TWI651688B - 利用磁振造影影像預測神經疾病的臨床嚴重度的方法 - Google Patents

利用磁振造影影像預測神經疾病的臨床嚴重度的方法 Download PDF

Info

Publication number
TWI651688B
TWI651688B TW106108918A TW106108918A TWI651688B TW I651688 B TWI651688 B TW I651688B TW 106108918 A TW106108918 A TW 106108918A TW 106108918 A TW106108918 A TW 106108918A TW I651688 B TWI651688 B TW I651688B
Authority
TW
Taiwan
Prior art keywords
magnetic resonance
resonance imaging
clinical severity
diffusion
evaluation score
Prior art date
Application number
TW106108918A
Other languages
English (en)
Other versions
TW201835857A (zh
Inventor
王俊杰
翁意欣
吳樹鏗
鄭竹珊
吳逸民
陳耀亮
林衛邑
陸清松
徐文俊
陳嘉玲
陳怡君
林嵩翰
蔡志謙
Original Assignee
長庚大學
長庚醫療財團法人林口長庚紀念醫院
長庚醫療財團法人基隆長庚紀念醫院
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 長庚大學, 長庚醫療財團法人林口長庚紀念醫院, 長庚醫療財團法人基隆長庚紀念醫院 filed Critical 長庚大學
Priority to TW106108918A priority Critical patent/TWI651688B/zh
Priority to US15/923,929 priority patent/US11931187B2/en
Publication of TW201835857A publication Critical patent/TW201835857A/zh
Application granted granted Critical
Publication of TWI651688B publication Critical patent/TWI651688B/zh

Links

Classifications

    • 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
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B5/4082—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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • 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]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一種利用磁振造影影像預測神經疾病的臨床嚴重度的方法，由一計算裝置實施，並用於根據一受檢者的腦部的至少一磁振造影影像來做預測，且包含以下步驟：根據該至少一磁振造影影像產生多個腦影像分區，其中每一腦影像分區對應至少一擴散指標與每一擴散指標的多個擴散指標數值；對於至少一腦影像分區對應的至少一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數；及利用一對應該神經疾病的預測模型，至少根據該至少一腦影像分區的該等特徵參數預測該受檢者的一相關於該神經疾病的臨床嚴重度的評估分數。

