JP2023514834A - 脳の解剖学的構造のマルチモーダル３ｄ分析を介した脳内のプローブの計画立案および設置を最適化するための方法 - Google Patents

Abstract

方法は、単一の対象脳の第１の撮像走査および第２の撮像走査を取得するステップを含む。第１の撮像走査は、第１のデータセットに転換され、第２の撮像走査は、第２のデータセットに転換される。シーケンス適応型マルチモーダルセグメント化アルゴリズムが、第１のデータセットおよび第２のデータセットに適用される。シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる。第１の標識データセットおよび第２の標識データセットは、相互に対して自動的に共位置合わせされ、第１の標識データセットおよび第２の標識データセットに基づいて変換行列を発生させる。変換行列が、適用され、第１のデータセットおよび第２のデータセットを整合させる。

Description

本願は、参照することによってその全体として本明細書に組み込まれる、２０２０年２月２０日に出願され、「Ｍｅｔｈｏｄｓ ｏｆ Ｉｄｅｎｔｉｆｙｉｎｇ ａｎｄ Ａｖｏｉｄｉｎｇ Ｖｉｓｕａｌ Ｄｅｆｉｃｉｔｓ Ａｆｔｅｒ Ｌａｓｅｒ Ｉｎｔｅｒｓｔｉｔｉａｌ Ｔｈｅｒｍａｌ Ｔｈｅｒａｐｙ ｆｏｒ Ｍｅｓｉａｌ Ｔｅｍｐｏｒａｌ Ｌｏｂｅ Ｅｐｉｌｅｐｓｙ」と題された、米国仮特許出願第６２／９７８，８６８号の優先権を主張する。

頭蓋内電極が、高時空間的分解能の頭蓋内脳波記録（ｉｃＥＥＧ）データの記録のため、および神経回路ならびに神経系の変調のために患者内に埋込される。患者は、最も一般的には、てんかん、運動障害、および精神病等の神経学的疾患の評価のために、埋込を受ける。

医学的に難治性のてんかんを患う患者の亜集合では、発作発症が、定義可能な病巣に限局化されることができ、そのような例示的状況では、外科手術的介入が、限定ではないが、カテーテルベースの組織アブレーションを含む低侵襲的アプローチを含む、病理脳組織の直接的な切除、除去、または破壊を通した、さらなる発作の活性の停止の潜在性をもたらす。残念ながら、多くの場合では、患者は、限定ではないが、頭皮脳波記録法（ＥＥＧ）および脳磁図（ＭＥＧ）、ならびに磁気共鳴映像法（ＭＲＩ）またはコンピュータ断層撮影（ＣＴ）等、構造的病変を識別するために使用される解剖学的撮像モダリティを含む、脳活動の検査を含み得る非侵襲的検査もしくは評価のみを使用して識別可能である、病変を有していない。電極はまた、てんかんの神経変調のためにも設置され、これは、現在、視床前核内または発作の発生の部位のいずれかにある。

運動障害（パーキンソン病、ジストニア、本態性振戦）もまた、一般的である。これらの障害の治療は、多くの場合、薬剤が、概して、望ましくない副作用をもたらすため、外科手術である。深部大脳基底核（例えば、視床下核、淡蒼球内節、および視床のＶＩＭ核）ならびにそれらの関連付けられる白質経路が、これらの障害に関して日常的に標的化される。

精神障害は、薬剤が効果的ではない場合に神経変調に関して急速に標的化された状態になりつつあり、これらは、治療抵抗性抑鬱、強迫性障害、外傷後ストレス障害、および摂食障害の場合を含む。

そのような例示的な患者において、硬膜下電極（ＳＤＥ）および／またはステレオ脳波記録（ＳＥＥＧ）電極ならびに／もしくは他のプローブまたはカテーテルもしくは記録デバイスの埋込が、診断のため、または神経変調を引き起こすための刺激のために健康脳領域ならびに／もしくは雄弁脳領域と推定病理学的ネットワークの基礎となり得る病理的脳領域との間の関係を精密に定義するために使用される、一般的な方略である。

方法は、単一の対象脳の第１の撮像走査および第２の撮像走査を取得するステップを含む。第１の撮像走査は、第１のデータセットに転換され、第２の撮像走査は、第２のデータセットに転換される。シーケンス適応型マルチモーダルセグメント化アルゴリズムが、第１のデータセットおよび第２のデータセットに適用される。シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる。第１の標識データセットおよび第２の標識データセットは、相互に対して自動的に共位置合わせされ、第１の標識データセットおよび第２の標識データセットに基づいて変換行列を発生させる。変換行列が、適用され、第１のデータセットおよび第２のデータセットを整合させる。

非一過性コンピュータ可読媒体であって、単一の対象脳の第１の撮像走査および第２の撮像走査を取得し、第１の撮像走査を第１のデータセットに、および第２の撮像走査を第２のデータセットに転換するように、１つまたはそれを上回るプロセッサによって実行可能である、命令でエンコードされる、非一過性コンピュータ可読媒体。命令はまた、シーケンス適応型マルチモーダルセグメント化アルゴリズムを第１のデータセットおよび第２のデータセットに適用するステップであって、シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる、ステップを行うように、１つまたはそれを上回るプロセッサによって実行可能である。命令はさらに、第１の標識データセットおよび第２の標識データセットを相互に対して自動的に共位置合わせし、第１の標識データセットおよび第２の標識データセットに基づいて変換行列を発生させるように、１つまたはそれを上回るプロセッサによって実行可能である。命令はその上さらに、変換行列を適用し、第１のデータセットおよび第２のデータセットを整合させるように、１つまたはそれを上回るプロセッサによって実行可能である。

システムは、１つまたはそれを上回るプロセッサと、メモリとを含む。メモリは、１つまたはそれを上回るプロセッサに結合され、命令を記憶する。命令は、対象脳の第１の撮像走査および第２の撮像走査を取得し、第１の撮像走査を第１のデータセットに、および第２の撮像走査を第２のデータセットに転換するように、１つまたはそれを上回るプロセッサを構成する。命令はまた、シーケンス適応型マルチモーダルセグメント化アルゴリズムを第１のデータセットおよび第２のデータセットに適用するステップであって、シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる、ステップを行うように、１つまたはそれを上回るプロセッサを構成する。命令はさらに、第１の標識データセットおよび第２の標識データセットを相互に対して自動的に共位置合わせし、第１の標識データセットおよび第２の標識データセットに基づいて変換行列を発生させるように、１つまたはそれを上回るプロセッサを構成する。命令はその上さらに、変換行列を適用し、第１のデータセットおよび第２のデータセットを整合させるように、１つまたはそれを上回るプロセッサを構成する。

種々の実施例の詳細な説明に関して、付随の図面が、ここで、参照されるであろう。

図１は、本開示による、脳撮像走査の共位置合わせのための方法に関するフロー図を示す。

図２は、本開示による、皮質脳領域および皮質下脳領域の表面モデルの発生のための方法に関するフロー図を示す。

図３は、本開示による、脳血管系の自動化されたセグメント化のための方法に関するフロー図を示す。

図４は、本開示による、下層の脳構造を可視化するための方法に関するフロー図を示す。

図５は、本開示による、電極またはプローブ埋込の自動化された計画立案のための方法に関するフロー図を示す。

図６は、本開示による、以前に埋込された電極または穿通脳プローブの自動化された限局化、命名、および可視化のための方法に関するフロー図を示す。

図７は、本開示による、単一の対象上で実施される、異なる神経撮像モダリティの共位置合わせの絵表現を示す。

図８Ａ－８Ｆは、本開示による、海馬ならびに視床の２Ｄ／３Ｄ表面モデルの発生を描写する、絵表現を示す。

図９Ａ－９Ｄは、本開示による、ヒトの脳血管系のセグメント化のための例示的ステップを示す。

図１０Ａ－１０Ｗは、本開示による、皮質および皮質下構造ならびに／もしくは機能的表現の可視化を最適化するために、恣意的な角度において表面モデルおよびボリュームモデルと交差するための切断面の使用を示す。 図１０Ａ－１０Ｗは、本開示による、皮質および皮質下構造ならびに／もしくは機能的表現の可視化を最適化するために、恣意的な角度において表面モデルおよびボリュームモデルと交差するための切断面の使用を示す。 図１０Ａ－１０Ｗは、本開示による、皮質および皮質下構造ならびに／もしくは機能的表現の可視化を最適化するために、恣意的な角度において表面モデルおよびボリュームモデルと交差するための切断面の使用を示す。

図１１Ａ－１１Ｒは、本開示による、電極または穿通プローブの埋込のための母集団由来解剖学的標的化のある実施例を示す。 図１１Ａ－１１Ｒは、本開示による、電極または穿通プローブの埋込のための母集団由来解剖学的標的化のある実施例を示す。

図１２Ａ－１２Ｅは、自動化された電極限局化および標的化の絵表現を示す。

図１３は、本明細書に開示される方法の実装のために好適なコンピューティングシステムに関するブロック図を示す。

詳細な説明
ある用語が、特性のシステム構成要素を指すために、本説明および請求項の全体を通して使用されている。当業者が理解するであろうように、異なる当事者が、異なる名称によって構成要素を指し得る。本書は、名称が異なるが、機能はそうではない構成要素を区別することを意図していない。本開示および請求項では、用語「ｉｎｃｌｕｄｉｎｇ（～を含む）」ならびに「ｃｏｍｐｒｉｓｉｎｇ（～を備える）」が、非制約的方式において使用され、したがって、「ｉｎｃｌｕｄｉｎｇ， ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ．．．（限定ではないが、～を含む）」を意味するものと解釈されるべきである。また、用語「ｃｏｕｐｌｅ（～を結合する）」または「ｃｏｕｐｌｅｓ（～を結合する）」は、間接的もしくは直接的な有線接続または無線接続のいずれをも意味することを意図する。したがって、第１のデバイスが、第２のデバイスに結合する場合、その接続は、直接的接続を通したものである、または他のデバイスおよび接続を介した間接的接続を通したものであり得る。記述「ｂａｓｅｄ ｏｎ（～に基づいて）」は、「ｂａｓｅｄ ａｔ ｌｅａｓｔ ｉｎ ｐａｒｔ ｏｎ（少なくとも部分的に、～に基づいて）」を意味することを意図する。したがって、Ｘが、Ｙに基づく場合、Ｘは、Ｙおよび任意の数の他の因子の関数であり得る。

脳内に電極または他の医療デバイスを埋込するためのいくつかの臨床的理由が、存在し、焦点性てんかんが、例証的目的のために本明細書において焦点を当てられる単一の例示的病状を提供する。侵襲的な監視または介入手技のための基準を充足する、そのような全ての患者において、患者の臨床的過程が、大まかには、３つの段階、すなわち、１）計画立案、２）データ入手、および３）介入に分類されることができる。一般に、計画立案段階の間、患者は、また、血管の強調された撮像のための造影剤の血流の中への注入に続いても実施され得る、ＭＲＩを使用した高分解能の解剖学的撮像を受ける。ごく最近では、計算モデル化技術の改良に伴って、これらの撮像走査からのデータが、臨界的または極めて重要な解剖学的構造を考慮しながら、後続の外科手術的介入を計画立案している外科医および臨床医により良好に通知し得る、患者の脳の解剖学的構造の２Ｄモデルならびに３Ｄモデルを発生させるために使用され得る。

計画立案に続いて、患者は、頭蓋内電極埋込を受け、それに続いて、術後の撮像が、典型的には、埋込された電極を患者の皮質解剖学的構造に精密かつ正確に関連付けるために入手される（例えば、ＣＴ脳走査）。同様に、埋込された電極またはプローブの２Ｄならびに／もしくは３Ｄ計算モデルも、撮像走査を繰り返すステップから発生され、いったん異なる（埋込前または埋込後の）撮像データが、相互と共位置合わせするようにもたらされる（例えば、共通座標空間に製造される）と、入手された電気生理学的データを下層の皮質解剖学的構造に関連付けるために使用されることができる。

介入段階において、段階１および２（計画立案ならびに埋込）から採集されたデータは、推定病理学的焦点が限局化され得るかどうか、および該当する場合、臨界脳構造ならびに非臨界脳構造とのその関係を判定するための、患者の包括的な臨床的評価の一部として使用されている。本情報は、外科医によって、健康または極めて重要な脳領域への傷害を最小限化する、発作病巣の除去のための最終的な外科手術計画立案を最適化するために使用される。

これらの段階のそれぞれにおいて、精度および正確度は、患者が、そうでなければ回避し得ないかなる一過性または恒久的な有害な神経学的転帰も持続させないことを確実にするために最も重要である。これまでの２０年間において開発された多数の技術的、撮像、および計算の進歩にもかかわらず、著しい技術上の障害が、残っている。これらは、電極埋込の自動化された計画立案のため、臨界構造（例えば、血管）への傷害のリスクを最小限化するためのみの非侵襲的撮像データを使用する方法のため、潜在的な外科手術的介入を通知するために、埋込後の撮像データと神経解剖学的および機能的データの自動化された、ならびに／もしくは半自動化された統合のための、異なる撮像モダリティの正確な共位置合わせに関する課題を含む。本明細書に開示される方法およびシステムは、下記に説明される新規のアプローチを使用して前述の限界を克服する。

