CN113545766A - 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法 - Google Patents

基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法 Download PDF

Info

Publication number
CN113545766A
CN113545766A CN202110682910.2A CN202110682910A CN113545766A CN 113545766 A CN113545766 A CN 113545766A CN 202110682910 A CN202110682910 A CN 202110682910A CN 113545766 A CN113545766 A CN 113545766A
Authority
CN
China
Prior art keywords
motor function
cerebral palsy
children
nomogram
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
Application number
CN202110682910.2A
Other languages
English (en)
Inventor
刘衡
杨阳
黄可忻
李邦国
张体江
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.)
Affiliated Hospital of Zunyi Medical University
Original Assignee
Affiliated Hospital of Zunyi Medical University
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 Affiliated Hospital of Zunyi Medical University filed Critical Affiliated Hospital of Zunyi Medical University
Priority to CN202110682910.2A priority Critical patent/CN113545766A/zh
Publication of CN113545766A publication Critical patent/CN113545766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/05Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055Detecting, 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033Features 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033Features 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
    • A61B5/004Features 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
    • A61B5/0042Features 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064Evaluating the brain
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Neurology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Developmental Disabilities (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Psychology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,涉及功能预测方法技术领域。本发明通过对痉挛型脑瘫儿童进行粗大运动功能分级系统评估;使用FSL软件对痉挛型脑瘫儿童的扩散张量成像数据处理得到各向异性分数;运用随机森林对T2加权液体衰减反转恢复成像评分表中的评分项及各向异性分数值进行特征筛选,并分别构建粗大运动功能预测模型;采用受试者工作特征曲线分析比较两种模型之间的预测效能,建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图;该预测方法有利于确定责任病灶;由基于T2‑加权液体衰减反转恢复特定部位评分组成的列线图可初步预测痉挛型脑瘫儿童粗大运动功能,进而帮助临床医生制定治疗方案。

Description

基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法
技术领域
本发明涉及功能预测方法技术领域,尤其涉及基于MRI列线图预测痉 挛型脑瘫儿童粗大运动功能的方法。
背景技术
脑性瘫痪(Cerebral palsy,CP)是儿童残疾最常见的原因,全世界大约 每1000个活产儿中有2-3个发展成为脑瘫。在所有CP亚型中最常见的是 SCP。它包括产前发育期间发生的一系列非进行性脑损伤,常导致运动功能 受损等。与一般人群相比,CP儿童的生活及社会参与度与运动功能损伤的 严重程度成比例持续降低,其主要体现在粗大运动功能发育较迟,以及姿 势控制能力的下降。但目前对CP儿童粗大运动功能损伤评估及机制还尚不确切。
粗大运动也称大运动,包括颈肌和腰肌的平衡动作以及爬行走、跑掷 跳等动作。目前最常用于评估脑瘫儿童粗大运动功能的量表为粗大运动功 能分级系统(Gross MotorFunction Classification System,GMFCS)。但 GMFCS的评估依据具有年龄依赖性,导致处于年龄临界点的脑瘫儿童粗大 运动功能无法准确评定。并且生长期儿童粗大运动功能不断变化使GMFCS 评估结果不稳定。
