CN110833414B - 一种放射性脑损伤生物标志物的多模态分子成像方法 - Google Patents
一种放射性脑损伤生物标志物的多模态分子成像方法 Download PDFInfo
- Publication number
- CN110833414B CN110833414B CN201911195038.8A CN201911195038A CN110833414B CN 110833414 B CN110833414 B CN 110833414B CN 201911195038 A CN201911195038 A CN 201911195038A CN 110833414 B CN110833414 B CN 110833414B
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- white matter
- diffusion tensor
- roi
- 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
Images
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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种放射性脑损伤生物标志物的多模态分子成像方法,具体依次包括对样本进行图像采集、图像分析、脑分割、白质纤维束跟踪、网络建设以及分类,本发明发现脑功能网络连接模式可以用作对监控打点,根据结构决定功能的思想,评估大脑功能的最可靠方法是了解大脑的解剖结构及其潜在的大脑回路。因此,研究脑内白质区域之间的解剖网络可以补充对放射性脑损伤的病理生理机制的了解,对于探索根治性放疗后认知功能障碍的神经学基础具有重要意义。
Description
技术领域
本发明涉及医学检测领域,尤其是涉及一种放射性脑损伤生物标志物的多模态分子成像方法。
背景技术
鼻咽癌是中国南方头颈部恶性肿瘤中高发的常见癌症,根治性放疗是首选治疗方法。但是,根治性放疗可能会导致放射性脑损伤,这是最严重的并发症,放射性脑损伤可以根据发生的时间大致分为三个阶段:急性反应期,早期延迟放射期和晚期延迟放射期。
延迟放射期后期的伤害通常是不可逆的。根治性放疗引起的认知障碍显著降低了鼻咽癌患者的生活质量。放射性脑损伤在认知,记忆和情感方面最突出。如何在常规CT和MRI图像出现异常之前及早发现放射性脑损伤是提高鼻咽癌患者生活质量和预后的关键问题。弥散张量成像是唯一可以评估脑内白质纤维的微观结构和形态变化的技术,已广泛用于研究与之相关的中枢神经系统(CNS)的组织形态和病理学根治性放疗。通常,放射性脑损伤对脑内白质的损害要大于对灰质(GM)的损害。脑内白质的血液供应相对稀缺。暴露后,血管受损,容易发生缺血性坏死。因此,与放射性脑损伤相关的大多数研究都集中在脑内白质上,对于这些研究,分数各向异性(FA)值降低表明脑内白质完整性受损。FA是最常见的弥散张量成像参数之一,用于量化禁忌水沿轴突和髓磷脂的扩散程度。但是,放射性脑损伤的确切生理病理学仍然未知。
传统上,以前的研究都是基于小组级别的比较。由于不同的研究技术和样本量,不同的研究通常会产生不一致甚至相反的结果。相比之下,机器学习方法已被广泛用于脑图像分析,可以从脑图像数据中提取其他信息和稳定模式,并且可以在个体水平上从正常人中识别或区分患者,并基于神经影像数据识别生物标志物。我们假设基于全脑弥散张量成像数据,机器学习方法可以在个体水平上将根治性放疗后的鼻咽癌患者与正常人区分开,并进一步探讨放射性脑损伤的病理生理机制。FA值和脑内白质完整性可能能够区分不同月份的患者,这些FA值和脑内白质完整性将被选为分类中的特征。本发明使用弥散张量成像,基于道的空间统计(TBSS)和机器学习方法来检查全脑白质微观结构和脑内白质网络状况的动态变化,在放疗后选择鼻咽癌患者中最有区别的脑内白质区域和脑内白质连接。
发明内容
本发明为克服上述情况不足,旨在提供一种能解决上述问题的技术方案。
一种放射性脑损伤生物标志物的多模态分子成像方法,具体依次包括对样本进行图像采集、图像分析、脑分割、白质纤维束跟踪、网络建设以及分类;
对样本进行图像采集包括使用带有八通道头线圈的3.0T临床扫描仪获取MRI数据;
对MRI数据进行图像分析,具体的首先将以DICOM格式获取的图像转换为ANALYZE;然后使用McFli根治性放疗将四维扩散张量图像与第一体积对齐,以消除头部运动误差;然后使用仿射配准和涡流校正,校正对准的扩散张量图像的涡流引起的畸变;完成这些预处理后,使用FSL脑提取工具(BET)对大脑进行图像提取,并使用弥散张量成像Fit在每个体素上拟合扩散张量模型以生成图像FA;使用TBSS,在鼻咽癌患者和对照参与者的FA概况之间按体素进行交叉比较,以识别脑内白质异常的离散区域;