本開示の実施形態は、異なる脳撮像モダリティのロバストかつ正確な共位置合わせに関する。特に、本開示は、これらの撮像モダリティの対象内マルチモーダル共位置合わせをロバストかつ自動化された方式において正確に達成するための脳撮像の入手のために使用される、同一および／または異なる撮像モダリティに対するシーケンス適応型マルチモーダルセグメント化アルゴリズムの新規適用を説明する。シーケンス適応型マルチモーダルセグメント化アルゴリズムは、患者に対して実施されるオリジナル脳撮像走査から発生された３Ｄデータセットに適用され、これは、限定ではないが、神経撮像インフォマティクス技術イニシアチブ（ＮＩＦＴＩ）によって説明されるようなデータ形式を含み得、患者の脳走査の撮像ファイルから発生され、その例示的実施形態は、医学におけるデジタル撮像および通信（ＤＩＣＯＭ）規格によって定義された規格に従って記憶される画像であり得る。シーケンス適応型マルチモーダルセグメント化アルゴリズムは、オリジナルデータセットの同一のボリュームおよび幾何学形状の新しい標識されたセグメント化データセットを生成するために、さらなるまたは付加的な前処理（限定ではないが、強度正規化ならびに／もしくはボリューム構造を含む）の必要性を伴わずにデータセットに適用されるが、その各ボクセル内のもの（すなわち、３Ｄピクセル）は、そのオリジナルの強度値が一意の解剖学的領域および／またはそのボクセルが様々の脳領域に属する確率（その例示的な実施形態は、テンプレートもしくは参照解剖図によって定義されるような脳領域の確率的分布を含み得る）に関連する、数によって置き換えられている。セグメント化されたデータセットは、次いで、同一の患者における同一および／または異なる撮像モダリティから発生された、同等にセグメント化された「標的」データセットに整合されるべき共位置合わせアルゴリズムへの「移動」入力として利用される。共位置合わせアルゴリズムはまた、計算出力の一部として、前方（すなわち、「移動」データセットを「標的」データセットに整合させる）方式および後方（すなわち、「標的」データセットを「前方」データセットに整合させる）方式の両方にある、対称的方式において入力された「移動」データセットと「標的」データセット」との間の整合を厳密に複製するために必要とされる数学演算を説明する変換行列を発生させるであろう。いったん変換行列が、発生されると、変換行列は、オリジナルの移動データセットのボリューム幾何学形状を共有する任意のデータセットに適用し、それをオリジナル標的データセットと整合させることができる。本開示は、セグメント化を使用して発生された変換行列に基づいて同一または異なる撮像モダリティ（例えば、ＭＲＩおよびＣＴ）を使用して同一の対象内で得られた撮像データセットを共位置合わせするためのセグメント化アルゴリズムの完全に新しい用途を説明し、これは、脳画像の対象内マルチモーダル共位置合わせのための以前の最新技術を有意に進歩させる技術上の改良を提供する。本開示の実装は、限定ではないが、解剖学的欠陥、病変、および／または腫瘤、異物、出血、ならびに／もしくは撮像データセット間の強度差、および／または使用される撮像パルスシーケンスの差異、ならびに／もしくはそれに基づいて画像が入手された走査装置プラットフォームパラメータを含む、他の現在既存の共位置合わせ方法の失敗の一般的原因であろう、撮像特徴の存在にもかかわらず、満足のいく成果をもたらす。

本開示の実施形態は、ｓＥＥＧ電極の外科手術前の計画立案および埋込後の限局化を促進するための解剖学的に正確な皮膚ならびに頭蓋骨モデルを発生させるためにシーケンス適応型マルチモーダルセグメント化アルゴリズムによって発生された頭蓋外境界層を使用する方法に関する。ＣＴ撮像からの直接的な頭蓋外境界要素のセグメント化は、以前の方法の改良である、完全に新規のアプローチである。Ｔ１加重ＭＲＩデータセットに適用された方法を使用した頭蓋骨境界層の発生もまた、これらの層を推定するために使用される境界要素モデル化の現在の方法に対する改良を実証する、本分野に対する完全に新しいアプローチである。これらの改良は、電極埋込のための頭蓋骨／脳および皮膚／頭蓋骨境界層を提供することによって、外科手術的電極埋込の計画立案に有形の利益を提供する。

本開示の実施形態は、限定ではないが、コントラスト加重Ｔ１ ＭＲ撮像を含む、３Ｄ脳撮像データセットからの血管のセグメント化を補助するためのマスクとして、脳脊髄液（ＣＳＦ）ボリュームならびに灰白質皮層および白質皮層のセグメント化を使用する方法に関する。いくつかの例示的実施形態では、ＭＲ撮像データセットは、類似する（但し、より低い）強度値を伴う周囲の組織から（例えば、白質索または部分ボリューム平均化から）血管を反射する可能性が高い高強度ボクセルをより良好に分離するようにアップスケーリングされた、それらの強度値を有し得る。アップスケールコントラストＭＲＩを使用した血管セグメント化のためのパラメータ空間をマスクおよび制約するためのＣＳＦ境界層の使用は、大脳血管系のセグメント化を促進するための新規アプローチである。

本開示の実施形態は、いくつかの例示的実施形態では、前述のＣＳＦマスクデータセット、灰白質マスクデータセット、および白質マスクデータセットから血管をセグメント化するためにマルチスケールのヘッセベースのフィルタを適用する方法に関する。

本開示の実施形態は、患者の海馬、扁桃体、ならびに他の皮質下構造の２Ｄ／３Ｄ解剖学的メッシュモデルを発生させる、および、その高分解能テンプレートボリュームから導出されるこれらの解剖学的メッシュの標準化されたバージョンを発生させるための方法に関する。

本開示の実施形態は、セグメント化された血管ボリュームに関連して定義された損失関数および／またはリスクメトリックを使用した、脳の中への電極もしくは穿通プローブの埋込のための最適な軌道を判定する方法に関する。

本開示の実施形態は、大脳血管系の２Ｄ／３Ｄ可視化の方法に関する。いくつかの例示的実施形態では、前述の可視化は、血管ボリュームの不連続性を再構築するステップを要求するであろう。いくつかの例示的実施形態では、本可視化は、元々拡散テンソル撮像のために開発されたアルゴリズムを使用して達成される。そのような例示的実施形態では、デジタル画像強度変調が、いくつかの実施形態では、３Ｄ撮像ボリューム内での異方性拡散を模倣するためにヘッセベースまたはテンソルベースの分解を使用して実施される、３Ｄ空間内の具体的な指向性勾配に制約された、血管ボリュームに適用される。これらのデータセットは、その後、類似しているが不連続の撮像特徴間の接続をモデル化および予測するために、拡散テンソル撮像ツールボックスによって処理されることができる。本方式では、例えば、低い信号対雑音比に起因して不連続な状態になりつつある類似のボクセル間の可能性が高い接続または処理アーチファクトが、（例えば、３Ｄ撮像ボリューム内の血管に関して）再度モデル化され、可視化されることができる。本方式で、例えば、連続的な血管が、不連続のデータセットから再構築されることができる。

本開示の実施形態は、外科手術の計画立案における使用のための海馬、扁桃体、視床、大脳基底核、および他の皮質下構造のトポロジ的に正確な２Ｄ／３Ｄ表面ベースの表現ならびに／もしくは解剖学的メッシュモデルを発生させる方法に関する。皮質領域の区画化もまた、発生され、これらの構造のうちのいずれか１つが、隣接する構造および反対側の構造に対して独立して可視化ならびに操作されることができる。さらに、母集団ベースの解剖図およびテンプレートを使用すると、これらの皮質下構造ならびに／もしくは他の深部構造の標準化された表面モデルもまた、発生され得、これは、元々皮質ベースの対象間分析のために開発され、正確度および結果に対する有意な改良をもたらすことが示された表面ベースの共位置合わせならびに分析技法の翻訳および適用を可能にするであろう。これらの方法は、海馬領域病態および／または他の皮質下領域病態のモデル化の有意な改良、ならびに直接的な可視化を通した、もしくはメッシュ表面モデルに関する機能的または電気記録的データの表現を通した海馬／扁桃体もしくは他の深部脳構造病態の理解、またはこれらの領域への電極もしくは穿通プローブまたはカテーテル埋込のモデル化に関する理解を提供するであろう、本分野への完全に新しい貢献である。

本開示の実施形態は、対象のコントラスト加重Ｔ１ ＭＲ撮像から取得されたボリューム幾何学形状および変換行列を使用した、ロボット、機械的、またはヒト埋込デバイスもしくはプロセスから取得された軌道を対象の解剖学的Ｔ１ ＭＲ撮像に整合させる方法に関する。

本開示の実施形態は、自動化された区画化技法、ならびに標的が解剖学的構造に基づいて以前に定義された、標準的テンプレート空間に対象脳を歪ませるために（逆もまた同様）線形および／または非線形変形アルゴリズムを使用して、埋込もしくは標的化されるべき解剖学的標的を精密に識別する方法に関する。

本開示の実施形態は、以前に埋込された母集団から導出された以前の確率分布を使用して、埋込または標的化されるべき解剖学的標的を精密に識別する方法に関する。

本開示の実施形態は、発作の具体的な記号学的特徴またはてんかんの特性評価によって指示される、てんかんの識別のために設置される深度電極を使用した埋込軌道の教師なし設計を促すように解剖学的標的を割り当てることに関する。これは、レーザプローブ、記録のため、または変調のための脳電極、定位固定生検プローブの設置、解剖学的制約および以前の埋込症例を使用した、軌道を介した脳の中への生物学的材料、細胞物質、遺伝子材料、もしくは化学的材料の注入に適用され得る。

本開示の実施形態は、母集団を横断した、以前のレーザアブレーションボリュームから導出された以前の確率分布を使用した、予測されるアブレーションボリューム（すなわち、影響を及ぼされ得る海馬組織の予期されるボリューム）の３Ｄ表面モデルを発生させる方法に関する。これは、後続のレーザアブレーションまたは他の類似のカテーテルベースの療法のための外科手術前の計画立案および情報に基づいた軌道のモデル化を改良するであろう、本分野への新しい貢献である。

本開示の実施形態は、運動、感覚、聴覚、または視覚プロセス等の極めて重要な機能に関わる（拡散撮像から導出される決定論的トラクトグラフィもしくは確率的トラクトグラフィのいずれを介しても識別される）白質経路を識別し、それに対する損傷を回避するための自動化された技法に関する。

本開示の実施形態は、埋込後ＣＴ脳撮像データセットの強度アップスケーリングおよび結果として生じる金属アーチファクトのボリュームベースのクラスタリングアルゴリズムを使用した、自動化されたセグメント化ならびにｓＥＥＧ電極の限局化の方法に関する。同一の撮像空間に以前に整合されたロボット埋込デバイスからの軌道が、ノイズからの金属電極アーチファクトの識別を促進するために線形回帰モデリングを使用して適合される。線適合モデルが、電極場所における逸脱を考慮するための自動化された方法を可能にする。３Ｄボリュームクラスタリング探索アルゴリズムを使用して識別されたアーチファクトクラスタが、本着目クラスタ内にはない任意の皮質領域をマスクする間、反復的に探索され、重複する、または合成されたアーチファクトが分解され得ることを確実にする。識別されたクラスタが、軌道経路と識別されたクラスタの軌道との間の平行関係についての情報、ならびにいったん十分な数の電極が識別された時点で軌道を再度適合させるためのクラスタの質量中心についての情報を使用して、ロボット軌道に整合される。探索アルゴリズムのリアルタイムの可視化が、情報的およびデバッグ目的のためにクラスタ探索結果の同時更新を可能にする。

本開示の実施形態は、提案された軌道と共線的な平面に沿ってスライスされた、構造的な磁気共鳴映像によって露見された、表面トポロジおよび深部解剖学的構造の皮質メッシュモデルの同時の可視化によって補助される、斜めの軌道に沿った複数の定位固定深度プローブの埋込計画立案の検証のための方法に関する。任意の所与の平面において脳表面をスライスすることは、３Ｄにおける深部に埋もれた皮質の可視化を可能にし、また、臨床医による外科手術の計画立案の迅速な確認も可能にする。

本開示の実施形態は、任意の平面に沿った異なる表面モデル（例えば、皮膚、頭蓋骨、血管、脳、海馬、扁桃体等）を選択的に可視化する、またはそれと相互作用するために３Ｄ空間幾何学形状を操作する方法に関する。表面は、任意の平面に沿って選択的に横断可能にレンダリングされることができる。区画化または頭蓋内ＥＥＧ活性度の可視化は、同様に、任意の平面に沿った、可視化された表面に沿って、もしくはそれに対して深くレンダリングされることもできる。

本開示の実施形態は、本活性化に関わる可能性の高い灰白質領域を反射する下層の皮質リボンに制約された、ユーザ定義された着目活性化を描写する、頭蓋内脳波記録（ｉｃＥＥＧ）活性度を表面ベースの表現からＤＩＣＯＭまたは３Ｄデータセットフォーマットに変換するための方法に関する。

本開示の実施形態は、記録されたｉｃＥＥＧデータの一意の神経発生器をモデル化するために経験的ソース限局化推定を実施するための方法に関する。

本明細書に開示される方法を使用すると、埋込された構造が、既知の計画立案された軌道に沿った外科手術後撮像においてテンプレート合致探索を用いて自動的に分解される。これは、臨床スタッフに、自動化された方式において（例えば、各電極を手動で識別することなく）全ての埋込された材料に関する最終的な場所を提供し、外科手術正確度の厳格な測定を可能にする。ある具体的用途では、本明細書に開示される方法は、近心側頭葉てんかんのためのレーザ間質熱療法後の視覚障害を回避することに役立つ。

