CN113112476B - 一种识别致痫灶和/或预测其病理分型的方法和系统 - Google Patents

一种识别致痫灶和/或预测其病理分型的方法和系统 Download PDF

Info

Publication number
CN113112476B
CN113112476B CN202110400502.3A CN202110400502A CN113112476B CN 113112476 B CN113112476 B CN 113112476B CN 202110400502 A CN202110400502 A CN 202110400502A CN 113112476 B CN113112476 B CN 113112476B
Authority
CN
China
Prior art keywords
epileptogenic focus
focus
epileptogenic
data
pathological
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
Application number
CN202110400502.3A
Other languages
English (en)
Other versions
CN113112476A (zh
Inventor
张国旭
陈宇峰
郝珊瑚
郭佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Hospital of Shenyang Military Region
Original Assignee
General Hospital of Shenyang Military Region
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Hospital of Shenyang Military Region filed Critical General Hospital of Shenyang Military Region
Priority to CN202110400502.3A priority Critical patent/CN113112476B/zh
Publication of CN113112476A publication Critical patent/CN113112476A/zh
Application granted granted Critical
Publication of CN113112476B publication Critical patent/CN113112476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种识别致痫灶和/或预测其病理分型的方法和系统，其中，所述对致痫灶的定位方法，其包括：获取分析数据，包括获取待识别患者发作间期11C‑胆碱、18F‑FDG、11C‑FMZ的PET/MR动态连续脑显像；重建分析数据，包括对所获取的待识别患者发作间期11C‑胆碱、18F‑FDG、11C‑FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；输入分析数据和/或重建数据至致痫灶定位模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；输出用于指示致痫灶区域的输出图像。

Description

一种识别致痫灶和/或预测其病理分型的方法和系统
技术领域
本发明涉及癫痫致痫灶识别技术领域，具体涉及一种识别致痫灶和/或预测其病理分型的方法和系统。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
全世界有七千多万人罹患癫痫。世界健康组织于2015年提出癫痫是最常见的严重神经障碍综合征。根据德国癫痫外科神经病理学参考中心在临床实践中所获得的数据，难治性局灶性癫痫的组织病理类型包括海马硬化、肿瘤、发育不良、血管病变、脑炎等。其中，海马硬化发生率为36.8％，是成人难治性颞叶癫痫最常见的一种类型，其典型的病理学改变为海马CA1、CA3和CA4区节段性锥体细胞缺失，而神经元丢失往往与反应性星形胶质细胞增生有关。研究表明，60-90％颞叶癫痫患者可通过手术切除致痫灶而得到控制或治愈，特别对于海马硬化引起的癫痫，有效率可达90％，取得理想手术效果的关键取决于对致痫灶的准确定位，但至今尚缺乏一种可精准定位致痫灶的方法。
传统对致痫灶定位诊断的方法除根据临床表现外，主要依靠脑电图(EEG)和核磁共振成像(MRI)检查，但两者均存在敏感性和特异性低的问题。近年来，随着分子影像技术的发展，正电子发射断层显像(PET)可从代谢、生化、功能、氧耗、化学递质及神经受体等方面对致痫灶进行定位分析，已广泛应用于癫痫致痫灶的术前评估。目前在癫痫显像中最常用的PET显像剂是18F-2-氟-脱氧-D-葡萄糖(18F-FDG)，作为一种能量代谢显像剂，其敏感性较高，主要评估大脑神经突触与神经元活动中的葡萄糖代谢。但18F-FDG PET显像特异性低，对致痫灶定位的假阳性不可避免，并且有研究提示18F-FDG PET显像所示的病灶范围常大于手术病理证实的病变区域，无法准确划分手术区域。由于致痫区存在抑制性神经元丢失，因此作为γ-氨基丁酸(GABA)-脑苯二氮卓(CBZ)受体特异性配体的正电子放射性药物11C-氟马西尼(11C-FMZ)已广泛应用于致痫灶的定位诊断中。
11C-FMZ在致痫灶皮质的摄取率显著低于对侧大脑相应的正常皮质及其他皮质区域，且其减低程度与发作频率呈正相关。另有研究发现11C-FMZ摄取率减低的范围小于相应18F-FDG代谢减低的范围，提示11C-FMZ PET受体显像受参杂因素的影响更小，勾画致痫灶范围更精确，但其只可反映抑制性神经元的丢失程度，并不能反映胶质细胞增生的情况，不可全面性评价海马硬化所致颞叶癫痫病灶的病理改变机制。
但并不是所有海马硬化所致难治性颞叶癫痫患者都适宜手术治疗。国际共识分类体系将海马硬化分为四个组织病理学亚型：①ILAE1型，有严重的神经元缺失和神经胶质增生，主要累及CA1和CA4区，其中CA1区受累最为严重，有超过80％的细胞缺失，但所有其他区域也表现出显著的神经元细胞缺失。②非典型ILAE2型，神经细胞缺失和神经胶质增生以CA1区为主，而CA2、CA3和CA4区的细胞数量相对不受影响。③非典型ILAE3型，神经细胞缺失以CA4区为主(>50％)，而其他区相对不受累。④仅有海马胶质细胞增生型。其中lLAE1型最多见，约占60～80％。研究表明，ILAE分类系统有助于预测颞叶癫痫患者的术后效果，60％～80％ILAE 1型患者术后1～2年内几乎无发作，术后效果满意。而2型和3型患者术后效果不理想，目前尚缺乏一种可术前精准预测海马硬化病理亚型的无创性检查方法。
随着多模态分子影像技术的发展，将不同正电子放射性药物引入生物体内参与不同代谢过程，可从分子水平研究组织器官的功能变化和病理机制。以往PET图像通常采用感兴趣区(ROI)分析及半定量分析法，于视觉分析异常区勾画感兴趣区测定放射性分布不对称指数(AI)，AI＝(SUV病灶ROI-SUV对侧ROI)/(SUV病灶ROI+SUV对侧ROI)x100％，AI>15％视为异常，此方法可定侧定位诊断颞叶癫痫的致痫灶，但不能反映海马硬化早期的病理改变。
发明内容
为了改善现有技术的不足，本发明提供了一种对海马硬化所致颞叶癫痫的致痫灶进行定位和/或预测其病理分型的方法及系统。
针对目前难治性颞叶癫痫定位难、难以实现无创定位以及无法预测海马硬化病理分型的问题，本发明基于致痫灶存在神经胶质细胞缓慢增生、能量代谢异常、抑制性神经元丢失等病理学改变的理论，利用多核素(11C-胆碱、18F-FDG、11C-FMZ)PET动态脑显像的多模态影像组学方法形成不同放射性药物的时间-放射性曲线，比较分析曲线间的分布性差异，依据致痫灶-正常脑组织时间-放射性曲线的差异性，形成脑组织内对应像素对的“代谢特征性拟合曲线”模型，提高对致痫灶定位诊断的准确性；同时进一步采用信号变化量作为特征，致痫灶病理分型结果作为标签，利用机器学习算法，训练出可区分致痫灶病理亚型的分类器模型，揭示这种病理改变的潜在规律性，提高预测病理亚型的准确性；本发明的技术方案为临床医师对致痫灶术前精准定位提供理论依据，为利用影像组学数据进行神经病理学研究提供新的思路。
具体地，本发明提供了下述的技术特征，以下技术特征的一个或多个的结合构成本发明的技术方案。
