神經性精神疾病的顯現測試方法
2023-05-30 09:28:16
專利名稱：神經性精神疾病的顯現測試方法
神經性精神疾病的顯現測試方法
相關申請的交叉引用
本申請基於2007年11月12日提交的臨時申請No.60/987,212，其全部內容 以引用的方式結舒此。
駄領域
本發明涉及一種神經性衞申疾病、尤其涉及一種神經性精神疾病的顯現測 試方法。
背景技術：
自閉症是一種神經性精神疾病和影響許多人的腦發育疾病。其特徵是社交 障礙，語言和非語言交流障礙，以及不尋常的，反覆的或嚴重受限的行為和興 趣。據估計，每1000個孩子中有3到6個有自閉症。有自閉症的男性是女性的 四倍。
以前的研究屬於利用結構性核磁共振成像(MRI)，確定自閉症中的體積區 別，說明神經發展基礎和大腦活動關係。基於此的研究和另一些研究，使人相 信自閉症和不正常的大腦活動有極強的關聯。
功能性核磁共振成像(fMRI)是近來神經影像的先進方式，在幫助了解腦部 活動方面，皿了普通的結構性核磁 成像。功能性核磁共振成像觀懂人類 或受試動物大腦或Wli中與神經活動相關的血液動力學反應。使用fMRI， M 監測所討論的已知患病病人與所討論的未患該疾病的對照組病人之間的大腦活 動方^化，可以診斷和分析大腦疾病。
例如，可以通ai^樣的方式來完成，給受試體施加特別的刺激，鄉微已 知或被認為是在有特殊疾病受試體和無特殊疾病受試體之間具有非正常的明顯 反應，從而監測受試體的血液動力學反應。
然而，當fMRI已經被^J力地應用於一些神經性精神疾病的診斷和分析時， 另一對申經性精神疾病像自閉症，己經被證實難以通過觀糧血液動力學反應水平表現其特徵。部分原因是由於在fMRI分析中， 一般可以觀測到模糊的和/或 噪聲觸發信號。
因為這個以及其它的理由，在神經性精神疾病的顯現測i玖developing test) 方面，利用功能性神經影像例如fMRIs的發展很容易被證明是困難的。由於沒 有適當的神經性精神疾病顯現測試方法，使得與像自閉症這樣疾病的相關的研 究進展比預期要慢的多。因此，神經性精神疾病測試發展的進展有利於研究， 可以對神經性精神疾病像自閉症增加了解，有助於進行治療或治癒。
發明內容
一種針對鑑別神經性精神疾病產生分類器的方法，包括獲取功能性神經影 像繊；將所獲取的數據登記(registering)至鵬圖(atlas of the brain);基於登 記的功能性神經影像數據，產生鑑別屏蔽(discriminativemask);將生成的鑑別 屏蔽應用到登記的功能性神經影像數據；和基於屏蔽的功能性神經影像數據， 產生一個或更多個鑑別神經性精神疾病分類器。
該所獲取的功能性神經影像數據可以包括，已知患有神經性精神疾病和已 知未患有神經性精神疾病病人的功能性神經影像 。所述功能性神經影像數
據可以是M:核磁共振(MR)成像儀獲取的自 。
在將該所獲取的功能性神經影像數據登記到腦圖以前，可以對該所獲取的 功能性神經影像娜進t"販理，以便把其置於與腦圖匹配的縮放比例和定位。 可選的，或附加的，在將該所獲取的功能性神經影像數據登記到腦圖以前，在 獲取功能性神經影像數據的過程中，M對該所獲取的功能性神經影像數據進 fi^頁，，以目病人的移動進行校正。
基於登記的功能性神經影像數據，產生鑑別屏蔽可以包括檢查與來自實驗 組和對照組的功能性神經影像數據相關的大腦每個區域腦部活動的正輸性。所 述測試組可以包括已知患有神經性精神疾病的病人和所述對照組可以包括已知 未患有神經性精神,病人。
