CN115762757A - 一种基于个体特征的帕金森病术后运动改善的预测系统 - Google Patents
一种基于个体特征的帕金森病术后运动改善的预测系统 Download PDFInfo
- Publication number
- CN115762757A CN115762757A CN202211398426.8A CN202211398426A CN115762757A CN 115762757 A CN115762757 A CN 115762757A CN 202211398426 A CN202211398426 A CN 202211398426A CN 115762757 A CN115762757 A CN 115762757A
- Authority
- CN
- China
- Prior art keywords
- matrix
- module
- image
- covariant
- brain
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于个体特征的帕金森病术后运动改善的预测系统,属于生物医学图像模式识别技术领域。首先,本发明基于多中心大样本的正常对照结构脑影像数据建立标准结构协变脑网络模型;再把患者个体数据加入正常对照组中作为对标准空间的扰动构建该扰动与标准模型间的偏移矩阵;对该矩阵进行标准化和非线性变换后作为特征矩阵输入预测框架中,建立与术后改善率间的多元回归模型;最终在发现集和独立测试集中验证预测模型的有效性。本发明提出一种新的刻画个体结构协变网络方法,并实现了对帕金森病DBS术后改善的智能预测,可以作为帕金森病临床手术疗效评估的一种辅助智能手段。
Description
技术领域
本方法属于生物医学图像模式识别技术领域,具体涉及结构磁共振脑影像数据处理,个体化结构协变脑网络构建以及帕金森病深部脑刺激(Deep brain stimulation,DBS)运动症状改善计算机辅助预测方法。
背景技术
帕金森病(Parkinson’s Disease,PD)是仅次于阿尔茨海默症的第二大神经退行性疾病,临床表现主要包括静止性震颤、身体僵硬、行动迟缓等。目前,65岁以上老人群体中发病率达到1.7%,80岁以上群体中的发病率达到10%。运动功能障碍不但会给老人们带来生活上的困扰,更是有可能引发跌倒等危害人身安全的意外事件。帕金森病的初期治疗方案主要通过药物补充脑部多巴胺含量,绝大多数在该阶段对左旋多巴类药物反应良好。然而当疾病进入中晚期,约近半数患者存在药物疗效的减退、运动症状波动、异动症、开关现象等并发症,这时DBS手术治疗就成为一种替代治疗方式。
虽然DBS自2002年已被美国食品药品管理局批准为一种可以有效改善帕金森病运动症状的辅助治疗手段,但是对个体而言DBS的术后实际改善具变异性。尤其DBS作为侵入式的脑机接口设备对人体具有一定的有创性,因此发展客观、可靠、高效的术前评估手段具有临床上的必要性。
发明内容
本发明首先发展一种基于结构磁共振成像的PD个体结构协变脑网络偏移的刻画方法,并以此为特征建立由术前患者脑结构信息预测DBS术后运动改善的预测系统。
本发明技术方案为一种基于个体特征的帕金森病术后运动改善的预测系统,该系统包括:图像采集模块、预处理模块、个体特征构建模块、预测模块;
所述图像采集模块采集正常被试者的结构磁共振脑影像,得到样本数据;
所述预处理模块中采用如下方法对样本数据进行处理:
步骤A1:手动调整脑部前联合和后联合到同一个水平线上,定空间原点位置到前联合处上并调整冠状位和横断位关于垂直线左右对称;
步骤A2:去除脑影像中的颅骨信息,基于先验的组织概率图和朴素贝叶斯算法从大脑中分割出灰质图像和白质图像;
步骤A3:通过仿射变换和非线性变换配准灰质图像和白质图像到标准大脑空间中;
步骤A4:应用雅可比行列式于配准后的图像进行调制,保留原始空间位置上体素的容积信息,根据Cat12软件分割后的图像质量报告筛选出评分大于80的样本进行后续处理
所述个体特征构建模块包括:局部区域形态学信息提取模块、构造结构协变网络模型模块、标准化处理模块;
其中,局部区域提取模块包括基于前人的全脑模板把大脑划分为若干个局部区域,再提取区域内的平均灰质容积和平均白质容积作为局部形态学表征;
构造结构协变网络模型模块的具体方法为:
B1:基于上述模块提取的形态学信息构造结构协变矩阵M,M中的每个元素为局部区域两两间的距离相关系数,计算公式如下:
其中,dCor(X,Y)表示X与Y两个变量间的距离相关系数,dCov(X,Y)表示X与Y间的距离协方差,dVar(X)和dVar(Y)表示X和Y各自的距离方差;
B2:设(Xk,Yk),k=1,2,...,n为第k个随机变量X和第k个随机变量Y的采样数据,首先计算每组样本间的距离矩阵A和B,距离矩阵A和B中每个元素计算如下:
其中aj,k和bj,k分别表示X变量和Y变量各自两两样本间的欧几里得距离;
对上述n×n维距离矩阵进行中心化处理:
B4:对所有样本进行重采样,每次采样去除一名正常被试者并在剩下的正常被试者中重复构造M,估计标准结构协变网络变异性的分布:
[|M1-M|,|M2-M|,…,|MR-M|]
