准确的脑功能区映射在术前规划中起着至关重要的作用，不仅有助于评估手术风险和疗效，还有助于避免手术引起的神经功能缺损。血氧水平依赖(BOLD)功能磁共振成像(fMRI)是一种无创成像技术，越来越多地应用于显像区域的术前成像。因此， Yang Wang 等假设基于神经网络的预测方法可以通过rs-fMRI预测脑肿瘤患者个体的手部运动情况。该研究的目的是评估神经网络方法与基于ICA的方法在使用rs-fMRI数据对PRC脑肿瘤患者的术前运动区域绘制的预测有效性。该研究发表在European Radiology杂志。

该研究旨在利用静息状态功能磁共振成像(rs-fMRI)数据评价神经网络(NN)方法在术前运动区定位中的预测有效性。

方法109例颅脑肿瘤患者接受rs-fMRI和基于手运动任务的fMRI(TbfMRI)扫描。使用47名健康对照的fMRI数据训练的神经网络模型，根据他们的rs-fMRI数据预测个体任务激活图。将神经网络预测的图与任务激活和独立成分分析(ICA)导出图进行比较。使用NN(DC_{NN_Act})和ICA(DC_{ICA_Act})计算任务激活与预测激活之间的空间Pearson相关系数(CC)矩阵和骰子系数(DC)，并用非参数检验进行比较。展示了肿瘤类型和头部运动对预测地图的影响。

NN-ML预测模型和ICA运动网络提取的处理流程示意图

首先，利用98名人类连接组项目受试者的静息状态数据进行组ICA，获得32组特征。以这些特征为模板，为47例对照组和109例脑肿瘤患者确定个体特征。这些特征与每个受试者在NN-ML模型中的任务激活图配对，以预测任务激活。最后，从每个被试的个体特征中选择运动网络特征(成分1)

神经网络(NN)机器学习过程流程图

使用基于个体静息fMRI(RsfMRI)特征和健康对照组任务fMRI激活图的神经网络对20个模型进行训练。然后将训练好的模型的平均值应用于从患者的rs-fmri数据中提取的特征，以预测个体运动任务的激活。

神经网络预测的MAP的CC矩阵与ICA导出的MAP相比显示出更高的对角值(p<0.001)。

无论有无运动障碍，DC _{NN_Act}高于DC_{ICA_Act}(P<0.001)。头部运动超过一个体素的受试者DC较低。非肿瘤侧DC值高于肿瘤侧(p<0.001)，胶质瘤组高于脑膜瘤组和转移组(p<0.05)。

神经网络方法可以根据rs-fMRI数据预测个体运动激活，在脑肿瘤解剖和功能重建患者中具有良好的临床应用前景。

原文出处

Niu, Chen et al. “Machine learning may predict individual hand motor activation from resting-state fMRI in patients with brain tumors in perirolandic cortex.” European radiology, 10.1007/s00330-021-07825-w. 23 Mar. 2021, doi:10.1007/s00330-021-07825-w