基于线性混合效应模型的脑结构影像的研究

来源:用户上传      作者:

　　摘  要： 已有研究经常忽略现实情况中年龄和性别对于大脑结构影像数据的影响，导致特征选取的有效性降低，最终造成分类准确率的降低。为此，提出基于线性混合效应模型的方法进行特征选择，考虑到年龄和性别对影像指标的影响，通过相关显著性的大小选取脑影像指标作为特征构建分类器，应用于不同人格特质的组内分类及识别中。分类结果显示，基于线性混合效应模型的方法使得不同人格分类准确率有较明显的提高。
　　关键词： 脑结构影像; 线性混合效应模型; 特征选取; 大脑白质计算; 人格分类; 结果分析
　　中图分类号： TN911.73?34; TP181              文獻标识码： A                       文章编号： 1004?373X（2020）02?0145?04
　　Research on brain structure image based on linear mixed effect model
　　ZHANG Hao1， WANG Xincan2， LI Yao1， GUO Dongxi1， GUO Hao1
　　Abstract： The previous studies have often overlooked the influence of age and gender on brain structure image data in the real situation， which leads to the reduction in the effectiveness of feature selection and ultimately in the classification accuracy. On this basis， a method based on the linear mixed effect model is proposed for the feature selection. In consideration of the influences of age and gender on image indexes， the brain image indexes are selected based on the size of correlation significance as features to construct the classifier， which is applied to the intra?group classification and recognition for different personality traits. The classification results show that the method based on the linear mixed effect model can obvious improve the accuracy of different personality classification.
　　Keywords： brain structure image; linear mixed effect model; feature selection; white matter calculation; personality classification; result analysis
　　0  引  言
　　近年来随着脑科学技术的发展，人类大脑的结构影像特征越来越受到关注。个体脑影像特征分析有助于促进对人类神经生物学基础的认识并具有提供相关影像学标记的潜在价值[1]。弥散张量成像技术（Diffusion Tensor Imaging，DTI），是一种描述大脑结构的新方法，是目前唯一能无创绘制大脑白质神经纤维通路的方法。多数学者认为DTI技术能非常准确地显示大脑中主要的白质纤维束，并且能够通过若干特征性参数反应大脑神经系统。
　　已有研究表明年龄和性别是脑结构影像数据的重要影响因素，并且已被证明与人格相互作用。而在以往的关于脑影像学的研究中，多忽略年龄和性别可能会对实验结果所产生的影响，如利用皮尔逊相关系数法、斯皮尔曼相关系数法[2]等。而为了便于考虑到年龄和性别因素，文献[3?4]采用了基于一般线性模型的多元回归分析方法。该方法可以同时将多个对观察变量产生影响的因素进行分析，但传统的线性模型对于反应变量还有三个假定要求：正态性、独立性以及方差齐性。而人类脑影像数据由于性别和年龄段的不同可能存在一些群体特性，这就导致独立性条件的不满足，最终造成结果的偏差。为了兼顾年龄和性别这两个影响因素，同时克服一般线性模型对于观察变量必须具有的独立性的要求，本文从个体的脑影像学特征出发，提出建立线性混合效应模型的方法。
