CN109965895B - 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 - Google Patents
一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 Download PDFInfo
- Publication number
- CN109965895B CN109965895B CN201910244902.2A CN201910244902A CN109965895B CN 109965895 B CN109965895 B CN 109965895B CN 201910244902 A CN201910244902 A CN 201910244902A CN 109965895 B CN109965895 B CN 109965895B
- Authority
- CN
- China
- Prior art keywords
- mri
- eeg
- pet
- brain
- structural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 59
- 230000004927 fusion Effects 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 42
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000004060 metabolic process Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 239000000700 radioactive tracer Substances 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003925 brain function Effects 0.000 claims description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical group CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000001652 frontal lobe Anatomy 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 210000003128 head Anatomy 0.000 claims description 3
- 210000000869 occipital lobe Anatomy 0.000 claims description 3
- 230000001936 parietal effect Effects 0.000 claims description 3
- 210000001152 parietal lobe Anatomy 0.000 claims description 3
- 210000004761 scalp Anatomy 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 210000003478 temporal lobe Anatomy 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 238000000692 Student's t-test Methods 0.000 claims description 2
- 238000012353 t test Methods 0.000 claims description 2
- 238000012831 peritoneal equilibrium test Methods 0.000 claims 2
- 238000012636 positron electron tomography Methods 0.000 claims 2
- 238000012877 positron emission topography Methods 0.000 claims 2
- 230000006870 function Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000004807 localization Effects 0.000 abstract 1
- 238000002582 magnetoencephalography Methods 0.000 description 33
- 238000002600 positron emission tomography Methods 0.000 description 32
- 206010015037 epilepsy Diseases 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008579 epileptogenesis Effects 0.000 description 1
- 230000002397 epileptogenic effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/44—Constructional features of apparatus for radiation diagnosis
