郭圣文 賴春任 汪文勝 成麗娜 吳 凱 岑桂英 池敏越

(1 華南理工大學材料科學與工程學院，廣州510006)

(2 廣東三九腦科醫(yī)院影像診斷中心，廣州510510)

顳葉癲癇(TLE)是一種由大腦神經(jīng)元過度放電導致的突發(fā)性、短暫性且反復性中樞神經(jīng)系統(tǒng)疾病，病理學研究證實其病因為神經(jīng)元大量丟失和膠質(zhì)細胞增生.近年來，越來越多的研究表明皮質(zhì)發(fā)育不良與TLE 的發(fā)生密切相關(guān)［1］.TLE 患者受損腦區(qū)存在偏側(cè)性，左側(cè)顳葉比右側(cè)更容易受損，左側(cè)顳葉癲癇(LTLE)的全腦灰質(zhì)和白質(zhì)退化更為嚴重.Keller 等［2］發(fā)現(xiàn)TLE 患者的26 個腦區(qū)中灰質(zhì)明顯減少，與致癇灶同側(cè)的海馬、海馬旁回、嗅皮質(zhì)及對側(cè)的海馬為主要病變腦區(qū)，其中左腦的結(jié)構(gòu)改變更為明顯.擴散張量成像研究表明，TLE 患者的各向異性分數(shù)減小，平均擴散率增高，雙側(cè)大腦半球的顳葉(顳上、中、下回)各向異性分數(shù)值明顯不同［3］.LTLE 患者與RTLE 患者的腦網(wǎng)絡(luò)也存在較大差異，其中，LTLE 患者的認知網(wǎng)絡(luò)和語言網(wǎng)絡(luò)容易受到影響，術(shù)后隨訪發(fā)現(xiàn)LTLE 患者具有更大風險的記憶缺陷［4］.Haneef 等［5］采用功能磁共振BOLD 信號的振幅構(gòu)建TLE 患者的腦功能網(wǎng)絡(luò)，發(fā)現(xiàn)感覺運動皮層網(wǎng)絡(luò)和默認網(wǎng)絡(luò)的腦功能連接減少，且LTLE 患者的變化更明顯.

人工神經(jīng)網(wǎng)絡(luò)算法、K 近鄰算法、支持向量機等智能分類方法均可用于TLE 的分類［6-7］.Focke等［8］通過提取DTI 圖像的各向異性分數(shù)和平均擴散率，對具有海馬硬化的LTLE 患者和RTLE 患者進行分類，準確率達92%以上.

然而，目前用于TLE 分類的數(shù)據(jù)來源主要是臨床生理參數(shù)、腦灰白質(zhì)及DTI 圖像，應(yīng)用大腦皮層特征對TLE 分類的研究則較為少見，由于皮質(zhì)發(fā)育異?？赡苁侵掳d癇的誘因之一，因此，針對TLE 患者的大腦皮層研究有助于提高病灶和致癇灶定位的準確率.本文通過Freesurfer 軟件包計算多種皮層特征，利用支撐向量機(SVM)對左側(cè)顳葉癲癇患者、右側(cè)顳葉癲癇患者及健康正常人(NC)共3 組人群進行分類研究，比較不同腦皮層特征的分類性能，探討對TLE 分類有重要影響的皮層腦區(qū)，為TLE 患者的臨床診斷及致癇灶定位提供依據(jù).

1 實驗方法

1.1 腦結(jié)構(gòu)特征計算

在Ubuntu14.10 平臺上，應(yīng)用Freesurfer 軟件包［9］計算腦皮層特征.計算步驟主要包括基于分水嶺算法和可變表面模型去除非腦結(jié)構(gòu)、標準腦模板配準、圖像重建、表面平滑、腦皮層分割等.根據(jù)Desikan-Killiany 圖譜［10］將全腦皮層自動分成68個腦區(qū)，計算出各腦區(qū)的皮層表面積、灰質(zhì)體積、皮層厚度、平均曲率等4 種形態(tài)學參數(shù).

