特征ubuntu14.10

第45卷第6期2015年11月东南大学学报(自然科学版)JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition)Vol.
45No.
6Nov.
2015doi:10.
3969/j.
issn.
1001-0505.
2015.
06.
006颞叶癫痫病患者的脑皮层多特征分类郭圣文1赖春任1汪文胜2成丽娜2吴凯1岑桂英1池敏越1(1华南理工大学材料科学与工程学院,广州510006)(2广东三九脑科医院影像诊断中心,广州510510)摘要:为了自动识别左、右侧颞叶癫痫病患者,提出了一种基于脑皮层结构特征的分类方法.
采集了21例左侧TLE患者(LTLE)、18例右侧TLE患者(RTLE)与28例健康正常人(NC)的脑结构磁共振图像,提取与分析其脑皮层形态结构特征.
为了降低特征维数,利用递归特征消除法获取对分类有效的主要特征.
然后,采用支持向量机对3组人群进行分类.
结果表明,大脑皮层表面积为最佳分类特征,灰质体积也具有突出的分类能力,皮层厚度识别不同侧TLE的能力稍差,平均曲率对右侧TLE与健康人群的区分能力相对较弱.
对分类有重要影响的脑区主要分布于颞叶、额叶与顶叶,尤其是大脑左侧脑区.
由此证明利用脑皮层特征可以有效地区分不同侧TLE患者和健康正常人,TLE患者的左脑更易受损.
研究结果有助于理解TLE患者的病理机制与进展规律、确定病灶位置及实现自动诊断.
关键词:颞叶癫痫;脑皮层特征;支持向量机;分类中图分类号:R445.
2;TP391.
41文献标志码:A文章编号:1001-0505(2015)06105704ClassificationusingmultiplycorticalfeaturesoftemporallobeepilepsypatientsGuoShengwen1LaiChunren1WangWensheng2ChengLina2WuKai1CenGuiying1ChiMinyue1(1SchoolofMaterialScienceandEngineering,SouthChinaUniversityofTechnology,Guangzhou510006,China)(2MedicalImagingCenter,Guangdong999BrainHospital,Guangzhou510510,China)Abstract:Aclassificationmethodbasedoncorticalfeaturesisproposedtoautomaticallydiscriminatelefttemporallobeepilepsy(LTLE)andrighttemporallobeepilepsy(RTLE).
Brainstructuralmagneticresonanceimagesfrom21LTLEpatients,18RTLEpatientsand28NCs(normalcontrols)arecollected,andthemorphologicalcorticalfeaturesareextractedandanalyzed.
Inordertoreducefeaturesdimensions,therecursivefeatureelimination(RFE)strategyisappliedtodeterminesalientfeaturesforclassification.
Then,supportvectormachine(SVM)isusedtoclassifythethreecohorts.
Theresultsshowthatthesurfaceareaisthebestfeatureforclassification,andthegraymattervolumehasalsoprominentcapabilityindiscrimination.
ThecorticalthicknessexhibitslimitedabilitytodifferentiateLTLEpatientsfromRTLEpatients,andthemeancurvaturebehavesrelativelyweaklytodistinguishRTLEpatientsfromNCs.
Thedominantregionsforclassificationarelocatedinthetemporal,thefrontalandparietallobe,especiallyinthelefthemisphere.
Theeffectivenessofcorticalfeaturesfordiscriminationofthreecohortsisproved,andthebrainregionsinlefthemisphereofTLEpatientsaremorevulnerabletoinjury.
Thisworkprovidespotentialinformationtounderstandthepathogenicmechanismandprogress,determinethefocusandfacilitatecomputeraideddiagnosisofTLEpatients.
Keywords:temporallobeepilepsy;corticalfeatures;supportvectormachine;classification收稿日期:20150603.
作者简介:郭圣文(1971—),男,博士,教授,shwguo@scut.
edu.
cn.
基金项目:国家自然科学基金资助项目(31371008,81171179)、广东省科技计划资助项目(503253185076).
引用本文:郭圣文,赖春任,汪文胜,等.
颞叶癫痫病患者的脑皮层多特征分类[J].
东南大学学报:自然科学版,2015,45(6):10571060.
[doi:10.
3969/j.
issn.
1001-0505.
2015.
06.
006]http://journal.
seu.
edu.
cn颞叶癫痫(TLE)是一种由大脑神经元过度放电导致的突发性、短暂性且反复性中枢神经系统疾病,病理学研究证实其病因为神经元大量丢失和胶质细胞增生.
近年来,越来越多的研究表明皮质发育不良与TLE的发生密切相关[1].
TLE患者受损脑区存在偏侧性,左侧颞叶比右侧更容易受损,左侧颞叶癫痫(LTLE)的全脑灰质和白质退化更为严重.