MRI具有高对比度分辨率且无辐射的优点,是广泛使用的成像模式, 并广泛用于评估脑瘫儿童大脑损伤。结构磁共振成像(structural magnetic resonance,sMRI)易于获得,且显示88%的脑瘫儿童存在颅脑异常。基于sMRI的大脑病灶可用于评估脑损伤和预测功能结局。在SCP研究中,FA 是最常用的具有临床意义的DTI指标且通过了可靠性分析。有大量的研究 证实在CP儿童中颅脑FA值广泛减低,且与粗大运动功能密切相关,并可 作为预测CP的潜在标志物。尽管存在这种可能性,但脑损伤分类及FA值 的广泛性不足以准确解释在脑瘫儿童中观察到的损伤变异性,不能明确与 运动功能相关的责任病灶,为临床实践提供的信息有限。运用机器学习的 RF算法有望解决这一大问题。RF算法是一种基于多棵决策树组合的集成 学习方法。其基础分类器单元是决策树,最终分类结果是由多棵决策树通过投票的方式确定。这种利用多个基模型组合成一个模型的学习方法,能 够表现出优于传统分类算法的准确率和稳定性。此外,RF具有在分类任务 中可进行特征重要性评估的优点,即通过计算每个特征的重要性值,以便 除去冗余特征,找到对该类任务最相关的特征,从而提高分类准确度。近 年来RF算法广泛应用于许多科学领域和神经系统疾病,但其在CP预测中 的应用较少。
在本研究中我们利用随机森林的特征重要性评估及模型诊断效能指标 -AUC值进行特征筛选。列线图(nomogram)是预测统计模型的图形描述, 已被用于评估各种疾病结局。已有研究证实列线图比其他工具有更好的性 能特征。本发明旨在通过RF方法筛选MRI客观指标,并纳入列线图构建 CP患儿粗大运动功能预测模型,进而判断CP患儿粗大运动功能损伤程度, 并探索SCP儿童颅脑中与粗大运动功能障碍相关的责任病灶。
发明内容
本发明针对现有技术的不足,提供了基于MRI列线图预测痉挛型脑瘫 儿童粗大运动功能的方法。
本发明通过以下技术手段实现解决上述技术问题的:
本发明提供了一种基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能 的方法,包括以下步骤:
S100、收集确诊的痉挛型脑瘫儿童,进行粗大运动功能分级系统评估, 并进行T2加权液体衰减反转恢复成像和扩散张量成像的颅脑磁共振检查;
S200、根据粗大运动功能分级系统将痉挛型脑瘫儿童分为粗大运动功 能轻度损伤和重度损伤两组;
S300、建立基于T2加权液体衰减反转恢复成像的MRI评分表,对痉挛 型脑瘫儿童颅脑损伤程度进行评价;
S400、使用FSL软件对痉挛型脑瘫儿童的扩散张量成像数据处理得到 各向异性分数;
S500、运用随机森林对T2加权液体衰减反转恢复成像评分表中的评分 项及各向异性分数值进行特征筛选,并分别构建粗大运动功能预测模型;
S600、采用受试者工作特征曲线分析比较两种模型之间的预测效能, 并进一步建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图;通过校准 图和受试者工作特征曲线评估列线图模型。
作为本发明进一步改进的方案,粗大运动功能分级系统Ⅰ、Ⅱ级为粗 大运动功能轻度损伤,粗大运动功能分级系统Ⅲ~Ⅴ级为粗大运动功能重度 损伤。
作为本发明进一步改进的方案,步骤S300中建立基于T2加权液体衰 减反转恢复成像的MRI评分表包括:选用检查设备、采集序列及参数、痉 挛型脑瘫儿童MRI评分;检查设备采用GE公司Signa 3.0T HDxt MR扫描 仪和八通道头部线圈。
作为本发明进一步改进的方案,步骤S400具体包括以下步骤:
1)将原始数据由DICOM格式转换为NIFTI格式;
2)采用仿射变换将扩散加权图像配准到b0像,以尽量减少涡流和头 部运动引起的失真;
3)进行涡流校正和头动校正,以排除梯度线圈的影响;
4)去除所有非脑组织,阈值取0.2;
5)对每个体素进行扩散张量模型估计和各向异性分数指标计算;
6)数据图像质控:通过目测原始弥散张量成像和各向异性分数图像进 行质量控制;
7)利用非线性和线性配准,将个体各向异性分数配准到标准空间;
8)基于JHU-ICBM标记模板将白质分为50个脑区,提取各脑区各向 异性分数值。
作为本发明进一步改进的方案,步骤S500随机森林构建预测模型的过 程包括以下步骤:
1)在数据集中抽样,为每棵决策树分配训练集;
2)利用分配好的训练集独自构建决策树;
3)将所有决策树采用投票的方式参与判决,所得票数最多的类别将作 为当前随机森林分类器的最终输出结果。
作为本发明进一步改进的方案,步骤S500特征筛选根据决策树节点分 裂算法的原理,使用Gini不纯度指标来衡量模型构建过程中的特征重要程 度;具体算法见式(1-1):
Figure BDA0003121278410000051
式中:Pj是节点n中j类的相对频率,对样本而言,表示第j类样本的 占比。
作为本发明进一步改进的方案,步骤S500随机森林对T2加权液体衰 减反转恢复成像评分表中的评分项及各向异性分数值进行粗大运动功能分 类,包括以下步骤:
1)使用筛选的特征和随机森林算法构建全特征模型;
2)对重要性程度进行排序:根据重要性由高到低依次输入特征,共有 N个特征,即得到N个模型预测结果,若N个模型中最高的曲线下面积结 果由第k个模型得到,则选取k及k之前的特征作为进一步提升分类模型 性能的特征集合;
3)k个不同特征形成的集合中遍历所有的特征组合,共2k-1种组合, 其中最优曲线下面积分类性能的模型对应的特征组合即为最优特征组合, 并以曲线下面积作为评价模型效能的指标。
作为本发明进一步改进的方案,建立预测痉挛型脑瘫儿童粗大运动功 能的MRI列线图具体为:将随机森林筛选的最佳组合纳入多因素逻辑回归, 以粗大运动功能损伤轻和损伤重两组作为结局变量绘制列线图;采用受试 者工作特征曲线评估列线图的效能;使用校准图比较基于列线图预测结局 和实际结局之间的对比,并以45°线作为最佳模型;采用受试者工作特征 曲线评估列线图的敏感度和特异度。
本发明的有益效果:
本发明预测痉挛型脑瘫儿童粗大运动功能的方法,通过对痉挛型脑瘫 儿童进行粗大运动功能分级系统评估,并进行T2加权液体衰减反转恢复成 像和扩散张量成像的颅脑磁共振检查;使用FSL软件对痉挛型脑瘫儿童的 扩散张量成像数据处理得到各向异性分数;运用随机森林对T2加权液体衰 减反转恢复成像评分表中的评分项及各向异性分数值进行特征筛选,并分 别构建粗大运动功能预测模型;采用受试者工作特征曲线分析比较两种模 型之间的预测效能,并进一步建立预测痉挛型脑瘫儿童粗大运动功能的 MRI列线图;
研究发现T2-加权液体衰减反转恢复评分比各向异性分数值更具有作为 粗大运动功能预测指标的价值;半卵圆中心、扣带回、豆状核和胼胝体损 伤是痉挛型脑瘫粗大运动功能的独立预测因素,可有利于确定责任病灶; 由基于T2-加权液体衰减反转恢复特定部位评分组成的列线图可初步预测痉 挛型脑瘫儿童粗大运动功能,进而帮助临床医生制定治疗方案。
附图说明
图1为本发明基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方 法路线图;
图2为本发明痉挛型脑瘫儿童纳入流程图;