在本发明的第一方面，本发明提供了一种对海马硬化所致颞叶癫痫的致痫灶进行定位的方法，其包括：
获取分析数据，包括获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像结果；
重建分析数据，包括对所获取的待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；
输入分析数据和/或重建数据至致痫灶定位模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；
输出用于指示致痫灶区域的输出图像。
在本发明的一些实施方式中，致痫灶定位模型执行的步骤包括：
构建时间序列图像，包括将获取的PET/MR动态连续脑显像按时间顺序排序作为时间序列图像；可选地，图像在使用前可使用中值滤波来降低图像采集过程中引入的随机噪声；
获取代谢特征性拟合曲线，包括采用药代动力学模型对所述时间序列图像进行拟合；
计算归一化均方根误差(NRMSE)并以此重新赋值原始图像，获得NRMSE色彩图，以展示感兴趣区；
融合MRI图像与NRMSE色彩图像，生成在解剖结构上指示致痫灶位置的融合图，即用于指示致痫灶区域的输出图像。
在本发明的一些实施方式中，所述药代动力学模型可采用本领域已知的模型，在本发明中，较为优选的模型为Toft-Kety(TK)模型。
在本发明的一些实施方式中，所述重建数据包括与分析数据同步的PET、ADC、脑血流量(cerebral blood flow，CBF)数据，以及根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
在本发明的实施方式中，重建数据的方法可采用本领域已知的方式或平台进行，只要其能够获取本申请所需的与分析数据同步的上述PET、ADC、CBF、rCBF及MRS谱线等信息。
比如，获取重建数据的方式可采用：PET采用2D采集，重建方法为FBP滤波反投影，截止频率0.5，陡度因子5，层厚重建为3mm，PET/MR衰减校正序列、横断位及冠状位T2加权液体衰减反转恢复(T2 fluid attenuated inversion recovery，T2-FLAIR)序列；T1加权成像三维磁化强度预备梯度回波(T1 weighted imaging three dimensionalmagnetization prepared rapid acquisition gradient echo，T1WI-3D-MPRAGE)序列、扩散加权成像(diffusion-weighted imaging，DWI)、动脉自旋标记灌注成像(Arterial spinlabeling，ASL)和磁共振波谱成像(MagneticResonanceSpectroscopy，MRS)。MRS序列最后采集，需要根据扫描前期所获得的MR序列信息，初步判断病变范围并行多体素容积采集，采用自动匀场。表观扩散系数(Apparent Diffusion Coefficient，ADC)由DWI序列根据b值为0和1000s/mm2重建获得。由此得到同步的PET、ADC、CBF，并根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
在本发明的第二方面，本发明提供了一种对海马硬化所致颞叶癫痫的致痫灶病理分型进行预测的方法，其包括：
获取分析数据，包括获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像；
重建分析数据，包括对所获取的待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；
输入分析数据和/或重建数据至致痫灶病理分型预测模型，所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
输出致痫灶病理分型的预测结果。
在本发明的一些实施方式中，所述致痫灶病理分型预测模型执行的步骤包括：
构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
计算药物在致痫灶的时间-放射性曲线的信号变化量S，其计算方式为：S＝(B-A)/A，其中，A、B分别为同一曲线不同时间点上的对应值；
将计算得到的S值作为特征，以致痫灶病理分型结果作为标签，利用计算机学习算法进行分类，获得预测致痫灶病理分型的结果。
在本发明的实施方式中，所述计算机学习算法包括支持向量机、线性判别式分析和决策树。
在本发明的实施方式中，所述重建数据包括与分析数据同步的PET、ADC、脑血流量(cerebral blood flow，CBF)数据，以及根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
在本发明的第三方面，本发明提供了一种识别海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的方法，其包括：
获取分析数据，包括获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像结果；
重建分析数据，包括对所获取的待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；
输入分析数据和/或重建数据至致痫灶定位模型和致痫灶病理分型预测模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
输出用于指示致痫灶区域的输出图像和致痫灶病理分型的预测结果。
在本发明的一些实施方式中，致痫灶定位模型执行的步骤包括：
构建时间序列图像，包括将获取的PET/MR动态连续脑显像按时间顺序排序作为时间序列图像；可选地，图像在使用前可使用中值滤波来降低图像采集过程中引入的随机噪声；
获取代谢特征性拟合曲线，包括采用药代动力学模型对所述时间序列图像进行拟合；
计算归一化均方根误差(NRMSE)并以此重新赋值原始图像，获得NRMSE色彩图，以展示感兴趣区；
融合MRI图像与NRMSE色彩图像，生成在解剖结构上指示致痫灶位置的融合图，即用于指示致痫灶区域的输出图像；
在本发明的一些实施方式中，所述药代动力学模型可采用本领域已知的模型，在本发明中，较为优选的模型为Toft-Kety(TK)模型。
在本发明的一些实施方式中，所述致痫灶病理分型预测模型执行的步骤包括：
构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
计算药物在致痫灶的时间-放射性曲线的信号变化量S，其计算方式为：S＝(B-A)/A，其中，A、B分别为同一曲线不同时间点上的对应值；
将计算得到的S值作为特征，以致痫灶病理分型结果作为标签，利用计算机学习算法进行分类，获得预测致痫灶病理分型的结果。
在本发明的一些实施方式中，所述计算机学习算法包括支持向量机、线性判别式分析和决策树；
在本发明的一些实施方式中，所述重建数据包括与分析数据同步的PET、ADC、脑血流量(cerebral blood flow，CBF)数据，以及根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
在本发明的第四方面，本发明提供了一种对海马硬化所致颞叶癫痫的致痫灶进行识别的系统，其包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像结果作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
识别模块，用于输入分析数据和/或重建数据至致痫灶定位模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；
结果输出模块，用于输出用于指示致痫灶区域的输出图像。
在本发明的第五方面，本发明提供了一种对海马硬化所致颞叶癫痫致痫灶进行病理分型预测的系统，其包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像结果作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
预测模块，输入分析数据和/或重建数据至致痫灶病理分型预测模型，所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
结果输出模块，输出致痫灶病理分型的预测结果。
