
[0115]
低频电刺激单元，用于产生低频电刺激信号，刺激患者颅内电极产生颅内电生理信号；
[0116]
脑网络构建单元，所述脑网络构建单元与所述低频电刺激单元连接，用于对刺激患者颅内电极产生颅内电生理信号，构建全脑所有电极之间的结构连接图谱。
[0117]
具体地，如图8所示，本发明实施例脑电信号处理模块的皮层电刺激网络构建模块用于通过信号检测创建电极之间的脑结构连接模型，具体的主要获取通过低频电刺激患者颅内电极而诱发的颅内电生理信号，而本发明低频电刺激信号反映了电极所在脑区结构连接的属性。对皮层上的某个位置施予直接的电刺激会诱发皮层上其他位置的诱发电位(如图9所示的第二行第一张图)，这些皮层诱发电位(corticocortical evoked potentials，cceps)可以预测静息态fmri的结果并且能够检验功能上和病理学上的脑网络结论。皮层诱发电位cceps一般包括早期的(10-50ms)n1和较晚(50-500ms)的慢波n2。图9中第二行第二张图为该被试原始的ccep的波幅，纵坐标代表发出刺激的电极，横坐标代表接受刺激的电极。例如矩阵的第一行，代表刺激第一对电极时，其他所有电极对这一电刺激所作出的皮层诱发电位ccep的反应，本发明实施例的具体实验中通过所述脑电信号处理模块的皮层电刺激网络构建模块对每名被试位于灰质皮层上的每一对电极进行逐对的电刺激，构建了单个被试全脑所有电极之间结构连接的图谱。通过使用阈限，获取连接显著的电极与电极之间的ccep(皮层诱发电位)结果。ccep(皮层诱发电位)连接图谱作为图卷积模型中的边属性特征。
[0118]
本发明实施例中，如图11所示，所述脑电信号处理模块的图卷积分类模块(也叫电极分类模块)，包括：
[0119]
属性特征转换单元，用于将颅内电生理信号与低频电刺激信号之间转换得到节点属性特征与边属性特征；
[0120]
自适应图卷积分类单元，所述自适应图卷积分类单元与所述属性特征转换单元连接，用于采用自适应图卷积的方法将全部电极归类，判定正常电极和致痫区电极，生成电极分类结果，以区分病人的正常脑区和致痫灶。
[0121]
具体地，如图9第三行所示，在图卷积分类模块中增加属性特征转换单元，用于将颅内电生理信号与低频电刺激信号之间转换得到节点属性特征与边属性特征，其中，所述节点属性为睡眠态、静息态、发作期数据的特征；所述边属性特征就是皮层对皮层电刺激的连接；本发明的所述自适应图卷积分类单元采用自适应图卷积的方法将全部电极归类以区分病人的正常脑区和致痫灶。自适应图卷积方法以k-阶图卷积方法为基础，利用自适应机制来确定k值，确保图卷积次数k能够在不同图结构下获得较为适宜的值，这样，在确保结果正确性的前提下，进一步达到了无监督学习的目的。
[0122]
具体地，本发明实施例中，所述自适应图卷积分类单元具体处理时，如图9所示，当获得图卷积后特征嵌入时，为了把v个节点(即颅内电极位点)分成m个簇(其中，簇代表致痫区、非致痫区)采用k-means方法来分割特征嵌入，其中，其中k为自适应取得，自适应地判断k是图卷积中非常关键的一个环节；为了选取合适的k，采用聚类指标簇内距离表达，intra(c)表示簇c的簇内距离，x表示节点特征，i和j分别代表不同节点，v代表节点特征的集合，
表示如下：
[0123][0124]
较优聚类结果对簇内及簇间距离的衡量应是簇内距离较小，说明簇内特征间较相似，节点间较密集，基于此应是簇间距离较大，以分隔不同簇节点。本发明实施例中所述自适应图卷积分类单元的自适应过程是根据簇内距离变化情况，每执行图卷积一次即可获得当前阶图嵌入所得簇内结果并不断迭代，如果第k次图卷积所得簇内结果大于上次，然后停止迭代，以上次结果—簇内距离最小时聚类结果为最优，由此得到聚类阶数k-1。