　　线性混合效应模型[5]的方法对于神经影像学数据基于群体的推断已经被证明是有效的，这在分析功能磁共振成像数据和结构磁共振成像数据的研究中已经得到了证明[6]。该方法将年龄和性别作为无兴趣的协变量纳入模型，而人格特质得分作为兴趣变量纳入模型，探索各个脑区脑影像指标与人格特质得分间的关系，研究不同脑区对正常被试不同人格特质的影响，并以此为依据实现不同人格被试的分类。
　　本文中主要工作包括：
　　1） 计算所有正常被试的脑影像指标;
　　2） 建立混合效应模型对不同脑区影像指标与人格特质得分间的相关性进行研究，根据相关显著性大小进行特征选择;
　　3） 以挑选出的脑区影像指标作为特征构建分类器，从而分别实现对外倾性人格特质与神经质人格特质的组内分类。 　　1  数据采集与预处理
　　1.1  被试者
　　本研究根据山西省医学伦理委员会（参考编号：2012.13）的建议，在所有被试者书面知情同意的情况下进行。所有被试者均按照赫尔辛基宣言签署书面知情同意书，由工作人员统一安排，记录性别、年龄等人口学信息并进行编码，采用艾森克人格问卷（EPQ）调查被试的人格特质，所有被试均在安静舒适的心理评估室完成自评量表的填写，问卷统一收回进行数据录入。对于被试的分组，根据EPQ龚耀先教授修订本的评分细则进行分组，由于艾森克量表的第三维度——精神质的定义及神经生理机智的不明确性，本文不对这一维度进行分组及研究。被试者基本信息如表1所示。
　　1.2  数据采集与预处理
　　本文研究使用西門子3T超导MRI扫描仪（Siemens Trio 3?Tesla Scanner，Siemens，Erlangen，Germany）对200名正常右利手被试进行弥散张量磁共振扫描。被试基本信息见表1。在扫描过程中，要求被试放松，闭眼，保持清醒状态，尽量不做任何思考。扫描参数设置如下：45 axial slices，repetition time（TR）=6 000 ms，echo time（ET）=90 ms，thickness/skip=3/0 mm，field of view （FOV）=240 mm[×]240 mm，matrix=128 mm[×]128 mm，flip angle=90°。扩散敏感梯度方向为12，扩散敏感系数b=1 000 s/mm2。
　　弥散张量成像数据预处理使用Panda软件进行。首先对数据集进行格式转换（DICOM转换为NifTI），然后提取b0值，进行脑提取去除非脑组织、涡流校正和头动校正、空间标准化以及高斯平滑等。
　　2  方  法
　　基于线性混合效应模型的脑结构影像的分析及分类研究方法包括以下步骤：数据预处理;计算基于白质分区图谱的大脑白质指标;建立线性混合效应模型对白质指标与人格特质得分的相关性进行分析，根据相关性分析的结果进行特征选择，最后使用支持向量机的方法进行分类。
　　2.1  大脑白质指标的计算
　　本文采用现有的约翰霍普金斯大学的ICBM?DTI?81白质分区图谱[7]进行大脑区域的划分，共将大脑分为50个白质纤维束区域。本文共选择四种DTI图像特征参数，包括各向异性分数（Fractional Anisotropy，FA）、平均弥散率（Mean Diffusivity，MD）、径向弥散系数（Radial Diffusivity，RD）以及轴向弥散系数（Axial Diffusivity， AD），用于描述体素特性。
　　各向异性分数（Fractional Anisotropy，FA）是分析各向异性最常用的参数，指弥散的各向异性部分占弥散张量总值的比例。计算公式如下：
　　[FA=32·（λ1-λ）2+（λ2-λ）2+（λ3-λ）2λ21+λ22+λ23]  （1）
　　式中，[λ1，λ2，λ3]是弥散张量矩阵的三个特征值，分别表示沿三个正交方向上的弥散率;[λ=λ1+λ2+λ33]。
　　平均扩散率（Mean Diffusivity，MD）反映水分子整体的弥散水平，只表示水分子弥散的大小和程度，而与弥散方向无关。计算公式如下：
　　[MD=λ1+λ2+λ33]            （2）
　　径向弥散系数（Radial Diffusivity，RD）反映与轴突长轴成对角平面的水分子弥散水平。计算公式如下：
　　 [RD=λ2+λ32]             （3）
　　轴向弥散系数（Axial Diffusivity，AD）反映与轴突方向平行的水分子的弥散水平。计算公式如下：
　　 [AD=λ1]              （4）
　　2.2  线性混合效应模型
　　线性混合效应模型的一般形式结构为：
　　[y=Xβ+Uγ+ε]          （5）
　　式中：[y]表示反应变量的测量值向量;[X]为固定效应自变量的设计矩阵;[β]是与[X]对应的固定效应参数向量;[U]为随机效应变量构造的设计矩阵，其构成方式与[X]相同，[γ]为随机效应参数向量;[ε]为随机误差向量[8]。
