CN113545751A - 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 - Google Patents
基于机器学习的Rolandic癫痫儿童的脑龄评估方法 Download PDFInfo
- Publication number
- CN113545751A CN113545751A CN202110818936.5A CN202110818936A CN113545751A CN 113545751 A CN113545751 A CN 113545751A CN 202110818936 A CN202110818936 A CN 202110818936A CN 113545751 A CN113545751 A CN 113545751A
- Authority
- CN
- China
- Prior art keywords
- sulcus
- thickness
- brain
- age
- model
- 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 122
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 210000004884 grey matter Anatomy 0.000 claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 239000000203 mixture Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 210000001103 thalamus Anatomy 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 210000004727 amygdala Anatomy 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001936 parietal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 210000003625 skull Anatomy 0.000 claims description 4
- 210000001519 tissue Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 210000004326 gyrus cinguli Anatomy 0.000 claims description 2
- 238000007917 intracranial administration Methods 0.000 claims description 2
- 210000001259 mesencephalon Anatomy 0.000 claims description 2
- 210000001009 nucleus accumben Anatomy 0.000 claims description 2
- 210000002475 olfactory pathway Anatomy 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000877 morphologic effect Effects 0.000 abstract description 3
- 208000004974 Rolandic Epilepsy Diseases 0.000 description 24
- 208000033205 childhood epilepsy with centrotemporal spikes Diseases 0.000 description 24
- 201000008916 benign epilepsy with centrotemporal spikes Diseases 0.000 description 23
- 230000004641 brain development Effects 0.000 description 20
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 206010015037 epilepsy Diseases 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000035800 maturation Effects 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007717 exclusion Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 206010009244 Claustrophobia Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000005786 degenerative changes Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 208000019899 phobic disease Diseases 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002739 subcortical effect Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 102000006386 Myelin Proteins Human genes 0.000 description 1