图3为本发明基于T2-FLAIR粗大运动功能评估ROC曲线图;
图4为本发明基于FA值粗大运动功能评估ROC曲线图;
图5为本发明基于T2-FLAIR和FA值融合粗大运动功能评估ROC曲 线图;
图6为本发明另一个基于T2-FLAIR粗大运动功能评估ROC曲线图;
图7为本发明列线图模型校准曲线图;
图8为本发明基于T2-FLAIR粗大运动功能预测模型多因素Logistic回 归可视化列线图。
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 发明实施例中的附图,对本发明实施例中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。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在 另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接” 另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
实施例
如图1所示,本实施例提供提供了一种基于MRI列线图预测痉挛型脑 瘫儿童粗大运动功能的方法,包括以下步骤:
S100、收集确诊的痉挛型脑瘫儿童,进行粗大运动功能分级系统评估, 并进行T2加权液体衰减反转恢复成像和扩散张量成像的颅脑磁共振检查;
S200、根据粗大运动功能分级系统将痉挛型脑瘫儿童分为粗大运动功 能轻度损伤和重度损伤两组;粗大运动功能分级系统Ⅰ、Ⅱ级为粗大运动 功能轻度损伤,粗大运动功能分级系统Ⅲ~Ⅴ级为粗大运动功能重度损伤。
S300、建立基于T2加权液体衰减反转恢复成像的MRI评分表,对痉挛 型脑瘫儿童颅脑损伤程度进行评价;
S400、使用FSL软件对痉挛型脑瘫儿童的扩散张量成像数据处理得到 各向异性分数;
S500、运用随机森林对T2加权液体衰减反转恢复成像评分表中的评分 项及各向异性分数值进行特征筛选,并分别构建粗大运动功能预测模型;
S600、采用受试者工作特征曲线分析比较两种模型之间的预测效能, 并进一步建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图;通过校准 图和受试者工作特征曲线评估列线图模型。
其中,步骤S300中建立基于T2加权液体衰减反转恢复成像的MRI评 分表包括:选用检查设备、采集序列及参数、痉挛型脑瘫儿童MRI评分; 检查设备采用GE公司Signa 3.0THDxt MR扫描仪和八通道头部线圈。
步骤S400具体包括以下步骤:
1)将原始数据由DICOM格式转换为NIFTI格式;
2)采用仿射变换将扩散加权图像配准到b0像,以尽量减少涡流和头 部运动引起的失真;
3)进行涡流校正和头动校正,以排除梯度线圈的影响;
4)去除所有非脑组织,阈值取0.2;
5)对每个体素进行扩散张量模型估计和各向异性分数指标计算;
6)数据图像质控:通过目测原始弥散张量成像和各向异性分数图像进 行质量控制;
7)利用非线性和线性配准,将个体各向异性分数配准到标准空间;
8)基于JHU-ICBM标记模板将白质分为50个脑区,提取各脑区各向 异性分数值。
步骤S500随机森林构建预测模型的过程包括以下步骤:
1)在数据集中抽样,为每棵决策树分配训练集;
2)利用分配好的训练集独自构建决策树;
3)将所有决策树采用投票的方式参与判决,所得票数最多的类别将作 为当前随机森林分类器的最终输出结果。
步骤S500特征筛选根据决策树节点分裂算法的原理,使用Gini不纯度 指标来衡量模型构建过程中的特征重要程度;具体算法见式(1-1):
Figure BDA0003121278410000091
式中:Pj是节点n中j类的相对频率,对样本而言,表示第j类样本的 占比。
步骤S500随机森林对T2加权液体衰减反转恢复成像评分表中的评分 项及各向异性分数值进行粗大运动功能分类,包括以下步骤:
1)使用筛选的特征和随机森林算法构建全特征模型;
2)对重要性程度进行排序:根据重要性由高到低依次输入特征,共有 N个特征,即得到N个模型预测结果,若N个模型中最高的曲线下面积结 果由第k个模型得到,则选取k及k之前的特征作为进一步提升分类模型 性能的特征集合;
3)k个不同特征形成的集合中遍历所有的特征组合,共2k-1种组合, 其中最优曲线下面积分类性能的模型对应的特征组合即为最优特征组合, 并以曲线下面积作为评价模型效能的指标。
建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图具体为:将随机 森林筛选的最佳组合纳入多因素逻辑回归,以粗大运动功能损伤轻和损伤 重两组作为结局变量绘制列线图;采用受试者工作特征曲线评估列线图的 效能;使用校准图比较基于列线图预测结局和实际结局之间的对比,并以 45°线作为最佳模型;采用受试者工作特征曲线评估列线图的敏感度和特 异度。
实验例
实验例中用到的中英文缩略词表如下:
Figure BDA0003121278410000101
Figure BDA0003121278410000111
1实验例对象与方法
1.1实验例对象
收集2019年05月至2020年10月经遵义医科大学附属医院确诊的SCP 儿童,所有SCP儿童均由儿科医师参照中国2014年CP诊断标准进行诊断。
1.1.1CP儿童纳入及排除标准
纳入标准:符合CP诊断标准的2-12岁SCP儿童;
排除标准:3个月内有肌肉骨骼损伤;伴有神经、精神类疾病;MRI 禁忌症;MR扫描过程中头动平移大于2mm或头部旋转超过2°。
1.1.2临床评估量表
在MRI检查当天,由儿童康复科医师使用GMFCS对每一个入组的 SCP儿童粗大运动功能进行分级评估。GMFCS是临床常用的评估CP儿童 粗大运动功能可靠、有效的方法,共分为5级,本实验例将GMFCSⅠ、Ⅱ 级归为粗大运动功能轻度损伤组,GMFCSⅢ、Ⅳ、Ⅴ级归为粗大运动功能 重度损伤组。
1.2实验例方法
1.2.1MRI扫描方案
1)检查设备
本实验例采用GE公司Signa 3.0T HDxt MR扫描仪和8通道头部线圈。
告知监护人在检查前一天对CP儿童实施睡眠调整。若儿童年龄较小不 能配合者,均给予10%水合氯醛(0.5mL/kg,最大剂量10mL)口服或苯巴 比妥(3-5mg/kg)肌注,待入睡后进行MR检查。儿童在检查床包裹严实 避免受凉,置于扫描床后在头部两侧用海绵固定以减少运动伪影,外耳道 用耳塞堵塞以减少扫描过程中噪音对儿童的影响。
2)采集序列及参数
采用FSE-T2WI、T2-FLAIR和DTI序列。具体参数如下:
(1)FSE-T2WI扫描参数:重复时间4480ms,回波时间120ms,矩 阵大小384×256,层厚5.0mm,层间隔1.0mm,轴位扫描。