図１は、異なる撮像モダリティによって対象に関して取得された脳撮像走査の共位置合わせのための方法１００に関するフロー図を示す。便宜上、順次描写されているが、示される動作のうちの少なくともいくつかが、異なる順序で実施される、および／または並行して実施されることができる。加えて、いくつかの実装が、示される動作のうちのいくつかのみを実施してもよい。方法１００の動作が、本明細書に開示されるようなコンピューティングシステムによって実施されてもよい。

ブロック１０２において、対象の脳の１つまたはそれを上回る撮像走査が、取得される。撮像走査は、磁気共鳴映像法シーケンス（ＭＲＩ）、コンピュータ断層撮影法（ＣＴ）シーケンス、脳磁図（ＭＥＧ）、陽電子放出断層撮影（ＰＥＴ）、またはそれらの任意の組み合わせ等の走査モダリティを用いて実施されてもよい。

ブロック１０４において、撮像走査が、撮像走査内に含有される脳撮像データの記憶、分析、および操作のために使用され得る、ファイルフォーマット／データセットに転換される。例えば、撮像走査は、ＮＩＦＴＩフォーマットに転換されてもよい。

ブロック１０６において、ブロック１０４において生産された各データセットが、シーケンス適応型マルチモーダルセグメント化アルゴリズムへの入力として提供され、標識された区画化およびセグメント化データセットを発生させる。一般に、セグメント化アルゴリズムは、確率的解剖図を患者データセットに整合させることによって進行する。解剖図は、一例示的実施形態では、具体的な脳領域標識の確率を、ボクセルの強度値を与えられたデータセットの任意のボクセルに割り当てることに役立つ。一例示的実施形態では、これは、解剖図が具体的な組織クラスに属するボクセルの以前の確率を提供する、ベイズ分析を使用することによって達成され得る。アルゴリズムは、次いで、実施例として、所与の脳領域標識とそのデータセットのボクセル内での強度値の分布との間の関係を定義するために、尤度分布を利用してもよい。用語「組織分類」は、白質、灰白質、脳脊髄液、脳腫瘍、および／または他の脳領域を指し得る。ここで使用される用語「整合」は、線形方法もしくは非線形方法のいずれも指し得る。脳ＭＲＩのシーケンス適応型セグメント化のためのセグメント化アルゴリズムの使用の実施例に関して、例えば、Ｐｕｏｎｔｉ Ｏ．， Ｉｇｌｅｓｉａｓ Ｊ．Ｅ．， Ｖａｎ Ｌｅｅｍｐｕｔ Ｋ． （２０１３） Ｆａｓｔ， Ｓｅｑｕｅｎｃｅ Ａｄａｐｔｉｖｅ Ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ Ｂｒａｉｎ ＭＲ Ｕｓｉｎｇ Ｐａｒａｍｅｔｒｉｃ Ｍｏｄｅｌｓ． Ｉｎ： Ｍｏｒｉ Ｋ．， Ｓａｋｕｍａ Ｉ．， Ｓａｔｏ Ｙ．， Ｂａｒｉｌｌｏｔ Ｃ．， Ｎａｖａｂ Ｎ． （ｅｄｓ） Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ － ＭＩＣＣＡＩ ２０１３． ＭＩＣＣＡＩ ２０１３． Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ｖｏｌ ８１４９． Ｓｐｒｉｎｇｅｒ， Ｂｅｒｌｉｎ， Ｈｅｉｄｅｌｂｅｒｇ． ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１００７／９７８－３－６４２－４０８１１－３＿９１を参照されたい。異なる撮像モダリティの共位置合わせのためのシーケンシングアルゴリズムの適用は、当技術分野において（例えばＭＲＩとＣＴとの間では）公知ではなく、ここでは新規の用途である。着目すべきこととして、異なる撮像モダリティ間で高速で正確かつロバストな共位置合わせ（その例示的実施形態が、ＭＲＩ撮像走査およびＣＴ撮像走査の共位置合わせであり得る）を達成するための本アルゴリズムの適用は、以前の最新技術に優る有意な改良である。標識データセットでは、撮像データ（撮像データの模範データ単位は、（本明細書ではボクセルと称される）１ｍｍ×１ｍｍ×１ｍｍの分解能の３Ｄピクセルである）が、表される頭蓋外構造および頭蓋内構造に従って割り当てられた数字標識によって置き換えられる。種々の実施形態では、ボクセルは、ユーザによって有用であると見なされる、任意の寸法であることができる。用語「区画化」は、標識された皮質領域を指すために使用される一方、用語「セグメント化」は、標識された皮質下領域を指す。本開示では、これらの２つの用語が、任意の標識された皮質領域または皮質下領域を指すために同義的に使用される。

ブロック１０８において、標識データセットが、共位置合わせアルゴリズムに入力され、それによって、任意の２つのデータセットが、相互の座標空間に整合され、それから本座標変換が、本他のデータセットを第２の入力データセットの座標空間に整合させるために２つの入力データセットのうちのいずれか一方のボリューム幾何学形状を共有する、任意の他のデータセットに適用されることを可能にする、数学的変換行列が、発生される。変換行列は、一例示的実施形態では、等式ｐ’＝Ｍｐによって定義されるような、点ｐから別の点ｐ’への線形、剛体、および／またはアフィン変換を定義する、４×４行列Ｍであってもよい。本実施例では、点ｐは、ボクセルのｘ、ｙ、ｚ座標から成る列ベクトルおよび数値１を使用して、データセット内の１つのボクセルの場所を定義する。例えば、ｐ＝（ｘ，ｙ，ｚ，１）である。行列／ベクトル積は、行列Ｍからのベクトル列を列ベクトルｐからの対応する（ｘ，ｙ，ｚ，１）値で乗算する。スカラー／ベクトル積を合算することは、出力ベクトルｐ’：（ｘ’， ｙ’，ｚ’，１）を発生させる。そのような実施例では、行列Ｍの上側の３×４要素は、ｐに適用される変換、（他の演算の中でも）回転、スケーリング、および／または剪断の組み合わせを記憶するために使用される、実数を含有し得る。本模範における最終行は、（０ ０ ０ １）であろう。本形態の変換行列が、種々の神経撮像分析ソフトウェアのうちの１つまたはそれを上回るものを使用して発生されてもよい。具体的にはＣＴ撮像の場合における、標識データセットと共位置合わせに対する入力としての区画化／セグメント化の併用は、（例えば、強度スケーリング差または組織境界差に関連する）以前の最新技術の限界の多くのものを克服し、解剖学的欠陥（例えば、脳卒中）、脳病変（例えば、腫瘍）、もしくは他の撮像アーチファクトの存在下においても確実に正確な共位置合わせを発生させる。

ブロック１１０において、ブロック１０４において発生されたデータセットが、変換行列を使用して相互に整合される。

図２は、本開示による、皮質脳領域および皮質下脳領域の表面モデルの発生のための方法２００に関するフロー図を示す。便宜上、順次描写されているが、示される動作のうちの少なくともいくつかが、異なる順序で実施される、および／または並行して実施されることができる。加えて、いくつかの実装が、示される動作のうちのいくつかのみを実施してもよい。方法２００の動作が、方法１００によって生産されるような標識データセットに対して、本明細書に開示されるようなコンピューティングシステムによって実施されてもよい。

方法２００によって発生された表面モデルは、１つの対象の表面上の任意の点と別の対象内の表面上の同一の点との間の２点間対応を可能にする、母集団レベル解剖図から導出された標準化されたメッシュモデルを含む。

ブロック２０２において、着目皮質領域または着目皮質下領域に関する標識された値に合致する全てのボクセルが、それらの着目ボクセルのみを含有する新しい３Ｄデータセット内に抽出される。例えば、新しいデータセットは、方法１００のセグメント化処理の間に識別されるような右海馬を含んでもよい。

ブロック２０４において、ブロック２０２において形成されたセグメント化された着目皮質領域または着目皮質下領域の３Ｄデータセットが、標準的なボリューム／表面転換を使用して表面メッシュモデルに転換される。一般に、標準的なボリューム／表面転換は、既存のオープンソース神経撮像ソフトウェアを使用して達成され得る。そのような方法の一般的かつ例示的実施形態は、（例えば、Ｆｒｅｅｓｕｒｆｅｒ： ｈｔｔｐｓ：／／ｓｕｒｆｅｒ．ｎｍｒ．ｍｇｈ．ｈａｒｖａｒｄ．ｅｄｕ／ｆｓｗｉｋｉ／ｍｒｉ＿ｔｅｓｓｅｌｌａｔｅによって提供されるような）メッシュを発生させるためのバイナリ化された値を使用した表面モザイク化が後に続く、ボリュームバイナリ化、またはオープンオースの血管モデル化ツールキットソフトウェア（ＶＭＴＫ： ｈｔｔｐ：／／ｗｗｗ．ｖｍｔｋ．ｏｒｇ／ｖｍｔｋｓｃｒｉｐｔｓ／ｖｍｔｋｍａｒｃｈｉｎｇｃｕｂｅｓ．ｈｔｍｌ）によって利用可能にされるようなマーチングキューブアルゴリズムを含む。一例示的実施形態では、表面／解剖学的メッシュモデルが、そのそれぞれが２Ｄ面を有し、具体的なボリューム幾何学形状に従って組み合わせられ、モデル化されたオブジェクトのトポロジ的に正確な表現を形成する、三角形を形成するために線によって継合される、３Ｄ空間内の点として定義されてもよい。表面／解剖学的メッシュモデルは、一例示的実施形態では、次いで、３Ｄオブジェクト（例えば、脳表面）を描写するために３Ｄ空間に折り畳まれる、２Ｄモデル（例えば、平面）であってもよい。

ブロック２０６において、結果として生じる表面モデルの曲率および溝特徴が、算出され、これは、次いで、表面モデルの伸張されたバージョンを標識された母集団データから発生された同一の領域の高分解能解剖図に合致するように非線形に整合させるために使用される。本文脈では、「高分解能解剖図」は、いくつかの例示的実施形態では、代表的な対象の群から算出され、標準的なリポジトリの一部として利用可能になる平均パターンとして以前に調製された、皮質の曲率データの基準テンプレートパターンを指し得る。他の例示的実施形態では、そのようなテンプレートデータが、選択された対象母集団（例えば、特定の機関においてある方法において手術された患者）を使用して発生されてもよい。

ブロック２０８において、すでに解剖図と整合している標準化された表面メッシュが、対象のオリジナル表面モデル上にオーバーレイされ、本標準化された表面メッシュの座標が、対象の生来の座標空間の周囲の座標の再サンプリングによって置き換えられる。表面メッシュは、その面が表面モデルの面を形成する三角形を形成するために線によって接続される、ノードと呼ばれる、空間内の何千もの点から成る。標準化された表面の文脈において、メッシュモデルは、固定された数のノードから成り、具体的なノード／解剖図領域対応を維持し（すなわち、各ノードは、解剖図内の同一の領域に対応する）、本対応は、対象を横断して温存され得る。本対応を温存するために、各対象に関して、標準化された表面メッシュおよび対象自体のオリジナル表面メッシュが両方とも、非線形方式において変形され、前述の高分解能母集団解剖図から導出された球状のテンプレートメッシュに整合する。対象メッシュおよび標準化されたメッシュは両方とも、溝パターンと曲率パターンとの間の重複を最大化するように歪められる。いったん対象メッシュおよび標準化された表面メッシュが両方ともテンプレート解剖図に整合され、したがって、相互と整合されると、標準化された表面メッシュのノードが、対象のオリジナル表面メッシュから周辺のノードのサブセット（その例示的実施形態は、４つの最近傍のノードであり得る）の座標の平均を割り当てられる。本方式において、標準化された表面は、両方ともテンプレートに整合されている間、対象の解剖学的座標空間に歪められ、それによって、標準化された表面とテンプレート解剖図の１対１対応を温存する。いったん共位置合わせの間に使用される球状構成から収縮されると、標準化された表面メッシュは、対象自体の解剖学的構造のトポロジを呈しながら、続いて、ノードと解剖図識別との間のその１対１対応を維持する。本方式において、表面ベースの比較が、単純に表面間の具体的なノードと同一のノードを比較することによって、高レベルの正確度を伴って、対象を横断して実施されることができる。

方法２００の動作は、対側半球領域および任意の他の付加的な皮質または皮質下もしくは他の標識／セグメント化または区画化された脳表面が発生されるように繰り返されてもよい。皮質表面のための標準化された表面の発生に関する情報に関して、例えば、Ｓａａｄ， Ｚ．Ｓ．， Ｒｅｙｎｏｌｄｓ， Ｒ．Ｃ．， ２０１２． Ｓｕｍａ． ＮｅｕｒｏＩｍａｇｅ ６２， ７６８－７７３． ｈｔｔｐ：／／ｄｘ．ｄｏｉ．ｏｒｇ／１０． １０１６／ｊ．ｎｅｕｒｏｉｍａｇｅ．２０１１．０９．０１６．； Ｋａｄｉｐａｓａｏｇｌｕ ＣＭ， Ｂａｂｏｙａｎ ＶＧ， Ｃｏｎｎｅｒ ＣＲ， Ｃｈｅｎ Ｇ， Ｓａａｄ ＺＳ， Ｔａｎｄｏｎ Ｎ． Ｓｕｒｆａｃｅ－ｂａｓｅｄ ｍｉｘｅｄ ｅｆｆｅｃｔｓ ｍｕｌｔｉｌｅｖｅｌ ａｎａｌｙｓｉｓ ｏｆ ｇｒｏｕｐｅｄ ｈｕｍａｎ ｅｌｅｃｔｒｏｃｏｒｔｉｃｏｇｒａｐｈｙ． Ｎｅｕｒｏｉｍａｇｅ． ２０１４ Ｎｏｖ １；１０１：２１５－２４． ｄｏｉ： １０．１０１６／ｊ．ｎｅｕｒｏｉｍａｇｅ．２０１４．０７．００６． Ｅｐｕｂ ２０１４ Ｊｕｌ １２． ＰＭＩＤ： ２５０１９６７７）を参照されたい。しかしながら、皮質下領域の標準化された表面ベースのメッシュを発生させるためのそのような方法は、公知ではない。そのような領域の例示的実施形態は、海馬、扁桃体、視床核、および大脳基底核を含み得る。そのような表面モデルは、以前には行われていない様式における個人間のこれらの皮質下構造の一致を可能にする、個々の解剖学的構造のための標準化された皮質下表面を生成するために使用され得る。

