|
|
相关文章推荐
|
暴走的毛衣 · PyTorch查看模型和数据是否在GPU上 ...· 1 年前 · |
|
|
坚韧的板栗 · node.js - Babel ...· 1 年前 · |
|
|
一身肌肉的遥控器 · 用户对问题“使用PHP ...· 1 年前 · |
The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before
sharing sensitive information, make sure you’re on a federal
government site.
The
https://
ensures that you are connecting to the
official website and that any information you provide is encrypted
and transmitted securely.
As a library, NLM provides access to scientific literature. Inclusion in an NLM database does not imply endorsement of, or agreement with,
the contents by NLM or the National Institutes of Health.
Learn more: PMC Disclaimer
Learn more: PMC Disclaimer
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi.
2017 Aug 1; 34(4): 500–509.
Chinese.
doi:
10.7507/1001-5515.201610038
PMCID:
PMC9935317
PMID:
29745545
颞叶癫痫患者脑白质纤维束追踪空间统计分析与自动识别
Tract-based spatial statistics analysis on the white matter of patients with temporal lobe epilepsy and automatic recognition
地 赵
华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China
Find articles by
地 赵
圣文 郭
华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China
Find articles by
圣文 郭
聪玲 吴
华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China
Find articles by
聪玲 吴
春任 赖
华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China
Find articles by
春任 赖
丽娜 成
华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China
Find articles by
丽娜 成
文胜 汪
华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China 华南理工大学 材料科学与工程学院 生物医学工程系（广州 510006）, School of Material Science and Engineering, South China University of Technology, Guangzhou 510006, P.R.China 广东三九脑科医院 影像诊断中心（广州 510510）, Medical Imaging Center, Guangdong 999 Brain Hospital, Guangzhou 510510, P.R.China
圣文 郭:
nc.ude.tucs@ougwhs
郭圣文，Email：
nc.ude.tucs@ougwhs