(2)T2-FLAIR扫描参数:重复时间7500ms,回波时间120ms,矩 阵大小288×192,层厚4mm,层间隔1.0mm,轴位扫描。
(3)DTI扫描参数:重复时间12500ms,回波时间83.2ms,扩散方 向64,矩阵大小96×96,层厚1.0mm,轴位扫描。
1.2.2CP儿童MRI评分
筛选出与CP儿童运动功能显著相关的解剖区域,包括:侧脑室周围主 要白质区(高信号、囊变和体积减小)、大脑脚、内囊后肢、半卵圆中心、 胼胝体、中央前回、扣带回、丘脑和豆状核;进而建立11个评分项目以对 CP儿童的影像学表现设计基于T2-FLAIR颅脑损伤评分系统,具体见表1。
表1基于T2-FLAIR颅脑损伤评分系统
Figure BDA0003121278410000131
对MRI T2-FLAIR影像表现采用二分法进行评分。每一项评分项目的得 分标准为:无论病灶程度如何,单侧病灶得1分,双侧病灶得2分,正常 不得分。
具体评分标准如下:
1)侧脑室周围主要白质区:A、高信号;B、囊变;C、体积减少;
2)主要白质纤维束:大脑脚、半卵圆中心、内囊后肢、胼胝体;
3)主要皮层、深部灰质损伤:中央前回、扣带回、豆状核、丘脑。
为减少偏倚,CP儿童颅脑MRI图像评估将由具有丰富诊断经验的影像 科主治医师甲及医师乙完成,且医师甲进行两次评估,时间间隔一周。
1.2.3FA值提取
利用FSL软件对DTI数据进行处理分析,具体如下:
1)将原始数据由DICOM格式转换为NIFTI格式;
2)采用仿射变换将扩散加权图像配准到b0像,以尽量减少涡流和头 部运动引起的失真;
3)进行涡流校正和头动校正,以排除梯度线圈的影响;
4)去除所有非脑组织(阈值取0.2);
5)对每个体素进行扩散张量模型估计和FA指标计算;
6)数据图像质控:通过目测原始DTI和FA图像进行质量控制;
7)利用非线性和线性配准,将个体FA配准到标准空间;
8)基于JHU-ICBM标记模板将白质分为50个脑区,提取各脑区FA 值。
1.2.4特征选择并构建列线图
1)基于随机森林构建预测模型及特征选择
在Python3.6 Sklearn中运用“Random Forest Classifier”包进行模型训 练和交叉验证。RF构建预测模型的过程主要包括三个步骤:首先在数据集 中抽样,为每棵决策树分配训练集;采用bagging算法在bootstrap抽样方 法的基础上进行多轮抽取,每轮抽取都组成新的训练子集,将每轮中未抽 到的样本组合起来,就形成了袋外数据集(out ofbag,OOB),作为模型 的内部测试集,所有测试集分类的错误率是泛化误差的OOB估计。因为使 用了与训练集相同大小的测试集,对于袋装分类器OOB误差是准确的。因 此,使用OOB估计值消除了对单独测试集的需要。
然后利用分配好的训练集独自构建决策树;最后所有决策树采用投票 的方式参与判决,所得票数最多的类别将作为当前RF分类器的最终输出结 果。
特征选取
在此过程中根据决策树节点分裂算法的原理,使用Gini不纯度指标来 衡量模型构建过程中的特征重要程度。其具体算法见式(1-1):
Figure BDA0003121278410000151
式中:Pj是节点n中j类的相对频率,对样本而言,表示第j类样本的 占比。Gini指数越低意味着特定的预测特征在将数据划分为两个类中发挥 更大的作用。因此,Gini指数可用于衡量分类问题中特征的重要性。
本实验例运用RF分类器分别以T2-FLAIR评分表及FA值作为特征进 行粗大运动功能分类,其中主要包括三个步骤:
步骤一,分别使用以上特征和RF算法构建“全特征模型”。该模型以 训练样本的特征作为输入,计算得到不同特征对分类结果的重要程度。由 于不同特征对结果的影响不同,冗余的特征不仅无法提高模型性能,甚至 还可能起反作用。
步骤二,对重要性程度进行排序。根据重要性由高到低依次输入特征, 如共有N个特征,即得到N个模型预测结果。若N个模型中最高的AUC 结果由第k个模型得到,则选取k及k之前的特征作为进一步提升分类模 型性能的特征集合。
步骤三,为了探究特征组合能达到最优异的分类性能,在k个不同特 征形成的集合中遍历所有的特征组合,共2k-1种组合,其中最优AUC分类 性能的模型对应的特征组合即为最优特征组合,并以AUC作为评价模型效 能的指标。以上涉及模型构建的实验均使用五折交叉验证。
2)基于多因素逻辑回归构建粗大运动功能预测模型的可视化列线图
将RF筛选的最佳组合纳入多因素逻辑回归,以粗大运动功能损伤轻和 损伤重两组作为结局变量绘制列线图。采用ROC曲线评估列线图的效能。 使用校准图比较基于列线图预测结局和实际结局之间的对比,并以45°线 作为最佳模型。采用ROC曲线评估列线图的敏感度和特异度。
1.3统计方法
1)统计软件
本实验例采用SPSS软件包和MedCalc软件对数据进行分析。使用R 软件中的“rms”软件包绘制列线图。
2)统计描述
对于正态分布的连续性变量分别采用均值和标准差描述数据的集中趋 势和离散趋势,而对于非正态分布的数据,采用中位数和四分位间距来描 述数据的集中趋势和离散趋势。
3)统计校验
(1)对年龄等定量资料采用Kolmogorov-Smirnov检验进行正态分布检 验,如符合正态分布,则采用两样本独立的t检验;如为偏态分布,则采用 Mann-Whitney U检验。对性别等定性资料采用卡方检验。
(2)一致性检验:对医师甲前后两次评估结果、医师甲首次评估结果 与医师乙评估结果,采用Kappa检验评价T2-FLAIR粗大运动功能评估系统 的一致性。
评价水准:Kappa>0.81,一致性极佳;0.61~0.80,显著一致;0.41~0.60, 中度;0.21~0.40,弱;0.00~0.20,微弱;<0,一致性极差。
(3)Logistic回归模型:将训练集分为粗大运动功能损伤轻、粗大运 动功能损伤重两组,通过RF模型筛选的重要特征,纳入多因素Logistic回 归模型。
模型采用最大似然法进行逐步回归分析,按照最小信息准则得到最佳 模型。
(4)模型区分度:使用ROC曲线预测模型的预测效能,并计算模型 的敏感度和特异度。其中,ROC的评价指标为AUC,AUC值越高预测效 能越好。
(5)模型拟合度:采用Hosmer-Lemeshow检验对模型的拟合度进行评 价,并绘制校准图,校准图中校准曲线与理想曲线贴合良好,表示模型符 合度良好。p>0.05认为该模型与理想模型的拟合程度高。
(6)模型可视化:本实验例采用列线图将模型可视化,以清楚显示各 变量之间在模型中的关系。通过多指标联合评估单个CP儿童粗大运动功能 损伤程度轻重,以达到在临床个体中应用。
4)校验标准:双尾检验,P<0.05考虑差异有统计学意义。
本实验例的方法路线图如图1所示。