鑑別屏蔽可以含有表明對照組活動與測試組活動之間差別的體素。在上述 兩組活動之間沒有表現出差別的那些區域可以從所述鑑別屏蔽中忽略。
在產生分類器之前，對屏蔽的功能性神經影像數據實施活動區域團簇化 (clustering)和過濾，以便同與噪聲或不具有診斷價值的腦活動相關的孤立的活
6動相比，該分類器強調，活動的團簇。所述活動區域團簇化和過濾可以包含: 實施均值平移以鑑別和強調活動的團簇。
產生一個或更多個鑑別神經性精神疾病的分類器可以包含，實施主成份分 析斷CA)產生分類器。可選的或附加的，產生一個或更多個鑑另榊經性樹申疾
病的分類器可以包含，實施線性描述性分析^(LDA)產生分類器。
該方法可以附加的包括檢驗產生的分類器是否有效的步驟。留一交叉檢
驗(LOOCV: leave one out cross validation)禾口/或受試者工作特性曲線(ROC: receiver operating characteristic )可以被用來檢驗產生的分類器是否有效。
鑑別神經性精神疾病的一種方法包括獲取病人的功能性神經影像數據，將 鑑別神經性精神疾病的分類器應用到獲取的功能性神經影像數據，以確定病人 是否患有神經性精神疾病。通過獲取已知患有神經性精神疾病的病人和已知未 患有神經性精神疾病病人的功能性神經影像訓練數據，產生分類器；將所獲取 的功能性神經影像訓練翻登記至鵬圖上；基於登記的功能性神經影像訓練數 據，產生鑑別屏蔽；將生成的鑑別屏蔽應用到登記的功能性神經影像訓練 ; 和基於屏蔽的功能性神經影像訓練數據，產生鑑別神經性精神疾病的分類器。
在將獲取的功能性神經影像訓練數據登記至U腦圖上之前，可以對該所獲取 的功能性神經影像訓練數據進行預處理，以便把其置於與腦圖相匹配的縮放比 例和定位，並在獲取功能性神經影像訓練數據的過程中，對病人的移動進行校 正。
基於登記的功能性神經影像訓練數據，產生鑑別屏蔽可以包括檢查與來 自已知患有神經性精神疾病的病人(測試組)和己知未患有神經性精神疾病病人 (對照組)的功能性神經影像訓練數據相關的大腦每個區域的腦部活動的正確性。
鑑別屏蔽可以含有表明對照組活動與測試組活動之間差別的體素。那些在
Jd述兩組活動之間沒有表現出差別的區域可以從所述鑑別屏蔽中忽略。
先於產生所述分類器前，可以在屏蔽的功能性神經影像訓練數據上實施活 動區域的團簇化和過濾，以便同與噪聲或不具有診斷價值的腦活動相關的孤立 活動相比來強調大腦活動的團簇。所述活動區域的團簇化和過濾可以包含實 施均值平移以鑑別和強調活動的團簇。
產生一個或更多個鑑別神經性精神疾病的分類器可以包含實施主成份分 析法( CA)和/戱性描逾性分析郞DA)產生分類器。一種計算機系統，包括處理器和可被計算機系統讀取的程序存儲設備，具 體表現為一種可被處理器實施的指令程序，以便實施用於鑑別涉及神經性精神 疾病的腦部區域的方法步驟。該方B括獲取功能性神經影像數據；將獲取的 數據登記到腦圖上；基於登記的功能性神經影像數據，產生鑑別屏蔽；將生成 的鑑別屏蔽應用到登記的功能性神經影像數據；和基於在屏蔽的的功能性神經 影像數據的活動性數據的腦圖中相應位置，鑑別涉及神經性精神疾病的腦部區 域。
通過參考對所附的相關附圖進行的如下詳細描述，可以對本發明進行更完 整的i刊介以及得到許多附加方面，並更好的理解本發明。
圖1是根據本發明的示例性實施例，適於處理功能性神經影像數據和產生 鑑別神經性精神疾病的模式分類器的發3E鵬徑的流程亂
