一种用于早期帕金森症预测的综合分析方法
【技术领域】
[0001] 本发明涉及图像处理、医学成像、计算方法、数学、非医学疾病诊断、神经解剖学等 领域，尤其是这一种综合分析早期帕金森症脑纤维差异及疾病预测的方法。
【背景技术】
[0002] 帕金森症是一种神经系统变性疾病，其病理的研宄一直是医学领域的热点。帕金 森症多由中脑黑质区域含多巴胺神经元的损失引起，现今针对帕金森的研宄方法主要是通 过化学药物实验以及临床医学观察，如Burns等人发现N-甲基-4-苯基-1，2, 3, 6-四氢吡 啶（NMPTP)能降低多巴胺的释放和积聚，脑源性神经营养因子（BDNF)影响含多巴胺神经元 存活性，HLA-DR阳性反应性小胶质细胞可降低皮质胆碱乙酰转移酶活性从而导致帕金森症 等，但这些研宄方法不能准确诊断病症且实施繁琐。
[0003] 现今，扩散张量技术在纤维信息重建方面取得了广泛的应用，同时基于扩散张量 技术重构帕金森患者脑白质纤维结构，探索局部白质的完整性，来分析帕金森患者中脑 黑质差异，逐渐成为研宄帕金森病症根源的新方向。现有研宄主要有感兴趣区域（R0I) 法，即通过DTI重建特定脑区，提取并对比患者与正常人的指标发现差异性；传统的神经 医学分析方法可分为基于体素的分析（voxel-basedanalysis,VBA)与基于纤维的分析 (fiber-basedanalysis,FBA)。最新研宄即通过基于高分辨率DTI的指标差异分析，包括 各向异性分数（FA)，平均弥散系数（MD)以及表观扩散系数（ADC)，估计黑质DTI参数变化 对疾病的影响，阐述了DTI技术在帕金森症中脑黑质差异的潜在诊断价值。
[0004] 但目前，由于基于DTI的研宄指标较单一，使得体素分析方法在准确性上仍存在 争议。此外，目前对帕金森症的诊断研宄缺少基于纤维的分析及差异指标，而DTI技术由于 角度分辨率较低、跟踪误差大等缺点，难以应用于临床诊断；同时，DTI在描述实际体素存 在的非高斯分布的复杂神经纤维结构以及提供不同脑区域之间纤维束的解剖连接信息上 也具有一定的局限性。因此在今后的工作中，基于高角度分辨率扩散成像（HARDI)技术分 析帕金森症患者与正常人在中脑黑质区域纤维的差异性并进行疾病的病理分析及预测诊 断将成为研宄的主流。本方法运用多种HARDI技术进行成像建模与跟踪，引入多项基于体 素或纤维的差异性分析指标，并结合系统综合的统计分析方法，不仅提高了纤维重构的精 确性，也提高了指标分析的可靠性与准确性。随着研宄的不断深入，有望让基于HARDI技术 指标的综合分析方法作为一种有效辅助预测帕金森症的新途径，在临床诊断与病理分析上 有很好的应用前景与医疗价值。
【发明内容】
[0005] 为了克服已有辅助预测帕金森症方式的步骤繁琐、方法角度误差大、分辨率低，分 析指标单一的不足，本发明提供了一种高分辨率、准确可靠的用于早期帕金森症预测的综 合分析方法。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] -种用于早期帕金森症预测的综合分析方法，所述综合分析方法包括以下步骤：
[0008] 步骤S1，读取扩散加权磁共振数据DW-MRI，并对全部数据进行降噪、平滑预处理， 运用扩散张量成像及高角度分辨率扩散成像技术进行建模成像及纤维跟踪，获取体素纤维 方向信息，并计算得到6种脑纤维差异分析指标数据，包括各向异性分数FA、平均弥散系数 MD、均方位移MSD、广义各向异性分数GFA、GFApeak及体素平均密度乃；
[0009] 步骤S2,提取并标记特定脑部区域体素信息，所述特定脑部区域为中脑，根据设定 各向异性分数FA的阈值，选取连续区域为中脑黑质区域，然后筛选提取感兴趣区域内的各 指标数据；