在本发明的第六方面，本发明提供了一种识别对海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的系统，其包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像结果作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
识别和预测模块，输入分析数据和/或重建数据至致痫灶定位模型和致痫灶病理分型预测模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
结果输出模块，用于输出指示致痫灶区域的输出图像和致痫灶病理分型的预测结果。
在本发明的第七方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面中所述的对海马硬化所致颞叶癫痫的致痫灶进行定位的方法；
或者，该程序被处理器执行时实现如上述第二方面中所述的对海马硬化所致颞叶癫痫的致痫灶进行病理分型预测的方法；
或者，该程序被处理器执行时实现如上述第三方面中所述的识别对海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的方法。
通过上述一个或多个技术手段，可实现以下有益效果：
本发明将正电子标记的胆碱应用于癫痫患者发作间期的显像中，将影像组学数据与病理分型相结合，使得临床影像学对致痫灶的诊断不再仅仅局限于定位诊断。
本发明首次将11C-胆碱应用于海马硬化所致难治性颞叶癫痫患者的定位诊断中，联合11C-胆碱、18F-FDG、11C-FMZ行发作间期PET/MR脑显像，实现致痫灶的精准定位。
本发明从多核素、多模态影像学角度拟合表观代谢曲线，反映海马硬化的病理改变，从而对海马硬化进行病理亚型分析，指导临床实现个体化治疗的目标。
很多病症都有基因突变-代谢异常-形态变化的历程，CT/MRI只能在病症发展到形态学变化时才能有所发现。本发明的PET图像分析方法，从多模态正电子药物组角度拟合表观代谢模型，分别从神经胶质细胞增生、能量代谢、抑制性神经元丢失的角度反映癫痫患者脑组织的病理生理学改变信息，发生机制，通过计算机学习分析PET图像不仅可以定位病灶，还可以预测疾病的病理分型，辅助临床医师决定是否行手术治疗，发挥了PET/MR的潜在价值，为利用影像组学数据进行神经病理学研究提供新的思路，为癫痫患者治疗略的制定提供更精准的理论依据。本发明相较于现有的方法可早先一步完成代谢异常的诊断，更为客观地从分子水平上反映疾病的病理改变甚至病变的程度，可能从定量或半定量角度为临床提供更多的病理信息。
此外，本发明提供的方法和系统不仅可以用于海马硬化病理亚型的分析，还可以用于其他疾病的病理分型，为临床提供更多的信息，实现个体化的精准治疗。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。以下，结合附图来详细说明本发明的实施方案，其中：
图1为间断抽搐发作26年的57岁男性病患的脑MRI和CT图；其中，A、B为MRI图，MRI提示右侧侧脑室颞角较对侧略增大，右侧海马信号略增高，符合右侧海马硬化；C为CT图，CT相应层面提示右侧侧脑室颞角较对侧略增大；D为11C-胆碱PET显像图。
图2：病患将显影剂引入体内后，在70min内，应用PET显像拍摄到的病灶部位的影像色彩特征会逐步显现然后再慢慢衰减，成曲线分布，A图即示出了药物在病灶区的时间-放射性分布曲线，B图为从拍摄所得整组图片中，抽取同一切面不同时间的影像图片，其中，ROI1(左侧海马，在原图中为绿色)，ROI2(右侧海马，在原图中为红色)。
图3为对病患将显影剂引入体内后获取的影像图片进行图像分析处理后对可疑区域进行标注得到的NRMSE色彩图。
图4：A图为NRMSE色彩图，B图为NRMSE色彩图与CT融合显像的图片。
图5为病理结果对比图，其中，A图为切取的海马组织标本，B图为神经元染色结果，C图为角质细胞染色结果，D图为海马CA1区，E图为海马CA2区，F图为海马CA3区，G图为海马CA4区，H为齿状回区。
图6为本发明一些实施方式的技术路线示意图。
图7为海马硬化所致癫痫患者的海马组织病理切片NeuN特异性染色结果图。图7A中显示，CA1、CA2、CA3、CA4四个区域NeuN染色分布均匀、无缺失现象；齿状回(DG)神经元细胞排列紧密，显示符合非海马硬化型海马组织病理特征，为非海马硬化型海马组织病理切片；图7B、C、D为3确诊患者的切片染色结果，如图7B中显示，CA1、CA2、CA3、CA4四个区域NeuN染色有不同程度的大量缺失，表明神经元细胞减少；齿状回NeuN特异性染色也出现大量减少，说明神经元细胞异常丢失，符合海马硬化I型海马组织病理特征，为海马硬化Ⅰ型海马组织病理切片。图7C中显示，与CA1、CA3、CA4三个区域NeuN染色相比，CA2区NeuN染色出现大量缺失；齿状回区域染色显示神经元细胞排列正常、偶见分布弥散，符合海马硬化II型海马组织病理特征，为海马硬化II型海马组织病理切片。图7D中显示，与CA1、CA2、CA3三个区域NeuN染色相比，CA4区NeuN染色出现大量缺失；齿状回区域染色显示神经元细胞有少量缺失；符合马硬化III型海马组织病理特征，为马硬化III型海马组织病理切片。
图8为本发明一些实施方式中的对海马硬化所致颞叶癫痫的致痫灶进行识别的系统的结构图。
图9为本发明一些实施方式中的对海马硬化所致颞叶癫痫的致痫灶病理分型进行预测的系统的结构图。
图10为本发明一种实施方式中的识别海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的系统的结构图。
图11为本发明一种实施方式中的致痫灶定位模型的实施流程图。
图12为本发明一种实施方式中的致痫灶病理分型预测模型的实施流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。
除非另行定义，文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。本发明所使用的试剂或原料均可通过常规途径购买获得，如无特殊说明，本发明所使用的试剂或原料均按照本领域常规方式使用或者按照产品说明书使用。此外，任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。
此外，特定特征、结构、功能或特性可以以任何适合的方式组合到一个或多个实施例中，只要与这些实施例或具体实施方式相关联的特定特征、结构、功能或特性不互相排斥。
在本发明的一些实施方式中，本发明证明了11C-胆碱PET动态显像技术探测癫痫致痫灶的方法的可行性。具体地，在一些实施方式中，本发明对60例疑似海马硬化引发癫痫并拟行手术治疗的患者行11C-胆碱PET/CT动态显像，得到11C-胆碱在病变区域的时间-放射性分布曲线，进一步对11C-胆碱时间-放射性曲线特征进行分析，计算归一化均方根误差(NRMSE)，进而得到NRMSE色彩图以展示感兴趣区。以颅内植入电极或术后病理为金标准，证实上述方法对致痫灶的定位精准、可靠。
在又一些实施方式中，本发明进行了11C-胆碱、11C-FMZ PET/CT显像，采用了动态连续扫描成像技术，采集药物进入人体70分钟内的动态成像数据，其中图1示例性的给出了某一具有间断抽搐发作26年病史的57岁男性患者的MRI和CT图，勾画感兴趣区(ROI)形成两侧对称区域的时间-放射性曲线(图2A)，同时从拍摄所得整组图片中，抽取同一切面不同时间的影像图片，会看到如图2B中所示的变化。由图2A曲线结合图2B可以看出，病变海马局部的11C-胆碱代谢水平在注射药物50min前后逐渐升高，而对侧正常海马组织内的11C-胆碱随时间延长而缓慢下降，双侧曲线呈分离趋势，证明了海马硬化致痫灶内胆碱的动态变化与正常海马组织不同，同时也进一步证实应用11C-胆碱PET动态显像技术探测癫痫致痫灶的方法可行。
但是，在本发明的实施方式中，发明人发现由于11C-胆碱PET图像的信噪比低，难以通过肉眼人为判断HS区域，为了进行改善，发明人进行了进一步地研究，包括基于12个时间点的相同大小像素的数学模型来分割图像。由于显像剂的浓度与每个像素的灰度等级呈线性和正性相关，故应用灰度值分析显像剂浓度的变化。图像预处理对于提高图像分割的准确性是必要的。首先，使用二维中值滤波来降低图像的噪声。其次，计算得到五次多项式模型的曲线。该实验的分割基于拟合曲线与原始序列之间的归一化均方根误差(NRMSE)。最后，得到NRMSE色彩图以展示感兴趣区。
