CN114999657A - 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 - Google Patents
评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 Download PDFInfo
- Publication number
- CN114999657A CN114999657A CN202210929324.8A CN202210929324A CN114999657A CN 114999657 A CN114999657 A CN 114999657A CN 202210929324 A CN202210929324 A CN 202210929324A CN 114999657 A CN114999657 A CN 114999657A
- Authority
- CN
- China
- Prior art keywords
- nerve fiber
- parkinson
- fiber bundle
- gait
- fiber bundles
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- 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
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Neurosurgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开涉及一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品。所述方法包括:获取待进行评估的帕金森病患者的弥散成像和步态参数;基于所述弥散成像获取所述待进行评估的帕金森病患者的神经纤维束成像;根据所述神经纤维束成像确定各向异性分数;以及基于所述各向异性分数和所述步态参数评估帕金森病患者的神经纤维束与步态障碍的相关性。利用本公开的方案,可以揭示帕金森病患者的神经纤维束与步态障碍的相关性,以便更细致、更全面地探究帕金森病。
Description
技术领域
本公开一般地涉及评估帕金森病技术领域。更具体地,本公开涉及一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法、设备以及计算机可读存储介质。
背景技术
帕金森病(Parkinson Disease,“PD”)是仅次于阿尔茨海默病的第二多发的神经退行性疾病,其主要临床表现为运动症状(例如运动迟缓、僵硬、震颤、姿势不稳和运动启动障碍等)和非运动症状进行性加重,严重影响了患者的健康和生活质量。经研究发现,PD的主要病理特征是中脑黑质致密部多巴胺能神经元的丢失,并且随着疾病的进展,其可以影响大脑的许多区域和结构,例如除了基底神经节和黑质外,皮层、丘脑和其他皮质下结构也会受到影响。目前,随着神经成像技术的发展,一些非侵入性技术(例如弥散磁共振成像)被用来监测疾病进展不同阶段患者脑组织的变化。然而,这仅仅是针对PD的病理层面的研究,而未结合PD患者的运动症状进行探究,这使得对PD的探究较为单一和片面。因此,如何根据PD患者的运动症状来对PD进行研究,特别是对PD患者的运动症状和病理层面之间的相关性的研究成为待解决的技术问题。
发明内容
为了至少部分地解决背景技术中提到的技术问题,本公开的方案提供了一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方案。利用本公开的方案,能够评估帕金森病患者的神经纤维束与步态障碍之间的相关性,例如可以确定与帕金森病患者的步态异常相关的神经纤维具体位置,以便后续对相关位置进行干预,以缓解或者改善帕金森病患者的运动症状。为此,本公开在如下的多个方面提供解决方案。
在第一方面,本公开提供一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法,包括:获取待进行评估的帕金森病患者的弥散成像和步态参数;基于所述弥散成像获取所述待进行评估的帕金森病患者的神经纤维束成像;根据所述神经纤维束成像确定各向异性分数;以及基于所述各向异性分数和所述步态参数评估帕金森病患者的神经纤维束与步态障碍的相关性。
在一个实施例中,其中所述弥散成像包括高角分辨率弥散成像。
在另一个实施例中,其中所述步态参数包括步速、跨步步长、跨步时长或者跨步节奏中的一种或者多种。
在又一个实施例中,其中基于所述弥散成像获取所述待进行评估的帕金森病患者的神经纤维束成像包括:基于所述弥散成像确定与神经纤维束相关的方向分布函数;以及根据所述方向分布函数获取所述待进行评估的帕金森病患者的神经纤维束成像。
在又一个实施例中,其中根据所述神经纤维束成像确定各向异性分数包括:根据所述神经纤维束成像获取多个神经纤维束;基于感兴趣的路径点区域对每个所述神经纤维束进行截断,以获取多个截断神经纤维束;以及根据提取的所述多个截断神经纤维束计算平均各向异性分数,以确定各向异性分数。
在又一个实施例中,其中基于所述各向异性分数和所述步态参数评估帕金森病患者的神经纤维束与步态障碍的相关性包括:基于所述平均各向异性分数从所述多个截断神经纤维束中确定目标神经纤维束;以及将所述目标神经纤维束的各向异性分数与所述步态参数进行相关性分析,以评估帕金森病患者的神经纤维束与步态障碍的相关性。
