本發(fā)明涉及智能醫(yī)療輔助，尤其涉及一種致癇灶確定方法及系統(tǒng)。

背景技術(shù)：

1、通常，癲病可以通過咨詢病史、臨床癥狀、腦神經(jīng)信號(hào)、頭部mri/ct等進(jìn)行診斷。而引起癲癇的因素有很多：有明確邊界的局灶性病變?nèi)顼B內(nèi)腫瘤、腦出血或血管畸形增粗等壓迫腦神經(jīng)的明顯病變可導(dǎo)致癲癇發(fā)作；邊界不明顯的致癇灶，如即使借助pet-ct/mri等影像學(xué)方法無法確認(rèn)明確邊界；此外還有借助pet-ct/mri等影像學(xué)方法也無法分辨出致癇灶區(qū)域，只能通過腦電圖、臨床癥狀大致聚焦整個(gè)功能區(qū)或大腦結(jié)構(gòu)異常放電導(dǎo)致癲癇，如來自視覺刺激從而引起整個(gè)枕葉神經(jīng)元異常放電、聽覺刺激導(dǎo)致顳葉神經(jīng)元異常放電、情緒異?；騽?dòng)作刺激導(dǎo)致額葉神經(jīng)元異常放電；更嚴(yán)重的如彌漫性癲癇，此類癲癇也是最棘手，最難以根治的癲癇。

2、目前，對(duì)于癲癇的初步診斷可以通過患者臨床表現(xiàn)再結(jié)合腦電圖確定，但是想要對(duì)致癇灶進(jìn)行精確定位，最好還是借助顱內(nèi)電極通過電刺激與神經(jīng)信號(hào)分析進(jìn)行致癇灶邊界確定。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種致癇灶確定方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中針對(duì)癲病的致癇灶進(jìn)行精確定位存在的缺陷。

2、第一方面，本發(fā)明提供一種致癇灶確定方法，包括：

3、采集癲癇患者的eeg、肢體動(dòng)作特征、聲音特征和情緒特征，提取癲癇識(shí)別特征；

4、將所述癲癇識(shí)別特征進(jìn)行特征融合與拼接，提取pet-ct斷層掃描圖像，訓(xùn)練異常區(qū)域分割模型，確定致病灶類型；

5、基于所述pet-ct斷層掃描圖像，獲得顱腦三維重建圖像；

6、根據(jù)所述顱腦三維重建圖像，確定立體腦電波信號(hào)seeg電極植入范圍；

7、在所述seeg電極植入范圍內(nèi)，進(jìn)行seeg刺激與信號(hào)采集，識(shí)別得到典型癲癇癥狀，對(duì)所述典型癲癇癥狀進(jìn)行特征融合與拼接，得到映射seeg信號(hào)特征；

8、由所述映射seeg信號(hào)特征確定癲癇病灶區(qū)域邊界；

9、基于所述異常區(qū)域分割模型，對(duì)所述癲癇病灶區(qū)域邊界進(jìn)行優(yōu)化。

10、根據(jù)本發(fā)明提供的一種致癇灶確定方法，采集癲癇患者的eeg、肢體動(dòng)作特征、聲音特征和情緒特征，提取癲癇識(shí)別特征，包括：

11、通過腦電帽采集癲癇患者多個(gè)通道的患者腦神經(jīng)信號(hào)，將所述多個(gè)通道的患者腦神經(jīng)信號(hào)分解為多個(gè)頻段信號(hào)，得到信號(hào)特征；

12、將動(dòng)作視頻分解為連續(xù)幀，輸入訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別超過預(yù)設(shè)置信度的連續(xù)多張圖像，將所述第一卷積神經(jīng)網(wǎng)絡(luò)的最后一層特征層展平后對(duì)連續(xù)多張圖像進(jìn)行相加操作，隨機(jī)抽取特征得到動(dòng)作特征，所述動(dòng)作特征的長度比所述信號(hào)特征的長度大1；

13、將聲音信號(hào)進(jìn)行窗口裁剪，輸入訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別超過預(yù)設(shè)置信度的連續(xù)多個(gè)窗口片段，將所述第二卷積神經(jīng)網(wǎng)絡(luò)的最后一層特征層展平后對(duì)連續(xù)多個(gè)窗口片段進(jìn)行相加操作，隨機(jī)抽取特征得到聲音特征，所述聲音特征的長度比所述信號(hào)特征的長度大1；