- 108010083674 Myelin Proteins Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010053159 Organ failure Diseases 0.000 description 1
- 208000035286 Spontaneous Remission Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000012292 cell migration Effects 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 208000017888 childhood-onset epilepsy syndrome Diseases 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008175 fetal development Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005012 myelin Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000007542 postnatal development Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- 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
- A61B5/40—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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于机器学习的Rolandic癫痫儿童的脑龄评估方法，包括如下步骤：S100、采集对照组对象的MRI数据，并通过降维进行有效模型特征提取；S200、基于S100所提取的有效模型特征构建预测模型；S300、采集癫痫儿童的MRI数据并提取受试模型特征，将受试模型特征输入预测模型并输出预测结果；其中，S100中MRI数据包括脑灰质厚度、脑灰质表面积、脑灰质体积，有效模型特征包括脑灰质厚度、脑灰质表面积、脑灰质体积中各自的细分部位指标及混合指标中的至少一种。本发明采用基于脑灰质形态学指标为特征的SVR脑龄预测模型可对Rolandic癫痫儿童的脑龄及脑成熟度进行初步评估。
Description
技术领域
本发明属于功能性指标评估技术领域，特别涉及基于机器学习的Rolandic癫痫儿童的脑龄评估方法。
背景技术
Rolandic癫痫，又称伴中央颞区棘波的儿童良性癫痫(benign childhoodepilepsy with centrotemporal spikes，BECTS)，是最常见的儿童癫痫综合征，约占儿童癫痫的8-23％，Rolandic癫痫发病年龄为3-13岁，8-10岁为发病高峰，男女比例为6：4，大多数Rolandic癫痫患儿在16岁以前可以自发的缓解。以往认为Rolandic癫痫具有神经病学或智力缺陷少、青春期自然消退并且消失后再发率低等特点，因此认为是一种良性综合征。
随着研究内容的深入及研究技术的发展，目前有充分的证据表明Rolandic癫痫患儿较同龄正常儿童有更多的认知及学业方面的问题，主要表现在记忆、阅读、语言、注意力及执行能力等方面，并存在较长期的脑成熟问题，一项关于Rolandic癫痫患儿皮层发育的研究表明，即使在临床发作缓解期患儿的中央颞区脑皮层成熟也是有延迟的。
大脑年龄是评估大脑发育成熟度的一种指标，已成功应用于轻度认知功能障碍、精神分裂症、阿尔兹海默症、双相情感障碍等神经精神疾病以及艾滋病、2型糖尿病等非神经精神疾病的脑发育改变研究中。
正常大脑发育和认知成熟同时发生在儿童期和青春期。关于脑发育的研究表明，认知成熟与大脑结构和功能的发展变化一致。一些关于大脑成熟的结构MRI研究已经表明，儿童和青少年的各种大脑指标都与年龄有关。虽然到6岁时大脑的总体积约为成人的90％，但大脑皮层和皮层下的组成部分仍然在儿童和青少年时期发生巨大的变化。
如图13所示，为人类大脑发育的发展过程。人类大脑在发育过程中主要发生在胎儿发育期间的细胞增殖和迁移，出生后发育过程中突触密度的区域性改变，以及一直持续到成年期的髓鞘发育。组织学证据表明大脑发育包括在这些时期同时发生的进行性和退行性变化的动态过程。在这个过程中，人类大脑的结构和功能组织都经历了巨大的变化，涉及大脑皮层、皮层下、小脑及白质纤维束的显著性变化，反应了同时发生的进行性和退行性变化的动态相互作用。相关研究已经证明了大脑发育是动态的和空间异质性的，每个大脑区域遵循不同的时间成熟轨迹。大脑发育具有空间异质性，主要表现在对于大脑内部结构来说，不同大脑半球以及不同区域组织结构随年龄的变化不同。
随着非侵入性的活体脑成像方法，特别是MRI的出现，以及各种用于处理和分析MRI数据自动化计算方法的出现，对大脑结构和功能横断面和纵向神经成像研究正日益有助于更深刻地理解健康的和异常的大脑结构发育和老化。，许多基于大脑结构和功能的年龄或认知状态预测方法在(认知)神经科学中越来越受欢迎，它们通过识别与预先建立的参考曲线的偏差或自动区分大脑疾病患者和健康对照，提供大脑结构和功能的个性化生物标记物。
但是，到目前为止，目前关于Rolandic癫痫脑发育的研究大多数都是基于脑影像数据对其结构和/或功能发育，伴或不伴与认知相关的研究，鲜有Rolandic癫痫脑发育成熟度的相关研究报道。
发明内容
本发明针对上述现有技术的存在的问题，提供基于机器学习的Rolandic癫痫儿童的脑龄评估方法。
本发明通过以下技术手段实现解决上述技术问题的：