近年来，正电子发射计算机断层扫描（positron emission tomography，PET）、结构磁共振成像（structural magnetic resonance imaging，sMRI）、磁共振波谱（magnetic resonance spectroscopy，MRS）、功能磁共振成像（functional magnetic resonance imaging，fMRI）与弥散张量成像（diffusion tensor imaging，DTI）等检测技术被广泛应用于 TLE 的定侧、病灶定位及病理基础研究。如常规的磁共振成像（magnetic resonance imaging，MRI）分析和 MRS 病理研究 [ 4 - 5 ] ，通过对灰质体积、灰质密度或代谢化合物分析，已表明 TLE 患者脑区存在广泛的皮质及皮质下脑结构异常。而 DTI 可用于检测脑白质纤维结构与白质网络异常 [ 6 ] ，如 Chiang 等 [ 7 ] 经研究发现，TLE 患者的双侧海马、扣带回、穹窿等脑区的平均扩散率（mean diffusivity，MD）值升高、部分各向异性（fractional anisotropy，FA）值降低，认为 MD、FA 能够用于 TLE 患者致痫灶的定位定侧。此外，反复的癫痫电信号会引起白质纤维髓鞘丢失和轴突损伤，研究发现扩散系数（axial diffusivity，AD）、径向扩散系数（radial diffusivity，RD）值的改变可以用于区分髓鞘和轴突损伤 [ 8 ] 。Campos 等 [ 9 ] 利用 DTI 的参数 FA、AD、RD 来研究伴有海马硬化的 TLE 患者的白质纤维束的完整性，并认为白质损伤的不同分布对癫痫网络的定位具有重要的意义。Meng 等 [ 10 ] 揭示了 TLE 患者脑白质异常范围与癫痫的首次发作的年龄和发作病程相关。除了颞叶，其它脑区的脑皮层和脑白质纤维，也与 TLE 的发生和发展密切相关 [ 11 ] 。
研究 TLE 患者脑白质纤维异常变化主要包括感兴趣区法（region of interest，ROI）、基于体素的分析方法（voxel-based analysis，VBA）和基于纤维束追踪空间统计方法（tract-based spatial statistics，TBSS）。基于 ROI 的方法，是基于先验假说对 ROI 进行测量，虽然其目标明确、操作简便，但易受主观因素与影像中部分容积效应的影响。而另一方面，有研究者基于 VBA 方法发现单侧 TLE 患者的灰质、白质均发生了异常变化，从而影响大脑的认知功能，然而，该方法对于白质的微小结构扩散异常并不敏感 [ 12 ] 。TBSS 方法，是一种基于纤维束追踪的配准算法，它采用一种对不同受试者的白质纤维骨架进行对齐的方法，有效克服了 VBA 法的图像空间配准准确性低、平滑处理时平滑核选择具主观性等不足，提高了分析结果的准确性、敏感性和客观性，对脑白质微结构异常区域的定位更加准确 [ 13 ] 。如 Focke 等 [ 14 ] 采用 VBA 和 TBSS 方法研究 33 例单侧海马硬化 TLE 患者的 DTI 影像，发现 TBSS 比 VBA 对白质纤维的异常变化更加敏感。
目前，基于 TLE 患者脑结构的变化与脑区分布信息，采用机器学习方法研究 TLE 的自动诊断 [ 15 ] 、致痫灶的定位 [ 16 ] 、癫痫患者的电生理学血流动力学 [ 17 ] 、术后癫痫发作预测 [ 18 - 19 ] 等问题，具有重要的意义。如 Cantor-Rivera 等 [ 20 ] 基于 ROI 方法提取所有受试者的全脑 FA、MD 图像特征，然后对 TLE 患者和正常对照（normal control，NC）组进行分类比较，FA、MD 的分类准确率分别为 69.4%、75.0%。另有研究表明，基于 VBA 方法提取全脑 FA、MD 图像特征，发现左侧伴有海马硬化的 TLE 组与 NC 组的分类识别率最高，分别为 92.9%、88.1%，左侧 TLE 与右侧 TLE 的分类识别率最低，分别为 48.7%、51.4% [ 21 ] 。An 等 [ 22 ] 基于 TBSS 方法提取差异具有统计学意义的 FA 骨架特征进行分类，左侧内侧颞叶癫痫（medial temporal lobe epilepsy，mTLE）组与 NC 组、右侧 mTLE 组与 NC 组的分类识别率分别为 94.1%、91.8%，左侧 mTLE 组与右侧 mTLE 组分类识别率为 90.6%。说明基于 TBSS 方法提取的特征对 TLE 人群具有较突出的区分能力。
虽然研究者通过提取 DTI 特征应用于 TLE 的自动分类，已经取得了一些进展，但仍有以下重要问题尚待研究：① 目前的研究主要利用的是 FA、MD 特征开展研究，缺乏对 DTI 参数的全面比较与分析；② 采用的不同特征选择方法的分类性能相差较大，需要比较与分析不同特征选择方法的性能差异，并对多特征进行融合，以改善分类性能；③ 尚需明确对分类有重要影响的脑区及其分布，这些脑区与 TLE 相关的生理与病理机理机制，尚待进一步明确。