圖2是說明根據本發明的示例性實施例，神經性精神疾病的鑑別的診斷流 程的流程圖；和
圖3 ，根據本發明示例性實施例，能實施所述方法的計算機系統和設備 的實例。
具體實施例方式
在描述附圖中解釋的本發明的示例性實施例，為了清楚，採用了特定的術 語。然而，本發明並不局限於所選的特別的術語，並且可以理解的，每一個特 定的元素包括所有以相似方式操作的技術等價體。
本發明的示例性實施例尋求提供一種神經性精神疾病顯現測試的方法，使 得對所述疾病可以更準確和在更早階段進行有效診斷。而且，本發明的示例性 實施例尋求提供一種確定明P部分大腦結構涉及神經性精神疾病的方法，使得另 外的科學研究可以直接針外涉及祌經性精神疾病的大腦結構進行研究。通過這 些方法，有助於神經性精神疾病，如自閉症的診斷和治療。
本發明的示例性實施例^ffi—系列的預處理步驟，鑑別屏蔽產生，區域團 簇化，基於解剖學上的區域分析，基於學習的子空間分析和辨別性特徵呈現， 皿一種分析功能性神經影像數據，如fMRI影像的診斷方案。
8根據本發明的示例性實施例，將數據恰當整理，接著假設表現顯著活動的 大腦區,刺激進行反應，而不是表現為噪音或對另一些無關因素的反應。這 些被刺激的區域接著可以被有效孤立，例如，使用基於均值平移的方法。被孤
立的區域因jJW疾病發生顯示相關表現，使得進一步的研究可以直接針對疾病
和大腦te區^間的相關顯著性，和/或在魏的刺激下大腦孤立區嚇動的 檢查可以用於監測疾病發生的測試。
圖1是根據本發明的示例性實施例，處理功能性祌經影像數據，例如fMRI 的方法的流程圖。在M按照該方法獲取的fMRli^後，該 可被有效 的用於診斷和/或以上蹈啲熱點研究。
首先，功能性神經影像f^可以t棘與步驟S11)。功能性神經影像娜可 以是，例如fMRIf^。然後，對所獲功能性神經影像l^進fi^頁處理，並且登 記到圖像或大腦^(步驟S12)，使得神經影像活動性數據可以在恰當的關係中 被理解。通過確定大腦的哪部分結構組份對應於活動性數據的團簇，活動團簇 的含義可以更好的被理解。
接下來，基於登記的位置(步驟S13)基礎上，產生鑑別屏蔽，以便移除沒有 診斷值的活動性數據。產生鑑別屏蔽的步驟可以包括，將生成的屏蔽應用到該 數據以便移除不想要的信息。接著，實施活動區域的團簇化和過鯫步驟S14), 以便同與不具有診斷價值的腦功能或噪音相關的孤立的活動相比，重點強調大 腦活動的團簇。然後，實施赫區嫩莫式分爽步驟S15)，從而粒用於表徵患 有或未患神經性精神疾病病人的分類器。步驟Sll到步驟S15形成被用於顯示 用於區別患有所懷疑神經性精神疾病病人和未患有所懷疑神經性精神疾病病人 的分類器的發現途徑IO。圖1中的旨步驟將被更詳細地討論。
步驟S11中，獲取了功能性神經影像數據。iliiift行大腦掃描，例如fMRI 或提取儲存的影像數據，可以獲，述數據。獲取的功能性神經影像數據可以 尉旨示大腦活動區域的活動性 。
功能性神經影像繊的預鵬和登記(步驟S12),可以被用於更好的理解大 腦的什麼區域負責^i見獲取的活動性數據。因此，這個步驟涉及將活動性 繪製在腦圖上。與獲取的活動性數據相比，腦圖可以具有不同的尺度和方位， 活動性數據可以在登記之前進行預處理，以使尺度和方位可以匹配。例如，當
腦圖數據是45 x 55 x 45形式的矩陣時，fMRI的大腦影像可以是64 x 64 x 40形式的體魏陣。因此，進行恰當的按比例縮放和對準。
