本发明属医学图像处理及应用领域，涉及非侵入式的静息态磁共振影像学辅助判定方法，具体涉及一种对脑胶质瘤who病理级别进行非侵入式的静息态磁共振影像学辅助判定方法，尤其是利用静息态脑功能对侧定位标注的脑功能区特性实现高准确度的高低级别肿瘤非侵入式的影像学判定的方法。
背景技术：
据报道，脑胶质瘤是常见的中枢神经肿瘤，具有高发病率、高致死率、高复发率。临床实践显示，对脑胶质瘤(who)病理级别的合理判定对于临床诊断、干预治疗方案的确定等至关重要；根据世界卫生组织最新的标准，脑胶质瘤被划分为低级别(i级和ii级)和高级别(iii级和iv级)。目前关于肿瘤级别的金标准仍然是活组织检查和组织病理学评估。但是，活组织检测同样面临诸多挑战，特别是肿瘤的局部采样分析可能导致高级别肿瘤被误诊为低级别肿瘤,以及造成颅内出血等，同时，与其他部位的肿瘤不同，脑部肿瘤的组织活检十分困难；与活检不同的多种非侵入式手段也被用于肿瘤恶性程度的评估。近年来，根据磁共振等神经成像技术显示的形态学、代谢指标等，可以起到一定的指示作用，其准确度主要依靠读片医生的经验积累和专业知识，缺乏可以量化的标准化指标，不利于预测效果评估，也不利于标准化推广应用。此前，肿瘤恶性程度的影像学评估主要基于肿瘤组织具有区别于正常组织的代谢特征，采用磁共振波谱(mrs)等成像技术进行评估。目前敏感性(sensitivity)和特异性(specificity)最高的方法是计算肿瘤区域的cho(choline,胆碱)和naa(n–acetyl-aspartate,n-乙酰天门冬氨酸)的比例，可以达到0.80的敏感性和0.76的特异性。利用静息态磁共振技术，有研究采用肿瘤区域静息态信号的signalintensitycorrelation(sic)等指标对肿瘤进行高低级别的判定，在18例高级别对17例低级别脑胶质瘤样本上实现了89％的准确率(敏感性0.82，特异性0.96)。但是，这些脑胶质瘤分级结果均未见独立数据验证，并且需要手动在磁共振影像上画出肿瘤区域，容易受到人为因素的干扰。事实上，肿瘤对脑功能架构，即各个脑区的功能连接模式的影响，已经在很多文献中得到了报道，包括引起功能代偿、功能网络重构等，本发明的研究组前期提出一种“基于静息态功能磁共振的大脑功能区对侧定位方法”(专利申请号201710377307.7)，以辅助运动区为定位目标，从患侧到健侧的静息态功能连接模式定位患侧的辅助运动区。目前，尚无采用静息态功能连接网络评定脑胶质瘤高低分级的方法。
为了克服现有技术存在的困难及基于现有技术的基础，本申请的发明人拟提出一种基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法。该方法为非侵入式，无创的、只需要被测者最低程度配合度的，客观量化评估方法，其高低级别胶质瘤判定精度达90％以上，适于推广应用于具备磁共振成像设备的医院。
技术实现要素：
本发明的目的是为克服现有技术中存在的缺陷，提供一种非侵入式的静息态磁共振影像学辅助判定方法，具体涉及一种对脑胶质瘤who病理级别进行非侵入式的静息态磁共振影像学辅助判定方法，本方法利用静息态脑功能对侧定位标注的脑功能区特性能实现高准确度的高低级别肿瘤非侵入式的影像学判定。
本发明的方法基于静息态功能磁共振数据的脑功能区对侧定位的脑胶质瘤病理级别评定，能实现高精度的无创的基于影像学的脑胶质瘤病理评级，本方法尤其适用于脑语言、运动功能区胶质瘤患者。
为了实现上述的目的，本发明的基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法包括：
首先，利用“基于静息态功能磁共振的大脑功能区对侧定位方法”(专利申请号201710377307.7)的方法，对脑胶质瘤患者的患侧的辅助运动区进行功能定位；接着，利用定位的辅助运动区的大小(即，定位区域所包含体素的个数)构建logistic模型，该模型以定位出的辅助运动区大小为输入，将高级别肿瘤视为阳性案例、低级别肿瘤视为阴性案例；将该模型应用于患者数据，即可判定其所患的肿瘤的病例级别。
