基于海马亚区放射组学特征的颞叶癫痫分类_杨春兰.pdf

第 卷 第 期 年 月北京工业大学学报 基于海马亚区放射组学特征的颞叶癫痫分类杨春兰，张文秀，李志梅，任洁钏（北京工业大学环境与生命学部，北京；首都医科大学附属北京天坛医院神经病学中心，北京）摘 要：研究海马亚区的放射组学特征是否可以作为诊断颞叶癫痫（，）患者的生物学标志物，并探索某些放射组学特征在分类中的重要性 实验纳入 例 患者和 例健康对照（，），对所有受试者进行结构磁共振成像（，）扫描，利用 .软件自动分割出海马亚区，软件提取出每个亚区的放射组学特征，经过特征选择后采用支持向量机（，）对 组和 组进行分类 左侧海马体部齿状回颗粒细胞层（）的分类准确度最高，为.；右侧海马头部的分子层（）的分类准确度最高，为.影响分类结果的重要特征中，二阶特征居多，其次是一阶特征和形状特征 海马亚区的放射组学特征有望作为生物学标志物识别颞叶癫痫，其中二阶特征是用于颞叶癫痫分类的重要特征关键词：颞叶癫痫（）；结构磁共振成像（）；海马亚区；放射组学；支持向量机（）；分类中图分类号：.文献标志码：文章编号：（）：收稿日期：；修回日期：基金项目：国家自然科学基金资助项目（，）；北京市科技新星计划资助项目（）；中国抗癫痫协会 基金资助项目（）；北京市自然科学基金资助项目（）作者简介：杨春兰（），女，副教授，主要从事计算机辅助神经影像分析方面的研究，：通信作者：任洁钏（），女，医师，主要从事癫痫及神经影像方面的研究，：，（，；，）：（），（）（）.，（）（）.（）.，第 期杨春兰，等：基于海马亚区放射组学特征的颞叶癫痫分类 ：（）；（）；（）；医学图像所包含的信息比人眼所能识别出的有效信息要丰富得多，人们通常将视觉图像信息转化为深层特征进行定量研究 作为定量图像分析的一个新兴领域，放射组学的概念被提出来，并应用于多种肿瘤和非肿瘤疾病，包括解码癌症的表型、肿瘤的分级和诊断以及肺结节的预测随着医学图像处理的发展，放射组学在神经退行性疾病的诊断与预测中逐渐成为了研究的热点，如阿尔茨海默病、帕金森病、精神分裂症等，通过对大量影像特征进行分析，并结合统计和机器学习方法来选择最有价值的影像特征，以便准确诊断和治疗疾病研究发现，在大多数颞叶癫痫（，）病例中，核磁共振影像（，）通常在 加权像中显示海马萎缩，海马体是内侧颞叶中最大的结构，被认为是导致幻觉和认知障碍病理生理学的主要大脑结构，这 种症状也是 的常见症状 另外，伴海马硬化是成人最常见的局灶性癫痫之一，药物治疗往往难以治愈，针对这一类患者，手术切除癫痫病灶是控制癫痫发作的一种可行的治疗选择，而无创成像在精确识别致痫区方面起着重要作用因此，对海马体的神经成像在 中仍然具有研究意义研究表明，海马结构的解剖亚区在神经系统疾病中受到了不同的影响 利用 对这些亚区的结构和功能进行分析，有助于深入了解神经疾病，比如 等研究了下托、合并、齿状回颗粒细胞层（）和整个海马的体积以区分海马硬化类型，进而确定了亚区特异性病理模式 等研究了 双侧海马亚区体积与运动记忆的关系，包括伞部、合并、合并 齿状回、下托和前下托，结果发现海马亚区 体积与 患者的运动序列学习相关 另外，海马不同的亚区参与了不同的记忆功能或病理过程，比如齿状回有助于处理空间和非空间信息，有助于模式完成和空间记忆的快速灵活获取，有助于所有感觉和记忆输入的整合，下托、旁下托和前下托有助于自我生成运动信息的整合等 也有证据表明，海马亚区的不同参与可能影响癫痫的控制或复发，因此，对海马亚区的深入研究仍值得被重视从 提取海马亚区的放射组学特征已被前人成功探索过，比如，等将海马分为 个亚区：亚区域复合体、合并 和合并 齿状回，并且以.