对图像分析后进行脑分割,脑图像被分割为使用自动解剖标记方法覆盖每个受试者的脑部弥散张量成像;这种方法将大脑分为116个小脑区,包括90个脑区和26个小脑区;首先,通过在扩散张量空间中旋转和平移的线性配准,将T1图像配准为b0图像;然后,将注册的T1图像注册到标准MNI空间中的T1图像,并反转生成转换矩阵,然后使用逆矩阵将AAL模板从MNI空间转换为扩散张量空间;
随后进行白质纤维束跟踪,使用TrackVis软件中的FACT算法进行确定性的白质纤维束跟踪;
网络建设具体的包括组合a和b结果以生成大脑连接矩阵,每个大脑区域都被视为感兴趣区域(ROI),称为节点,因此节点v可以描述为ROI(v),两个节点ROI(v)和ROI(u)之间的连接定义为边缘e=(v,u),我们将每个边缘e的权重w(e)定义为ROI(v)和ROI(u)之间的纤维数量,因此,对于每个参与者,我们得到一个对称的116×116矩阵,要删除对角线分量,我们选择上三角分量(6670个元素)作为分类特征;
分类,对于脑白质连接,首先使用两次样本t检验来提取组之间具有显著差异的特征;然后,使用局部线性嵌入(LLE)进行非线性特征提取,将特征维数减小到可控程度;最后,使用支持向量机(SVM)进行分类。
作为本发明进一步的方案:常规MRI脑方案包括轴向T1加权图像[重复时间(TR),600毫秒;回波时间(TE),15毫秒],T2加权图像(TR,5200毫秒;TE,140毫秒)和T2加权流体衰减的反转恢复(TR,9000毫秒;TE,120毫秒;反转恢复,2100毫秒)。使用单次回波平面成像序列和具有以下参数的阵列空间灵敏度编码技术进行弥散张量成像扫描:TR,12000ms;TE,75.5毫秒;视场(FOV),24×24厘米;矩阵128×128;切片厚度3毫米(无切片间间隙);激发数,1;翻转角度为90°,图像收集沿25个非共线扩散梯度方向,b值为1000s/mm2,一组空图像的b值为0s/mm2。
作为本发明进一步的方案:首先,通过将每个参与者的FA图像与其他每个图像对齐以确定最有代表性的主题来确定目标图像。然后使用仿射变换将目标图像标准化为MNI152标准空间。然后将所有其他参与者首先对准目标图像,然后对准1×1×1mmMNI152空间,然后使用FNI根治性放疗(FSL工具)实现非线性配准。此过程创建了一个平均FA骨架,该骨架代表该组共有的所有区域的中心。将来自所有个体参与者的对齐的FA数据(鼻咽癌患者和对照参与者)投影到FA骨架上,并将所得数据用于体素分类。
作为本发明进一步的方案:采用留一法交叉验证(LOOCV)策略来估计SVM分类器的泛化率(GR)。在LOOCV的每一折中,选择N-1位患者来训练SVM分类器,其余患者则要测试分类器。在LOOCV的每一折中,我们使用两次样本t检验为N-1受过训练的患者首先选择最显著不同的D特征。然后,执行LLE将特征空间尺寸从D减小到d。结果用于训练SVM分类器,其余患者通过将分类结果与地面真实分类标签进行比较来评估分类器性能。由于存在N个样本,因此在LOOCV策略中对分类器进行了N次训练和测试。基于LOOCV的结果,使用灵敏度(SS),特异性(SC)和GR来量化分类器的性能。SS代表正确分类的患者比例,SC代表正确分类的对照比例。正确分类的样本的总比例由GR表示。使用每个参与者的SVM预测得分作为阈值,构建了接收器操作特征(ROC)曲线,以进一步估计分类器的性能。此外,将GR用作统计数据,以应用排列检验来评估观察到的分类准确性的统计学显著水平。训练数据的类别标签是随机排列的,然后交叉验证标签排列数据的每组。整个排列过程重复了10000次。
本发明的有益效果:本发明发现脑功能网络连接模式可以用作对监控打点,根据结构决定功能的思想,评估大脑功能的最可靠方法是了解大脑的解剖结构及其潜在的大脑回路。因此,研究脑内白质区域之间的解剖网络可以补充对放射性脑损伤的病理生理机制的了解,对于探索根治性放疗后认知功能障碍的神经学基础具有重要意义。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1:根治性放疗后0-6个月相对于对照的最有区别的体素;图像为剖面图。
图2:根治性放疗后6-12个月相对于对照的最有区别的体素。
图3:与对照相比,根治性放疗后>12个月的分类最有区别的体素。
图4:估计的排列分布(重复次数:10,000)。
图5:SVM分类器的ROC曲线对应于根治性放疗后0-6个月相对于对照的SVM分类器的ROC曲线。
图6:区域权重和共识脑内白质连接的分布。
图7:使用具有高斯径向基核函数(重复次数:10,000)的SVM进行估计的置换分布。根治性放疗后0-6个月与对照组的分类。