本发明中，以活检病例为金标准，该logistic模型在训练集(20例低级别对31例高级别，留一法交叉验证评定模型准确率)和测试集(7例低级别对6例高级别，直接应用训练集上得到的模型参数)上均达到了90％以上的判定准确率。
具体的，本发明的基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法，其特征在于，其包括步骤：
1)将获取的脑功能区胶质瘤患者的静息态功能影像及高精度的结构影像，进行预处理，包括：扫描层时间校正，头动校正，映射到标准化空间，去趋势项，带通滤波以及scrubbing；在配准的同时，通过肿瘤mask去除其对于标准化的影响，将未受到肿瘤影像的健康侧大脑映射到标准空间；
2)利用基于静息态功能磁共振的大脑功能区对侧定位方法，对脑胶质瘤患者的患侧的辅助运动区进行功能定位；
3)利用定位得到的辅助运动区的大小，即，定位区域所包含体素的个数构建logistic模型，logistic模型的输出高于该阈值的，被判定为高级别；否则，被视为低级别。
本发明步骤2)中，对于与肿瘤级别有显著关系的辅助运动区进行定位。
本发明中，所述的基于静息态功能磁共振的大脑功能区对侧定位方法，其采用如下技术方案：
利用全脑的静息态功能连接对脑区进行功能子区的划分，之后针对每个功能子区，训练支持向量机(svm,supportvectormachine)分类器，通过对每个功能子区建立其特异性对侧半脑静息态功能连接，并在健康人大数据上训练分类器，最终实现对每个功能子区的定位；包括步骤：
1.采用静息态功能磁共振技术获取脑功能区胶质瘤患者5分钟的静息态功能影像及高精度的结构影像，采取多项标准化的预处理：扫描层时间校正，头动校正，映射到标准化空间，去趋势项，带通滤波以及scrubbing；之后对预处理完的脑部数据按照蒙特利尔神经科学研究中心提出的aal(automatedanatomicallabelling)模板，对大脑初步划分为45个脑区(左右对称各45个)；
2.利用全脑体素水平的静息态功能连接对每个脑区进行功能子区的划分，在全脑功能区划分得到218个功能子区；其实施例中，对每一个脑区，计算这一脑区所有体素的静息态信号，之后分别计算其与全脑剩余88个脑区平均信号的相关系数，在得到相关系数矩阵之后，选取合适的λopt对矩阵进行0-1化：
之后利用lm算法(一个基于局部性质的最小化网络链接算法)进行分类，从而得到每个脑区的子区域划分；其中选取的λopt是通过50次的分组交叉检验得到的，具体通过计算标准化互信息
到的使得nmi(x，y)最大的λ，得到最为稳定的分区结果，使得每一个子区域内的体素有着基本一致的静息态功能链接特征；
3.针对每个功能子区，训练支持向量机(svm,supportvectormachine)分类器；其实施例中，对于每一个大脑子区域，关注于这一区域及其周围6mm范围内的所有体素，训练的分类器的输出将目标功能区内部的体素标记为1，而将目标功能区周边的体素标记为0，然后，该分类器的输入特征是对侧半脑的静息态脑功能连接模式，具体定义如下：判断某个体素是否属于指定功能区，需要计算该体素的特异性对侧半脑静息态功能连接，这些特异性的功能连接，是通过对比给定功能区内外体素到对侧半脑所有体素的静息态脑功能连接给出的：其中分别计算功能区内、外两组体素的平均信号，同时向对侧半脑计算功能连接强度，进行组间比较t-检验，经多重比对校正后，识别出具有显著组间差异的脑区cluster，找到这些功能区内外具有显著差异的对侧脑功能连接作为分类器的输入特征；通过对每个功能子区建立其特异性对侧半脑静息态功能连接，并在健康人大数据上训练分类器，最终实现对每个功能子区的定位；
4.将aal模板的各个功能子区定位结果合并，得到对45个脑区的功能定位图谱。
更具体的，所述的基于静息态功能磁共振的大脑功能区对侧定位方法，其包括步骤：
4)通过健康人的大数据样本，利用静息态数据，建立全脑218子区图谱；
5)通过健康人的大数据样本，对于218子区图谱中每一个子区，分别训练svm分类器；