2结果
2.1一般资料
共纳入42例SCP儿童,其人口统计学资料表格见表2,痉挛型脑瘫儿 童纳入流程图见图2。SCP儿童粗大运动功能损伤轻与损伤重两组之间年龄 (P=0.29)、性别(P=0.07)无统计学差异。
表2 SCP儿童人口统计学资料表格
Figure BDA0003121278410000181
注:CP:脑瘫;GMFCS:粗大运动功能分级系统
2.2一致性评估
基于T2-FLAIR粗大运动功能评分系统的组内(医师甲前后间隔一周的 两次评分)及组间(医师甲首次评分与医师乙评分)一致性均显示很好, 具体见表3。
表3基于T2-FLAIR粗大运动功能评分系统一致性评价
Figure BDA0003121278410000191
2.3基于随机森林模型筛选特征
在RF中依据重要性进行特征筛选,并构建最佳预测模型,以AUC值 作为模型预测效能评价。
1)运用RF方法对基于T2-FLAIR粗大运动功能评分系统进行特征筛 选,最终得到的最佳特征组合按重要性排序,依次为扣带回、半卵圆中心、 胼胝体、中央前回、内囊后肢及豆状核,并构建相应的粗大运动功能预测 模型,其AUC为0.94(95%置信区间:0.82~0.99),敏感度为0.96,特异 度为0.88。基于T2-FLAIR粗大运动功能评估ROC曲线图见图3。
2)运用RF方法对50个区域的FA值进行特征筛选,最终得到最佳组 合为:脑桥交叉束、左上纵束、小脑中脚,其AUC为0.92(95%置信区间:0.80~0.98),敏感度为0.96,特异度为0.82。其AUC低于基于T2-FLAIR 粗大运动功能预测模型的AUC,因此本实验例认为在构建粗大运动功能模 型中T2-FLAIR评分优于FA值。基于FA值粗大运动功能评估ROC曲线图 见图4。
3)为验证FA值对基于T2-FLAIR粗大运动功能预测模型有无增加或减 低其效能的作用,本实验例将两者筛选后的特征进行融合构建粗大运动功 能预测模型,其AUC为0.93(95%置信区间:0.81~0.98),敏感度为0.92, 特异度为0.88。将基于T2-FLAIR粗大运动功能预测模型与融合后预测模型 的ROC进行比较分析显示P=0.77,两组模型无统计学差异。由此尚不足以 说明FA值能增加基于T2-FLAIR粗大运动功能预测模型效能。基于 T2-FLAIR和FA值融合粗大运动功能评估ROC曲线图见图5。
2.4多因素回归模型并可视化
基于随机森林方法得到最佳特征组合:扣带回、半卵圆中心、胼胝体、 中央前回、内囊后肢及豆状核。采用单因素Logistic回归分析发现,扣带回、 半卵圆中心、胼胝体及豆状核的差异具有统计学意义。然后,进一步纳入 多因素Logistic回归分析发现(见表4),半卵圆中心OR值:0.13,95%置 信区间(0.02,0.76);扣带回OR值:6.685,95%置信区间(1.72,26.00); 豆状核OR值:18.15,95%置信区间(2.15,152.95);胼胝体OR值:0.06,95%置信区间(0.06,0.71);多因素回归方程:ln(Y/(1-Y))=-2.611-1.765(半 卵圆中心)+1.903(扣带回)+2.892(豆状核)-2.879(内囊后肢),并将其 可视化。为进一步说明回归方程预测效能,对其进行ROC曲线分析,其 AUC为0.91(95%置信区间:0.78-0.98,P<0.01),敏感度、特异度、阳性 预测值及阴性预测值分别为0.84、0.82、0.84及0.71。
表4 Logistic回归分析表
Figure BDA0003121278410000211
在此基础上对预测模型进行校准度检验,即Hosmer-Lemeshow检验。 结果显示χ2值=3.05,P=0.88,即表明观测值与预测值间无统计学差异,进 而说明了基于T2-FLAIR粗大运动功能预测模型的效能及校准度良好,基 于T2-FLAIR粗大运动功能评估ROC曲线图见图6。
基于以上回归方程建立列线图,列线图模型校准曲线图见图7,基于 T2-FLAIR粗大运动功能预测模型多因素Logistic回归可视化列线图见图8, 为临床提供了可靠的证据。
3讨论
本实验例中,基于T2-FLAIR建立的评分项具有较好的组内和组间一致 性,其Kappa值为0.64~0.96之间。本实验例将基于FA值与基于T2-FLAIR 评分项分别运用RF的方法进行特征筛选并构建预测模型,发现基于 T2-FLAIR评分项构建的预测模型效能(AUC=0.94,95%置信区间: 0.82~0.99)高于基于FA值构建的预测模型效能(AUC=0.92,95%置信区 间:0.80~0.98),分别对应的特征按重要性排序依次包括扣带回、半卵圆中 心、胼胝体、中央前回、内囊后肢和豆状核;脑桥交叉束、左上纵束和中 小脑脚。同时,对基于T2-FLAIR粗大运动功能预测模型与融合粗大运动功 能预测模型进行ROC分析,显示两组诊断效能无统计学差异(P=0.93), 由此得出T2-FLAIR更能对粗大运动功能做出准确预测,且FA值尚不能增 加基于T2-FLAIR粗大运动功能预测模型的诊断效能。基于以上,本实验例选取随机森林筛选的T2-FLAIR评分项绘制列线图,经单因素分析纳入半卵 圆中心、扣带回、豆状核、胼胝体(OR值,0.13、6.69、18.15和0.06)。 经分析,该列线图具有较好的预测效能(AUC=0.91,95%置信区间: 0.78~0.98)及校准度(P=0.88)。
3.1基于T2-FLAIR粗大运动功能预测模型及特征筛选
使用随机森林构建基于T2-FLAIR粗大运动功能预测模型具有很好的 效能(AUC=0.94,95%置信区间:0.82~0.99),并筛选出贡献度较高的6 个特征,分别是扣带回、半卵圆中心、胼胝体、中央前回、内囊后肢和豆 状核。
3.2基于FA值粗大运动功能预测模型及特征筛选
虽然基于FA值粗大运动功能模型具有较好的预测效能,但仍不及基于 T2-FLAIR的预测模型效能。且将其与基于T2-FLAIR预测模型融合后,也 未能增加基于T2-FLAIR评分的预测模型效能,因此,推断FA值在粗大运 动功能预测中的作用不及T2-FLAIR评分。此外,在临床工作中,与FA值 相比基于T2-FLAIR评分是在常规MRI上获得,更易获取。由此我们认为 基于T2-FLAIR评分是最佳的客观指标。
3.3预测SCP儿童粗大运动功能的有效工具—列线图
在本实验例中,使用基于RF筛选的T2-FLAIR评分项作为自变量建立 列线图,用以预测SCP儿童粗大运动功能的损伤程度。该列线图显示出很 好的效能(AUC=0.91,95%CI:0.78-0.98),对风险评估、改善医患沟通和 临床决策具有重要意义。该列线图纳入半卵圆中心、扣带回、豆状核和胼 胝体。
