一种基于个体结构脑网络的癫痫术后疗效预测系统

1.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，个体结构协变网络构建以及癫痫的外科手术疗效预测方法。


背景技术：

2.癫痫是全球范围内最常见的神经系统疾病之一，全世界约有7000万人口患有癫痫，每年新发患者约200万。癫痫首选抗癫痫药物治疗，但约有30％为药物难治性癫痫。外科手术切除是癫痫治疗重要的组成部分，至少50％的药物难治性癫痫患者适于接受外科手术治疗，但仍有相当一部分癫痫患者在外科手术后癫痫仍会持续,因此术前对手术疗效的个体评估对精准治疗十分必要。尽管目前临床上在多学科系统的术前评估方面取得了进步，传统的癫痫神经外科亟需在新技术和新方法上创新，推动癫痫精准诊疗的发展。


技术实现要素：

3.本发明针对技术背景提出的临床需要，提出基于癫痫患者术前个体脑网络的术后疗效智能评估系统。首先，利用结构磁共振影像构建癫痫患者在个体水平上的结构协变网络，并以此作为指标挖掘术前结构脑网络特征与手术疗效的关系，进一步基于机器学习方法构建癫痫患者的术后疗效分类模型，实现术前智能评估。
4.本发明技术方案为：一种基于个体结构脑网络的癫痫术后疗效预测系统，该系统包含5个模块：磁共振结构影像采集以及手术预后评估模块、结构影像数据预处理模块、构建标准手术切除模板模块、个体结构协变网络构建模块、特征筛选和手术疗效分类预测模块；
5.所述磁共振结构影像采集以及手术预后模块：该模块的作用是将采集到的接受同一类外科手术治疗的癫痫患者的术前磁共振结构影像，和，术后的恢复情况进行保存记录；
6.所述结构影像数据预处理模块的处理方法为：
7.步骤a1：手动调整前联合和后联合，使它们位于同一水平线上；
8.步骤a2：使用cat12软件包将颅骨的信息从图像中去除，然后使用先验的组织概率图和朴素贝叶斯算法来识别不同的组织类型；
9.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(montreal neurological institute)空间中；
10.步骤a4：运用雅可比行列式来保留原空间位置上的信息；通过cat12软件的分割，对图像进行质量评分，选择质量指数大于设定阈值的图像进行后续分析；
11.步骤a5：对灰质图像进行各向同性的高斯平滑处理，以消除噪声和伪影；
12.所述构建手术标准切除模板模块：
13.步骤b1：将预处理好的术前影像减去术后影像，再手动调整阈值，得到每个患者在mni空间中的外科手术区域，用三维矩阵表示为msm，m代表患者的编号；
14.步骤b2：将每个患者的手术区域重叠以得到组水平上的切除区域ms，具体的方式：
15.ms＝ms1∪ms2∪ms3…
msm16.步骤b3：基于前人的全脑模板，将切除的区域ms映射在模板上，选出切除区域与模板区域的重叠率大于50％的脑区，作为标准切除模板；
17.所述个体结构协变网络构建模块的处理方法包括：提取脑区的形态学特征、构建结构协变网络、结构协变网络标准化；
18.所述脑区的形态学信息提取：
19.利用全脑模板把大脑划分为若干个局部脑区，再提取区域内的平均灰质容积作为局部形态学表征；
20.所述构建结构协变网络的具体方法如下：
21.步骤c1：提取正常被试脑区的形态学信息构建结构协变网络m，m中的每个元素为脑区之间的皮尔逊相关系数，将m作为参考网络，计算公式如下：
[0022][0023]
其中，m
ij
为m中第i行第j列的值，(x
i,
yj),i,j＝1,2
…