基于机器学习的Rolandic癫痫儿童的脑龄评估方法，包括如下步骤：
S100、采集对照组对象的MRI数据，并通过降维进行有效模型特征提取；
S200、基于S100所提取的有效模型特征构建预测模型；
S300、采集癫痫儿童的MRI数据并提取受试模型特征，将受试模型特征输入预测模型并输出预测结果；
其中，S100中MRI数据包括脑灰质厚度、脑灰质表面积、脑灰质体积，有效模型特征包括脑灰质厚度、脑灰质表面积、脑灰质体积中各自的细分部位指标及混合指标中的至少一种。
进一步的，S100中：
脑灰质厚度包括左侧顶内沟和顶横沟厚度、左侧中央后沟厚度、右侧外侧裂前水平支厚度、右侧距状沟厚度、右侧岛长回及岛中央沟厚度、右侧侧腹沟厚度、右侧中央沟厚度、左侧枕上沟及枕横沟厚度、左侧额中回厚度、右侧枕上回厚度、左侧颞下沟厚度、左侧枕上回厚度、右侧中央前回及中央前沟厚度、左侧枕颞沟厚度、右侧嗅皮质厚度、左侧额下回三角部厚度、左侧中央前沟厚度、左侧枕极厚度；
脑灰质表面积包括右侧额上沟表面积、右侧额上回表面积、左侧眶回表面积、右侧缘上回表面积、左侧中央后沟表面积、左侧外侧沟上升支表面积、左侧顶内沟和顶横沟表面积、左侧中央前回表面积；
脑灰质体积包括右侧伏隔核体积、右侧杏仁核体积、右侧腹侧间脑体积、后扣带回体积、右侧丘脑体积、颅内总体积；
混合指标包括右侧中央后沟厚度、右侧距状沟厚度、左侧顶内沟和顶横沟厚度、右侧伏隔核面积、右侧岛长回及岛中央沟厚度、右侧外侧裂前水平支厚度、左侧中央前沟厚度、左侧额极及额沟厚度、右侧眶外侧沟厚度、左侧丘脑体积、右侧杏仁核体积、右侧中央前回及中央前沟厚度、右侧丘脑体积、左侧枕极厚度。
进一步的，S100中有效模型特征提取及S300中受试模型特征提权前均对MRI数据进行预处理，MRI数据进行预处理包括如下步骤：
S110(S310)、将MRI数据转换成模型构建系统可用数据；
S120(S320)、对转换后的模型构建系统可用数据依次进行头动校正、信号强度校正、颅骨剥离、组织分割、平滑的数据处理。
进一步的，S200中预测模型采用SVR模型构建，包括脑灰质厚度预测模型、脑灰质表面积预测模型、脑灰质体积预测模型、脑灰质混合指标预测模型。
进一步的，S300中将受试模型特征输入脑灰质混合指标预测模型并输出预测结果。
进一步的，S200与S300之间进行模型效能评估。
进一步的，模型效能评估采用计算预测年龄与实际年龄之间的r、R2、MAE、RMSE完成，其中MAE、RMSE分别采用式(1-1)和(1-2)计算：
MAE＝1/n*∑i|BAi-CAi| 式(1-1)；
RMSE＝[1/n*∑i(BAi-CAi)2]1/2式(1-2)；
式中，n为测试数据集的样本数，BAi为预测年龄，CAi为实际年龄。
本发明的有益效果为：本发明采用机器学习方法，基于结构像MRI数据构建Rolandic癫痫脑龄预测模型，并对患儿脑龄进行预测，通过比较预测脑龄与实际年龄之间的差异，对患儿脑发育进行评估，以研究Rolandic癫痫患儿脑发育趋势，即Rolandic癫痫患儿脑发育是加快还是延迟，建立对患儿脑发育的正确认识并为Rolandic癫痫脑发育研究提供一个个体水平的生物标记。
采用基于脑灰质形态学指标为特征的SVR脑龄预测模型可对Rolandic癫痫儿童的脑龄及脑成熟度进行初步评估。
说明书附图
图1为使用LASSO回归降维后用以构建脑龄预测模型的灰质厚度特征及其权重；
图2为使用LASSO回归降维后用以构建脑龄预测模型的灰质表面积特征及其权重；
图3为使用LASSO回归降维后用以构建脑龄预测模型的灰质体积特征及其权重；
图4为使用LASSO回归降维后用以构建脑龄预测模型的混合指标特征及其权重；
图5表示以灰质厚度为特征构建模型时实际年龄与预测年龄之间的相关性；
图6表示以表面积为特征构建模型时实际年龄与预测年龄之间的相关性；
图7表示以灰质体积为特征构建模型时实际年龄与预测年龄之间的相关性；
图8表示以混合指标为特征构建模型时实际年龄与预测年龄之间的相关性；
图9表示以灰质厚度为特征构建模型时脑年龄差直方图；
图10表示以表面积为特征构建模型时脑年龄差直方图；
图11表示以灰质体积为特征构建模型时脑年龄差直方图；
图12表示以混合指标为特征构建模型时脑年龄差直方图；
图13表示以为人类大脑发育的发展过程；
图14表示本发明评估方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为帮助实施例的解释说明工作，本申请中如遇到相关缩略词，参见如下的中英文缩略词表：
实施例1
本发明实现Rolandic癫痫儿童的脑龄评估的基础方法为：
S100、采集对照组对象的MRI数据，并通过降维进行有效模型特征提取；
S200、基于S100所提取的有效模型特征构建预测模型；
S300、采集癫痫儿童的MRI数据并提取受试模型特征，将受试模型特征输入预测模型并输出预测结果；
其中，S100中MRI数据包括脑灰质厚度、脑灰质表面积、脑灰质体积，有效模型特征包括脑灰质厚度、脑灰质表面积、脑灰质体积中各自的细分部位指标及混合指标中的至少一种。
参见图14，更具体的实施方法为：
(1)收集经临床确诊的Rolandic癫痫儿童及健康对照组儿童行T2WI，T2-FLAIR及3D-T1WI扫描，并采用韦氏儿童智力测试量表(第二版)对癫痫患儿进行智力评估。
(2)基于3D-T1WI图像，采用FreeSurfer 5.3.0软件，使用Destrieux Atlas模板分别提取病例组及对照组儿童脑灰质(包括皮层和灰质核团)厚度、表面积及体积。
(3)建立对照组SVR脑龄预测模型：使用最小绝对收缩和选择运算符(leastabsolute shrinkage and selection operator，LASSO)对对照组独立的脑灰质厚度、表面积、体积及其组成的混合指标进行降维，并采用SVR分别构建对照组脑龄预测模型。计算对照组的实际年龄与预测脑龄之间的Pearson相关系数(r)、决定系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)对模型效能进行评估。
