用于阿尔兹海默病分类预测的MR自动纤维定量分析方法与流程

用于阿尔兹海默病分类预测的mr自动纤维定量分析方法
技术领域
1.本发明涉及医学图像处理的技术领域，尤其涉及一种用于阿尔兹海默病分类预测的mr自动纤维定量分析方法。


背景技术：

2.随着世界范围内社会老龄化的趋势，痴呆的发病率也逐渐升高。阿尔兹海默病(alzheimer's disease,ad)作为痴呆的最常见类型，在中国65岁以上老年人群体中发病率高达3.21％。ad主要表现为记忆功能减退、认知损害、生活行为能力下降等，导致患者生活质量下降，社会负担增加。对ad的早期准确诊断有助于及时采取相应的医疗和社会措施。
3.目前，诊断ad主要依赖于患者的临床表现和认知量表分析，欠缺一定的客观性。因此，近年来关于ad诊断分类的机器学习方法逐渐成为研究热点，磁共振成像(magnetic resonance imaging,mri)的图像特征被作为分类特征而得到广泛的研究。
4.然而，目前国内针对mri图像特征的ad分类的研究主要集中在基于结构mri的皮质厚度、海马体积及纹理等特征的研究，亦有基于功能mri网络拓扑属性等特征的研究。对于基于扩散张量成像(diffusion tensor imaging,dti)白质纤维束特征在ad分类预测中价值的研究仍处于空白。并且，目前国内多数ad分类研究数据均来源于美国阿尔兹海默病神经影像计划(alzheimer's disease neuroimaging initiative,adni)数据库，因人种的差异，结果并不一定适用于中国ad患者的分类预测。因此，本文将通过自动纤维定量(automated fiber quantification,afq)软件对中国ad患者和正常对照dti数据的分析，探讨自动纤维定量被作为分类特征的可能性和应用价值。