Description

利用磁振造影影像預測神經疾病的臨床嚴重度的方 法
本發明是有關於一種預測神經疾病的臨床嚴重度的方法，特別是指一種利用磁振造影影像預測神經疾病的臨床嚴重度的方法。
神經疾病臨床嚴重度的臨床狀況評估是一個重要的議題，目前主要是倚賴醫師於診間中對病患進行臨床的神經心理評量。但是進行評量的過程往往需耗費許多時間，在目前繁重的臨床門診量的情況下，此評量通常無法在門診時進行。病患必須另外安排進行評量的時間，在評量完畢之後另行返回門診與醫師討論報告，因此造成許多往返交通的不便和額外的門診費用。
患有神經疾病的病人，例如失智症或腦性麻痺的患者，他們就醫檢查時的配合度往往不高，評量的結果容易受到病人進行評量時的配合度影響，因此迫切需要發展方便、客觀的評量方法或工具。
另外，當病人確診後，疾病接下來的進展是病人最關心 的。神經科醫師也需要一個客觀的方式來了解所給予治療是否有效地改變疾病的原始進程。
因此，本發明之目的，即在提供一種利用磁振造影影像預測神經疾病的臨床嚴重度的方法。
於是，本發明利用磁振造影影像預測神經疾病的臨床嚴重度的方法由一計算裝置實施，並用於根據一受檢者的腦部的至少一磁振造影影像來做預測，且包含一步驟(a)、一步驟(b)，及一步驟(c)。
該步驟(a)是根據該至少一磁振造影影像產生多個腦影像分區，其中每一腦影像分區對應至少一擴散指標與每一擴散指標的多個擴散指標數值。
該步驟(b)是對於至少一腦影像分區對應的至少一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數。
該步驟(c)是利用一對應該神經疾病的預測模型，至少根據該至少一腦影像分區的該等特徵參數預測該受檢者的一相關於該神經疾病的臨床嚴重度的評估分數。
本發明之功效在於：能根據受檢者的磁振造影影像預測出受檢者的神經疾病的臨床嚴重度的評估分數。
11~13‧‧‧步驟
2‧‧‧擴散磁振造影影像
3‧‧‧解剖影像
4‧‧‧腦影像分區
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一流程圖，說明本發明利用磁振造影影像預測神經疾病的臨床嚴重度的方法；圖2是一示意圖，說明利用多個擴散磁振造影影像與一解剖影像產生多個腦影像分區；圖3(a)~(b)是資料散佈圖，說明利用一線性回歸模型來預測腦性麻痺患者的臨床嚴重度的適合度；圖4(a)~(c)是資料散佈圖，說明利用一線性回歸模型來預測阿茲海默症患者的臨床嚴重度的適合度；圖5(a)~(c)是資料散佈圖，說明利用一線性回歸模型來預測帕金森氏症患者的臨床嚴重度的適合度；圖6(a)~(c)是資料散佈圖，配合圖5(a)~(c)說明利用一線性回歸模型來預測帕金森氏症患者的臨床嚴重度的適合度；圖7(a)~(c)是資料散佈圖，說明利用一線性回歸模型來對阿茲海默症患者進行預後的預測的適合度；圖8(a)~(c)是資料散佈圖，說明利用一線性回歸模型來對帕金森氏症患者進行預像的預測的適合度；及圖9(a)~(c)是資料散佈圖，配合圖8(a)~(c)說明利用一線性回歸模型來對帕金森氏症患者進行預後的預測的適合度。
在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
本發明利用磁振造影影像預測神經疾病的臨床嚴重度的方法由一計算裝置實施，並用於根據一受檢者腦部的利用磁振造影所獲得的多個擴散磁振造影影像(diffusion MRI image)及一具有高解析度與高對比的解剖影像(anatomical image)來做預測；其中該神經疾病包含神經退化疾病，例如為帕金森氏症、阿茲海默症，或神經發展疾病，例如腦性麻痺等，該計算裝置可為工作站、個人電腦、平板電腦等具有一般計算能力的電腦裝置。
參閱圖1與圖2，以下詳述本發明利用磁振造影影像預測神經疾病的臨床嚴重度的方法。
首先在步驟11，如圖2所示，利用該等擴散磁振造影影像2與該解剖影像3產生多個腦影像分區4，其中每一腦影像分區4對應至少一擴散指標(diffusion index)與每一擴散指標的多個擴散指標數值。
較佳地，每一擴散指標可為相關於擴散張量造影(diffusion tensor imaging,DTI)的部分非等向性指標(fractional anisotropy，FA)、平均擴散指標(mean diffusivity,MD)、徑向擴散指標(radial diffusivity,RD)，及軸向擴散指標 (axial diffusivity,AD)的其中一者；或是相關於擴散峰度造影(diffusion kurtosis imaging,DKI)的峰度非等向性指標(kurtosis fractional anisotropy，KFA)、平均擴散峰度指標(mean kurtosis,MK)、徑向擴散峰度指標(radial kurtosis,KR)，及軸向擴散峰度指標(axial kurtosis,KA)的其中一者；或是相關於神經纖維定向擴散與密度造影(neurite orientation dispersion and density imaging,NODDI)的胞內體積分率(intra-cellular volume fraction,Ficvf)、腦脊液體積分率(CSF volume fraction,Fiso)、擬合目標函數值(Fitting objective function values,Fmin)、華生分佈濃度參數(Concentration parameter of Watson distribution,Fkappa)及取向分散指數(Orientation dispersion index,ODI)的其中一者；或是相關於由複合阻礙和限制擴散模型(composite hindered and restricted model of diffusion,CHARMED)延伸而來之AxCaliber的受阻擴散部份外水分子之信號衰減(Eh)及被限制擴散水分子之信號衰減(Er)的其中一者。較佳地，可利用一標準腦模板，例如自動化解剖標記(automated anatomical labeling，AAL)，來自動進行全腦分割而產生多個腦影像分區4。