fMRI數據可以在在一段時間長皿集的一系列影像中被獲取。例如，fMRI 可以Mil涵蓋7併中長度的168幀圖像被獲取。實施運動校正以便在fMRI序列 採集過程中，修正病人的任何活動。通過實施這個預處理和登記，活動性 可以被準確的添加在腦圖上，以使恰當的結構關係對應於活動性數據。利用像 FMRIB軟體庫這樣的軟體包，這些步驟可以被自動實施。
實施鑑別屏蔽生賄步驟S13)，以便逐步形成一個用於去除來自連續神經影 像數據組的具有很少或不具有診斷價值的活動性數據的表格或屏蔽。 一旦產生， 鑑別屏蔽可以被用於連續的數據組，以確定來自哪部分大腦活動信息區域是有 價值的，使得來自另,大腦區域的大腦活動信息被賦予減少的診斷值或忽略不 計。ffi31檢查與測試敬例如，已知患自閉症的病人)和對照組(例如，已知未患 自閉症的病人)相關的大腦每個區域腦活動的相關性，從而確定哪部分大腦區域 具有診斷價值。
鑑別屏蔽可以包含體素，其表明對照組活動與測試組活動之間的區別。那 些^hi^兩組活動之間沒有表現出差別的區域可以從鑑另,蔽中忽略。
依照預定的關聯閾值，確定鑑別屏蔽中是否包含給定的大腦區域，籍此， 當某一區職對照組和測試組之間顯示出差異程度在預定的閾值水平之上時， 大腦的該區域被加入到所述鑑別屏蔽。
因此，屏蔽可以被用在包括大腦區域陽性表現，該區域在患有神經性精神 疾病，例如自閉症和未患神經性精神疾病的病人之間表現出差另ij。接著在團簇 化後，可以找到與測鎖對照標記相關的大腦區域。
在生成鑑別屏蔽過程中，大腦可以被分成任意個區域，例如，大腦可以被 分成5個重要區域(l)皮層、(2)腦幹、(3)小腦、(4)丘腦、和(5)側腦室。鑑另, 蔽可以指示從大腦旨區域獲取的數據應該被4頓或是忽略不計。隨著影像技 術改進和大腦結構的了解的進展，可以令人滿意的將大腦分成更大數量的較小 區域。
團簇化和過瘋步驟S14)可涉及提供強調產生在團簇中的產生的活動性數據 和移除沒有被團簇的活動性數據。這個步驟可基於這樣的假設，有意義的大腦 活動性數據更可能表現為活動的團簇的部分，反之噪聲可能表現為小的孤立活 動實例。存在於孤立中而不是團簇中的活動性數據，可以被忽略不計，即使已
10經找到它在沒有被診斷性屏蔽移除的大腦區域內。因此，像均值平移這樣的技 術可以被應用於鑑別和強調活動團簇。
為進行均值平移，均值平移運算法則可以被應用於活動性數據。均值平移 運算法則是非參數團簇化技術，其不需要使用團簇數量的現有知識，並且不對 團簇皿進行限制。基於核密度估計理論，特徵空間被當作所表示的參數的經
驗概率密度函數(p.d.f)。
，在(1度空間1^中給出"個;^/=1,...")數據點，具 有內核"力的多 核密度估計和對稱的系統的正定c/x"帶寬矩陣H可以被表
示作
(1)
其中:
ATW (x — jc,. ) = p A:〔// —% jc] (2) 實際中，帶寬矩陣可以被選作或者對角線H^ag^2，...，/2/]，或與單位矩
陣成正比例的H-Zz21。其中帶寬矩陣被選為與單位矩陣成正比例H-;^i時，帶
寬參數/2X)，然後
formula see original document page 11(3)
完全對稱核是滿足以下等式的特別實例
formula see original document page 11 (4)
其中AT(;c)^所述核的分布(^0)，並且c^是假定為正的歸一化常數。因 此，AT的積分到1。
當在分布標法中標時，等式(3)密度估計可以被重寫為