图8:SVM分类器的ROC曲线对应于根治性放疗后0-6个月相对于对照的SVM分类器的另一种ROC曲线。
具体实施方式
本研究包括经病理证实的鼻咽癌的77例患者(男54例,女23例;年龄在25至59岁之间;平均年龄为45岁),正常对照组为67例。所有患者首次接受三维保形和强度调节技术(总剂量/分次剂量/暴露,66-74Gy/1。8-2。0Gy/30-35次)分次放疗。在进行MRI检查之前,已确认患者没有颅内肿瘤或颅内浸润。排除高血压,糖尿病,心脏病,脑内白质变性或血管病变的患者。正常受试者构成对照组,将与根治性放疗受试者相同的排标准应用于对照组(即高血压,糖尿病,心脏病,脑内白质变性,血管病变)。传统上,根据根治性放疗的完成时间,可以将根治性放疗诱发的神经系统损伤描述为急性损伤(几天到几周),早期延迟损伤(1到6个月)和晚期延迟损伤(>6个月)。因此,在我们的研究中,根据放射性脑损伤的阶段,根治性放疗后患者分为三组:急性反应周期,早期延迟放射期和晚期延迟放射期:第1组(放疗后0-6个月,n=30);第2组(放疗后>6-12个月,n=20);第3组(放疗后>12个月,n=27)。根据年龄或性别在各组之间确定差异无统计学意义。人口统计学和临床数据见表1。本研究已得到机构审查委员会的批准,并且在严格遵守《健康保险可移植性和责任法案》的隐私规则的前提下进行。所有参与者均充分了解了试验的目的,方法和注意事项,并获得了所有参与者的书面知情同意。
表1人口统计学和临床数据
I,II,III组:鼻咽癌患者在放疗后分别检查0~6、6~12和>12个月。F或χ2值和P值来自ANOVA或Pearson的χ2检验。
图像采集
MRI数据使用带有八通道头线圈的3.0T临床扫描仪(SIGNAEXCITE;GEHealthcare,芝加哥,伊利诺伊州,美国)获取。常规MRI脑方案包括轴向T1加权图像[重复时间(TR),600毫秒;回波时间(TE),15毫秒],T2加权图像(TR,5200毫秒;TE,140毫秒)和T2加权流体衰减的反转恢复(TR,9000毫秒;TE,120毫秒;反转恢复,2100毫秒)。使用单次回波平面成像序列和具有以下参数的阵列空间灵敏度编码技术进行弥散张量成像扫描:TR,12000ms;TE,75.5毫秒;视场(FOV),24×24厘米;矩阵128×128;切片厚度3毫米(无切片间间隙);激发数,1;翻转角度为90°,图像收集沿25个非共线扩散梯度方向,b值为1000s/mm2,一组空图像的b值为0s/mm2。
图像分析
首先将以DICOM格式获取的图像转换为ANALYZE。然后使用McFli根治性放疗(FSL工具)(FMRIB分析装置;牛津大学,牛津,英国)将四维扩散张量图像与第一体积对齐,以消除头部运动误差。然后,使用仿射配准和涡流校正(FSL工具)(牛津大学),校正对准的扩散张量图像的涡流引起的畸变。完成这些预处理后,使用FSL脑提取工具(BET)(牛津大学)对大脑进行图像提取,并使用弥散张量成像Fit(FMRIBSoftwareLibrary的DiffusionToolbox)(牛津大学)在每个体素上拟合扩散张量模型以生成图像FA。使用TBSS,在鼻咽癌患者和对照参与者的FA概况之间按体素进行交叉比较,以识别脑内白质异常的离散区域。首先,通过将每个参与者的FA图像与其他每个图像对齐以确定最有代表性的主题来确定目标图像。然后使用仿射变换将目标图像标准化为MNI152标准空间。然后将所有其他参与者首先对准目标图像,然后对准1×1×1mmMNI152空间,然后使用FNI根治性放疗(FSL工具)实现非线性配准。此过程创建了一个平均FA骨架,该骨架代表该组共有的所有区域的中心。将来自所有个体参与者的对齐的FA数据(鼻咽癌患者和对照参与者)投影到FA骨架上,并将所得数据用于体素分类。
脑分割
脑分割是网络建设的重要步骤。在本文中,脑图像被分割为使用自动解剖标记(AAL)方法覆盖每个受试者的脑部弥散张量成像。这种方法将大脑分为116个小脑区,包括90个脑区和26个小脑区。首先,通过在扩散张量空间中旋转和平移的线性配准,将T1图像配准为b0图像。然后,将注册的T1图像注册到标准MNI空间中的T1图像,并反转生成转换矩阵,然后使用逆矩阵将AAL模板从MNI空间转换为扩散张量空间。这为每个参与者提供了AAL模板。
白质纤维束跟踪
使用TrackVis软件中的FACT算法进行确定性的白质纤维束跟踪。
网络建设
组合a和b结果以生成大脑连接矩阵。每个大脑区域都被视为感兴趣区域(ROI),称为节点,因此节点v可以描述为ROI(v)。两个节点ROI(v)和ROI(u)之间的连接定义为边缘e=(v,u)。我们将每个边缘e的权重w(e)定义为ROI(v)和ROI(u)之间的纤维数量。因此,对于每个参与者,我们得到一个对称的116×116矩阵。要删除对角线分量,我们选择上三角分量(6670个元素)作为分类特征。
