在复杂的癫痫手术领域，医生有时需要直接聆听大脑的电信号，以找到癫痫发作的确切位置。为此，他们会进行一种被称为立体脑电图术（stereoelectroencephalography，简称 SEEG）的手术。在此过程中，带有小型金属传感器的细线会被小心地植入大脑深层组织中。这些被称为“触点”（contacts）的传感器就像微型麦克风一样，从内部记录大脑的活动。然而，一旦导线安置到位，医疗团队便面临一个难题：他们必须知道每一个传感器的精确位置，以便正确解读记录的数据。由于金属会阻挡视线，这些导线在标准的脑部扫描图像中往往是不可见的，而且导线本身在进入柔软的组织后可能会发生弯曲或变形。多年来，医生不得不依靠人工在电脑屏幕上追踪这些隐形的路径，这是一个缓慢且乏味的任务，高度依赖于人类的眼睛和判断力，对于单个患者往往需要耗费数小时。
来自捷克的一个研究小组开发了一种新工具来解决这个问题，将一项手动繁琐的工作转变为自动化过程。他们为一款名为 3D Slicer 的广泛使用的医学成像程序开发了一个软件扩展程序。这个名为“SEEG 触点检测器”（SEEG Contact Detector）的新工具充当了一个数字指南，能够自动找到金属导线上每个传感器的精确位置。医生不再需要花费数小时眯着眼睛去猜测导线在哪里弯曲，该软件通过分析扫描图像，识别出金属部分，并计算出导线的真实路径，即使导线在脑内发生了弯曲。研究人员在来自 73 名患者的数据上测试了该系统，涵盖了 78 例独立手术以及包含近 15,000 个传感器的 1,000 多根导线。结果非常精准；软件定位传感器的中位误差仅为 0.10 毫米，这一距离比人类头发丝还要细。在几乎所有案例中，计算机都能在第一次尝试时就做到正确，在测试的 1,078 根导线中，仅有 7 根需要人工修正。
该过程首先利用计算机寻找固定在头骨上的金属锚钉。随后，软件以这些锚钉作为起点，追踪导线进入大脑的路径。它考虑到了导线并非完全笔直的事实——导线在被推入大脑时可能会轻微弯曲，而软件会对这种曲线进行数学建模。一旦路径被绘制出来，该工具就会沿着这条曲线放置传感器的虚拟模型，使其与扫描中看到的实际金属信号相匹配。如果计算机遇到混乱区域，例如两根导线接触的地方，或者之前手术留下的金属板产生的阴影处，它会标记该位置供人类检查。研究人员发现，这些困难情况非常罕见，仅发生在极少数案例中，而且即便发生，医生也可以在同一个软件窗口中通过点击几次鼠标来完成修复。
这项工作代表了使癫痫手术规划变得更快、更可靠的重要一步。在此工具出现之前，定位这些传感器的任务通常是碎片化的，需要医生使用多个不同的程序或编写复杂的计算机代码，这限制了其仅能在专门的研究中心使用。通过将此工具直接构建在一个免费的标准医学成像平台中，研究人员使其能够被任何拥有电脑的诊所所使用。该软件并非取代医生的判断，而是承担了测量方面的重体力活，让医疗团队能够专注于患者的护理。该研究证实，实现这一过程的自动化不仅是可能的，而且具有高度的准确性，在保持生命攸关的大脑手术所需的精度的同时，将曾经耗时数小时的任务缩短至仅需几分钟。
技术摘要：SEEG 电极触点检测器
问题陈述
颅内电极触点的精确定位对于解释立体脑电图（SEEG）记录、绘制癫痫网络以及规划癫痫手术至关重要。目前，这一过程在很大程度上仍依赖于人工，需要临床专家视觉检查植入后的 CT 和植入前的 MRI 扫描。这种手动方法耗时较长，容易产生操作者间的差异，并且容易受到成像伪影（例如，由非平面轨迹或汇聚电极引起的伪影）的影响。虽然存在自动化工具（如 EpiTools、iELVis、sEEG-Suite），但它们往往存在碎片化问题，要求用户在定位之前必须导航多个不同的软件程序包和复杂的预处理流程（如颅骨剥离和配准）。此外，许多现有工具难以准确模拟植入过程中半柔性电极的物理弯曲。
方法论
作者提出了 SEEG Contact Detector，这是一个 3D Slicer 平台（版本 5.10.0 及更高版本）的开源扩展。该工具实现为一个基于 Python 的脚本模块，包含逻辑计算引擎和基于 Qt 的图形用户界面（GUI）。其工作流程被设计为一个集成的端到端解决方案，旨在最大限度地减少人工干预，同时允许视觉检查与优化。
检测流程通过以下阶段进行：