为此，本文首先采用立体定位白质分区图谱（based on diffusion tensor imaging obtained from 81 normal subjects acquired under an initiative of the International Consortium of Brain Mapping，ICBM-DTI-81）为模板，获得全脑白质纤维的 FA、MD、AD 和 RD 参数图像，然后，应用 TBSS 方法，获取 NC 组与 TLE 组差异具有统计学意义的脑区。再根据差异的脑区特征，用支持向量机（support vector machine，SVM）进行分类，比较支持向量机-纤维束追踪空间统计方法（support vector machine-tract-based spatial statistics，SVM-TBSS）与支持向量机-递归特征消除法（support vector machine-recursive feature elimination，SVM-RFE） 分类性能的优劣。最后，分析重要脑区及其分布。
1. 实验方法
1.1. 纤维束追踪的空间统计
本研究使用脑扩散图像分析软件 PANDA 1.3.1（State Key Laboratory of Cognitive Neuroscience and Learning and IDG/McGovern Institute for Brain Research，Beijing Normal University.，China）进行数据处理 [ 23 ] ，采用 PANDA 软件提供的 TBSS 对 TLE 组和 NC 组进行组间白质微结构差异分析。
1.1.1 数据预处理 具体处理步骤包括：① 将原始的医学数字成像和通信（digital imaging and com-munications in medicine，DICOM）格式的数据转化为神经影像信息技术协议（The neuroimaging infor-matics technology initiative，NIFTI）格式；② 对 NIFTI 数据进行头动及涡流矫正；③ 以每个受试者梯度敏感因子 b =0 s/mm 2 的图像作为依据（即 b 0 模板），产生各自的脑模板，剥去头皮与颅骨，提取大脑（阈值设为 0.3）；④ 利用梯度磁场方向、磁场强度数值、 b 0 模板以及四维 NIFTI 格式图像，计算本征值 λ 1 、λ 2 、λ 3 ，获取 FA、MD、AD、RD 等参数图像 [ 24 ] 。
DTI 的本征值有三个：λ 1 是最大本征值，反映了在平行于纤维方向上的扩散速度；λ 3 是最小本征值，反映了在垂直于纤维方向上的扩散速度；λ 2 是中间本征值，反映了垂直于前两个方向上的扩散速度。
DTI 常用的量化指标有 FA、MD、AD、RD。FA 值是对组织各向异性的测定，反映了轴索对水分子弥散程度的限制以及髓磷脂的含量。MD 值能对组织某一体素、区域的弥散性能进行全面的评价，被认为是白质微结构变化的重要指示，这些变化包括纤维数量的减少、轴突的缺失、髓鞘的脱失等。AD 是最大特征向量的特征值，AD 值的增大与轴突的丢失或者损坏有关。RD 是二次特征值的平均值，RD 值的增大与轴突脱髓鞘有关。
1.1.2 TBSS 统计分析 首先，运用非线性配准方法将所有受试者的 FA 图像对齐到标准空间下的标准 FA 模板 [ 25 ] 。然后，根据所有配准后的 FA 图生成平均 FA 图，进而提取平均 FA 骨架。最后，设定 FA 阈值为 0.2，将每个受试者的 FA 值投射到平均 FA 骨架上，得到每个受试者的 FA 骨架图。类似地，MD、AD、RD 参数图也基于平均 FA 骨架进行配准。
以 ICBM-DTI-81 白质分区图谱为模板 [ 26 ] ，计算 FA、MD、AD、RD 值，采用双样本 t 检验对 TLE 组和正常组进行组间对比，经过无阈值聚类增强（threshold-free cluster enhancement，TFCE）校正（ P <0.05），获取差异具有统计学意义的脑区。
t 检验为假设当总体分布为正态分布时，则样本平均数与总体平均数的离差统计量呈 t 分布。其中双样本 t 检验是通过计算两组小样本均值之间差异发生的概率，判断它们的差异是否具有统计学意义。
1.2. 自动分类
1.2.1 支持向量机 SVM 是基于统计学习理论的分类和预测的方法，它以训练误差作为优化问题的约束条件，以经验风险和置信范围最小化作为优化目标，从而达到在统计样本较少的情况下获得较好的分类效果。SVM 的最终决策函数只由少数的支持向量决定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维度灾难”。因此，SVM 在解决小样本、非线性及高维模式识别中表现出许多特有的优势。
SVM 利用内积核函数代替向高维空间的非线性映射，这样使得分类变得容易。当样本数量较少、特征维度远大于样本数时，将核函数选择为线性函数更加合适。