分类
对于FA值,首先将FA骨架图像连接到特征向量,并在大特征矩阵中组合成行。我们从大特征矩阵中提取了FA骨架矩阵,留下了一个非零的特征。然而,剩余的非零特征尺寸对于直接分类仍然太大,并且由于配准误差和图像噪声,区分特征被无用特征掩盖。减小特征空间的尺寸不仅可以加快计算速度,而且可以提高分类性能。这项研究使用简单有效的两样本t检验来选择最有区别的特征。
在机器学习方法中,特征选择通常伴随着特征缩减。作为一种无监督的非线性降维算法,由于其非线性,几何直觉和计算可行性,局部线性嵌入(LLE)可以在保持数据固有结构的同时获得低维嵌入。在这项研究中,使用LLE将特征空间的尺寸减小到更易于管理的水平。在分类部分,我们选择支持向量机(SVM)进行分类。该算法具有灵活性,因为它们可以灵活地进行过度拟合,可以提取特征权重,并且通常用于神经影像学研究和神经影像学研究。
对于脑白质连接,我们首先使用两次样本t检验来提取组之间具有显著差异的特征。然后,使用局部线性嵌入(LLE)进行非线性特征提取,将特征维数减小到可控程度。最后,使用支持向量机(SVM)进行分类。由于样本量有限(假设总共有N名患者),我们在本研究中使用了留一法交叉验证(LOOCV)策略来估计SVM分类器的泛化率(GR)。在LOOCV的每一折中,选择N-1位患者来训练SVM分类器,其余患者则要测试分类器。在LOOCV的每一折中,我们使用两次样本t检验为N-1受过训练的患者首先选择最显著不同的D特征。然后,执行LLE将特征空间尺寸从D减小到d。结果用于训练SVM分类器,其余患者通过将分类结果与地面真实分类标签进行比较来评估分类器性能。由于存在N个样本,因此在LOOCV策略中对分类器进行了N次训练和测试。基于LOOCV的结果,使用灵敏度(SS),特异性(SC)和GR来量化分类器的性能。SS代表正确分类的患者比例,SC代表正确分类的对照比例。正确分类的样本的总比例由GR表示。使用每个参与者的SVM预测得分作为阈值,构建了接收器操作特征(ROC)曲线,以进一步估计分类器的性能。此外,将GR用作统计数据,以应用排列检验来评估观察到的分类准确性的统计学显著水平。训练数据的类别标签是随机排列的,然后交叉验证标签排列数据的每组。整个排列过程重复了10,000次。
结果
FA放疗后0–6月、6–12月和>12个月与对照组之间的分类准确性分别为84.5、83.9和74.5%(表2)。与对照组相比,在放疗后0-6个月,具有判别能力的大脑区域的FA值降低,主要是在双侧小脑,包括Cerebelum_7b_L和Cerebelum_Crusl_R(约翰霍普金斯大学白色物质图谱,JHU:-小脑白质)。
表2FA的SVM分类结果
GR泛化率,SS敏感性,SC特异性,PT置换测试,0-6m=放疗后0–6个月;6-12m=放疗后6-12个月;>12m=
放疗后>12个月;
放疗后6-12个月的大脑区域FA值降低,判别能力降低,主要区域位于左颞叶白质和左小脑,包括Cerebelum_Crusl_L,Cerebelum_8_L(JHU:小脑白质)和Temporal_Mid_L(JHU:中期颞白质)的FA值>根治性放疗后12个月,具有判别能力的大脑区域减少,主要是在双侧颞叶和小脑,包括小脑,小脑白质,中颞白(图1,2,3,4和5)。随着放疗后时间的延长,损伤加重,具有最大判别能力的大脑区域数量逐渐增加。全脑白质连接,根治性放疗组和对照组后0-6个月:SVM分类器分类识别率达到82.5%(SS=83.3%,SC=83.3%;P<0.0001);根治性放疗组和对照组后6-12个月:SVM分类器分类识别率达到78.4%(SS=76.7%,SC=76.7%;P<0.0001);>12个月根治性放疗后组和对照组:SVM分类器分类识别率达到76.3%(SS=80%,SC=80%;P<0.0001)(表3)。与之相比对照组,在每个放疗后组中,具有判别能力的脑白质连接(一致性)均降低了,图2b,图6,图7和图8。
讨论
本研究是第一个使用弥散张量成像-TBSS以及机器学习方法来探索全脑白质微观结构和脑内白质网络动态变化的方法。结果表明,鼻咽癌产生的脑内白质微结构损伤涉及双侧颞叶和双侧小脑多脑区,具有识别疾病的能力,三组均可以与对照组区分开,识别率更高。