在又一个实施例中,其中基于所述平均各向异性分数从所述多个截断神经纤维束中确定目标神经纤维束包括:将每个所述截断神经纤维束进行分段;分析各段的平均各向异性分数,以确定平均各向异性分数存在差异的节段;以及将在所述节段中存在差异的神经纤维束作为目标神经纤维束。
在又一个实施例中,其中所述方法还包括:获取与帕金森病患者的认知相关的量表;以及将所述量表与所述各向异性分数进行相关性分析,以验证帕金森病患者的神经纤维束与步态障碍的相关性。
在第二方面,本公开还提供一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的设备,包括:处理器;以及存储器,其存储有用于评估帕金森病患者的神经纤维束与步态障碍的相关性的程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现前述多个实施例。
在第三方面,本公开还提供一种计算机可读存储介质,其上存储有用于评估帕金森病患者的神经纤维束与步态障碍的相关性的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现前述多个实施例。
通过本公开的方案,通过基于弥散成像提取神经纤维束成像并且计算其各向异性分数,通过各向异性分数结合步态参数来评估帕金森病患者的神经纤维束与步态障碍的相关性。基于帕金森病患者的神经纤维束与步态障碍之间的相关性,可以更细致、更全面地观察帕金森病患者的步态异常时神经纤维束的病变模式和具体位置,阐明帕金森病患者的神经纤维束的病理变化。例如,可以确定与帕金森病患者的步态异常相关的神经纤维具体位置,后续可以对相关位置进行干预,以缓解或者改善帕金森病患者的运动症状。进一步地,本公开实施例的弥散成像为高角分辨率弥散成像,可以产生更真实、更丰富的神经纤维束,以确保评估结果的准确性。此外,本公开实施例将与认知相关的量表与各向异性分数进行相关性分析,以验证神经纤维束与步态障碍的相关性,提升评估结果的精度。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分其中:
图1是示出根据本公开实施例的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法的示例性流程框图;
图2是示出根据本公开实施例的多个神经纤维束的示例性示意图;
图3是示出根据本公开实施例的右扣带区的截断神经纤维束以及PD组和HC组的平均FA值的示例性示意图;
图4是示出根据本公开实施例的PD组和HC组的多个神经纤维束的平均各向异性分数的示例性示意图;
图5是示出根据本公开实施例的PD组和HC组与认知的统计结果的示例性示意图;
图6是示出根据本公开实施例的PD组与认知的相关性结果的示例性示意图;
图7是示出根据本公开实施例的PD组和HC组与步态参数的统计结果的示例性示意图;
图8是示出根据本公开实施例的PD组与步态参数的相关性结果的示例性示意图;以及
图9是示出根据本公开实施例的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的设备的框图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚和完整地描述。应当理解的是本说明书所描述的实施例仅是本公开为了便于对方案的清晰理解和符合法律的要求而提供的部分实施例,而并非可以实现本公开的所有实施例。基于本说明书公开的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1是示出根据本公开实施例的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法100的示例性流程框图。如图1中所示,在步骤S102处,获取待进行评估的帕金森病患者的弥散成像和步态参数。在一个实施例中,前述弥散成像可以通过例如磁共振的快速采集梯度回波序列(Magnetization Prepared Rapid Gradient Echo,“MP-RAGE”)采集,并且该弥散成像可以例如是高角分辨率弥散成像(High Angular ResolutionDiffusion Imaging,“HARDI”)。可以理解,该HARDI是基于弥散张量成像(DiffusionTensor Imaging,“DTI”)原理所发展出的采用纤维取向扩散成像模型而形成的。在实现场景中,前述HARDI可以显示更复杂的结构(例如纤维束交叉和分叉),从而产生更真实的、更丰富的纤维束方向和连接信息。与前述DTI相比, HARDI的成像结果更精确、更清晰。在一个实施例中,前述步态参数可以由步态记录系统采集,并且该步态参数可以包括例如步速、跨步步长、跨步时长或者跨步节奏中的一种或者多种。
基于获取的弥散成像和步态参数,在步骤S104处,基于弥散成像获取待进行评估的帕金森病患者的神经纤维束成像。在一个实施例中,首先可以基于弥散成像确定与神经纤维束相关的方向分布函数,接着根据方向分布函数获取待进行评估的帕金森病患者的神经纤维束成像。在一个实施场景中,可以采用例如球面反卷积(Spherical Deconvolution,“SD”)的图像处理方法来获取全脑体素的各神经纤维方向分布函数(OrientationDistribution FuHCtion,“ODF”)。进一步地,基于ODF可以追踪神经纤维束,以获得进行评估的帕金森病患者的神经纤维束成像。在一些实施场景中,还可以采用例如约束球面反卷积(Constrained Spherical Deconvolution,“CSD”)来获取ODF。可以理解,前述CSD可以降低噪声敏感性,消除干扰因素,从而使HARDI数据更易于分析,以获得更精细的全脑神经纤维束成像。此外,还可以利用例如MRtrix3软件中的多壳多组织约束球面反卷积(Multi-shell Multi-tissue Constrained Spherical Deconvolution,“MSMT-CSD”)来获取ODF,以获取神经纤维束成像。