- A61B6/4417—Constructional features of apparatus for radiation diagnosis related to combined acquisition of different diagnostic modalities
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于脑影像融合特征的癫痫灶定位方法，包括：采集患者的结构MRI、PET、CT、EEG、MEG多模态脑影像数据，并配准到同一空间；进行结构MRI脑区分割，再分割PET、功能MRI；计算局部和全局融合特征向量，进而形成融合特征；构建用于癫痫灶定位的分类器。本发明联合脑结构、功能和代谢等多模态脑影像信息，结合全局、局部等多水平脑影像信息，再通过构建上述信息的融合特征，利用机器学习方法实现癫痫灶的客观、快速、精准定位。本发明的数据采集流程更为快速和方便，可提高癫痫灶定位精度，且可以解决在一种模态下无法定位癫痫灶和多种模态提示癫痫灶位置矛盾难以定位癫痫灶的问题，能为医生诊断提供有效帮助。
Description
技术领域
本发明涉及生物医学领域，特别涉及一种基于脑影像融合特征的癫痫灶定位方法。
背景技术
癫痫是一种大脑皮层神经元突发性异常放电导致短暂的大脑功能障碍的慢性疾病。据中国最新流行病学资料显示，中国约有900万左右的癫痫患者，是神经科仅次于头痛的第二大常见病。其中，约30％的癫痫患者为难治型癫痫，即仅通过服用抗癫痫药物无法控制癫痫发作。如前所述，当前学界普遍认为癫痫的发病机制是大脑皮层神经元的异常放电，因此，对于上述难治型癫痫患者，可通过手术切除导致异常放电的致痫灶进行根治。由此可见，精准定位致痫灶是手术成功的一个前提条件，研究精准定位致痫灶的方法具有重要意义。
临床上，致痫灶切定位的手段主要包括脑电(EEG)、脑磁(MEG)、磁共振(MRI)、正电子发射型计算机断层现象(PET)等。目前面临的要问题包括三点：(1)检查过程冗长繁琐，包括检查地点不一致，需要多次转换以及检查时间拖沓。大多数医院中，PET分属放射科，MRI分属影像科，EEG属于脑电图室，MEG分属脑磁图室，患者被安排依顺序逐一进行检查，设备分属不同地点，患者需要进行多次转换，且检查时间较长。我们希望提出一种新的检查流程，缩短检查时间，加少患者辗转次数。(2)未综合利用脑影像的全局和局部信息，可能错失发现癫痫灶的机会。越来越多的研究指明癫痫发生和发展受累区域的含义已经不限定于某个特定区域，而是局部乃至整体网络(Network)的累及，即癫痫网络(Epileptic network)的累及。神经网络系统之间的相互作用可能是癫痫诱发、扩散、维持的主要因素，因此癫痫是一种脑网络疾病，脑网络的变化在定位癫痫灶中的作用已经愈来愈受到重视，有研究使用脑网络方法定位癫痫灶。同时，基于局部细节信息定位癫痫灶的方法由来已久。但是，值得说明的是，仅利用脑网络或全局者局部细节信息来定位癫痫灶，都会有失偏颇。结合全局和局部信息一定可以更好地定位癫痫灶。因此，我们希望提出一种融合全局和局部信息的基于脑影像融合特征的癫痫灶定位方法。(3)缺乏融合多模态影像信息的客观定量定位癫痫灶的方法，使基于多模态脑影像的基于脑影像融合特征的癫痫灶定位方法难以应用于实际。多模态脑影像信息可提供给我们结构、功能、代谢等全面信息，因此融合多模态脑影像有助于癫痫灶定位精度的提高，而且可以避免在一种模态下无法定位癫痫灶的问题。但是，现有基于多模态脑影像的基于脑影像融合特征的癫痫灶定位方法多是基于有经验的医生主观融合实现的，一方面严重依赖医生的经验，另一方面医生的融合通常是决策级融合，在出现两种或者多种模态影像提示癫痫灶位置不同时，医生难以抉择。因此，现在需要一种能有效解决上述问题的基于脑影像融合特征的癫痫灶定位方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于脑影像融合特征的癫痫灶定位方法。本发明并通过联合特征的量化分析建立特征与癫痫灶位置之间的关系，进而实现多模态脑影像下的癫痫灶客观定位。
为解决上述技术问题，本发明采用的技术方案是：一种基于脑影像融合特征的癫痫灶定位方法，包括以下步骤：
1)采集患者的结构MRI、PET、EEG、MEG多模态脑影像数据，并配准到同一空间；
2)进行结构MRI脑区分割，再按照其分割结果分割PET、功能MRI；
3)基于结构MRI构建真实几何头模型，并基于此使用EEG/MEG源成像方法实现EEG/MEG源成像，并取各脑区源成像的均值为量化分析值，得出EEG/MEG的局部特征向量，并基于格兰杰因果计算脑功能网络，得出EEG/MEG的全局特征向量，从而得到EEG/MEG的局部和全局融合特征向量；
4)基于结构MRI，对每个脑区进行灰质、白质和脑脊液体积、皮层厚度、及表面积特征提取与特征向量构建，联合不同脑区的特征向量，得出所有脑区的结构MRI局部特征向量，并基于皮尔森相关系数构建脑结构网络，得出结构MRI的全局特征向量，从而得到结构MRI的局部和全局融合特征向量；
5)基于功能MRI，提取出每个脑区内所有体素的事件序列并平均，联合不同脑区的特征向量，得出所有脑区的功能MRI局部特征向量，并基于皮尔森相关系数构建脑功能网络，得出功能MRI的全局特征向量，从而得到功能MRI的局部和全局融合特征向量；
6)基于PET，读取每个脑区的标准摄取值，联合各脑区的标准摄取值，得出PET的局部特征向量，并基于此构建脑代谢网络，得出PET的全局特征向量，从而得到PET的局部和全局融合特征向量；