　　本文中通过计算大脑白质指标FA，MD，RD及AD等来描述体素特性。在建立模型之前，首先针对各指标特征，对其进行相应的对数转化，使其呈近似正态分布，满足模型建立的条件。然后建立混合效应模型，分别将所有被试者的不同脑白质指标作为反应变量的观察值向量，以被试者的不同人格特质得分构造固定效应的设计矩阵，又将各个被试的年龄、性别作为随机效应构造随机效应的设计矩阵。
　　模型公式如下：
　　[y=β0+β1E+β2N+γ0+γ1AGE+γ2SEX]  （6）
　　式中：y对应于所有被试的同一白质纤维束的同一白质指标值构成的向量;E和N分别是各个被试的外倾性人格特质得分和神经质人格特质得分;AGE和SEX分别是各个被试者的年龄和性别。
　　分析线性混合效应模型最终结果，以相关显著性p<0.05为依据挑选与人格特质相关的白质纤维束。
　　2.3  分  类
　　本文在线性混合效应模型最终结果的基础上，分别得到与外倾性和神经质人格特质相关的大脑白质纤维束，将相关的大脑白质纤维束指标作为分类特征。为了消除所选特征中可能存在的冗余情况，又对各特征间进行了两两冗余分析，得到最终与人格特质相关的关键特征集合。 　　为了自动鉴别不同人格特质数据，本文使用机器学习的方法来构建分类器。被广泛使用的分类器有多种，其中包括决策树、神经网络、线性判别分析等。
　　每种分类算法都有其适用的场合和其特有的优缺点，而支持向量机（Support Vector Machine，SVM）分类算法比较适合对小样本数据的处理。结合磁共振影像数据的特点，本文选取支持向量机分类算法进行分类。它是基于Matlab的LIBSVM工具包[9]进行分类，并采用10折交叉验证（10?fold cross?validation）的方法来评估分类器的泛化性能。具体的过程是将所有的被试随机分成10等分，逐一将其中的1等分作为测试集，剩余的9等分是训练集，取10次结果的均值作为对分类器性能的评估。同时，为了得到更精确的结果，本实验进行100次10折交叉验证，最后对100次的结果求均值得到最终的结果。以最常用的分类器性能的量化指标正确率（Accuracy），敏感度（Sensitivity），特异度（Specificity）和AUC值作为评价标准。
　　3  结  果
　　3.1  特征选择
　　在本文中，将相关显著性阈值p设为0.05，发现与艾森克人格的外倾性维度E相关的纤维束主要出现在内侧丘系，小脑上脚以及钩束;而与艾森克人格的神经质维度相关的纤维束主要出现在矢状层（包括下纵束以及额枕下束）、小脑中脚、内侧丘系、膜状层以及后丘脑辐射（包括视神经辐射），具体如表2所示。
　　本研究中得到的纤维束所涉及到的脑区可能对外倾性和神经质人格特质有一定的影响，与已有研究中得到的结论也大体一致。
　　例如，Wright 等人报道了大脑中内侧前额叶区域与内外向存在关联性;Wei 等人报道了与内外向相关的脑区发生在内侧前额叶部分、小脑、扣带回及脑岛等部位，而与神经质相关的脑区位于左侧额中回[10];Hahn 等人通过研究发现纹状体及眶额叶部位与人格特质存在关联性[11];Fischer等人报道了内外向与壳核，尾状核等皮层下的结构相关联;O′Gorman等人报道了内外向得分与丘脑及额下回等脑区相关联;文献[12]通过研究找到内外向与纹状体、楔前叶及额上回等脑区相关，而神经质与额中回及楔前叶相关。
　　3.2  分类结果
　　本文将通过线性混合效应模型分析挑选出的大脑白质纤维束指标作为分类特征，分别进行外倾性和神经质人格特质的组内分类。同时，本文利用同样的通过相关性分析方法进行特征选择的思想，进行了皮尔逊相关系数和多元线性回归的统计分析方法选取特征并进行分类的实验。
　　分类结果如表3 所示。
　　由两种人格特质组内分类结果可知，本文所提出的利用线性混合效应模型做相关的分析方法，不仅能够综合考虑年龄和性别影响因素，而且弥补了已有方法中的缺陷，从而提高了分类的准确率。
　　4  结  语
　　本文基于线性混合效应模型的脑结构影像的分析及分类研究在真实的人格数据集上得到了有效的验证，所得相关性研究成果与现有研究结果大致相吻合，表明此方法可以用于对脑结构影像与人格特质的有關中，并且能够实现对不同人格进行分类。本文所提方法能够兼顾年龄和性别因素对于脑影像数据所产生的影响，并克服了传统的一般线性模型的三个假定要求所带来的问题。分类的结果显示，基于线性混合效应模型的脑结构影像的分析及分类方法对不同人格特质的分类准确率均有所提高。
　　参考文献
　　[1] NIXON N L， LIDDLE P F， NIXON E， et al. Biological vulnerability to depression： linked structural and functional brain network findings [J]. British journal of psychiatry the journal of mental science， 2013（4）： 283?289.
