第一部分应用机器学习方法及DTI-TBSS技术对内侧颞叶癫痫患者全脑白质的研究目的以往的研究表明内侧颞叶癫痫患者的脑白质损伤不仅仅局限于颞叶白质,而是广泛分布于全脑白质区域,但是由于样本量以及研究技术的不同,这些发现常常发生变化,有时甚至得到相反的结果；而且传统的组水平的统计学方法无法在个体水平评估异常脑白质区域的疾病鉴别能力。当前机器学习方法已经广泛的应用于磁共振数据分析,因为它能够从影像数据中提取出新的信息和感兴趣的模式,找到基于全脑影像数据的生物学标记,并从个体水平区别病人与正常被试。本文利用机器学习方法、磁共振扩散张量成像技术(diffusion tensor imaging, DTI)以及基于纤维束的空间统计方法(Tract-based spatial statistics, TBSS)研究内侧颞叶癫痫患者全脑白质微结构改变情况,探讨机器学习方法,基于全脑DTI数据,能否将左侧、右侧内侧颞叶癫痫患者以及正常对照在个体水平区分开来,并达到较高的识别率；找到最具有疾病区分能力的白质区域,并作为内侧颞叶癫痫的生物学标记进行讨论,为内侧颞叶癫痫的临床诊断、治疗、术前及术后评估提供客观的科学依据。材料和方法1.研究对象研究被试包括66人,其中内侧颞叶癫痫组32人,均为右利手[其中左侧内侧颞叶癫痫17人,男性11例,女性6例,年龄：24(18-42)岁,教育程度：12(6-16)年,病程：11(0.5-26)年,发病年龄：14(3-32)岁；右侧内侧颞叶癫痫15人,男性9例,女性6例,年龄：32(19-43)岁,教育程度：12(9-12)年,病程：11(3-33)年,发病年龄：18(5-34)岁],全部来自广东三九脑科医院住院病人,健康对照组34人[男性20人,女性14人,年龄：25.5(18-44)岁,教育程度：12(6-16)年]。三组之间的性别、年龄及受教育程度均没有显著性差异。左侧和右侧内侧颞叶癫痫组的病程及发病年龄均没有显著性差异。所有内侧颞叶癫痫患者均为住院病人,均行常规MRI检查,以及视频脑电检查,脑电图包括头皮电极或/和蝶骨电极。内侧颞叶癫痫纳入标准：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发作期或发作间期脑电图EEG显示异常放电起源于颞部；③MRI检查于FLAIR序列显示患侧海马信号增高,体积缩小。排除标准：①颅内占位性病变(如肿瘤、血管畸形及皮层发育不良等),颅脑外伤及精神类疾病等；②EEG定位与海马硬化的位置不符；③双侧海马硬化。健康对照组既往无任何神经系统疾病,临床神经系统检查未见明显阳性体征,常规MRI扫描脑内未见明显异常信号灶。所有检查对象均知情同意。2.磁共振DTI数据采集磁共振DTI数据采集使用飞利浦1.5T磁共振扫描仪(Philips Gyroscan Intera1.5T),并采用6通道相位陈列(神经血管线圈6,NV6)线圈接受核磁共振信号。DTI数据采集采用单次激发自旋回波平面序列,平行于大脑前后联合得到全脑轴位弥散加权成像。b=800s/mm2共32组图像(32个扩散梯度方向),和一组扩散敏感系数b=0的非扩散加权图像。磁共振扫描具体参数如下：TR=11000ms:TE=72ms；翻转角(flip angle):900；矩阵(matrix size)=144×144:视野(FOV)=230mmx230mm:激励次数(NEX)=1；层厚=2.0mm；层间距=0；层数=67。3.数据预处理和图像分析首先,将原始的DICOM格式的数据转化为用于数据分析的NIFTI格式。然后利用McFliirt (FSL工具)将四维的扩散张量图像配准到第一幅图像,以便于消除头动误差。之后,利用FSL软件将配准后的扩散张量图像进行失真校正(电涡流引起)。完成这些步骤后,利用FSL脑提取工具(BET)将处理后的图像进行脑提取,最后利用DTIFit (FMRIB Software Library’s Diffusion Toolbox)在每个体素中建立扩散张量模型,并生成FA值图像。接下来,利用TBSS来找到左、右侧患者组及健康对照组之间白质FA值存在差异的区域。首先通过将每个被试的FA值图像互相配准得到一幅目标图像,以此来确定最具有代表性的被试。然后使用仿射变换将这个目标图像标准化到MNI152标准空间中。