基于多模态磁共振成像的帕金森病数据分类方法及系统

本发明涉及磁共振成像的，具体地，涉及基于多模态磁共振成像的帕金森病数据分类方法及系统。

背景技术：

1、目前，磁共振成像(mri)技术在帕金森病(pd)的数据处理中发挥着重要的作用。使用mri的常规临床影像学研究表明，pd和非典型性帕金森病，如进行性核上性麻痹(psp)和多系统萎缩(msa)有不同的脑影像学改变。pd和非典型性帕金森病的诊断主要依靠临床标准完成，但由于pd与非典型性帕金森病症状的相似性，临床标准一般很难做出正确诊断。另外，通过临床标准或常规mri来区分早期pd与健康对照(hc)仍有一定困难。但临床标准一般很难做出正确诊断。由于这两个原因，临床帕金森病分类仍然是一个诊断挑战，临床研究报告的早期pd诊断错误率为10％-30％。提高pd数据处理的准确率一直是众多研究的目标。

2、近年来，多模态mri和机器学习方法为pd数据处理提供了新的方向。扩散张量成像(dti)、定量磁敏感成像(qsm)等模态结合数据分析，可以得到常规影像难以直接看到的特征，对于早期脑疾病的诊断有着重要价值。然而，很少有研究使用qsm对pd和健康对照进行分类。文献quantitative susceptibi lity mapping different iates betweenparkinsonian disorders在pd和非典型性帕金森病分类中使用磁敏感加权成像的研究在pd与hc中的准确率仅有61.8％。

3、另外，随着人工智能技术的发展，机器学习越来越多地被应用于pd的数据处理。通过脑影像区域的自动分割、特征提取和分类算法，机器学习能够实现与临床医生相比相近乃至更准确的诊断效果，能够有效提高临床诊断的准确率、减轻医疗负担。文献automatedcategorization of parkinsonian syndromes using magnet ic resonance imaging ina cl inical setting用t1wi和dti数据，使用支持向量机(svm)等机器学习算法鉴别pd、psp和msa，对pd–psp–msa的分类准确率为0.773。

4、尽管目前已有一些基于mri的pd数据处理分类，但这些方法存在以下局限性：大部分使用单一的模态；关注的核团有限，大多局限于脑干和基底节区域，且多为手动勾勒，效率较低；图像数据利用不充分。根据以往神经影像学研究，不同的模态可以反映不同的脑结构与功能变化，多模态和指标的组合能获得更全面的脑结构与功能信息；由于pd与非典型性帕金森病可能涉及到全脑范围内的较多区域，这些区域与不同的运动与非运动症状有关，并且可能存在环路联系，因此，多模态、多区域、多指标的数据处理分类是有必要、有价值的。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于多模态磁共振成像的帕金森病数据分类方法及系统。

2、根据本发明提供的一种基于多模态磁共振成像的帕金森病数据分类方法，所述方法包括如下步骤：

3、步骤s1：获取脑结构磁共振图像t、脑扩散加权图像d和脑磁敏感加权图像s；

4、步骤s2：对脑结构磁共振图像t、脑扩散加权图像d和脑磁敏感加权图像s进行预处理，得到预处理后的脑结构图像tp、脑扩散图像dp和脑磁敏感图像sp；

5、步骤s3：提取脑结构特征，得到结构特征集合ft；

6、步骤s4：提取脑扩散特征，得到脑扩散特征集合fd；

7、步骤s5：提取脑磁敏感特征；得到脑磁敏感特征集合fs；

8、步骤s6：采用一对一策略的多分类模型，基于ft、fd、fs进行特征筛选，得到分类结果。

9、优选地，所述步骤s2包括如下步骤：

10、步骤s2.1：对脑结构图像进行颅骨剥离、脑外组织去除、大脑皮层重建和结构分割、全脑颅内容积tiv计算，并得到预处理后的脑结构图像tp；

11、步骤s2.2：对脑扩散加权图像，进行涡流校正、头动校正和梯度校正，再进行颅骨剥离，并得到预处理后的脑扩散图像dp；

12、步骤s2.3：对脑磁敏感加权图像，将原始数据转换为相位和幅度数据，去除背景相位，并得到预处理后的脑磁敏感图像sp；

13、步骤s2.4：用线性配准方法将脑扩散加权图像和脑磁敏感加权图像分别配准到脑结构图像空间；

14、步骤s2.5：基于脑结构图像确定所有感兴趣区域roi；如果roi在标准空间，则将脑结构图像通过非线性配准方法与标准空间结构模版配准，再通过相关配准参数将标准空间roi变换到个体脑结构图像空间。