formula see original document page 11(5)
密度模式可以從梯度零點v/(" = 0中找到。均值平移可以在沒有初次估計 密度時，被用於確定零點。通過計算V/0c):O，並且讓g(x)4'W，等式(5)可formula see original document page 12
(6)
其中等式(6)中的第二項^/禍值平移，它是4頓加權的核G加權的均值和核義
中心之間的差值
使用核G計算的:c位置的均值平移^S，與用核K得到的歸一化密度梯度
估計成正比。因此，均值平移矢量指向密度最大增加方向。ffiil均值平移核/^G(jC)
的重複計辭卩用^G(;c沐平移核G(;c)，實施均值平移程序。通過實施這個程序， 收斂將出現在具有零梯度的估計點附近,此處核K具有凸狀且單調下降的分布。
正如以上所述，均值平移矢量指向密度最大增加方向。通過均值平移矢量 叫dX)的重複計算，接著窗口;c,+嚴x汁A^c(x,)平移獲取均值平移過程，收斂於密 度函 度為零的那一點。以相同模式收斂的所有位置的點集限定了那種模式 的吸引域。接著，被確定在同樣的吸弓喊中的所有點可以與相同的團簇關聯。
在步驟S15中，活動區域模式分類可被實施，以便建立能用於表徵患有或 未患神經性精神疾病的隨後病人的分類器。其中，為了從患有神經性精神疾病 的病人中區分健康病人的活動性數據，分類器可從獲取的用於訓練數據的影像 數據中建立。這些分類器， 一旦建立起來，可在具體問題具體分析的基礎上被 用於區分健康的和患有神經性衞申疾病病人。
然而，f頓已知的方法可用於產生這些分類器，本發明的示例性實施例採 用的是主成份分析S(PCA: Principle Component Analysis)和/或線性描述分析法 (LDA: Linear Descriptive Analysis)產生分類器。
主成份分析旨CA)是一種統計方法，，多維 表減少至低維，簡化了 用於產生恰當分類器的分析。PCA採用線性轉換，其將數據轉換成新的坐標系， 使得數據任何投影的最大變化產生於第一坐標，第二最大變化依賴於第二坐標 等。當保持對變化有最大貢獻的數據集的那些特徵時，通過保持低階主要成份，於減少數據集的維數。
對於具有零經驗均值X的娜矩斷分布的經驗均值已經從娜集中扣斷， 其中每欄<樣臓影像的不同重複，每行給出了影像中特別體素的結果，PCA 轉換可被表示作
y =『％ = 2:Fr (8)
其中^T^是X的奇異值，(svd)。
然後，通過將Z向下投影到僅用第一個A奇異矢量的約化空間，得到約化 空間數據矩陣，W:
y二『/hSJ/ (9) 當PCA可被用於找到主成份以便最大化數據變化時,線性描述分析S(LDA) 可被用於找到分類中數據的最具辨別性的維數。LDA可被用於統計中，找至IJ特 徵的線性組合，該特徵最好地分離了兩個或更多種物體或事件。
最初的fMRI數據由一組訓練數據觀測義表徵，這些數據觀測由已知或者患 有祌經性精神疾病或者未患有神經性精神疾病的病人的掃描組成。分類問題接 著找到一個用於觀測數據x給出的同樣分布的任何已給採樣的分類少的良好預 測器。LDA M假設在分類;;中的一項輸入JC的概率是以下己知觀測的組合的 純函數，^MJS這個問題
因此，最大分離出現在當
"(s",+;H - ^-。) (11) 在從訓練 中產生分類器中，留一交叉校驗掛LOOCV)和/或^U者工作 特性曲線(ROC)可以I細來證實產生的分類器的正確性(步驟S16)。如果證實的 結果是非決定性棘明產生的分類器可能不準確(第S16步)，接著利用附加的訓 練數據，重複進行發I，徑lO(步驟Sll到S15)，直到產生的分類器的正確性能 被準確的確認(是，步驟S16)，並且產生的分類器能被接受(步驟S17)。