技术实现要素：

5.为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种用于阿尔兹海默病分类预测的mr自动纤维定量分析方法，其能够使自动纤维定量被作为分类特征，在ad分类预测中具有较高的应用价值。
6.本发明的技术方案是：这种用于阿尔兹海默病分类预测的mr自动纤维定量分析方法，其包括以下步骤：
7.(1)图像获取：在磁共振扫描仪上，使用8通道头线圈，矢状位高分辨率三维t1加权成像，采用快速回波采集技术获得所有受试者的扩散张量成像dti图像，受试者包括ad患者组和正常对照组；
8.(2)数据预处理：对dti图像，首先移除非脑结构，再对脑组织进行头动和涡流校正；继而将扩散张量模型拟合至每个图像体素，产生各项异性指数fa、平均扩散系数md值，随后计算每个受试者的扩散张量图；
9.(3)自动纤维定量afq分析：将预处理之后的dti图和3d-t1wi结构图同时导入afq软件，采用3d-t1wi结构图进行配准和分割，对白质纤维束识别和量化分为以下步骤：1)在白质模板内对每个受试者进行全脑纤维束成像追踪；2)使用自动感兴趣区方法将整个脑纤
维组分割成束，并且随后通过将分束内的每个纤维与概率纤维束图谱进行比较来细化纤维束；3)通过将纤维束组表示为3d高斯分布来定义纤维束芯，并过滤出偏离纤维束芯的杂散纤维而去除；4)沿纤维束轨迹进行扩散测量，根据每根纤维到纤维束芯的距离来衡量每根纤维对测量的贡献；最后，沿每根纤维束走行方向分成100等份，以各等份的fa和md值作为分类特征；
10.(4)统计学分析及特征提取：采用spss 20.0统计学软件分析被试基本资料和各纤维束平均fa和md的组间差异；其中，计量资料进行数据正态性分布检验后进行独立样本t检验，计数资料进行χ2检验，p《0.05表示差异存在统计学意义；
11.(5)支持向量机svm分类模型：svm分类模型基于高斯核函数，选择留一法交叉验证来对分类模型的性能进行评价，每次从待分类样本中选择一个用于测试样本集，其余作为训练样本集，对所有样本都重复进行一次，并将所有结果取均值用以评价分类性能。
12.本发明获得所有受试者的扩散张量成像dti图像，将预处理之后的dti图和3d-t1wi结构图同时导入afq软件，采用3d-t1wi结构图进行配准和分割，采用spss 20.0统计学软件分析被试基本资料和各纤维束平均fa和md的组间差异，svm分类模型基于高斯核函数，选择留一法交叉验证来对分类模型的性能进行评价，因此能够使自动纤维定量被作为分类特征，在ad分类预测中具有较高的应用价值。
附图说明
13.图1示出了ad和nc两组被试基本资料比较(均数
±
标准差)。ad：阿尔兹海默病组，nc：正常对照组。mmse：简易精神状态量表，moca：蒙特利尔认知评估量表。
*
p《0.05表示存在统计学差异。
14.图2示出了组间各纤维束平均fa值比较(均数
±
标准差)。fa：各项异性指数。
*
p《0.05表示存在统计学差异。
15.图3示出了组间各纤维束平均md值比较(均数
±
标准差)。md：平均扩散系数。
*
p《0.05表示存在统计学差异。
16.图4示出了采用自动纤维定量分析追踪的脑内20根白质纤维束。a：丘脑前束，b：皮质脊髓束，c：扣带回，d：扣带海马回，e：胼胝体压/膝部，f：额枕下束，g：下纵束，h：上纵束，i：钩状束，j：弓形束。
17.图5示出了ad和nc组间各纤维束平均fa值(上图)和平均md值(下图)的比较。ad：阿尔兹海默病组，nc：正常对照组。fa：各项异性指数，md：平均扩散系数。atr_l：左丘脑前束，atr_r：右丘脑前束，cst_l：左皮质脊髓束，cst_r：右皮质脊髓束，cc genu：胼胝体膝部束，ilf_r：右下纵束，slf_r：右上纵束，uf_l：左钩状束，uf_r：右钩状束，af_l：左弓形束，af_r：右弓形束。
*
p《0.05表示存在统计学差异。
18.图6示出了fa(上图)和md(下图)分类特征在各纤维束中的分布。fa、md、atr_l、atr_r、cst_l、cst_r、cc genu、ilf_r、slf_r、uf_l、uf_r、af_l、af_r：同图5。横向一格代表每根纤维束100等份(1
→
100)，蓝色线条表示分类特征在纤维束中的分布位置，纵向线条高度表示分类特征在两组分类中相对贡献大小(越高表示贡献越大)。
19.图7示出了支持向量机对阿尔兹海默病和正常对照两组分类效能的受试者工作特征曲线。
20.图8示出了根据本发明的用于阿尔兹海默病分类预测的mr自动纤维定量分析方法的流程图。
具体实施方式
21.如图8所示，这种用于阿尔兹海默病分类预测的mr(magnetic resonance imaging)自动纤维定量分析方法，其包括以下步骤：
22.(1)图像获取：在磁共振扫描仪上，使用8通道头线圈，矢状位高分辨率三维t1加权成像，采用快速回波采集技术获得所有受试者的扩散张量成像dti(diffusion tensor imaging)图像，受试者包括ad患者组和正常对照组；
23.(2)数据预处理：对dti图像，首先移除非脑结构，再对脑组织进行头动和涡流校正；继而将扩散张量模型拟合至每个图像体素，产生各项异性指数fa(fractional anisotropy)、平均扩散系数md(mean diffusivity)值，随后计算每个受试者的扩散张量图；
24.(3)自动纤维定量afq(automated fiber quantification)分析：将预处理之后的dti图和3d-t1wi结构图同时导入afq软件，采用3d-t1wi结构图进行配准和分割，对白质纤维束识别和量化分为以下步骤：1)在白质模板内对每个受试者进行全脑纤维束成像追踪；2)使用自动感兴趣区方法将整个脑纤维组分割成束，并且随后通过将分束内的每个纤维与概率纤维束图谱进行比较来细化纤维束；3)通过将纤维束组表示为3d高斯分布来定义纤维束芯，并过滤出偏离纤维束芯的杂散纤维而去除；4)沿纤维束轨迹进行扩散测量，根据每根纤维到纤维束芯的距离来衡量每根纤维对测量的贡献；最后，沿每根纤维束走行方向分成100等份，以各等份的fa和md值作为分类特征；