1.2.2 递归特征消除法 递归特征消除法（recursive feature elimination，RFE），是根据特征在分类中的重要性而采取逐次剔除的策略进行分类的。首先，将所有特征用于分类器进行训练与分类，依据每一特征对分类结果的影响程度，给予一个权值；然后，逐个消去在分类中所占权重较小的、排列在序列最末的子特征；最后，根据最终的特征排序列表，从前到后评估不同特征子集的分类效果，选出最优特征子集。
SVM 样本训练过程中，采用 RFE 进行特征选择与分类策略，将其称为 SVM-RFE。而前述的 TBSS 法中，应用 t 检验选择组间差异具有统计学意义的特征后，再用 SVM 进行分类的方法，称为 SVM-TBSS。
为了评估与比较不同特征与特征选择方法的分类性能，采用灵敏度、特异性、准确性三个性能指标。
经 t 检验或 RFE 选择特征后，得到重要特征候选集，此时，需要确定具有最佳分类性能的特征维数，为此，对候选特征依据其重要性（ t 检验的 P 值与 RFE 的权值）进行排序，依次加入特征队列，应用 SVM 进行分类，按灵敏度、特异性和准确性的优劣，确定具最优分类性能的特征及维数。随之生成对应的受试者工作特征曲线（receiver operating characteristic，ROC），并计算 ROC 曲线下的面积（area under curve，AUC）。
2. 研究数据与实验结果
2.1. 研究对象
征集受试者共计 50 人，其中 TLE 组 22 人，NC 组 28 人，全部来自广东三九脑科医院采集的数据。在所有受试对象知情并征得同意的情况下，对其进行常规 MRI 以及脑电图检查。综合临床表现、脑电图与 MRI 图像，判断是否纳入 TLE 组：① 癫痫发作类型与临床症状符合 1981 年以及 1989 年国际抗癫联盟的诊断标准与分类标准；② 脑电图显示异常痫性放电起源于颞部；③ MRI 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 临床发作具有以下特征：胃气上升感、胸闷、心慌、幻听及精神症状等。如 表 1 所示，为受试者的相关信息。
表 1
The information of subjects
受试者信息
| 受试者/名 | 性别（男/女） | 年龄/岁 | 教育程度/年 | 首次发作/岁 | 发作病程/年 | |
| TLE 组 | 22 | 16/6 | 23.7±8.6 | 8.6±2.3 | 14.4±7.2 | 9.3±8.2 |
| NC 组 | 28 | 16/12 | 24.1±5.3 | 12.8±4.0 | — | — |
2.2. 数据采集
DTI 数据采集使用飞利浦 1.5T MRI 扫描仪（Philips Gyroscan Intera 1.5T），并采用 8 通道神经血管线圈接收核 MRI 信号。扫描时受试者平躺在扫描仪中，头颅两侧采用绷带和泡沫垫进行固定，以减少扫描时头部运动。行头颅扫描以大脑前后联合连线为基准，所有受试者都进行 DTI 图像检查。DTI 图像采用单次激发平面回波自旋序列进行采集，梯度敏感因子 b =0 s/mm 2 和 b =800 s/mm 2 ，在 32 个不同的方向上施加梯度磁场。具体扫描参数如下：重复时间（repetition time，TR）=11 000 ms；回波时间（echo time，TE）=72 ms；翻转角=90°；矩阵=144×144；视野（field of view，FOV）=230 mm×230 mm；激励次数（number of excitation，NEX）=1；层厚=2.0 mm；层间距=0；层数=67。
2.3. 实验结果
2.3.1 TBSS 分析结果 TLE 组与 NC 组的 TBSS 分析结果如 图 1 所示，其中绿色表示平均 FA 骨架图，红色表示 TLE 组 DTI 参数下降，蓝色表示 TLE 组 DTI 参数增强，背景采用蒙特利尔神经病学研究所（Montreal Neurological Institute，MNI）152 图谱模板， Z 代表在水平切面上脑图像所在的层数或位置。分别对比 TLE 组与 NC 组之间差异具有统计学意义脑区的平均 FA 值、平均 MD 值及平均 RD 值（其中 P <0.05），分析结果如 图 2 所示。
The brain regions with differences of the DTI parameters between the NC group and the TLE group
脑区 DTI 特征参数 NC 组与 TLE 组差异图