為了考察某一特征與其平均數(shù)的相對標準距離，對不同分布的原始特征進行比較，并消除量綱的影響，應(yīng)用zscore 法將原始特征轉(zhuǎn)變?yōu)榫禐?、標準差為1 的正態(tài)分布，即

式中，xi為原始特征值;μ，σ 分別為特征的均值和標準差;n 為特征數(shù)量;zi為標準化后的特征值.

1.2 支持向量機

支持向量機由Cortes 等［11］于1995年首先提出，它在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機器學習問題中.支持向量機方法是建立在統(tǒng)計學習理論中的VC 維(Vapnik-Chervonenkis dimension)理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，通過尋求結(jié)構(gòu)化風險最小化來提高機器學習的泛化能力，實現(xiàn)經(jīng)驗風險和置信范圍的最小化，以期獲得最優(yōu)的推廣能力.本文采用了臺灣大學林智仁教授等開發(fā)設(shè)計的Libsvm［12］，它是一個簡單、易于使用且快速有效的SVM 模式識別與回歸的軟件包.考慮到本文所用的臨床數(shù)據(jù)(樣本)較少，支持向量機采用線性核函數(shù)及留一交叉驗證法(LOOCV).

1.3 特征降維

不同腦區(qū)的皮層特征在分類過程中的作用相異，且可能存在冗余特征.為了確定對分類有重要影響的腦區(qū)，獲得最佳的分類效果，采用遞歸特征消除法(RFE)進行特征降維［13］.RFE 法是一種逐步去除不重要特征而進行特征選擇的貪婪算法.首先，將特征按照子特征在分類中所占的權(quán)重循環(huán)排序，逐個消去排在序列最末的特征，把不重要或者不相關(guān)的子特征逐一消去;然后，根據(jù)最終的特征排序列表，從前到后選定不同維度的若干個特征子集，并評估不同特征子集的分類效果，進而得到最優(yōu)特征子集.通過RFE 法，便能得到當前特征維度下特征排序的最優(yōu)解，逐次消除次要特征，故比一次性的特征排序法所得結(jié)果更為精細準確.基于支持向量機的遞歸特征消除法(SVM-RFE)是將SVM 模型中的特征權(quán)值作為RFE 的特征排序標準.在SVM 模型訓練過程中，可得到特征權(quán)重，SVM-RFE 法則將特征選擇和特征子集比較相結(jié)合.當遇到高維數(shù)據(jù)分類時，特征降維對于機器學習和數(shù)據(jù)挖掘均非常重要，通過特征降維能夠有效消除冗余特征，提高支持向量機的分類性能與運算效率.

2 研究數(shù)據(jù)與分類結(jié)果

2.1 研究數(shù)據(jù)

研究對象共計67 例，其中左側(cè)顳葉癲癇病患者21 例，右側(cè)顳葉癲癇病患者18 例，健康正常人28 例，且均為右利手，全部來自廣東三九腦科醫(yī)院住院病人，進行常規(guī)MR 檢查及腦電檢查，所有檢查對象均知情同意.顳葉癲癇病患者的納入標準為:①癲癇發(fā)作類型與臨床癥狀符合1981年以及1989年國際抗癲癇聯(lián)盟的診斷和分類標準;②顳葉癲癇患者腦電圖EEG 顯示異常放電起源于顳部;③MR 檢查顯示單側(cè)或雙側(cè)海馬硬化、顳葉皮層局灶性發(fā)育不良;④臨床發(fā)作包括胸悶、心慌等.綜合臨床癥狀、腦電圖與MR 檢查結(jié)果最終診斷為顳葉癲癇病患者.表1為顳葉癲癇病患者及對照組的相關(guān)信息.

表1 研究對象信息 a

實驗數(shù)據(jù)利用1.5 T 飛利浦Intera 磁共振掃描儀采用FLAIR 序列采集得到，且所有研究對象的圖像掃描參數(shù)均一致:重復時間為25 ms;回波時間為4.6 ms;翻轉(zhuǎn)角為30°;層厚為1.2 mm;視野為240 mm ×240 mm.