(4)采用对照组SVR脑龄预测模型预测病例组脑龄，计算预测脑龄与实际年龄之间的差值并进行差异分析。使用SPSS 18.0软件对数据进行统计学分析。以P<0.05考虑差异有统计学意义。
实施例2
参见实施例1所记载的更具体的实施方法，本实施例将进行实施过程的详细说明。
1、对象选取
选取50例Rolandic癫痫儿童以及50例性别、年龄、教育年限相匹配的健康对照组儿童。
病例组纳入及排除标准：
(1)纳入标准：
1)符合Rolandic癫痫诊断；
2)年龄6岁-16岁；
(2)排除标准：
1)MRI检查禁忌症者及幽闭恐惧症者；
2)心、肺等重要器官功能衰竭者；
3)除Rolandic癫痫外的神经精神系统疾病病史，如外伤、肿瘤、感染等；
4)颅脑常规MRI检查存在异常者；
5)MRI图像伪影较重影响图像分析者。
对照组纳入及排除标准：
(1)纳入标准：
1)年龄6岁-16岁健康志愿者；
2)受教育程度、性别、年龄与病例组相匹配者；
3)颅脑常规MRI检查阴性；
(2)排除标准：
1)MRI检查禁忌症者及幽闭恐惧症者；
2)有颅脑外伤、感染等神经精神系统疾病病史者；
3)MRI图像伪影较重影响图像分析者。
具体的，纳入50例Rolandic癫痫患儿，男27例，女23例，年龄6-15岁，受教育年限0-7年，发病年龄2.7-11.8岁，病程2天至84个月，言语智商47-127，操作智商63-130，总智商50-123；50例正常儿童，男30例，女20例，年龄6-15岁，受教育年限0-7年(表2)，Rolandic癫痫组与对照组在性别、年龄、受教育年限之间均无统计学差异。
2、MRI数据采集
所有受试者均采用T2WI，T2-FLAIR及3D-T1W1序列，均为轴位扫描。
具体扫描参数如表下表所示。
3、数据预处理及特征提取
(1)格式转换：
使用MRIcron软件的dcm2niix将所有被试3D-TIWI的DICOM格式图像转换成NIFTI格式。
(2)数据预处理：
使用FreeSurfer(版本：5.3.0)的recon-all命令对转换后生成的NIFTI格式图像进行预处理。主要包括以下步骤：
1)头动校正：对图像进行头动校正并平均，将原始图像分辨率调整成1×1×1mm3。
2)信号强度校正：对由于磁场不均匀造成的磁共振信号偏差进行校正。
3)Talairach空间转换：将图像配准到标准MNI空间。
4)颅骨剥离：去除颅骨等非脑组织。
5)组织分割：使用自动分割系统将脑组织分割成灰质、白质及脑脊液。
6)平滑：使用平滑核对生成的图像进行平滑，选择平滑核为15mm图像进行下一步分析。
(3)特征提取：
采用FreeSurfer的aparcstats2table命令使用Destrieux Atlas模板提取灰质厚度、表面积及体积指标。使用最小绝对收缩和选择运算符(least absolute shrinkage andselection op erator，LASSO)回归分别对正常组中提取的脑灰质厚度、表面积、体积及其组成的混合指标进行降维处理以确定最佳SVR特征，提取的特征用以模型的构建。
其中针对不同的模型参量，其具体对应的特征参见图1～4
4、支持向量回归(support vector regression,SVR)模型
使用正常对照组中上述提取的影像特征在基于Python语言的scikit-learn机器学习工具包分别构建四种年龄预测的SVR模型：包括以独立的灰质厚度、表面积、体积以及其组成的混合指标为特征的模型。在没有特征选择的情况下使用了线性核。
5、效能评估
在正常对照组中使用5折交叉验证进行SVR模型的训练以及测试。通过计算预测年龄与实际年龄之间的Pearson相关系数(r)、决定系数(R2)、平均绝对误差MAE)和均方根误差(RMSE)对模型的效能进行评估，其中MAE、RMSE分别采用式(1-1)和(1-2)计算：
MAE＝1/n*∑i|BAi-CAi|式(1-1)；
RMSE＝[1/n*∑i(BAi-CAi)2]1/2式(1-2)；
式中，n为测试数据集的样本数，BAi为预测年龄，CAi为实际年龄。
使用交叉验证分别对四个模型建模时的正常对照组大脑年龄进行预测，结果如图5～8所示。各模型预测的脑龄与实际年龄之间的r，R2，MAE及RMSE如下：灰质厚度：r＝0.91，R2＝0.82，MAE＝1.00，RMSE＝7.87；灰质表面积：r＝0.63，R2＝0.40，MAE＝-1.61，RMSE＝13.81；灰质体积：r＝0.67，R2＝0.45，MAE＝1.82，RMSE＝14.66；以及混合指标为特征的脑龄预测模型：r＝0.93，R2＝0.87，MAE＝0.73，RMSE＝5.95；对于以上四种模型来说，均能较准确的对年龄进行预测。
如图5～8中，分别对应如下：图5表示以灰质厚度为特征构建模型时实际年龄与预测年龄之间的相关性，图6表示以表面积为特征构建模型时实际年龄与预测年龄之间的相关性，图7表示以灰质体积为特征构建模型时实际年龄与预测年龄之间的相关性，图8表示以混合指标为特征构建模型时实际年龄与预测年龄之间的相关性，图5～8中直线1表示正常对照组拟合直线，直线2表示Rolandic癫痫组拟合直线。
6、Rolandic癫痫年龄预测
分别采用四种年龄预测的SVR模型预测Rolandic癫痫儿童脑年龄差直方图，如图9～12所示。
图9表示以灰质厚度为特征构建模型时脑年龄差直方图，以灰质厚度指标为特征构建的SVR模型对Rolandic癫痫儿童大脑年龄预测的结果显示预测的脑龄与实际年龄之间无统计学差异(P＝0.79)。癫痫组预测脑龄与正常对照组预测的年龄之间也无统计学差异(P＝0.99)，其脑年龄差的范围为-4.1～3.9，均值为-0.1，标准差为2.0。