在获得神经纤维束成像后,在步骤S106处,根据神经纤维束成像确定各向异性分数。在一个实施例中,首先可以根据神经纤维束成像获取多个神经纤维束,接着基于感兴趣的路径点区域对每个神经纤维束进行截断,以获取多个截断神经纤维束,进而根据提取的多个截断神经纤维束计算平均各向异性分数,以确定各向异性分数。在实现场景中,可以采用例如自动纤维定量(Automated Fiber Quantification,“AFQ”)软件来从神经纤维束成像中获取多个神经纤维束。前述感兴趣的路径点区域可以包括感兴趣区域的起点路径(例如图3中的线段A所示)和终点路径(例如图3中的线段B所示),其中前述感兴趣区域的起点路径和终点路径可以在AFQ中进行设置,以获取多个截断神经纤维束。也就是说,基于同一感兴趣的路径点区域从每个神经纤维束中截取一段,以作为截断神经纤维束。进一步地,可以由AFQ算法计算获得多个截断神经纤维束的平均各向异性分数(FractionalAnisotropy,“FA”),该FA值可以视为弥散功能的标度,其值在0至1之间,表示神经纤维束结构的完整性,FA越接近于1,表示神经纤维束结构的完整性越好。在一些实施例中,前述多个神经纤维束可以包括左/右丘脑辐射、左/右皮质脊髓束、左/右扣带区、左/右扣带海马区、胼胝体辐射线枕/额部、左/右额枕下束、左/右下纵束、左/右上纵束、左/右钩回、左/右弓状核。
进一步地,在步骤S108处,基于各向异性分数和步态参数评估帕金森病患者的神经纤维束与步态障碍的相关性。在一个实施例中,首先可以基于平均各向异性分数从多个截断神经纤维束中确定目标神经纤维束,进而将目标神经纤维束的各向异性分数与步态参数进行相关性分析,以评估帕金森病患者的神经纤维束与步态障碍的相关性。具体地,可以将多个截断神经纤维束进行分段,通过分析各段的平均各向异性分数,以确定平均各向异性分数存在差异的节段以及将在该节段中存在差异的神经纤维束作为目标神经纤维束。接着,将前述目标神经纤维束的FA值与步态参数(例如步速、跨步步长、跨步时长或者跨步节奏)进行相关性分析。
在应用场景中,可以通过设置帕金森患者组(PD组)和健康对照组(HC组)来将目标神经纤维束与步态参数进行相关性分析,以评估帕金森病患者的神经纤维束与步态障碍的相关性。在该场景下,可以通过对PD组和HC组进行例如Wilcoxon秩和检验,并且利用Pearson相关性分析来评估帕金森病患者的神经纤维束与步态障碍的相关性。
结合上述描述可知,本公开实施例通过弥散成像(例如HARDI)提取神经纤维束成像且计算其平均各向异性分数,通过平均各向异性分数确定目标神经纤维束,进而将目标神经纤维束与步态参数进行相关性分析。基于此,可以更细致、更全面地观察帕金森病患者的步态异常时神经纤维束的病变模式和具体位置,阐明帕金森病患者的神经纤维束的病理变化,以便深入探究帕金森病。例如,在步态异常时针对神经纤维束的具体位置处放置电极,通过对该位置进行放电刺激,以改善或者缓解帕金森病患者的症状,同时可以观察神经纤维束的病理变化。
在一个实施例中,本公开实施例还可以包括获取与帕金森病患者的认知相关的量表,通过将量表与各向异性分数进行相关性分析,以验证帕金森病患者的神经纤维束与步态障碍的相关性。可以理解,PD患者主要是运动症状,由此本公开实施例通过量表与各向异性分数的相关性分析可以验证PD患者的目标神经纤维束受到损失时,会在运动症状上有所体现。由此,可以验证神经纤维束与步态障碍的相关性,以确保评估结果的精度。类似地,在分析量表与各向异性分数的相关性时,也可以通过设置PD组和HC组来进行分析,通过对PD组和HC组进行分类变量卡方检验和连续变量Wilcoxon秩和检验,并且利用Pearson相关性分析来获得量表与各向异性分数的相关性。作为示例,首先可以进行量表与各向异性分数的相关性分析,再分析神经纤维束与步态障碍的相关性。
在一些实施例中,上述量表可以例如是简易智力状态检查量表(Mini-mentalState Examination,“MMSE”),改良冷漠评估量表(Modified Apathy Evaluation Scale,“MAES”),贝克焦虑量表(Beck Anxiety Inventory,“BAI”),贝克抑郁量表(BeckDepression Inventory,“BDI”)和起立-行走计时测试(Timed-Up and Go test,“TUG”),Berg平衡量表(Berg BalaHCe Scale,“BBS”)。此外,前述量表还包括PD组患者新冻结步态问卷(New-Freezing of Gait Questionnaire,“n-FOGQ”),生活质量问卷(Parkinson’sDisease Questionnaire,“PDQ-39”)以及世界运动障碍协会统一帕金森病评定量表总分及第三部分(Movement Disorder Society-Unified Parkinson’s Disease Rating Scale,“MDS-UPDRS/ MDS-UPDRS-III”)。