将所有被试配准到目标图像再使用FNIRT (FSL工具)非线性将它们配准到分辨率为1×1×1mm的MNI152空间。这个过程创建了一个平均FA值骨架,这个骨架表示这组被试中所有纤维束的共同中心。所有被试配准后的数据都投射到FA值骨架上,得到的结果数据用于体素级别的分类。4.分类首先,FA骨架图像被连成特征向量,并形成一个大的特征矩阵。由于FA骨架仅图像整体的一小部分,所以我们把FA骨架矩阵从整个特征矩阵中提取出来,但是这些保留下来的非零特征由于维度太高而不能直接进行分类,而且由于机器噪声和配准误差等原因,具有高度识别力的特征往往被大量的无用信息所遮蔽。降低特征空间维度不仅可以加快计算速度,而且可以改善分类性能。因此,在本研究中我们首先利用两样本t检验来提取出组间具有显著性差异的特征,再使用局部线性嵌入算法(locally linear embedding, LLE)进行非线性特征提取,将特征维数降到更加可控的程度。最后采用支持向量机(support vector machine, SVM)进行分类。由于样本量较少,我们采用留一交叉验证法(leave-one-out-cross-validation,LOOCV)来评估SVM分类器的识别率(generalization rate)。LOOCV的结果用灵敏度(sensitivity, SS),特异度(specificity, SC),识别率(generalization rate, GR)表示,并用来评价分类器的性能。SS表示正确分类的患者的比例,SC表示正确分类的正常被试的比例。GR表示所有研究被试得到正确分类的比例。本文采用置换检验(permutation test)和ROC曲线来评估分类器的可靠性。结果左侧内侧颞叶癫痫组与对照组分类识别率为94.1%。结果发现,和正常对照组相比,左侧颞叶癫痫组具有区分能力的FA值均减低,主要位于左侧扣带(海马部),左侧丘脑(包括前丘脑放射),胼胝体膝部偏左侧,左侧颞白质(包括下纵束)。右侧内侧颞叶癫痫组与对照组分类识别率为91.8%。结果发现,和正常对照组相比,右侧颞叶癫痫组具有区分能力的FA值均减低,主要位于右侧穹窿,右侧丘脑(包括前丘脑放射),胼胝体压部偏右侧,右侧颞白质(包括下额枕束和钩束)。左侧内侧颞叶癫痫组与右侧内侧颞叶癫痫组分类识别率为90.6%。结果发现,和右侧内侧颞叶癫痫组相比,左侧内侧颞叶癫痫组的FA值减低区域主要位于左侧颞叶白质(包括钩束),与此同时,右侧内侧颞叶癫痫组的FA值减低区域主要位于右侧额叶白质区(包括上纵束和下额枕束)、右侧颞叶白质区(包括下纵束和钩束)以及右侧后放射冠区。结论本研究利用机器学习方法、磁共振扩散张量成像技术(DTI)以及基于纤维束的空间统计方法(TBSS)研究内侧颞叶癫痫患者脑白质微结构改变情况,结果发现左侧、右侧内侧颞叶癫痫组以及正常对照组三者均可以相互区分开来,并达到较高的识别率。和对照组相比,左侧和右侧内侧颞叶癫痫组的FA值均减低,且主要位于患侧边缘系统,胼胝体和颞白质。和右侧内侧颞叶癫痫组相比,左侧内侧颞叶癫痫组的FA值减低区域主要位于左侧颞叶白质,与此同时,右侧内侧颞叶癫痫组的FA值减低区域主要位于右侧额叶白质区、右侧颞叶白质区以及右侧后放射冠区。本研究结果进一步证实了内侧颞叶癫痫脑白质损伤不仅仅局限于颞叶这一观点,其次,本研究结果不仅为致痫灶的定侧提供有用的信息,而且可以作为一种潜在的生物学标记为内侧颞叶癫痫的临床诊断和治疗提供帮助。第二部分应用机器学习方法和DTI对内侧颞叶癫痫患者全脑白质网络的研究目的以往的功能磁共振(fMRI)研究提示内侧颞叶癫痫是一种功能网络异常疾病。虽然脑灰质内的神经元被认为是发放异常电活动、产生癫痫症状的主要原因,但是轴突是整个大脑的主要传播路径,因此白质纤维也是癫痫网络的组成部分。但是内侧颞叶癫痫的全脑白质网络尚不清楚。本文利用机器学习方法和磁共振扩散张量成像技术(diffusion tensor imaging,DTI)来研究内侧颞叶癫痫的全脑白质解剖网络改变情况,以期能够加深对内侧颞叶癫痫的病理生理机制的理解,提高对内侧颞叶癫痫患者的认知功能障碍的认识。材料和方法1.研究对象在第一部分研究被试的基础上,我们又收集了21例颞叶癫痫患者和5例正常对照,故第二部分研究被试包括92人,其中伴有海马硬化的内侧颞叶癫痫组43人,均为右利手[其中左侧内侧颞叶癫痫22人,男性14例,女性8例,年龄：24(18-42)岁,教育程度：12(6-16)年,病程：11.5(0.5-26)年,发病年龄：12.5(3-32)岁；右侧内侧颞叶癫痫21人,男性11例,女性10例,年龄：27(18-43)岁,教育程度：12(9-16)年,病程：11(3-33)年,发病年龄：15(2-34)岁],全部来自广东三九脑科医院住院病人。健康对照组39人[男性22人,女性17人,年龄：25(18-44)岁,教育程度：12(6-16)年]。三组之间的性别、年龄及受教育程度均没有显著性差异。左侧和右侧内侧颞叶癫痫组的病程及发病年龄均没有显著性差异。所有内侧颞叶癫痫患者均为住院病人,均行常规MRI检查,以及视频脑电检查,脑电图包括头皮电极或/和蝶骨电极。内侧颞叶癫痫纳入标准：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发作期或发作间期脑电图EEG显示异常放电起源于颞部；③MRI检查于FLAIR序列显示患侧海马信号增高,体积缩小。排除标准：①颅内占位性病变(如肿瘤、血管畸形及皮层发育不良等),颅脑外伤及精神类疾病等；②EEG定位与海马硬化的位置不符；③双侧海马硬化。健康对照组既往无任何神经系统疾病,临床神经系统检查未见明显阳性体征,常规MRI扫描脑内未见明显异常信号灶。所有检查对象均知情同意。此外,我们还收集了10例不伴有海马硬化的内侧颞叶癫痫患者,均为右利手(其中左侧颞叶癫痫5人,男性2例,女性3例,年龄：23.60±2.70岁,教育程度：10.4±3.78年,病程：8.60±3.91年,发病年龄：15.00±5.29岁；右侧颞叶癫痫5人,男性2例,女性3例,年龄：30.4±8.11岁,教育程度：10.40±3.78年,病程：10.70±7.82年,发病年龄：19.70±3.96岁)。纳入标准同前①和②,排除标准同前。2.磁共振数据采集磁共振DTI数据采集使用飞利浦1.5T磁共振扫描仪(Philips Gyroscan Intera1.5T),并采用6通道相位陈列(神经血管线圈6,NV6)线圈接受核磁共振信号。DTI数据采集采用单次激发自旋回波平面序列,平行于大脑前后联合得到全脑轴位弥散加权成像。b=800s/mm2共32组图像(32个扩散梯度方向),和一组扩散敏感系数b=0的非扩散加权图像。磁共振扫描具体参数如下：TR=11000ms；TE=72ms；翻转角(flip angle)=90.；矩阵(matrix size)=144×144:视野(FOV)=230mm×230mm:激励次数(NEX)=1；层厚=2.0mm；层间距=0；层数=67。利用T1加权MP-RAGE序列获得3D脑解剖图像,具体参数：TR=25ms,TE=4.6ms,FOV:240mm×240mm,矩阵=256×256,层厚=1.0mm；层间距=0；层数=140。3.DTI数据预处理首先,将原始的DICOM格式的数据转化为用于数据分析的NIFTI格式。然后利用McFliirt(FSL工具)将四维的扩散张量图像配准到第一幅图像,以便于消除头动误差。之后,利用FSL软件将配准后的扩散张量图像进行失真校正(电涡流引起)。完成这些步骤后,利用FSL脑提取工具(BET)将处理后的图像进行脑提取,最后利用DTIFit(FMRIB Software Library’s Diffusion Toolbox)在每个体素中建立扩散张量模型,并生成FA图。4.网络构建a.脑区分割。脑区分割是网络构建的一个重要步骤。本研究利用自动解剖标类模板(automated anatomical labeling,AAL)将每个被试DTI脑进行覆盖的方法对脑图像分割。此方法将脑分成116个小的脑区,其中大脑90个脑区,小脑26个脑区。首先在弥散张量空间用旋转和平移的线性配准法将T1像配准到b0像。然后将配准后的T1像配准到标准MNI空间中的T1像,再将得到的转换矩阵求逆,之后用逆矩阵将AAL模板从MNI空间变换到弥散张量空间。这样就获得了每个被试的AAL模板。b.白质纤维束追踪。利用TrackVis software(http://www.Trackvis.org)里的FACT算法行确定性白质纤维束追踪。c网络构建。将a和b结果合并生成脑连接矩阵。每个脑区被视为一个感兴趣区(regions of interest, ROI),称为一个节点,因此节点v可以描述为ROI(v)。两个节点ROI(v)和ROI(u)之间的连接定义为边e=(v, u)。我们把每个边e的权重w(e)定义为ROI(v)和ROI(u)之间的纤维数目。因此,对于每个被试来说,我们获得了一个对称的116×116的矩阵。去掉对角成分,我们选择上三角成分(6670elements)作为分类特征。5.特征提取与分类由于机器噪声、图像分辨率较低,配准误差和个体差异等原因,具有高度识别力的特征仅占整个特征矩阵的一小部分,而且往往被大量的无用信息所遮蔽。因此,我们首先采用两样本t检验来提取出组间具有显著性差异的特征。其后再使用局部线性嵌入算法(locally linear embedding, LLE)进行非线性特征提取,将特征维数降到更加可控的程度。最后采用支持向量机(support vector machine, SVM)进行分类。由于样本量的局限性,我们采用留一交叉验证法(leave-one-out-cross-validation,LOOCV)来评估SVM分类器的识别率(generalization rate)。LOOCV的结果用灵敏度(sensitivity, SS),特异度(specificity, SC),识别率(generalization rate, GR)表示,并用来评价分类器的性能。SS表示正确分类的患者的比例,SC表示正确分类的正常被试的比例。GR表示所有研究被试得到正确分类的比例。本文采用相同的策略(特征提取,SVM分类和LOOCV)来对伴有海马硬化的左侧内侧颞叶癫痫患者和对照组、伴有海马硬化的右侧内侧颞叶癫痫患者和对照组进行分类。本文采用置换检验(permutation test)和ROC曲线来评估分类器的可靠性。结果左和右侧伴有海马硬化的内侧颞叶癫痫分类结果显示,采用136个最具有识别力的白质连接作为特征,训练数据的分类识别率达到100%。利用LOOCV,左侧颞叶癫痫组和正常对照组：SVM分类器达到的分类识别率为91.8%(SS=81.8%,SC=97.4%；置换检验,p<0.0001)；右侧颞叶癫痫组和正常对照组：SVM分类器达到的分类识别率为91.7%(SS=81.5%,SC=97.4%;置换检验,p<0.0001)。由于训练数据在每次LOOCV中都有着轻微的差异,每次LOOCV中选择的特征组是不同的。其中有93个特征(左侧伴有海马硬化的内侧颞叶癫痫VS对照组)和88个特征(右侧伴有海马硬化的内侧颞叶癫痫VS对照组)在每次LOOCV中都重复出现,它们可以称为“一致性特征”,而且是最具有区分能力的特征。和正常对照组相比,左侧和右侧伴有海马硬化的内侧颞叶癫痫组的“一致性特征”(白质连接)均减低。虽然这两组白质连接并不完全匹配,但是它们都主要分布于颞叶-边缘网络,额叶-边缘网络,顶叶以及小脑,其中一些连接呈现偏侧性。此外,以颞叶外的白质连接为特征进行分类,也能够将左/右侧伴有海马硬化的内侧颞叶癫痫与正常对照区分开来,分类识别率分别达到90.2%(置换检验,p<0.0001)和91.7%(置换检验,p<0.0001),而且最具有识别能力的白质连接与以全脑白质连接为特征进行分类所得结果大致相符。此外,10例不伴有海马硬化的内侧颞叶癫痫患者与39位正常对照进行分类,分类识别率达到88%。另外,我们将所有内侧癫痫患者(43个伴有海马硬化的患者和10个不伴有海马硬化的患者)和正常对照组进行分类,分类识别率达到87%。结论基于全脑白质解剖连接,本研究利用机器学习方法能够将左/右侧伴有海马硬化的内侧颞叶癫痫与正常对照区分开来,分类识别率分别达到91.8%和91.7%；和正常对照组相比,左侧和右侧伴有海马硬化的内侧颞叶癫痫最具有区分能力的白质连接强度均减低,且主要位于颞叶-边缘网络,额叶-边缘网络,顶叶以及小脑。此外,以颞叶外的白质连接为特征进行分类,也能够将左/右侧伴有海马硬化的内侧颞叶癫痫与正常对照区分开来,分类识别率分别达到90.2%和91.7%。本研究证实了内侧颞叶癫痫是一种全脑白质网络异常疾病,这可能与患者多种认知功能障碍有关；而且这种白质连接模式可以作为一种潜在的生物学标记用于内侧颞叶癫痫,特别是不伴有海马硬化的内侧颞叶癫痫的临床诊断和治疗。