14、將情緒視頻分解為連續(xù)幀，輸入訓(xùn)練好的第三卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別超過預(yù)設(shè)置信度的連續(xù)多張圖像，將所述第三卷積神經(jīng)網(wǎng)絡(luò)的最后一層特征層展平后對(duì)連續(xù)多張圖像進(jìn)行相加操作，隨機(jī)抽取特征得到情緒特征，所述情緒特征的長度比所述信號(hào)特征的長度大1；

15、分別對(duì)所述信號(hào)特征、所述動(dòng)作特征、所述聲音特征和所述情緒特征求平均值，得到信號(hào)特征平均值、動(dòng)作特征平均值、聲音特征平均值和情緒特征平均值，通過機(jī)器學(xué)習(xí)算法對(duì)所述信號(hào)特征平均值、所述動(dòng)作特征平均值、所述聲音特征平均值和所述情緒特征平均值進(jìn)行加權(quán)擬合，得到所述癲癇識(shí)別特征。

16、根據(jù)本發(fā)明提供的一種致癇灶確定方法，通過腦電帽采集癲癇患者多個(gè)通道的患者腦神經(jīng)信號(hào)，將所述多個(gè)通道的患者腦神經(jīng)信號(hào)分解為多個(gè)頻段信號(hào)，得到信號(hào)特征，包括：

17、基于深度學(xué)習(xí)分類模型，訓(xùn)練每個(gè)頻段識(shí)別癲癇病模型，獲得準(zhǔn)確率最高頻段；

18、基于所述準(zhǔn)確率最高頻段訓(xùn)練識(shí)別每個(gè)通道識(shí)別癲癇病模型，對(duì)每個(gè)模型的準(zhǔn)確率進(jìn)行排序，篩選準(zhǔn)確率最高的若干通道；

19、從所述若干通道中每次隨機(jī)提取4個(gè)通道的平面坐標(biāo)以及4個(gè)通道對(duì)應(yīng)的模型識(shí)別準(zhǔn)確率；

20、對(duì)所述平面坐標(biāo)和所述模型識(shí)別準(zhǔn)確率的組合中準(zhǔn)確率最高的組合進(jìn)行等效坐標(biāo)處理，判定等效坐標(biāo)的歸屬標(biāo)簽屬性，所述歸屬標(biāo)簽屬性包括額葉、頂葉、枕葉和顳葉；

21、將得到的最佳組合對(duì)應(yīng)的模型最后一層特征層進(jìn)行展平后隨機(jī)抽取特征，將所有特征進(jìn)行拼接，得到所述信號(hào)特征。

22、根據(jù)本發(fā)明提供的一種致癇灶確定方法，將所述癲癇識(shí)別特征進(jìn)行特征融合與拼接，提取pet-ct斷層掃描圖像，訓(xùn)練異常區(qū)域分割模型，確定致病灶類型，包括：

23、將所述信號(hào)特征、所述動(dòng)作特征、所述聲音特征和所述情緒特征進(jìn)行串接后，形成特征方矩陣，將所述特征方矩陣中每個(gè)元素縮放至預(yù)設(shè)灰度范圍的灰度圖像；

24、獲取已確認(rèn)為癲癇患者的pet-ct斷層掃描圖像，訓(xùn)練無異常/異常識(shí)別深度學(xué)習(xí)模型，輸出異常pet-ct圖像和無異常pet-ct圖像；

25、利用所述異常pet-ct圖像訓(xùn)練異常區(qū)域分割模型，若確定圖像存在分割邊界，則為局灶性有明確邊界，否則，則為局灶性病變無明確邊界；

26、將所述無異常pet-ct圖像的最后一層卷積層特征進(jìn)行展平后與串接后特征進(jìn)行串接操作，輸入bp神經(jīng)網(wǎng)絡(luò)進(jìn)行二分類識(shí)別，得到所述致病灶類型。

27、根據(jù)本發(fā)明提供的一種致癇灶確定方法，基于所述pet-ct斷層掃描圖像，獲得顱腦三維重建圖像，包括：

28、獲取訓(xùn)練好的大腦功能區(qū)及解剖結(jié)構(gòu)圖像分割模型，結(jié)合所述pet-ct斷層掃描圖像，對(duì)大腦功能區(qū)及解剖機(jī)構(gòu)進(jìn)行分割及邊界線標(biāo)注，利用三維重建軟件獲得所述顱腦三維重建圖像。