標準化された表面メッシュの発生を可能にするために領域の高分解能解剖図の使用と併せた、表面ベースのモデルまたは分析に従来含まれていない、脳領域（例えば、海馬領域ならびに／もしくは偏桃体領域および／または皮質下領域）のための方法２００の使用は、以前にそのような方法を皮質領域（例えば、厳密に灰白質表面もしくは白質表面）のみに制約していた、以前の最新技術に優る有意な改良である。

図３は、本開示による、脳血管系の自動化されたセグメント化および２Ｄ／３Ｄ表面ベースのモデルならびにボリュームベースのモデルの発生のための方法３００に関するフロー図を示す。便宜上、順次描写されているが、示される動作のうちの少なくともいくつかが、異なる順序で実施される、および／または並行して実施されることができる。加えて、いくつかの実装が、示される動作のうちのいくつかのみを実施してもよい。方法２００の動作が、本明細書に開示されるようなコンピューティングシステムによって実施されてもよい。

ブロック３０２において、対象の脳の１つまたはそれを上回る撮像走査が、取得される。撮像走査は、コントラスト加重ＭＲＩ走査（例えば、コントラストＭＲＩデータセットと称されるであろう、コントラストを用いたＴ１加重ＭＲＩ）を含む。

ブロック３０４において、撮像走査が、オリジナル撮像記憶フォーマット（例えば、ＤＩＣＯＭ）から方法１００による３Ｄデータセットに転換される。転換の間、コントラストＭＲＩの強度値は、可変的にアップスケーリング（例えば、１００倍）され、それらの周囲からのコントラスト強調された構造（例えば、血管）の区別を促進する。

ブロック３０６において、シーケンス適応型マルチモーダルセグメント化アルゴリズムが、方法１００によるように、コントラストＭＲＩから標識データセットを発生させるために使用される。

ブロック３０８において、コントラストＭＲＩデータセットのための、方法１００において説明されるように発生される、標識データセットからのマスクが、脳脊髄液（ＣＳＦ）領域に属するものとして識別される全てのボクセルを下位選択するために使用される。ＣＳＦマスク（下位選択されたボクセル）は、血管を表す高強度ボクセルが、最も一般的には、ＣＳＦ内で軟膜表面に隣接して限局化されるため、血管セグメント化アルゴリズムに対する新規の改良を提供する。これは、臨床的に有意な出血の最も大きいリスクをもたらすと見なされるそれらの血管（典型的には、≧１．５ｍｍの直径を伴う脈管）に関して特に当てはまる。灰白質標識された領域および白質標識された領域のための類似するマスクもまた、発生される。

ブロック３１０において、撮像データ内の管状特徴を強調するために設計されたマルチスケールのフィルタリングアルゴリズムが、ＣＳＦまたは背景ノイズを反射する隣接するボクセルから血管を抽出するために使用される。一般に、フィルタリングアルゴリズムは、ヘッセベースの固有分解を利用し、種々の空間スケーリングにおいてデータセットの各ピクセルにおける固有値およびベクトルを導出し、異なる直径の血管に対応する管状構造を選択する（例えば、Ｆｒａｎｇｉ， Ａｌｅｊａｎｄｒｏ Ｆ．， ｅｔ ａｌ． Ｍｕｌｔｉｓｃａｌｅ ｖｅｓｓｅｌ ｅｎｈａｎｃｅｍｅｎｔ ｆｉｌｔｅｒｉｎｇ． Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ-ＭＩＣＣＡＩ’９８． Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， １９９８． １３０－１３７参照）。ソフトウェアアルゴリズムは、例えば、０～１の範囲に及ぶ「脈管強調」の加重を各ボクセルに割り当てている出力を返し、より高い加重は、より脈管様の特徴（例えば、管状であること）を伴うボクセルを表す。

ブロック３１２において、脈管強調加重データセットからの情報が、コントラストＭＲＩデータセットと統合され、それらの相対的「脈管強調」加重によって非ゼロのボクセルの強度値に加重し、白質または灰白質と重複するそれらのボクセルにペナルティを課す。

ブロック３１４において、血管データセットが、（方法１００において説明されるように）ブロック３０６において発生された変換行列を使用して、解剖学的ＭＲＩデータセットに整合される。

ブロック３１６において、血管データセットが、種々のレベルの透明度および照度を使用して可視化され得る、（方法２００のブロック２０４に関して説明されるような）表面解剖学的メッシュモデルに転換される。

図４は、本開示による、下層の脳構造を可視化するための方法４００に関するフロー図を示す。便宜上、順次描写されているが、示される動作のうちの少なくともいくつかが、異なる順序で実施される、および／または並行して実施されることができる。加えて、いくつかの実装が、示される動作のうちのいくつかのみを実施してもよい。方法４００の動作が、本明細書に開示されるようなコンピューティングシステムによって実施されてもよい。

ブロック４０２において、任意のユーザ定義された軸における３Ｄ空間内の切断面（例えば、２Ｄ切断面）が、３Ｄボリュームまたは表面と交差する。切断面と所与の表面メッシュモデルまたは３Ｄボリュームの交点において、切断面の両側におけるメッシュの全ての構成要素が、選択的に可視、不可視、もしくは半透明にレンダリングされることができる。本平面上で、任意の表面および／またはボリューム（構造的もしくは機能的）データが、同時に可視化されることができる。一般に、ブロック４０２の動作は、（その例示的実施形態がＭＲＩおよび／またはＣＴ走査の冠状平面、矢状平面、もしくは軸平面を含む）撮像データセットの２Ｄ解剖学的結像面のうちの１つおよび／またはそれを上回るものに沿って切断面を定義することによって実施され得る。切断面および撮像データセットの交点は、（その実施形態が直交ならびに／または斜めの角度を含み得る）任意の恣意的な幾何学形状に沿って定義されてもよく、これらの２つの平面の交点に沿った点が、さらなる表示なおよび／または分析のためにさらに使用されるであろう、関連付けられる３Ｄボリューム撮像データセットのボクセルを識別する。これらのボクセルは、次いで、対象の３Ｄ表面モデルとともに選択的に可視化されてもよい。また、ボクセルの座標と３Ｄ表面モデルの座標の（例えば、交点のそれらの点における）関係はさらに、切断面の両側において、または切断面自体に沿って、表面モデルの構成要素を可視、不可視、もしくは半透明に選択的にレンダリングするために使用されてもよい。切断面に沿ったボクセルの座標はまた、対象内の埋込された電極からのそれらの距離を判定するために使用されてもよく、これは、次いで、切断面に関する表面および／またはボリュームデータ表現を算出し、発生させるために使用され得る。

ブロック４０２において、方法２００および／または３００において定義されるように頭蓋外解剖学的メッシュならびに頭蓋内解剖学的メッシュに適用されると、限定ではないが、皮質灰白質／白質および／または皮質下構造の曲率、厚さ、および面積、ならびに海馬および偏桃体の曲率、厚さ、ならびに面積等の形態計測的特徴の算出を含む、切断面によって交差される表面またはボリュームの定性的分析および定量的分析が、算出され得る。さらに、交差された表面および／またはボリュームの縁が、可視化の精度を向上させるために選択的に上昇もしくは降下されることができる。一例示的実施形態では、切断面と３Ｄ表面の具体的要素の交点は、その例示的実施形態が軟膜表面および／または白質表面を含む、種々の皮質表面層ならびに／もしくは皮質下表面層を含んでもよい。これらの例示的実施形態に関して、切断面とこれらの表面の交点は、これらの２つの例示的表面間の介在する灰白質を判定するであろう。介在する灰白質は、皮質リボンと別様に称され得る。また、切断面とのそれらの交点に沿って存在する軟膜表面および白質表の点間の距離（例えば、切断面とのそれらの交点におけるこれらの２つの表面間の直交距離）を算出することによって、皮質リボンの厚さが、算出されることができる。皮質リボンの長さを横断して厚さを積分することによって、面積が、算出されることができる。別の例示的実施形態では、表面（例えば、軟膜表面メッシュ）の曲率は、表面メッシュ三角形の面から外向きに直交線を描くことによって算出され、これらの線が別のメッシュ三角形の面と交差するかどうかを判定してもよい。そのような交点は、２つの三角形の面が溝の場合におけるように相互に向かって向けられているときに生じる。そのような交点の角度および距離を使用すると、表面曲率ならびに溝の境界等の局所的なトポロジ特徴が、次いで、判定され得る。

ブロック４０４において、方法２００および／または３００において定義されるように頭蓋外解剖学的メッシュならびに頭蓋内解剖学的メッシュに適用されると、種々の解剖学的メッシュモデルの切断面に関連する脳構造的データ（ＭＲＩ、ＣＴ、ＰＥＴ、ｆＭＲＩ、ＤＴＩのうちの１つまたはそれを上回るものを含む） ならびに／もしくは脳活動データ（ＥＥＧまたはＭＥＧもしくは脳刺激のうちの１つまたはそれを上回るものを含む）の可視化が、選択的に描写され得る。

ブロック４０６において、方法２００および／または３００において定義されるように頭蓋外解剖学的メッシュおよび頭蓋内解剖学的メッシュに適用されると、ユーザは、表面に沿った経路、ならびに切断を適用するべき表面内の深度を選択することによって、恣意的な形状もしくは幾何学形状（例えば、ドーム形状表面または開頭手術に合致する表面）の仮想の切断を行うことができ、その方式において、ユーザは、臨床的評価ならびに／もしくは外科手術の計画立案または訓練ならびに／もしくは教育的可視化のために外科手術アプローチまたは種々の解剖学的境界をモデル化し、可視化することができる。

図５は、本開示による、電極またはプローブ埋込の自動化された計画立案のための方法５００に関するフロー図を示す。便宜上、順次描写されているが、示される動作のうちの少なくともいくつかが、異なる順序で実施される、および／または並行して実施されることができる。加えて、いくつかの実装が、示される動作のうちのいくつかのみを実施してもよい。方法５００の動作が、本明細書に開示されるようなコンピューティングシステムによって実施されてもよい。

方法５００は、埋込または標的化されるべき解剖学的標的に対する以前に埋込された母集団から導出された以前の確率分布を使用した、電極もしくは穿通プローブ埋込軌道の精密かつ自動化された計画立案を提供する。以前の確率分布は、線形または非線形の変形アルゴリズムを使用して対象の脳に整合されている、以前に埋込された母集団からの軌道のエントリ座標ならびに／もしくは標的座標を使用して発生される（または逆もまた同様である）。さらに、一般的な埋込方略は、対象の発作記号学またはてんかんの他の電気臨床的特性評価をリンクさせる臨床電気的症候群の説明を使用して、可能性の高い解剖学的領域の臨床的考慮点から導出される。各場合において、軌道は、損失関数およびリスクメトリックの使用を通した臨界構造（例えば、血管）の回避の付加的目標を有するであろう。加えて、これらの軌道は、一実施形態では、医師または外科医、定位固定法の分野における当業者によって、単に、着目エントリ点および標的エントリを定義することによって生成され得る。

ブロック５０２において、対象の脳の１つまたはそれを上回る撮像走査が、取得される。撮像走査は、標的解剖学的ＭＲＩ走査（例えば、コントラストを用いないＴ１加重ＭＲＩ）と、コントラスト加重走査（例えば、コントラストを用いたＴ１加重ＭＲＩ）とを含む。

ブロック５０４において、撮像走査が、オリジナル撮像記憶フォーマット（例えば、ＤＩＣＯＭ）から方法１００によるデータセットに転換される。コントラストを用いないＴ１加重ＭＲＩは、解剖学的ＭＲＩデータセットと称されるデータセットに転換され、コントラストを用いたＴ１加重ＭＲＩは、コントラストＭＲＩデータセットと称されるデータセットに転換される。

ブロック５０６において、血管データセットおよびメッシュモデルが、発生され、方法１００による解剖学的ＭＲＩデータセットならびにその関連するメッシュモデルに共位置合わせされる。