　　[2] MALEKMOHAMMADI M， AUYONG N， RICKS?ODDIE J， et al. Pallidal deep brain stimulation modulates excessive cortical high ?? phase amplitude coupling in Parkinson disease [J]. Brain stimulation， 2018（6）： 57?61.
　　[3] BENEDICT R H， SCHWARTZ C E， DUBERSTEIN P， et al. Influence of personality on the relationship between gray matter volume and neuropsychiatric symptoms in multiple sclerosis [J]. Psychosomatic medicine， 2013， 75： 253?261.
　　[4] GENTILI C， CRISTEA I A， RICCIARDI E， et al. Not in one metric： neuroticism modulates different resting state metrics within distinctive brain regions [J]. Behavioural brain research， 2017， 327： 34.
　　[5] FITZMAURICE G M， LAIRD N M， WARE J H， et al. Applied longitudinal analysis [M]. Hoboken： John Wiley & Sons， 2012. 　　[6] BOWMAN D B. Brain imaging analysis [J]. Annual review of stattistics and its application， 2014， 1： 61?85.
　　[7] MORI S， OISHI K， JIANG H， et al. Stereotaxic white matter atlas based on diffusion tensor imaging in an ICBM template [J]. Neuroimage， 2008， 40： 570?582.
　　[8] KRUGGEL F， MASAKI F， SOLODKIN A. Analysis of longitudinal diffusion?weighted images in healthy and pathological aging： an ADNI study [J]. Journal of neuroscience methods， 2017， 278： 101?115.
　　[9] CHANG C C， LIN C J. LIBSVM： A library for support vector machines [J]. ACM transactions on intelligent systems and technology， 2011， 2（27）： 27.
　　[10] WEI L， DUAN X， YANG Y， et al. The synchronization of spontaneous BOLD activity predicts extraversion and neuroticism [J]. Brain research， 2011， 1419： 68?75.
　　[11] HAHN T， DRESLER T， EHLIS A C， et al. Randomness of resting?state brain oscillations encodes Gray＼"s personality trait [J]. Neuroimage， 2012， 59（2）： 1842?1845.
　　[12] ADELSTEIN J S， ZARRAR S， MAARTEN M， et al. Personality is reflected in the brain′s intrinsic functional architecture [J]. Plos one， 2011， 6： 27633.
　　作者简介：張  豪（1994—），女，山西运城人，硕士研究生，主要研究方向为人工智能、智能信息处理、脑信息学。
　　郭  浩（1981—），男，山西太原人，博士，副教授，CCF会员，研究领域为人工智能、智能信息处理与脑影像学。
转载注明来源:https://www.xzbu.com/8/view-15122185.htm