一种血管认知障碍的关键影像标记物的提取方法技术

本申请提供了一种血管认知障碍的关键影像标记物的提取方法，所述方法包括1)获取正常人和血管性认知障碍患者的静息态功能磁共振成像数据及磁共振弥散张量成像数据，分析并提取静息态功能磁共振成像数据及磁共振弥散张量成像数据以获得多模态磁共振神经影像数据的影像指标；2)多模态磁共振神经影像数据的影像指标的预处理；3)影像指标的选择和模型的构建；4)影像标记物的提取；5)影像标记物与神经认知量表的回归分析。本申请的方法使用无监督K均值聚类的方式开发了多模态神经影像标记物的提取方法，在众多的多模态神经影像数据的指标中找到关键的影像标记物；为VCI的早期精准诊治服务，为临床VCI脑机制的研究提供辅助和依据。依据。依据。

【技术实现步骤摘要】
一种血管认知障碍的关键影像标记物的提取方法
专利
：
[0001]本专利技术涉及神经影像标记物领域，具体地，本申请提供了一种血管认知障碍的关键影像标记物的提取方法。

技术介绍
：
[0002]血管性认知功能障碍(vascular cognitive impairment,VCI)是指由脑血管病危险因素和脑血管疾病引起的一类认知功能损害综合征。随着人口老龄化，我国VCI的患病率日益升高，其可严重影响患者日常生活质量，使患者家属背负沉重的精神和经济负担。
[0003]VCI涵盖了起源于脑血管病变的轻度认知功能障碍至血管性痴呆的所有疾病阶段，根据临床表现分为三个亚型：非痴呆型血管性认知障碍(vascular cognitive impairment no dementia，VCIND)、血管性痴呆(vascular dementia，VaD)和混合性痴呆(mixed dementia，MD)，其中VCIND是VCI最常见的亚型。根据所在团队牵头的中国认知和衰老研究表明VCIND占中国血管性认知障碍患者总数的42％，是其中最常见亚型。加拿大老年研究中心通过5年随访发现，46％的VCIND患者将进展为VaD。由此说明，对VCI患者进行早期发现、早期诊断、早期干预，
[0004]目前VCI的诊断及分型仍以临床表现及神经心理量表为主，主观性较大，不利于临床早期诊断和预防。大量研究报道血管认知障碍患者的脑结构及脑功能与正常受试间存在明显差异，有益于对VCI的诊断，提取简单且客观的影像学标记物具有一定意义。磁共振成像的不同模态数据可用于客观量化脑功能及结构的变化，但脑功能及脑结构等特征繁杂冗余。机器学习方法可以很好融合分析多模态冗余的特征，通过机器学习目标函数的设定约束模型并提取具有贡献的指标。而常用方法通常为有监督方法，模型鲁棒性无法得到充分的验证。常规机器学习方法推理过程较难根据VCI的神经影像特征等指标建立人可理解的含义，其可解释性往往不强。此外，文调研表明，目前尚无针对VCI的影像标记物提取和诊疗的有效方法。因此，有必要开发一种无监督，易解释，简单客观的多模态神经影像学标记物提取的方法。