具体地，在本发明的实施方式中，上述过程包括：设定基准图，基准图是显影药剂尚未生效时的影像图片，默认为第一个时间点拍摄所得，也可由医护人员自行设定。然后使用计算机图像分析技术，在基准图与其后的每个时间点拍摄所得之间判断差异(d)，然后在将所得的一系列d拟合，形成f(d)，根据设定的相关tv(识别阈值)，对f(d)进行分析，之后对可疑区域进行标注，能够得到NRMSE色彩图，结果如图3所示。
在此基础上，本发明为了获得更准确的ROI位置，可将CT和NRMSE色彩图进行融合显示，如图4所示，其中，图4A图为NRMSE色彩图，图4B图为CT图和该时刻NRMSE色彩图的融合显示图像。完成后，会显示在软件交互界面上，医护人员可以看到经由系统分析并加以提示的影像部分，并以此为参考自行判断得出结论。
进一步地，通过与病理结果对比(图5)，证实这一算法可以弥补肉眼分辨力不足的缺点，提高11C-胆碱PET脑显像的可视化程度，使致痫灶的定位标准更加客观，结果可重复性更强。以上这些结果表明，11C-胆碱PET脑显像可以对癫痫灶进行精准定位，应用医工结合方法可以使显像结果更具说服力。
在本发明的进一步的研究中，发明人发现相对于18F-FDG、11C-FMZ，11C-胆碱在定位癫痫灶方面更具有特异性，但是由于11C-胆碱在脑内的摄取率较低，会影响其灵敏度，因此，本发明联合11C-胆碱、18F-FDG、11C-FMZ三种显像剂行发作间期PET/MR显像，综合利用各种显像剂的特点，优势互补，即发作间期致痫灶18F-FDG低代谢、11C-FMZ低摄取、11C-胆碱高摄取的影像表现以使诊断特异性增加，更有助于海马硬化所致颞叶癫痫病灶的精准定位。
在本发明的实施方式中，发明人利用PET显像方法在体外无损伤、定量、动态地测定11C-胆碱、18F-FDG、11C-FMZ三种显像剂在致痫灶内不同时刻的放射性摄取量，从而勾画出三条时间-放射性分布曲线，曲线下面积(AUC)指的是时间-放射性活度曲线下时间从零到某一时间点的面积，是反映放射性药物在病灶内摄取程度的参数，代表病灶对显像剂的生物利用度，即18F-FDG曲线反映致痫灶能量代谢，11C-FMZ曲线反映致痫灶抑制性神经元的丢失程度，11C-胆碱曲线反映致痫灶胶质细胞增生情况。但这三条曲线各自仅从单一角度解释海马硬化病理机制，具有很大的片面性，又因为海马硬化四类病理分型中神经元丢失和胶质细胞增生程度不同，所以在进一步地实施方式中，发明人根据各成分所占比重，即各自的权重系数基于多模态正电子组将三条曲线拟合为一条“代谢特征性拟合曲线”(即表观代谢模型)，而放射性药物在病灶内的整体摄取程度应是三种显像剂摄取程度的加权总和，各显像剂对放射性药物摄取程度的贡献即权重系数可用其自身AUC与整体AUC加和的比值表征，将每一时间点下三种显像剂的放射性分布赋以各自的权重系数，计算三种显像剂在病灶内的摄取程度并建立整合摄取程度研究模型，以此便建立表观代谢模型，从而推测致痫灶抑制性神经元丢失和反应性胶质细胞增生程度，通过对模型的整体分析直接认识海马硬化所致颞叶癫痫的病理改变，进而进行病理分型，指导手术治疗。以往PET图像通常采用感兴趣区(ROI)分析及半定量分析法，于视觉分析异常区勾画感兴趣区测定放射性分布不对称指数(AI)，AI＝(SUV病灶ROI-SUV对侧ROI)/(SUV病灶ROI+SUV对侧ROI)x100％，AI>15％视为异常，此方法可定侧定位诊断颞叶癫痫的致痫灶，但不能反映海马硬化早期的病理改变。而本发明的上述处理方式则克服了这一不足，不仅可以无创性定位致痫灶并且可以预测海马硬化的病理分型，帮助临床医生选择手术适应症。
在一些更为具体的实施方式中，本发明收集了350例HS引发癫痫手术患者的PET显像资料及病理结果，分别获取术前发作间期11C-胆碱、18F-FDG、11C-FMZ的正电子药物组学PET(PET/CT或PET/MR)脑显像，分别形成反映能量代谢的时间-放射性曲线、反映胶质细胞增生的时间-放射性曲线和反映抑制性神经元丢失的时间-放射性曲线，构建得到代谢特征性拟合曲线模型和分类器模型。使用代谢特征性拟合曲线模型和分类器模型对患者术前行发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MRI显像进行处理和分析，获得对致痫灶位置的精准定位以及对病理亚型的预测结果。具体的技术路线图可如图6中所示。
为了更好地阐述本发明，本发明的下述实施例主要从放射性药物时间-放射性曲线的生成、代谢特征性拟合曲线的构建、可区分致痫灶病理亚型的分类器模型的构建、药物组学与影像组学结合计算机学习算法对海马硬化所致难治性颞叶癫痫精准定位及病理亚型的预测等方面内容进行。
在本发明的一些实施方式中，利用11C-胆碱、18F-FDG、11C-FMZ在体内的代谢过程提示致痫灶在胶质细胞增生、能量代谢及抑制性神经元丢失等多方面的病理变化，通过分析海马硬化引发癫痫患者发作间期三种药物PET的动态影像特征，研究不同正电子药物在致痫灶中时间-放射性曲线分布的差异。
在本发明的一些实施方式中，通过计算机数据分割-预处理-建模过程，利用特定数学模型分析致痫灶与相应正常脑组织时间-放射性曲线(药物代谢动力学)间的差异，研究可以体现三种放射性药物在脑组织内对应像素对的“代谢特征性拟合曲线”模型，进而在全脑范围内找到符合这一曲线对应特征的区域，并用一个NRMSE色彩图加以展示。
在本发明的一些实施方式中，由于多种核素显像在不同海马硬化病理亚型中表现出的非一致性，进一步利用机器学习算法，训练出区分致痫灶病理亚型的分类器模型。
在本发明的一些实施方式中，本发明还提供了验证和评估过程，验证代谢特征性拟合曲线对致痫灶定位诊断的准确性。通过术后病理结果或治疗后随访结果证实，三种正电子药物所形成的代谢特征性拟合曲线可以从胶质细胞增生、能量代谢及抑制性神经元丢失等方面反映致痫灶的病理变化，其在对海马硬化所致癫痫致痫灶的定位诊断中具有更高的准确性。
具体地，本发明还提供了一些较为具体的实施步骤，可结合上述实施方式中已经提及的部分来理解下述过程，本发明的具体实施方式之间相关联的特征或方法在不矛盾的情况下可互相引用或结合使用。
实施例1、正电子放射性药物时间-放射性曲线及代谢特征性拟合曲线的构建
(1)研究对象：选取手术治疗的海马硬化引发癫痫的患者，所有患者均在术前行发作间期11C-胆碱、18F-FDG、11C-FMZ PET(PET/CT或MR)脑显像(三日法)。
(2)显像条件：11C-胆碱、18F-FDG、11C-FMZ分别依7.4MBq/kg、5.55MBq/kg、5.55MBq/kg标准按体重计算用药量，静脉注射给药，采用注射药物后即时采集图像，应用GE公司SIGNA一体化TOF-PET/MR仪进行PET扫描。检查前禁食大于4-6h，血糖在正常水平，检查前避免声光刺激，封闭试听，检查1个床位，时间约70min，PET采用2D采集，重建方法为FBP滤波反投影，截止频率0.5，陡度因子5，层厚重建为3mm。
(3)形成时间-放射性曲线：在采集工作站以2min为单位采集时间，截取PET影像，共可获得35帧药物分布动态影像，手动勾画与手术区域相吻合的海马病变的感兴趣区(ROI)，以采集时间为横轴，ROI放射性计数为纵轴，分别形成三种正电子放射性药物在致痫灶的时间-放射性曲线。
(4)时间-放射性曲线差异分析：以10min为一个时间节点，分别计算各条曲线在每个时间节点的曲线下面积(AUC)，即时间从零到某一时间点的面积，反映放射性药物在病灶内摄取程度的参数，代表病灶对显像剂的生物利用度。对比分析三种放射性药物生物利用度的差异，以从不同机制提示致痫灶的病理变化过程，并以此为基础构建代谢特征性拟合曲线并实现病理亚型分类模型的构建。
实施例2、致痫灶区域识别
由于致痫灶与正常脑组织对显像剂的代谢过程不同，而显像剂的浓度与每个像素的灰度等级呈线性正相关，因此通过分析不同时间灰度值的变化，可间接反映出显像剂浓度的变化。本实施例利用致痫灶与正常脑组织时间-放射性曲线的差异，结合药代动力学模型，研究致痫灶区域自动识别方法，实现致痫灶区域快速、准确标注。具体方法如下：
(1)使用中值滤波来降低图像采集过程中引入的随机噪声；
(2)获得不同时刻t下的PET图像作为时间序列图像，并采用药代动力学模型对整个时间序列图像进行拟合，获得代谢特征性拟合曲线。采用的药代动力学模型Toft-Kety(TK)模型，如下，其各参数的示意如本领域公知：
(3)使用代谢特征拟合曲线与原始序列(时间序列图像)之间的归一化均方根误差(NRMSE)重新赋值原始图像，从而得到一个NRMSE色彩图以展示感兴趣区；
(4)为了获得更准确的ROI位置，将MRI图像与NRMSE色彩图像进行融合显示，在解剖结构上直接显示致痫灶位置。最终实现致痫灶区域识别的目标。