留一交叉校驗^OOCV)禾口/或受i^"工作特性曲線(ROC)可以被用來證實 分類器是否已經有效產生。留一交叉校驗法(LOOCV)涉及4OT單個M^述訓練
數據中取走的單個觀測 作為驗證 。因此，訓練數據的具體條件是，例
13如，表示一個病人，可以從訓練數據集中取走。接著，在沒有滿足這種具體條 件的 ,產生分類器。最後，在分類器產生後，它們可以在滿足所述具體條 件的數據上被測試，根據已知的設置，看分類器是否能有效的分^f除滿足條 件的數據。
正如以上戶;fi寸論的，步驟sii到si5形成的發m^徑i0，可以，細於找到 用於在已知患有所分析的神經性精神疾病的隨後病人和已知未患有所分析的神 經性精神疾病的隨後病人之間進行區分的分類器。然而，在發現途徑已經產生 了合適的分類器後，診斷流程接著利用已發現的分類器鑑別神經性精神疾病。 圖2是根據本發明的示例性實施例，說明神經性精神疾病鑑另啲診斷流程的流 程圖。
首先，對於隨後病人(所述隨後病人是在分類器產生後的，用於其本人的功
能性神經影像數據已經被獲取的病人)獲取功能性神經影像 (步驟S21)。這種
功能性神經影像數據與分類器獲取過程中的功能性神經影像數據相比是不同
的，後者被認為是訓練數據。這種數據獲取的完成，可以ilil實施像MRI這樣 的大腦掃描或提取存儲的影像數據。獲取的功能性神經影像數據可以是指示大 腦活動區域的活動性數據。
接著，功能性神經影像繊進fi^頁處理和/或登記(步驟S22)。鵬和登記可 以是，例如，像以上圖1中所描述的一樣。接著， 一個或更多個產生的分類器 可以被應用到預處理的功能性神經影像 (步驟S23)，並且它可以被確定隨後 的病人是否患有所分析的神經性精神疾病，例如，自閉症(步驟S24)。 Mii，這 一步涉驟S24)可以是基於一個，多個分類器的應用結果衝共診斷和被自動實 施，救所述一個或多個分類器應用中可以，至少部分地具有放射科醫師或神 經科專門醫師基礎上的醫務人員實施。
因此，本發明的示例性實施例可被用於確定大腦哪部分區域對應於特別的 神經性精神鄉，產生一個或更多個用^t寺別的神經性精神疾病的分類器，和/ 或確定病人是否有或沒有特別的神經性精神疾病。
本發明的示例性實施例不局限於以上討論的與圖1相關的分類器的產生， 和/^於以上討論與圖2相關的基於所述分類器的疾病診斷。本發明的示例性 實施例可被用於確定一個或更多個涉及特別的神經性精神疾病大腦區域的目 的。通過鑑別這些涉及的區域，針對這些區域的科學研究具有可以更好的了解特別的神經性精神疾病性質的目的，可以提高有效治療或治癒措施的目標。當 涉及的區域滿足要求時，使用被添加的或其他與大腦特別區域相關的顯著活動
區域的團簇的最終結果，實施步驟S11到S14(以上與圖1相關的討論)。因此， 通過上述詳細描述的有效的處理和過濾步驟，與顯著活動區域相關聯的大腦區 域被定義怍鄰及區域'。所f辦及區域可以題一步研究的熱點。
圖3表示能實施本發明方法和系統的計算機系統實施例。本發明的系統和 方法可以基於計算機系統運行應用軟體的形式進行，例如，大型計算機機，個 人計算機(PC)，可攜式計算機，伺服器等。應用軟體可以儲存在可被計算機系 統在本地訪問的記錄媒介上，並通過有線或，可訪問自接到網絡上，例如， 本地區域網或網際網路。