最易区分疾病的大脑区域的FA值降低,表明脑内白质完整性已受损。先前的研究表明,脑部放疗后FA值显著降低,而弥散张量成像可以作为潜在的生物标志物,用于评估辐射引起的长期白质损伤。脑水肿,神经脱髓鞘纤维和髓磷脂的破坏导致FA降低。这些脑内白质的微观结构变化既复杂又动态。在本研究中,随着放疗后时间的延长,损伤加重,具有最大判别能力的大脑区域数量逐渐增加。遭受微结构损伤的脑内白质最区分区域主要位于颞叶和双侧小脑,可能是因为这些区域靠近辐射场,容易受到辐射破坏。这些结果与以前的研究一致。但是,与那些报告相反,我们的结果表明,辐射损伤的总体趋势随根治性放疗持续时间的增加而增加,而不是逐渐恢复。在放疗后的早期阶段,损伤发生在双侧小脑,颞部白质没有明显的损伤。最有可能颞部白质的完整性似乎并未引起可及早区分疾病的重大损害,颞部白质的完整性并未表现出明显的损害,因此它没有能力在个体层面上区分疾病。并且周围的正常脑内白质可能已经发生了补偿现象,从而抵消了一些暂时的脑内白质损坏。随着时间的积累,颞叶和小脑中的脑内白质损伤逐渐变得明显,最具区别性的脑内白质区域数量增加,并且损伤很可能难以逆转。这可以解释为什么辐射诱发性脑病的潜伏期长达5.4年。从我们的结果中,我们了解到脑内白质伤害是逐渐发生的不可逆转的过程:时间越长,损害越重。
在一定程度上,脑组织无法修复或补偿这些损伤,这将导致放射性脑损伤的发生。先前的研究表明,除了损伤颞叶外,放射线还对大脑造成广泛的损害,包括额叶和顶叶。在本研究中,没有观察到广泛的脑区白质损伤,可能是因为在机器学习方法中,其他脑区的白质破坏并没有在个体水平上实现更高的区分和识别放射性脑损伤的能力。与小组级别的传统统计方法相比,这是机器学习方法的优势。该方法可以消除通过样本量和统计方法的差异引起的干扰,然后提取最有区别的脑内白质区域(可用作疾病的生物标记),从而有助于临床诊断和治疗。这项研究是第一次将机器学习方法引入鼻咽癌的放射性脑损伤中,这是这项研究的创新。在本研究中,大多数可用于疾病区分和鉴别的脑内白质区出现在左侧,这可能与鼻咽癌在左侧的发生更为频繁有关。根据文献报道,以较低的FA为指标,正常出现的脑内白质的微观损伤与智力低下和认知障碍有关;视觉空间执行能力,记忆力,注意力,认知功能,社会功能和听觉功能的下降,可能与颞回白质中FA值降低有关。调节认知功能和记忆的能力下降可能与小脑半球白质中FA值降低有关,而情绪障碍可能与小脑ver部白质中FA值降低有关,并可以解释根治性放疗后鼻咽癌患者的记忆力下降,视觉空间执行力,听觉,命名功能降低以及严重的焦虑和抑郁,这些大脑区域白质的损害可能是神经网络异常,认知能力下降和情感障碍的病理基础。
表3与白质相关的SVM分类结果
GR泛化率,SS敏感性,SC特异性,PT置换测试;0–6m=放疗后0-6个月;根治性放疗后6-12m=6-12个月;根治性放疗后>12m=>12个月。
先前的一项研究使用静息状态功能磁共振成像(rs-fMRI)对39位新诊断为鼻咽癌的患者进行了短期随访,发现脑功能网络连接模式可以用作对监控打点,根据结构决定功能的思想,评估大脑功能的最可靠方法是了解大脑的解剖结构及其潜在的大脑回路。因此,研究脑内白质区域之间的解剖网络可以补充对放射性脑损伤的病理生理机制的了解,对于探索根治性放疗后认知功能障碍的神经学基础具有重要意义。一项研究还显示,放疗后鼻咽癌的GM体积显著受损,并且我们推测GM之间的脑内白质连接已严重损坏。在这项研究中,我们使用机器学习方法和弥散张量成像探索了根治性放疗后鼻咽癌患者脑内白质解剖网络的变化。第一步是使用确定性的纤维追踪方法来重建纤维束并提取整个脑白质网络。第二步,我们使用机器学习方法提取最有区别的脑内白质连接,并探索根治性放疗之后不同时期脑内白质网络的动态变化。本研究是首次将脑内白质连接模式及其连接强度作为对根治性放疗后鼻咽癌患者进行分类的功能,这是本研究的创新之处。
我们的研究发现,根治性放疗后不同时期的鼻咽癌患者的脑内白质网络发生了动态变化。基于全脑白质连接,可以将患者与正常对照区分开,并获得一定的识别率,分别为82.5%,78.4%和76.3%。最显著区别是脑白质连接的强度降低了。我们的结果表明,放射性脑损伤可被视为脑内白质结构网络的异常疾病。这些结构网络的破坏和连接的减少也许可以解释某些患者的临床表现和认知障碍。这些结果在一定程度上进一步证明了放射性脑损伤是与整个脑白质网络异常有关的疾病。高分类率表明根治性放疗后鼻咽癌患者与对照组之间的群体差异稳定。这些网络中的脑内白质连接异常可能是神经心理学认知的原因;
鼻咽癌患者的功能障碍。根治性放疗后一年之内,脑内白质连接的数量随着时间的推移而显著减少,一年之后,数量减少了。这一发现表明,经过一段时间的加重后,整个大脑中白质连接的破坏可以逐渐恢复,这可能与补偿和整个大脑网络的自我修复有关。也许,建立了新的脑白质连接。脑干剂量几乎总是辐射计划中的一个问题,在我们的分析中,脑干已包括在内,但FA值的变化并不显著。先前的研究表明,静态调强放射治疗(IM根治性放疗)(0.07%)和动态IM根治性放疗(0.08%)治疗的患者的脑干毒性降低;我们推测由于IM根治性放疗的应用,脑干已经很少受到辐射破坏,这与以前的研究一致。这些发现可能会为放射线计划的临床医生提供治疗指导。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (2)