15、优选地，所述步骤s3中：基于tp和roi，提取脑结构特征，脑结构特征包括皮层厚度、皮层表面积、曲率和分区结构体积，得到结构特征集合ft；

16、所述步骤s4包括如下步骤：

17、步骤s4.1：基于dp，计算扩散参数图，扩散参数图包括fa、md、ad、rd中的一种或多种；

18、步骤s4.2：基于步骤s4.1的参数图和roi，提取roi内的各参数，组成脑扩散特征集合fd。

19、优选地，所述步骤s5包括如下步骤：

20、步骤s5.1：基于sp，计算磁敏感参数图；

21、步骤s5.2：基于步骤s5.1的参数图和roi，提取roi内的各参数，组成脑磁敏感特征集合fs。

22、优选地，所述步骤s6包括如下步骤：

23、步骤s6.1：对帕金森病pd、多种非典型性帕金森综合征(ap1，…，apk)、健康对照h以一对一的方式分别进行二分类，即pd/ap1，…，pd/apk，ap1/ap2，…，apk-1/apk，ap1/hc，…，apk/hc，pd/hc；基于ft、fd、fs，通过包括但不限于p值筛选、lasso方法、rfe方法、穷举法进行特征筛选；使用包括但不限于逻辑回归、随机森林、支持向量机、神经网络分类器进行训练，得到二分类分类结果及对应的概率值；

24、步骤s6.2：通过分析所有二分类模型的分类结果及对应的概率值，得到最终分类结果；若同一类别的结果占多数，则选择该类别为最终分类结果；若存在两个及以上类别的结果数目相同，则选择分类概率较高的一类作为最终分类结果。

25、本发明还提供一种基于多模态磁共振成像的帕金森病数据处理系统，所述系统包括如下模块：

26、模块m1：获取脑结构磁共振图像t、脑扩散加权图像d和脑磁敏感加权图像s；

27、模块m2：对脑结构磁共振图像t、脑扩散加权图像d和脑磁敏感加权图像s进行预处理，得到预处理后的脑结构图像tp、脑扩散图像dp和脑磁敏感图像sp；

28、模块m3：提取脑结构特征，得到结构特征集合ft；

29、模块m4：提取脑扩散特征，得到脑扩散特征集合fd；

30、模块m5：提取脑磁敏感特征；得到脑磁敏感特征集合fs；

31、模块m6：采用一对一策略的多分类模型，基于ft、fd、fs进行特征筛选，得到分类结果。

32、优选地，所述模块m2包括如下模块：

33、模块m2.1：对脑结构图像进行颅骨剥离、脑外组织去除、大脑皮层重建和结构分割、全脑颅内容积tiv计算，并得到预处理后的脑结构图像tp；

34、模块m2.2：对脑扩散加权图像，进行涡流校正、头动校正和梯度校正，再进行颅骨剥离，并得到预处理后的脑扩散图像dp；

35、模块m2.3：对脑磁敏感加权图像，将原始数据转换为相位和幅度数据，去除背景相位，并得到预处理后的脑磁敏感图像sp；

36、模块m2.4：用线性配准系统将脑扩散加权图像和脑磁敏感加权图像分别配准到脑结构图像空间；

37、模块m2.5：基于脑结构图像确定所有感兴趣区域roi；如果roi在标准空间，则将脑结构图像通过非线性配准系统与标准空间结构模版配准，再通过相关配准参数将标准空间roi变换到个体脑结构图像空间。

38、优选地，所述模块m3中：基于tp和roi，提取脑结构特征，脑结构特征包括皮层厚度、皮层表面积、曲率和分区结构体积，得到结构特征集合ft；

39、所述模块m4包括如下模块：

40、模块m4.1：基于dp，计算扩散参数图，扩散参数图包括fa、md、ad、rd中的一种或多种；

41、模块m4.2：基于模块m4.1的参数图和roi，提取roi内的各参数，组成脑扩散特征集合fd。

42、优选地，所述模块m5包括如下模块：

43、模块m5.1：基于sp，计算磁敏感参数图；

44、模块m5.2：基于模块m5.1的参数图和roi，提取roi内的各参数，组成脑磁敏感特征集合fs。

45、优选地，所述模块m6包括如下模块：

46、模块m6.1：对帕金森病pd、多种非典型性帕金森综合征(ap1，…，apk)、健康对照h以一对一的方式分别进行二分类，即pd/ap1，…，pd/apk，ap1/ap2，…，apk-1/apk，ap1/hc，…，apk/hc，pd/hc；基于ft、fd、fs，通过包括但不限于p值筛选、lasso系统、rfe系统、穷举法进行特征筛选；使用包括但不限于逻辑回归、随机森林、支持向量机、神经网络分类器进行训练，得到二分类分类结果及对应的概率值；

47、模块m6.2：通过分析所有二分类模型的分类结果及对应的概率值，得到最终分类结果；若同一类别的结果占多数，则选择该类别为最终分类结果；若存在两个及以上类别的结果数目相同，则选择分类概率较高的一类作为最终分类结果。

48、与现有技术相比，本发明具有如下的有益效果：

49、本发明提出的pd、非典型性帕金森病和健康对照分类的数据处理方法，对全脑roi提取多模态特征，并用特征筛选方法确定了对分类有价值的区域和特征，有助于基于影像的pd临床诊断和机制研究，能满足pd智能辅助诊断的需要。