如前所述,可以通过设置PD组和HC组来进行相关性分析。在一个示例性场景中,PD组和HC组均可以包括多例,例如PD组24例,HC组29例。在实现场景中,首先可以分别记录PD组和HC组中的年龄、性别、文化程度以及量表(例如MMSE、MAES、BAI、BDI、TUG、BBS)。对于PD组来说,还记录了n-FOGQ、PDQ-39和MDS-UPDRS-III。进一步地,还通过磁共振采集了PD组和HC组的弥散成像(例如HARDI)和通过步态记录系统采集了PD组和HC组的步态参数(例如步速、跨步步长、跨步时长或者跨步节奏)。其中,前述步态参数包括正常行走时采集的步速、跨步步长、跨步时长或者跨步节奏和快速行走的步速、跨步步长、跨步时长或者跨步节奏。另外,对于PD组还分别采集了未经药物治疗时(关期)的步态参数和经药物治疗后(开期)的步态参数。
根据前文知,首先可以通过例如CSD或者MSMT-CSD获取ODF,以从HARDI获取神经纤维束成像。接着,可以通过AFQ软件从PD组和HC组各个的神经纤维束成像中分别获取多个神经纤维束,并在AFQ软件中设置感兴趣区域的起点路径和终点路径,以从每个神经纤维束中提取一段,以获得多个截断神经纤维束。接着,利用例如AFQ算法分别计算PD组和HC组中的多个截断神经纤维束的平均FA。下面将结合图2-图3详细描述前述的多个神经纤维束、截断神经纤维束以及平均FA。
图2是示出根据本公开实施例的多个神经纤维束的示例性示意图。如图2中所示,图中第一排从左至右依次是左丘脑辐射、右丘脑辐射、左皮质脊髓束、右皮质脊髓束以及左扣带区。图中第二排从左至右依次是右扣带区、左扣带海马区、右扣带海马区、胼胝体辐射线枕部以及胼胝体辐射线额部。图中第三排从左至右依次是左额枕下束、右额枕下束、左下纵束、右下纵束以及左上纵束。进一步地,图中第四排从左至右依次是右上纵束、左钩回、右钩回、左弓状核以及右弓状核。在实现场景中,前述多个神经纤维束可以由AFQ提取,接着通过AFQ设置的感兴趣区域的起点路径和终点路径可以截取神经纤维束,以获得截断神经纤维束。下面将以右扣带区为例,来提取右扣带区的截断神经纤维束。
图3是示出根据本公开实施例的右扣带区的截断神经纤维束以及PD组和HC组的平均FA值的示例性示意图。如图3中左图所示为右扣带区神经纤维束,通过在AFQ中设置的起点路径(例如线段A所示)和终点路径(例如线段B所示)对右扣带区神经纤维束进行截取,以获得右扣带区神经纤维束对应的截断神经纤维束,即线段A和线段B之间的神经纤维束为右扣带区神经纤维束对应的截断神经纤维束。基于类似的截取方式,可以获得PD组和HC组中其他神经纤维束对应的截断神经纤维束,从而获得多个截断神经纤维束。如前所述,通过利用AFQ算法可以分别获得PD组和HC组中的多个截断神经纤维束的平均FA,例如图3中右图所示。
图3中右图所示为PD组和HC组对应的平均FA,其中横坐标表示右扣带区神经纤维束对应的截断神经纤维束的等间距节点,纵坐标表示平均FA。进一步地,图中的曲线C(即上方曲线所示)表示PD组对应的平均FA,图中的曲线D(即下方曲线所示)表示HC组对应的平均FA。
基于获得的平均FA,首先可以PD组和HC组的多个截断神经纤维束进行分段,例如分成100段。接着,可以分析各段的平均各向异性分数,找出平均各向异性分数存在差异的节段,并且在该节段中分析存在差异的神经纤维束,以将在该节段中分析存在差异的神经纤维束作为目标神经纤维束。在一个实施场景中,通过对PD组和HC组各段的平均各向异性分数进行统计分析,并对各等距节点的平均FA值进行多重比较校正(例如Bonferroni校正),可以确定PD组和HC组中平均FA存在差异的节段,即第34-58位等距节点(例如上述图3中的线段E所示部分)。接着,通过分析各个神经纤维束在该节段的平均FA值,可以获得在前述第34-58位等距节点的平均FA值在统计学上有显著性差异的区域是右扣带区,例如图4所示。其中,前述右扣带区即为目标神经纤维束。
图4是示出根据本公开实施例的PD组和HC组的多个神经纤维束的平均各向异性分数的示例性示意图。如图4中分别示出了PD组和HC组的多个神经纤维束,即左/右丘脑辐射、左/右皮质脊髓束、左/右扣带区、左/右扣带海马区、胼胝体辐射线枕/额部、左/右额枕下束、左/右下纵束、左/右上纵束、左/右钩回、左/右弓状核对应的FA值以及统计检验中的F值和P值。例如,PD组的右皮质脊髓束的平均FA值为0.771 (0.038),HC组的右皮质脊髓束的FA值为0.769 (0.038),其对应的F值和P值分别为0.108和0.743。PD组的右扣带区的平均FA值为0.585 (0.043),HC组的右扣带区的FA值为0.615 (0.047),并且对应的F值和P值分别为4.157和0.047。结果表明,与途径轨迹分析比较,PD组的右扣带区在第34-58位等距节点的平均FA值明显低于HC组(P<0.05),且PD组的平均FA值明显低于HC组(P<0.05)。由此可见,PD组和HC组的平均FA值在统计学上有显著性差异的区域的目标神经纤维束是右扣带区。
在获得上述目标神经纤维束后,首先可以将目标神经纤维束的平均FA值与上述认知相关的量表进行相关性分析。例如在实现场景中,可以对PD组和HC组进行分类变量卡方检验和连续变量Wilcoxon秩和检验,并且利用Pearson相关性分析了目标神经纤维束(即右扣带区)的平均FA与量表之间的相关性。在一些实施例中,还可以加入PD组和HC组对应的年龄、性别、文化程度来进行分析,例如图5所示。