1.一种放射性脑损伤生物标志物的多模态分子成像方法,其特征在于,具体依次包括对样本进行图像采集、图像分析、脑分割、白质纤维束跟踪、网络建设以及分类;
对样本进行图像采集包括使用带有八通道头线圈的3.0T临床扫描仪获取MRI数据;
对MRI数据进行图像分析,具体的包括以下步骤:
A1、将以DICOM格式获取的图像转换为ANALYZE;使用McFli根治性放疗将四维扩散张量图像与第一体积对齐,以消除头部运动误差;然后使用仿射配准和涡流校正,校正对准的扩散张量图像的涡流引起的畸变;
A2、使用FSL脑提取工具对大脑进行图像提取,并使用弥散张量成像在每个体素上拟合扩散张量模型以生成图像FA;
A3、使用TBSS,在鼻咽癌患者和对照参与者的FA概况之间按体素进行交叉比较,以识别脑内白质异常的离散区域;
对图像分析后进行脑分割,具体包括以下步骤:
B1、使用自动解剖标记方法覆盖每个受试者的脑部弥散张量成像,将大脑分为116个小脑区,包括90个脑区和26个小脑区;
B2、通过在扩散张量空间中旋转和平移的线性配准,将T1图像配准为b0图像;
B3、将注册的T1图像注册到标准MNI空间中的T1图像,并反转生成转换矩阵,然后使用逆矩阵将AAL模板从MNI空间转换为扩散张量空间;
随后进行白质纤维束跟踪,使用TrackVis软件中的FACT算法进行确定性的白质纤维束跟踪;
网络建设具体包括以下步骤:
C1、包括组合a和b结果以生成大脑连接矩阵,每个大脑区域都被视为感兴趣区域(ROI),称为节点,因此节点v可以描述为ROI(v),两个节点ROI(v)和ROI(u)之间的连接定义为边缘e=(v,u);
C2、将每个边缘e的权重w(e)定义为ROI(v)和ROI(u)之间的纤维数量,并得到一个对称的116×116矩阵,同时删除对角线分量,选择上三角分量作为分类特征;
分类具体包括以下步骤:
S1、对于脑白质连接,首先使用两次样本t检验来提取组之间具有显著差异的特征;
S2、使用局部线性嵌入进行非线性特征提取,将特征维数减小到可控程度;
S3、使用支持向量机进行分类。
2.根据权利要求1所述的放射性脑损伤生物标志物的多模态分子成像方法,其特征在于,图像分析中在鼻咽癌患者和对照参与者的FA概况之间按体素进行交叉比较的具体包括以下步骤:
D1、将每个参与者的FA图像与其他每个图像对齐以确定最有代表性的主题来确定目标图像;
D2、然后使用仿射变换将目标图像标准化为MNI152标准空间;
D3、然后将所有其他参与者首先对准目标图像,然后对准1×1×1mmMNI152空间,然后使用FNI根治性放疗实现非线性配准并得到一个平均FA骨架;
D4、将来自所有个体参与者的对齐的FA数据投影到FA骨架上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911195038.8A CN110833414B (zh) | 2019-11-28 | 2019-11-28 | 一种放射性脑损伤生物标志物的多模态分子成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911195038.8A CN110833414B (zh) | 2019-11-28 | 2019-11-28 | 一种放射性脑损伤生物标志物的多模态分子成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110833414A CN110833414A (zh) | 2020-02-25 |
CN110833414B true CN110833414B (zh) | 2021-11-02 |
Family
ID=69577842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911195038.8A Active CN110833414B (zh) | 2019-11-28 | 2019-11-28 | 一种放射性脑损伤生物标志物的多模态分子成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110833414B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990266B (zh) * | 2021-02-07 | 2023-08-15 | 西安电子科技大学 | 多模态脑影像数据处理的方法、装置、设备及存储介质 |
CN112991335B (zh) * | 2021-04-23 | 2024-04-26 | 合肥中聚源智能科技有限公司 | 一种想像能力评估方法、系统及可读存储介质 |