ブロック５０８において、本対象自体の解剖学的空間内の予測されるエントリおよび標的点座標が、以前の埋込された対象の母集団コホートから精選された標的点座標ならびにエントリ点座標を使用して定義される。母集団からの座標は、以前に、高分解能テンプレート解剖図に共位置合わせされた。一例示的実施形態では、テンプレート座標空間は、標準的座標空間（例えば、Ｔａｌａｉｒａｃｈ空間、モントリオール神経科学研究所空間）におけるもののように定義された座標空間であり得る。共位置合わせは、テンプレート座標が、トポロジ的に正確な方式において患者の座標空間に変換され得、逆変換が、本対象の電極の埋込に続いて適用され、母集団の以前のデータセットにさらに追加され得るように、非線形または線形／剛体／アフィン変換を使用して達成され、逆一貫性かつ対称的な方式において算出され得る。

ブロック５１０において、プローブ毎に、そのプローブのためのエントリおよび標的点座標の群が、平均化され、それから平均軌道が定義される、対象の解剖学的座標系内に平均標的ならびにエントリ点を発生させる。プローブ毎に、解剖学的区画化がさらに、プローブと関連付けられ、着目解剖学的領域が、ボリュームが小さい、および／または他の感受性解剖学的構造に近接近している、ならびに／もしくは以前の母集団からの標的座標の発散の変動性が、構造の直径より大きくあり得る例示的場合において、予測される軌道をさらに制約するために使用されることができ、。本方式において、一例示的実施形態では、解剖学的区画化および以前の埋込された軌道分布が、使用され、穿通プローブの埋込を可能にするための事前情報を展開するために使用されることができる。別の例示的実施形態では、解剖学的標的は、（例えば、頭蓋骨の前方部分から後方側にＣ形状において延在する帯状回におけるように）非常に大きくあり得、そのような状況では、以前の母集団からの標的座標は、所望の標的場所を帯状束の前方側、中央側、または後方側（模範軌道は、ここでは、ＡＣ＝前帯状回、ＭＣ＝中帯状回、ＰＣ＝後帯状回であろう）に制約し得る一方、解剖学的区画化はさらに、最終標的座標を、下側から上側に、かつ戻るように下方に、かつ前方から後方に、および戻るように、その経路に沿って湾曲することが公知である、帯状束の境界内に留まるように制約してもよい。さらなる例示的実施形態では、患者の発作の記号学が、てんかんに関わる可能性の高い具体的な解剖学的領域についての情報を導出するように当技術分野において熟練している、臨床医によって使用され得る。本理解は、次いで、軌道を着目解剖学的区画化に制約することによって軌道計画立案を通知するように翻訳されることができる。別の実施形態では、外科手術軌道が、定位固定法の分野における当業者によって、単に、着目エントリ点および標的点を定義し、血管ならびに他の可能性として考えられる軌道に対してこれらを最適化することによって、手動で作成され得る。代替として、それらは、手動の最適化と組み合わせられた平均の母集団ベースの軌道からの導出のある組み合わせによって導出され得る。

ブロック５１２において、解剖学的区画化への制約が、軌道が、着目解剖学的領域から割り当てられた標識を伴う最近傍のボクセルと交差するように、それを調節することによって達成され得、距離が、プローブ軌道のボクセルと着目解剖学的区画化内の標識されたボクセルとの間のユークリッド距離を算出することによって判定される。

ブロック５１４において、軌道と血管等の任意の臨界構造の交点が、任意のそのような交点に関する軌道のペナルティ化を用いて、臨界構造に属するものとして標識または識別された、２Ｄならびに／もしくは３Ｄ表面および／またはボリューム領域とのそのような軌道交点を判定することによって、損失関数を使用して評価される。さらに、血管等の臨界構造に対する本軌道の近接度が、ユーザ判定された制約（例えば、血管の縁から＞２ｍｍ、または隣接するプローブの軌道の中心から≧４ｍｍ）に対してチェックされる。

自動化された損失関数または最適化関数もまた、一例示的実施形態では、総頭蓋内長が最小限化されながら、サンプリングされた灰白質が、記録の最大限の潜在性を可能にするように最大限化されるように、軌道計画立案の中に組み込まれてもよい。

ブロック５１６において、（母集団を横断した平均エントリ点および標的点によって定義される）事前情報によって推定される最初の軌道から開始して、方法５００は、全ての安全ならびに最適化基準を満たす平均軌道に可能な限り近接する軌道が、識別されるまで、本平均点を囲繞する局所探索を開始する。探索領域は、標的の分布の標準偏差の観点から定義される各端部と、その群母集団からの平均エントリ座標および標的座標によって定義される各端部の中心との直径を伴う、錐台として定義される。

ブロック５１８において、最終軌道が、解剖学的ＭＲＩデータセット上に重畳され、対象の解剖学的構造に関連する軌道計画立案を可視化するために他のソフトウェアまたはハードウェアシステムと併用のための任意の方式においてエクスポートされ得る、新しい計画立案データセットを発生させる。

方法４００の可視化技法と併用されると、斜めの軌道に沿った複数の定位固定深度プローブの埋込計画立案の検証が、提案された軌道と共線的な平面に沿ってスライスされた、構造的磁気共鳴映像によって露見された、表面トポロジおよび深部解剖学的構造の皮質メッシュモデルの同時の可視化によって補助される。任意の所与の平面において脳表面をスライスすることは、３Ｄにおける深部に埋もれた皮質の可視化を可能にし、また、臨床医による外科手術の計画立案の迅速な確認も可能にする。

方法５００の計画立案動作と方法１００－４００の解剖学的可視化および分析技法の統合は、臨床医が臨界的な頭蓋外構造ならびに頭蓋内構造（限定ではないが、心室、白質経路、脈管、および雄弁領域等の構造を含む）を識別し、限定ではないが、出血ならびに／もしくは視覚、言語、認知、時空間、および／または感覚運動欠損を含む、不要な医原性転帰を回避することを可能にする。

（拡散撮像から導出される）決定論的または確率的なトラクトグラフィを使用した白質経路分析を伴う方法１００－５００を組み込むことはさらに、運動、感覚、聴覚、もしくは視覚プロセス等の極めて重要な機能に関わる経路に対するリスクを識別することができる。具体的な適応では、本アプローチは、近心側頭葉てんかんのための海馬および／または扁桃体のレーザ間質熱療法後の視覚欠損の低減に対して適用され得る。拡散撮像によって識別される経路の可視化と組み合わせられる、内側側頭葉を標的化するための最適な軌道の３Ｄ計画立案が、本技法の療法窓を拡大させるために使用され得る。

図６は、テンプレート合致探索アルゴリズムおよび計画立案された軌道を使用した、外科手術後撮像内の埋込された構造の分解能と組み合わせられた、以前に埋込された電極または穿通脳プローブの自動化された限局化、命名、ならびに可視化のための方法６００に関するフロー図を示す。便宜上、順次描写されているが、示される動作のうちの少なくともいくつかが、異なる順序で実施される、および／または並行して実施されることができる。加えて、いくつかの実装が、示される動作のうちのいくつかのみを実施してもよい。方法６００の動作が、本明細書に開示されるようなコンピューティングシステムによって実施されてもよい。

ブロック６０２において、対象の脳の１つまたはそれを上回る撮像走査が、取得される。撮像走査は、標的解剖学的ＭＲＩ走査（例えば、コントラストを用いないＴ１加重ＭＲＩ）と、各電極の実施の場所を限局化するために使用されるような、電極が埋込された後に取得される、埋込後ＣＴ撮像走査とを含む。

ブロック６０４において、撮像走査が、オリジナル撮像記憶フォーマット（例えば、ＤＩＣＯＭ）から方法１００によるデータセットに転換される。コントラストを用いないＴ１加重ＭＲＩが、解剖学的ＭＲＩデータセットと称されるデータセットに転換され、ＣＴ撮像走査が、ＣＴ電極データセットと称されるデータセットに転換される。

ブロック６０６において、両方のデータセットが、共位置合わせされ、ＣＴ電極データセットが、方法１００による解剖学的ＭＲＩに整合される。

ブロック６０８において、第３の撮像走査が、取得される。第３の撮像走査は、実際には、外科医によって、外科手術の間に、電極埋込を誘導するための（本明細書では、埋込ＭＲＩデータセットまたは撮像走査と称される）解剖学的撮像データセットとして使用される。一例示的実施形態では、本走査は、高分解能解剖学的詳細を提供し、埋込計画立案の間に血管の場所を露見させることの両方を行うために使用される、コントラストを用いたＴ１加重ＭＲＩであってもよい。埋込ＭＲＩ撮像走査は、インポートされ、共位置合わせされ、方法１００による解剖学的ＭＲＩに整合される。

ブロック６１０において、（本明細書では、埋込ログと称される）軌道埋込データファイルが、取得される。埋込ログが、埋込が実施されたときに生成され、その例示的実施形態は、ロボットｓＥＥＧ埋込システム（例えば、Ｚｉｍｍｅｒ ＲＯＳＡ（登録商標）ロボット）によって発生された対象の埋込ファイルであり、別の実施例は、ナビゲーションシステムによって生成された定位固定ファイル（例えば、ＢｒａｉｎＬａｂ（登録商標）およびＭｅｄｔｒｏｎｉｃ Ｓｔｅａｌｔｈ（登録商標））である。埋込ログは、（方法５００において説明されるような）埋込ＭＲＩの患者の座標空間に関連して定義される、プローブ／軌道名称および／または計画立案された標的点座標ならびに／もしくはエントリ点座標および／またはプローブ軌道ベクトルに関する情報を含む。

方法５００はまた、セキュリティ／手動検証特徴を含んでもよく、それによって、ユーザは、プローブ名称、各プローブ上の電極の数、および（例えば、アンカボルト内、脳の外側、または記録内に含まれていない電極等に関する）各プローブから無視するための電極の数を手動で打ち込むことを要求される。プローブ毎の名称および推定される電極の初期のリストが、利用可能である場合、埋込ログまたはその同等物から直接、前述の情報を直接読み取ることによって、自動的に取得され、テンプレートとしてユーザに提供されてもよい。

ブロック６１２において、ユーザによって検証されるような各プローブ内の電極の数に加えて、埋込ログからプローブ毎に提供される、計画立案された標的点座標およびエントリ点座標が、電極毎の予期される座標の初期のリストを算出するために使用される。本算出は、エントリ点座標および標的点座標、エントリ点座標と標的点座標との間の距離、電極間の間隔から算出される、軌道の軸を使用して実施される。本情報は、プローブ軌道のそれぞれに関する各電極の推定された場所に「ダミー」オブジェクトを発生させるために使用される。そのような「ダミー」オブジェクトの例示的実施形態は、電極幾何学形状（例えば、円筒）に合致する所与の幾何学形状を伴う座標の周囲に心合される、球であってもよい。本新しいデータセット（本明細書では、計画立案軌道データセットと称される）は、埋込ＭＲＩデータセットと同一のボリューム幾何学形状と、座標空間とを有する。

ブロック６１４において、計画立案軌道データセットが、解剖学的ＭＲＩデータセットに対する埋込ＭＲＩデータセットの整合によって発生された変換行列を使用して、解剖学的ＭＲＩデータセットに整合される。

ブロック６１６において、ＣＴ電極を使用すると、計画立案軌道データセットが、方法１００によるようなものを使用して対象の解剖学的ＭＲＩデータセットに共位置合わせされ、自動的に判定された閾値レベルを下回る撮像ボクセル（例えば、可能性として、３Ｄピクセル同等物として機能する、画像から強度情報を含有する１ｍｍ×１ｍｍ×１ｍｍ立方体の寸法）が、ゼロで埋められる、バイナリ化演算が、ＣＴ電極データセットに対して実施される。３Ｄクラスタリングアルゴリズムが、残りのボクセルに適用され、ＣＴ走査上の電極接点の高強度信号（時として、金属アーチファクトと称される）を伴うボクセルを識別する。３Ｄクラスタリングアルゴリズムの例示的実施形態は、使用される下層の神経撮像分析ソフトウェアによって提供される、標準的なクラスタリングコマンドであり得る。反復的な探索が、クラスタの結果として生じる数が電極の予期される数に類似するまで閾値を調節することによって実施される。これらのクラスタの座標が、計画立案軌道データセットのために発生される球状の「ダミー」電極の座標と反復的に比較される。距離メトリックのために３Ｄ空間および重心の線／距離を使用すると、ＣＴ電極データセットからのクラスタならびに計画立案軌道データセットからの軌道経路および球オブジェクト座標が、全ての予期される電極が識別され、限局化されるまで、反復的に探索され、最適化される。

ブロック６１８において、入力されたログによって提供され、計画立案軌道データセット内に表されるような、軌道経路情報および予期される電極の数と組み合わせられたクラスタリングアルゴリズムが、電極座標の最終場所を調節するために使用される。撮像データに最良に合致する最終座標場所（例えば、クラスタ場所）および予期される軌道の物理的制約（同一の経路上の隣接する電極から具体的な距離だけ分離された具体的な線に沿った場所）が、したがって、導出される。

ブロック６２０において、全ての電極座標が識別された後、これらの電極の２Ｄおよび／または３Ｄモデルが、適切な電極名称ならびに付番スキームが割り当てられた状態で、可視化のためにレンダリングされる。電極が、各実際の電極のサイズ、間隔、および寸法を反映する、表示可能なオブジェクト（例えば、円筒または円盤）を使用して可視化される。解剖学的構造ＭＲＩデータセットに共位置合わせされているため、これらの電極は、方法２００および／または３００によって発生される、関連のある頭蓋外構造ならびに頭蓋内構造の２Ｄおよび／または３Ｄの表面ベースならびにボリュームベースの表現に関連して、可視化されることができる。

