TWI639830B - Method for identifying neurological diseases using magnetic resonance imaging images - Google Patents
Method for identifying neurological diseases using magnetic resonance imaging images Download PDFInfo
- Publication number
- TWI639830B TWI639830B TW106108922A TW106108922A TWI639830B TW I639830 B TWI639830 B TW I639830B TW 106108922 A TW106108922 A TW 106108922A TW 106108922 A TW106108922 A TW 106108922A TW I639830 B TWI639830 B TW I639830B
- Authority
- TW
- Taiwan
- Prior art keywords
- diffusion
- index
- magnetic resonance
- resonance imaging
- diffusion index
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurosurgery (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Child & Adolescent Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Hospice & Palliative Care (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
Abstract
一種利用磁振造影影像來鑑別神經疾病的方法，用於根據一受檢者的腦部的磁振造影影像來做鑑別，且包含：根據磁振造影影像產生多個腦影像分區，且每一腦影像分區對應至少一擴散指標與每一擴散指標的多個擴散指標數值；對於每一擴散指標，利用相關於常態分佈的統計轉換對該等腦影像分區的該擴散指標的該等擴散指標數值進行轉換；對於每一腦影像分區對應的每一擴散指標，根據該擴散指標的該等擴散指標數值產生特徵參數；及利用一對應該神經疾病的分類器對該等特徵參數的整體進行分類，並分類至多個預定的相關於該神經疾病的類別的其中一者。
Description
本發明是有關於一種鑑別神經疾病的方法，特別是指一種利用磁振造影影像來鑑別神經疾病的方法。
磁振造影不需要對病患注射顯影劑，對人體無明顯的影響，且相較於正子造影或是電腦斷層掃描具有更高之空間解析度及對比，可用作長期追蹤使用，因此成為檢查病患是否患有神經疾病時優先的選擇。其中，利用擴散磁振造影(diffusion MRI)來診斷神經疾病時的主要方式為「手動圈選擴散磁振造影影像中的興趣腦區(volume of interest, VOI)，並根據興趣腦區的特徵來進行診斷」，或是「對擴散磁振造影影像進行體素分析(voxel-wise analysis)」。
然而，圈選興趣腦區的過程需要有經驗的放射科醫師來執行，且一般而言，需要預先假設所受神經疾病影響的腦區為何，例如帕金森氏症的診斷多半以基底核(Basal ganglia)為主，阿茲海默症的診斷則集中在河馬迴(Hippocampus)；因此，前述針對興趣腦區進行診斷的方法存在放射科醫師主觀判斷偏差的風險，且僅利用部分腦區的資料來做診斷，也有資訊不足的風險；針對於體素分析而言，除了因非依據大腦結構來對大腦進行分區而不易測得特定區域的性質並失去切割準確度外，大腦影像體素眾多也會造成在統計分析上解釋度不足的缺點。
因此，本發明之目的，即在提供一種利用磁振造影影像來自動鑑別神經疾病的方法。
於是，本發明利用磁振造影影像來鑑別神經疾病的方法由一計算裝置實施，並用於根據一受檢者的腦部的至少一磁振造影影像來做鑑別，且包含一步驟(a)、一步驟(b)、一步驟(c)，及一步驟(d)。
該步驟(a)是根據該至少一磁振造影影像產生多個腦影像分區，每一腦影像分區對應至少一擴散指標與每一擴散指標的多個擴散指標數值。
該步驟(b)是對於每一擴散指標，利用一相關於常態分佈的統計轉換對該等腦影像分區的該擴散指標的該等擴散指標數值進行轉換。
該步驟(c)是對於每一腦影像分區對應的每一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數。
該步驟(d)是利用一對應該神經疾病的分類器對該等腦影像分區的該等特徵參數的整體進行分類，並分類至多個預定的相關於該神經疾病的類別的其中一者。
本發明之功效在於：能利用磁振造影影像來自動鑑別神經疾病。
在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
本發明利用磁振造影影像來鑑別神經疾病的方法由一計算裝置實施，並用於根據一受檢者腦部的利用磁振造影所獲得的多個擴散磁振造影影像(diffusion MRI image)及一具有高解析度與高對比的解剖影像(anatomical image)來做鑑別；其中該神經疾病包含神經退化疾病，例如為帕金森氏症、阿茲海默症，或神經發展疾病，例如腦性麻痺等，該計算裝置可為工作站、個人電腦、平板電腦等具有一般計算能力的電腦裝置。
參閱圖1與圖2，以下詳述本發明利用磁振造影影像來鑑別神經疾病的方法的一實施方式。
首先在步驟11，如圖2所示，利用該等擴散磁振造影影像2與該解剖影像3產生多個腦影像分區4，其中每一腦影像分區4對應至少一擴散指標(diffusion index)與每一擴散指標的多個擴散指標數值。較佳地，每一擴散指標可為相關於擴散張量造影(diffusion tensor imaging, DTI)的部分非等向性指標(fractional anisotropy，FA)、平均擴散指標(mean diffusivity, MD)、徑向擴散指標(radial diffusivity, RD)，及軸向擴散指標(axial diffusivity, AD)的其中一者；或是相關於擴散峰度造影(diffusion kurtosis imaging, DKI)的峰度非等向性指標(kurtosis fractional anisotropy，KFA)、平均擴散峰度指標(mean kurtosis, MK)、徑向擴散峰度指標(radial kurtosis, KR)，及軸向擴散峰度指標(axial kurtosis, KA)的其中一者；或是相關於神經纖維定向擴散與密度造影(neurite orientation dispersion and density imaging, NODDI)的胞內體積分率(intra-cellular volume fraction, Ficvf)、腦脊液體積分率(CSF volume fraction, Fiso)、擬合目標函數值(Fitting objective function values, Fmin)、華生分佈濃度參數(Concentration parameter of Watson distribution, Fkappa)及取向分散指數(Orientation dispersion index, ODI)的其中一者；或是相關於由複合阻礙和限制擴散模型(composite hindered and restricted model of diffusion, CHARMED)延伸而來之AxCaliber的受阻擴散部份外水分子之信號衰減(Eh)及被限制擴散水分子之信號衰減(Er)的其中一者。較佳地，可利用一標準腦模板，例如自動化解剖標記(automated anatomical labeling，AAL)，來自動進行全腦分割而產生多個腦影像分區4。
接著在步驟12，對於每一擴散指標，利用一相關於常態分佈(Normal distribution)的統計轉換對該等腦影像分區4的該擴散指標的該等擴散指標數值進行轉換。較佳地，對於每一擴散指標，利用博克斯-卡克斯轉換(Box-Cox transformation)個別地對每一腦影像分區4的該擴散指標的該等擴散指標數值進行轉換，以致該等擴散指標數值在經過轉換後趨近常態分佈。或者，對於每一擴散指標，可利用博克斯-卡克斯轉換對所有腦影像分區4的該擴散指標的所有擴散指標數值的整體進行轉換，以致該等擴散指標數值在經過轉換後趨近常態分佈。
接著在步驟13，對於每一腦影像分區4對應的每一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數，其中每一特徵參數為該等擴散指標數值的一統計量。較佳地，該統計量為該等擴散指標數值的一平均數(mean)，或百分位數，例如中位數(median)、第十百分位數、第九十百分位數等等。
接著在步驟14，利用一預先訓練好且對應一神經疾病的分類器(classifier)對該等腦影像分區4的該等特徵參數的整體，也就是該等特徵參數所形成的一特徵向量(feature vector)，進行分類，並分類至多個預定的相關於該神經疾病的類別的其中一者。該分類器可為支援向量機(support vector machine)、類神經網路(neural network)，或判別函數分析(discriminant function analysis)等等，但不限於此。
舉例來說，若欲鑑別/診斷該受檢者是否患有腦性麻痺，則先定義出「正常人」與「腦性麻痺」兩類別，並預先針對每一類別收集多個樣本做為該分類器的訓練樣本，也就是收集多個正常人個別的腦部的擴散磁振造影影像與解剖影像與多個腦性麻痺患者個別的腦部的擴散磁振造影影像與解剖影像，然後根據前述該等步驟產生多個對應該等樣本的特徵向量，並利用該等特徵向量訓練該分類器。然後，利用該分類器對該受檢者的特徵向量進行分類，若該分類器將該受檢者的特徵向量分類至「正常人」類別，則判定該受檢者為正常人(不患有腦性麻痺)；而若該分類器將該受檢者的特徵向量分類至「腦性麻痺」類別，則判定該受檢者患有腦性麻痺。
在此需特別說明的是，該步驟12所述的利用該統計轉換對該等腦影像分區4的該等擴散指標數值進行轉換是本發明的一重要技術特徵；與沒有實施該統計轉換而計算出來的特徵向量相較，有實施該統計轉換而計算出來的特徵向量具有較高的可鑑別性與分類正確率。
此外，在另一實施方式中，可在對該受檢者進行鑑別前，基於該等類別的訓練樣本，利用一無母數檢定(non-parametric test)來檢定每一腦影像分區4的該等特徵參數在該等類別之間是否具有差異性。舉例來說，參閱圖2，檢定腦影像分區R的該等特徵參數在該等類別之間是否具有差異性，也就是檢定該等類別的訓練樣本的腦影像分區R的該等特徵參數是否來自相同的母體(population)，若是來自相同的母體則不具有差異性，否則具有差異性。且在訓練該分類器時或對該受檢者鑑別時，對於每一訓練樣本或該受檢者，僅利用在該等類別之間具有差異性的該等腦影像分區4的該等特徵參數組成該特徵向量。如此，可在不降低分類正確率的前提下減少特徵向量的維度，進而減少該計算裝置在對該受檢者鑑別時的運算量。較佳地，若該等類別的數量為二，可利用曼恩-惠尼U檢定(Mann-Whitney U test)來檢定每一腦影像分區4的該等特徵參數在該等類別之間的是否具有差異性；而若該等類別的數量大於二，則可利用克拉斯卡-瓦立斯檢定(Kruskal-Wallis test)。
此外，值得一提的是，若只要對該等類別的該等訓練樣本進行鑑別，該統計轉換可有另一實施方式：對於每一類別，利用博克斯-卡克斯轉換對該類別的該等訓練樣本對應的該等特徵向量進行轉換，以致該等特徵向量在經過轉換後趨近常態分佈。然後，再利用該分類器對該等經過轉換的特徵向量進行分類/鑑別。
為了驗證本發明利用磁振造影影像來鑑別神經疾病的方法的有效性，本案發明人針對數種神經疾病收集資料進行實驗分析，且對於每一神經疾病，分別利用前述三種不同的統計轉換與不同的特徵參數來進行實驗分析。以下根據該等統計轉換方式來區別本發明的三種鑑別神經疾病的方法的實施例。
方法一：在該步驟12，對於每一擴散指標，利用博克斯-卡克斯轉換個別地對每一腦影像分區的該擴散指標的該等擴散指標數值進行轉換。
方法二：在該步驟12，對於每一擴散指標，利用博克斯-卡克斯轉換對所有腦影像分區的該擴散指標的所有擴散指標數值的整體進行轉換。
方法三：對於每一類別，利用博克斯-卡克斯轉換對該類別的該等特徵向量進行轉換。
為了便於說明，茲定義四種神經疾病的鑑別/診斷任務如下：
任務一：帕金森氏症的鑑別/診斷，其中預先定義了四個類別，也就是「類別一：正常人」、「類別二：多系統萎縮症(multiple system atrophy)」、「類別三：進行性核上麻痺症(progressive supranuclear palsy)」，及「類別四：特發性帕金森氏症(idiopathic Parkinson's disease)」。
任務二：阿茲海默症的鑑別/診斷，其中預先定義了三個類別，也就是「類別一：正常人」、「類別二：輕度認知障礙病人」，及「類別三：阿茲海默症」。
任務三：預測輕度認知障礙病人會不會退化成阿茲海默症，其中預先定義了兩個類別，也就是「類別一：不會退化成阿茲海默症」及「類別二：會退化成阿茲海默症」。
任務四：腦性麻痺的鑑別/診斷，其中預先定義了兩個類別，也就是「類別一：正常人」及「類別二：腦性麻痺」。
方法一的結果：
圖3的資料分佈圖說明，對於「任務一」來說，當「方法一」利用「平均擴散指標(MD)的平均數」、「部分非等向性指標(FA)的平均數」與「軸向擴散指標(AD)的平均數」作為每一腦影像分區的該等特徵參數，且藉由判別函數分析將該等類別的所有特徵向量轉換/降維成二維的特徵向量時，「任務一」的四種類別的大部分樣本在經轉換後的二維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證(leave-one-out cross validation)來驗證上述利用「MD的平均數」、「FA的平均數」、「AD的平均數」等做為特徵參數的「方法一」在「任務一」上的效能；也就是，使用「任務一」的該等類別的該等特徵向量中的一項來當做測試資料/受檢者，而剩餘的則留下來當做訓練資料，持續到每一特徵向量都被當做一次測試資料。下列表一顯示了留一交叉驗證的結果，其說明了上述「方法一」在「任務一(帕金森氏症的鑑別/診斷)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達98.9%，92筆分類結果中僅有一筆分類錯誤，也就是將屬於「正常人」的一樣本分類為「特發性帕金森氏症」。
參閱圖4與下列表二，類似地，上述利用「MD的平均數」、「FA的平均數」、「AD的平均數」等做為特徵參數的「方法一」在「任務二(阿茲海默症的鑑別/診斷)」上的也有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達91.1%。 表一:「方法一」在「任務一」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 多系統萎縮症 </td><td> 進行性核上麻痺症 </td><td> 特發性帕金森氏症 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 22 </td><td> 0 </td><td> 0 </td><td> 1 </td><td> 23 </td></tr><tr><td> 多系統萎縮症 </td><td> 0 </td><td> 12 </td><td> 0 </td><td> 0 </td><td> 12 </td></tr><tr><td> 進行性核上麻痺症 </td><td> 0 </td><td> 0 </td><td> 15 </td><td> 0 </td><td> 15 </td></tr><tr><td> 特發性帕金森氏症 </td><td> 0 </td><td> 0 </td><td> 0 </td><td> 42 </td><td> 42 </td></tr></TBODY></TABLE>表二:「方法一」在「任務二」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 輕度認知障礙病人 </td><td> 阿茲海默症 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 91 </td><td> 8 </td><td> 0 </td><td> 99 </td></tr><tr><td> 輕度認知障礙病人 </td><td> 2 </td><td> 29 </td><td> 1 </td><td> 32 </td></tr><tr><td> 阿茲海默症 </td><td> 1 </td><td> 2 </td><td> 23 </td><td> 26 </td></tr></TBODY></TABLE>
圖5的直方圖說明，對於「任務三」來說，當「方法一」利用「MD的平均數」作為每一腦影像分區的特徵參數，且藉由判別函數分析將「任務三」的兩種類別的所有特徵向量轉換/降維成一維的特徵向量時，「任務三」的兩種類別的大部分樣本在經轉換後的一維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證前述利用「MD的平均數」做為特徵參數的「方法一」在「任務三」上的效能，下列表三說明了前述「方法一」在「任務三(預測輕度認知障礙病人會不會退化成阿茲海默症)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達100%。 表三:「方法一」在「任務三」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 不會退化 </td><td> 會退化 </td><td> 總人數 </td></tr><tr><td> 不會退化 </td><td> 30 </td><td> 0 </td><td> 30 </td></tr><tr><td> 會退化 </td><td> 0 </td><td> 5 </td><td> 5 </td></tr></TBODY></TABLE>
圖6的直方圖說明，對於「任務四」來說，當「方法一」利用「FA的平均數」與「MD的第十分位數」作為每一腦影像分區的特徵參數，且藉由判別函數分析將「任務四」的兩種類別的所有特徵向量轉換/降維成一維的特徵向量時，「任務四」的兩種類別的大部分樣本在經轉換後的一維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證前述利用「FA的平均數」與「MD的第十分位數」做為特徵參數的「方法一」在「任務四」上的效能，下列表四說明了前述「方法一」在「任務四(腦性麻痺的鑑別/診斷)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達98%。 表四:「方法一」在「任務四」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 腦性麻痺 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 20 </td><td> 0 </td><td> 20 </td></tr><tr><td> 腦性麻痺 </td><td> 1 </td><td> 30 </td><td> 31 </td></tr></TBODY></TABLE> 方法二的結果：
圖7的資料分佈圖說明，對於「任務一」來說，當「方法二」利用「MD的第十分位數」、「FA的中位數」與「FA的第九十分位數」作為每一腦影像分區的該等特徵參數，且藉由判別函數分析將該等類別的所有特徵向量轉換/降維成二維的特徵向量時，「任務一」的四種類別的大部分樣本在經轉換後的二維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證上述利用「MD的第十分位數」、「FA的中位數」、「AD的第九十分位數」等做為特徵參數的「方法二」在「任務一」上的效能。下列表五說明了上述「方法二」在「任務一(帕金森氏症的鑑別/診斷)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達85.9%。
參閱圖8與下列表六，類似地，上述利用「MD的平均數」、「FA的平均數」、「AD的平均數」等做為特徵參數的「方法二」在「任務二(阿茲海默症的鑑別/診斷)」上的也有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達86%。 表五:「方法二」在「任務一」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 多系統萎縮症 </td><td> 進行性核上麻痺症 </td><td> 特發性帕金森氏症 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 22 </td><td> 0 </td><td> 0 </td><td> 1 </td><td> 23 </td></tr><tr><td> 多系統萎縮症 </td><td> 2 </td><td> 10 </td><td> 0 </td><td> 0 </td><td> 12 </td></tr><tr><td> 進行性核上麻痺症 </td><td> 0 </td><td> 0 </td><td> 10 </td><td> 5 </td><td> 15 </td></tr><tr><td> 特發性帕金森氏症 </td><td> 4 </td><td> 0 </td><td> 1 </td><td> 37 </td><td> 42 </td></tr></TBODY></TABLE>表六:「方法二」在「任務二」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 輕度認知障礙病人 </td><td> 阿茲海默症 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 85 </td><td> 14 </td><td> 0 </td><td> 99 </td></tr><tr><td> 輕度認知障礙病人 </td><td> 6 </td><td> 26 </td><td> 0 </td><td> 32 </td></tr><tr><td> 阿茲海默症 </td><td> 0 </td><td> 2 </td><td> 24 </td><td> 26 </td></tr></TBODY></TABLE>
圖9的直方圖說明，對於「任務三」來說，當「方法二」利用「AD的平均數」作為每一腦影像分區的特徵參數，且藉由判別函數分析將「任務三」的兩種類別的所有特徵向量轉換/降維成一維的特徵向量時，「任務三」的兩種類別的大部分樣本在經轉換後的一維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證前述利用「AD的平均數」做為特徵參數的「方法二」在「任務三」上的效能，下列表七說明了前述「方法二」在「任務三(預測輕度認知障礙病人會不會退化成阿茲海默症)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達100%。 表七:「方法二」在「任務三」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 不會退化 </td><td> 會退化 </td><td> 總人數 </td></tr><tr><td> 不會退化 </td><td> 30 </td><td> 0 </td><td> 30 </td></tr><tr><td> 會退化 </td><td> 0 </td><td> 5 </td><td> 5 </td></tr></TBODY></TABLE>
圖10的直方圖說明，對於「任務四」來說，當「方法二」利用「FA的平均數」與「MD的第十分位數」作為每一腦影像分區的特徵參數，且藉由判別函數分析將「任務四」的兩種類別的所有特徵向量轉換/降維成一維的特徵向量時，「任務四」的兩種類別的大部分樣本在經轉換後的一維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證前述利用「FA的平均數」與「MD的第十分位數」做為特徵參數的「方法二」在「任務四」上的效能，下列表八說明了前述「方法二」在「任務四(腦性麻痺的鑑別/診斷)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達94.7%。 表八:「方法二」在「任務四」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 腦性麻痺 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 21 </td><td> 1 </td><td> 22 </td></tr><tr><td> 腦性麻痺 </td><td> 2 </td><td> 33 </td><td> 35 </td></tr></TBODY></TABLE> 方法三的結果：
圖11的資料分佈圖說明，對於「任務一」來說，當「方法三」利用「FA的中位數」作為每一腦影像分區的特徵參數，且藉由判別函數分析將該等類別的所有特徵向量轉換/降維成二維的特徵向量時，「任務一」的四種類別的大部分樣本在經轉換後的二維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證上述利用「FA中位數」做為特徵參數的「方法三」在「任務一」上的效能。下列表九說明了上述「方法三」在「任務一(帕金森氏症的鑑別/診斷)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達100%。
參閱圖12與下列表十，類似地，上述利用「FA的中位數」做為特徵參數的「方法三」在「任務二(阿茲海默症的鑑別/診斷)」上的也有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達100%。 表九:「方法三」在「任務一」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 多系統萎縮症 </td><td> 進行性核上麻痺症 </td><td> 特發性帕金森氏症 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 96 </td><td> 0 </td><td> 0 </td><td> 0 </td><td> 96 </td></tr><tr><td> 多系統萎縮症 </td><td> 0 </td><td> 15 </td><td> 0 </td><td> 0 </td><td> 15 </td></tr><tr><td> 進行性核上麻痺症 </td><td> 0 </td><td> 0 </td><td> 15 </td><td> 0 </td><td> 15 </td></tr><tr><td> 特發性帕金森氏症 </td><td> 0 </td><td> 0 </td><td> 0 </td><td> 135 </td><td> 135 </td></tr></TBODY></TABLE>表十:「方法三」在「任務二」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 輕度認知障礙病人 </td><td> 阿茲海默症 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 44 </td><td> 0 </td><td> 0 </td><td> 44 </td></tr><tr><td> 輕度認知障礙病人 </td><td> 0 </td><td> 79 </td><td> 0 </td><td> 79 </td></tr><tr><td> 阿茲海默症 </td><td> 0 </td><td> 0 </td><td> 53 </td><td> 53 </td></tr></TBODY></TABLE>
圖13的直方圖說明，對於「任務三」來說，當「方法三」利用「FA的中位數」作為每一腦影像分區的特徵參數，且藉由判別函數分析將「任務三」的兩種類別的所有特徵向量轉換/降維成一維的特徵向量時，「任務三」的兩種類別的大部分樣本在經轉換後的一維特徵空間中是明顯可被區隔的。
進一步地，利用留一交叉驗證來驗證前述利用「FA的中位數」做為特徵參數的「方法三」在「任務三」上的效能，下列表十一說明了前述「方法三」在「任務三(預測輕度認知障礙病人會不會退化成阿茲海默症)」上有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達100%。 表十一:「方法三」在「任務三」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 不會退化 </td><td> 會退化 </td><td> 總人數 </td></tr><tr><td> 不會退化 </td><td> 72 </td><td> 0 </td><td> 72 </td></tr><tr><td> 會退化 </td><td> 0 </td><td> 8 </td><td> 8 </td></tr></TBODY></TABLE>
參閱圖14與下列表十二，類似地，上述利用「FA的中位數」做為特徵參數的「方法三」在「任務四(腦性麻痺的鑑別/診斷)」上的也有相當高的鑑別/診斷效能，其中留一交叉驗證的分類正確率達100%。 表十二:「方法三」在「任務四」的分類結果
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分類結果 實際類別 </td><td> 正常人 </td><td> 腦性麻痺 </td><td> 總人數 </td></tr><tr><td> 正常人 </td><td> 28 </td><td> 0 </td><td> 28 </td></tr><tr><td> 腦性麻痺 </td><td> 0 </td><td> 39 </td><td> 39 </td></tr></TBODY></TABLE>
此外，在前述該等實驗分析中雖然僅呈現利用判別函數分析來進行分類的結果，但利用其它分類器，例如支援向量機，也能達到相當高的分類正確率，此部分不在此贅述。
綜上所述，本發明利用磁振造影影像來鑑別神經疾病的方法，藉由根據受檢者的擴散磁振造影影像與解剖影像產生多個腦影像分區，並利用博克斯-卡克斯轉換對該等腦影像分區的該等擴散指標數值進行轉換，且對於每一腦影像分區，根據該腦影像分區的該等擴散指標數值產生至少一特徵參數，並利用預先訓練好的分類器對該等腦影像分區的該等特徵參數所形成的特徵向量進行分類，能有效地自動鑑別/診斷出受檢者是否患有特定的神經疾病，故確實能達成本發明的目的。
惟以上所述者，僅為本發明之實施例而已，當不能以此限定本發明實施之範圍，凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 11~14·· 步驟 2········· 擴散磁振造影影像 3········· 解剖影像 4·········· 腦影像分區 R········· 腦影像分區 </td></tr></TBODY></TABLE>
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一流程圖，說明本發明利用磁振造影影像來鑑別神經疾病的方法的一實施方式； 圖2一示意圖，說明利用多個擴散磁振造影影像與一解剖影像產生多個腦影像分區； 圖3是一資料分佈圖，說明四種類別的資料在二維的特徵空間中是明顯可被區隔的； 圖4是一資料分佈圖，說明三種類別的資料在二維的特徵空間中是明顯可被區隔的； 圖5是一直方圖，說明兩種類別的資料在一維的特徵空間中是明顯可被區隔的； 圖6是一直方圖，說明兩種類別的資料在一維的特徵空間中是明顯可被區隔的； 圖7是一資料分佈圖，說明四種類別的資料在二維的特徵空間中是明顯可被區隔的； 圖8是一資料分佈圖，說明三種類別的資料在二維的特徵空間中是明顯可被區隔的； 圖9是一直方圖，說明兩種類別的資料在一維的特徵空間中是明顯可被區隔的； 圖10是一直方圖，說明兩種類別的資料在一維的特徵空間中是明顯可被區隔的； 圖11是一資料分佈圖，說明四種類別的資料在二維的特徵空間中是明顯可被區隔的； 圖12是一資料分佈圖，說明三種類別的資料在二維的特徵空間中是明顯可被區隔的； 圖13是一直方圖，說明兩種類別的資料在一維的特徵空間中是明顯可被區隔的；及 圖14是一直方圖，說明兩種類別的資料在一維的特徵空間中是明顯可被區隔的。
Claims (10)
- 一種利用磁振造影影像來鑑別神經疾病的方法，由一計算裝置實施，並用於根據一受檢者的腦部的至少一磁振造影影像來做鑑別，且包含以下步驟： (a)根據該至少一磁振造影影像產生多個腦影像分區，每一腦影像分區對應至少一擴散指標與每一擴散指標的多個擴散指標數值； (b)對於每一擴散指標，利用一相關於常態分佈的統計轉換對該等腦影像分區的該擴散指標的該等擴散指標數值進行轉換； (c)對於每一腦影像分區對應的每一擴散指標，根據該擴散指標的該等擴散指標數值產生至少一特徵參數；及 (d)利用一對應該神經疾病的分類器對該等腦影像分區的該等特徵參數的整體進行分類，並分類至多個預定的相關於該神經疾病的類別的其中一者。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(c)，該至少一特徵參數包含該等擴散指標數值的一統計量。
- 如請求項2所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(c)，該統計量為一種百分位數及一平均數的其中一者。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(b)，對於每一擴散指標，是對所有腦影像分區的該擴散指標的所有擴散指標數值的整體進行轉換，以致該等擴散指標數值在經過轉換後趨近常態分佈。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(b)，對於每一擴散指標，是個別地對每一腦影像分區的該擴散指標的該等擴散指標數值進行轉換，以致該等擴散指標數值在經過轉換後趨近常態分佈。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(b)，該統計轉換為博克斯-卡克斯轉換。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，還包含一步驟(e)：對於每一腦影像分區，利用一統計檢定來檢定該腦影像分區在該等類別之間的是否具有差異性；且在該步驟(d)是利用該分類器對在該等類別之間具有差異性的該等腦影像分區的該等特徵參數的整體進行分類。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(a)，每一擴散指標相關於擴散張量造影、擴散峰度造影、神經纖維定向擴散與密度造影，及AxCaliber的其中一者。
- 如請求項8所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(a)，相關於擴散張量造影的該擴散指標為部分非等向性指標、平均擴散指標、徑向擴散指標及軸向擴散指標的其中一者，且相關於擴散峰度造影的該擴散指標為峰度非等向性指標、平均擴散峰度指標、徑向擴散峰度指標及軸向擴散峰度指標的其中一者，且相關於神經纖維定向擴散與密度造影的該擴散指標為胞內體積分率、腦脊液體積分率、擬合目標函數值、華生分佈濃度參數及取向分散指數的其中一者，且相關於AxCaliber的該擴散指標為受阻擴散部份外水分子之信號衰減及被限制擴散水分子之信號衰減的其中一者。
- 如請求項1所述的利用磁振造影影像來鑑別神經疾病的方法，其中在該步驟(a)是根據多個擴散磁振造影影像與一解剖影像產生該等腦影像分區。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106108922A TWI639830B (zh) | 2017-03-17 | 2017-03-17 | Method for identifying neurological diseases using magnetic resonance imaging images |
| US15/923,919 US11517246B2 (en) | 2017-03-17 | 2018-03-16 | Method for diagnosing neurological disorder by magnetic resonance imaging |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106108922A TWI639830B (zh) | 2017-03-17 | 2017-03-17 | Method for identifying neurological diseases using magnetic resonance imaging images |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201835564A TW201835564A (zh) | 2018-10-01 |
| TWI639830B true TWI639830B (zh) | 2018-11-01 |
Family
ID=63520826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW106108922A TWI639830B (zh) | 2017-03-17 | 2017-03-17 | Method for identifying neurological diseases using magnetic resonance imaging images |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11517246B2 (zh) |
| TW (1) | TWI639830B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI764233B (zh) * | 2020-08-12 | 2022-05-11 | 高雄醫學大學 | 阿茲海默症評估系統 |
| CN112674720B (zh) * | 2020-12-24 | 2022-03-22 | 四川大学 | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 |
| WO2025111775A1 (zh) * | 2023-11-28 | 2025-06-05 | 深圳先进技术研究院 | Mri脑影像数据处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090279762A1 (en) * | 2005-10-12 | 2009-11-12 | Tokyo Denki University | Brain function analysis apparatus |
| CN104361318A (zh) * | 2014-11-10 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 |
| TWI542328B (zh) * | 2014-07-31 | 2016-07-21 | 國立中央大學 | 偵測與量化腦梗塞區域的方法 |
| JP2016524168A (ja) * | 2013-07-11 | 2016-08-12 | ユニバーシティー オブ ノース テキサス ヘルス サイエンス センター アット フォートワースＵｎｉｖｅｒｓｉｔｙ Ｏｆ Ｎｏｒｔｈ Ｔｅｘａｓ Ｈｅａｌｔｈ Ｓｃｉｅｎｃｅ Ｃｅｎｔｅｒ Ａｔ Ｆｏｒｔ Ｗｏｒｔｈ | プライマリーケアセッティングにおいて神経学的疾患を検出するための血液に基づくスクリーニング |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100183202A1 (en) * | 2006-11-06 | 2010-07-22 | Fujifilm Ri Pharma Co., Ltd. | Brain-image diagnosis supporting method, program, and recording medium |
| US8838201B2 (en) * | 2010-06-22 | 2014-09-16 | The Johns Hopkins University | Atlas-based analysis for image-based anatomic and functional data of organism |
| US10238329B2 (en) * | 2010-12-17 | 2019-03-26 | The Trustees Of Columbia University In The City Of New York | Apparatus, method and computer-accessible medium for diagnosing and subtyping psychiatric diseases |
| US9031292B2 (en) * | 2012-04-19 | 2015-05-12 | Chang Gung University | Method for the diagnosis of neurodegenerative disorder by using diffusion kurtosis imaging |
| WO2017011746A1 (en) * | 2015-07-15 | 2017-01-19 | Adm Diagnostics, Llc | System and methods for determining a brain condition of a patient sybject to multiple disease states |
-
2017
- 2017-03-17 TW TW106108922A patent/TWI639830B/zh active
-
2018
- 2018-03-16 US US15/923,919 patent/US11517246B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090279762A1 (en) * | 2005-10-12 | 2009-11-12 | Tokyo Denki University | Brain function analysis apparatus |
| JP2016524168A (ja) * | 2013-07-11 | 2016-08-12 | ユニバーシティー オブ ノース テキサス ヘルス サイエンス センター アット フォートワースＵｎｉｖｅｒｓｉｔｙ Ｏｆ Ｎｏｒｔｈ Ｔｅｘａｓ Ｈｅａｌｔｈ Ｓｃｉｅｎｃｅ Ｃｅｎｔｅｒ Ａｔ Ｆｏｒｔ Ｗｏｒｔｈ | プライマリーケアセッティングにおいて神経学的疾患を検出するための血液に基づくスクリーニング |
| TWI542328B (zh) * | 2014-07-31 | 2016-07-21 | 國立中央大學 | 偵測與量化腦梗塞區域的方法 |
| CN104361318A (zh) * | 2014-11-10 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11517246B2 (en) | 2022-12-06 |
| US20180263548A1 (en) | 2018-09-20 |
| TW201835564A (zh) | 2018-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Etminani et al. | A 3D deep learning model to predict the diagnosis of dementia with Lewy bodies, Alzheimer’s disease, and mild cognitive impairment using brain 18F-FDG PET | |
| Zhang | Mining imaging and clinical data with machine learning approaches for the diagnosis and early detection of Parkinson’s disease | |
| Leandrou et al. | Quantitative MRI brain studies in mild cognitive impairment and Alzheimer's disease: a methodological review | |
| Schilling et al. | Aging and white matter microstructure and macrostructure: a longitudinal multi-site diffusion MRI study of 1218 participants | |
| Zhang et al. | 3D texture analysis on MRI images of Alzheimer’s disease | |
| Wolz et al. | Multi-method analysis of MRI images in early diagnostics of Alzheimer's disease | |
| Krismer et al. | Morphometric MRI profiles of multiple system atrophy variants and implications for differential diagnosis | |
| Augimeri et al. | CADA—computer-aided DaTSCAN analysis | |
| WO2019170711A1 (en) | Method for early prediction of neurodegenerative decline | |
| Prasuhn et al. | A machine learning-based classification approach on Parkinson’s disease diffusion tensor imaging datasets | |
| Rana et al. | Graph‐theory‐based spectral feature selection for computer aided diagnosis of Parkinson's disease using T 1‐weighted MRI | |
| CN106127263A (zh) | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 | |
| Anandh et al. | A method to differentiate mild cognitive impairment and Alzheimer in MR images using eigen value descriptors | |
| Sato et al. | Identification of psychopathic individuals using pattern classification of MRI images | |
| Zhang et al. | Analysis of structural brain MRI and multi-parameter classification for Alzheimer’s disease | |
| KR20170140127A (ko) | Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법 | |
| TWI639830B (zh) | Method for identifying neurological diseases using magnetic resonance imaging images | |
| Miller et al. | High-throughput neuro-imaging informatics | |
| Bhasin et al. | A combination of 3-D discrete wavelet transform and 3-D local binary pattern for classification of mild cognitive impairment | |
| Taghavirashidizadeh et al. | WTD‐PSD: Presentation of Novel Feature Extraction Method Based on Discrete Wavelet Transformation and Time‐Dependent Power Spectrum Descriptors for Diagnosis of Alzheimer’s Disease | |
| Bouts et al. | Detection of mild cognitive impairment in a community‐dwelling population using quantitative, multiparametric MRI‐based classification | |
| WO2021220597A1 (ja) | システム、制御方法、情報提供方法及びコンピュータプログラム | |
| Yoon et al. | Effect of data augmentation of F-18-Florbetaben positron-emission tomography images by using deep learning convolutional neural network architecture for amyloid positive patients | |
| Kruthika et al. | Classification of alzheimer and MCI phenotypes on MRI data using SVM | |
| Zhuo et al. | Identifying aMCI with functional connectivity network characteristics based on subtle AAL atlas |