[0125]
k-阶图卷积，x表示深度学习特征提取模块提取的每个电极的潜在表征，l表示皮层对皮层电刺激构建的电极之间连接的拉普拉斯矩阵：
[0126][0127]
其中k是正整数，表示图卷积的次数，对应的图滤波器g为：
[0128][0129]
其中，u是潜在表征对应特征向量，∧是升序排列的特征向量。
[0130]
其中，一阶图卷积汇聚节点的邻居特征，在二阶图卷积时的特征已是一阶汇聚过邻居特征的特征嵌入，故二阶卷积时节点的邻居包含节点邻居的一阶邻居信息，因而二阶卷积时能汇聚节点二阶邻居特征。由于k-阶图卷积在更新节点特征时汇聚k-阶邻居信息，在使用k-阶图卷积时应考虑长距离的数据关系，过少的图卷积次数汇聚信息量不足，过多的图卷积次数会使得全局图节点特征嵌入趋于相似，产生过平滑现象。因此k最大设定为25。
[0131]
其中，本发明实施例的k-means是一种较为经典的划分聚类算法,由于该算法的效率高,所以在对大规模数据进行聚类时被广泛应用。算法原理k-means算法以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低。
[0132]
进一步地，本发明实施例所述的基于深度学习和电生理信号的癫痫病灶区定位系统，如图13所示，所述三维立体成像模块包括：
[0133]
癫痫权重赋值单元，用于将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果进行综合化，为全脑每个体素赋予癫痫权重值，所述癫痫权重值包括脑结构异常值、脑代谢异常值、图卷积癫痫预测值；
[0134]
三维立体成像单元，用于根据脑结构异常值、脑代谢异常值、图卷积癫痫预测值的癫痫权重得分，取得分高的聚合核团，在三维立体结构中绘制出癫痫致痫灶的区域轮廓，以模拟出患者需要切除的脑结构三维立体模型。
[0135]
本发明实施例关于三维立体脑成像模块的处理过程如下：所述三维立体脑成像模块将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果，可以准确地模拟出患者需要切除的脑结构三维立体模型，具体为癫痫权重赋值单元将脑影像合成模块与脑电信息处理模块得出的结果进行综合化考虑，为全脑每个体素
赋予癫痫权重。癫痫权重值包含脑结构异常值、脑代谢异常值、图卷积癫痫预测值三个部分组成。三维立体成像单元根据脑结构异常值、脑代谢异常值、图卷积癫痫预测值三方面得分，取得分高的聚合核团，在三维立体结构中绘制出癫痫致痫灶的区域轮廓(图12b红色区域)，其中，图12a的图是本发明通过mri和ct融合出来的患者血管、电极成像结果示意图，而图12b是本发明最终得到的结果图。
[0136]
在一种较佳实施方式中，本发明三维立体脑成像模块的具体处理过程举例为：将脑影像合成模块与脑电信息处理模块得出的结果进行综合化考虑，首先将全脑分割成约109个一立方毫米大小的方块(体素)，为每个方块被赋予癫痫权重指数(epilepsy index，ei)，癫痫权重值包含脑结构异常值(structural index，si)、脑代谢异常值(metabolic index，mi)、图卷积癫痫预测值(graph-convolution index，gi)三个部分组成：
[0137]
ei＝w1*si+w2*mi+w3*gi
[0138]