实施例3、基于不同HS病理亚型的分类模型构建
使用不同的放射性药物可反映出致痫灶不同的病理特性，因此，根据放射性药物在病灶内的摄取程度的变化规律，利用机器学习算法，训练出可区分致痫灶病理亚型的分类器模型。采用信号变化量作为特征，致痫灶病理亚型结果作为标签，分别通过支持向量机、线性判别式分析和决策树等机器学习算法，对比评估分类模型的敏感性与特异性。具体流程如下：
(1)将海马硬化引发癫痫患者的11C-胆碱、18F-FDG、11C-FMZ获得的致痫灶按单位时间量化表示(即分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线)；
(2)分别计算三类变化曲线的信号变化量，计算方程如下：
S＝(B-A)/A
其中，A、B分别为同一曲线不同时间点上的对应值，S为信号变化量；
(3)将计算好的各组S值作为特征，致痫灶病理分型结果作为标签，利用计算机学习算法支持向量机、线性判别式分析和决策树进行分类，利用交叉验证方法获得敏感性与特异性最高的分类结果。
实施例4、对实施例1-3中所述方法可行性及准确性的验证和评估
(1)研究对象应符合以下入排标准：
1)入组标准：
a)依据2017年国际抗癫痫联盟(ILAE)发布的新的癫痫分类系统，癫痫诊断标准，临床诊断为难治性颞叶癫痫患者；
b)检查前24H无癫痫发作；
c)能够配合完成检查者；
2)排除标准：
a)3个月内有明确的头部外伤史；
b)明确或可疑脑肿瘤(良性或恶性)患者；
c)曾行颞叶局部手术患者；
d)无法停止服用抗癫痫药物患者；
e)无法配合完成检查者。
(2)正电子药物组学PET/MR显像
入组患者分别于发作间期行三日法11C-胆碱、18F-FDG、11C-FMZ PET/MR脑显像，分别依7.4MBq/kg、5.55MBq/kg、5.55MBq/kg标准按体重计算用药量，静脉注射给药，采用注射药物后即时采集图像，应用GE公司SIGNA一体化TOF-PET/MR仪进行PET扫描。检查前禁食大于4-6h，血糖在正常水平，检查前避免声光刺激，封闭试听，检查1个床位，时间约70min，PET采用2D采集，重建方法为FBP滤波反投影，截止频率0.5，陡度因子5，层厚重建为3mm，PET/MR衰减校正序列、横断位及冠状位T2加权液体衰减反转恢复(T2 fluid attenuatedinversion recovery，T2-FLAIR)序列；T1加权成像三维磁化强度预备梯度回波(T1weighted imaging three dimensional magnetization prepared rapid acquisitiongradient echo，T1WI-3D-MPRAGE)序列、DWI、ASL和MRS。MRS序列最后采集，需要根据扫描前期所获得的MR序列信息，初步判断病变范围并行多体素容积采集，采用自动匀场。ADC由DWI序列根据b值为0和1000s/mm2重建获得。所有采集数据处理重建后，得到同步的PET、ADC、脑血流量(cerebral blood flow，CBF)并根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
(3)验证代谢特征性拟合曲线对致痫灶定位诊断、分类器模型预测致痫灶病理亚型的准确性
1)利用代谢特征性拟合曲线分析11C-胆碱、18F-FDG、11C-FMZ PET/MR脑显像结果，得到符合药物代谢动力学模型规律的像素单元，即认为是“致痫灶”；
2)利用分类器模型对时间-放射性曲线进行拟合分析，预测海马硬化的病理亚型；
3)手术切除致痫灶：
对诊断为海马硬化的患者，依据影像学及步骤(1)提示的疑似海马病变区域进行手术切除。
4)病理学检测：
对3)中切除的区域进行病理学检测。采用H&E染色，神经元细胞NeuN染色和胶质细胞GFAP特异性染色技术。观察海马组织CA1-4区与齿状回的结构差异，神经元细胞丢失与弥散情况。根据国际癫痫协会(ILAE)规定的病理分型标准，确定海马硬化病理类型；
5)预测结果与病理学结果的比对分析
以病理学结果为金标准，将定位及定性预测结果与其对比分析。
6、验证及评估结果
利用18F-FDG、11C-FMZ和11C-Choline的MRI和PET/CT图像的多模态分析，预测海马硬化所致的药物难治性颞叶癫痫致痫灶神经病理学的四种亚型，其中，示意对4位确认患者的预测结果如表1所示。
表1三种正电子药物11C-胆碱、11C-FMZ、18F-FDG在不同病理类型海马硬化病灶中的表现形式
注：“+”代表阳性的结果；“-”表示阴性结果；“±”代表阳性或阴性结果。
选取了4位被确诊为海马硬化的患者，依据影像学及本发明识别提示的疑似海马病变区域进行手术切除，并对切除部分进行病理切片免疫染色，染色结果图7所示，其中，图7A中显示，CA1、CA2、CA3、CA4四个区域NeuN染色分布均匀、无缺失现象；齿状回(DG)神经元细胞排列紧密，显示符合非海马硬化型海马组织病理特征，为非海马硬化型海马组织病理切片；图7B、C、D为3确诊患者的切片染色结果，如图7B中显示，CA1、CA2、CA3、CA4四个区域NeuN染色有不同程度的大量缺失，表明神经元细胞减少；齿状回NeuN特异性染色也出现大量减少，说明神经元细胞异常丢失，符合海马硬化I型海马组织病理特征，为海马硬化Ⅰ型海马组织病理切片。图7C中显示，与CA1、CA3、CA4三个区域NeuN染色相比，CA2区NeuN染色出现大量缺失；齿状回区域染色显示神经元细胞排列正常、偶见分布弥散，符合海马硬化II型海马组织病理特征，为海马硬化II型海马组织病理切片。图7D中显示，与CA1、CA2、CA3三个区域NeuN染色相比，CA4区NeuN染色出现大量缺失；齿状回区域染色显示神经元细胞有少量缺失；符合马硬化III型海马组织病理特征，为马硬化III型海马组织病理切片。
综合以上，本发明的技术方案能够对海马硬化所致颞叶癫痫的癫痫灶进行精准的定位，并且能够实现对其致痫灶病理亚型的预测。
在本发明的又一些实施方式中，本发明提供了一种识别对海马硬化所致颞叶癫痫的致痫灶和/或预测其病理分型的系统，其结构可如图8-10中所示，包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像结果作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
识别和/或预测模块，输入分析数据和/或重建数据至致痫灶定位模型和/或致痫灶病理分型预测模型，其中，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
结果输出模块，用于输出指示致痫灶区域的输出图像和/或致痫灶病理分型的预测结果。
其中，致痫灶定位模型执行的步骤如图11所示，包括：
构建时间序列图像，包括将获取的PET/MR动态连续脑显像按时间顺序排序作为时间序列图像；
获取代谢特征性拟合曲线，包括采用药代动力学模型Toft-Kety(TK)模型对所述时间序列图像进行拟合；
计算归一化均方根误差(NRMSE)并以此重新赋值原始图像，获得NRMSE色彩图，以展示感兴趣区；
融合MRI图像与NRMSE色彩图像，生成在解剖结构上指示致痫灶位置的融合图，即用于指示致痫灶区域的输出图像。
致痫灶病理分型预测模型执行的步骤如图12所示，包括：
构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
计算药物在致痫灶的时间-放射性曲线的信号变化量S，其计算方式为：S＝(B-A)/A，其中，A、B分别为同一曲线不同时间点上的对应值；
将计算得到的S值作为特征，以致痫灶病理分型结果作为标签，利用计算机学习算法(比如支持向量机、线性判别式分析和决策树)进行分类，获得预测致痫灶病理分型的结果。
基于以上系统，医生可结合患者临床个性化数据和系统输出结果自行判断得出最终结论。
以及，再更进一步的实施方式中，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的对海马硬化所致颞叶癫痫的致痫灶进行定位的方法，和/或实现对海马硬化所致颞叶癫痫的致痫灶病理分型预测的方法。
本领域内的技术人员应当理解，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