Comparisons of the DTI parameter values with statistical difference between the NC group and the TLE group
NC、TLE 两组人群脑区具统计学差异的 DTI 特征参数值比较
如 图 1 、 图 2 所示，与 NC 组相比，TLE 组患者的 FA 值降低的脑区主要包括胼胝体体干、胼胝体膝部、胼胝体压部、左侧上纵束、右侧上纵束、左侧上放射冠、右侧上放射冠、小脑中脚、左侧外囊、右侧外囊、左侧丘脑后辐射、右侧丘脑后辐射、左侧下额枕束、右侧下额枕束、左侧前放射冠、右侧前放射冠、左侧内囊前肢、右侧内囊前肢、左侧内囊后肢、右侧内囊后肢、左侧后放射冠、右侧后放射冠、左侧矢状层、右侧矢状层、左侧大脑脚、右侧大脑脚、左侧内囊膝、右侧皮质脊髓束、左侧扣带回等，这些脑区基本呈双侧分布。
TLE 组 MD 值增加的脑区主要包括胼胝体体干、胼胝体膝部、胼胝体压部、左侧上纵束、右侧上纵束、左侧上放射冠、右侧上放射冠、左侧外囊、右侧外囊、左侧丘脑后辐射、左侧前放射冠、右侧前放射冠、左侧下额枕束、右侧下额枕束、左侧后放射冠、右侧后放射冠、左侧矢状层、右侧矢状层、左侧内囊前肢、左侧内囊膝等，它们基本呈双侧分布。
TLE 组 AD 值增加的脑区经过 TFCE 校正后（ P <0.05），没有发现差异具统计学意义的脑区。
TLE 组 RD 值增加的脑区主要包括胼胝体体干、胼胝体膝部、胼胝体压部、左侧上纵束、右侧上纵束、左侧上放射冠、右侧上放射冠、左侧外囊、右侧外囊、左侧丘脑后辐射、右侧丘脑后辐射、左侧内囊前肢、右侧内囊前肢、左侧前放射冠、右侧前放射冠、左侧内囊后肢、右侧内囊后肢、左侧下额枕束、右侧下额枕束、左侧后放射冠、右侧后放射冠、左侧矢状层、右侧矢状层、左侧大脑脚、右侧大脑脚、左侧内囊膝、左侧扣带回等，它们基本呈双侧分布。
2.3.2 SVM-TBSS 与 SVM-RFE 的分类结果 利用 FA、MD、RD 特征参数，以及将这三种参数进行融合后的特征，分别对 TLE 组与 NC 组进行分类，采用 SVM-TBSS 法的识别率分别为 82%、76%、76%、80%，AUC 值分别为 0.82、0.81、0.78 和 0.85，而 SVM-RFE 的分类准确率分别为 90%、90%、92%、100%，AUC 值分别为 0.89、0.96、0.97 与 1，如 表 2 所示。如 图 3 所示分别为 FA、MD、RD 及融合特征，分别应用 SVM-TBSS 和 SVM-RFE 进行分类得到的 ROC 曲线。结果显示，SVM-RFE 的分类性能明显高于 SVM-TBSS，尤其特征融合后的识别率可达到 100%。
表 2
Classification performance after feature dimension reduction
特征降维后分类性能
| 参数特征 | 最优特征维度 | 准确率 | 特异性 | 敏感度 | AUC | |
| SVM-TBSS | FA | 20 | 82% | 81.82% | 85.71% | 0.82 |
| MD | 1 | 76% | 68.18% | 89.29% | 0.81 | |
| RD | 10 | 76% | 68.18% | 89.29% | 0.78 | |
| 融合特征 | 31 | 80% | 77.27% | 85.71% | 0.85 | |
| SVM-RFE | FA | 4 | 90% | 96.43% | 86.36% | 0.89 |
| MD | 17 | 90% | 96.43% | 86.36% | 0.96 | |
| RD | 14 | 92% | 100% | 86.36% | 0.97 | |
| 融合特征 | 12 | 100% | 100% | 100% | 1 |
经由 SVM-TBSS 法确定得到 FA 的重要脑区包括穹窿、左侧内侧丘系、右侧内囊膝、左侧上额枕束、双侧上纵束、双侧外囊、双侧扣带回、双侧上放射冠等；左侧上额枕束的 MD 值具有突出的组间区分能力；左侧上放射冠、左侧上纵束、左侧上额枕束、双侧外囊、双侧扣带回、双侧钩束等脑区的 RD 值对分类有重要影响；特征融合后的重要脑区主要位于左侧内侧丘系、右侧小脑上脚、左侧上额枕束、双侧上放射冠、双侧外囊、双侧扣带回、双侧上纵束、双侧钩束等。
SVM-RFE 发现穹窿、左侧上额枕束和钩束的 FA 值对分类具有重要影响；MD 值相关的重要脑区包括小脑中脚、穹窿、右侧内囊前肢、右侧内囊膝、双侧后放射冠、右侧扣带回、右侧海马、左侧上纵束、左侧上额枕束等；RD 值相关的重要脑区位于小脑中脚、胼胝体膝部、穹窿、右侧小脑上脚、双侧内囊膝、右侧放射冠、右侧海马、左侧上额枕束、左侧钩束等；特征融合后，涉及的重要脑区主要包括胼胝体压部、穹窿、右侧小脑上脚、右侧内囊膝、右侧上放射冠、右侧外囊、右侧上纵束、左侧上额枕束、左侧钩束等。