接著在步驟12，對於每一腦影像分區4對應的每一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數， 其中每一特徵參數為該等擴散指標數值的一統計量。較佳地，該統計量為該等擴散指標數值的一平均數(mean)，或百分位數，例如中位數(median)、第十百分位數、第九十百分位數等等。
接著在步驟13，利用一預先訓練好且對應一神經疾病的預測模型，根據該等腦影像分區4的該等特徵參數預測該受檢者的一相關於該神經疾病的臨床嚴重度的評估量表的評估分數。
在一實施方式中，該預測模型為一線性回歸模型(linear regression model)，且在該步驟13中是要預測在該受檢者拍攝該等磁振造影影像時的前後期間該評估量表的評估分數。詳言之，在進行預測之前，需預先針對該神經疾病收集多個樣本做為該線性回歸模型的訓練樣本。也就是收集多個個體的腦部的擴散磁振造影影像2與解剖影像3，與該等個體在拍攝該等影像時的前後期間藉由填寫該評估量表所獲得的多個評估分數，然後針對每一個體產生該等特徵參數；而每一個體的該等特徵參數與藉由填寫該評估量表所獲得的該評估分數的組合即為一訓練樣本。較佳地，利用該等訓練樣本進行逐步回歸分析(stepwise regression)而訓練出該線性回歸模型。
較佳地，對每一個體來說，根據該自動化解剖標記產生116個腦影像分區4，且每一腦影像分區4的該等特徵參數的種類數量為15，包括該腦影像分區4的非等向性指標數值(FA)的中位數、 第十百分位數、第九十百分位數，及平均擴散指標數值(MD)的中位數、第十百分位數、第九十百分位數，及徑向擴散指標數值(RD)的中位數、第十百分位數、第九十百分位數，及軸向擴散指標數值(AD)的中位數、第十百分位數、第九十百分位數，以及平均擴散峰度指標(MK)的中位數、第十百分位數、第九十百分位數；對於每一個體來說，共產生了1740種/個特徵參數。逐步回歸分析會自動從該1740種特徵參數中挑選出多種特徵參數做為該線性回歸模型的自變數，並輸出具有較佳預測能力的線性回歸模型，也就是Y1=β10+β11 X 11+β12 X 12+...+β1N X 1N ， (1)其中{X 1i |i=1,2,...,N}是逐步回歸分析從該1740種特徵參數中自動挑選出來的自變數，{β1j|j=0,1,...,N}是逐步回歸分析所自動決定出來的回歸係數，Y1是依變數，也就是所預測出來的該評估量表的評估分數。
在利用方程式(1)進行預測時，將根據該受檢者的該等磁振造影影像所計算出來的特徵參數{X 1i |i=1,2,...,N}代入方程式(1)，即可預測出該受檢者在拍攝該等磁振造影影像時的前後期間該評估量表的評估分數。也就是說，該受檢者僅需進行磁振造影影像的拍攝，不需在拍攝影像的前後期間內填寫該評估量表；利用方程式(1)能自動預測出該受檢者的該評估量表的評估分數。
此外，值得一提的是，當利用方程式(1)進行預測且 N<1740時，可僅計算出該受檢者的{X 1i |i=1,2,...,N}等特徵參數，而不用計算出該1740種特徵參數。
參閱圖3，為了驗證前述線性回歸模型的有效性，本案發明人收集了多個腦性麻痺患者的擴散磁振造影影像2與解剖影像3，與該等患者在拍攝該等影像時的前後期間內填寫布魯茵克斯-歐西瑞斯基動作量表第二版(Bruininks-Oseretsky Test of Motor Proficiency,Second Edition,BOT-II)所產生的多個臨床嚴重度的實際評估分數，及填寫兒童專用功能性自主評量量表(Functional Independence Measure for Children,WeeFIM)所產生的多個實際評估分數，並利用調整後的R平方解釋力(adjusted R2)來驗證利用前述線性回歸模型來預測BOT-II的評估分數的適合度(goodness-of-fit)，與預測WeeFIM的評估分數的適合度。如圖3(a)所示，前述線性回歸模型針對該等腦性麻痺患者所預測的BOT-II的評估分數與該等腦性麻痺患者的實際評估分數顯著地具有線性關係，根據該等預測的評估分數與該等實際評估分數所計算出的調整後的R平方解釋力為0.741。如圖3(b)所示，前述線性回歸模型針對該等腦性麻痺患者所預測的WeeFIM的評估分數與該等腦性麻痺患者的實際評估分數顯著地具有線性關係，根據該等預測的評估分數與該等實際評估分數所計算出的調整後的R平方解釋力為0.876。由上述的分析可知，該線性回歸模型顯著適 合用於根據一腦性麻痺患者的擴散磁振造影影像2與解剖影像3來預測該腦性麻痺患者在拍攝該等磁振造影影像時的前後期間的臨床嚴重度。
類似地，前述線性回歸模型也適合用於預測阿茲海默症患者在拍攝該等磁振造影影像時的前後期間的臨床嚴重度。如圖4所示，前述線性回歸模型對於魏氏記憶量表第二版(Wechsler Memory Scale-Revised)的Logical Memory I量表、Logical Memory II量表，及Logical Memory II Recognition量表的評估分數的預測的調整後的R平方解釋力分別為0.64、0.43，及0.57。