表示可能な電極オブジェクは、個々に操作（例えば、着色、注釈付け、付番、異なる形状または表現を使用して可視化、オンに、もしくはオフに）されてもよい。それらは、電極によって収集された任意の機能性データ（ＥＥＧ）に加えて、透明、半透明、または不可視にレンダリングされることができる。

本明細書に説明される方法および技法は、記録された頭蓋内ＥＥＧまたは他の一般的な機能の活性化もしくは埋込された電極および／または穿通プローブならびに／もしくは撮像モダリティを使用して測定された、一般的な神経相関物の表面ベースの表現のための他の方法と併せて使用されることができる。表面ベースの表現に関して本明細書に開示される方法は、皮質構造に関する表現を表示するためだけではなく、海馬、扁桃体、および／または他の一般的な皮質下構造もしくは脳構造のために発生される解剖学的メッシュを表示するためにも適用されることができる。そのような方法は、米国特許第１０，１４９，６１８号に開示されている。

本明細書に開示される方法を使用すると、着目データ表現は、新しい表面活性化データセットまたはボリューム活性化データセットを発生させるために解剖学的ＭＲＩデータセット上に着目ボクセルの強度値を重畳することによって、具体的な電極に制約され、新しいデータセットにエクスポートされることができる。表面ベースのデータセットでは、活性化が、以前の公開文書（Ｋａｄｉｐａｓａｏｇｌｕ ＣＭ， Ｂａｂｏｙａｎ ＶＧ， Ｃｏｎｎｅｒ ＣＲ， Ｃｈｅｎ Ｇ， Ｓａａｄ ＺＳ， Ｔａｎｄｏｎ Ｎ． Ｓｕｒｆａｃｅ－ｂａｓｅｄ ｍｉｘｅｄ ｅｆｆｅｃｔｓ ｍｕｌｔｉｌｅｖｅｌ ａｎａｌｙｓｉｓ ｏｆ ｇｒｏｕｐｅｄ ｈｕｍａｎ ｅｌｅｃｔｒｏｃｏｒｔｉｃｏｇｒａｐｈｙ． Ｎｅｕｒｏｉｍａｇｅ． ２０１４ Ｎｏｖ １；１０１：２１５－２４． ｄｏｉ： １０．１０１６／ｊ．ｎｅｕｒｏｉｍａｇｅ．２０１４．０７．００６． Ｅｐｕｂ ２０１４ Ｊｕｌ １２． ＰＭＩＤ： ２５０１９６７７）に説明されるような、測地線拡散関数を使用して表面ノードに割り当てられる。ボリュームベースのデータセットでは、活性化は、着目電極の下層にある軟膜表面膜と白質表面膜（皮質リボン）との間の境界内に位置する、ボクセルに制約される（Ｃｈｒｉｓｔｏｐｈｅｒ Ｒ． Ｃｏｎｎｅｒ， Ｇａｎｇ Ｃｈｅｎ， Ｔｈｏｍａｓ Ａ． Ｐｉｅｔｅｒｓ， Ｎｉｔｉｎ Ｔａｎｄｏｎ， Ｃａｔｅｇｏｒｙ Ｓｐｅｃｉｆｉｃ Ｓｐａｔｉａｌ Ｄｉｓｓｏｃｉａｔｉｏｎｓ ｏｆ Ｐａｒａｌｌｅｌ Ｐｒｏｃｅｓｓｅｓ Ｕｎｄｅｒｌｙｉｎｇ Ｖｉｓｕａｌ Ｎａｍｉｎｇ， Ｃｅｒｅｂｒａｌ Ｃｏｒｔｅｘ， Ｖｏｌｕｍｅ ２４， Ｉｓｓｕｅ １０， Ｏｃｔｏｂｅｒ ２０１４， Ｐａｇｅｓ ２７４１－２７５０， ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１０９３／ｃｅｒｃｏｒ／ｂｈｔ１３０）。これらのデータセットは、対象の解剖学的構造に関連してこれらの活性化を可視化するために他のソフトウェアまたはハードウェアシステムと併用のための任意の方式においてディスクにエクスポートされることができる。

図７は、本開示による、単一の対象上で実施される、異なる神経撮像モダリティの共位置合わせの絵表現を示す。図７では、シーケンス適応型セグメント化が、データセット７０２に適用され、標識データセット７０６を生産し、シーケンス適応型セグメント化が、データセット７０４に適用され、標識データセット７０８を生産する。標識データセット７０６および７０８が、共位置合わせされ、共位置合わせによって生産された変換行列が、データセット７１０に示されるように、標識データセット７０６ならびに７０８を整合させるように適用される。

図８は、本開示による、海馬ならびに視床の２Ｄ／３Ｄ表面モデルの発生を描写する、絵表現を示す。図８Ａは、図８Ｂに示される対象の解剖学的Ｔ１ＭＲＩの３Ｄボリュームデータセットのセグメント化から発生された右海馬の解剖学的メッシュモデルの例示的図である。

図８Ｂおよび８Ｃは、解剖学的解剖図ベースの区画化に続く同一の対象の右大脳半球と同時に可視化される、対象内の左海馬ならびに偏桃体の２Ｄ／３Ｄ表面メッシュモデルの例示的図を描写する。図８Ｃでは、表面モデルが、明確に異なる構造として可視化される。左皮質半球が、右から独立して透明にレンダリングされ、左海馬および扁桃体の可視化を可能にしている。図８Ｄでは、区画化された右皮質半球が、下層の右海馬および偏桃体のソリッドステートレンダリングが可視化され得るように、半透明にレンダリングされる。

図８Ｅおよび８Ｆは、顕微鏡的定位固定解剖図から導出された区画化を使用して発生された、対象の左視床ならびにその核の例示的な表面ベースのメッシュモデルを図示する。図８Ｅでは、表面モデルは、隔離された状態にある図である。図８Ｆでは、同一のモデルが、対象のオリジナル解剖学的Ｔ１ ＭＲＩの３つの原理平面に関連して視認される。

図９Ａ－９Ｄは、本開示による、ヒトの脳血管系のセグメント化のための例示的ステップを示す。図９Ａ－９Ｃは、その後、脳脊髄液セグメント化ボリューム（図９Ｂ）によってマスクされ、次いで、マルチスケールのヘッセベースのフィルタリングアルゴリズムを使用して処理され、血管ボクセル（図９Ｃ）を正確にセグメント化する、オリジナル撮像データセット（図９Ａ、その例示的実施形態は、ここでは、コントラストを用いるＴ１ ＭＲＩである）を描写する。図９Ｄは、セグメント化された血管ボリューム（右）、ならびに対象の血管系の包括的なセグメント化を実証する、オリジナルのコントラストが付けられたＴ１ ＭＲＩデータセットの３つの主要平面にわたる（輪郭が描かれた）表面脳血管モデルのオーバーレイを使用して発生される、結果として生じる血管３Ｄ表面モデルを描写する。

図１０Ａ－１０Ｗは、皮質および皮質下構造ならびに／もしくは機能的表現の可視化を最適化するために、恣意的な角度において２Ｄおよび／または３Ｄ表面モデルならびにボリュームモデルと交差するための２Ｄ切断面（「スライサ」）を使用する絵表現を示す。図１０Ａ－１０Ｃは、図１０Ａに示されるＣＴ頭蓋骨でオーバーレイされる対象の解剖学的Ｔ１加重ＭＲＩの２Ｄの矢状方向平面図上に視認される、切断面を描写する。対象の完全頭蓋骨の３Ｄ表面モデルが、図１０Ｂに示され、切断面の適用に続く頭蓋骨が、図１０Ｃに示される。頭蓋骨は、同一の切断面が適用された下層の区画化された皮質表面モデルを可視化するように、部分的に透明にレンダリングされる。

図１０Ｄ－１０Ｆは、同一の対象頭蓋骨および下層の区画化された皮質表面モデルの回転された図を示す。切断面が、関連付けられる２ＤのＭＲＩ平面状画像（図１０Ｄ）を表示するために、不透明にレンダリングされ、３Ｄ表面モデルの境界内に制約され得ることに留意されたい。代替として、切断面は、半透明にレンダリングされる、および／または２Ｄ ＭＲＩ平面図を下層の表面モデル（図１０Ｅ）の境界を越えて拡張させてもよい。最後に、深部解剖学的構造が、可視化され得るように（図１０Ｆ）、切断面が、不可視にレンダリングされ、表面モデルの下層の平面が、透明にレンダリングされてもよい。

図１０Ｇ、１０Ｈ、および１０Ｉは、種々の回転された角度における、２Ｄ切断面ならびに関連付けられる３Ｄの区画化された皮質表面モデルの矢状方向図を示す。図１０Ｉでは、皮質モデルの縁が、脳回および溝の境界が選択的に強調され、下層の解剖学的特徴をより精密に可視化している、切断面の境界をわずかに越えて拡張されている。

図１０Ｊ－１０Ｌは、モデルの縁が切断面から後退され（図１０Ｊ）、平面と共面であり（図１０Ｋ）、平面をわずかに超えて拡張されている（図１０Ｌ）、図１０Ｇ－１０Ｉに示される同一の２Ｄ矢状方向切断面および３Ｄ皮質表面モデルの３つの図を示す。

図１０Ｍ、１０Ｎ、および１０Ｐは、２Ｄの冠状切断面ならびに３Ｄの皮膚および区画化された皮質表面モデルの３つの図を示す。完全皮膚モデルは、切断面によって交差され、皮膚および区画化された皮質モデルの残りの構成要素が、可視化される（図１０Ｍ）。区画化された皮質モデルは、図１０Ｎでは、隔離された状態で、切断面を参照して、縁が平面を越えてわずかに拡張され、次いで、再び、第３の図に示されているが、本図では、縁は、切断面を越えた灰白質および白質境界縁の拡張が、介在する皮質リボンを隔離するであろうように、灰白質および白質境界のみに制約される。図１０Ｐでは、図１０Ｎからの第３の画像の拡大され、わずかに回転された図が、描写され、白色の矢印が、灰白質の縁と白質境界との間に含有される前述の皮質リボンの例示的領域を示す（図１０Ｐ）。

図１０Ｑ－１０Ｗは、深部軌道と共線的な平面に沿ったスライスを介して色スケールとして表された、皮質活性度に加えて、表面および深部解剖学的構造の同時表現を用いて皮質を示す。種々の解剖学的メッシュモデルの切断面に関連した脳構造的データ（ＭＲＩ、ＣＴ、ＰＥＴ、ｆＭＲＩ、ＤＴＩのうちの１つまたはそれを上回るものを含む）および／または脳活動データ（ＥＥＧもしくはＭＥＧまたは脳刺激のうちの１つまたはそれを上回るものを含む）の可視化が、選択的に描写され、新皮質領域（図１０Ｑ、１０Ｒ、１０Ｓ、１０Ｔ、および１０Ｕ） ならびに／もしくは海馬領域および扁桃体領域（図１０Ｖならびに１０Ｗ）および／または皮質下領域もしくは他の脳領域における機能的活性化の可視化を最適化し得る。それから関連のある表面が可視化される（図１０Ｔ－１０Ｖ）、切断面および関連付けられる視点が、それぞれ、線１００２ならびに矢印１００４によって描写される。

図１１Ａ－１１Ｒは、以前に埋込された母集団からの確率分布および／または解剖学的解剖図ベースの区画化ならびにセグメント化を使用して導出された以前のものを組み込む、電極または穿通プローブ埋込のための母集団から導出された解剖学的標的化の絵表現を示す。図１１Ａ－１１Ｄは、てんかんを探査するために２，６００個の電極が埋込された１３０人の患者からの、脳の中への軌道の群化された表現を描写し、これは、共位置合わせされ、共通の脳空間に整合され、エントリ点および標的点によって色分けされている（図１１Ａ）。電極はさらに、それらに適用される、標準的領域専門用語に基づいて色分けされてもよく、個人を横断した具体的な皮質病巣または皮質下病巣に関する類似のエントリ点および標的点を示し、その例示的実施形態が、単一の対象内の右扁桃体ならびに海馬に関して描写される（図１１Ｂ）。本母集団からの以前の軌道の情報を使用すると、新しい軌道が、新しい個人（以前の１３０人ではない）に関する任意の具体的な脳領域のために導出され得る。新しい軌道が、伸長円筒として描写される一方、母集団の以前の軌道が、各個々のプローブ（図１１Ｃ、より短い円筒）を使用して、または本例示的な図では、エントリ点座標および座標点座標の平均値ならびに標準偏差の１．５倍を使用して円錐台を伴って描写される、本母集団の平均値および分散を可視化することによって（図１１Ｄ）のいずれかで描写される、単一の対象の右前方海馬（ＲＡＨ）に関する、分析の例示的な図が、提供される。

図１１Ｅは、斜めの切断面、詳細な脳血管解剖学的メッシュモデルおよび区画化された解剖学的メッシュモデル、ならびに１２個の脳プローブ（例えば、ｓＥＥＧプローブ）に関する自動化された埋込軌道計画立案を発生させるための軌道計画立案アルゴリズムの統合を描写する。自動化されたアルゴリズムは、複数の安全的制約への準拠を確実にし、その例示的実施形態は、軌道に沿った隣接する脈管から、ならびに隣接するプローブからの最小距離であり得る。パネル１１Ｅ－２は、右前方海馬（ＲＡＨ）プローブに関する、オリジナルの（すなわち、自動的に導出された）軌道および手動で調節された軌道を表す、２つの円筒が可視化される、手動の軌道最適化の例示的な図を描写する。