为了进一步说明与比较各个脑区对分类的重要性，将经 SVM-TBSS 法降维后得到的分类性能最优脑区的权重进行归一化，如 图 4 所示为重要脑区归一化权重与被选择次数的统计结果。SVM-TBSS 法中，位居前列的脑区依次为左侧上额枕束、右侧小脑上脚、左侧钩束、右侧上纵束、左侧内侧丘系、穹窿、双侧上放射冠、右侧扣带回和右侧钩束。类似地，SVM-RFE 法得到的重要脑区归一化权重值与被选择次数。位居前列的脑区依次为左侧上额枕束、穹窿、右侧海马、右侧小脑上脚、右侧后放射冠、双侧内囊膝、右侧上纵束、右侧内囊前肢与右侧上放射冠。
2.3.3 纤维评分 按照约翰霍普金斯的白质分区图谱进行划分，分为脑干纤维、投射纤维、联络纤维、连合纤维 [ 26 ] ，对所获取的重要特征，将其归一化权重进行累加，作为各个白质纤维区域的总得分，如 图 5 所示。可见，FA、RD 与融合特征经 SVM-TBSS 法选择与分类后，连合纤维得分最高，MD 评分最高的纤维是联络纤维；而以 SVM-RFE 法处理后，FA、MD 的联络纤维评分最高，RD、融合特征的连合纤维评分最高，
3. 讨论分析
本研究采用 TBSS 法研究 TLE 患者与正常人群的脑白质纤维束 DTI 参数的差异，发现胼胝体、上纵束、放射冠、外囊、内囊、下额枕束、钩束、矢状层等区域，均出现 DTI 参数异常。有学者在研究颞叶癫痫的动物模型中发现，癫痫小鼠在垂直于纤维方向的水分子扩散速度 RD 较高，在平行于纤维方向上的水分子扩散速度 AD 变化不明显 [ 8 ] ，这一结论也在 TLE 患者的白质纤维研究中得到证实 [ 6 ] 。此外，研究发现 TLE 患者的 AD 值的差异脑区没有统计学意义。根据组间差异特征，利用 SVM 进行分类，获取分类性能最优时的特征及其分布，并与 SVM-RFE 进行比较，分类结果表明，SVM-RFE 的分类性能明显优于 SVM-TBSS，尤其利用融合特征的分类性能最佳。说明 SVM-RFE 能更有效地选择出区分能力强的特征，主要源于其采用了将样本训练与特征评分相融合的特征筛选策略。
本文通过 SVM-TBSS 与 SVM-RFE 两种方法得到分类性能较好的脑区，两种方法得到的结果既有一定关联性，又存在明显区别。如对 4 种单一皮层特征的选择结果表明：二者共同的重要脑区包括穹窿、左侧上额枕束、右侧小脑上脚、右侧上纵束、右侧上放射冠等；经由 SVM-TBSS 法得到的脑区，大部分呈双侧分布，如双侧内囊、双侧上放射冠、双侧外囊、双侧扣带回、双侧上纵束、双侧钩束等，而 SVM-RFE 得到的重要脑区，更多为右侧脑区，包括右侧扣带回、右侧海马与右侧上放射冠、右侧外囊、右侧上纵束等。这两种方法得到的重要脑区和分类性能的差异，其主要原因在于两种特征选择方法的策略不同，其中，SVM-TBSS 的特征选择过程与训练过程是独立分开的，它先利用 t 检验获取差异具有统计学意义的特征，再用 SVM 评估这些特征的分类预测能力，然而，差异具有统计学意义的特征，并不代表其组间区分能力强 [ 27 ] 。而 SVM-RFE 方法的特征选择过程与训练过程是同时进行的，即边训练、分类，边计算每一特征的区分能力，逐一将区分能力较差的特征去除，从而得到区分特力强的特征子集。因此，它能更有效地选择出区分能力强的特征。
根据 SVM-RFE 得到的重要脑区特征的选择次数与权重排序，位居前列的特征位于左侧上额枕束、穹窿、右侧海马、右侧小脑上脚、右侧后放射冠、双侧内囊膝、右侧上纵束、右侧内囊前肢、右侧上放射冠脑区，它们主要分布于连合纤维和联络纤维分区。联络纤维是连接同侧半球的白质纤维，联络纤维的 DTI 参数值异常与 TLE 患者的记忆和语言功能障碍有关；连合纤维是连接双侧半球的白质纤维，癫痫电信号通过白质传导通路传播至对侧，并且引起神经网络环路的白质纤维结构异常和功能缺失。本研究对认识和理解 TLE 的病理生理机制、定位病灶及实现自动诊断等具有重要的价值。
Funding Statement
国家自然科学基金资助项目（31371008），广东省科技计划支撑项目（2015A02024006），广州市产学研协同创新重大专项（201604020170）
References
1.
Ngugi A K, Bottomley C, Kleinschmidt I, et al Estimation of the burden of active and life-time epilepsy: a meta-analytic approach.
Epilepsia.
2010;
51
(5):883–890.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