類似地，前述線性回歸模型也適合用於預測帕金森氏症患者在拍攝該等磁振造影影像時的前後期間的臨床嚴重度。如圖5所示，前述線性回歸模型對於輕度帕金森氏症、中度帕金森氏症，及重度帕金森氏症的帕金森症狀量表(Unified Parkinson's Disease Rating Scale,UPDRS)的評估分數的預測的調整後的R平方解釋力分別為0.774、0.759，及0.781。如圖6所示，前述線性回歸模型對於輕度帕金森氏症、中度帕金森氏症，及重度帕金森氏症的帕金森症狀量表-動作領域(Unified Parkinson's Disease Rating Scale-motor domain,UPDRS-III)的評估分數的預測的調整後的R平方解釋力分別為0.761、0.725，及0.859。
在另一實施方式中，也可利用一線性回歸模型來進行神 經疾病的預後(prognosis)的預測。詳言之，定義該受檢者拍攝該等磁振造影影像的前後期間為一第一時點，且該受檢者拍攝該等磁振造影影像後的一段時間為一第二時點，例如該第二時點晚於該第一時點一年。在進行預測之前，預先針對該神經疾病收集多個樣本做為該線性回歸模型的訓練樣本。也就是預先收集多個個體的在該第一時點的腦部的擴散磁振造影影像2與解剖影像3、該等個體在該第一時點藉由填寫該評估量表所獲得的多個第一評估分數，及該等個體在該第二時點藉由填寫該評估量表所獲得的多個第二評估分數。然後針對每一個體產生該等特徵參數，並計算該個體的該第二評估分數與該第一評估分數的差值(第二評估分數-第一評估分數)；每一個體的該等特徵參數與該差值的組合即為一訓練樣本。接著利用該等訓練樣本進行逐步回歸分析而訓練出該線性回歸模型，也就是Y2=β20+β21 X 21+β22 X 22+...+β2N X 2N ， (2)其中{X 2i |i=1,2,...,N}是逐步回歸分析從該1740種特徵參數中自動挑選出來的自變數，{β2j|j=0,1,...,N}是逐步回歸分析自動決定出來的回歸係數，Y2是依變數，也就是所預測出來的該第二評估分數與該第一評估分數的差值。
在利用方程式(2)進行預測時，將根據該受檢者的該等磁振造影影像所計算出來的特徵參數{X 2i |i=1,2,...,N}代入方程式 (2)，即可預測出該受檢者的該第二評估分數與該第一評估分數的差值，並進一步預測出該第二評估分數，也就是該第一評估分數與該差值的總和。也就是說，該受檢者僅需在該第一時點進行磁振造影影像的拍攝，與填寫該評估量表而產生該第一評估分數；利用方程式(2)能自動預測出該受檢者在該第二時點的該評估量表的該第二評估分數。
特別地，藉由前述預後的預測，可提供神經科醫師一個客觀的方式來了解所給予治療是否有效地改變神經疾病的原始進程。
參閱圖7，為了驗證利用前述線性回歸模型進行預後的預測的有效性，本案發明人收集了多個阿茲海默症患者的在該第一時點的擴散磁振造影影像2與解剖影像3，與該等患者在該第一時點與該第二時點藉由分別填寫魏氏記憶量表第二版的Logical Memory I量表、Logical Memory II量表，及Logical Memory IIRecognition量表，所分別產生的Logical Memory I的多個第一評估分數與多個第二評估分數、Logical Memory II的多個第一評估分數與多個第二評估分數，及Logical Memory II Recognition的多個第一評估分數與多個第二評估分數，其中該第二時點晚於該第一時點一年；並利用調整後的R平方解釋力來驗證利用前述線性回歸模型來預測Logical Memory I的第二評估分數、Logical Memory II的第二評估分數，及Logical Memory II Recognition的第二評估分數的適合度。如圖7所示，前述線性回歸模型對於Logical Memory I、Logical Memory II，及Logical Memory II Recognition的調整後的R平方解釋力分別為0.63、0.843，及0.909。由上述的分析可知，該線性回歸模型顯著適合用於一阿茲海默症患者的預後的預測。
類似地，前述線性回歸模型也適合用於帕金森氏症的預後的預測。如圖8所示，前述線性回歸模型對於輕度帕金森氏症、中度帕金森氏症，及重度帕金森氏症的UPDRS量表的預後預測的調整後的R平方解釋力分別為0.63、0.90，及0.90；其中該第二時點晚於該第一時點一年。如圖9所示，前述線性回歸模型對於輕度帕金森氏症、中度帕金森氏症，及重度帕金森氏症的UPDRS-III量表的預後預測的調整後的R平方解釋力分別為0.68、0.93，及0.81；其中該第二時點晚於該第一時點一年。
此外，在另一實施方式中，可在訓練該線性回歸模型之前，基於該等訓練樣本，利用一統計相關性分析，例如皮爾生相關係數(Pearson's correlation coefficient)，來檢定每一腦影像分區4的該等特徵參數與該評估分數是否具有顯著相關性。且在訓練該線性回歸模型時，僅利用具有顯著相關性的該等腦影像分區4的該等特徵參數來訓練該線性回歸模型。如此，可減少訓練該線性回 歸模型所需的時間。
此外，在另一實施方式中，在該步驟13可利用其他預測模型來預測該評估分數。例如，預先收集多個對應該神經疾病的訓練樣本來訓練出一類神經網路(neural network)，並利用該類神經網路來預測該評估分數。
綜上所述，本發明利用磁振造影影像預測神經疾病的臨床嚴重度的方法，藉由根據受檢者的擴散磁振造影影像與解剖影像產生多個腦影像分區，且對於每一腦影像分區對應的每一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數，並利用預先訓練好的預測模型根據該等特徵參數進行預測，能有效地預測出受檢者的該神經疾病的臨床嚴重度的評估分數，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