- 数据输入与预处理： 系统使用植入后 CT 扫描（软组织窗口）作为主要参考，并使用 T1 加权 MRI 作为解剖背景。CT 和 MRI 进行刚性配准。为了克服由金属伪影导致的配准失败，系统对 CT 进行阈值处理（HU < 3000）以在配准前去除金属。大脑掩模（ROIbrain）通过 HD-BET 算法从 MRI 自动生成，并应用于 CT 以隔离颅内结构。
- 锚定螺栓初始化： 用户在 CT 图像中的电极锚定螺栓处放置特征点。系统通过强度阈值处理（HU > 3000）并在用户定义的半径内进行最大连通分量分析来分割这些螺栓。
- 轨迹估计： 每个锚定螺栓的轴线通过主成分分析（PCA）进行估计。这提供了一个初始轨迹向量。入口点（EP）通过将特征点投影到该轴线上来定义，而末端点（TP）则根据电极的物理长度（根据触点数量、触点长度和间距距离计算得出）进行估计。
- 电极聚类： 大脑区域内的金属体素使用高斯混合模型（GMM）被分配给单个电极。GMM 使用估计的 EP-TP 轨迹进行初始化，以确保准确聚类属于特定电极的触点。
- 轨迹优化与触点建模： 通过对 3D 空间中的聚类金属体素进行五次多项式拟合来优化初始线性轨迹，从而考虑潜在的弯曲情况。电极模型由一系列代表已知物理尺寸（直径、长度、间距）的单个触点的高斯球组成，并拟合到该轨迹上。
- 触点检测： 模型沿拟合的轨迹进行迭代平移，并与 CT 图像进行互相关运算（使用滤波后的体积以减轻 X 射线饥饿伪影），以寻找最佳位置。最佳拟合模型的高斯元素中心被记录为触点位置。
- 验证与修正： 所有检测结果均在 GUI 中进行可视化展示。用户可以手动沿轨迹移动整个触点组（以一个触点或微步为单位），以修正漏检情况（例如，由于 X 射线阴影导致的漏检）或针对触点接触在一起的情况进行调整。
核心贡献
- 集成工作流： 该扩展在 3D Slicer 内提供了一个单一的、独立的运行环境，用于整个定位过程，消除了对外部预处理脚本或多个软件套件的需求。
- 鲁棒的初始化： 通过利用锚定螺栓分割进行初始化，而非仅仅依赖于植入前的规划数据或手动绘制轨迹，该工具能够适应电极的实际物理放置情况。
- 非线性建模： 使用多项式拟合的方法使得系统能够准确模拟半柔性电极真实的、通常是弯曲的轨迹，解决了仅限线性方法的局限性。
- 以用户为中心的设计： 该工具包含直观的 GUI 组件，用于初始化、视觉检查和一键式手动修正，使其对非编程人员和临床医生而言易于上手。
- 开放可用性： 其源代码通过 3D Slicer 扩展管理器和 GitHub 以 Apache-2.0 协议公开提供。
结果
该方法在一个回顾性数据集上进行了评估，该数据集包含来自 73 名患者的 78 次植入手术，共计 1,078 个电极和 14,480 个触点。金标准（GT）位置由一名经验丰富的临床工程师使用先前经过验证的流程建立。
- 准确性： 该方法在检测到的触点位置与 GT 位置之间实现了 0.10 mm 的中位数偏差（四分位距：0.06, 0.15 mm）。最大偏差为 1.07 mm。
- 失败率： 仅有 7 个电极（0.65%） 需要手动修正。这些失败归因于特定的临床场景：触点末端接触、存在其他金属颅内物体（如既往手术中的脑夹）、锚定螺栓间距过近或严重的 CT 伪影。
- 修正效率： 所有识别出的失败均可在几分钟内通过模块内置工具得到解决。
- 一致性： 对 RAS 坐标系内偏差的分析显示不存在系统性偏差，且对触点相对于头部中心的位置或电极深度几乎没有依赖性。
意义
论文声称，SEEG Contact Detector 代表了 SEEG 处理标准化和自动化的实践性进展。通过将高精度（亚体素级）与集成的、用户友好的界面相结合，该工具在保持临床可靠性的同时，将处理时间从数小时缩短至数分钟。作者强调，该工具作为 3D Slicer 扩展程序的可用性降低了采用门槛，支持了临床和研究中心之间工作流的标准化，且无需专门的编程知识。这项工作基于 Motol 和 Homolka 癫痫中心十余年的临床经验，将先前发表的算法方法转化为可部署的临床解决方案。
每周获取最佳 radiology and imaging 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。