基于动态脑网络可控性的癫痫灶定位及切除手术

本发明涉及生物医学信息处理，尤其涉及一种基于动态脑网络可控性的癫痫灶定位及切除手术结果预测方法和系统。背景技术：1、癫痫是一种常见的神经系统疾病，它会导致周期性的发作，给患者的生活和工作带来严重影响。尽管药物治疗是控制癫痫的首要手段，但有些患者对药物治疗不敏感或无效。在这种情况下，癫痫灶切除手术成为一种有效的治疗选择。准确进行癫痫灶定位对于手术治疗的成功至关重要。癫痫灶是引发癫痫发作的特定脑区，定位到这些区域可以帮助外科医生精确切除异常组织，从而减少或完全消除癫痫发作的可能性。因此，癫痫灶定位不仅可以提高手术的成功率，还可以减少手术的风险和并发症。除了进行癫痫灶定位，预测手术后的疗效同样重要。手术后的疗效预测可以帮助医生评估手术治疗的有效性，及时调整治疗方案。对于一些患者来说，手术后仍可能出现癫痫发作或其他并发症，因此能够提前预测手术结果，有助于患者和医生更好地制定治疗计划，提高治疗效果。2、目前准确的癫痫灶定位主要通过分析颅内脑电信号。癫痫灶定位的标准是：使用侵入式脑电信号监测设备记录颅内脑电信号，由医生人工捕捉几次癫痫发作并分析颅内脑电信号，最终确定癫痫灶。该方法十分耗时耗力，并且十分依赖医生的主观经验和判断。3、近年来，有许多研究利用颅内脑电信号提出一系列用于癫痫灶定位以及切除手术结果预测的生物标志物。这些生物标志物主要分为三大类：局部神经信号特征、静态脑网络特征和动态脑网络特征。4、局部神经信号特征是考虑到神经信号单个通道的某种特征，其中，时频特征尤为具有代表性，它能够反映神经信号的频率特征随时间变化的情况。然而癫痫是一种涉及到全脑的疾病，需要考虑到不同脑区之间的信息交流。于是研究人员提出了静态脑网络特征，其中具有代表性的是相关性特征和相干性特征，分别用来衡量不同脑网络节点之间在时域以及频域上的连接强度。在使用相关性特征和相干性特征进行癫痫灶定位时，一般会构建全脑的相关性或相干性连接矩阵，然后计算该矩阵的一些图特征，包括有向图特征以及无向图特征。然而，静态脑网络特征并没有考虑到大脑活动是一个动态的过程。因此，动态脑网络特征应运而生，它是将大脑进行动态建模，然后提取动态模型的一些特征。动态脑网络建模中比较有代表性的是神经脆弱性，它是一种衡量脑网络节点脆弱性的生物标志物。脆弱性具体指的是一个脑网络节点在受到外部干扰时，使整个脑网络处于不稳定状态的临界，即使得大脑处于癫痫发作的边缘状态。5、本发明提出的可控性也是一种动态脑网络特征，它用于衡量一个脑网络节点对整个脑网络的控制能力。本发明认为癫痫是由可控性高的区域受到外部干扰引起的，因此可控性能够更好地描述癫痫灶的特征。于是，本发明采用动态脑网络可控性进行癫痫灶定位和癫痫灶切除手术结果预测。技术实现思路1、本发明的目的在于针对现有技术的不足，提供一种基于动态脑网络可控性的癫痫灶定位及切除手术结果预测方法和系统。本发明在癫痫灶定位以及癫痫灶切除手术结果预测两个任务上能达到更高的预测精度。2、本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种基于动态脑网络可控性的癫痫灶定位及切除手术结果预测方法，包括以下步骤：3、(1)使用颅内神经信号构建动态脑网络模型；4、(2)计算动态脑网络模型的可控性特征，以构建脑网络可控性特征热力图；5、(3)使用脑网络可控性特征热力图训练两个随机森林模型，分别用于癫痫灶定位及切除手术结果预测。6、进一步地，在所述使用颅内神经信号构建动态脑网络模型之前，还包括：7、获取进行过癫痫灶切除手术的患者在手术之前的颅内神经信号，具体包括癫痫发作期间以及发作前后的颅内神经信号；记录患者手术的结果，即手术成功与否；记录医生在进行癫痫灶切除手术时划分的癫痫灶区域以及非癫痫灶区域所对应的通道。8、进一步地，所述使用颅内神经信号构建动态脑网络模型，具体包括：9、首先对获取到的颅内神经信号进行预处理，具体包括使用共同平均参考去除颅内神经信号的基础噪声，再使用陷波滤波器消除线噪声；然后使用预处理后的颅内神经信号搭建一个线性离散时间和时不变模型以描述动态脑网络，以获取动态脑网络模型。