其中,R表示正常被试者的总个数,计算该分布下的均值μM和标准差σM;
标准化处理模块的处理方法为:
对于帕金森病患者个体,获得DBS手术前扫描的结构磁共振图像,并添加到正常被试者中作为标准结构协变网络的扰动因子;把该R+1个被试的数据输入构造结构协变网络模型模块得到新的协变矩阵M*,进一步可得到患者个体下的偏移矩阵D=|M*-M|,使用步骤B4中估计的标准空间变异均值和标准差对患者个体偏移矩阵进行标准化处理:
所述预测模块中的计算方法为:
步骤C1:将构造协变网络模型模块得到的标准化特征矩阵ZD传入Sigmoid函数进行非线性变化到(0,1)数值区间内;
步骤C2:将帕金森病患者分为训练集和独立测试集,
步骤C3:对训练集上检验特征与DBS手术后运动改善率的皮尔逊相关性,过滤掉相关显著性大于0.0001的特征以降低模型的复杂度;
步骤C4:采用步骤C3得到训练集输入一个基于连接组的预测模型,该预测模型输出为预测的改善率,预测模型的损失函数为:
其中,yi表示第i个样本的真实标签,xij表示样本i中的第j个特征,βj为特征权重,λ为预先设置的常数控制正则项对特征权重的约束,p表示所有的特征条数,n表示总样本量;
步骤C5:实际获得帕金森病患者的结构磁共振脑影像后,经过预处理模块和个体特征构建模块中的标准化处理模块的处理后,输入训练好的基于连接组的预测模型,得到预测改善率。
本发明针对帕金森病患者临床表征异质性强问题,设计了一种可以进行个体大脑表征的系统框架,使用该系统可以量化个体的特异性,并且可以作为一种特征提取器有效地预测患者术后运动改善效果。
附图说明
图1为本发明整体流程图;
图2为患者个体结构协变网络偏移矩阵构建方法图;
图3为发现集合中留一法验证模型预测效果图;
图4为测试集中应用训练模型效果图。
具体实施方式
下面结合附图和实例详细说明本发明的实施过程。一种基于个体结构协变脑网络的帕金森病深部脑刺激运动改善预测方法,包括以下步骤:
A.结构磁共振图像预处理
步骤A1:手动调整前联合-后联合到同一个水平线上,定空间原点位置到前联合处上并调整冠状位和横断位关于垂直线左右对称;
步骤A2:在CAT12中去除脑图颅骨信息,基于先验的组织概率图和朴素贝叶斯算法从大脑中分割出灰质图像和白质图像;
步骤A3:通过仿射变换和非线性变换配准灰质和白质图像到标准MNI空间中,体素大小为1.5mm×1.5mm×1.5mm,空间维度是[121,145,121];
步骤A4:应用雅可比行列式于配准后的图像进行调制,保留原始空间位置上体素的容积信息。根据Cat12软件分割后的图像质量报告评分筛选出质量指数IQR>80的样本纳入后续分析。
B.个体特征矩阵构建
步骤B1:使用全脑268模板提取每一个感兴趣区(Region of interest,ROI)内的平均GMV和WMV;
步骤B2:对于满足分割质量筛查标准的590名正常对照,计算ROI两两间[GMV,WMV]二维向量间的距离相关系数并以此构造标准结构协变网络模型M268×268,计算公式如下:
其中,设(Xk,Yk),k=1,2,...,n为来自两个随机变量X和Y的采样样本,首先计算每组样本间正常被试者的距离矩阵,矩阵中每个元素计算如下:
对上述n×n维距离矩阵进行中心化处理:
进而计算式(1)中的距离协方差以及距离方差:
步骤B3:对上述590人样本进行重采样,每次采样去除一名正常被试者并在剩下的589人中重复步骤B2计算,估计标准结构协变网络变异性的分布[|M1-M|,|M2-M|,…,|M590-M|],计算该分布下的均值μM和标准差σM;
步骤B4:对于PD患者个体,获得DBS术前扫描的结构磁共振图像,并添加到590人的正常对照组中作为标准结构协变网络的扰动因子。对该591人的样本执行步骤B2操作,可得到患者个体下的偏移矩阵D=|M*-M|。使用步骤B3中估计的标准空间变异均值和标准差对患者个体偏移矩阵进行标准化处理:
C.预测模型训练和验证
步骤C1:对步骤B4中的标准化特征矩阵传入Sigmoid函数进行非线性变化到(0,1)数值区间内;
步骤C2:对159名PD患者进行分层抽样,划分为发现集127人,独立测试集32人。进一步地,对发现集应用留一法交叉验证,即每次在126人训练模型,在剩下1人上验证模型;
步骤C3:通过相关过滤法对特征进行降维,具体操作为在训练集上检验特征与DBS术后运动改善率的皮尔逊相关性,过滤掉显著性大于0.0001的特征以降低模型的复杂度;
步骤C4:使用筛选后的影像学特征以及患者的实际年龄建立与运动改善率的回归模型,为了消减特征间的共线性,加入参数的L2范数作为正则项最小化以下损失函数:
其中β为特征权重,λ为预先设置的常数控制正则项对特征权重的约束,此处令λ=25。
步骤C5:对于训练模型的评估采用预测运动改善率与实际运动改善率的相关性(r)、平均绝对误差(mean absolute error,MAE)以及决定系数(R2)量化。结果显示,模型在发现集(n=127)留一法验证中的预测相关性为r=0.46,p<0.0001;MAE=0.0823;R2=0.17;在测试集(n=32)应用训练模型的预测相关性为r=0.41,p=0.0211;MAE=0.0941;R2=0.13。
Claims (1)