的准确率识别出精神分裂症患者，发现海马亚区的显微组织特征可能会提高对精神分裂症的客观诊断，另外 等还发现双侧海马 放射组学特征能够鉴别 患者 等进一步的研究发现，双侧海马放射组学特征有望识 别 阴 性 患 者 的 病 灶 侧 别，等发现阿尔茨海默病、轻度认知障碍与对照组相比，海马体的放射组学特征在多个亚区存在着显著差异，能够有助于检测阿尔茨海默病患者早期认知功能下降 据了解，迄今为止还没有研究利用聚焦于海马亚区的放射组学特征来识别 患者本研究是基于 获取海马亚区的放射组学特征，深入探索不同海马亚区在 中的诊断价值，并对某些重要亚区及重要的放射组学特征进行统计分析，从而进一步确定诊断 患者的生物学标志物 实验对象与方法.实验对象选取 年 月 年 月就诊于北京天坛医院神经内科的 患者 例（男性 例，女性 例），所有患者均完成影像学数据及临床资料（年龄、病程、首发年龄等）的采集 纳入标准：诊断符合国际抗癫痫联盟关于 的诊断标准，脑电图（，）检查显示病灶位于或起源于颞叶 排除标准：药物滥用者、精神疾病者、患有影响智力的其他疾病患者、无法配合完成实验者以及检查不合格者 同时招募 例（男性 例，女性 例）年龄、性别与患者组差异无统计学意义的无精神及神经系统疾病史、无脑血管病危险因素，且脑影像图像未见明显病变及变异的健康受试者作为对照组，具体的人口统计学如表 所示，所有受试者均签署了知情同意书且实验获得北京天坛医院伦理委员会批准北 京 工 业 大 学 学 报 年表 人口统计学数据 参数 组 组 值年龄.性别（男 女）.发病年龄.实验方法.数据采集采用 .磁共振成像系统对所有受试者进行扫描，加权结构图像扫描参数为：重复时间（，），回波时间（，）.，反转恢复时间（，），扫描野（，），矩阵 ，层数 ，层厚.，无间距扫描 所有图像均经目测评价以确保成像质量.数据处理本研究的数据预处理及海马分割工作采用了 软件（在线下载：）预处理过程包括重采样、运动校正和确认、非均匀强度标准化、变换计算、强度标准化、皮质下白质和灰质结构的分割等 预处理结束后，进一步进行海马亚区的分割 中采用超高分辨率离体 数据（约.各向同性）构建的概率图谱来表示海马亚区，研究证明，基于 软件的海马亚区分割具有良好的可靠性和有效性 在该研究中，海马被分割为 组不同层次的亚区：头部、体部 和 尾 部；、（包 含）、齿状回颗粒细胞层（）、分子层（）、下托（）、前下托（）、旁下托（）、伞部（）、海马裂（）和海马杏仁核过渡带（，），对每个参与者的亚区进行目测检查，以检测分割错误 左右海马分别 个亚区的分割结果如图 所示，具体名称如表 所示图 左右海马分割结果及标签 .海马亚区放射组学提取本研究使用 软件进行可视化（在线下载：），如图 所示，输入 个图像，一个是带有海马 个标签的 图像，一个是标准空间下的全脑影像 图 为左海马亚区放射组学特征的提取界面；图 为右海马亚区放射组学特征的提取界面；图 为功能框选择通过一个基于 的开源模块（，.）自动计算左右海马每个标签亚区的放射组学特征：个一阶特征，个形状特征，个二阶特征（包括灰度共生矩阵、灰度游程矩阵、灰度大小区域矩阵、相邻灰度差矩阵），共提取 个放射组学特征（个特征 个感兴趣区左海马和右海马）.特征选择与分类所有放射组学特征均采用 评分标准化，然后 第 期杨春兰，等：基于海马亚区放射组学特征的颞叶癫痫分类 表 所有海马亚区列表 部位中文名称英文名称前下托头部下托头部海马头部头部头部头部齿状回颗粒细胞层头部分子层头部部位中文名称英文名称前下托体部下托体部体部体部体部海马 齿状回颗粒细胞层体部体部分子层体部旁下托海马杏仁核过渡带伞部海马裂海马尾图 海马亚区放射组学特征的提取界面（左海马）（）采用 步特征选择策略进行特征选择，即双样本 检验（.）