29、根據(jù)本發(fā)明提供的一種致癇灶確定方法，在所述seeg電極植入范圍內(nèi)，進(jìn)行seeg刺激與信號(hào)采集，識(shí)別得到典型癲癇癥狀，對(duì)所述典型癲癇癥狀進(jìn)行特征融合與拼接，得到映射seeg信號(hào)特征，包括：

30、以若干seeg典型電流值中任一電流值為一根seeg電極提供電流刺激，其余seeg電極負(fù)責(zé)接收神經(jīng)信號(hào)；

31、將采集的電極編號(hào)進(jìn)行二維矩陣存儲(chǔ)，得到若干二維矩陣；

32、將所述若干二維矩陣中的電極信號(hào)分別輸入至訓(xùn)練好的癲癇識(shí)別模型，剔除未能識(shí)別出癲癇病信號(hào)的二維矩陣，將對(duì)應(yīng)的seeg電極進(jìn)行靜默不再使用，取剩下的seeg電極集合；

33、將所述剩下的seeg電極集合輸入至所述訓(xùn)練好的癲癇識(shí)別模型，將模型最后一層特征層進(jìn)行展平后隨機(jī)抽取特征，與所述剩下的seeg電極集合對(duì)應(yīng)的特征進(jìn)行拼接，得到新的特征；

34、將所述新的特征依次按照信號(hào)特征、動(dòng)作特征、聲音特征和情緒特征的處理步驟后得到所述映射seeg信號(hào)特征。

35、根據(jù)本發(fā)明提供的一種致癇灶確定方法，由所述映射seeg信號(hào)特征確定癲癇病灶區(qū)域邊界，包括：

36、以所述映射seeg信號(hào)特征中相同電流的相似性確定不同電流大小所對(duì)應(yīng)的電極排列區(qū)域的形心；

37、根據(jù)預(yù)設(shè)相似性比例和形心，確定不同電流大小的癲癇病灶區(qū)域邊界。

38、第二方面，本發(fā)明還提供一種致癇灶確定系統(tǒng)，包括：

39、采集模塊，用于采集癲癇患者的eeg、肢體動(dòng)作特征、聲音特征和情緒特征，提取癲癇識(shí)別特征；

40、類型確定模塊，用于將所述癲癇識(shí)別特征進(jìn)行特征融合與拼接，提取正電子發(fā)射計(jì)算機(jī)斷層顯像pet-ct斷層掃描圖像，訓(xùn)練異常區(qū)域分割模型，確定致病灶類型；

41、重建模塊，用于基于所述pet-ct斷層掃描圖像，獲得顱腦三維重建圖像；

42、范圍確定模塊，用于根據(jù)所述顱腦三維重建圖像，確定立體腦電波信號(hào)seeg電極植入范圍；

43、映射模塊，用于在所述seeg電極植入范圍內(nèi)，進(jìn)行seeg刺激與信號(hào)采集，識(shí)別得到典型癲癇癥狀，對(duì)所述典型癲癇癥狀進(jìn)行特征融合與拼接，得到映射seeg信號(hào)特征；

44、邊界確定模塊，用于由所述映射seeg信號(hào)特征確定癲癇病灶區(qū)域邊界；

45、邊界優(yōu)化模塊，用于基于所述異常區(qū)域分割模型，對(duì)所述癲癇病灶區(qū)域邊界進(jìn)行優(yōu)化。

46、第三方面，本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述任一種所述致癇灶確定方法。

47、第四方面，本發(fā)明還提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述致癇灶確定方法。

48、本發(fā)明提供的致癇灶確定方法及系統(tǒng)，通過結(jié)合pet-ct與臨床典型癥狀、eeg腦電信號(hào)進(jìn)行多模態(tài)融合對(duì)致癇灶類型進(jìn)行識(shí)別；通過對(duì)抗生成網(wǎng)絡(luò)，建立eeg神經(jīng)信號(hào)與臨床典型特征拼接后的特征與seeg神經(jīng)信號(hào)與臨床典型特征拼接后的特征的映射關(guān)系；通過改變電刺激電流大小，確定各seeg電極對(duì)癲癇發(fā)作貢獻(xiàn)權(quán)重，及所在位置癲癇信號(hào)覆蓋范圍，綜合評(píng)估得出最終致癇灶精確范圍；根據(jù)神經(jīng)信號(hào)所得致癇灶精確范圍對(duì)pet-ct中局灶性致癇灶邊界識(shí)別模型進(jìn)行優(yōu)化，使模型具備識(shí)別人眼無法辨別出的病變，及具備邊界不明顯致癇灶邊界勾勒能力。