1.一种基于个体特征的帕金森病术后运动改善的预测系统,该系统包括:图像采集模块、预处理模块、个体特征构建模块、预测模块;
所述图像采集模块采集正常被试者的结构磁共振脑影像,得到样本数据;
所述预处理模块中采用如下方法对样本数据进行处理:
步骤A1:手动调整脑部前联合和后联合到同一个水平线上,定空间原点位置到前联合处上并调整冠状位和横断位关于垂直线左右对称;
步骤A2:去除脑影像中的颅骨信息,基于先验的组织概率图和朴素贝叶斯算法从大脑中分割出灰质图像和白质图像;
步骤A3:通过仿射变换和非线性变换配准灰质图像和白质图像到标准大脑空间中;
步骤A4:应用雅可比行列式于配准后的图像进行调制,保留原始空间位置上体素的容积信息,根据Cat12软件分割后的图像质量报告筛选出评分大于80的样本进行后续处理
所述个体特征构建模块包括:局部区域形态学信息提取模块、构造结构协变网络模型模块、标准化处理模块;
其中,局部区域提取模块包括基于前人的全脑模板把大脑划分为若干个局部区域,再提取区域内的平均灰质容积和平均白质容积作为局部形态学表征;
构造结构协变网络模型模块的具体方法为:
B1:基于上述模块提取的形态学信息构造结构协变矩阵M,M中的每个元素为局部区域两两间的距离相关系数,计算公式如下:
其中,dCor(X,Y)表示X与Y两个变量间的距离相关系数,dCov(X,Y)表示X与Y间的距离协方差,dVar(X)和dVar(Y)表示X和Y各自的距离方差;
B2:设(Xk,Yk),k=1,2,...,n为第k个随机变量X和第k个随机变量Y的采样数据,首先计算每组样本间的距离矩阵A和B,距离矩阵A和B中每个元素计算如下:
其中aj,k和bj,k分别表示X变量和Y变量各自两两样本间的欧几里得距离;
对上述n×n维距离矩阵进行中心化处理:
B4:对所有样本进行重采样,每次采样去除一名正常被试者并在剩下的正常被试者中重复构造M,估计标准结构协变网络变异性的分布:
[|M1-M|,|M2-M|,…,|MR-M|]
其中,R表示正常被试者的总个数,计算该分布下的均值μM和标准差σM;
标准化处理模块的处理方法为:
对于帕金森病患者个体,获得DBS手术前扫描的结构磁共振图像,并添加到正常被试者中作为标准结构协变网络的扰动因子;把该R+1个被试的数据输入构造结构协变网络模型模块得到新的协变矩阵M*,进一步可得到患者个体下的偏移矩阵D=|M*-M|,使用步骤B4中估计的标准空间变异均值和标准差对患者个体偏移矩阵进行标准化处理:
所述预测模块中的计算方法为:
步骤C1:将构造协变网络模型模块得到的标准化特征矩阵ZD传入Sigmoid函数进行非线性变化到(0,1)数值区间内;
步骤C2:将帕金森病患者分为训练集和独立测试集,
步骤C3:对训练集上检验特征与DBS手术后运动改善率的皮尔逊相关性,过滤掉相关显著性大于0.0001的特征以降低模型的复杂度;
步骤C4:采用步骤C3得到训练集输入一个基于连接组的预测模型,该预测模型输出为预测的改善率,预测模型的损失函数为:
其中,yi表示第i个样本的真实标签,xij表示样本i中的第j个特征,βj为特征权重,λ为预先设置的常数控制正则项对特征权重的约束,p表示所有的特征条数,n表示总样本量;
步骤C5:实际获得帕金森病患者的结构磁共振脑影像后,经过预处理模块和个体特征构建模块中的标准化处理模块的处理后,输入训练好的基于连接组的预测模型,得到预测改善率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398426.8A CN115762757A (zh) | 2022-11-09 | 2022-11-09 | 一种基于个体特征的帕金森病术后运动改善的预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398426.8A CN115762757A (zh) | 2022-11-09 | 2022-11-09 | 一种基于个体特征的帕金森病术后运动改善的预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115762757A true CN115762757A (zh) | 2023-03-07 |
Family
ID=85368523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211398426.8A Pending CN115762757A (zh) | 2022-11-09 | 2022-11-09 | 一种基于个体特征的帕金森病术后运动改善的预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115762757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116825335A (zh) * | 2023-08-30 | 2023-09-29 | 首都医科大学附属北京友谊医院 | 帕金森患者步态的预后效果的预测模型训练的方法和设备 |
-
2022