,n为第i个随机变量x和第j个随机变量y的采样数据，和是随机变量x和y的平均值，(x
,
y)具体代表脑区的灰质体积(gmv)；
[0024]
步骤c2：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结构协变网络m，估计标准结构协变网络变异性的分布：
[0025]
[|m
1-m|,|m
2-m|
…
,|m
q-m|]
[0026]
其中，q表示正常被试者的总个数；
[0027]
所述结构协变网络标准化的方法为：
[0028]
步骤d1：对于每一例癫痫患者，将其手术前的结构磁共振影像添加到正常被试人群中作为参考协变网络的扰动因子；将第i个患者的数据作为添加到正常被试中获得新的结构协变网络m
*
，进一步可得到患者的个体偏移矩阵d＝m
*-m；
[0029]
步骤d2：对患者个体的偏移矩阵计算得分zi进行标准化，计算公式如下：
[0030][0031]
median(x)是所有样本观察值的中位数，mad是中位数的绝对偏差，定义如下：
[0032]
mad＝median|x
i-median(xi)|
[0033]
相比于对异常值较敏感的标准差，mad具有更好的鲁棒性，为了使mad作为一致估计量来估计标准差，对mad进行变换：
[0034]
mad＝δ/k
[0035]
其中，k是一个常量因子，δ是样本标准差；将每个患者的zi组合得到标准化后的结构协变网络zd；
[0036]
所述特征筛选和手术疗效分类预测模块的计算方法为：
[0037]
步骤d1：采用十折交叉验证，将数据集分为10折，其中9折为训练集，1折为训练集；
[0038]
步骤d2：将上述获得的网络矩阵zd计算每个脑区的特征，并且使用得分f(i)对特征进行初步的筛选，f(i)计算方式：
[0039][0040]
其中，i代表第i个特征，每个特征都有个f(i)，是所有特征的平均值，其中(+)和(-)分别代表阳性样本和阴性样本，即代表患者癫痫未消失和患者癫痫发作完全消失，f(i)越大表明这个特征对分类任务更具有区分性；
[0041]
步骤d3：将测试集放入训练好的模型，得到预测的术后疗效。
[0042]
本发明针对癫痫患者的手术疗效问题，设计了一种可以量化个体大脑特异性的系统框架，并且该系统考虑了患者的手术信息，可以更加准确的提取特征进而预测患者的手术疗效。
附图说明
[0043]
图1为本发明整体流程图；
[0044]
图2为本发明的手术切除模板；
[0045]
图3为10折交叉验证的预测效果图；
[0046]
图4为模型返回的重要特征分布。
[0047]
实施方式
[0048]
首先临床采集接受同一类外科手术治疗(例如前颞叶切除术)的癫痫患者的术前磁共振结构影像(3dt1)；术后随访一年，根据患者手术后的癫痫发作情况，由engel外科手术疗效评级；engel评级ia提示患者癫痫发作完全消失(seizure free,sf)；其余更高的engel评级(ib及以上)为手术疗效差(non-seizure free,nsf)，即还有癫痫发作；
[0049]
然后进行如下处理：
[0050]
a.数据预处理：
[0051]
步骤a1：手动调整前联合和后联合，使它们位于同一水平线上。同时将空间原点位置定在前联合处，并通过调整冠状位和横断位使左右对称关于垂直线；
[0052]
步骤a2：使用cat12将颅骨的信息从图像中去除，然后使用先验的组织概率图和朴素贝叶斯算法来识别不同的组织类型，将图像分割成灰质图像和白质图像；
[0053]
