一种基于广义线性模型的机器学习的术前定位方法技术

本发明专利技术公开了一种基于广义线性模型的机器学习的术前定位方法，包括以下步骤：获得结构图像和功能磁共振图像；对结构图像和功能磁共振图像进行预处理；对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络；构建广义线性预测模型，将大脑分区进行广义线性预测模型拟合；本发明专利技术方法可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。

A machine learning localization method based on generalized linear model

【技术实现步骤摘要】
一种基于广义线性模型的机器学习的术前定位方法
本专利技术涉及医疗辅助
，尤其涉及一种基于广义线性模型的机器学习的术前定位方法。
技术介绍
准确地定位大脑功能区对于术前计划的制定及手术路径规划至关重要。术前定位不仅有助于最大程度地切除肿瘤，而且还可以最大程度地减少术后神经功能缺损，从而改善患者术后的生活质量。术中电皮质刺激(ECS)作为重要功能脑区临床定位的金标准在手术期间提供了重要的帮助。但是ECS是一项侵入性技术，需要手术团队的专业知识和患者的积极配合。此外，这种方法通常导致手术时间延长并增加了术中癫痫的发生率。过去二十年来，血氧水平依赖功能磁共振成像(BOLD-fMRI)由于其无创性操作已被临床神经外科广泛接受，作为对重要的功能脑区(包括感觉运动皮层，语言功能区)进行术前定位的重要工具。更重要的是，现有的研究表明基于任务的功能磁共振成像(task-basedfMRI，tb-fMRI)与ECS结果存在显著的一致性，并认为fMRI可以快速评估运动皮层与病变之间的距离，从而预测术后功能丧失；血氧水平依赖功能磁共振成像技术(BOLD-本文档来自技高网...

【技术保护点】
1.一种基于广义线性模型的机器学习的术前定位方法，其特征在于，包括以下步骤：/n步骤一：获得结构图像和功能磁共振图像/n使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；/n步骤二：对结构图像和功能磁共振图像进行预处理/n对结构图像和功能磁共振图像分别进行时序校正、头动校正、标准化、空间平滑、去线性漂移和滤波处理；/n步骤三：对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络/n利用运动网络模板将每个受试者j的经过预处理后的静息态功能磁共振数据进行回归，提取与运动网络相关的时序，然后，将提取的时序回归到同一受...

【技术特征摘要】
1.一种基于广义线性模型的机器学习的术前定位方法，其特征在于，包括以下步骤：
步骤一：获得结构图像和功能磁共振图像
使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；
步骤二：对结构图像和功能磁共振图像进行预处理
对结构图像和功能磁共振图像分别进行时序校正、头动校正、标准化、空间平滑、去线性漂移和滤波处理；
步骤三：对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络
利用运动网络模板将每个受试者j的经过预处理后的静息态功能磁共振数据进行回归，提取与运动网络相关的时序，然后，将提取的时序回归到同一受试者j的4D静息态功能磁共振数据中，获取特定受试者j的运动网络空间图；
步骤四：构建广义线性预测模型
提取来自人脑连接组计划项目数据库中的受试者j的静息态功能磁共振时间序列个体特征最为训练特征，然后将训练特征作为预测模型的输入，然后将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合。


2.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤二中进行空间平滑处理时，采用半高全宽为6mm的高斯核函数进行数据平滑，在脑功能成像分析软件中使用3dDeconvolve从数据中回归白质和脑脊液的信号以及六个运动参数及其导数。


3.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤二中进行滤波处理时，需要在频率f＝0.01Hz以上时对数据进行高通滤波。


4.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定...

【专利技术属性】
技术研发人员：牛晨，张秋丽，张明，任雨寒，温鑫，刘翔，
申请(专利权)人：西安交通大学医学院第一附属医院，
类型：发明
国别省市：陕西;61