7)选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是选取其中的多个进行融合，再进行降维，同时联合医生标记好的对应患者的癫痫灶的位置一起作为机器学习方法或者分类方法(如支持向量机)的输入，构建用于癫痫灶定位的分类器。
优选的是，所述步骤1)中的数据采集方法具体包括以下步骤：
1-1)进行MEG数据采集；包括使用磁定位仪或者3D激光扫描装置进行解剖标志点信息的采集；
1-2)选择PET-MRI设备、可在MRI环境下使用的EEG设备，患者在PET-MRI设备上进行fMRI与EEG数据的采集；
1-3)患者接受18F-FDG示踪剂注射，15分钟之内EEG不间断采集；随后，摘下EEG，进行PET数据的采集；
1-4)患者再次带上EEG，进行结构MRI数据的采集。
优选的是，所述步骤1)中，EEG按照10-20系统安置导联；功能MRI选择bold序列；结构MRI包括T1、T2和FLAIR序列；fMRI-EEG数据采集时，患者闭目采集。
优选的是，所述步骤1)中的EEG包括头皮EEG，导联的安置按照10-20系统进行。
优选的是，所述步骤1)中的配准方法具体为：选择MRI所在坐标系为参考坐标系(优选的是这个坐标系)，完成结构MRI和功能MRI的配准，MRI-PET配准，MRI-EEG配准，MRI-MEG配准。
优选的是，所述步骤1)包括采集患者的结构MRI、PET、EEG、MEG、CT多模态脑影像数据，采集方法具体包括以下步骤：
A)进行MEG数据采集；包括使用磁定位仪或者3D激光扫描装置进行解剖结构点的数据采集
B)患者带上EEG，进行结构和功能MRI数据的采集；
B)选择PET-CT设备，患者在PET-CT设备上进行EEG数据的采集；
C)患者接受18F-FDG示踪剂注射，15分钟之内EEG不间断采集；随后，摘下EEG，进行PET、CT数据的采集。
优选的是，所述步骤1)中的配准方法具体为：选择MRI所在坐标系为参考坐标系完成CT和结构MRI配准、结构MRI和功能MRI的配准、MRI-PET配准、MRI-EEG配准、MRI-MEG配准。
优选的是，所述步骤2)具体包括：按照AAL模板，使用配准方法，完成结构MRI下的90脑区分割；或者，将结构MRI化分为标准尺寸的网格；或者将结构MRI按照额叶、顶叶、颞叶、枕叶和岛叶来划分；或者将结构MRI按照额叶、顶叶、颞叶、枕叶和岛叶分别区分为上中下3层来划分；或者使用基于体素的网格划分方法；从而实现结构MRI的脑区分割，然后按照结构MRI的脑区分割结果，分割PET、功能MRI。
优选的是，所述步骤7中选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是其中的多个进行融合，采用PCA方法进行降维，然后联合患者被医生标注后的癫痫灶位置一起作为机器学习方法或者分类方法(如支持向量机)的输入，以此构建用于癫痫灶位置分析的分类器，将该分类器用于癫痫灶定位。
本发明的有益效果是：本发明联合脑结构、功能和代谢等多模态脑影像信息，结合全局、局部等多水平脑影像信息，再通过构建上述信息的融合特征，利用机器学习方法实现癫痫灶的客观、快速、精准定位。本发明的数据采集流程更为快速和方便，本发明可提高癫痫灶定位精度，而且可以解决在一种模态下无法定位癫痫灶和多种模态提示癫痫灶位置矛盾难以定位癫痫灶的问题，能为医生的诊断提供有效帮助，具有很好的应用前景。
附图说明
图1为本发明的一种实施例中进行数据采集的部分装置的结构示意图。
附图标记说明：
1—检测床体；2—PET-MRI一体机；3—脑电电极。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
本实施例的一种基于脑影像融合特征的癫痫灶定位方法，包括以下步骤：
1)采集患者的结构MRI、PET、EEG、MEG多模态脑影像数据，并配准到同一空间；
2)进行结构MRI脑区分割，再按照其分割结果分割PET、功能MRI；
3)基于结构MRI构建真实几何头模型，并基于此使用EEG/MEG源成像方法实现EEG/MEG源成像，并取各脑区源成像的均值为量化分析值，得出EEG/MEG的局部特征向量，并基于格兰杰因果计算脑功能网络，得出EEG/MEG的全局特征向量，从而得到EEG/MEG的局部和全局融合特征向量；
4)基于结构MRI，对每个脑区进行灰质、白质和脑脊液体积、皮层厚度、及表面积特征提取与特征向量构建，联合不同脑区的特征向量，得出所有脑区的结构MRI局部特征向量，并基于皮尔森相关系数构建脑结构网络，得出结构MRI的全局特征向量，从而得到结构MRI的局部和全局融合特征向量；
5)基于功能MRI，提取出每个脑区内所有体素的事件序列并平均，联合不同脑区的特征向量，得出所有脑区的功能MRI局部特征向量，并基于皮尔森相关系数构建脑功能网络，得出功能MRI的全局特征向量，从而得到功能MRI的局部和全局融合特征向量；
6)基于PET，读取每个脑区的标准摄取值，联合各脑区的标准摄取值，得出PET的局部特征向量，并基于此构建脑代谢网络，得出PET的全局特征向量，从而得到PET的局部和全局融合特征向量；
7)选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是选取其中的多个进行融合，再进行降维，同时联合医生标记好的对应患者的癫痫灶的位置一起作为机器学习方法或者分类方法(如支持向量机)的输入，构建用于癫痫灶定位的分类器。
在一种实施例中，所述步骤1)中的数据采集方法具体包括以下步骤：