图10表示以表面积为特征构建模型时脑年龄差直方图，以灰质表面积为特征构建的SVR模型对Rolandic癫痫儿童大脑年龄预测的结果显示预测脑龄与其实际年龄之间无统计学差异(P＝0.30)，癫痫组预测脑龄与正常对照组预测的年龄之间也无统计学差异(P＝0.98)，脑年龄差的范围为-5.5～4.0，均值为-0.3，标准差为2.2。
图11表示以灰质体积为特征构建模型时脑年龄差直方图，以灰质体积为特征构建的SVR模型对Rolandic癫痫儿童大脑年龄预测的结果显示预测脑龄与其实际年龄之间无统计学差异(P-＝.27)。癫痫组预测脑龄与正常对照组预测的年龄之间也无统计学差异(P＝0.95)，脑年龄差的范围为-4.7～3.5，均值为-0.3，标准差为1.9。
图12表示以混合指标为特征构建模型时脑年龄差直方图，以混合特征构建的SVR模型对Rolandic癫痫儿童大脑年龄预测的结果显示预测脑龄与其实际年龄之间无统计学差异(P＝0.37)，癫痫组预测脑龄与正常对照组预测的年龄之间也无统计学差异(P＝1.00)。脑年龄差的范围为-4.6～4.4，均值为0.3，标准差为2.0。
7、总结
实现Rolandic癫痫儿童的脑龄评估的技术问题最尖锐的是如何搭建大脑发育结构与脑龄之间的稳定性联系，即随着大脑的发育，在大脑的某种结构特征下，其赌赢的脑龄是稳定的。因此，需要针对Rolandic癫痫儿童的脑龄预测目的，在正常受试者大脑的检测图像中进行有效的数据提取以及有效特征的保留以及无效特征的玻璃，同时对保留下来的有效特征进行权重分配，进而客观、准确的标记可用于Rolandic癫痫儿童脑龄预测的不同脑龄状态。
本发明采用机器学习方法，基于结构像MRI数据构建Rolandic癫痫脑龄预测模型，并对患儿脑龄进行预测，通过比较预测脑龄与实际年龄之间的差异，对患儿脑发育进行评估，以研究Rolandic癫痫患儿脑发育趋势，即Rolandic癫痫患儿脑发育是加快还是延迟，建立对患儿脑发育的正确认识并为Rolandic癫痫脑发育研究提供一个个体水平的生物标记。
采用基于脑灰质形态学指标为特征的SVR脑龄预测模型可对Rolandic癫痫儿童的脑龄及脑成熟度进行初步评估。
需要说明的是，在本文中，如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，包括如下步骤：
S100、采集对照组对象的MRI数据，并通过降维进行有效模型特征提取；
S200、基于S100所提取的有效模型特征构建预测模型；
S300、采集癫痫儿童的MRI数据并提取受试模型特征，将受试模型特征输入预测模型并输出预测结果；
其中，S100中MRI数据包括脑灰质厚度、脑灰质表面积、脑灰质体积，有效模型特征包括脑灰质厚度、脑灰质表面积、脑灰质体积中各自的细分部位指标及混合指标中的至少一种。
2.根据权利要求1所述的基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，S100中：
脑灰质厚度包括左侧顶内沟和顶横沟厚度、左侧中央后沟厚度、右侧外侧裂前水平支厚度、右侧距状沟厚度、右侧岛长回及岛中央沟厚度、右侧侧腹沟厚度、右侧中央沟厚度、左侧枕上沟及枕横沟厚度、左侧额中回厚度、右侧枕上回厚度、左侧颞下沟厚度、左侧枕上回厚度、右侧中央前回及中央前沟厚度、左侧枕颞沟厚度、右侧嗅皮质厚度、左侧额下回三角部厚度、左侧中央前沟厚度、左侧枕极厚度；
脑灰质表面积包括右侧额上沟表面积、右侧额上回表面积、左侧眶回表面积、右侧缘上回表面积、左侧中央后沟表面积、左侧外侧沟上升支表面积、左侧顶内沟和顶横沟表面积、左侧中央前回表面积；
脑灰质体积包括右侧伏隔核体积、右侧杏仁核体积、右侧腹侧间脑体积、后扣带回体积、右侧丘脑体积、颅内总体积；
混合指标包括右侧中央后沟厚度、右侧距状沟厚度、左侧顶内沟和顶横沟厚度、右侧伏隔核面积、右侧岛长回及岛中央沟厚度、右侧外侧裂前水平支厚度、左侧中央前沟厚度、左侧额极及额沟厚度、右侧眶外侧沟厚度、左侧丘脑体积、右侧杏仁核体积、右侧中央前回及中央前沟厚度、右侧丘脑体积、左侧枕极厚度。
3.根据权利要求1所述的基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，S100中有效模型特征提取及S300中受试模型特征提权前均对MRI数据进行预处理，MRI数据进行预处理包括如下步骤：
S110(S310)、将MRI数据转换成模型构建系统可用数据；
S120(S320)、对转换后的模型构建系统可用数据依次进行头动校正、信号强度校正、颅骨剥离、组织分割、平滑的数据处理。
4.根据权利要求1所述的基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，S200中预测模型采用SVR模型构建，包括脑灰质厚度预测模型、脑灰质表面积预测模型、脑灰质体积预测模型、脑灰质混合指标预测模型。
5.根据权利要求4所述的基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，S300中将受试模型特征输入脑灰质混合指标预测模型并输出预测结果。
6.根据权利要求1～5中任一所述的基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，S200与S300之间进行模型效能评估。
7.根据权利要求6所述的基于机器学习的Rolandic癫痫儿童的脑龄评估方法，其特征在于，模型效能评估采用计算预测年龄与实际年龄之间的r、R2、MAE、RMSE完成，其中MAE、RMSE分别采用式(1-1)和(1-2)计算：
MAE＝1/n∑i|BAi-CAi| 式(1-1)；
RMSE＝[1/n*∑i(BAi-CAi)2]1/2 式(1-2)；