根据我们的列线图,扣带回和胼胝体损伤会增加SCP儿童粗大运动功 能损伤程度。该列线图揭示了一个有趣的现象:半卵圆中心损伤会降低粗 大运动功能损伤程度。这一现象与以往报道相符[67,68],即存在脑畸形和 灰质病变的CP儿童其粗大运动功能分级常至III级及以上,而以白质病变 为主要脑损伤的CP儿童。
粗大运动功能分级常位于I–II级。相反,在列线图模型中,豆状核损 伤点延伸到点轴的整个范围,显示出比半卵圆中心、扣带回和胼胝体具有 更多的点。这可能是由于豆状核在皮质-基底节-丘脑-皮质运动环路中起到 的信息传递作用[69]。若豆状核损伤,便会减少基底节和丘脑之间的运动相 关信息传递,进而引起较重的粗大运动功能损伤。
本实验例首次使用列线图评估SCP儿童粗大运动功能损伤程度。实验 例证实列线图可作为评估个体SCP儿童粗大运动功能损伤程度总体概率的 统计工具,为医生向儿童家属解释运动功能损伤提供客观依据,并有助于 制定个体化的康复治疗方案。纳入列线图的评分项可为早期预测粗大运动 功能损伤提供初步依据。
4结论
T2-FLAIR评分比FA值更具有作为粗大运动功能预测指标的价值。半 卵圆中心、扣带回、豆状核和胼胝体损伤是SCP粗大运动功能的独立预测 因素,可是其责任病灶。由基于T2-FLAIR评分组成的列线图可初步预测 SCP儿童粗大运动功能,进而指导临床医生制定治疗方案,有利于患儿的 个体化治疗。
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 (8)

1.基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,包括以下步骤:
S100、收集确诊的痉挛型脑瘫儿童,进行粗大运动功能分级系统评估,并进行T2加权液体衰减反转恢复成像和扩散张量成像的颅脑磁共振检查;
S200、根据粗大运动功能分级系统将痉挛型脑瘫儿童分为粗大运动功能轻度损伤和重度损伤两组;
S300、建立基于T2加权液体衰减反转恢复成像的MRI评分表,对痉挛型脑瘫儿童颅脑损伤程度进行评价;
S400、使用FSL软件对痉挛型脑瘫儿童的扩散张量成像数据处理得到各向异性分数;
S500、运用随机森林对T2加权液体衰减反转恢复成像评分表中的评分项及各向异性分数值进行特征筛选,并分别构建粗大运动功能预测模型;
S600、采用受试者工作特征曲线分析比较两种模型之间的预测效能,并进一步建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图;通过校准图和受试者工作特征曲线评估列线图模型。
2.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,粗大运动功能分级系统Ⅰ、Ⅱ级为粗大运动功能轻度损伤,粗大运动功能分级系统Ⅲ~Ⅴ级为粗大运动功能重度损伤。
3.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,步骤S300中建立基于T2加权液体衰减反转恢复成像的MRI评分表包括:选用检查设备、采集序列及参数、痉挛型脑瘫儿童MRI评分;检查设备采用GE公司Signa 3.0T HDxtMR扫描仪和八通道头部线圈。
4.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,步骤S400具体包括以下步骤:
1)将原始数据由DICOM格式转换为NIFTI格式;
2)采用仿射变换将扩散加权图像配准到b0像,以尽量减少涡流和头部运动引起的失真;
3)进行涡流校正和头动校正,以排除梯度线圈的影响;
4)去除所有非脑组织,阈值取0.2;
5)对每个体素进行扩散张量模型估计和各向异性分数指标计算;
6)数据图像质控:通过目测原始弥散张量成像和各向异性分数图像进行质量控制;
7)利用非线性和线性配准,将个体各向异性分数配准到标准空间;
8)基于JHU-ICBM标记模板将白质分为50个脑区,提取各脑区各向异性分数值。
5.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,步骤S500随机森林构建预测模型的过程包括以下步骤:
1)在数据集中抽样,为每棵决策树分配训练集;
2)利用分配好的训练集独自构建决策树;
3)将所有决策树采用投票的方式参与判决,所得票数最多的类别将作为当前随机森林分类器的最终输出结果。
6.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,步骤S500特征筛选根据决策树节点分裂算法的原理,使用Gini不纯度指标来衡量模型构建过程中的特征重要程度;具体算法见式(1-1):
Figure FDA0003121278400000031
式中:Pj是节点n中j类的相对频率,对样本而言,表示第j类样本的占比。
7.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,步骤S500随机森林对T2加权液体衰减反转恢复成像评分表中的评分项及各向异性分数值进行粗大运动功能分类,包括以下步骤:
1)使用筛选的特征和随机森林算法构建全特征模型;
2)对重要性程度进行排序:根据重要性由高到低依次输入特征,共有N个特征,即得到N个模型预测结果,若N个模型中最高的曲线下面积结果由第k个模型得到,则选取k及k之前的特征作为进一步提升分类模型性能的特征集合;
3)k个不同特征形成的集合中遍历所有的特征组合,共2k-1种组合,其中最优曲线下面积分类性能的模型对应的特征组合即为最优特征组合,并以曲线下面积作为评价模型效能的指标。
8.根据权利要求1所述的基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法,其特征在于,建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图具体为:将随机森林筛选的最佳组合纳入多因素逻辑回归,以粗大运动功能损伤轻和损伤重两组作为结局变量绘制列线图;采用受试者工作特征曲线评估列线图的效能;使用校准图比较基于列线图预测结局和实际结局之间的对比,并以45°线作为最佳模型;采用受试者工作特征曲线评估列线图的敏感度和特异度。
CN202110682910.2A 2021-06-18 2021-06-18 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法 Pending CN113545766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682910.2A CN113545766A (zh) 2021-06-18 2021-06-18 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682910.2A CN113545766A (zh) 2021-06-18 2021-06-18 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法