Keller等[2]发现TLE患者的26个脑区中灰质明显减少,与致痫灶同侧的海马、海马旁回、嗅皮质及对侧的海马为主要病变脑区,其中左脑的结构改变更为明显.
扩散张量成像研究表明,TLE患者的各向异性分数减小,平均扩散率增高,双侧大脑半球的颞叶(颞上、中、下回)各向异性分数值明显不同[3].
LTLE患者与RTLE患者的脑网络也存在较大差异,其中,LTLE患者的认知网络和语言网络容易受到影响,术后随访发现LTLE患者具有更大风险的记忆缺陷[4].
Haneef等[5]采用功能磁共振BOLD信号的振幅构建TLE患者的脑功能网络,发现感觉运动皮层网络和默认网络的脑功能连接减少,且LTLE患者的变化更明显.
人工神经网络算法、K近邻算法、支持向量机等智能分类方法均可用于TLE的分类[67].
Focke等[8]通过提取DTI图像的各向异性分数和平均扩散率,对具有海马硬化的LTLE患者和RTLE患者进行分类,准确率达92%以上.
然而,目前用于TLE分类的数据来源主要是临床生理参数、脑灰白质及DTI图像,应用大脑皮层特征对TLE分类的研究则较为少见,由于皮质发育异常可能是致癫痫的诱因之一,因此,针对TLE患者的大脑皮层研究有助于提高病灶和致痫灶定位的准确率.
本文通过Freesurfer软件包计算多种皮层特征,利用支撑向量机(SVM)对左侧颞叶癫痫患者、右侧颞叶癫痫患者及健康正常人(NC)共3组人群进行分类研究,比较不同脑皮层特征的分类性能,探讨对TLE分类有重要影响的皮层脑区,为TLE患者的临床诊断及致痫灶定位提供依据.
1实验方法1.
1脑结构特征计算在Ubuntu14.
10平台上,应用Freesurfer软件包[9]计算脑皮层特征.
计算步骤主要包括基于分水岭算法和可变表面模型去除非脑结构、标准脑模板配准、图像重建、表面平滑、脑皮层分割等.
根据DesikanKilliany图谱[10]将全脑皮层自动分成68个脑区,计算出各脑区的皮层表面积、灰质体积、皮层厚度、平均曲率等4种形态学参数.
为了考察某一特征与其平均数的相对标准距离,对不同分布的原始特征进行比较,并消除量纲的影响,应用zscore法将原始特征转变为均值为0、标准差为1的正态分布,即zi=xi-μσ/槡n式中,xi为原始特征值;μ,σ分别为特征的均值和标准差;n为特征数量;zi为标准化后的特征值.
1.
2支持向量机支持向量机由Cortes等[11]于1995年首先提出,它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中.
支持向量机方法是建立在统计学习理论中的VC维(VapnikChervonenkisdimension)理论和结构风险最小原理基础上的,通过寻求结构化风险最小化来提高机器学习的泛化能力,实现经验风险和置信范围的最小化,以期获得最优的推广能力.
本文采用了台湾大学林智仁教授等开发设计的Libsvm[12],它是一个简单、易于使用且快速有效的SVM模式识别与回归的软件包.
考虑到本文所用的临床数据(样本)较少,支持向量机采用线性核函数及留一交叉验证法(LOOCV).
1.
3特征降维不同脑区的皮层特征在分类过程中的作用相异,且可能存在冗余特征.
为了确定对分类有重要影响的脑区,获得最佳的分类效果,采用递归特征消除法(RFE)进行特征降维[13].
RFE法是一种逐步去除不重要特征而进行特征选择的贪婪算法.
首先,将特征按照子特征在分类中所占的权重循环排序,逐个消去排在序列最末的特征,把不重要或者不相关的子特征逐一消去;然后,根据最终的特征排序列表,从前到后选定不同维度的若干个特征子集,并评估不同特征子集的分类效果,进而得到最优特征子集.
通过RFE法,便能得到当前特征维度下特征排序的最优解,逐次消除次要特征,故比一次性的特征排序法所得结果更为精细准确.
基于支持向量机的递归特征消除法(SVMRFE)是将SVM模型中的特征权值作为RFE的特征排序标准.
在SVM模型训练过程中,可得到特征权重,SVMRFE法则将特征选择和特征子集比较相结合.
当遇到高维数据分类时,特征降维对于机器学习和数据挖掘均非常重要,通过特征降维能够有效消除冗余特征,提高支持向量机的分类性能与运算效率.
2研究数据与分类结果2.