图5是示出根据本公开实施例的PD组和HC组与认知的统计结果的示例性示意图。如图5中示出了HC组在年龄、性别、文化程度、病程、MMSE、MAES、BAI、BDI、LEDD、PDQ-39、MDS-UPDRS、MDS-UPDRS-III、TUG、BBS等量表评分的统计结果。进一步地,图中还步示出PD组在开期(经药物治疗)和关期(未经药物治疗)的情形下对应的年龄、性别、文化程度、病程、MMSE、MAES、BAI、BDI、LEDD、PDQ-39、MDS-UPDRS、MDS-UPDRS-III、TUG、BBS等量表评分的统计结果。其中,“*”表示与HC组相比P<0.05,“#”表示与PD组(开期)相比P<0.05。
由图5可知,PD组和HC组在年龄、性别、文化程度、MMSE和MAES评分上无显著性差异,而在BAI、BDI、TUG和BBS评分有显著统计学差异。进一步地,PD组的BAI、BDI和TUG评分显著高于HC组,而BBS评分显著低于HC组。由此可以揭示PD患者存在更多的焦虑及抑郁问题,且步态和平衡能力较差。
图6是示出根据本公开实施例的PD组与认知的相关性结果的示例性示意图。如图6中分别示出PD组在开期时的MDS-UPDRS-III(左上图)和BBS(左下图)量表评分与右扣带区34-58节点的平均FA值以及在关期时的MDS-UPDRS-III(右上图)和BBS(右下图)量表评分与右扣带区34-58节点的平均FA值的相关性。其中,横坐标表示右扣带区34-58节点的平均FA值,纵坐标表示量表评分。由图可知,PD组在开期和关期的右扣带区34-58节点的平均FA值与BBS呈正相关,而与MDS-UPDRS-III呈负相关。因此,可以验证PD患者的神经纤维束与运动症状存在相关性。
在上述验证神经纤维束与运动症状存在相关性后,可以将目标神经纤维束的平均FA值与步态参数进行相关性分析。与上述分析平均FA值与认知的相关性类似,可以通过例如Wilcoxon秩和检验来比较PD组及HC组的步态参数,并利用Pearson相关性分析了目标神经纤维束(即右扣带区)的平均FA与步态参数之间的相关性,例如图7所示。
图7是示出根据本公开实施例的PD组和HC组与步态参数的统计结果的示例性示意图。如图7中示出了HC组在正常行走时的速度、节奏、跨步时间和跨步步长以及在快速行走时的速度、节奏、跨步时间和跨步步长的统计结果。接着,图中还进一步示出PD组在开期(经药物治疗)和关期(未经药物治疗)的情形下对应的正常行走时的速度、节奏、跨步时间和跨步步长以及在快速行走时的速度、节奏、跨步时间和跨步步长的统计结果。其中,“正”表示正常行走,“快”表示快速行走;“*”表示与HC组相比P<0.05,“#”表示与PD组(开期)相比P<0.05。由图6可知,PD组患者在正常行走时表现出比HC组受试者更慢的速度和更短的跨步步长。在快速行走时,PD组的“开”期的步速及跨步步长均明显优于“关”期。也即,经药物治疗后存在较好的反应性。
图8是示出根据本公开实施例的PD组与步态参数的相关性结果的示例性示意图。如图8中分别示出PD组在开期时正常行走的速度(上左)、节奏(上中)以及跨步时间(上右)的参数以及PD组在关期时快速行走的速度(下左)、节奏(下中)以及跨步时间(下右)的参数与右扣带区34-58节点的平均FA值的相关性。其中,横坐标表示右扣带区34-58节点的平均FA值,纵坐标步态参数(速度、节奏、跨步时间)。由图可知,PD组在开期的右扣带区第34-58等距节点的FA值与正常行走的速度、节奏以及快速行走的速度、节奏呈正相关。PD组在“开”期的右扣带区第34-58等距节点的FA值与正常行走的跨步时间和快速行走的跨步时间呈负相关。因此,可以分析出PD患者的神经纤维束与步态参数之间存在相关性。特别地,可以分析出PD患者的右扣带区与运动症状中的速度、节奏存在相关性。由此,在步态异常时,可以通过对右扣带区进行干预,以改善或者缓解帕金森病患者的步态障碍,并且也可以观察步态改善后右扣带区的病理变化,从而全面的探究PD。
图9是示出根据本公开实施例的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的设备900的框图。可以理解的是,实现本公开方案的设备可以是单一的设备(例如计算设备)或包括各种外围设备的多功能设备。
如图9中所示,本公开的设备可以包括中央处理器或中央处理单元(“CPU”)911,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备900还可以包括大容量存储器912和只读存储器(“ROM”)913,其中大容量存储器912可以配置用于存储各类数据,包括各种与待进行评估的帕金森病患者的弥散成像、算法数据、中间结果和运行设备900所需要的各种程序。ROM 913可以配置成存储对于设备900的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。
可选地,设备900还可以包括其他的硬件平台或组件,例如示出的张量处理单元(“TPU”)914、图形处理单元(“GPU”)915、现场可编程门阵列(“FPGA”)916和机器学习单元(“MLU”)917。可以理解的是,尽管在设备 900中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备900可以仅包括CPU、相关存储设备和接口设备来实现本公开的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法。