Claims (9)

  1. 一種利用磁振造影影像預測神經疾病的臨床嚴重度的方法，由一計算裝置實施，並用於根據一受檢者的腦部的至少一磁振造影影像來做預測，且包含以下步驟：(a)根據該至少一磁振造影影像進行全腦影像分割而產生多個腦影像分區，其中每一腦影像分區對應至少一擴散指標與每一擴散指標的多個擴散指標數值；(b)對於每一腦影像分區對應的至少一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數；(c)利用一對應該神經疾病的預測模型，至少根據該等腦影像分區的該等特徵參數預測該受檢者的一相關於該神經疾病的臨床嚴重度的評估分數；及(d)對於每一腦影像分區，利用一統計相關性分析來判斷該腦影像分區的該至少一特徵參數與該評估分數是否具有顯著相關性，且在該步驟(c)，至少根據具有該顯著相關性的該等腦影像分區的該等特徵參數預測該評估分數。
  2. 如請求項1所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(c)是預測在該至少一磁振造影影像被產生時的前後期間該受檢者的該評估分數。
  3. 如請求項1所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(c)是根據該等腦影像分區的該等特徵參數，與預存的在一第一時點該受檢者的該神經疾病的臨床嚴重度的一第一評估分數，計算出在一第二時點該受檢者的該神經疾病的臨床嚴重度的一第二評估分數，其中該第一時點對應該至少一磁振造影影像被產生時的前後期間，且該第二時點晚於該第一時點。
  4. 如請求項3所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(c)是根據該等腦影像分區的該等特徵參數預測該第二評估分數與該第一評估分數的一差值，並藉由該第一評估分數與該差值的總和計算出該第二評估分數。
  5. 如請求項2或3所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(b)，該至少一特徵參數包含該等擴散指標數值的一統計量。
  6. 如請求項5所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(b)，該統計量為一種百分位數及一平均數的其中一者。
  7. 如請求項1所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(c)，該預測模型是一回歸模型。
  8. 如請求項1所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(a)，每一擴散指標相關於擴散張量造影、擴散峰度造影、神經纖維定向擴散與密度造影，及AxCaliber的其中一者。
  9. 如請求項1所述的利用磁振造影影像預測神經疾病的臨床嚴重度的方法，其中在該步驟(a)是根據多個擴散磁振造影影像與一解剖影像產生該等腦影像分區。
TW106108918A 2017-03-17 2017-03-17 利用磁振造影影像預測神經疾病的臨床嚴重度的方法 TWI651688B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW106108918A TWI651688B (zh) 2017-03-17 2017-03-17 利用磁振造影影像預測神經疾病的臨床嚴重度的方法
US15/923,929 US11931187B2 (en) 2017-03-17 2018-03-16 Method for predicting clinical severity of a neurological disorder by magnetic resonance imaging