在本发明的实施方式中，本发明方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备，比如可以是个人计算机、服务器、移动计算设备或者网络设备等，执行本申请各个实施例所述方法的全部或部分步骤。而所述的存储介质包括：U盘、移动硬盘、只读存储器(ROM、Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种对海马硬化所致颞叶癫痫的致痫灶的定位方法，其包括：
获取分析数据，包括获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像；
重建分析数据，包括对所获取的待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；
输入分析数据和/或重建数据至致痫灶定位模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；
输出用于指示致痫灶区域的输出图像；
所述致痫灶定位模型执行的步骤包括：
（1）使用中值滤波来降低图像采集过程中引入的随机噪声；
（2）获得不同时刻t下的PET图像作为时间序列图像，并采用药代动力学模型对整个时间序列图像进行拟合，获得代谢特征性拟合曲线；采用的药代动力学模型Toft-Kety模型，如下：
（3）使用代谢特征拟合曲线与时间序列图像之间的NRMSE重新赋值原始图像，从而得到一个NRMSE色彩图以展示感兴趣区；
（4）为了获得更准确的ROI位置，将MRI图像与NRMSE色彩图像进行融合显示，在解剖结构上直接显示致痫灶位置；最终实现致痫灶区域识别的目标。
2.根据权利要求1所述的对海马硬化所致颞叶癫痫的致痫灶的定位方法，其特征在于，所述重建数据包括与分析数据同步的PET、ADC、CBF数据，以及根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
3.一种对海马硬化所致颞叶癫痫的致痫灶病理分型的预测方法，其包括：
获取分析数据，包括获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像；
重建分析数据，包括对所获取的待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；
输入分析数据和/或重建数据至致痫灶病理分型预测模型，所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
输出致痫灶病理分型的预测结果；
所述致痫灶病理分型预测模型执行的步骤包括：
(1)构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
(2)分别计算三类变化曲线的信号变化量，计算方程如下：
S = (B-A)/A
其中，A、B分别为同一曲线不同时间点上的对应值，S为信号变化量；
(3)将计算好的各组S值作为特征，致痫灶病理分型结果作为标签，利用计算机学习算法支持向量机、线性判别式分析和决策树进行分类，利用交叉验证方法获得敏感性与特异性最高的分类结果。
4.根据权利要求3所述的对海马硬化所致颞叶癫痫的致痫灶病理分型的预测方法，其特征在于，所述重建数据包括与分析数据同步的PET、ADC、CBF数据，以及根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
5.一种识别海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的方法，其包括：
获取分析数据，包括获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像；
重建分析数据，包括对所获取的待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像进行数据重建，获取与分析数据同步的重建数据；
输入分析数据和/或重建数据至致痫灶定位模型和致痫灶病理分型预测模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
输出用于指示致痫灶区域的输出图像和致痫灶病理分型的预测结果；
所述致痫灶定位模型执行的步骤包括：
（1）使用中值滤波来降低图像采集过程中引入的随机噪声；
（2）获得不同时刻t下的PET图像作为时间序列图像，并采用药代动力学模型对整个时间序列图像进行拟合，获得代谢特征性拟合曲线；采用的药代动力学模型Toft-Kety模型，如下：
（3）使用代谢特征拟合曲线与时间序列图像之间的NRMSE重新赋值原始图像，从而得到一个NRMSE色彩图以展示感兴趣区；
（4）为了获得更准确的ROI位置，将MRI图像与NRMSE色彩图像进行融合显示，在解剖结构上直接显示致痫灶位置；最终实现致痫灶区域识别的目标；
所述致痫灶病理分型预测模型执行的步骤包括：
(1)构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
(2)分别计算三类变化曲线的信号变化量，计算方程如下：
S = (B-A)/A
其中，A、B分别为同一曲线不同时间点上的对应值，S为信号变化量；
(3)将计算好的各组S值作为特征，致痫灶病理分型结果作为标签，利用计算机学习算法支持向量机、线性判别式分析和决策树进行分类，利用交叉验证方法获得敏感性与特异性最高的分类结果。
6.根据权利要求5所述的识别海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的方法，其特征在于，所述重建数据包括与分析数据同步的PET、ADC、CBF数据，以及根据病变和镜像区域CBF比值得到rCBF及MRS谱线。
7.一种对海马硬化所致颞叶癫痫的致痫灶的识别系统，其包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
识别模块，用于输入分析数据和/或重建数据至致痫灶定位模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；
结果输出模块，用于输出用于指示致痫灶区域的输出图像；
所述致痫灶定位模型执行的步骤包括：
（1）使用中值滤波来降低图像采集过程中引入的随机噪声；
（2）获得不同时刻t下的PET图像作为时间序列图像，并采用药代动力学模型对整个时间序列图像进行拟合，获得代谢特征性拟合曲线；采用的药代动力学模型Toft-Kety模型，如下：
（3）使用代谢特征拟合曲线与时间序列图像之间的NRMSE重新赋值原始图像，从而得到一个NRMSE色彩图以展示感兴趣区；
（4）为了获得更准确的ROI位置，将MRI图像与NRMSE色彩图像进行融合显示，在解剖结构上直接显示致痫灶位置；最终实现致痫灶区域识别的目标。
8.一种对海马硬化所致颞叶癫痫的致痫灶病理分型的预测系统，其包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
预测模块，输入分析数据和/或重建数据至致痫灶病理分型预测模型，所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
结果输出模块，输出致痫灶病理分型的预测结果；
所述致痫灶病理分型预测模型执行的步骤包括：
(1)构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
(2)分别计算三类变化曲线的信号变化量，计算方程如下：
S = (B-A)/A
其中，A、B分别为同一曲线不同时间点上的对应值，S为信号变化量；
(3)将计算好的各组S值作为特征，致痫灶病理分型结果作为标签，利用计算机学习算法支持向量机、线性判别式分析和决策树进行分类，利用交叉验证方法获得敏感性与特异性最高的分类结果。
9.一种识别对海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的系统，其包括：
获取模块，用于获取待识别患者发作间期11C-胆碱、18F-FDG、11C-FMZ的PET/MR动态连续脑显像作为分析数据；
重建分析模块，用于对获取模块获取的分析数据进行重建，获取与分析数据同步的重建数据；
识别和预测模块，输入分析数据和/或重建数据至致痫灶定位模型和致痫灶病理分型预测模型，所述致痫灶定位模型对分析数据和/或重建数据进行处理和分析，获得用于指示致痫灶区域的输出图像；所述致痫灶病理分型预测模型对分析数据和/或重建数据进行处理和分析，获得致痫灶病理分型的预测结果；
结果输出模块，用于输出指示致痫灶区域的输出图像和致痫灶病理分型的预测结果；
所述致痫灶病理分型预测模型执行的步骤包括：