CN113545766A (zh) * | 2021-06-18 | 2021-10-26 | 遵义医科大学附属医院 | 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法 |
CN114580497B (zh) * | 2022-01-26 | 2023-07-11 | 南京航空航天大学 | 一种分析基因对多模态脑影像表型影响的方法 |
CN117238488B (zh) * | 2023-11-16 | 2024-01-30 | 四川省肿瘤医院 | 一种基于图像分析的直肠癌放疗反应分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
CN103942567A (zh) * | 2014-04-22 | 2014-07-23 | 张擎 | 一种基于支持向量机的轻度认知障碍自动判别分析方法 |
US20150018664A1 (en) * | 2013-07-12 | 2015-01-15 | Francisco Pereira | Assessment of Traumatic Brain Injury |
CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
-
2019
- 2019-11-28 CN CN201911195038.8A patent/CN110833414B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
US20150018664A1 (en) * | 2013-07-12 | 2015-01-15 | Francisco Pereira | Assessment of Traumatic Brain Injury |
CN103942567A (zh) * | 2014-04-22 | 2014-07-23 | 张擎 | 一种基于支持向量机的轻度认知障碍自动判别分析方法 |
CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110833414A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110833414B (zh) | 一种放射性脑损伤生物标志物的多模态分子成像方法 | |
Bron et al. | Diagnostic classification of arterial spin labeling and structural MRI in presenile early stage dementia | |
Ariz et al. | Dynamic atlas-based segmentation and quantification of neuromelanin-rich brainstem structures in Parkinson disease | |
Magnin et al. | Support vector machine-based classification of Alzheimer’s disease from whole-brain anatomical MRI | |
Inguanzo et al. | Hierarchical cluster analysis of multimodal imaging data identifies brain atrophy and cognitive patterns in Parkinson’s disease | |
Nguyen et al. | A novel segmentation framework for uveal melanoma in magnetic resonance imaging based on class activation maps | |
Del Re et al. | A new MRI masking technique based on multi‐atlas brain segmentation in controls and schizophrenia: A rapid and viable alternative to manual masking | |
Klein et al. | Early diagnosis of dementia based on intersubject whole-brain dissimilarities | |
Ledig et al. | Multi-class brain segmentation using atlas propagation and EM-based refinement | |