式中，n为测试数据集的样本数，BAi为预测年龄，CAi为实际年龄。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818936.5A CN113545751A (zh) | 2021-07-20 | 2021-07-20 | 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818936.5A CN113545751A (zh) | 2021-07-20 | 2021-07-20 | 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113545751A true CN113545751A (zh) | 2021-10-26 |
Family
ID=78103781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110818936.5A Pending CN113545751A (zh) | 2021-07-20 | 2021-07-20 | 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113545751A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170095180A1 (en) * | 2014-06-03 | 2017-04-06 | Samsung Life Public Welfare Foundation | Biological brain age calculation device and calculation method therefor |
| CN109858513A (zh) * | 2018-12-21 | 2019-06-07 | 中国科学院自动化研究所 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
| CN110555828A (zh) * | 2019-08-08 | 2019-12-10 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的脑龄预测方法及装置 |
| CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
-
2021
- 2021-07-20 CN CN202110818936.5A patent/CN113545751A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170095180A1 (en) * | 2014-06-03 | 2017-04-06 | Samsung Life Public Welfare Foundation | Biological brain age calculation device and calculation method therefor |
| CN109858513A (zh) * | 2018-12-21 | 2019-06-07 | 中国科学院自动化研究所 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
| CN110555828A (zh) * | 2019-08-08 | 2019-12-10 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的脑龄预测方法及装置 |
| CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| FUQIN WANG: "Connectome-based prediction of brain age in Rolandic epilepsy: a protocol for a multicenter cross-sectional study", 《ANN TRANSL MED》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lv et al. | Individual deviations from normative models of brain structure in a large cross-sectional schizophrenia cohort | |
| Broad et al. | Neurite orientation and dispersion density imaging (NODDI) detects cortical and corticospinal tract degeneration in ALS | |
| Storsve et al. | Differential longitudinal changes in cortical thickness, surface area and volume across the adult life span: regions of accelerating and decelerating change | |
| Assaf et al. | Diffusion tensor imaging of the hippocampal formation in temporal lobe epilepsy | |
| Jack Jr et al. | Magnetic resonance imaging in Alzheimer's disease neuroimaging initiative 2 | |
| Shergill et al. | A diffusion tensor imaging study of fasciculi in schizophrenia | |