(1)构建药物在致痫灶的时间-放射性曲线，包括分别构建11C-胆碱、18F-FDG、11C-FMZ在致痫灶的时间-放射性曲线；
(2)分别计算三类变化曲线的信号变化量，计算方程如下：
S = (B-A)/A
其中，A、B分别为同一曲线不同时间点上的对应值，S为信号变化量；
(3)将计算好的各组S值作为特征，致痫灶病理分型结果作为标签，利用计算机学习算法支持向量机、线性判别式分析和决策树进行分类，利用交叉验证方法获得敏感性与特异性最高的分类结果；
所述致痫灶定位模型执行的步骤包括：
（1）使用中值滤波来降低图像采集过程中引入的随机噪声；
（2）获得不同时刻t下的PET图像作为时间序列图像，并采用药代动力学模型对整个时间序列图像进行拟合，获得代谢特征性拟合曲线；采用的药代动力学模型Toft-Kety模型，如下：
（3）使用代谢特征拟合曲线与时间序列图像之间的NRMSE重新赋值原始图像，从而得到一个NRMSE色彩图以展示感兴趣区；
（4）为了获得更准确的ROI位置，将MRI图像与NRMSE色彩图像进行融合显示，在解剖结构上直接显示致痫灶位置；最终实现致痫灶区域识别的目标。
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1或2中任一项所述的对海马硬化所致颞叶癫痫的致痫灶的定位的方法；
或者，该程序被处理器执行时实现如权利要求3或4中任一项所述的对海马硬化所致颞叶癫痫的致痫灶病理分型的预测的方法；
或者，该程序被处理器执行时实现如权利要求5-6中任一项所述的识别海马硬化所致颞叶癫痫的致痫灶并预测其病理分型的方法。
CN202110400502.3A 2021-04-14 2021-04-14 一种识别致痫灶和/或预测其病理分型的方法和系统 Active CN113112476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110400502.3A CN113112476B (zh) 2021-04-14 2021-04-14 一种识别致痫灶和/或预测其病理分型的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110400502.3A CN113112476B (zh) 2021-04-14 2021-04-14 一种识别致痫灶和/或预测其病理分型的方法和系统

Publications (2)

Publication Number Publication Date
CN113112476A CN113112476A (zh) 2021-07-13
CN113112476B true CN113112476B (zh) 2023-08-29

Family

ID=76716763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110400502.3A Active CN113112476B (zh) 2021-04-14 2021-04-14 一种识别致痫灶和/或预测其病理分型的方法和系统

Country Status (1)

Country Link
CN (1) CN113112476B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115005802B (zh) * 2022-07-21 2023-04-28 首都医科大学宣武医院 脑网络疾病发作起始部位定位方法、系统及装置
CN115018836A (zh) * 2022-08-08 2022-09-06 四川大学 一种癫痫病灶自动分割与预测方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2565646A1 (en) * 2006-10-26 2008-04-26 Mcgill University Systems and methods of clinical state prediction utilizing medical image data
CN103337074A (zh) * 2013-06-18 2013-10-02 大连理工大学 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法
CN109875507A (zh) * 2019-01-28 2019-06-14 北京航空航天大学 一种基于相幅耦合网络的致痫区定位及潜在致痫区预测方法
CN109965895A (zh) * 2019-03-28 2019-07-05 济南国科医工科技发展有限公司 一种基于脑影像融合特征的癫痫灶定位方法
CN110390351A (zh) * 2019-06-24 2019-10-29 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
US10588561B1 (en) * 2017-08-24 2020-03-17 University Of South Florida Noninvasive system and method for mapping epileptic networks and surgical planning
CN111209916A (zh) * 2019-12-31 2020-05-29 中国科学技术大学 病灶识别方法及系统、识别设备
CN111640107A (zh) * 2020-06-02 2020-09-08 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070218084A1 (en) * 2005-12-30 2007-09-20 Fondazione Pierfranco E Luisa Mariani- Onlus Method for the Mapping of the Epileptogenic Focus in the Pre-Surgical Evaluation of Patients with Intractable Epilepsy
US20070191460A1 (en) * 2006-02-15 2007-08-16 Smith-Swintosky Virginia L Use of Benzo-Heteroaryl Sulfamide Derivatives for the Treatment of Disease Modification / Epileptogenesis
US20150351701A1 (en) * 2011-06-01 2015-12-10 Drexel University Methods, Computer-Readable Media, and Systems for Predicting, Detecting the Onset of, and Preventing a Seizure
EP3943611A3 (en) * 2014-06-24 2022-05-04 Likeminds, Inc. Predictive neurodiagnostic methods
US20180279878A1 (en) * 2017-04-04 2018-10-04 Canon Medical Systems Corporation Mri system, mri apparatus, and mri method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2565646A1 (en) * 2006-10-26 2008-04-26 Mcgill University Systems and methods of clinical state prediction utilizing medical image data
CN103337074A (zh) * 2013-06-18 2013-10-02 大连理工大学 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法
US10588561B1 (en) * 2017-08-24 2020-03-17 University Of South Florida Noninvasive system and method for mapping epileptic networks and surgical planning
CN109875507A (zh) * 2019-01-28 2019-06-14 北京航空航天大学 一种基于相幅耦合网络的致痫区定位及潜在致痫区预测方法