其中，w1、w2和w3为预先设置的权重参数，可以由临床医生根据经验和患者临床表现，赋予不同权重，预先设置在系统。si与mi由脑影像合成模块获得。脑影像合成模块中，根据标记的脑结构异常区域与脑代谢异常区域，通过图像映射到具体体素，标记区域体素si/mi＝1，其他区域体素si/mi＝0。其中，gi由脑电信息处理模块得出。本发明实施例中脑电信息处理模块将患者颅内电极通过深度学习结合图卷积算法分类成致痫区电极和非致痫区电极。每个电极有相应的rsa坐标，以电极坐标位置为圆心，1.5cm为半径，标定球星区域。致痫区电极附近的球星区域内的体素gi＝1，其他区域体素gi＝0。
[0139]
综合三方面得分，取得分高的聚合核团，在三维立体结构中绘制出癫痫致痫灶的区域轮廓(如图12b中黑线标注区域11所示)。临床实践中，临床医生可以根据患者外显行为表现及诊断意见对最终切除区域进行调整，以获得最终切除区域的三维立体模型。
[0140]
这样，本发明的系统得到的在三维立体结构中绘制出癫痫致痫灶的区域轮廓，可以得到准确的患者的致痫灶，提高了癫痫致痫灶检测定位效率和准确率。
[0141]
由上可见，本发明实施例的基于深度学习和电生理信号的癫痫病灶区定位系统，根据所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果，可以准确地模拟出患者需要切除的脑结构三维立体模型，供外科医生做术前评估和手术模拟，结合人工智能算法，极大的节省了医生对脑电图判读的工作量，同时，提高了癫痫致痫灶检测定位效率和准确率。并且本发明还具有如下优点：
[0142]
1)、本发明的基于深度学习和电生理信号的癫痫病灶区定位系统，可以在三维立体结构中绘制出癫痫致痫灶的区域轮廓，以准确定位出癫痫致痫灶，提高了癫痫致痫灶检测定位效率和准确率，并且从图12a的本发明通过mri和ct融合出来的患者血管、电极成像结果示意图和图12b的本发明最终得到的结果图，可以得到更清晰的脑电结果图，提高了脑电图阅读的效率。
[0143]
2)、以往技术集中于利用人工智能算法抓取高频信号作为定位致痫区的依据，且数据集仅包含发作期及发作前期数据。本发明基于深度学习和电生理信号的癫痫病灶区定位系统，同时融合了睡眠期、静息态以及发作期的数据，从脑电图全频段信号出发，结合皮层对皮层电刺激的结构连接，对患者颅内电极进行分类。本发明对于患者颅内信号的利用更加全面，且融合的信息更为广泛，得到的定位结果更准确。
[0144]
3)、本发明的基于深度学习和电生理信号的癫痫病灶区定位系统，结合临床需求，
将神经内科诊断和神经外科手术所需要的辅助数据整合，提供了一套完整的、可具象化的3d建模系统和方法。为癫痫病灶区定位提供了直观具体的模拟，有助于辅助提供更准确的癫痫病灶区定位帮助。
[0145]
4)、本发明的基于深度学习和电生理信号的癫痫病灶区定位系统，经过临床实践，对患者的致痫区的预测，证明预测结果准确率高。
[0146]
示例性方法
[0147]
基于上述基于深度学习和电生理信号的癫痫病灶区定位系统实施例，如图14所示，本发明实施例还提供了一种如上述7任一项所述基于深度学习和电生理信号的癫痫病灶区定位系统的癫痫病灶区定位方法，所述方法包括以下步骤：
[0148]
步骤s100、控制通过脑影像合成模块获取脑影像数据，并将所述脑影像数据进行融合，确定患者脑结构异常与脑代谢异常区域，同时对颅内电极脑影像数据的三维重构，确定每个电极位点具体的脑沟回结构，生成脑影像病理结果，具体如上系统实施例所述；
[0149]
步骤s200、控制通过脑电信号处理模块获取颅内脑电信号，并利用人工智能算法对所述颅内脑电信号进行机器判读，结合多模态电生理信号和电刺激结构连接信号，进行正常电极与癫痫致痫区电极的分类，生成电极分类结果，具体如上系统实施例所述；