図１１Ｆは、近心側頭葉てんかんのための扁桃体および／または海馬のレーザ間質熱療法に関する類似の母集団レベルの導出された計画立案を描写する。可視化されるものは、所与の軌道に関して予期される、母集団から導出された予測されたアブレーションボリュームを伴う、新しい対象のための最適な新しい軌道である。

図１１Ｇおよび１１Ｈは、左吻側帯状回（ＬＲＣ）領域と、前帯状回（ＬＡＣ）領域と、内側帯状回（ＬＭＣ）領域と、後帯状回（ＬＰＣ）領域とを含む、左帯状回内の複数の領域にわたる、以前の埋込された軌道の母集団データから導出された、新しい軌道の例示的図を描写する。これらの図は、エントリ点を強調する側方図（図１１Ｇ）と、左半球が、右半球の帯状回が可視である（対側標的脳領域に関する視覚基準として使用され得る）ように十分に透明にレンダリングされており、提案される軌道が、（母集団から導出される）それらの関連付けられる円錐台が半透明オーバーレイとしてレンダリングされている状態で描写されている、前述の標的脳領域によって標識される提案される軌道を描写する内側図（図１１Ｈ）とを含む。
図１１Ｊ－１１Ｐは、左半球が不透明（１１Ｊおよび１１Ｍ）または完全に透明（１１Ｋ－１１Ｌならびに１１Ｎ－１１Ｐ）にレンダリングされている、３Ｄ皮質表面モデルの上側図（図１１Ｊ－１１Ｌ）および側方図（１１Ｍ－１１Ｐ）の両方を使用して、難治性てんかんに関する定位脳波評価を受ける対象のために所望され得る、例示的な提案される軌道の別のサブセットの例示的な図を描写する。中央の図は、それらの個別の新しい軌道とともにオーバーレイされる以前に埋込されたプローブのそれぞれを可視化するために、標的脳領域によって色分けされた円筒を使用して、それらの個別の新しい軌道の発生のために使用される、以前に埋込された軌道の母集団データを描写する（図１１Ｋおよび１１Ｎ）。以前の埋込された軌道の母集団の座標の分布からの平均値および標準偏差の１．５倍が、使用され、最右の図（１１Ｌならびに１１Ｐ）においてそれらの個別の軌道との半透明のオーバーレイとして描写されている、前述の円錐台を発生させる。最下段は、不透明および完全に透明の両方にレンダリングされている（それぞれ、１１Ｑならびに１１Ｒ）、単一の例示的対象の３Ｄ皮質表面モデル上のそれらの個別の円錐台とともに可視化されている、以前の埋込の母集団データからの全ての軌道の例示的概要図を描写する。

図１２Ａ－１２Ｅは、ロボットｓＥＥＧ埋込システムからの埋込軌道ログを組み込み、電極探索アルゴリズムを制約および通知し、プローブ名称ならびに関連付けられる電極の数を提供する、自動化された電極限局化および標的化の絵表現を描写する。埋込後ＣＴ電極データセットに適用される初期のクラスタリングアルゴリズムが、１２Ａに描写され、閾値を下回る強度を伴うボクセルをゼロで埋めるための拡大する強度閾値が、ＣＴ走査装置に接触する電極からのアーチファクトを表す高強度ボクセルのクラスタを識別するために使用され得る方法を実証する。ロボット埋込システムからの軌道埋込ログはまた、アルゴリズムの探索空間を、ノイズから電極アーチファクトに関連する信号をより効率的に分離ように制約することによって、電極探索をさらに通知するために使用され、また、最終電極座標が球状のダミー電極（図１２Ｃ）によって定義されるような実際の埋込に一貫する方式において離間され、整合されることを確実にする。

図１２Ｄは、対象の右海馬表面モデルおよび扁桃体表面モデルに関連して埋込された電極を可視化するために、斜めの角度において対象の頭蓋骨モデルに適用された切断面を描写する。本例示的実施形態では、各電極が、埋込軌道ログおよび実際の電極の物理的寸法によって示される、電極間間隔ならびに寸法を伴う円筒としてレンダリングされる。プローブおよびそれらの個別の電極が、プローブ名称によって色分けされる。同一の対象の右海馬および扁桃体のより拡大された図が、表示可能なオブジェクトとして可視化され、また、白色において注釈を付けられているそれらのプローブ名称によって色分けされる、埋込されたプローブのサブセットを伴って、図１２Ｅに描写される。今回は、真の電極場所からそれらを分化させるために、より小さい寸法および間隔を伴う、半透明の円筒としてであるが、軌道埋込ログからの軌道もまた、ここに描写される。上層の十字線を伴う強調された電極によって見られ得るように、最終電極座標は、プローブが埋込の間に偏向され得るため、常時、計画立案された軌道に完全に対応するわけではない。強調された電極座標は、埋込後ＣＴによってオーバーレイされる同一の対象の埋込前ＭＲＩの隣接する２Ｄの冠状平面状画像および矢状方向平面状画像内の十字線の座標に対応する。

図１３は、本明細書に開示される方法（例えば、方法１００、２００、３００、４００、５００、および／または６００）の実装のために好適なコンピューティングシステム１３００に関するブロック図を示す。コンピューティングシステム１３００は、（例えば、ネットワーク１３１８を介して）通信可能に結合される、１つまたはそれを上回るコンピューティングノード１３０２と、二次記憶装置１３１６とを含む。コンピューティングノード１３０２および関連付けられる二次記憶装置１３１６のうちの一方またはそれを上回るものが、本明細書に説明される方法の動作を実施するために適用され得る。

各コンピューティングノード１３０２は、メモリ１３０６に結合される１つまたはそれを上回るプロセッサ１３０４と、ネットワークインターフェース１３１２と、Ｉ／Ｏデバイス１３１４とを含む。種々の実施形態では、コンピューティングノード１３０２は、１つのプロセッサ１３０４を含むユニプロセッサシステム、またはいくつか（例えば、２つ、４つ、８つ、または別の好適な数）のプロセッサ１３０４を含むマルチプロセッサであってもよい。プロセッサ１３０４は、命令を実行することが可能である、任意の好適なプロセッサであってもよい。例えば、種々の実施形態では、プロセッサ１３０４は、種々の命令セットアーキテクチャ（ＩＳＡ）のうちのいずれかを実装する、汎用目的または埋設されたマイクロプロセッサ、グラフィック処理ユニット（ＧＰＵ）、もしくはデジタル信号プロセッサ（ＤＳＰ）であってもよい。マルチプロセッサシステムでは、プロセッサ１３０４はそれぞれ、一般的には、同一のＩＳＡを実施し得るが、必ずしもそうでなくてもよい。

メモリ１３０６は、プロセッサ１３０４によってアクセス可能なプログラム命令１３０８および／またはデータ１３１０を記憶するように構成される、非一過性のコンピュータ可読記憶媒体を含んでもよい。メモリ１３０６は、静的ランダムアクセスメモリ（ＳＲＡＭ）、同期動的ＲＡＭ（ＳＤＲＡＭ）、不揮発性／フラッシュタイプメモリ、または任意の他のタイプのメモリ等の任意の好適なメモリ技術を使用して実装されてもよい。本明細書に開示される機能性を実装するプログラム命令１３０８およびデータ１３１０が、メモリ１３０６内に記憶される。例えば、命令１３０８は、プロセッサ１３０４によって実行されると、本明細書に開示される方法のうちの１つまたはそれを上回るものを実装する、命令を含んでもよい。

二次記憶装置１３１６は、本明細書に説明される方法を実装するために、本明細書に説明されるようなプログラム命令および／またはデータ等の情報を記憶するための、揮発性憶装置ならびに記憶デバイスもしくは不揮発性憶装置および記憶デバイスを含んでもよい。二次記憶装置１３１６は、コンピューティングノード１３０２によってネットワークインターフェース１３１２を介してアクセス可能な種々のタイプのコンピュータ可読媒体を含んでもよい。コンピュータ可読媒体は、半導体記憶装置、磁気媒体、または光学媒体等の記憶媒体もしくはメモリ媒体、例えば、ディスクまたはＣＤ／ＤＶＤ－ＲＯＭ、もしくは他の記憶技術を含んでもよい。

ネットワークインターフェース１３１２は、データが、ネットワーク１３１８に結合されるコンピューティングノード１３０２および／または他のデバイス間で交換されることを可能にするように構成される、回路網を含む。例えば、ネットワークインターフェース１３１２は、データが、コンピューティングシステム１３００の第１のインスタンスとコンピューティングシステム１３００の第２のインスタンスとの間で交換されることを可能にするように構成されてもよい。ネットワークインターフェース１３１２は、有線または無線データネットワークを介した通信をサポートしてもよい。

Ｉ／Ｏデバイス１３１４は、コンピューティングノード１３０２が、１つまたはそれを上回るコンピューティングノード１３０２によるエントリもしくは読み出しのために好適な、１つまたはそれを上回るディスプレイ端末、キーボード、キーパッド、タッチパッド、走査デバイス、音声もしくは光学認識デバイス、または任意の他のデバイス等の種々の入力／出力デバイスと通信することを可能にする。複数の入力／出力デバイスが、コンピューティングシステム１３００内に存在してもよい。

コンピューティングシステム１３００は、例証的にすぎず、実施形態の範囲を限定することを意図していない。特に、コンピューティングシステム１３００は、本明細書に開示される機能を実施し得る、ハードウェアまたはソフトウェアの任意の組み合わせを含んでもよい。コンピューティングノード１３０２はまた、いくつかの実施形態では例証されていない、他のデバイスに接続されてもよい。加えて、図示される構成要素によって提供される機能性は、いくつかの実施形態では、より少ない構成要素において組み合わせられる、または付加的な構成要素の中に分散されてもよい。同様に、いくつかの実施形態では、図示される構成要素のうちのいくつかのものの機能性が、提供されなくてもよい、および／または他の付加的な機能性が、利用可能であってもよい。

上記の議論は、本発明の原理および種々の実施形態のを例証することが意図されている。多数の変形例および修正が、いったん上記の開示が完全に理解された時点で、当業者に明白な状態になるであろう。以下の請求項が、そのような全ての変形例および修正を包含するように解釈されることが、意図されている。

Claims (21)