- 2022-11-09 CN CN202211398426.8A patent/CN115762757A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116825335A (zh) * | 2023-08-30 | 2023-09-29 | 首都医科大学附属北京友谊医院 | 帕金森患者步态的预后效果的预测模型训练的方法和设备 |
CN116825335B (zh) * | 2023-08-30 | 2023-12-08 | 首都医科大学附属北京友谊医院 | 帕金森患者步态的预后效果的预测模型训练的方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ju et al. | Early diagnosis of Alzheimer's disease based on resting-state brain networks and deep learning | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
Raja'S et al. | Labeling of lumbar discs using both pixel-and object-level features with a two-level probabilistic model | |
US11501441B2 (en) | Biomarker determination using optical flows | |
KR20210030730A (ko) | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 | |
CN113222915B (zh) | 基于多模态磁共振影像组学的pd诊断模型的建立方法 | |
CN111540467B (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN111063442A (zh) | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 | |
US20240127447A1 (en) | Quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
CN115762757A (zh) | 一种基于个体特征的帕金森病术后运动改善的预测系统 | |
KR20220112269A (ko) | 지도형 위축 성장률의 예측을 생성하기 위한 oct 데이터의 신경망 처리 | |
CN110136840B (zh) | 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 | |
CN115496953A (zh) | 基于时空图卷积的脑网络分类方法 | |
Thangavel et al. | EAD-DNN: Early Alzheimer's disease prediction using deep neural networks | |
Janghel | Deep-learning-based classification and diagnosis of Alzheimer's disease | |
CN110569880A (zh) | 一种利用人工神经网络模型对视觉刺激解码方法 | |
Suganyadevi et al. | Alzheimer’s Disease Diagnosis using Deep Learning Approach | |
CN116863221A (zh) | 一种基于cnn与注意力机制的阿尔兹海默症分类方法 | |
CN110826633A (zh) | 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用 | |
Hamid et al. | An intelligent strabismus detection method based on convolution neural network | |
Elakkiya | Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI) | |
Raja et al. | Classification of spine image from MRI image using convolutional neural network | |
CN113080929A (zh) | 一种基于机器学习的抗nmdar脑炎图像特征分类方法 | |
Subbaraya et al. | Probabilistic principal component analysis and long short-term memory classifier for automatic detection of Alzheimer’s disease using MRI brain images |
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 |