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106108918A TWI651688B (zh) 2017-03-17 2017-03-17 利用磁振造影影像預測神經疾病的臨床嚴重度的方法

Publications (2)

Publication Number Publication Date
TW201835857A TW201835857A (zh) 2018-10-01
TWI651688B true TWI651688B (zh) 2019-02-21

Family

ID=63520840

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106108918A TWI651688B (zh) 2017-03-17 2017-03-17 利用磁振造影影像預測神經疾病的臨床嚴重度的方法

Country Status (2)

Country Link
US (1) US11931187B2 (zh)
TW (1) TWI651688B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI725813B (zh) * 2020-04-09 2021-04-21 國立中央大學 磁振造影之自動腦部梗塞偵測系統及其運作方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190365229A1 (en) * 2018-05-29 2019-12-05 Wisconsin Alumni Research Foundation System and method for assessment of neuro-inflammation using magnetic resonance imaging (mri)
EP3617733A1 (en) * 2018-08-30 2020-03-04 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Method and apparatus for processing magnetic resonance data using machine learning
US20200297287A1 (en) * 2019-03-20 2020-09-24 The Board Of Regents Of The University Of Texas System System and method for automated rules based assessment of aneurysm coil stability
JP6966828B2 (ja) * 2019-09-30 2021-11-17 株式会社Rainbow 運動機能の状態を評価するための方法、プログラム及び装置
CN113171075B (zh) * 2021-04-16 2023-02-24 东北大学 基于深度生成模型的神经退行性疾病脑影像生成预测方法
KR102680537B1 (ko) 2021-12-07 2024-07-02 계명대학교 산학협력단 기계학습모델 기반 신생아의 f-18 fdg pet 영상을 이용하여 장래 뇌신경 발달 장애를 예측하는 방법 및 분석장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060017749A1 (en) * 2004-07-07 2006-01-26 Mcintyre Cameron C Brain stimulation models, systems, devices, and methods
CN101097628A (zh) * 2006-06-28 2008-01-02 西门子公司 用于分析两张成像图像的方法以及医学成像系统
US20110199084A1 (en) * 2010-02-16 2011-08-18 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging
US20110218253A1 (en) * 2010-01-26 2011-09-08 Lange Nicholas T Imaging-based identification of a neurological disease or a neurological disorder