1-1)进行MEG数据采集；包括使用磁定位仪或者3D激光扫描装置进行解剖标志点信息的采集；
1-2)选择PET-MRI设备、可在MRI环境下使用的EEG设备，患者在PET-MRI设备上进行fMRI与EEG数据的采集；
1-3)患者接受18F-FDG示踪剂注射，15分钟之内EEG不间断采集；随后，摘下EEG，进行PET数据的采集；
1-4)患者再次带上EEG，进行结构MRI数据的采集。
其中，EEG按照10-20系统安置导联；功能MRI选择bold序列；结构MRI包括T1、T2和FLAIR序列；fMRI-EEG数据采集时，患者闭目采集。
参照图1，为上述实施例中进行数据采集的部分装置的结构示意图，其中包括PET-MRI一体机2、可在MRI环境下使用的脑电电极3及用于MRI环境中的检测床体1，脑电电极3上连接有电缆线；其可进行fMRI、EEG、PET、MRI数据的采集，更为方便快捷。只有在进行MEG数据采集时才需要更换到脑磁图室。
在一种实施例中，所述步骤1)中的EEG包括头皮EEG，导联的安置按照10-20系统进行。
由于数据采集于不同设备，融合需要先配准到同一空间。在一种优选的实施例中，所述步骤1)中的配准方法具体为：选择MRI所在坐标系为参考坐标系，完成结构MRI和功能MRI的配准，MRI-PET配准，MRI-EEG配准，MRI-MEG配准。
在一种实施例中，所述步骤2)具体包括：按照AAL模板，使用配准方法，完成结构MRI下的90脑区分割(在优选的实施例中采用该方法)；或者，将结构MRI化分为标准尺寸(如1*1*1等尺寸)的网格；或者将结构MRI按照额叶、顶叶、颞叶、枕叶和岛叶来划分；或者将结构MRI按照额叶、顶叶、颞叶、枕叶和岛叶分别区分为上中下3层来划分；或者使用基于体素的网格划分方法；从而实现结构MRI的脑区分割，然后按照结构MRI的脑区分割结果，分割PET、功能MRI。
在另一种实施例中，所述步骤1)包括采集患者的结构MRI、PET、EEG、MEG、CT多模态脑影像数据，采集方法具体包括以下步骤：
A)进行MEG数据采集；包括使用磁定位仪或者3D激光扫描装置进行解剖结构点的数据采集；
B)患者带上EEG，进行结构和功能MRI数据的采集；
B)选择PET-CT设备，患者在PET-CT设备上进行EEG数据的采集；
C)患者接受18F-FDG示踪剂注射，15分钟之内EEG不间断采集；随后，摘下EEG，进行PET、CT数据的采集。其中，使用PET-CT时，CT的作用是和MRI配准，进而使PET和MRI配准(因为直接配准PET和MRI比较困难)。在该实施例中，所述步骤1)中的配准方法具体为：选择MRI所在坐标系为参考坐标系完成CT和结构MRI配准、结构MRI和功能MRI的配准、MRI-PET配准、MRI-EEG配准、MRI-MEG配准。
在一种实施例中，所述步骤7中选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是其中的多个进行融合，采用PCA方法、t检验或者融合降维方法等降维方法进行降维，然后联合患者被医生标注后的癫痫灶位置共同作为机器学习方法的输入，以此构建用于癫痫灶位置分析的分类器，将该分类器用于癫痫灶定位。
在一种优选的实施例中，步骤7中选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是其中的多个进行融合，采用PCA方法进行降维，然后联合患者被医生标注后的癫痫灶位置一起作为机器学习方法或者分类方法的输入(如支持向量机)，以此构建用于癫痫灶位置分析的分类器，将该分类器用于癫痫灶定位。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (9)
1.一种基于脑影像融合特征的构建癫痫灶定位分类器的方法，其特征在于，包括以下步骤：
1）采集患者的结构MRI、PET、EEG、MEG多模态脑影像数据，并配准到同一空间；
2）进行结构MRI脑区分割，再按照其分割结果分割PET、功能MRI；
3）基于结构MRI构建真实几何头模型，并基于此使用EEG/MEG源成像方法实现EEG/MEG源成像，并取各脑区源成像的均值为量化分析值，得出EEG/MEG的局部特征向量，并基于格兰杰因果计算脑功能网络，得出EEG/MEG的全局特征向量，从而得到EEG/MEG的局部和全局融合特征向量；
4）基于结构MRI，对每个脑区进行灰质、白质和脑脊液体积、皮层厚度、及表面积特征提取与特征向量构建，联合不同脑区的特征向量，得出所有脑区的结构MRI局部特征向量，并基于皮尔森相关系数构建脑结构网络，得出结构MRI的全局特征向量，从而得到结构MRI的局部和全局融合特征向量；
5）基于功能MRI，提取出每个脑区内所有体素的事件序列并平均，联合不同脑区的特征向量，得出所有脑区的功能MRI局部特征向量，并基于皮尔森相关系数构建脑功能网络，得出功能MRI的全局特征向量，从而得到功能MRI的局部和全局融合特征向量；
6）基于PET，读取每个脑区的标准摄取值，联合各脑区的标准摄取值得均值为量化分析值，得出PET的局部特征向量，并基于此构建脑代谢网络，得出PET的全局特征向量，从而得到PET的局部和全局融合特征向量；
7）选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是选取其中的多个进行融合，形成融合特征，再进行降维，同时联合医生标记好的对应患者的癫痫灶的位置一起作为机器学习方法或者分类方法的输入，构建用于癫痫灶定位的分类器。
2.根据权利要求1所述的方法，其特征在于，所述步骤1）中的数据采集方法具体包括以下步骤：