Publications (1)

Publication Number Publication Date
CN113545766A true CN113545766A (zh) 2021-10-26

Family

ID=78130769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682910.2A Pending CN113545766A (zh) 2021-06-18 2021-06-18 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法

Country Status (1)

Country Link
CN (1) CN113545766A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520893A (zh) * 2009-02-23 2009-09-02 暨南大学 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统
US20110270345A1 (en) * 2007-08-11 2011-11-03 Johns Hopkins University Focal noninvasive stimulation of the sensory cortex of a subject with cerebral palsy
CN103690167A (zh) * 2013-12-31 2014-04-02 李新春 一种用于坐骨神经的mr成像分析方法
CN107811609A (zh) * 2017-09-22 2018-03-20 中国医学科学院北京协和医院 一种脑老化评估系统
CN108430326A (zh) * 2015-12-22 2018-08-21 皮克特鲁斯公司 基于图像确定胆红素
CN109691985A (zh) * 2018-12-19 2019-04-30 北京工业大学 一种基于dti技术及svm的颞叶癫痫辅助诊断方法
CN110833414A (zh) * 2019-11-28 2020-02-25 广州中医药大学第一附属医院 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略
AU2020102546A4 (en) * 2020-10-01 2020-11-19 Vinayak Majhi Interactive gaming device for cerebral palsy intervention, treatment and management and its method thereof
CN112120790A (zh) * 2020-09-23 2020-12-25 常州市第一人民医院 一种基于指标评分的轻度缺血性脑卒中患者的预测模型
CN112331300A (zh) * 2020-11-17 2021-02-05 南昌航空大学 基于加速度传感器的脑瘫儿童膝爬关节协同运动分析系统
CN112932445A (zh) * 2021-01-26 2021-06-11 芭雅医院投资管理(上海)有限公司 基于大数据的儿童脑瘫脑神经损伤评估仪及其使用方法
CN113545751A (zh) * 2021-07-20 2021-10-26 遵义医科大学附属医院 基于机器学习的Rolandic癫痫儿童的脑龄评估方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270345A1 (en) * 2007-08-11 2011-11-03 Johns Hopkins University Focal noninvasive stimulation of the sensory cortex of a subject with cerebral palsy
CN101520893A (zh) * 2009-02-23 2009-09-02 暨南大学 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统
CN103690167A (zh) * 2013-12-31 2014-04-02 李新春 一种用于坐骨神经的mr成像分析方法
CN108430326A (zh) * 2015-12-22 2018-08-21 皮克特鲁斯公司 基于图像确定胆红素
CN107811609A (zh) * 2017-09-22 2018-03-20 中国医学科学院北京协和医院 一种脑老化评估系统
CN109691985A (zh) * 2018-12-19 2019-04-30 北京工业大学 一种基于dti技术及svm的颞叶癫痫辅助诊断方法
CN110833414A (zh) * 2019-11-28 2020-02-25 广州中医药大学第一附属医院 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略
CN112120790A (zh) * 2020-09-23 2020-12-25 常州市第一人民医院 一种基于指标评分的轻度缺血性脑卒中患者的预测模型
AU2020102546A4 (en) * 2020-10-01 2020-11-19 Vinayak Majhi Interactive gaming device for cerebral palsy intervention, treatment and management and its method thereof
CN112331300A (zh) * 2020-11-17 2021-02-05 南昌航空大学 基于加速度传感器的脑瘫儿童膝爬关节协同运动分析系统
CN112932445A (zh) * 2021-01-26 2021-06-11 芭雅医院投资管理(上海)有限公司 基于大数据的儿童脑瘫脑神经损伤评估仪及其使用方法
CN113545751A (zh) * 2021-07-20 2021-10-26 遵义医科大学附属医院 基于机器学习的Rolandic癫痫儿童的脑龄评估方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