2.2 分類結(jié)果

2.2.1 多特征分類性能

應(yīng)用SVM-RFE 法對灰質(zhì)體積、皮層厚度、皮層表面積和平均曲率4 種特征進行降維，將分類準確率最高時保留的特征作為最佳特征.表2列出了SVM 利用4 種不同腦皮層特征對LTLE，RTLE，NC三組人群分別進行組間兩兩分類的性能.

表2 腦皮層多特征分類性能

由表2可知，將皮層表面積作為分類特征來區(qū)分LTLE 組與NC 組的準確度、特異性與敏感度均高于95%，RTLE 組與NC 組、LTLE 組與RTLE組的分類性能參數(shù)高達100%.將灰質(zhì)體積作為特征，在區(qū)分各組人群時，也能取得突出的分類效果.利用皮層厚度來區(qū)分LTLE 與NC 組、RTLE 組與NC 組時各項分類性能參數(shù)均高于94%，但區(qū)分LTLE 組和RTLE 組時性能稍差;利用平均曲率能有效區(qū)分RTLE 組與NC 組、LTLE 組與RTLE 組，但其對LTLE 組與NC 組的識別能力較低.由此說明，大腦皮層的表面積及灰質(zhì)體積改變與顳葉癲癇存在更為緊密直接的關(guān)聯(lián).研究大腦皮層存在與其表面垂直的縱向組織結(jié)構(gòu)(即微柱)發(fā)現(xiàn)，皮層表面積與大腦皮層的微柱數(shù)有關(guān)［14］，LTLE 患者與RTLE 患者的腦灰質(zhì)存在不同程度的萎縮，且萎縮的腦區(qū)相異，LTLE 患者的腦灰質(zhì)萎縮更嚴重［2］，因此，根據(jù)腦皮層灰質(zhì)體積的差異便可較好地區(qū)分3 組人群.

經(jīng)SVM-RFE 降維后，顳中回、顳下回、嗅皮質(zhì)、梭狀回等具有高分類權(quán)重，說明這4 個腦區(qū)皮層表面的微柱出現(xiàn)了顯著改變，大腦皮層特征對癲癇具有高度敏感性，印證了大腦皮層發(fā)育不良可能是致癲癇誘因的假說.

2.2.2 腦葉評分

為了進一步研究重要腦區(qū)的分布情況，將重要腦區(qū)的得分進行歸一化，即將權(quán)重范圍轉(zhuǎn)換至0 ～1.按照其所在的腦葉，對歸一化分數(shù)進行累計，作為腦葉的得分.顳葉、額葉、頂葉、枕葉和島葉的評分如圖1所示.

由圖1可知，顳葉在5 個腦葉中獲得的評分相對較高.在LTLE 組與NC 組、RTLE 組與NC 組、LTLE 組與RTLE 組中，顳葉在皮層表面積、灰質(zhì)體積、平均曲率3 種皮層特征的分類得分均高于其他腦葉，顳葉、額葉、枕葉皮層厚度的分類得分相近，表明顳葉是顳葉癲癇分類的敏感腦葉.此外，顳葉中的海馬旁回、顳中回、梭狀回、嗅皮質(zhì)、后扣帶回、梭狀回、顳極等為顳葉癲癇分類的重要腦區(qū)，故為顳葉癲癇病患者出現(xiàn)重要病變的腦區(qū)之一.額葉和枕葉也獲得了較高的分類評分，說明TLE 患者的額葉與枕葉也出現(xiàn)了結(jié)構(gòu)異常和功能缺陷.由此可見，雖然癲癇病患者的致癇灶主要在顳葉特定腦區(qū)，但亦會累及到其他腦葉.