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5632276A (en) * 1995-01-27 1997-05-27 Eidelberg; David Markers for use in screening patients for nervous system dysfunction and a method and apparatus for using same
EP1603076A1 (en) * 2004-05-13 2005-12-07 Aalborg Universitet Computerized cortex boundary extraction from MR images
JP4308871B2 (ja) * 2005-10-12 2009-08-05 学校法人東京電機大学 脳機能データ解析方法、脳機能解析装置及び脳機能解析プログラム
WO2007095312A2 (en) * 2006-02-13 2007-08-23 University Of Chicago Image reconstruction from limited or incomplete data
US7672790B2 (en) * 2006-11-02 2010-03-02 Siemens Medical Solutions Usa, Inc. System and method for stochastic DT-MRI connectivity mapping on the GPU
WO2008093057A1 (en) * 2007-01-30 2008-08-07 Ge Healthcare Limited Tools for aiding in the diagnosis of neurodegenerative diseases
WO2009146388A1 (en) * 2008-05-28 2009-12-03 The Trustees Of Columbia University In The City Of New York Voxel-based methods for assessing subjects using positron emission tomography
US8666475B2 (en) * 2008-10-22 2014-03-04 The Trustees Of Columbia University In The City Of New York Images of language-sensitive neurocircuitry as a diagnostic for autism
US9271651B2 (en) * 2009-11-30 2016-03-01 General Electric Company System and method for integrated quantifiable detection, diagnosis and monitoring of disease using patient related time trend data
JP2013534440A (ja) * 2010-06-22 2013-09-05 ザ・ジョンズ・ホプキンス・ユニバーシティ 非侵襲的画像分析装置、それに用いるワークステーションおよび画像分析方法
EP2461175A1 (en) * 2010-12-02 2012-06-06 Koninklijke Philips Electronics N.V. MR imaging using a multi-point Dixon technique
US9031292B2 (en) * 2012-04-19 2015-05-12 Chang Gung University Method for the diagnosis of neurodegenerative disorder by using diffusion kurtosis imaging
US20140107521A1 (en) * 2012-10-12 2014-04-17 Case Western Reserve University Functional brain connectivity and background noise as biomarkers for cognitive impairment and epilepsy
CN104955388B (zh) * 2012-11-13 2018-12-25 艾欧敏达有限公司 采用时空划分的神经生理学数据分析
KR101401969B1 (ko) * 2013-02-20 2014-06-30 한양대학교 산학협력단 Ｍｒｉ 시스템을 이용하여 대상체 내의 신경 섬유에 관한 섬유 구조 정보를 획득하기 위한 방법 및 장치
US9412076B2 (en) * 2013-07-02 2016-08-09 Surgical Information Sciences, Inc. Methods and systems for a high-resolution brain image pipeline and database program
WO2015042416A1 (en) * 2013-09-20 2015-03-26 Children's Medical Center Corporation Methods and apparatus for modeling diffusion-weighted mr data acquired at multiple non-zero b-values
TWI542328B (zh) * 2014-07-31 2016-07-21 國立中央大學 偵測與量化腦梗塞區域的方法
EP3432784B1 (en) * 2016-03-24 2020-09-23 The Regents of The University of California Deep-learning-based cancer classification using a hierarchical classification framework
EP3627992A4 (en) * 2017-03-30 2021-03-24 The Trustees of Columbia University in the City of New York SYSTEM, METHOD, AND COMPUTER-ACCESSIBLE MEDIUM FOR PREDICTING RESPONSE TO ELECTROCONVULSION THERAPY BASED ON BRAIN FUNCTION CONNECTIVITY PATTERNS
US10890641B2 (en) * 2017-04-07 2021-01-12 Cornell University System and method of robust quantitative susceptibility mapping
US11328426B2 (en) * 2017-10-03 2022-05-10 Mint Labs Inc. Fiber tracking and segmentation
EP3617733A1 (en) * 2018-08-30 2020-03-04 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Method and apparatus for processing magnetic resonance data using machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060017749A1 (en) * 2004-07-07 2006-01-26 Mcintyre Cameron C Brain stimulation models, systems, devices, and methods
CN101097628A (zh) * 2006-06-28 2008-01-02 西门子公司 用于分析两张成像图像的方法以及医学成像系统
US20110218253A1 (en) * 2010-01-26 2011-09-08 Lange Nicholas T Imaging-based identification of a neurological disease or a neurological disorder
US20110199084A1 (en) * 2010-02-16 2011-08-18 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI725813B (zh) * 2020-04-09 2021-04-21 國立中央大學 磁振造影之自動腦部梗塞偵測系統及其運作方法
US11042983B1 (en) 2020-04-09 2021-06-22 National Central University Automatic brain infarction detection system on magnetic resonance imaging and operation method thereof

