Identifikace elektrod v trojrozměrném modelu high-density EEG čepice

Abstract

Při vyšetřeních využívajících high-density EEG (HD-EEG) je nezbytné přesně lokalizovat desítky až stovky elektrod na povrchu pacientovy hlavy. Dosavadní manuální metody (např. pomocí stereokamery a stylusu) jsou zdlouhavé, nepřesné a náročné na spolupráci pacienta, což je zvlášť problematické v dětské epileptologii. Tato práce proto představuje automatizovaný postup, který kombinuje 3D skenování a trojrozměrný model hlavy vytvořený z MR snímků za účelem rychlé a přesné identifikace a pojmenování elektrod HD-EEG. Nejprve je z T1-vážených MR dat vytvořen trojrozměrný model hlavy pacienta, jenž slouží jako anatomický základ pro další kroky. Současně se ručním skenerem (např. HandySCAN 700) pořídí 3D záznam hlavy s nasazenou HD-EEG čepicí. Oba modely MR a sken jsou následně zaregistrovány pomocí rigidní a následně deformační registrace. Pro samotnou detekci elektrod je využit algoritmus založený na analýze křivosti povrchu: místa s vysokým zakřivením odpovídají výstupkům elektrod či otvorům v jejich středové části. Tyto body jsou následně shlukovány pomocí algoritmu DBSCAN a přiřazovány k pozicím elektrod vycházejícím z šablonového modelu, který je zarovnán na výsledný sken. Výsledky ukazují, že u vysoce kvalitních 3D skenů lze detekovat i přes 90% elektrod s chybou pod 5 mm. Nižší kvalita skenů či deformace čepice, ale způsobují nepřesnosti, kdy výsledná detekce elektrod je nedostačující. Význam tohoto řešení spočívá ve zrychlení a zkvalitnění diagnostiky, zejména u dětských pacientů s epilepsií, kde rychlé nasazení HD-EEG může ušetřit čas odborníků, zlepšit přesnost analýzy zdrojů mozkové aktivity a usnadnit plánování léčebných postupů.

High-density EEG (HD-EEG) examinations require the precise localization of tens to hundreds of electrodes on the patients scalp. Existing manual methods, such as using a stereoscopic camera and stylus, are time-consuming, prone to error, and demanding in terms of patient cooperationparticularly problematic in pediatric epileptology. This thesis therefore introduces an automated approach that combines 3D scanning with a three-dimensional head model derived from MR images, enabling rapid and accurate identification and labeling of HD-EEG electrodes. First, a three-dimensional model of the patients head is constructed from T1-weighted MR data, providing the anatomical foundation for subsequent steps. In parallel, a handheld scanner (e.g., HandySCAN 700) is used to acquire a 3D record of the head wearing the HD-EEG cap. The two resulting datasetsthe MR-based model and the 3D scanare then aligned using both rigid and non-deformable (CPD) registration. Electrode detection itself relies on a surface-curvature analysis: areas exhibiting high curvature values correspond to the raised portions of the electrodes or the openings in their centers. These points are subsequently clustered (DBSCAN) and mapped to electrodes derived from a template model, which is aligned to the final geometry. Results indicate that, for high-quality 3D scans, more than 90 % of electrodes can be detected with an error under 5 mm. However, lower-quality scans or cap deformations cause inaccuracies, resulting in insufficient electrode detection. The significance of this solution lies in expediting and improving diagnostics, especially for pediatric epilepsy patients, where a swift HD-EEG setup can save clinicians time, enhance source-analysis precision, and streamline treatment planning.