6)将获取的脑功能区胶质瘤患者的静息态功能影像及高精度的结构影像，进行预处理，包括：扫描层时间校正，头动校正，映射到标准化空间，去趋势项，带通滤波以及scrubbing；在配准的同时，通过肿瘤mask去除其对于标准化的影响，将未受到肿瘤影像的健康侧大脑映射到标准空间；
7)对于患侧目标区域的每一个体素，分别计算其与对侧多个特征区域信号的相关系数，以此作为支持向量机(svm)分类器的输入，输出则为目标区域的每一个体素是否属于这个大脑子区；
8)最后，将所有定位的结果拼合，映射回个体空间形成对整个患侧大脑功能区的定位结果。
所述步骤1)中，同时计算功能区中的体素与全脑其余88个脑区的功能连接，得到连接矩阵m，在计算其相似矩阵n后，对其进行二值化并进行分类，通过最大化互信息来得到一个稳定的分区结果；
其中，对相似矩阵n二值化时，采用50次的分组交叉检验，通过计算标准化互信息，
得到使得nmi(x，y)最大的λ，以此对相似矩阵n进行二值化：
步骤1)中，得到的全脑218子区图谱；
所述步骤2)中，进行定义目标区域：对每一个脑区，以aal模板定位的脑区位置为中心，以此向外扩出2个体素(即6mm)的区域作为目标区域，将功能区从其中划分出来；
步骤2)中，在训练集上计算每个大脑子区域及其周围的体素到对侧半脑的每个体素的功能连接，进行组间比较t-检验，经多重比对校正后，识别出具有显著组间差异的脑区cluster；
步骤2)中，以找到的cluster中体素的平均信号再与目标区域的体素计算功能连接作为特征，针对每个子区训练一个支持向量机(svm)分类器。
所述的步骤3)中，通过t2图像，在每一层图像上手动画出肿瘤部分，并且在配准的过程中，将这一部分标准化的权重都设为0，去除肿瘤对于标准化的影响；
所述步骤4)中，对于患侧目标区域的每一个体素，分别计算其与对侧多个特征区域信号的相关系数，以此作为支持向量机(svm)分类器的输入，输出则为目标区域的每一个体素是否属于某个特定的脑功能区；
所述步骤5)中，将标准空间上的功能定位结果映射回个体空间，通过对45个功能脑区的逐一定位，在患侧半脑绘制脑功能定位图谱。
本发明通过静息态功能影像及高精度的结构影像，进行辅助运动功能区的对侧定位，并通过logistic模型，判定脑胶质瘤病理级别，结果显示，能实现高精度的无创的基于影像学的脑胶质瘤病理评级，本方法尤其适用于脑语言、运动功能区胶质瘤患者，可用于指导治疗方案选择等。
本发明的有益效果是：
1.该方法通过无创检查评定脑胶质瘤病理级别。
2.该方法具有90％以上脑胶质瘤病理级别评定精度，在训练集上达到了95％的特异度和87％的敏感度。
3.该方法在独立测试集上达到了83％的特异度和100％的敏感度。
具体实施方式
实施例1
采用静息态功能磁共振技术获取脑功能区胶质瘤患者5分钟的静息态功能影像及高精度的结构影像，采取多项预处理：扫描层时间校正，头动校正，映射到标准化空间，去趋势项，带通滤波以及scrubbing。在配准的同时，通过肿瘤mask去除其对于标准化的影响，将患者未受到肿瘤影像的健康侧大脑(健侧)映射到标准空间；
继而，采用所述的“基于静息态的辅助运动区功能定位方法”对患侧的辅助运动区进行动能定位；然后，将定位得到的辅助运动功能区大小作为输入，带入本发明建立的用于肿瘤病例界别评定的logistic模型，估算出该肿瘤的病例级别是高级别的概率。
由于不同机器或者扫描参数，可能存在系统性偏差，因此在某台磁共振扫描仪上使用该模型时，需要有一定量的具有组织活检的病例评级金标准的数据作为训练，设定阈值；logistic模型的输出高于该阈值的，被判定为高级别；否则，被视为低级别。
本发明的实施例中通过静息态功能影像及高精度的结构影像，进行辅助运动功能区的对侧定位，并通过logistic模型，判定肿瘤的病例级别，其高低级别胶质瘤判定精度达90％以上，可用于指导干预治疗方案选择等。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。