所涉及的計算機系統像作為系統1000可包括例如，中央處理器 (CPU)1001、隨機存儲^(RAM)1004、印表機接口 1010、顯示器1011、本地局 域網(LAN)數據傳輸控制器1005、 LAN接口 1006、網絡控帶藤1003、內部總 線1002、和一個或多，入設備1009，例如，鍵盤、滑鼠等。如圖所示，系統 1000可以M)1連接1007連接在數據存儲設備上，例如，硬碟1008。
可以釆用在此所說明的示例性實施例和許多變形而並不背離本發明構思或 所附權利要求範圍。例如，在本發明和所附權利要求的範圍內，不同示例性實 施例的元素和/或特徵可以被互相組合和/或互相替換。
權利要求
1. 一種產生用於鑑別神經性精神疾病分類器的方法，該方法包括獲取功能性神經影像數據；基於該所獲取的功能性神經影像數據來產生鑑別屏蔽；將該所產生的鑑別屏蔽應用到該所獲取的功能性神經影像數據；和基於被屏蔽的功能性神經影像數據來產生一個或多個適於鑑別神經性精神疾病的分類器。
2. 根據權利要求1所述的方法，其中i^萬獲取的功能性神經影像數據 與腦解剖進行比較。
3. 根據權禾腰求2所述的方法，其中i^萬獲取的功能性神經影像翻與所 M解剖的比較包括將該所獲取的功能性神經影像數據登記到腦圖上。
4. 根據權利要求1所述的方法，其中該所獲取的功能性神經影像數據包括: 已知患有神經性精神疾病的病人和已知未患有神經性精神疾病病人的功能性神 經影像數據。
5. 根據權利要求1所述的方法，其中所述功能性神經影像,是4頓MR 圖像儀獲取的fMRI數據。
6. 根據豐又利要求3所述的方法，其中在將該所獲取的功能性神經影像數據 登記到腦圖之前，將所獲取的功能性神經影像數據進行預處理，以便把該所獲 取的功能性神經數據置於與所述腦圖相匹配的縮放比例和定位。
7. 根據權禾腰求3所述的方法，其中在將劍; 獲取的功能性神經影像數據登記到腦圖之前將所述獲取功能性神經影像數據進行預處理，以便在所述獲取 功能性神經影像 過程中對病人的移動進行校正。
8. 根據權禾腰求l所述的方法，其中基於iMf獲取的功能性神經影像數據 產生所述鑑別屏蔽包括檢查對於所述大腦每個區域的腦活動與來自測試組的 功能性神經影像數據和來自對照組的功能性神經影像數據的相關性，其中所述 測試組包括已知患有所述神經性精神疾病的病人，所自照組包括已知未患有 所述神經性精神,病人。
9. 根據權利要求8所述的方法，其中所述鑑另,蔽包含表示所述對照組活 動與所述測試組活動之間差別的體素，並且在上述兩組活動之間沒有表現出差別的那些區域可以M^述鑑別屏蔽中忽略。
10. 根據權利要求1所述的方法，其中在產生所述分類器之前，在所述屏蔽的功能性神經影像數據實施活動區域的團簇化和過濾，以便和與噪聲和不具 有診斷價值的腦功能相關的孤立的活動相比來強調大腦活動的團簇。
11. 根據權利要求io所述的方法，其中所述活動區域的團簇化和過濾，包括實施均值平移以便鑑別和強調活動團簇。
12. 根據權利要求1所述的方法，其中產生一個或多^S於鑑另榊經性精 神疾病的分類器包括實髒成份分析斷CA)來產生所述分類器。
13. 根據權利要求1所述的方法，其中產生一個或多個適於鑑別神經性精 神疾病的分類器包括實施線性描述分析法(LDA)來產生所述分類器。
14. 根據權利要求1所述的方法，客妙卜地包括檢驗劍/f產生的分類器是否 有效。