在一些实施例中,为了便于数据与外部网络的传递和交互,本公开的设备900还包括通信接口918,从而可以通过该通信接口918连接到局域网/无线局域网(“LAN/WLAN”)905,进而可以通过该LAN/WLAN连接到本地服务器906或连接到因特网(“Internet”)907。替代地或附加地,本公开的设备900还可以通过通信接口918基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第3代(“3G”)、第4代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本公开的设备900还可以根据需要访问外部网络的服务器908和数据库909,以便获得各种已知的图像模型、数据和模块,并且可以远程地存储各种数据,例如用于呈现弥散成像、高角分辨率弥散成像以及多个神经纤维束的各类数据或指令。
设备900的外围设备可以包括显示装置902、输入装置903和数据传输接口904。在一个实施例中,显示装置902可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本公开的显示对弥散成像、多个神经纤维束、或者相关性分析结果进行语音提示和/或图像视频显示。输入装置903可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件,其配置用于接收弥散成像、多个神经纤维束或者步态参数的输入和/或用户指令。数据传输接口904可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。根据本公开的方案,该数据传输接口904可以接收来自于磁共振设备的待进行评估的帕金森病患者的弥散成像,并且向设备900传送包括弥散成像、多个神经纤维束或者步态参数或各种其他类型的数据或结果。
本公开的设备900的上述CPU 911、大容量存储器912、ROM 913、TPU 914、GPU 915、FPGA 916、MLU 917和通信接口918可以通过总线919相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线919,CPU 911可以控制设备900中的其他硬件组件及其外围设备。
以上结合图9描述了可以用于执行本公开的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的设备。需要理解的是这里的设备结构或架构仅仅是示例性的,本公开的实现方式和实现实体并不受其限制,而是可以在不偏离本公开的精神下做出改变。
根据上述结合附图的描述,本领域技术人员也可以理解本公开的实施例还可以通过软件程序来实现。由此本公开还提供了一种计算机程序产品。该计算机程序产品可以用于实现本公开结合附图l- 8所描述的用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法。
应当注意,尽管在附图中以特定顺序描述了本公开方法的操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
应当理解,本公开的说明书和权利要求书中使用的术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
虽然本公开的实施方式如上,但所述内容只是为便于理解本公开而采用的实施例,并非用以限定本公开的范围和应用场景。任何本公开所述技术领域内的技术人员,在不脱离本公开所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本公开的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的方法,包括:
获取待进行评估的帕金森病患者的弥散成像和步态参数;
基于所述弥散成像获取所述待进行评估的帕金森病患者的神经纤维束成像;
根据所述神经纤维束成像确定各向异性分数;以及
基于所述各向异性分数和所述步态参数评估帕金森病患者的神经纤维束与步态障碍的相关性。
2.根据权利要求1所述的方法,其中所述弥散成像包括高角分辨率弥散成像。
3.根据权利要求2所述的方法,其中所述步态参数包括步速、跨步步长、跨步时长或者跨步节奏中的一种或者多种。
4.根据权利要求3所述的方法,其中基于所述弥散成像获取所述待进行评估的帕金森病患者的神经纤维束成像包括:
基于所述弥散成像确定与神经纤维束相关的方向分布函数;以及
根据所述方向分布函数获取所述待进行评估的帕金森病患者的神经纤维束成像。
5.根据权利要求3所述的方法,其中根据所述神经纤维束成像确定各向异性分数包括:
根据所述神经纤维束成像获取多个神经纤维束;
基于感兴趣的路径点区域对每个所述神经纤维束进行截断,以获取多个截断神经纤维束;以及
根据提取的所述多个截断神经纤维束计算平均各向异性分数,以确定各向异性分数。
6.根据权利要求5所述的方法,其中基于所述各向异性分数和所述步态参数评估帕金森病患者的神经纤维束与步态障碍的相关性包括:
基于所述平均各向异性分数从所述多个截断神经纤维束中确定目标神经纤维束;以及
将所述目标神经纤维束的各向异性分数与所述步态参数进行相关性分析,以评估帕金森病患者的神经纤维束与步态障碍的相关性。
7.根据权利要求6所述的方法,其中基于所述平均各向异性分数从所述多个截断神经纤维束中确定目标神经纤维束包括:
将每个所述截断神经纤维束进行分段;
分析各段的平均各向异性分数,以确定平均各向异性分数存在差异的节段;以及
将在所述节段中存在差异的神经纤维束作为目标神经纤维束。
8.根据权利要求1所述的方法,还包括:
获取与帕金森病患者的认知相关的量表;以及
将所述量表与所述各向异性分数进行相关性分析,以验证帕金森病患者的神经纤维束与步态障碍的相关性。
9.一种用于评估帕金森病患者的神经纤维束与步态障碍的相关性的设备,包括:
处理器;以及
存储器,其存储有用于评估帕金森病患者的神经纤维束与步态障碍的相关性的程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现根据权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有用于评估帕金森病患者的神经纤维束与步态障碍的相关性的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929324.8A CN114999657A (zh) | 2022-08-03 | 2022-08-03 | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929324.8A CN114999657A (zh) | 2022-08-03 | 2022-08-03 | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114999657A true CN114999657A (zh) | 2022-09-02 |
Family
ID=83022710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210929324.8A Pending CN114999657A (zh) | 2022-08-03 | 2022-08-03 | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114999657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072946A (zh) * | 2024-04-16 | 2024-05-24 | 首都医科大学附属北京友谊医院 | 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1630836A1 (ru) * | 1988-03-01 | 1991-02-28 | Научно-Исследовательский Институт Экспериментальной Медицины Амн Ссср | Способ лечени паркинсонизма |
CN104207776A (zh) * | 2014-08-22 | 2014-12-17 | 南昌大学 | 一种综合性磁共振成像装置及方法 |
CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
WO2021034770A1 (en) * | 2019-08-20 | 2021-02-25 | Terran Biosciences, Inc. | Neuromelanin-sensitive mri for assessing parkinson's disease |
-
2022
- 2022-08-03 CN CN202210929324.8A patent/CN114999657A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1630836A1 (ru) * | 1988-03-01 | 1991-02-28 | Научно-Исследовательский Институт Экспериментальной Медицины Амн Ссср | Способ лечени паркинсонизма |
CN104207776A (zh) * | 2014-08-22 | 2014-12-17 | 南昌大学 | 一种综合性磁共振成像装置及方法 |
WO2021034770A1 (en) * | 2019-08-20 | 2021-02-25 | Terran Biosciences, Inc. | Neuromelanin-sensitive mri for assessing parkinson's disease |
CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
Non-Patent Citations (2)
Title |
---|
刘依然等: "帕金森病不同运动亚型白质纤维损害的弥散张量成像研究", 《中国实用神经疾病杂志》 * |
谭晓琳等: "弥散张量成像在血管性帕金森综合征诊断中的应用", 《中国医科大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072946A (zh) * | 2024-04-16 | 2024-05-24 | 首都医科大学附属北京友谊医院 | 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Identification of psychiatric disorder subtypes from functional connectivity patterns in resting-state electroencephalography | |
US20240188843A1 (en) | Systems and Methods for Generating Biomarkers Based on Multivariate MRI and Multimodality Classifiers for Disorder Diagnosis | |