Also Published As

Publication number Publication date
US11931187B2 (en) 2024-03-19
US20180263569A1 (en) 2018-09-20
TW201835857A (zh) 2018-10-01

Similar Documents

Publication Publication Date Title
TWI651688B (zh) 利用磁振造影影像預測神經疾病的臨床嚴重度的方法
Elliott et al. Disparities in the pace of biological aging among midlife adults of the same chronological age have implications for future frailty risk and policy
Gill et al. Using machine learning to predict dementia from neuropsychiatric symptom and neuroimaging data
Beheshti et al. The association between “Brain‐Age Score”(BAS) and traditional neuropsychological screening tools in Alzheimer's disease
Westman et al. Regional magnetic resonance imaging measures for multivariate analysis in Alzheimer’s disease and mild cognitive impairment
Salvatore et al. MRI characterizes the progressive course of AD and predicts conversion to Alzheimer’s dementia 24 months before probable diagnosis
Hampshire et al. Hypoconnectivity and hyperfrontality in retired American football players
Cantor et al. Diffusion tensor imaging of pedophilia
US20110301431A1 (en) Methods of classifying cognitive states and traits and applications thereof
Kellmeyer Ethical and legal implications of the methodological crisis in neuroimaging
Houston et al. Type I Chiari malformation, RBANS performance, and brain morphology: Connecting the dots on cognition and macrolevel brain structure.
Jongkreangkrai et al. Computer-aided classification of Alzheimer's disease based on support vector machine with combination of cerebral image features in MRI
Burch et al. Dilemmas in the interpretation of diagnostic accuracy studies on presurgical workup for epilepsy surgery
Ko et al. Cognitive profiling related to cerebral amyloid beta burden using machine learning approaches
Jalakas et al. A quick test of cognitive speed can predict development of dementia in Parkinson’s disease
KR20200073156A (ko) 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치
Iorga et al. Predicting language recovery in post-stroke aphasia using behavior and functional MRI
Patil et al. Analysis of sub-anatomic diffusion tensor imaging indices in white matter regions of Alzheimer with MMSE score
Asselin et al. Spatial regression analysis of MR diffusion reveals subject-specific white matter changes associated with repetitive head impacts in contact sports
Xue et al. A Bayesian spatial model to predict disease status using imaging data from various modalities
Vanderlinden et al. Robotic technology quantifies novel perceptual-motor impairments in patients with chronic kidney disease
Wilmskoetter et al. Dynamic network properties of the superior temporal gyrus mediate the impact of brain age gap on chronic aphasia severity
Wei et al. Brain age gap in neuromyelitis optica spectrum disorders and multiple sclerosis
Bouts et al. Detection of mild cognitive impairment in a community‐dwelling population using quantitative, multiparametric MRI‐based classification
Nelson et al. Taxonomic Interference Associated with Phonemic Paraphasias in Agrammatic Primary Progressive Aphasia