Gill et al. | Deep convolutional networks for automated detection of epileptogenic brain malformations | |
Leng et al. | Application of a machine learning method to whole brain white matter injury after radiotherapy for nasopharyngeal carcinoma | |
Archa et al. | Segmentation of brain tumor in MRI images using CNN with edge detection | |
Nguyen et al. | Ocular structures segmentation from multi-sequences MRI using 3D Unet with fully connected CRFs | |
Wang et al. | Classification of fMRI patterns—a study of the language network segregation in pediatric localization related epilepsy | |
Li et al. | An enhanced voxel-based morphometry method to investigate structural changes: application to Alzheimer’s disease | |
You et al. | A decisional space for fMRI pattern separation using the principal component analysis—a comparative study of language networks in pediatric epilepsy | |
Zheng et al. | Application of generalized Split linearized Bregman iteration algorithm for Alzheimer's disease prediction | |
Nithya et al. | Early detection of parkinson's disease using machine learning & image processing | |
Zhao et al. | sTBI-GAN: An adversarial learning approach for data synthesis on traumatic brain segmentation | |
Shi et al. | An unsupervised region of interest extraction model for tau PET images and its application in the diagnosis of Alzheimer's disease | |
Chen et al. | Comparison of Multispectral Image‐Processing Methods for Brain Tissue Classification in BrainWeb Synthetic Data and Real MR Images | |
Farhan et al. | A comparative study of neuroimaging and pattern recognition techniques for estimation of Alzheimer’s | |
Zhang et al. | Hybrid representation learning for cognitive diagnosis in late-life depression over 5 years with structural MRI | |
Zhang et al. | Individual identification for different age groups using functional connectivity strength | |
Ferris et al. | Optimizing automated white matter hyperintensity segmentation in individuals with stroke |
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 |