US20220130540A1 (en) | Method and system for individualized prediction of mental illness on basis of brain function map monkey-human cross-species migration | |
Chu et al. | Function-specific and enhanced brain structural connectivity mapping via joint modeling of diffusion and functional MRI | |
Seghier et al. | Reading without the left ventral occipito-temporal cortex | |
Kristinsson et al. | Machine learning‐based multimodal prediction of language outcomes in chronic aphasia | |
WO2023280086A1 (zh) | 靶点确定方法、装置、电子设备、存储介质及神经调控设备 | |
Suk et al. | Supervised discriminative group sparse representation for mild cognitive impairment diagnosis | |
Shinkareva et al. | Classification of functional brain images with a spatio-temporal dissimilarity map | |
Pusil et al. | Aberrant MEG multi-frequency phase temporal synchronization predicts conversion from mild cognitive impairment-to-Alzheimer's disease | |
Metzler-Baddeley et al. | Individual differences in fornix microstructure and body mass index | |
Michon et al. | Person-specific and precision neuroimaging: Current methods and future directions | |
US11514578B2 (en) | Deriving target data from selected brain data | |
Liu et al. | Multi-Channel neurodegenerative pattern analysis and its application in Alzheimer's disease characterization | |
Skouras et al. | The effects of psychiatric history and age on self-regulation of the default mode network | |
CN114999657A (zh) | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 | |
WO2023168728A1 (zh) | 基于多模态影像组学的癫痫药物治疗结局预测方法和装置 | |
Wang et al. | SEEG-Net: An explainable and deep learning-based cross-subject pathological activity detection method for drug-resistant epilepsy | |
Elias et al. | Normative connectomes and their use in DBS | |
Yao et al. | The brains of elite soccer players are subject to experience-dependent alterations in white matter connectivity | |
Sellappan et al. | A survey of Alzheimer’s disease diagnosis using deep learning approaches | |
US11581082B2 (en) | Subsetting brain data | |
Liang et al. | Comparison of topological properties of functional brain networks with graph theory in temporal lobe epilepsy with different duration of disease | |
CN112967797A (zh) | 一种烟雾病手术疗效的评估方法 | |
US11763948B2 (en) | Centrality rankings of network graphs generated using connectomic brain data |
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 |