25.(4)统计学分析及特征提取：采用spss 20.0统计学软件分析被试基本资料和各纤维束平均fa和md的组间差异；其中，计量资料进行数据正态性分布检验后进行独立样本t检验，计数资料进行χ2检验，p《0.05表示差异存在统计学意义；
26.(5)支持向量机svm(support vector machine)分类模型：svm分类模型基于高斯核函数，选择留一法交叉验证来对分类模型的性能进行评价，每次从待分类样本中选择一个用于测试样本集，其余作为训练样本集，对所有样本都重复进行一次，并将所有结果取均值用以评价分类性能。
27.本发明获得所有受试者的扩散张量成像dti图像，将预处理之后的dti图和3d-t1wi结构图同时导入afq软件，采用3d-t1wi结构图进行配准和分割，采用spss 20.0统计学软件分析被试基本资料和各纤维束平均fa和md的组间差异，svm分类模型基于高斯核函数，选择留一法交叉验证来对分类模型的性能进行评价，因此能够使自动纤维定量被作为分类特征，在ad分类预测中具有较高的应用价值。
28.优选地，所述步骤(1)中，采用荷兰飞利浦achieva 3.0t mri扫描仪检查，具体参数如下：重复时间(repetition time,tr)9.8ms，回波时间(echo time,te)4.6ms，反转时间(inversion time,ti)900ms，翻转角为8
°
，各向同性分辨率为1.0mm；dti采用自旋-回波-平面成像序列，32个扩散方向，b＝1000s/mm2，具体参数如下：tr 9154ms，te55ms，矩阵大小112
×
112，扫描视野224
×
224mm，层厚2.5mm，体素大小2
×2×
2.5mm3；总采集时间为13min 10s。
29.优选地，所述步骤(2)中，首先使用fsl的脑提取工具移除非脑结构，再对脑组织进行头动和涡流校正，继而通过使用fsl的dtifit程序将扩散张量模型拟合至每个图像体素，产生各项异性指数fa、平均扩散系数md值，随后计算每个受试者的扩散张量图。
30.优选地，所述步骤(3)中，20根白质纤维束包括：左/右丘脑前束(anterior thalamic radiation,atr)，左/右皮质脊髓束(corticospinal tract,cst)，左/右扣带回(cingulum cingulate,ccing)，左/右扣带海马回(cingulum hippocampus,chippo)，胼胝体压部(splenium of corpus callosum,cc splenium)、胼胝体膝部(genu of corpus callosum,cc genu)，左/右额枕下束(inferior fronto-occipital fasciculus,ifof)，左/右下纵束(inferior longitudinal fasciculus,ilf)，左/右上纵束(superior longitudinal fasciculus,slf)，左/右钩状束(uncinated fasciculus,uf)和左/右弓形束(arcuate fasciculus,af)。
31.优选地，所述步骤(4)中，采用matlab软件对所有纤维束各等份fa和md值特征进行独立样本t检验，以p《0.01作为条件，筛选出有组间统计学差异的分类特征；采用受试者工作特征roc(receiver operating characteristic)曲线评价分类效能。
32.优选地，20根纤维束中的11根被纳入后续统计学分析及分类特征提取，包括：左/右atr、左/右cst、cc genu、右ilf、右slf、左/右uf和左/右af。
33.优选地，11根白质纤维束共提取2200个特征，1100个fa值和1100个md值，其中412个存在组间差异，作为筛选出的分类特征；其中，78个fa特征分布于左atr、左/右cst、cc genu、右ilf、左/右uf，334个md特征分布于左/右atr、左/右cst、cc genu、右ilf、左/右uf、左af；χ2＝195.721,p《0.001。
34.优选地，左atr、左/右cst、cc genu和右ilf整体的平均fa值和右atr、cc genu整体的平均md值并不存在组间差异，但其中部位特征对ad和nc的分类具有贡献。
35.本发明中所采用的afq方法，可以追踪全脑组织中20根白质纤维束。在本发明中，在所有被试dti数据中都能追踪出的纤维束是11根，原因可能是ad患者脑组织异常萎缩导致了灰白质不能明确区分，从而导致fa值明显降低，在白质阈值范围内不能有效追踪白质纤维束，从而导致部分纤维追踪失败，该现象在前人研究中亦存在，表明针对ad这种明显存在明显脑萎缩的特殊患者，afq软件还需要进一步的针对性优化。在11根纤维束中，ad组仅2根纤维束的fa值明显低于nc组，有7根纤维束的md值明显高于nc组。fa值与神经纤维髓鞘完整性、致密性和平行性有关，通常fa值的降低表明细胞完整性的破坏和不可逆性的损伤；md值主要反映水分子扩散运动能力，一定程度上反映脑组织细胞致密程度。ad组中平均fa减少的纤维束要明显少于md增加的纤维束，表明ad患者白质纤维束的改变主要表现在细胞致密程度的降低，也存在部分细胞完整性破坏，与前人研究一致。
36.本发明通过afq提取了11根纤维束的2200个特征，其中412个在ad和nc组间存在差异，作为筛选出的分类特征。其中，78个fa特征分布于7根纤维束，334个md特征分布于9根纤维束。我们观察到5根纤维束(左atr、左/右cst、cc genu和右ilf)整体的平均fa值和2根纤维束(右atr和cc genu)整体的平均md值并不存在组间差异，但其中部位特征对ad和nc的分类具有贡献。并且，fa特征中筛选出的分类特征所占比例明显低于md特征(p《0.001)，表明在svm分类中md特征贡献更大，进一步佐证了ad患者白质纤维束改变主要表现在致密程度的下降。最终，svm分类结果显示准确度为85.19％，敏感性为80.95％，特异性为87.88％，
roc曲线下面积为0.8947，与前人通过结构mri或功能磁共振网络拓扑属性作为分类特征的研究相比，本发明各项分类效能均达到一个较高的水平。
37.以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。