中科大影像中心在《Epilepsy & Behavior》发表利用机器学习方法自动探测 局灶性皮质发育不良(FCD)病灶的研究

           近日,国际期刊《Epilepsy & Behavior》接收了影像中心邱本胜课题组撰写的研究论文 “Voxel-based automated detection of focal cortical dysplasia lesions using diffusion tensor imaging and T2-weighted MRI data”。本研究利用GPML机器学习方法结合基于体素的包含DTI特征的多模态MRI数据进行FCD病灶的自动探测。FCD病灶的精确探测具有重要的临床意义:自动探测到的可能的损伤病灶为进一步的临床决策提供参考意见。论文的第一作者为中心研究生王艳明。

           FCD是一种严重的皮层发育异常,是药物难治性癫痫的重要原因。MRI作为诊断FCD的主要工具,通过对病灶的精确探测大大提高了手术的成功率。但是大量的研究表明很大一部分FCD不能通过常规的视觉MRI诊断。为了克服放射学评估的困难,基于体素及基于表面形态学的特征被提出并逐步发展。但是之前的研究所提出的基于体素的特征都是基于传统的结构像,可能不能全面刻画FCD的病灶特点。不同于传统的结构像,DTI作为一种新兴的MRI模态,能够从微结构方面揭示病灶特点。另外,研究表明FCD不仅存在灰质异常,白质也存在异常,而DTI天然适用于刻画白质损伤,也适合探测灰质异常。值得注意的是,之前很多研究发现FCD病灶处DTI特征存在异常,本研究就是利用了基于体素的DTI、T2w像特征来建模病灶特点。另一方面,之前研究所使用的机器学习方法对数据集的类不平衡性比较敏感,而FCD病灶大多比较小,包含的体素样本(阳性样本)也就较小。如果在提取的样本中阳性集明显少于阴性集,将会导致类不平衡问题。为了避免这一问题,有些研究者提取数量平衡的阳性、阴性样本集,但由于样本数量少可能不能较为全面的刻画FCD组织特点。另外有些研究提出bagging的方法,但是这种方法增加了额外的处理步骤。幸运地是,GPML方法对数据集类不平衡不敏感,可能很好的适用于FCD损伤探测。于是本研究提出了联合包含DTI特征的基于体素的多模态的数据集及GPML的机器学习方法来自动探测FCD灰白质病灶。

­

           结果表明单独基于DTI特征与单独基于T2w强度特征(公认为一种很好的探测特征)的GPML分类器性能具有可比性,并且基于二者的联合特征的GPML分类器性能获得了显著提升(图1);另外发现GPML比传统的分类器(SVM)性能好(图3),且对不平衡的数据集更加鲁棒(图4)。于是本研究推荐基于DTI的特征及GPML机器学习方法范式在将来的FCD探测研究中使用。

1. 基于不同特征的GPML分类器性能ROC曲线及AUC。

2. 基于包含DTI特征的多模态GPML分类器探测结果示意图。红色为自动识别的结果,绿色实线包含的区域为手工标记的病灶区域。

3. 基于相同的多模态数据集GPML及SVM分类器性能ROC曲线及AUC。

4. GPML和SVM分类器对不同的阳性样本/阴性样本率的性能响应结果。

           上述研究得到国家自然科学基金、北京市科委首都临床特色项目、中央高校基本科研业务费项目的支持。