技术实现思路

[0005]本专利技术所涉及的影像标记物提取方法仅利用患者结构核磁，弥散张量成像及静息态功能核磁影像数据。不涉及患者其他基本临床信息，如与受试的年龄、性别、职业、地域及是否合并患有基础病等，本专利只与受试者影像数据中脑结构、脑网络及脑功能的异常变化相关，因此本专利的应用不管受试者年龄、性别、地域、种族，可以在这种情境及研究中应用于不同人群进行提取。同时本专利技术提出的方法基于常规脑影像的结构、网络及功能的分析，结合机器学习算法分析高维特征间的相互作用，找出对VCI特异的特征。值得注意的是，这种影像标记物提取方法并非仅适合VCI一种疾病的分析。对于其他精神类疾病，其致病机制通常也是脑功能、结构及网络的异常，本影像标记物提取方法同时可以用于挖掘其他疾病的影像标记物，具有较广泛的应用且可以用于支持其他疾病的研究。
[0006]为了解决目前技术的不足，本专利技术创新性的使用无监督K均值聚类的方式开发了一种多模态神经影像标记物的提取方法，在众多的多模态神经影像数据的指标中找到关键的影像标记物。并将提取的标记物与临床量表回归证明了所选影像标记物是否可表征脑结构及脑功能的变化，与临床实际的相关性。本专利技术的目的是提供一种血管性认知障碍影像标记物的提取方法，整个影像标记物的提取方法和体系为VCI的早期精准诊治服务，为临床VCI脑机制的研究提供辅助和依据。
[0007]本专利技术方法的基本思路为：应用多模态神经影像的数据，首先对神经影像数据中可表征脑结构、网络及脑功能的指标的提取和预处理。整合全部的指标后输入到最小绝对值收敛和选择算子中(Least Absolute Shrinkage and Selection Operator,LASSO)为不同影像指标赋予权重，然后根据聚类算法的损失选择聚类数量和权重的阈值。将聚类数量和权重阈值输入到聚类算法中，通过分类任务的约束提取有效的影像标记物并给出标记物的最终权重，实现影像标记物的提取。将提取的影像标记物输入到相关向量回归(Relevant Vector Regression，RVR)模型中预测神经量表的评分，评估其应用于临床的能力。
[0008]一方面，本申请提供了一种血管认知障碍的关键影像标记物的提取方法，所述方法包括：
[0009]1)获取血管性认知障碍患者及正常实验组的静息态功能磁共振成像数据及磁共振弥散张量成像数据，分析并提取静息态功能磁共振成像数据及磁共振弥散张量成像数据以获得多模态磁共振神经影像数据的影像指标；
[0010]2)多模态磁共振神经影像数据的影像指标的预处理；
[0011]3)影像指标的选择和模型的构建；
[0012]4)影像标记物的提取；
[0013]5)影像标记物与神经认知量表的回归分析。
[0014]进一步地，步骤1)包括：
[0015]1‑
1)获取血管性认知障碍患者及正常实验组的磁共振成像数据
[0016]根据纳入排除标准纳入符合条件的血管性认知障碍患者及正常实验组。采集过程中在头部周围填入填充物防止头动，并告知所有受试者放空大脑但不要睡着。使用西门子3T磁共振成像设备，采用32通道的头部线圈采集头部的图像，获取静息态磁共振成像数据及磁共振弥散张量成像数据。
[0017]1‑
2)分析和提取静息态功能像磁共振成像数据：
[0018]第一步，应用Matlab中的conn工具包中标准流水线对静息态功能像磁共振成像数据进行预处理，包括：功能像重新排列和展开，时间层校正，离群点识别，间接分割和标准化，功能和结构联合配准及基于6mm全宽半高的高斯核的平滑；
[0019]第二步，将平滑前和平滑后的数据输入到RESTPlus工具包中进一步处理，包括：去趋势，Friston 24、灰质白质及脑脊液协变量回归和滤波；
[0020]第三步，基于第二步的结果，结合AAL图谱获得功能像的指标：低频振动幅度、低频波动的分数幅度、波动的百分比幅度及肯德尔区域一致性系数；
[0021]第四步，基于第二步的结果，将处理后的数据输入到Gretna工具包中构建ROIs
‑
ROIs的功能连接；基于功能连接和AAL图谱提取脑ROIs的图论影像指标：同配性、介中心度、度中心性、网络效率、节点聚类系数、节点效率、节点局部效率、节点最短路径长度、富人俱
乐部及小世界指标；
[0022]1‑
3)分析和提取磁共振弥散张量成像数据：
[0023]第一步，Linux系统下基于Matlab中PANDA工具包的标准流水线对磁共振弥散张量成像数据进行预处理，包括：大脑掩膜的估计、图像裁剪、涡轮校正及头部运动校正；
[0024]第二步，计算弥散张量参数的指标，并将扩散张量指标从个体空间配准到MNI标准空间；
[0025]第三步，结合PANDA工具包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血管认知障碍的关键影像标记物的提取方法，所述方法包括：1)获取血管性认知障碍患者及正常实验组的静息态功能磁共振成像数据及磁共振弥散张量成像数据，分析并提取静息态功能磁共振成像数据及磁共振弥散张量成像数据以获得多模态磁共振神经影像数据的影像指标；2)多模态磁共振神经影像数据的影像指标的预处理；3)影像指标的选择和模型的构建；4)影像标记物的提取；5)影像标记物与神经认知量表的回归分析。2.根据权利要求1所述的方法，其中步骤1)包括：1
‑
1)获取血管性认知障碍患者及正常实验组的磁共振成像数据根据纳入排除标准纳入符合条件的血管性认知障碍患者及正常实验组，采集过程中在头部周围填入填充物防止头动，并告知所有受试者放空大脑但不要睡着，使用西门子3T磁共振成像设备，采用32通道的头部线圈采集头部的图像，获取静息态磁共振成像数据及磁共振弥散张量成像数据；1
‑
2)分析和提取静息态功能像磁共振成像数据：第一步，应用Matlab中的CONN工具包中标准流水线对静息态功能像磁共振成像数据进行预处理，包括：功能像重新排列和展开，时间层校正，离群点识别，间接分割和标准化，功能和结构联合配准及基于6mm全宽半高的高斯核的平滑；第二步，将平滑前和平滑后的数据输入到RESTPlus工具包中进一步处理，包括：去趋势，Friston 24、灰质、白质及脑脊液协变量回归和滤波；第三步，基于第二步的结果，结合AAL图谱获得功能像的指标：低频振动幅度、低频波动的分数幅度、波动的百分比幅度及肯德尔区域一致性系数；第四步，基于第二步的结果，将处理后的数据输入到Gretna工具包中构建ROIs
‑
ROIs的功能连接；基于功能连接和AAL图谱提取脑ROIs的图论影像指标：同配性、介中心度、度中心性、网络效率、节点聚类系数、节点效率、节点局部效率、节点最短路径长度、富人俱乐部及小世界指标；1
‑
3)分析和提取磁共振弥散张量成像数据：第一步，Linux系统下基于Matlab中PANDA工具包的标准流水线对磁共振弥散张量成像数据进行预处理，包括：大脑掩膜的估计、图像裁剪、涡轮校正及头部运动校正；第二步，计算弥散张量参数的指标，并将扩散张量指标从个体空间配准到MNI标准空间；第三步，结合PANDA工具包中提供的手动分割的白质图谱获得最终的弥散影像指标：分数各项异性、平均扩散率、轴向扩散率、径向扩散率及局部扩散均匀性。3.根据权利要求1所述的方法，其中步骤2)包括：当某个成像指标或某个患者数据缺少超过20％以上时，该指标或患者被排除；排除数据后，对于其他的缺失值...

【专利技术属性】
技术研发人员：唐毅，秦琪，李春林，邢怡，屈俊达，尹筠思，
申请(专利权)人：首都医科大学宣武医院，
类型：发明
国别省市：