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]；
[0054]
步骤a4：在影像配准后的图像中，运用雅可比行列式来保留原空间位置上的信息。这一过程可以保留体素的容积信息。通过cat12软件的分割，对图像进行质量评分，并按照该评分选择质量指数iqr》80的样本进行后续分析；
[0055]
步骤a5：对灰质图像进行各向同性的高斯平滑处理，以消除噪声和伪影。高斯平滑核的半最大值全宽度是[8mm 8mm 8mm]。
[0056]
b.构建标准切除模板
[0057]
步骤b1：将预处理好的术前影像减去术后影像，再手动调整阈值，得到每个患者在mni空间中的外科手术区域，用三维矩阵表示未msm，m代表患者的编号，msm空间维度是[121,145,121]；
[0058]
步骤b2：ms＝ms1∪ms2∪ms3…
msm，用此方式将每个患者的手术区域重叠以得到组
水平上的切除区域ms；
[0059]
步骤b3：基于246个感兴趣区域的全脑模板，将切除的区域ms映射在模板上，选出切除区域与模板区域的重叠率大于50％的脑区，作为外科手术的标准切除模板，用于后续的分析。本发明以做了颞叶切除术式的被试为例，在246模板上找出21个脑区是手术切除区域。
[0060]
c.个体结构协变网络构建
[0061]
步骤c1：使用246模板提取预处理的灰质文件，每个脑区的值为这个脑区所有体素的平均灰质容积，此步骤每个人都会得到：246*1的向量；
[0062]
步骤c2：将上述健对照组的向量组成一个246*n1维的矩阵rm，n1为健康被试的数量，rm计算相关得到参考网络m；
[0063]
步骤c3：对健康对照组的样本进行重采样，每次去除一个被试的数据，得到rm
n1-1
，维度为246*(n1-1)，rm
n1-1
计算相关得到健康被试的结构协变网络变异性的分布：
[0064]
[|m
1-m|,|m
2-m|
…
,|m
n1-m|]。并据算出健康被试结构协变网络的中位数m
mid
和中位数的绝对偏差mad:
[0065]
mad＝median||m
i-m|-m
mid
|
[0066]
步骤c4：将患者的形态学向量加入到rm，作为参考协变网络的扰动因子，得到rm
n1+1
，矩阵的维度是246*(n1+1)，计算相关得到结构协变网络m
*
，进一步可以得到患者的个体结构协变网络d：d＝|m
*-m|；
[0067]
步骤c5：对患者个体结构协变网络进行性标准化，计算d的修正z-score：其中k为一个常量因子，k＝1.4826。
[0068]
d.特征筛选和分类
[0069]
步骤d1：本发明为了做测试，采用十折交叉验证，将数据集等比例分为10折，其中9折为训练集，一折为验证集；
[0070]
步骤d2：将上述获得的网络矩阵zd做z检验，将z-score转换为p值，并且在fdr矫正的情况下选择p《0.05的边，其余的边置为0；
[0071]
步骤d3：基于上述所得的切除模板，计算每个未被切除脑区与相应脑区之间边的强度和，得到相应的特征向量f；
[0072]
步骤d4：计算每个特征在训练集的f-score，取f-score。然后根据f-score的大小将特征排序，通常取前30个具有最高f-score的特征。选择这些特征作为最终特征集合，并且作为svm的输入进行训练；
[0073]
步骤d5：将d4选择的特征集合运用在测试集上，使用训练好的模型进行分类。
[0074]
对测试数据进行十折交叉验证，平均准确率为81％，auc曲线面积为0.80左右，其中特异性为88％，敏感性为71％。