3 結(jié)語

圖1 重要腦區(qū)分布的腦葉評分

本文基于腦結(jié)構(gòu)磁共振影像數(shù)據(jù)，研究了左、右側(cè)顳葉癲癇病患者和健康正常人的分類和自動識別問題.應(yīng)用Freesurfer 軟件包計算灰質(zhì)體積、皮層厚度、表面積和平均曲率，并利用遞歸特征消除法去除冗余或次要腦區(qū)特征，確定對分類具有重要影響的腦區(qū)特征.最后，利用支持向量機對3 組人群進行分類.實驗結(jié)果表明，將皮層表面積作為特征時SVM 的分類性能最佳，其次是灰質(zhì)體積;利用皮層厚度能較好地區(qū)分LTLE 組與NC 組、RTLE 組和NC 組，但對不同側(cè)TLE 患者的識別能力較弱;將平均曲率作為特征時，SVM 對LTLE 組和NC 組的區(qū)分能力稍差，但在識別其他2 個對比組方面的性能突出.顳葉中的海馬旁回、顳中回、梭狀回、嗅皮質(zhì)、后扣帶回、梭狀回、顳極等對分類起重要作用，其中，較多腦區(qū)分布于左腦，按腦區(qū)所在腦葉得分排序，依次為顳葉、額葉、枕葉、頂葉和島葉.利用腦皮特征可有效地區(qū)分不同側(cè)TLE 患者及健康正常人，說明TLE 患者腦皮層存在顯著退化，且左腦受損更為嚴重.研究結(jié)果可為顳葉癲癇病的臨床診斷和術(shù)前病灶定位提供重要依據(jù).

References)

［1］ Martinoni M，Marucci G，Rubboli G，et al.Focal cortical dysplasias in temporal lobe epilepsy surgery:challenge in defining unusual variants according to the last ILAE classification［J］.Epilepsy ＆ Behavior，2015，45:212-216.

［2］ Keller S S，Roberts N.Voxel-based morphometry of temporal lobe epilepsy:an introduction and review of the literature［J］.Epilepsia，2008，49(5):741-757.

［3］ Li H，Xue Z，Dulay M F，et al.Fractional anisotropy asymmetry and the side of seizure origin for partial onset-temporal lobe epilepsy［J］.Computerized Medical Imaging and Graphics，2014，38(6):481-489.

［4］ Besson P，Dinkelacker V，Valabregue R，et al.Structural connectivity differences in left and right temporal lobe epilepsy［J］.Neuroimage，2014，100:135-144.

［5］ Haneef Z，Lenartowicz A，Yeh H J，et al.Functional connectivity of hippocampal networks in temporal lobe epilepsy［J］.Epilepsia，2014，55(1):137-145.

［6］ Arle J E，Perrine K，Devinsky O，et al.Neural network analysis of preoperative variables and outcome in epilepsy surgery［J］.Journal of Neurosurgery，1999，90(6):998-1004.

［7］ Arma?anzas R，Alonso-Nanclares L，DeFelipe-Oroquieta J，et al.Machine learning approach for the outcome prediction of temporal lobe epilepsy surgery［J］.PLOS ONE，2013，8(4):e62819-1-e62819-9.

［8］ Focke N K，Yogarajah M，Symms M R，et al.Automated MR image classification in temporal lobe epilepsy［J］.Neuroimage，2012，59(1):356-362.

［9］ Fischl B.FreeSurfer［J］.Neuroimage，2012，62(2):774-781.

［10］ Desikan R S，Ségonne F，F(xiàn)ischl B，et al.An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest［J］.Neuroimage，2006，31(3):968-980.

［11］ Cortes C，Vapnik V.Support-vector networks［J］.Machine Learning，1995，20(3):273-297.

［12］ Fan R E，Chen P H，Lin C J.Working set selection using second order information for training support vector machines［J］.The Journal of Machine Learning Research，2005，6:1889-1918.

［13］ Guyon I ，Weston J，Barnhill S，et al.Gene selection for cancer classification using support vector machines［J］.Machine Learning，2002，46(1/2/3):389-422.

［14］ Rakic P.Defects of neuronal migration and the pathogenesis of cortical malformations［J］.Progress in Brain Research，1988，73:15-37.