[发明专利]一种基于广义线性模型的机器学习的术前定位方法

说明书

本发明公开了一种基于广义线性模型的机器学习的术前定位方法，包括以下步骤：获得结构图像和功能磁共振图像；对结构图像和功能磁共振图像进行预处理；对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络；构建广义线性预测模型，将大脑分区进行广义线性预测模型拟合；本发明方法可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。

技术领域

本发明涉及医疗辅助技术领域，尤其涉及一种基于广义线性模型的机器学习的术前定位方法。

背景技术

准确地定位大脑功能区对于术前计划的制定及手术路径规划至关重要。术前定位不仅有助于最大程度地切除肿瘤，而且还可以最大程度地减少术后神经功能缺损，从而改善患者术后的生活质量。术中电皮质刺激(ECS)作为重要功能脑区临床定位的金标准在手术期间提供了重要的帮助。但是ECS是一项侵入性技术，需要手术团队的专业知识和患者的积极配合。此外，这种方法通常导致手术时间延长并增加了术中癫痫的发生率。过去二十年来，血氧水平依赖功能磁共振成像(BOLD-fMRI)由于其无创性操作已被临床神经外科广泛接受，作为对重要的功能脑区(包括感觉运动皮层，语言功能区)进行术前定位的重要工具。更重要的是，现有的研究表明基于任务的功能磁共振成像(task-based fMRI，tb-fMRI)与ECS结果存在显著的一致性，并认为fMRI可以快速评估运动皮层与病变之间的距离，从而预测术后功能丧失；

血氧水平依赖功能磁共振成像技术(BOLD-fMRI)是近年来一种常用的无创性术前功能区定位技术，基于任务的功能磁共振成像(tb-fMRI)与传统的术中经皮层及皮层下电刺激术得到的功能定位结果较一致，可以快速评估运动皮层与病变之间的距离，从而预测术后功能丧失。但是tb-fMRI要求受试者保持意识并自主执行实验任务，并避免其他所有身体运动。因此，对于无法完成任务的患者(如婴儿，四肢不活动和认知障碍患者)，此方法有明显的局限性。此外，即使是配合任务的受试者，在执行任务时因头部过度运动而产生的运动伪影也可能导致假阳性的fMRI激活；

静息态功能磁共振则不需要患者执行任务，可以应用于儿科患者、认知功能障碍患者甚至植物性和昏迷状态的患者。越来越多的研究表明静息态功能磁共振可以提供与任务激活图和术中皮质刺激图紧密对应的空间图。在使用静息态功能磁共振数据进行术前大脑区域的术前定位的研究中，最常见的数据分析方法是独立成分分析(ICA)和基于种子点的分析(SBA)。SBA方法要求先选择感兴趣区域(ROI)，由于对象间的解剖变化，该区域并不总是可靠的。特别是对于脑肿瘤患者，肿瘤的占位效应使SBA方法难以根据大脑的解剖标志定义ROI。ICA是一种数据驱动的方法，在提取整个大脑的一般连通性模式方面计算效率高。但是，ICA方法要求根据外观检查手动选择重要脑功能组件。因此，ICA的解释非常耗时且主观性强，并且可能会受到生理信号噪声的影响。因此，本发明提出一种基于广义线性模型的机器学习的术前定位方法，以解决现有技术中的不足之处。

发明内容

针对上述问题，本发明的目的在于提供一种基于广义线性模型的机器学习的术前定位方法，可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。

为实现本发明的目的，本发明通过以下技术方案实现：

一种基于广义线性模型的机器学习的术前定位方法，包括以下步骤：

步骤一：获得结构图像和功能磁共振图像

使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；