一种基于DTI技术及SVM的颞叶癫痫辅助诊断方法与流程

本发明属于癫痫辅助诊断技术领域，尤其涉及一种基于弥散张量成像(diffusiontensorimaging，dti)及支持向量机(supportvectormachine,svm)的颞叶癫痫(temporallobeepilepsy，tle)患者识别分类的方法。

背景技术：

颞叶癫痫是临床上最常见的药物难治性癫痫、局灶性癫痫。发作类型包括单纯部分性发作、复杂部分性发作以及继发性全身性发作或这些发作的组合，常有热性惊厥病史和癫痫家族史。单纯部分性发作的典型特点是具有自主神经和(或)精神的症状，最常见的是上腹部一股气往上冲的感觉。对于部分无法用药物控制的tle患者，手术切除致痫灶是一种有效的治疗方式。tle的手术治疗方式主要包括：前颞叶切除术、前颞叶内侧切除术以及选择性海马杏仁核切除术等。但是许多tle患者在术前常规核磁共振成像(magneticresonanceimaging，mri)检查未见明显异常，却往往存在广泛的白质和灰质损害。

dti是唯一一种非侵入式反映大脑白质纤维束的新兴磁共振成像方式。通过反映生物体内水分子的运动情况，其部分各向异性(fractionalanisotropy，fa)、轴向扩散率(axialdiffusivity，ad)、径向扩散率(radialdiffusivity，rd)、平均扩散率(meandiffusivity，md)等参数可间接反映白质结构的完整性。由于tle患者致痫灶异常地痫性放电，白质纤维束成为痫性放电的传播路径，长期的异常电活动及反复的癫痫发作造成脑组织微环境的变化，导致脑组织微观结构的损伤，如轴突变性、髓鞘脱失或细胞外水肿，造成组织内自由水分子增多，引起细胞间隙的增宽，从而改变水分子弥散运动程度。因此，可通过dti及白质纤维束追踪技术可对tle患者致痫灶以及周围纤维束关系进行术前评价，为tle患者病灶的临床定侧及定位提供客观的影像学依据，加深人们对tle患者病理生理机制的理解。

利用机器学习方法分析磁共振数据越来越受到关注。传统分析方法是基于磁共振图像的体素假设检验的双样本t检验方法，然而这种方法只能在组水平上发现病人组与正常人组之间的差别，并不能从临床角度上对个体进行辅助诊断。而我们所采用的机器学习方法则是以大脑的各项指标作为特征，是基于特征的模式识别方法，能够寻找特征与类别属性之间的关系，并从个体水平上区分病人和正常人以及定位病人致痫灶的患侧。因此，本发明结合弥散磁共振成像方式和机器学习方法进行颞叶癫痫患者的分类识别，可作为一种术前诊断、疗效评估和常规复查的一种手段。

技术实现要素：

本发明旨在提供一种利用机器学习方法分析dti数据达到识别颞叶癫痫患者的方法。主要利用svm及tle患者的脑白质指标进行tle患者的病灶定侧，将左侧和右侧颞叶癫痫患者及正常对照在个体水平上相互区分开来。

为达到上述目的，本发明采用的技术方案分为三个模块：dti图像预处理模块；dti图像特征提取模块；基于dti特征的svm分类模块：区分出左侧颞叶癫痫、右侧颞叶癫痫患者及正常人。