1-1）进行MEG数据采集，包括使用磁定位仪或者3D激光扫描装置进行解剖标志点信息的采集；
1-2）选择PET-MRI设备、可在MRI环境下使用的EEG设备，患者在PET-MRI设备上进行fMRI与EEG数据的采集；
1-3）患者接受18F-FDG示踪剂注射，15分钟之内EEG不间断采集；随后，摘下EEG，进行PET数据的采集；
1-4）患者再次戴上EEG，进行结构MRI数据的采集。
3.根据权利要求2所述的方法，其特征在于，所述步骤1）中，EEG按照10-20系统安置导联；功能MRI选择bold序列；结构MRI包括T1、T2和FLAIR序列；fMRI-EEG数据采集时，患者闭目采集。
4.根据权利要求3所述的方法，其特征在于，所述步骤1）中的EEG包括头皮EEG，导联的安置按照10-20系统进行。
5.根据权利要求4所述的方法，其特征在于，所述步骤1）中的配准方法具体为：选择MRI所在坐标系为参考坐标系，完成结构MRI和功能MRI的配准，MRI-PET配准，MRI-EEG配准，MRI-MEG配准。
6.根据权利要求1所述的方法，其特征在于，所述步骤1）包括采集患者的结构MRI、PET、EEG、MEG、CT多模态脑影像数据，采集方法具体包括以下步骤：
A）进行MEG数据采集，包括使用磁定位仪或者3D激光扫描装置进行解剖结构点的数据采集；
B）患者戴上EEG，进行结构和功能MRI数据的采集；
B）选择PET-CT设备，患者接受18F-FDG示踪剂注射，15分钟之内EEG不间断采集；随后，摘下EEG，进行PET、CT数据的采集。
7.根据权利要求6所述的方法，其特征在于，所述步骤1）中的配准方法具体为：选择MRI所在坐标系为参考坐标系完成CT和结构MRI配准、结构MRI和功能MRI的配准、结构MRI和PET配准、结构MRI和EEG配准、结构MRI和MEG配准。
8.根据权利要求5或6所述的方法，其特征在于，所述步骤2）具体包括：按照AAL模板，使用配准方法，完成结构MRI下的90脑区分割；或者，将结构MRI化分为标准尺寸的网格；或者将结构MRI按照额叶、顶叶、颞叶、枕叶和岛叶来划分；或者将结构MRI按照额叶、顶叶、颞叶、枕叶和岛叶分别区分为上中下3层来划分；或者使用基于体素的网格划分方法；从而实现结构MRI的脑区分割，然后按照结构MRI的脑区分割结果，分割PET、功能MRI。
9.根据权利要求5或6所述的方法，其特征在于，所述步骤7中选取EEG/MEG、结构MRI、功能MRI和PET的局部和全局融合特征向量中的一个，或是其中的多个进行融合形成融合特征，采用PCA方法、t检验或者融合降维方法等降维方法进行降维，然后联合患者被医生标注后的癫痫灶位置一起作为机器学习方法或者分类方法的输入，以此构建用于癫痫灶位置分析的分类器，将该分类器用于癫痫灶定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244902.2A CN109965895B (zh) | 2019-03-28 | 2019-03-28 | 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244902.2A CN109965895B (zh) | 2019-03-28 | 2019-03-28 | 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109965895A CN109965895A (zh) | 2019-07-05 |
| CN109965895B true CN109965895B (zh) | 2024-01-23 |
Family
ID=67081373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910244902.2A Active CN109965895B (zh) | 2019-03-28 | 2019-03-28 | 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109965895B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473635B (zh) * | 2019-08-14 | 2023-02-28 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
| CN110728704B (zh) * | 2019-11-13 | 2022-12-06 | 北京航空航天大学 | 一种基于mri和opm的脑磁多模态影像配准系统及方法 |
| TWI744798B (zh) * | 2020-02-13 | 2021-11-01 | 國立陽明交通大學 | 基於腦影像的神經精神疾病評估方法及系統 |
| CN111369558A (zh) * | 2020-04-08 | 2020-07-03 | 哈尔滨理工大学 | 一种基于多模态脑影像的儿童癫痫定位方法 |
| CN111543994B (zh) * | 2020-04-24 | 2023-04-07 | 天津大学 | 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 |
| CN111543949B (zh) * | 2020-05-13 | 2021-09-10 | 北京航空航天大学 | 一种基于脑磁图与脑电图的儿童asd诊断装置 |