1. 方法であって、
   単一の対象脳の第１の撮像走査および第２の撮像走査を取得することと、
   前記第１の撮像走査を第１のデータセットに、および前記第２の撮像走査を第２のデータセットに転換することと、
   シーケンス適応型マルチモーダルセグメント化アルゴリズムを前記第１のデータセットおよび前記第２のデータセットに適用することであって、前記シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる、ことと、
   前記第１の標識データセットおよび前記第２の標識データセットを相互に対して自動的に共位置合わせし、前記第１の標識データセットおよび前記第２の標識データセットに基づいて変換行列を発生させることと、
   前記変換行列を適用し、前記第１のデータセットおよび前記第２のデータセットを整合させることと
   を含む、方法。
2. 前記第１の撮像走査および前記第２の撮像走査は、磁気共鳴映像法（ＭＲＩ）、コンピュータ断層撮影法（ＣＴ）、脳磁図（ＭＥＧ）、または陽電子放出断層撮影（ＰＥＴ）のうちの１つまたはそれを上回るものを用いて実施される、請求項１に記載の方法。
3. 前記シーケンス適応型マルチモーダルセグメント化アルゴリズムは、数値標識値を前記第１のデータセットまたは前記第２のデータセットの各ボクセルに割り当てる、請求項１に記載の方法。
4. 前記第１のデータセットから、着目皮質下領域に対応する標識を有するボクセルを抽出することと、
   前記第１のデータセットから抽出された前記ボクセルを含有する第３のデータセットを形成することと、
   前記第３のデータセットを第１の皮質下表面メッシュモデルに転換することと、
   前記第１の皮質下表面メッシュモデルの曲率および溝特徴を算出することと、
   前記曲率および溝特徴を使用して前記第１の皮質下表面メッシュモデルを前記着目領域の皮質下解剖図に整合させることと、
   前記着目皮質下領域の解剖図に整合された前記第１の皮質下表面メッシュモデルを第２の皮質下表面メッシュモデル上にオーバーレイすることであって、前記第２の皮質下表面メッシュモデルは、ノード識別と解剖図場所との間の１対１対応を可能にする標準化された数のノードを有する、ことと、
   前記第２の皮質下表面メッシュモデルが前記第１の皮質下構造表面メッシュモデルのトポロジを呈するように、前記第１の皮質下表面メッシュモデルのノードの座標を前記第２の皮質下構造表面メッシュモデルに割り当てることと
   をさらに含む、請求項１に記載の方法。
5. 前記第１の撮像走査は、コントラスト加重ＭＲＩ走査であり、前記第１のデータセットは、コントラスト加重データセットであり、
   前記方法はさらに、
   前記標識データセットに基づいて、脳脊髄液領域に属するものとして識別される前記第１のデータセットのボクセルを選択することと、
   マルチスケール管状フィルタリングアルゴリズムを適用し、血管を表す前記第１のデータセットのボクセルを識別し、脈管強調加重値を各ボクセルに割り当てることと、
   前記脈管強調加重値を前記第１のデータセットに統合することと、
   前記第１のデータセットおよび前記第２のデータセットを整合させた後、前記第１のデータセットを表面解剖学的メッシュモデルに転換することと
   を含む、請求項１に記載の方法。
6. 前記第１の撮像走査は、コントラスト加重ＭＲＩ走査であり、前記第２の撮像走査は、解剖学的ＭＲＩ走査であり、
   前記方法はさらに、
   以前に埋込されたプローブの標的点座標およびエントリ点座標に基づいて、またはユーザ定義された標的点およびエントリ点によって、プローブのための予期される標的点座標およびエントリ点座標を定義することと、
   平均標的座標および平均エントリ点座標に基づいて、前記プローブのための軌道を定義することと、
   着目解剖学的領域の標識を割り当てられた最近傍のボクセルと交差するように前記軌道を調節することと、
   ユーザ定義された制約に基づく臨界構造までの前記軌道の近接度、および／または前記ユーザ定義された制約を満たすような前記軌道のユーザ定義された修正をチェックすることと、
   前記軌道を前記第２のデータセット上に重畳し、計画立案データセットを形成することと
   を含む、請求項１に記載の方法。
7. 前記第１の撮像走査は、解剖学的ＭＲＩ走査であり、前記第２の撮像走査は、埋込後ＣＴ撮像走査であり、前記第１のデータセットは、解剖学的ＭＲＩデータセットであり、前記第２のデータセットは、埋込後ＣＴ撮像データセットであり、
   前記方法はさらに、
   外科手術の間に電極埋込を誘導するために使用される第３の撮像走査を取得することと、
   前記第３の撮像走査を第３のデータセットに転換することと、
   第３のデータセットと前記第１のデータセットを整合させることと、
   前記電極埋込の間に生成される軌道埋込データファイルを取得することと、
   軌道埋込データファイルに基づいて、電極幾何学形状の場所に配置されるダミーオブジェクトを含む計画立案軌道データセットを発生させることと、
   前記計画立案軌道データセットを前記ＣＴ撮像データセットに整合させることと、
   前記軌道埋込データファイルのダミーオブジェクトに基づいて、前記ＣＴ電極データセット内の電極を自動的に識別し、それに標識することと
   を含む、請求項１に記載の方法。
8. 非一過性コンピュータ可読媒体であって、前記非一過性コンピュータ可読媒体は、
   単一の対象脳の第１の撮像走査および第２の撮像走査を取得することと、
   前記第１の撮像走査を第１のデータセットに、および前記第２の撮像走査を第２のデータセットに転換することと、
   シーケンス適応型マルチモーダルセグメント化アルゴリズムを前記第１のデータセットおよび前記第２のデータセットに適用することであって、前記シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる、ことと、
   前記第１の標識データセットおよび前記第２の標識データセットを相互に対して自動的に共位置合わせし、前記第１の標識データセットおよび前記第２の標識データセットに基づいて変換行列を発生させることと、
   前記変換行列を適用し、前記第１のデータセットおよび前記第２のデータセットを整合させることと
   を行うように、１つまたはそれを上回るプロセッサによって実行可能である命令でエンコードされる、非一過性コンピュータ可読媒体。
9. 前記第１の撮像走査および前記第２の撮像走査は、磁気共鳴映像法（ＭＲＩ）、コンピュータ断層撮影法（ＣＴ）、脳磁図（ＭＥＧ）、または陽電子放出断層撮影（ＰＥＴ）のうちの１つまたはそれを上回るものを用いて実施される、請求項８に記載の非一過性コンピュータ可読媒体。
10. 前記シーケンス適応型マルチモーダルセグメント化アルゴリズムは、数値標識値を前記第１のデータセットまたは前記第２のデータセットの各ボクセルに割り当てる、請求項８に記載の非一過性コンピュータ可読媒体。
11. 前記命令は、
    前記第１のデータセットから、着目皮質下領域に対応する標識を有するボクセルを抽出することと、
    前記第１のデータセットから抽出された前記ボクセルを含有する第３のデータセットを形成することと、
    前記第３のデータセットを第１の皮質下表面メッシュモデルに転換することと、
    前記第１の皮質下表面メッシュモデルの曲率および溝特徴を算出することと、
    前記曲率および溝特徴を使用して前記第１の皮質下表面メッシュモデルを前記着目領域の皮質下解剖図に整合させることと、
    前記着目皮質下領域の解剖図に整合された前記第１の皮質下表面メッシュモデルを第２の皮質下表面メッシュモデル上にオーバーレイすることであって、前記第２の皮質下表面メッシュモデルは、ノード識別と解剖図場所との間の１対１対応を可能にする標準化された数のノードを有する、ことと、
    前記第２の皮質下表面メッシュモデルが前記第１の皮質下構造表面メッシュモデルのトポロジを呈するように、前記第１の皮質下表面メッシュモデルのノードの座標を前記第２の皮質下構造表面メッシュモデルに割り当てることと
    を行うように、前記１つまたはそれを上回るプロセッサによって実行可能である、請求項８に記載の非一過性コンピュータ可読媒体。
12. 前記第１の撮像走査は、コントラスト加重ＭＲＩ走査であり、前記第１のデータセットは、コントラスト加重データセットであり、
    前記命令は、
    前記標識データセットに基づいて、脳脊髄液領域に属するものとして識別される前記第１のデータセットのボクセルを選択することと、
    マルチスケール管状フィルタリングアルゴリズムを適用し、血管を表す前記第１のデータセットのボクセルを識別し、脈管強調加重値を各ボクセルに割り当てることと、
    前記脈管強調加重値を前記第１のデータセットに統合することと、
    前記第１のデータセットおよび前記第２のデータセットを整合させた後、前記第１のデータセットを表面解剖学的メッシュモデルに転換することと
    を行うように、前記１つまたはそれを上回るプロセッサによって実行可能である、請求項８に記載の非一過性コンピュータ可読媒体。
13. 前記第１の撮像走査は、コントラスト加重ＭＲＩ走査であり、前記第２の撮像走査は、解剖学的ＭＲＩ走査であり、
    前記命令は、
    以前に埋込されたプローブの標的点座標およびエントリ点座標に基づいて、またはユーザ定義された標的点およびエントリ点によって、プローブのための予期される標的点座標およびエントリ点座標を定義することと、
    平均標的座標および平均エントリ点座標に基づいて、前記プローブのための軌道を定義することと、
    着目解剖学的領域の標識を割り当てられた最近傍のボクセルと交差するように前記軌道を調節することと、
    ユーザ定義された制約に基づく臨界構造までの前記軌道の近接度、および／または前記ユーザ定義された制約を満たすような前記軌道のユーザ定義された修正をチェックすることと、
    前記軌道を前記第２のデータセット上に重畳し、計画立案データセットを形成することと
    を行うように、前記１つまたはそれを上回るプロセッサによって実行可能である、
    請求項８に記載の非一過性コンピュータ可読媒体。
14. 前記第１の撮像走査は、解剖学的ＭＲＩ走査であり、前記第２の撮像走査は、埋込後ＣＴ撮像走査であり、前記第１のデータセットは、解剖学的ＭＲＩデータセットであり、前記第２のデータセットは、埋込後ＣＴデータセットであり、
    前記命令は、
    外科手術の間に電極埋込を誘導するために使用される第３の撮像走査を取得することと、
    前記第３の撮像走査を第３のデータセットに転換することと、
    第３のデータセットと前記第１のデータセットを整合させることと、
    前記電極埋込の間に生成される軌道埋込データファイルを取得することと、
    軌道埋込データファイルに基づいて、電極幾何学形状の場所に配置されるダミーオブジェクトを含む計画立案軌道データセットを発生させることと、
    前記計画立案軌道データセットを前記埋込後ＣＴ撮像データセットに整合させることと、
    前記軌道埋込データファイルのダミーオブジェクトに基づいて、前記ＣＴ電極データセット内の電極を自動的に識別し、それに標識することと
    を行うように、前記１つまたはそれを上回るプロセッサによって実行可能である、請求項８に記載の非一過性コンピュータ可読媒体。
15. システムであって、
    １つまたはそれを上回るプロセッサと、
    前記１つまたはそれを上回るプロセッサに結合されるメモリであって、前記メモリは、
    対象脳の第１の撮像走査および第２の撮像走査を取得することと、
    前記第１の撮像走査を第１のデータセットに、および前記第２の撮像走査を第２のデータセットに転換することと、
    シーケンス適応型マルチモーダルセグメント化アルゴリズムを前記第１のデータセットおよび前記第２のデータセットに適用することであって、前記シーケンス適応型マルチモーダルセグメント化アルゴリズムは、自動的な強度ベースの組織分類を実施し、第１の標識データセットおよび第２の標識データセットを発生させる、ことと、
    前記第１の標識データセットおよび前記第２の標識データセットを相互に対して自動的に共位置合わせし、前記第１の標識データセットおよび前記第２の標識データセットに基づいて変換行列を発生させることと、
    前記変換行列を適用し、前記第１のデータセットおよび前記第２のデータセットを整合させることと
    を行うように、前記１つまたはそれを上回るプロセッサを構成する命令を記憶する、メモリと
    を備える、システム。
16. 前記第１の撮像走査および前記第２の撮像走査は、磁気共鳴映像法（ＭＲＩ）、コンピュータ断層撮影法（ＣＴ）、脳磁図（ＭＥＧ）、または陽電子放出断層撮影（ＰＥＴ）のうちの１つまたはそれを上回るものを用いて実施される、請求項１５に記載のシステム。
17. 前記シーケンス適応型マルチモーダルセグメント化アルゴリズムは、数値標識値を前記第１のデータセットまたは前記第２のデータセットの各ボクセルに割り当てる、請求項１５に記載のシステム。
18. 前記命令は、
    前記第１のデータセットから、着目皮質下領域に対応する標識を有するボクセルを抽出することと、
    前記第１のデータセットから抽出された前記ボクセルを含有する第３のデータセットを形成することと、
    前記第３のデータセットを第１の皮質下表面メッシュモデルに転換することと、
    前記第１の皮質下表面メッシュモデルの曲率および溝特徴を算出することと、
    前記曲率および溝特徴を使用して前記第１の皮質下表面メッシュモデルを前記着目領域の皮質下解剖図に整合させることと、
    前記着目皮質下領域の解剖図に整合された前記第１の皮質下表面メッシュモデルを第２の皮質下表面メッシュモデル上にオーバーレイすることであって、前記第２の皮質下表面メッシュモデルは、ノード識別と解剖図場所との間の１対１対応を可能にする標準化された数のノードを有する、ことと、
    前記第２の皮質下表面メッシュモデルが前記第１の皮質下構造表面メッシュモデルのトポロジを呈するように、前記第１の皮質下表面メッシュモデルのノードの座標を前記第２の皮質下構造表面メッシュモデルに割り当てることと
    を行うように、前記１つまたはそれを上回るプロセッサを構成する、請求項１５に記載のシステム。
19. 前記第１の撮像走査は、コントラスト加重ＭＲＩ走査であり、前記第１のデータセットは、コントラスト加重データセットであり、
    前記命令は、
    前記標識データセットに基づいて、脳脊髄液領域に属するものとして識別される前記第１のデータセットのボクセルを選択することと、
    マルチスケール管状フィルタリングアルゴリズムを適用し、血管を表す前記第１のデータセットのボクセルを識別し、脈管強調加重値を各ボクセルに割り当てることと、
    前記脈管強調加重値を前記第１のデータセットに統合することと、
    前記第１のデータセットおよび前記第２のデータセットを整合させた後、前記第１のデータセットを表面解剖学的メッシュモデルに転換することと
    を行うように、前記１つまたはそれを上回るプロセッサを構成する、請求項１５に記載のシステム。
20. 前記第１の撮像走査は、コントラスト加重ＭＲＩ走査であり、前記第２の撮像走査は、解剖学的ＭＲＩ走査であり、
    前記命令は、
    以前に埋込されたプローブの標的点座標およびエントリ点座標に基づいて、またはユーザ定義された標的点およびエントリ点によって、プローブのための予期される標的点座標およびエントリ点座標を定義することと、
    平均標的座標および平均エントリ点座標に基づいて、前記プローブのための軌道を定義することと、
    着目解剖学的領域の標識を割り当てられた最近傍のボクセルと交差するように前記軌道を調節することと、
    ユーザ定義された制約に基づく臨界構造までの前記軌道の近接度、および／または前記ユーザ定義された制約を満たすような前記軌道のユーザ定義された修正をチェックすることと、
    前記軌道を前記第２のデータセット上に重畳し、計画立案データセットを形成することと
    を行うように、前記１つまたはそれを上回るプロセッサを構成する、請求項１５に記載のシステム。
21. 前記第１の撮像走査は、解剖学的ＭＲＩ走査であり、前記第２の撮像走査は、埋込後ＣＴ撮像走査であり、前記第１のデータセットは、解剖学的ＭＲＩデータセットであり、前記第２のデータセットは、埋込後ＣＴ撮像データセットであり、
    前記命令は、
    外科手術の間に電極埋込を誘導するために使用される第３の撮像走査を取得することと、
    前記第３の撮像走査を第３のデータセットに転換することと、
    第３のデータセットと前記第１のデータセットを整合させることと、
    前記電極埋込の間に生成される軌道埋込データファイルを取得することと、
    軌道埋込データファイルに基づいて、電極幾何学形状の場所に配置されるダミーオブジェクトを含む計画立案軌道データセットを発生させることと、
    前記計画立案軌道データセットを前記埋込後ＣＴ撮像データセットに整合させることと、
    前記軌道埋込データファイルのダミーオブジェクトに基づいて、前記ＣＴ電極データセット内の電極を識別することと
    を行うように、前記１つまたはそれを上回るプロセッサを構成する、請求項１５に記載のシステム。

Images