(a)dti图像预处理模块

基于panda、fsl对磁共振图像进行预处理：

步骤a1：将采集到的dicom格式的图像转换为3d或4dnifti格式的图像；

步骤a2：对步骤a1得到的图像获取全脑mask，进行电涡流、头动校正；

步骤a3：对步骤a2的图像使用dtifit工具计算dti相关各指标，得到dti相关各指标图像；dti相关各指标包括fa、ad、rd、md值；

(b)dti图像特征提取模块

基于panda对步骤(a)提取的dti相关各指标图像进行骨架化提取出大脑主要骨架纤维束的平均dti各指标，该方法包括以下步骤：

步骤b1:将得到dti相关各指标图非线性配准到标准空间；

步骤b2：将标准空间的fa图平均化得到平均fa图；

步骤b3：将平均fa图骨架化、阈值化得到平均fa骨架图；

步骤b4：将标准空间的dti各指标图投射至平均fa骨架图，得到白质骨架上的dti各指标特征图；

步骤b5：基于icbm-dti-81白质图谱，将上一步得到的dti各指标特征图分别分割为50个核心白质区域，得到这50个核心白质区域的dti各指标特征值；

(c)基于dti特征的svm分类模块，该方法主要包括以下步骤：

步骤c1：对病人组和正常对照组的50个核心白质区域的dti各指标特征值通过twosamplet-test提取出最具差异的特征；病人组包括左侧颞叶癫痫患者、右侧颞叶癫痫患者；

步骤c2：将上述最具有差异性的特征作为特征输入，并输入样本(包含训练集及测试集)，然后使用支持向量机方法进行分类；若样本量较小，可采用留一交叉验证法来评估svm分类器的识别率。

附图说明

图1是本发明整体实施方式流程图；

图2是dti图像预处理的流程图；

图3是实施例1提取具有差异的dti特征流程图；

具体实施方式

下面结果具体实施方式和附图对本发明进行详细描述，但是本发明的实施方式不限于此。

实施例1

基于panda、fsl对磁共振图像进行预处理，该方法包括以下步骤：

步骤a1：将采集到的dicom格式的图像转换为3d或4dnifti格式的图像；

步骤a2：获取全脑mask，进行电涡流、头动校正；

步骤a3：使用dtifit工具计算dti相关指标，得到fa、ad、rd、md等dti相关指标图像。

基于panda对提取的dti相关指标图像进行骨架化提取出大脑主要骨架纤维束的平均dti指标，该方法包括以下步骤：

步骤b1：将得到fa等相关指标非线性配准到标准空间；

步骤b2：将标准空间的fa图平均化得到平均fa图；

步骤b3：将平均fa图骨架化、阈值化(fa>0.2)得到平均fa骨架图；

步骤b4：将标准空间的fa、ad、rd、md等图投射至平均fa骨架图，得到白质骨架上的fa、ad、rd、md图；

步骤b5：基于icbm-dti-81白质图谱，将上一步得到的各dti指标图分割为50个核心的白质区域，可得到各个白质区域的fa、ad、rd、md值。

基于svm的tle识别分类，该方法主要包括以下步骤：

步骤c1：对病人组和正常对照组的50个核心白质区域的各dti指标通过twosamplet-test提取出最具区分力的特征；具体见图3，图3为部分图像处理过程。

步骤c2：将最具有区分力的特征作为特征输入。并输入样本(包含训练集及测试集)。然后采用svm方法进行分类，若样本量较小，可采用留一交叉验证法来评估svm分类器的识别率。

技术特征：

技术总结
一种基于DTI技术及SVM的颞叶癫痫辅助诊断方法，属于癫痫辅助诊断技术领域。本发明首先通过对弥散磁共振成像进行预处理；提取出大脑主要白质纤维骨架的弥散磁共振指标，计算出根据图谱划分的50个核心白质区域的多个弥散指标，再提取出具有显著差异的白质区域的弥散指标；然后应用支持向量机的机器学习方法进行分类，将最具区分力的白质区域的弥散指标作为输入特征，进行模型训练测试。最终达到对左侧颞叶癫痫、右侧颞叶癫痫患者、正常人的分类识别。本发明结合了新兴的磁共振成像方式与机器学习进行颞叶癫痫患者的分类识别，为临床上颞叶癫痫患者的辅助诊断提供了新的思路和途径。

技术研发人员：杨春兰;路敏
受保护的技术使用者：北京工业大学
技术研发日：2018.12.19
技术公布日：2019.04.30