论文部分内容阅读
第一部分不同发作类型MRI阴性癫痫脑灰质损伤的形态学研究目的:通过基于体素的形态学(Voxel-based morphometry,VBM)分析方法,研究不同发作类型的MRI阴性癫痫患者脑灰质结构的损伤情况,并探讨相关灰质结构的潜在损伤机制。材料和方法:本研究纳入2009年6月至2016年10月于解放军南京总医院就诊的33例原发全面强直阵挛癫痫发作患者(I-GTCS组)、35例部分性发作继发全面强直阵挛发作患者(S-GTCS组)、22例单纯部分性发作患者(PS组),其临床常规MRI检查均为阴性结果,同时纳入35名年龄、性别相匹配的正常志愿者作为健康对照组(HC组)。采集四组被试的高清T1结构图像,使用VBM方法对其脑灰质结构进行分割。对分割后的灰质结构进行单因素方差分析(One-way ANOVA),并将三组患者图像分别与HC组进行两样本t检验;以ANOVA结果中显著差异脑区作为感兴趣区(ROI),将全脑体积作为协变量去除后分别与病程作皮尔逊相关分析。结果:ANOVA结果提示显著差异脑区主要位于双侧丘脑及双侧额叶(结果通过alphasim校正,P<0.01);两样本t检验结果显示三组患者均出现双侧丘脑及额叶体积减小(结果通过alphasim校正,P<0.01);提取ANOVA结果中位于双侧丘脑及双侧额叶的显著差异脑区为ROI,提取对应的灰质体积与病程进行相关分析后发现,I-GTCS组和S-GTCS组患者丘脑及额叶萎缩程度明显大于PS组患者,其中I-GTCS组患者丘脑灰质体积与病程呈明显负相关关系(r=-0.466,P<0.01)。结论:全面性发作与部分性发作均可对丘脑及额叶灰质结构造成损害。但不同发作类型的癫痫灰质损伤范围不同,且随病程进展,不同发作类型对丘脑及额叶的长期损害存在差异,提示其发病机制及对丘脑-皮质协变网络的影响可能不同。第二部分多模态MR机器学习分析对MRI阴性颡叶癫痫诊断研究目的:通过机器学习方法结合多模态MRI图像特征,评价其在MRI阴性颞叶癫痫诊断预测效果,并寻找用于高效分类的影像学指标;同时通过进一步分析分类模型来探讨MRI阴性颞叶癫痫潜在的病理生理机制。材料和方法:本研究纳入2009年6月至2017年12月于本院就诊的共102例MRI阴性颞叶癫痫患者(MRI-negativeTLE组),由2名高年资神经内科医生根据国际抗癫痫联盟最新分类标准,结合临床症状、电生理及临床治疗证据进行临床诊断;同时本研究还纳入102例年龄、性别相匹配的正常志愿者作为正常对照组(HC组)。采集三组被试的全脑BOLD-fMRI、高清结构T1WI及DTI影像数据,并同时采集常规MRI诊断序列以排除结构性病变。计算被试的功能影像特征(ALFF,fALFF,ReHo,DC,DCglobal)及结构影像特征(VBM,FA,MD),分别使用支持向量机(Support vector machine,SVM)方法及多核学习(Multiple kernel learning,MKL)方法对上述特征及其组合分别构建分类模型,并计算其分类准确率。对功能指标及结构指标的分类效果进行比较,选取分类准确率最高的组合,计算其每种特征在分类中所占权重及不同特征下各脑区所占权重。结果:本研究发现使用MKL方法结合功能影像特征分类效果最好,准确率最高可达77.45%。其中ReHo和DCglobal两特征结合的模型分类效率最高(准确率77.45%,敏感性72.55%,特异性82.35%,P<0.05)。其中DCglobal特征在模型中的分类权重约为56.12%,而ReHo约为43.88%。通过进一步计算各脑区的分类权重,发现双侧小脑、双侧颞叶及左侧海马等区域在分类预测中起重要作用。结论:MKL方法结合部分功能影像指标可以达到较好的分类效果,为MRI阴性颞叶癫痫的临床诊断提供了新的影像工具。此外本研究发现MRI阴性颞叶癫痫患者的双侧小脑、颞叶及左侧海马区域与正常人差异较大,提示以上脑区可能在疾病的发生发展过程起重要作用,为进一步研究其机制提供了影像学证据。