1研究数据研究对象共计67例,其中左侧颞叶癫痫病患8501东南大学学报(自然科学版)第45卷http://journal.
seu.
edu.
cn者21例,右侧颞叶癫痫病患者18例,健康正常人28例,且均为右利手,全部来自广东三九脑科医院住院病人,进行常规MR检查及脑电检查,所有检查对象均知情同意.
颞叶癫痫病患者的纳入标准为:①癫痫发作类型与临床症状符合1981年以及1989年国际抗癫痫联盟的诊断和分类标准;②颞叶癫痫患者脑电图EEG显示异常放电起源于颞部;③MR检查显示单侧或双侧海马硬化、颞叶皮层局灶性发育不良;④临床发作包括胸闷、心慌等.
综合临床症状、脑电图与MR检查结果最终诊断为颞叶癫痫病患者.
表1为颞叶癫痫病患者及对照组的相关信息.
表1研究对象信息a研究对象样本数男女比例年龄教育程度发作时间持续时间LTLE组2115∶628.
9±9.
89.
4±2.
717.
4±9.
39.
4±6.
5RTLE组1810∶826.
2±9.
68.
2±1.
716.
3±9.
09.
3±7.
9NC组2817∶1124.
1±5.
312.
9±4.
0实验数据利用1.
5T飞利浦Intera磁共振扫描仪采用FLAIR序列采集得到,且所有研究对象的图像扫描参数均一致:重复时间为25ms;回波时间为4.
6ms;翻转角为30°;层厚为1.
2mm;视野为240mm*240mm.
2.
2分类结果2.
2.
1多特征分类性能应用SVMRFE法对灰质体积、皮层厚度、皮层表面积和平均曲率4种特征进行降维,将分类准确率最高时保留的特征作为最佳特征.
表2列出了SVM利用4种不同脑皮层特征对LTLE,RTLE,NC三组人群分别进行组间两两分类的性能.
表2脑皮层多特征分类性能皮层特征对比组最优特征维度准确率/%特异性/%敏感度/%灰质体积LTLE组与NC组2493.
8896.
4390.
48RTLE组与NC组1097.
8396.
43100LTLE组与RTLE组22100100100皮层厚度LTLE组与NC组1697.
9610095.
24RTLE组与NC组2897.
8310094.
44LTLE组与RTLE组582.
0561.
11100皮层表面积LTLE组与NC组2397.
9610095.
24RTLE组与NC组31100100100LTLE组与RTLE组12100100100平均曲率LTLE组与NC组1683.
6789.
2976.
19RTLE组与NC组1297.
8310094.
44LTLE组与RTLE组1397.
4410095.
24由表2可知,将皮层表面积作为分类特征来区分LTLE组与NC组的准确度、特异性与敏感度均高于95%,RTLE组与NC组、LTLE组与RTLE组的分类性能参数高达100%.
将灰质体积作为特征,在区分各组人群时,也能取得突出的分类效果.
利用皮层厚度来区分LTLE与NC组、RTLE组与NC组时各项分类性能参数均高于94%,但区分LTLE组和RTLE组时性能稍差;利用平均曲率能有效区分RTLE组与NC组、LTLE组与RTLE组,但其对LTLE组与NC组的识别能力较低.
由此说明,大脑皮层的表面积及灰质体积改变与颞叶癫痫存在更为紧密直接的关联.
研究大脑皮层存在与其表面垂直的纵向组织结构(即微柱)发现,皮层表面积与大脑皮层的微柱数有关[14],LTLE患者与RTLE患者的脑灰质存在不同程度的萎缩,且萎缩的脑区相异,LTLE患者的脑灰质萎缩更严重[2],因此,根据脑皮层灰质体积的差异便可较好地区分3组人群.
经SVMRFE降维后,颞中回、颞下回、嗅皮质、梭状回等具有高分类权重,说明这4个脑区皮层表面的微柱出现了显著改变,大脑皮层特征对癫痫具有高度敏感性,印证了大脑皮层发育不良可能是致癫痫诱因的假说.
2.
2.
2脑叶评分为了进一步研究重要脑区的分布情况,将重要脑区的得分进行归一化,即将权重范围转换至0~1.
按照其所在的脑叶,对归一化分数进行累计,作为脑叶的得分.
颞叶、额叶、顶叶、枕叶和岛叶的评分如图1所示.
由图1可知,颞叶在5个脑叶中获得的评分相对较高.
在LTLE组与NC组、RTLE组与NC组、LTLE组与RTLE组中,颞叶在皮层表面积、灰质体积、平均曲率3种皮层特征的分类得分均高于其他脑叶,颞叶、额叶、枕叶皮层厚度的分类得分相近,表明颞叶是颞叶癫痫分类的敏感脑叶.
此外,颞叶中的海马旁回、颞中回、梭状回、嗅皮质、后扣带回、梭状回、颞极等为颞叶癫痫分类的重要脑区,故为颞叶癫痫病患者出现重要病变的脑区之一.