| CN111568414B (zh) * | 2020-05-22 | 2022-05-10 | 中国人民解放军东部战区总医院 | 基于功能影像学的癫痫活动检测方法及系统 |
| CN111640107B (zh) * | 2020-06-02 | 2024-02-06 | 无锡北邮感知技术产业研究院有限公司 | 一种致痫灶位置检测方法及装置 |
| CN111973180B (zh) * | 2020-09-03 | 2021-09-17 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像系统和方法 |
| CN112348785B (zh) * | 2020-10-29 | 2023-09-29 | 深圳大学 | 一种癫痫病灶定位方法及系统 |
| CN113112476B (zh) * | 2021-04-14 | 2023-08-29 | 中国人民解放军北部战区总医院 | 一种识别致痫灶和/或预测其病理分型的方法和系统 |
| TWI751956B (zh) * | 2021-06-15 | 2022-01-01 | 臺北醫學大學 | 正子攝影之量化定位系統及其運作方法 |
| CN113907756B (zh) * | 2021-09-18 | 2024-07-23 | 深圳大学 | 一种基于多种模态的生理数据的可穿戴系统 |
| CN114065825B (zh) * | 2022-01-17 | 2022-04-19 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
| CN115644892A (zh) * | 2022-11-11 | 2023-01-31 | 中国科学院深圳先进技术研究院 | 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 |
| CN117292232B (zh) * | 2023-11-24 | 2024-02-06 | 烟台大学 | T1加权成像的多维空间特征获取方法、系统和设备 |
| CN118044785B (zh) * | 2024-01-10 | 2024-10-18 | 山东宝德龙健身器材有限公司 | 一种基于多模态的阿尔兹海默症特征融合分析方法及终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
| CN103345749A (zh) * | 2013-06-27 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
| CN105395196A (zh) * | 2015-12-17 | 2016-03-16 | 中国科学院苏州生物医学工程技术研究所 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
| CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
| CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
| CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2514318B (en) * | 2013-03-13 | 2017-12-13 | Siemens Medical Solutions Usa Inc | Methods for Localisation of an Epileptic Focus in Neuroimaging |
-
2019
- 2019-03-28 CN CN201910244902.2A patent/CN109965895B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
| CN103345749A (zh) * | 2013-06-27 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
| CN105395196A (zh) * | 2015-12-17 | 2016-03-16 | 中国科学院苏州生物医学工程技术研究所 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
| CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
| CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
| CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109965895A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109965895B (zh) | 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 | |
| Ladefoged et al. | A multi-centre evaluation of eleven clinically feasible brain PET/MRI attenuation correction techniques using a large cohort of patients | |