和最小绝对值收敛和选择算子（，），找到最佳特征子集并降低过度拟合的风险 检验通过评估 组样本之间的差异性来选择特征 是 在 回 归 过 程 中 选 择 预 测 特征 在本研究中，首先通过双样本 检验方法确定了 组之间差异较大的特征集，然后利用 算法选择最优特征子集，进一步提高分类性能 支持向量机（，）是一种有监督的多元分类方法，用于识别最大边缘的最优超平面，核心思想是将样本映射到高维特征空间，使样本线性可分，其中核函数决定了映射形式 径向基函数（，）作为 最常用的核函数，在小样本数据上，具有一定的稳定性并且性能表现较好 因此，使用 中（：）的 分类器和 进行后续分类（，）()式中：和 为特征向量；为高斯核的宽度 通过网格搜索选择最优的惩罚系数 和，最终得到最北 京 工 业 大 学 学 报 年图 海马亚区放射组学特征的提取界面（右海马）（）图 海马亚区放射组学特征的提取界面（功能框选择）（）优的 模型海马每个亚区提取的 个特征组成特征向量，目标类别分别为 和，其中 表示 受试者，表示 患者，然后进行自动分类 考虑到参与者人数较少在分类过程中采用留一交叉验证（，）算法，从而得到具有鲁棒性的结果，避免假高精度 具体而言，在 个样本的每个 试验中，选择 个样本作为训练集，个样本作为测试集 另外，通过准确度、敏感度、特异性、分数和受试者工作特征（，）曲线和对应的 曲线下面积（，）评估分类结果 结果.左海马 个亚区的放射组学特征分类结果以 作为颞叶癫痫诊断能力的讨论标准，将.归为诊断能力好，.归为诊断能力较好，小于.归为诊断能力一般，如表 所示，左海马 个亚区中，有 个亚区具有较好的诊断能力 其中齿状回颗粒细胞层 体部（）准确度最高，为.，其次为 头部（），体部（）和前下托头部（），准确度为.结合左海马 个亚区的放射组学特征进行分类的准确度为.，敏感度为.，特异性为.，分数为.，为.，曲线如图（）所示.右海马 个亚区的放射组学特征分类结果与左海马 个亚区类似，对右海马 个亚区进行 了 组 与 组 的 自 动 分 类，结 果 如表 所示 通过观察结果发现，在右海马 个亚区中，个亚区都具有较好的诊断能力，与左海马相比，亚区数量多了将近一倍，这可能意味着在 组与 组之间，右海马要比左海马的放射组学特 第 期杨春兰，等：基于海马亚区放射组学特征的颞叶癫痫分类 表 左海马 个亚区的分类结果 亚区准确度 敏感度 特异性 分数.图 海马亚区放射组学特征的 曲线 征存在更多的异质性 分子层 头部（）达到了最高的准确度，为.，其 次 为 体 部（）、下 托 头 部（）、海马尾（）、下托 体部（）、齿状回颗粒细胞层体部（）和齿状回颗粒细胞层头部（）等 另外，右海马 个亚区的放射组学特征进行分类的准确度达到了.，曲线如图（）所示 与左海马比较，右海马的分类准确度更高，这可能意味着 患者中的右海马结构比左海马结构更具有识别价值.区分 组与 组的重要放射组学特征经过双样本 检验保留了 组和 组具有显著差异性（.）的放射组学特征，进一步通过 回归去除了回归系数为 的放射组学特征，最终确定了区分 组与 组的最优特征集 如表 所示，在左海马 个亚区中，确定了 个放射组学特征，其中有 个形状特征、个一阶特北 京 工 业 大 学 学 报 年 表 右海马 个亚区的分类结果 亚区准确度 敏感度 特异性 分数.表 左海马 个亚区中区分 组与 组的重要放射组学特征列表 亚区特征类别特征名称英文名称形状特征最大长径 灰度依赖矩阵小依赖性高灰度级强调 一阶特征灰度范围形状特征最大长径 灰度依赖矩阵依赖性熵 灰度共生矩阵自相关一阶特征最小灰度一阶特征最小灰度形状特征体素体积 形状特征最大二维直径（柱）灰度依赖矩阵依赖性非一致性 一阶特征稳健平均绝对偏差 灰度大小区域矩阵小面积强调 灰度共生矩阵相关性的信息测量 灰度游程矩阵游程熵 灰度共生矩阵集群突出 灰度游程矩阵灰度级不均匀性归一化 相邻灰度差矩阵复杂性形状特征最小长径 灰度游程矩阵灰度级不均匀性 第 期杨春兰，等：基于海马亚区放射组学特征的颞叶癫痫分类征、个二阶特征（个灰度相关矩阵特征、个灰度共生矩阵特征、个灰度游程矩阵特征、个相邻灰度差矩阵特征、个灰度大小区域矩阵特征）如表 所示，右海马 个亚区中，确定了 个放射组学特征，其中有 个形状特征、个一阶特征、个二阶特征（个灰度大小区域矩阵、个灰度游程矩阵特征、个灰度区域矩阵特征）由此推断，二阶特征有可能是所有放射组学特征中最重要的特征，其次为形状特征，最后是一阶特征表 右