[0010] 步骤S3,根据步骤S2中得到的6种差异分析指标，运用SPSS分析工具进行综合分 析，得出被试者与正常人中脑黑质区域的纤维差异性结果，从而预测被试者的患病情况，过 程如下：
[0011] 3. 1)运用SPSS对各组指标中错误数据及异常数据进行预处理，具体步骤包括：
[0012] 首先，将被试者数据与已知正常人数据分为2类，另设变量w作为组别标记，其值 包括自然数1表示被试组、2表示控制组；
[0013] 其次，对控制组由SPSS标出异常个案，进行剔除；对被试组采用SPSS统计离散值， 将数据进行筛选并剔除错误值；筛选后的缺失数据用均值填充；
[0014] 最后，分别计算各指标每组数据的均值、标准差，并进行0-1标准化处理；
[0015] 3. 2)分别对单个指标均值、标准差进行单因素方差分析：
[0016] 以步骤4. 1)得出的组别标记变量w作为自变量，被试组、控制组各指标均值及标 准差数据作为各因变量，运用SPSS对单因素试验结果进行分析，以P= 0. 05为显著性水 平，通过对多个样本均值的显著性检验，分析获得各指标在被试组与控制组间的显著差异 结果，P< 0. 05表示数据存在显著性差异（即初步预测被试者患病），反之预测被试者未患 病。
[0017] 进一步，所述步骤S3还包括如下步骤：
[0018] 3. 3)根据各指标数据计算反应数据内在含义的综合指标，并进行组合分析，具体 步骤如下：
[0019] 3. 3. 1)将被试组各均值、标准差数据进行1-2标准化处理，即将步骤3. 1)获取的 0-1标准化数据结果加1，转换到1-2区间；
[0020] 3. 3. 2)设定参数aG(〇, 1)，将a与各指标均值^、标准差S进行线性或非线性组 合，得到各指标对应新指标数据f(X，y):
[0021] f(x,y) =ax+ (l~a)y
[0022] 其中x，y分别为S，S的线性或非线性运算变换，此处取x=ln〇7)，r =ln(S);
[0023] 3. 3. 3)分别对3. 3. 2)计算得出的各指标f(x，y)进行方差分析，计算使各指标同 时满足显著差异的相应阈值范围a;若存在满足上述条件的a，则表明被试者与正常人脑纤 维存在显著差异，反正则判别为正常。
[0024] 再进一步，所述步骤S3还包括如下步骤：
[0025]3. 4)运用线性（Linear)判别函数，对各指标均值与标准差数据进行判别分析，过 程包括：
[0026] 3. 4. 1)根据步骤3. 2)_3. 3)得出的指标差异性结论，将每组有显著性差异的指标 均值数据作为一个属性，并将按设定规律组合的数据作为新的综合指标；
[0027] 3. 4. 2)以步骤3. 4. 1)得出的综合指标为判别标准，并选取被试者对应的指标数 据作为样本，调用线性判别函数，获取各组的协方差矩阵的估计，最终将被试者分配到两个 类别之一，即为预测判别被试者的患病结果。
[0028] 更进一步，所述步骤S1中，运用DTI及HARDI方法进行纤维重构及纤维方向分布 估计，并在此基础上获取6项差异分析指标，各指标计算方法包括以下步骤：
[0029] 1. 1)通过扩散张量成像（DTI)建模，获取组织在三个轴方向的平均扩散度，即二 阶张量扩散特征值的平均值Ai，A2,A3,最终算得FA、MD指标数据：
[0032] 1. 2)与步骤1. 1)FA计算方法类似，通过扩散信号的Funk-Radon变换（FRI)并归 一化，重构测量扩散方向分布函数（0DF)，然后估计每个体素内的潜在纤维方向概率分布， 从而计算出指标GFA，计算公式如下：
[0034] 其中
是感兴趣扩散方向^的一个0DF值，p是0DF的平均 值，GFA表不纤维各向异性分数的均值，GFApeak表不纤维各向异性峰值；
[0035] 1. 3)通过HARDI的流线性纤维跟踪，获取三维体素体积信息，并以纤维体素为单 位，计算得穿过某区域单位体积