2.
Kwan P, Brodie M J Drug treatment of epilepsy: when does it fail and how to optimize its use?
CNS Spectr.
2004;
9
(2):110–119.
[
PubMed
]
[
Google Scholar
]
3.
Duncan J The current status of neuroimaging for epilepsy.
Curr Opin Neurol.
2009;
22
(2):179–184.
[
PubMed
]
[
Google Scholar
]
4.
Kemmotsu N, Girard H M, Bernhardt B C, et al MRI analysis in temporal lobe epilepsy: cortical thinning and white matter disruptions are related to side of seizure onset.
Epilepsia.
2011;
52
(12):2257–2266.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
5.
Mueller S G, Laxer K D, Cashdollar N, et al Identification of abnormal neuronal metabolism outside the seizure focus in temporal lobe epilepsy.
Epilepsia.
2004;
45
(4):355–366.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
6.
Govindan R M, Makki M I, Sundaram S K, et al Diffusion tensor analysis of temporal and extra-temporal lobe tracts in temporal lobe epilepsy.
Epilepsy Res.
2008;
80
(1):30–41.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
7.
Chiang S, Levin H S, Wilde E, et al White matter structural connectivity changes correlate with epilepsy duration in temporal lobe epilepsy.
Epilepsy Res.
2016;
120
(2016):37–46.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
8.
Song S K, Sun Shuwei, Ramsbottom M J, et al Dysmyelination revealed through MRI as increased radial (but unchanged axial) diffusion of water.
Neuroimage.
2002;
17
(3):1429–1436.
[
PubMed
]
[
Google Scholar
]
9.
Campos B M, Coan A C, Beltramini G C, et al White matter abnormalities associate with type and localization of focal epileptogenic lesions.
Epilepsia.
2015;
56
(1):125–132.
[
PubMed
]
[
Google Scholar
]
10.
Meng Lu, Xiang Jing, Kotecha R, et al White matter abnormalities in children and adolescents with temporal lobe epilepsy.
Magn Reson Imaging.
2010;
28
(9):1290–1298.
[
PubMed
]
[
Google Scholar
]
11.
Liu Zhenyin, Xu Yong, An Jie, et al Altered brain white matter integrity in temporal lobe epilepsy: a TBSS study.
J Neuroimaging.
2015;
25
(3):460–464.