技术特征：
1.一种基于个体结构脑网络的癫痫术后疗效预测系统，该系统包含5个模块：磁共振结构影像采集以及手术预后评估模块、结构影像数据预处理模块、构建标准手术切除模板模块、个体结构协变网络构建模块、特征筛选和手术疗效分类预测模块；所述磁共振结构影像采集以及手术预后模块：该模块的作用是将采集到的接受同一类外科手术治疗的癫痫患者的术前磁共振结构影像，和，术后的恢复情况进行保存记录；所述结构影像数据预处理模块的处理方法为：步骤a1：手动调整前联合和后联合，使它们位于同一水平线上；步骤a2：使用cat12软件包将颅骨的信息从图像中去除，然后使用先验的组织概率图和朴素贝叶斯算法来识别不同的组织类型；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(montreal neurological institute)空间中；步骤a4：运用雅可比行列式来保留原空间位置上的信息；通过cat12软件的分割，对图像进行质量评分，选择质量指数大于设定阈值的图像进行后续分析；步骤a5：对灰质图像进行各向同性的高斯平滑处理，以消除噪声和伪影；所述构建手术标准切除模板模块：步骤b1：将预处理好的术前影像减去术后影像，再手动调整阈值，得到每个患者在mni空间中的外科手术区域，用三维矩阵表示为ms
m
，m代表患者的编号；步骤b2：将每个患者的手术区域重叠以得到组水平上的切除区域ms，具体的方式：ms＝ms1∪ms2∪ms3...ms
m
步骤b3：基于前人的全脑模板，将切除的区域ms映射在模板上，选出切除区域与模板区域的重叠率大于50％的脑区，作为标准切除模板；所述个体结构协变网络构建模块的处理方法包括：提取脑区的形态学特征、构建结构协变网络、结构协变网络标准化；所述脑区的形态学信息提取：利用全脑模板把大脑划分为若干个局部脑区，再提取区域内的平均灰质容积作为局部形态学表征；所述构建结构协变网络的具体方法如下：步骤c1：提取正常被试脑区的形态学信息构建结构协变网络m，m中的每个元素为脑区之间的皮尔逊相关系数，将m作为参考网络，计算公式如下：其中，m
ij
为m中第i行第j列的值，(x
i
,y
j
),i,j＝1,2
…
,n为第i个随机变量x和第j个随机变量y的采样数据，和是随机变量x和y的平均值，(x,y)具体代表脑区的灰质体积(gmv)；步骤c2：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结构协变网络m，估计标准结构协变网络变异性的分布：[|m
1-m|，|m
2-m|，|m
q-m|]其中，q表示正常被试者的总个数；
所述结构协变网络标准化的方法为：步骤d1：对于每一例癫痫患者，将其手术前的结构磁共振影像添加到正常被试人群中作为参考协变网络的扰动因子；将第i个患者的数据作为添加到正常被试中获得新的结构协变网络m
*
，进一步可得到患者的个体偏移矩阵d＝m
*-m；步骤d2：对患者个体的偏移矩阵计算得分z
i
进行标准化，计算公式如下：median(x)是所有样本观察值的中位数，mad是中位数的绝对偏差，定义如下：mad＝median|x
i-median(x
i
)|相比于对异常值较敏感的标准差，mad具有更好的鲁棒性，为了使mad作为一致估计量来估计标准差，对mad进行变换：mad＝δ/k其中，k是一个常量因子，δ是样本标准差；将每个患者的z
i
组合得到标准化后的结构协变网络z
d
；所述特征筛选和手术疗效分类预测模块的计算方法为：步骤d1：采用十折交叉验证，将数据集分为10折，其中9折为训练集，1折为训练集；步骤d2：将上述获得的网络矩阵z
d
计算每个脑区的特征，并且使用得分f(i)对特征进行初步的筛选，f(i)计算方式：其中，i代表第i个特征，每个特征都有个f(i)，是所有特征的平均值，其中(+)和(-)分别代表阳性样本和阴性样本，即代表患者癫痫未消失和患者癫痫发作完全消失，f(i)越大表明这个特征对分类任务更具有区分性；步骤d3：将测试集放入训练好的模型，得到预测的术后疗效。

技术总结
本发明公开了一种基于个体结构脑网络的癫痫术后疗效预测系统，属于生物医学图像模式识别技术领域。该系统基于健康被试以及癫痫患者术前的结构磁共振影像数据，首先在健康被试人群中构建标准的结构协变网络模型；再逐一将患者的术前结构数据作为扰动加入到标准模型中构建癫痫个体扰动偏移网络，并对该网络进行标准化。同时，通过加入虚拟手术切除信息，计算手术保留脑区的结构网络特征输入到支持向量机分类框架中，建立与外科手术疗效相关的分类模型。该系统通过构建结构协变网络量化癫痫患者的个体结构影像特征，并利用网络的特征实现了对癫痫手术疗效的智能预测，可以为术前的精准评估提供更加全面的脑影像信息参考。准评估提供更加全面的脑影像信息参考。准评估提供更加全面的脑影像信息参考。


技术研发人员：李蓉 黄勇文 王旭阳 陈华富
受保护的技术使用者：电子科技大学
技术研发日：2023.07.12
技术公布日：2023/10/15