CN109965895A (zh) * 2019-03-28 2019-07-05 济南国科医工科技发展有限公司 一种基于脑影像融合特征的癫痫灶定位方法
CN110390351A (zh) * 2019-06-24 2019-10-29 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
CN111209916A (zh) * 2019-12-31 2020-05-29 中国科学技术大学 病灶识别方法及系统、识别设备
CN111640107A (zh) * 2020-06-02 2020-09-08 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ECT脑血流灌注显像、CT和MRI在难治性癫痫中的诊断价值分析;李玉花等;《影像科学与光化学》;第37卷(第4期);第378-382页 *

Also Published As

Publication number Publication date
CN113112476A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Gajamange et al. Fibre-specific white matter changes in multiple sclerosis patients with optic neuritis
Sexton et al. MRI correlates of episodic memory in Alzheimer's disease, mild cognitive impairment, and healthy aging
Frohman et al. Relationship of optic nerve and brain conventional and non-conventional MRI measures and retinal nerve fiber layer thickness, as assessed by OCT and GDx: a pilot study
Pustina et al. Predicting the laterality of temporal lobe epilepsy from PET, MRI, and DTI: a multimodal study
Shi et al. Retinal nerve fiber layer thinning is associated with brain atrophy: a longitudinal study in nondemented older adults
Grazioplene et al. Connectivity-enhanced diffusion analysis reveals white matter density disruptions in first episode and chronic schizophrenia
Koenig et al. The relationship between cognitive function and high-resolution diffusion tensor MRI of the cingulum bundle in multiple sclerosis
CN113112476B (zh) 一种识别致痫灶和/或预测其病理分型的方法和系统
Watson et al. Assessment of regional gray matter loss in dementia with Lewy bodies: a surface-based MRI analysis
CN110689536A (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
Vallotton et al. Tracking white and gray matter degeneration along the spinal cord axis in degenerative cervical myelopathy
Sun et al. Identifying the individual metabolic abnormities from a systemic perspective using whole-body PET imaging
Donadieu et al. Metabolic counterparts of sodium accumulation in multiple sclerosis: a whole brain 23Na-MRI and fast 1H-MRSI study
Wilson et al. Structural magnetic resonance imaging in Huntington's disease
Ngamsombat et al. Axonal damage in the optic radiation assessed by white matter tract integrity metrics is associated with retinal thinning in multiple sclerosis
Andrade et al. DTI-based tractography of the arcuate fasciculus in patients with polymicrogyria and language disorders
Bijanki et al. Characterizing white matter health and organization in atherosclerotic vascular disease: a diffusion tensor imaging study
Makary et al. Comparison of two clinical upper motor neuron burden rating scales in ALS using quantitative brain imaging
Kang et al. Brain white matter microstructural alterations in children of type I Gaucher disease characterized with diffusion tensor MR imaging
Pruckner et al. Visual outcomes after anterior temporal lobectomy and transsylvian selective amygdalohippocampectomy: a quantitative comparison of clinical and diffusion data
KR102461893B1 (ko) 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법
Froehlich et al. MRVAS—introducing a standardized magnetic resonance scoring system for assessing the extent of inflammatory burden in giant cell arteritis
Dong et al. [Retracted] Influence of MRI on Diagnostic Efficacy and Satisfaction of Patients with Alzheimer’s Disease
Xue et al. Chronic pontine strokes: diffusion tensor imaging of corticospinal tract indicates the prognosis in terms of motor outcome
RU2815435C2 (ru) Способ оконтуривания аномальных зон на результатах перкуссионного томографического сканирования

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