| Tamnes et al. | Brain development and aging: overlapping and unique patterns of change | |
| Raz | The aging brain observed in vivo: Differential changes and their modifiers | |
| Westlye et al. | Life-span changes of the human brain white matter: diffusion tensor imaging (DTI) and volumetry | |
| Baloch et al. | Quantification of brain maturation and growth patterns in C57BL/6J mice via computational neuroanatomy of diffusion tensor images | |
| Cantor et al. | Diffusion tensor imaging of pedophilia | |
| Fingher et al. | Toddlers later diagnosed with autism exhibit multiple structural abnormalities in temporal corpus callosum fibers | |
| Smolker et al. | Neuroanatomical correlates of the unity and diversity model of executive function in young adults | |
| Ottet et al. | Reduced fronto-temporal and limbic connectivity in the 22q11. 2 deletion syndrome: vulnerability markers for developing schizophrenia? | |
| Kuo et al. | Large-scale structural covariance networks predict age in middle-to-late adulthood: a novel brain aging biomarker | |
| Bruckert et al. | Age-dependent white matter characteristics of the cerebellar peduncles from infancy through adolescence | |
| Navas-Sánchez et al. | Thalamic atrophy in patients with pure hereditary spastic paraplegia type 4 | |
| Scherrer et al. | The connectivity fingerprint of the fusiform gyrus captures the risk of developing autism in infants with tuberous sclerosis complex | |
| Schilling et al. | Short superficial white matter and aging: a longitudinal multi-site study of 1293 subjects and 2711 sessions | |
| Liang et al. | Fusion analysis of gray matter and white matter in subjective cognitive decline and mild cognitive impairment by multimodal CCA-joint ICA | |
| Huppertz et al. | Automatic striatal volumetry allows for identification of patients with chorea-acanthocytosis at single subject level | |
| Azad et al. | Microstructural properties within the amygdala and affiliated white matter tracts across adolescence | |
| Turken et al. | Multimodal surface-based morphometry reveals diffuse cortical atrophy in traumatic brain injury. | |
| CN113545751A (zh) | 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 | |
| França et al. | Neonatal brain dynamic functional connectivity: impact of preterm birth and association with early childhood neurodevelopment |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |
|
| RJ01 | Rejection of invention patent application after publication |