15. 根據權利要求14所述的方法，其中留一交叉校驗IOOCV)和/或受 i儲工作特性曲線(ROQ!細來檢驗iMf產生的分類器是否有效。
16. —種適於鑑別神經性精神疾病的方法，包括-獲取病人的功能性神經影像數據；禾口將適於鑑別神經性精神疾病的分類器應用到該所獲取的功能性神經影像數 據以確定所述病人是否患有神經性精神疾病，其中通過以下步驟產生所述分類 器獲取已知患有所述神經性精神疾病病人功能性神經影像訓練數據和所述已 知未患有所述神經性精神 病人的功能性神經影像訓練數據； 將所述獲取功能性神經影像訓練 登記到腦圖上； 基於所述登記的功能性神經影像訓練 來產生鑑別屏蔽； 將該所產生的鑑別屏蔽應用到所述登記的功能性神經影像訓練數據；禾口 基於所述屏蔽的功能性神經影像訓練數據來產生適於鑑別神經性精神疾病 的所述分類器。
17. 根據權利要求16所述的方法，其中在將該所獲取的功能性神經影像訓 練數據登記到腦圖之前，將該所獲取的功能性神經影像數據進行預先處理，以 便置於與所述腦圖相匹配的縮放比例和定位，並且以便在獲取功能性神經影像 訓練 戰呈中對病人的移動進行校正。
18. 根據權利要求16所述的方法，其中基於所述登記的功能性神經影像訓 練數據來產生所述鑑別屏蔽包括檢查對於所述大腦每個區域的腦活動與來自 已知患有所述神經性精神疾病病人(測試組)的功能性神經影像訓練數據和己知 未患有所述神經性精神疾病病人(對照組)功能性神經影像數據的相關性。
19. 根據權利要求18所述的方法，其中所述鑑別屏蔽包含標所艦照組 活動與所述測試組活動之間差別的體素，並且在上述兩組活動之間沒有表現出 差別的那些區域可以從所述鑑別屏蔽中忽略。
20. 根據權利要求16所述的方法，其中先於產生所述分類器前，在所鄉 蔽的功能性神經影像訓練數據上實施活動區域的團簇化和過濾，以便和與噪聲 和不具有診斷價值的腦功能相關的孤立的活動相比來強調大腦活動的團簇，其 中所述活動區域的團蔟化和過濾包括實施均值平移以便鑑另,強調活動團簇。
21. 根據權利要求16所述的方法，其中產生一個或多個適於鑑別神經性精 神疾病的分類器包括實施主成份分析、敬CA)纖性描述分析銀DA)來產生所述分類器。
22. —種計算機系統，該計算機系統包括雌器；和可被所述計算機系統讀取的程序存儲設備，具體表現為一種可被所述處理 器實施的指令程序，以便實施用於鑑別涉及神經性精神疾病的腦部區域的方法 步驟，所述方法包括獲取功能性神經影像數據；基於^^獲取的功能性神經影像 來產生鑑別屏蔽； 將所述生成的鑑別屏蔽應用到劍萬獲取的功能性神經影像數據；禾口 在所述屏蔽的的功能性神經影像數據的活動性數據腦圖上相應位置的基礎 上來鑑別涉及神經性精神疾病的腦部區域。
全文摘要
一種用於產生適於鑑別神經性精神疾病分類器的方法，包括獲取功能性神經影像數據(S11)。該所獲取的功能性神經影像數據可以被登記在腦圖上(S12)。基於該所獲取的功能性神經影像數據，產生鑑別屏蔽，並且該所產生的鑑別屏蔽被應用到所述登記的功能性神經影像數據(S13)。基於所述屏蔽的功能性神經影像數據，產生一個或多個適於鑑別神經性精神疾病的分類器(S15)。該所產生的分類器的正確性可被驗證(S16)。該所產生的分類器接著可被用於鑑別神經性精神疾病。
文檔編號A61B5/00GK101502413SQ20081019112
公開日2009年8月12日 申請日期2008年11月12日 優先權日2007年11月12日
發明者B·喬治斯庫, D·法薩洛, L·-Y·王, X·盧 申請人:美國西門子醫療解決公司