HAOXIANG JIANG等: "Specific White Matter Lesions Related to Motor Dysfunction in Spastic Cerebral Palsy: A Meta-analysis of Diffusion Tensor Imaging Studies", 《JOURNAL OF CHILD NEUROLOGY》 *
HENG LIU等: "Treatment response prediction of rehabilitation program in children with cerebral palsy using radiomics strategy: protocol for a multicenter prospective cohort study in west China", 《QUANTITATIVE IMAGING IN MEDICINE AND SURGERY》 *
INGE FRANKI等: "The relationship between neuroimaging and motor outcome in children with cerebral palsy: A systematic review – Part A. Structural imaging", 《RESEARCH IN DEVELOPMENTAL DISABILITIES》 *
何成等: "基于T2-FLAIR评分系统的脑瘫儿童脑损伤程度的评估", 《实用放射学杂质》 *
李司南等: "磁共振弥散张量成像技术下痉挛型脑瘫儿白质纤维束各向异性FA值及粗大运动功能的临床研究", 《中国医药导报 》 *
杨阳: "基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的初步研究", 《中国优秀硕士学位论文全文库医药卫生科技辑》 *
谭娜: "多模态功能磁共振成像在小儿脑瘫中的应用价值", 《中国优秀硕士学位论文全文库医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
Dinsdale et al. Learning patterns of the ageing brain in MRI using deep convolutional networks
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
CN113571195B (zh) 基于小脑功能连接特征的阿尔茨海默病早期的预测模型
Shafiei et al. Network structure and transcriptomic vulnerability shape atrophy in frontotemporal dementia
Dimitriadis et al. Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph
Hopkins et al. Machine learning for the prediction of cervical spondylotic myelopathy: a post hoc pilot study of 28 participants
Bonacchi et al. Role of artificial intelligence in MS clinical practice
CN113989551B (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
CN116784820A (zh) 一种基于种子点连接的脑功能网络构建方法及系统
Qu et al. AI4AD: Artificial intelligence analysis for Alzheimer's disease classification based on a multisite DTI database
Kao et al. Classifying temporomandibular disorder with artificial intelligent architecture using magnetic resonance imaging
Li et al. Ensemble of convolutional neural networks and multilayer perceptron for the diagnosis of mild cognitive impairment and Alzheimer's disease
Mikolas et al. Prediction of estimated risk for bipolar disorder using machine learning and structural MRI features
CN113545766A (zh) 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法
CN115147273A (zh) 一种基于域适应的眼科oct术后轮廓图生成方法及系统
CN114847922A (zh) 一种基于纤维束自动识别的脑年龄预测方法
CN109711467B (zh) 数据处理装置及方法、计算机系统
CN113197578A (zh) 一种基于多中心模型的精神分裂症分类方法及系统
Deng et al. Fully Connected Multi-Kernel Convolutional Neural Network Based on Alzheimer’s Disease Diagnosis
CN113345548B (zh) 一种基于弥散张量成像的抑郁症用药决策模型的构建方法
CN107844804A (zh) 一种肌纹理磁共振图像的计算方法及基于其的数据建模方法
CN117197637B (zh) 神经影像脑网络效率指标的常模构建方法、应用及装置
Mohapatra et al. Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions
Amoroso Diffusion-weighted imaging (DWI) tractography and Alzheimer's disease
Li et al. MulTiNet: multimodal neural networks for glaucoma based on transfer learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211026