额叶和枕叶也获得了较高的分类评分,说明TLE患者的额叶与枕叶也出现了结构异常和功能缺陷.
由此可见,虽然癫痫病患者的致痫灶主要在颞叶特定脑区,但亦会累及到其他脑叶.
3结语本文基于脑结构磁共振影像数据,研究了左、右侧颞叶癫痫病患者和健康正常人的分类和自动识别问题.
应用Freesurfer软件包计算灰质体积、皮层厚度、表面积和平均曲率,并利用递归特征消除法去除冗余或次要脑区特征,确定对分类具有重要影响的脑区特征.
最后,利用支持向量机对3组人群进行分类.
实验结果表明,将皮层表面积作为特9501第6期郭圣文,等:颞叶癫痫病患者的脑皮层多特征分类http://journal.
seu.
edu.
cn(a)LTLE组与NC组(b)RTLE组与NC组(c)LTLE组与RTLE组图1重要脑区分布的脑叶评分征时SVM的分类性能最佳,其次是灰质体积;利用皮层厚度能较好地区分LTLE组与NC组、RTLE组和NC组,但对不同侧TLE患者的识别能力较弱;将平均曲率作为特征时,SVM对LTLE组和NC组的区分能力稍差,但在识别其他2个对比组方面的性能突出.
颞叶中的海马旁回、颞中回、梭状回、嗅皮质、后扣带回、梭状回、颞极等对分类起重要作用,其中,较多脑区分布于左脑,按脑区所在脑叶得分排序,依次为颞叶、额叶、枕叶、顶叶和岛叶.
利用脑皮特征可有效地区分不同侧TLE患者及健康正常人,说明TLE患者脑皮层存在显著退化,且左脑受损更为严重.
研究结果可为颞叶癫痫病的临床诊断和术前病灶定位提供重要依据.
参考文献(References)[1]MartinoniM,MarucciG,RubboliG,etal.
Focalcorticaldysplasiasintemporallobeepilepsysurgery:challengeindefiningunusualvariantsaccordingtothelastILAEclassification[J].
Epilepsy&Behavior,2015,45:212216.
[2]KellerSS,RobertsN.
Voxelbasedmorphometryoftemporallobeepilepsy:anintroductionandreviewoftheliterature[J].
Epilepsia,2008,49(5):741757.
[3]LiH,XueZ,DulayMF,etal.
Fractionalanisotropyasymmetryandthesideofseizureoriginforpartialonsettemporallobeepilepsy[J].
ComputerizedMedicalImagingandGraphics,2014,38(6):481489.
[4]BessonP,DinkelackerV,ValabregueR,etal.
Structuralconnectivitydifferencesinleftandrighttemporallobeepilepsy[J].
Neuroimage,2014,100:135144.
[5]HaneefZ,LenartowiczA,YehHJ,etal.
Functionalconnectivityofhippocampalnetworksintemporallobeepilepsy[J].
Epilepsia,2014,55(1):137145.
[6]ArleJE,PerrineK,DevinskyO,etal.
Neuralnetworkanalysisofpreoperativevariablesandoutcomeinepilepsysurgery[J].
JournalofNeurosurgery,1999,90(6):9981004.
[7]ArmaanzasR,AlonsoNanclaresL,DeFelipeOroquietaJ,etal.
Machinelearningapproachfortheoutcomepredictionoftemporallobeepilepsysurgery[J].
PLOSONE,2013,8(4):e628191e628199.
[8]FockeNK,YogarajahM,SymmsMR,etal.
AutomatedMRimageclassificationintemporallobeepilepsy[J].
Neuroimage,2012,59(1):356362.
[9]FischlB.
FreeSurfer[J].
Neuroimage,2012,62(2):774781.
[10]DesikanRS,SégonneF,FischlB,etal.
AnautomatedlabelingsystemforsubdividingthehumancerebralcortexonMRIscansintogyralbasedregionsofinterest[J].
Neuroimage,2006,31(3):968980.
[11]CortesC,VapnikV.
Supportvectornetworks[J].
MachineLearning,1995,20(3):273297.
[12]FanRE,ChenPH,LinCJ.
Workingsetselectionusingsecondorderinformationfortrainingsupportvectormachines[J].
TheJournalofMachineLearningResearch,2005,6:18891918.
[13]GuyonI,WestonJ,BarnhillS,etal.
Geneselectionforcancerclassificationusingsupportvectormachines[J].
MachineLearning,2002,46(1/2/3):389422.
[14]RakicP.
Defectsofneuronalmigrationandthepathogenesisofcorticalmalformations[J].
ProgressinBrainResearch,1988,73:1537.
0601东南大学学报(自然科学版)第45卷