| Guevara et al. | Reproducibility of superficial white matter tracts using diffusion-weighted imaging tractography | |
| Takemura et al. | Occipital white matter tracts in human and macaque | |
| US20190223750A1 (en) | Medical image diagnostic apparatus and medical image display apparatus for volume image correlations | |
| Uesaki et al. | Computational neuroanatomy of human stratum proprium of interparietal sulcus | |
| Sperber et al. | Topography of acute stroke in a sample of 439 right brain damaged patients | |
| US10481233B2 (en) | Edema invariant tractography | |
| US11205267B2 (en) | Method for localizing implanted intracranial electrode | |
| WO2023280086A1 (zh) | 靶点确定方法、装置、电子设备、存储介质及神经调控设备 | |
| CN110689536B (zh) | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 | |
| US20160260216A1 (en) | System and method for quantitative analysis of nuclear medicine brain imaging | |
| Pai et al. | BRAHMA: Population specific T1, T2, and FLAIR weighted brain templates and their impact in structural and functional imaging studies | |
| CN116784820A (zh) | 一种基于种子点连接的脑功能网络构建方法及系统 | |
| Chen et al. | Individualized prediction of schizophrenia based on the whole‐brain pattern of altered white matter tract integrity | |
| Castellaro et al. | Multishell diffusion MRI–based tractography of the facial nerve in vestibular schwannoma | |
| CN107007281B (zh) | 磁共振成像装置以及图像处理装置 | |
| Sanches et al. | Voxel-based analysis of diffusion tensor imaging in patients with mesial temporal lobe epilepsy | |
| Poirier et al. | 18 F-FDG PET-guided diffusion tractography reveals white matter abnormalities around the epileptic focus in medically refractory epilepsy: implications for epilepsy surgical evaluation | |
| Chandra et al. | CCsNeT: Automated Corpus Callosum segmentation using fully convolutional network based on U-Net | |
| WO2021221008A1 (ja) | システム、制御方法及びプログラム | |
| Memarian et al. | Quantitative analysis of structural neuroimaging of mesial temporal lobe epilepsy | |
| Flaus et al. | Deep‐learning predicted PET can be subtracted from the true clinical fluorodeoxyglucose PET co‐registered to MRI to identify the epileptogenic zone in focal epilepsy | |
| Zhang et al. | Clinical evaluation of a novel atlas-based PET/CT brain image segmentation and quantification method for epilepsy | |
| CN113143246A (zh) | 基于多模态磁共振脑影像的帕金森病辅助临床决策系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |