轻度认知障碍及健康对照的分类研究

张星月,刘卫芳

首都医科大学 a.2015级长学制临床医学;b.生物医学工程学院,北京 100069

轻度认知障碍及健康对照的分类研究

张星月a,刘卫芳b

首都医科大学 a.2015级长学制临床医学;b.生物医学工程学院,北京 100069

目的研究轻度认知障碍(Mild Cognitive Impairment, MCI)患者脑部MR图像的三维纹理特征,利用此特征对MCI和健康对照(Normal Control, NC)进行分类识别,以探索MCI诊断的新途径.方法分别选取MCI患者和NC的脑部MR图像各20例进行三维纹理分析,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体的三维纹理特征.通过筛选得到组间存在显著性差异的纹理特征参量,利用BP神经网络建立识别模型,对MCI和NC进行分类识别.结果训练集和测试集的分类识别正确率分别为95.83%和93.75%.结论利用三维纹理特征的BP神经网络模型可以分类识别MCI和NC.

轻度认知障碍;阿尔兹海默症;三维纹理分析;胼胝体;分类识别

引言

阿尔兹海默症(Alzheimer's Disease,AD)是不可逆的神经退行性病变,是老年痴呆中最常见的类型.轻度认知障碍(Mild Cognitive Impairment,MCI)是介于正常衰老和阿尔兹海默症之间的一种中间状态.与年龄、受教育水平相当的正常老人相比,MCI患者存在轻度的认知功能衰退,但日常生活能力未受到显著影响.研究显示,大部分MCI患者将转化为AD[1],故MCI是AD的高危人群,研究MCI对AD的预防和治疗有重大意义.

研究人员对AD患者的核磁共振图像研究主要集中于大脑灰质的改变,但随着医学影像技术的发展,近年来对脑白质受损的研究逐渐增多.意大利的Canu等[2]对AD患者脑部结构的研究表明:与正常人相比,AD患者的脑白质微结构(胼胝体)发生了损伤.胼胝体由联系两侧大脑半球的神经纤维组成,可以传递双侧大脑半球的信息,是脑内最大的联合纤维[3].胼胝体的正中矢位边界清晰,纹理特征较为集中,结构具有解剖异质性,故被认为具有非常适合纹理分析的特点[4].有学者认为已经转化为AD的MCI患者与AD患者具有相似的大脑结构病变特征[5],所以MCI患者的胼胝体可能与AD患者出现相同的病理变化.

纹理分析作为医学图像后处理的重要手段,可以对图像像素值及排列方式的细微变化进行定量显示[6],被誉为图像的quot;显微镜quot;.三维纹理分析目前已被用于多种疾病尤其是脑部疾病的研究[7-10].本研究将探讨MCI组和NC组胼胝体的三维纹理参数是否具有显著性差异,并利用BP神经网络对样本进行分类识别,探索图像纹理特征对AD早期诊断的启示作用.

1 材料与方法

1.1 图像数据获取

研究数据来自国际公认标准ADNI(Alzheimer's Disease Neuroimaging Initiative)数据库(www.loni.ucla.edu/ADNI).选取其中西门子公司3T扫描仪进行3D-磁化准备快速梯度回波(Magnetization Prepared Rapid Gradient Echo,MP-RAGE)扫描所得矢状位T1W1图像,共160层,层厚1.2 mm,无层间距.共获得样本40例,其中MCI组20例,NC组20例.2组平均年龄分别为71.54、76.98岁,平均MMSE评分分别为25.8、29.1分,见表1.

表1 研究对象基本资料

1.2 感兴趣区提取

利用MaZda软件(波兰科技大学开发),选取所有受试对象的胼胝体作为感兴趣区(Regions of interest,ROI).在矢状位上,连续选取包括正中矢状面在内的左右共10个层面.在每一层面上手动分割出胼胝体,包括胼胝体嘴、膝、干及压部,见图1.

图1 胼胝体结构示意图

1.3 3D纹理分析

采用灰度共生矩阵方法和游程长矩阵方法对每位受试者的胼胝体感兴趣区分别提取0°、45°、90°、135°和z方向(垂直于ROI方向)的三维纹理参数,每个方向16个,包括角二阶矩、对比度、相关、平方和、逆差矩、和均值、和方差、和熵、熵、差方差、差熵、游程长不均匀度、灰度不均匀度、长游程因子、短游程因子和行程比.分别计算每个ROI在5个方向上的平均纹理参数.各纹理特征定义,见表2.

角二阶矩是灰度共生矩阵元素值的平方和,反映了图像灰度分布均匀程度和纹理粗细度.对比度反映了图像的清晰程度和纹理沟纹的深浅程度,纹理沟纹越深,其对比度越大,视觉效果越清晰;反之,对比度越小,则沟纹浅,效果模糊.相关反映了图像中局部灰度相关性,当矩阵元素值均匀相等时,相关值就大;相反,如果矩阵元素值相差很大则相关值小.逆差矩反映了图像纹理的同质性,度量图像纹理局部变化的多少,其值大则说明图像纹理的不同区域间缺少变化,局部非常均匀.熵反映了图像中纹理的非均匀程度或复杂程度,当共生矩阵中所有元素有最大随机性、空间矩阵中所有值几乎相等时,共生矩阵中元素分散分布时,熵较大.方差是反映纹理变化快慢、周期性大小的物理量.值越大,表明纹理周期越大.游程长不均匀度描述图像中游程长度的相似性,如果整幅图像的游程长度较相似,则游程长不均匀度的值较小,说明图像纹理较均匀.如果图像中某个灰度出现较多,即灰度都比较均匀,灰度不均匀度因子越大,反之该值越小.长游程因子值越大,对应的图像纹理越粗;短游程因子值越大,行程越短,对应的图像纹理更细[11].

表2 纹理特征参数定义

1.4 统计学分析

对提取的三维纹理参数采用SPSS 17.0进行t检验,选取MCI和NC两组间具有显著性差异的纹理参数(α=0.05).

1.5 分类识别

选取胼胝体结构在2组间存在显著性差异的纹理参数作为特征参量,将每组的20个样本分为训练集(12个)和测试集(8个),建立BP神经网络模型,进行样本的分类识别.

2 结果

2.1 三维纹理参数

经过统计学分析,MCI组和NC组三维纹理特征参数的平均值、标准差和t检验结果,见表3.可以看出:提取的16个参数中有9个参数在两组间具有显著差异(Plt;0.05),分别为对比度、相关、逆差矩、差方差、游程长不均匀度、灰度不均匀度、长游程因子、短游程因子和行程比.

表3 三维纹理参数均值及统计学分析

2.2 分类识别结果

选取两组间具有显著性差异的纹理参数作为特征参量,分别从MCI组和NC组中随机选取12个样本作为训练集样本,其余8个作为测试集样本,利用BP神经网络建立识别模型对两组样本进行分类识别.训练集和测试集的分类正确率,训练集和测试集分别为95.83%和93.75%.可以看出,无论是训练集还是测试集,分类正确率都在90%以上.

3 讨论

ADNI 数据库收集了大量AD、MCI 患者和健康对照者的MR 图像数据,是目前研究AD 影像学特点的具有权威性的数据库.本研究选取其中的西门子公司3T 扫描仪T1WI 矢状位图像,共获得MCI 组20例,NC 组20 例作为研究样本集.

磁共振作为高端影像检查手段在临床上已经使用了30余年,30年来的发展使磁共振的功能逐渐强大,包括功能成像、血管成像、动态扫描等功能已经发展起来,扫描速度和图像质量也有巨大的提高.同时随着磁共振技术的发展,涌现出了许多成像技术,如核磁共振波谱和磁共振成像(Magnetic Resonance Imaging,MRI)等.其中,MRI已经应用于全身各系统的成像诊断.效果最佳的是颅脑,脊髓、心脏大血管、关节软骨、软组织及盆腔成像也有较好效果.但是,常规的MRI难以明确AD及MCI发病早期阶段的影像学变化特点.

纹理分析作为医学影像后处理的重要手段,可以定量的显示图像像素值及其排列方式的细微变化,被称为图像的放大镜和显微镜,是目前提取图像中组织细微的病理变化的常用手段.MR图像纹理特征分析是图像分析的重要方法,研究者普遍认为三维纹理特征能提供更丰富的信息,更有利于临床辅助诊断[12].因此,本研究采用MR图像进行图像后处理,提取三维纹理参数进行分析,以期对MCI诊断起到辅助作用.

有研究显示,AD患者脑部会在海马、胼胝体、内嗅皮质、小脑、额叶等多个区域发生形态学改变,这些部位萎缩较为明显,极有可能是AD早期萎缩的好发部位[13-16].MCI患者作为AD的高危人群,其脑部病理变化与AD具有高度的相似性[17].患者脑白质发生病理改变,主要表现在髓鞘、轴突等限制水分子扩散的结构受到损伤,神经纤维减少等.这些病理变化将引起脑部MR图像的灰度变化,导致三维纹理特征的改变.相较于海马,胼胝体更具有解剖异质性,纹理更为集中,在进行ROI的选择时更易于操作,因此在利用脑MR 图像纹理特征进行AD 早期诊断的研究中也具有重要的参考价值.

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,具有任意复杂模式分类能力和优良的多维函数映射能力,被广泛应用在模式识别、工程、经济、自动化等领域.本研究采用BP神经网络模型对随机分组的训练集、测试集进行分类识别,其正确率均超过90%,说明BP神经网络对MCI和NC的胼胝体三维纹理特征具有良好的分类识别效果.

4 结论

MCI患者胼胝体纹理可发生病理改变,MR图像的三维纹理分析可以描述这一改变.利用纹理特征建立BP神经网络可以较好的分类识别MCI和NC,有利于MCI的影像学辅助诊断,从而有效地控制和预防AD的发生发展.本研究样本量有限,对实验结果还应在扩大样本量的基础上结合其他纹理提取、分类方法加以验证,同时还需随MR图像精度的提高而进一步确认.

[1] 尹昌浩,郭艳琴.轻度认知障碍的研究进展[J].医学研究生学报,2012,5(9):977-980.

[2] Canu E,Agosta F,Spinelli EG,et al.White matter microstructural damage in Alzheimer's disease at different ages of onset[J].Neurobiol Aging,2013,34(10):2331-2340.

[3] 谢晟,武鸿坤,肖江喜,等.胼胝体压部FA值在轻度Alzheimer病中的诊断价值[J].实用放射学杂志,2006,22(9):1025-1027.

[4] de Oliveira MS,Balthazar ML,D'Abreu A,et al.MR imaging texture analysis of the corpus callosum and thalamus in amnestic mild cognitive impairment and mild Alzheimer disease[J].AJNR Am J Neuroradiol,2011,32(1):60-66.

[5] Misra C,Fan Y,Davatzikos C.Baseline and longitudinal patterns of brain atrophy in MCI patients, and their use in prediction of short-term conversion to AD: Results from ADNI[J].NeurImage,2009,44(4):1415-1422.

[6] Castellano G,Bonilha L,Li LM,et al.Texture analysis of medical images[J].clin Radiol,2004,59(12):1061-1069.

[7] Georgiadis P,Cavouras D,Kalatzis I,et al.Enhancing the discrimination accuracy between metastases, gliomas and meningiomas on brain MRI by volumetric textural features and ensemble pattern recognition methods[J].Magn Reson Imag,2009, 27(1):120-130.

[8] El-Baz A,Casanova MF,Gimelfarb G,et al.Autism diagnostics by 3D texture analysis of cerebral white matter gyrification[J].Med Image comput Assist Interv,2007,10(2):882-890.

[9] Mahmoud-Ghoneim D,Toussaint G,Constans JM,et al.Three dimensional texture analysis in MRI: a preliminary evaluation in gliomas[J].Magn Reson Imag,2003,21(9):983-987.

[10] 熊婷,黄绍辉,黄晓阳,等.基于肺部CT的肿瘤形态与纹理的三维变化检测[J].厦门大学学报(自然科学版),2016,55(3):401-405.

[11] 于鲁,刘卫芳.海马与胼胝体3D纹理分析在阿尔兹海默症诊断中的比较研究[J].中国医疗设备,2016,31(10):29-32.

[12] 夏翃,刘卫芳,王旭,等.阿尔茨海默病患者脑MR图像二维及三维纹理分析比较研究[J].北华大学学报(自然科学版),2013,14(5):553-556.

[13] Mcneely AA,Ramirez J,Nestor SM,et al.Cholinergic subcortical hyperintensities in Alzheimer's disease patients from the sunnybrook dementia study:relationships with cognitive dysfunction and hippocampal atrophy[J].J Alzheimers Dis,2015,43(3):785-796.

[14] Mavroudis IA,Fotiou DF,Adipepe LF,et al.Morphological changes of the human purkinje cells and deposition of neuritic plaques and neurofibrillary tangles on the cerebellar cortex of Alzheimer's disease[J].Am J Alzheimers Dis Other Demen,2010,25(7):585-591.

[15] Varon D,Barker W,Loewenstein D,et al.Visual rating and volumetric measurement of medial temporal atrophy in the Alzheimer's disease neuroimaging initiative (ADNI)cohort:baseline diagnosis and the prediction of MCI outcome[J].Int J Geriatr Psychiatry,2015,30(2):192-200.

[16] 樊东琼,李锐,雷旭,等.阿尔兹海默症及轻度认知障碍静息态大尺度脑网络功能连接的改变[J].心理科学进展,2016,24(2):217-227.

[17] 王东东,姜春晖,王俭.轻度认知障碍核磁共振扩散张量成像研究的Meta分析[J].磁共振成像,2016,7(2):81-89.

本文编辑 袁隽玲

Classification Studies in Patients with Mild Cognitive Impairment and Normal Control

ZHANG Xingyuea, LIU Weifangb
a.2015 Long System Clinical Medicine; b.School of Biomedical Engineering, Capital Medical University, Beijing 100069, China

ObjectiveThe aim of this study is to research the MR images 3D texture features of corpus callosum from the patients with mild cognitive impairment (MCI), and using the features to identify MCI and normal control (NC).Methods3D texture analysis was performed on 20 MCI patients and 20 NC. The three-dimensional texture features were extracted from corpus callosum by gray-level co-occurrence matrix and run length matrix. The texture features that existed significant differences between MCI and NC were used as the features in a classification procedure. Back propagation (BP) neural network model were built to classify MCI patients from NC.ResultsThe classification accuracy of the training set and test set was separately 95.83% and 93.75%.

ConclusionThe back propagation neural network model with three-dimensional texture features can recognize MCI patients and NC.

mild cognitive impairment; Alzheimer's disease; 3D texture features; corpus callosum; classification

R445.2;R318.04

B

10.3969/j.issn.1674-1633.2017.10.020

1674-1633(2017)10-0076-04

2017-06-19

2017-07-01

刘卫芳,副教授,主要研究方向为医学图像处理.

通讯作者邮箱:liu3240@163.com