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

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。其包括：(1)图像获取；(2)数据预处理；(3)自动纤维定量AFQ分析：将预处理之后的DTI图和3D

【技术实现步骤摘要】
用于阿尔兹海默病分类预测的MR自动纤维定量分析方法


[0001]本专利技术涉及医学图像处理的
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]为克服现有技术的缺陷，本专利技术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。
[0006]本专利技术的技术方案是：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：
[0007](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；
[0008](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；
[0009](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；
[0010](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；
[0011](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。
[0012]本专利技术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
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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)。
[0019]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。
[0020]图8示出了根据本专利技术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
[0021]如图8所示，这种用于阿尔兹海默病分类预测的MR(Magnetic resonance i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于阿尔兹海默病分类预测的MR自动纤维定量分析方法，其特征在于：其包括以下步骤：(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；(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；(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；(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；(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。2.根据权利要求1所述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，其特征在于：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TR为9.8ms，回波时间TE为4.6ms，反转时间TI为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：TR9154ms，TE 55ms，矩阵大小112
×
112，扫描视野224
×
224m...

【专利技术属性】
技术研发人员：陈飞，戴真煜，姚立正，董从松，王澍，胡建斌，李新，穆天池，李清清，施奇，
申请(专利权)人：盐城市第三人民医院，
类型：发明
国别省市：