[
PubMed
]
[
Google Scholar
]
12.
Mcmillan A B, Hermann B P, Johnson S C, et al Voxel-based morphometry of unilateral temporal lobe epilepsy reveals abnormalities in cerebral white matter.
Neuroimage.
2004;
23
(1):167–174.
[
PubMed
]
[
Google Scholar
]
13.
Smith S M, Jenkinson M, Johansen-Berg H, et al Tract-based spatial statistics: Voxelwise analysis of multi-subject diffusion data.
Neuroimage.
2006;
31
(4):1487–1505.
[
PubMed
]
[
Google Scholar
]
14.
Focke N K, Yogarajah M, Bonelli S B, et al Voxel-based diffusion tensor imaging in patients with mesial temporal lobe epilepsy and hippocampal sclerosis.
Neuroimage.
2008;
40
(2):728–737.
[
PubMed
]
[
Google Scholar
]
15.
Işik H, Sezer E Diagnosis of epilepsy from electroencephalography signals using multilayer perceptron and Elman Artificial Neural Networks and Wavelet Transform.
J Med Syst.
2012;
36
(1):1–13.
[
PubMed
]
[
Google Scholar
]
16.
Kerr W T, Nguyen S T, Cho A Y, et al Computer-Aided diagnosis and localization of lateralized temporal lobe epilepsy using interictal FDG-PET.
Front Neurol.
2013;
4
(31):31–44.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
17.
Laufs H, Daunizeau J, Carmichael D W, et al Recent advances in recording electrophysiological data simultaneously with magnetic resonance imaging.
Neuroimage.
2008;
40
(2):515–528.
[
PubMed
]
[
Google Scholar
]
18.
Bernhardt B C, Hong S J, Bernasconi A, et al Magnetic resonance imaging pattern learning in temporal lobe epilepsy: classification and prognostics.
Ann Neurol.
2015;
77
(3):436–446.
[
PubMed
]
[
Google Scholar
]
19.
Memarian N, Kim S, Dewar S, et al Multimodal data and machine learning for surgery outcome prediction in complicated cases of mesial temporal lobe epilepsy.
Comput Biol Med.
2015;
64
(2015):67–78.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
20.
Cantor-Rivera D, Khan A R, Goubran M, et al Detection of temporal lobe epilepsy using support vector machines in multi-parametric quantitative Mr imaging.
Comput Med Imaging Graph.
2015;
41
(2015):14–28.
[
PubMed
]
[
Google Scholar
]
21.
Focke N K, Yogarajah M, Symms M R, et al Automated Mr image classification in temporal lobe epilepsy.
Neuroimage.
2012;
59
(1):356–362.
[
PubMed
]
[
Google Scholar
]
22.
An Jie, Fang Peng, Wang Wensheng, et al Decreased white matter integrity in mesial temporal lobe epilepsy: a machine learning approach.
Neuroreport.
2014;
25
(10):788–794.
[
PubMed
]
[
Google Scholar
]
23.
Cui Zaixu, Zhong Suyu, Xu Pengfei, et al PANDA: a pipeline toolbox for analyzing brain diffusion images.
Front Hum Neurosci.
2013;
7
(42):42.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
24.
Le Bihan D, Mangin J F, Poupon C, et al Diffusion tensor imaging: concepts and applications.
Magn Reson Imaging.
2001;
13
(4):534–546.
[
PubMed
]
[
Google Scholar
]
25.
Smith S M, Jenkinson M, Woolrich M W, et al Advances in functional and structural Mr image analysis and implementation as FSL.
Neuroimage.
2004;
23
(Suppl 1):S208–S219.
[
PubMed
]
[
Google Scholar
]
26.
Mori Susumu, Oishi K, Jiang Hangyi, et al Stereotaxic white matter Atlas based on diffusion tensor imaging in an ICBM template.
Neuroimage.
2008;
40
(2):570–582.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
27.
Arbabshirani M R, Plis S, Sui Jing, et al Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls.
Neuroimage.
2017;
145
(Pt B):137–165.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
Articles from
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering
are provided here courtesy of
West China Hospital of Sichuan University
推荐文章