[0150]
步骤s300、控制通过三维立体成像模块，将所述脑影像合成模块生成的脑影像病理结果以及所述脑电信号处理模块生成的电极分类结果，模拟出患者需要切除的脑结构三维立体模型并输出，具体如上系统实施例所述。
[0151]
进一步地，所述步骤s100的控制通过脑影像合成模块获取脑影像数据，并将所述脑影像数据进行融合，确定患者脑结构异常与脑代谢异常区域，同时对颅内电极脑影像数据的三维重构，确定每个电极位点具体的脑沟回结构，生成脑影像病理结果的步骤包括：
[0152]
控制磁共振图像获取单元通过磁共振成像数据处理、获取mri脑影像数据；
[0153]
控制正电子发射断层扫描数据获取单元，通过正电子发射断层扫描数据处理、获取pet脑影像数据；
[0154]
控制电子计算机断层扫描数据获取单元，通过电子计算机断层扫描数据处理，获取ct脑影像数据；
[0155]
控制融合单元，对pet脑影像数据和mri脑影像数据进行融合、融合pet脑影像数据和mri脑影像数据的成像结果，并对成像结果进行处理，调整pet与mri的对比度，比较和定位患者的脑代谢异常与脑结构异常的脑区位置；并对定位患者的脑代谢异常与脑结构异常的脑区位置进行标志，对标定的结构异常或者代谢异常的脑区发送至所述三维立体成像模块，具体如上系统实施例所述。
[0156]
所述步骤s200的控制通过脑电信号处理模块获取颅内脑电信号，并利用人工智能算法对所述颅内脑电信号进行机器判读，结合多模态电生理信号和电刺激结构连接信号，进行正常电极与癫痫致痫区电极的分类，生成电极分类结果的步骤包括：
[0157]
控制颅内脑电特征提取模块获取颅内脑电信号，并通过深度学习算法提取睡眠态、静息态、发作期颅内脑电信号的特征；
[0158]
控制皮层电刺激网络构建模块，通过信号检测创建电极之间的脑结构连接模型；
[0159]
控制图卷积分类模块利用图卷积方法，结合颅内脑电特征提取模块提取的属性特征和皮层电刺激网络构建模块构建的结构连接图谱将颅内电极进行分类，判定正常电极和
致痫区电极，生成电极分类结果，具体如上系统实施例所述。
[0160]
进一步地，所述步骤s300的控制通过三维立体成像模块，将所述脑影像合成模块生成的脑影像病理结果以及所述脑电信号处理模块生成的电极分类结果，模拟出患者需要切除的脑结构三维立体模型并输出的步骤包括：
[0161]
控制癫痫权重赋值单元将所述脑影像合成模块生成的脑影像病理结果结合所述脑电信号处理模块生成的电极分类结果进行综合化，为全脑每个体素赋予癫痫权重值，所述癫痫权重值包括脑结构异常值、脑代谢异常值、图卷积癫痫预测值；
[0162]
控制三维立体成像单元，根据脑结构异常值、脑代谢异常值、图卷积癫痫预测值的癫痫权重得分，取得分高的聚合核团，在三维立体结构中绘制出癫痫致痫灶的区域轮廓，以模拟出患者需要切除的脑结构三维立体模型，具体如上系统实施例所述。
[0163]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0164]
综上所述，本发明公开了一种基于深度学习和电生理信号的癫痫病灶区定位系统及方法，本发明的基于深度学习和电生理信号的癫痫病灶区定位系统，可以在三维立体结构中绘制出癫痫致痫灶的区域轮廓，以准确定位出癫痫致痫灶，提高了癫痫致痫灶检测定位效率和准确率；并且从最终得到的结果图，可以得到更清晰的脑电结果图，提高了脑电图阅读的效率。
[0165]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。