10、进一步地，所述使用共同平均参考去除颅内神经信号的基础噪声，再使用陷波滤波器消除线噪声，具体包括：11、对原始颅内神经信号在通道维度上取平均值，然后每个通道的原始颅内神经信号减去该平均值，以去除颅内神经信号的基础噪声；使用陷波滤波器将受到频率噪声干扰的颅内神经信号中的线噪声去除。12、进一步地，所述使用预处理后的颅内神经信号搭建一个线性离散时间和时不变模型以描述动态脑网络，以获取动态脑网络模型，具体包括：13、对于静息状态下的大脑，使用无噪声时的线性离散时间和时不变模型进行建模，表示为：14、x(t+1)＝ax(t) (1)15、其中，x(t)∈rn，代表在t时刻的颅内脑信号，该颅内脑信号由n个通道的信号组成；a∈rn′n，代表n个通道之间的连接性；16、在有外部刺激的情况下，假设有控制节点k，k∈{k1,k2,k3…,km}，使用以下模型对大脑进行建模：17、x(t+1)＝ax(t)+bkuk(t) (2)18、其中，uk(t)∈rm是t时刻模型的输入向量，即外部对k个控制节点的刺激情况；bk∈rn′m是输入矩阵，是控制节点在受到刺激之后对n个通道信号的影响。19、进一步地，所述计算动态脑网络模型的可控性特征，以构建脑网络可控性特征热力图，具体包括：20、在某一时间窗口内，扰动脑网络一个节点，计算脑网络在扰动后的变化，该变化作为该节点的可控性；然后计算脑网络所有节点的可控性，构成一个时间窗口内的脑网络可控性特征；最后在颅内神经信号上进行滑窗，在每个时间窗口内计算脑网络可控性特征，构成脑网络可控性特征热力图。21、进一步地，所述节点的可控性的计算方法具体包括：22、首先构造可控性格拉姆矩阵，表示为：23、24、其中，wk表示节点的可控性格拉姆矩阵，τ表示时刻，at表示矩阵a的转置；25、然后计算具体控制节点的可控性，使用预处理后的颅内神经信号带入公式(1)拟合计算矩阵a；根据需要计算的具体控制节点计算公式(2)中的输入向量uk(t)和输入矩阵bk；将矩阵a、输入向量uk(t)和输入矩阵bk带入公式(3)中计算该节点的可控性格拉姆矩阵wk，最后计算可控性格拉姆矩阵wk的迹，作为该节点的可控性。26、进一步地，所述使用脑网络可控性特征热力图训练两个随机森林模型，分别用于癫痫灶定位及切除手术结果预测，具体包括：27、对于癫痫灶定位，仅使用癫痫灶切除手术成功的患者对应的脑网络可控性特征热力图训练一个随机森林模型用于癫痫灶定位；其中，在手术成功的患者对应的脑网络可控性特征热力图中，医生划分的癫痫灶区域对应的通道作为正样本，医生划分的非癫痫灶区域对应的通道作为负样本；一个样本包含一个通道的可控性特征以及该通道是否是灶点的标签；28、对于手术结果预测，使用癫痫灶切除手术成功的患者和癫痫灶切除手术失败的患者所对应的脑网络可控性特征热力图训练一个随机森林模型用于预测手术结果，即手术成功的概率；其中，在训练之前，先对所有患者的脑网络可控性特征热力图进行进一步处理，具体是将脑网络可控性特征热力图在通道维度上取分位数，时间维度上保持不变；将处理之后的手术成功患者对应的脑网络可控性特征热力图作为正样本，将处理之后的手术失败患者对应的脑网络可控性特征热力图作为负样本；一个样本包含一位患者的脑网络可控性特征热力图以及该患者手术是否成功的标签。29、本发明实施例第二方面提供了一种基于动态脑网络可控性的癫痫灶定位及切除手术结果预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器用于执行所述计算机程序以实现上述的基于动态脑网络可控性的癫痫灶定位及切除手术结果预测方法。30、本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的基于动态脑网络可控性的癫痫灶定位及切除手术结果预测方法。31、与现有技术相比，本发明的有益效果是：32、(1)本发明采用机器学习的方法预测癫痫灶以及癫痫灶切除手术结果，相比于人工方法，规避需要长期数据监测以及人工跟进的弊端，更加客观高效，降低医疗耗费；33、(2)采用了更加符合癫痫灶特性的可控性特征来进行癫痫灶定位以及手术结果预测，相较于其它癫痫灶定位方法以及手术结果预测方法，本发明具有更高的预测准确率，能够更加准确的预测患者的癫痫灶，便于协助医生更加准确地诊断患者病情，提高癫痫灶切除手术的成功率。