《Sensors》:A Functional Shape Framework for the Detection of Multiple Sclerosis Using Optical Coherence Tomography Images
Homa Tahvilian,
Raheleh Kafieh,
Fereshteh Ashtari,
M. N. S. Swamy and
M. Omair Ahmad
编辑推荐:
本文聚焦于多发性硬化(MS)的无创精准诊断难题。研究团队创新性地将功能形状(F-shape)框架与光学相干层断层扫描(OCT)影像技术结合,利用黄斑区神经节细胞-内丛状层(GCIPL)的厚度,开发了一种全新的分类模型。该模型通过构建高密度网格、基于图谱的配准以及提取残差厚度作为特征,显著提升了分类性能,为MS的早期发现和监测提供了更准确、更经济的工具,是OCT影像处理与机器学习在神经退行性疾病诊断中的一次成功探索。
多发性硬化(Multiple Sclerosis, MS)是一种令人棘手的炎症性、神经退行性疾病,好发于年轻人,且女性患者数量是男性的两倍。其核心病理过程之一是神经节细胞和轴突的损失,但如何准确、无创地捕捉这种微观的神经退行性变化,一直是临床上面临的挑战。传统的磁共振成像(MRI)能有效显示炎症,但在量化轴突和神经元损伤方面却不够敏感。此外,MRI检查费用高昂,在多数医疗机构中并非唾手可得。那么,有没有一种更经济、更普及,又能精确量化神经元损伤的影像工具呢?答案是肯定的。光学相干断层扫描(Optical Coherence Tomography, OCT)作为一种新兴的非侵入性视网膜成像技术,正逐渐崭露头角。视网膜是中枢神经系统的延伸,其中的轴突和神经节细胞为我们评估神经轴突的退行性变提供了一个独特的“窗口”。与MRI相比,OCT不仅成本更低、更易获取,还能生成高分辨率的视网膜厚度图,精准量化神经元的损伤程度。在众多视网膜层中,黄斑区的神经节细胞-内丛状层(Ganglion Cell–Inner Plexiform Layer, GCIPL)被证明是MS患者中受影响最显著的层,其厚度变薄是检测轴突丢失的可靠生物标志物。
然而,如何从OCT图像中提取GCIPL厚度的信息,并高效地区分健康人群与MS患者,是另一个技术难点。以往的研究多采用“分区”(Sectoral)法,例如早期治疗糖尿病视网膜病变研究(Early Treatment Diabetic Retinopathy Study, ETDRS)网格,将视网膜划分为几个扇形区域并计算平均厚度。这种方法虽然简单,但会因区域平均而丢失厚度的局部空间细节,且其分区依赖于中心凹等解剖标志,可能引入误差。虽然已有研究尝试结合这些分区特征使用机器学习(如支持向量机SVM、人工神经网络ANN)进行分类,但其性能仍有提升空间。问题的关键在于,我们需要一种能够利用OCT图像全部空间细节、进行点对点精确比较的方法。
受此启发,本研究团队将目光投向了一种被称为“功能形状”(Functional Shape, F-shape)的先进分析框架。该框架将视网膜表面(几何)与映射在该表面的信号(如GCIPL厚度)视为一个整体对象,此前已成功应用于青光眼的检测。本研究创新性地将这一框架引入MS的检测中,旨在开发一个基于F-shape的、利用GCIPL厚度对MS进行二分类的全新方案。其核心思路是:将每个受试者黄斑区GCIPL的厚度图构建为F-shape对象,然后通过“基于图谱的配准”(Atlas Registration)方法,将所有个体的F-shape配准到一个公共的“平均模板”上。接着,计算每个个体配准后的F-shape与平均模板之间的厚度差值,得到“残差F-shape”。这些残差值包含了去除公共形状后个体特有的厚度变异信息,将其作为特征输入支持向量机(Support Vector Machine, SVM)分类器进行训练,最终构建出一个能够区分MS与健康人的模型。研究人员相信,这种点对点的比较方式,结合高密度网格和精确的图谱配准,有望超越传统分区法,实现更精准的MS检测。
为验证这一设想,研究人员开展了一项实证研究。论文已发表在学术期刊《Sensors》上。本研究所采用的数据集包含一组健康受试者和MS患者的OCT图像,聚焦于黄斑区域的GCIPL层。研究的关键技术方法主要包括:1) 利用ETDRS分区法作为基线对照,提取9个扇区的平均厚度特征;2) 创新性地应用F-shape框架,具体包括在感兴越区(Region of Interest, ROI)构建高密度网格形成F-shape对象,以及执行基于图谱的配准算法,该算法通过最小化一个结合了几何-功能距离和配准后形状与原形状差异性的目标函数,同步求解出平均模板和所有样本的配准后F-shape;3) 从配准结果中提取残差厚度作为分类特征;4) 使用支持向量机(SVM)作为分类器,并采用准确率、灵敏度、特异性及曲线下面积(Area Under the Curve, AUC)等指标评估模型性能,并与分区法进行系统比较。
2.1. ETDRS分区法
研究首先采用了经典的ETDRS网格对黄斑区进行分区,将中央凹、内环和外环共划分为9个扇区,并计算了每个扇区内GCIPL的平均厚度。该方法为后续与F-shape方案的性能对比提供了基准。
2.2. 基于F-shape的图谱配准
这是本研究的核心技术环节。研究人员将每个受试者的GCIPL厚度图表示为F-shape对象,其中几何部分为视网膜表面的三维坐标,功能部分为各坐标点对应的厚度值。通过求解一个复杂的优化问题,算法同时估计出一个代表样本集中心趋势的“平均模板”F-shape,并将每个样本的F-shape变形配准到此模板上,得到“配准后F-shape”。配准过程旨在最小化样本与模板间的整体差异,同时保证配准后形状与原始形状不至于相差过大。
3. 实验结果
3.1. 特征提取与分类
研究分别从ETDRS分区和F-shape配准结果中提取特征。对于F-shape方法,关键特征是配准后每个样本F-shape与平均模板在对应网格点上的厚度残差。这些残差构成了高维特征向量,用于训练SVM分类器。
3.2. 性能比较
实验结果表明,本研究提出的基于F-shape的分类方案在区分MS患者与健康人方面,其性能显著优于基于ETDRS分区的方案。F-shape方案在准确率、灵敏度、特异性及AUC等各项评价指标上均取得了更优的结果。这证实了点对点厚度比较结合高密度空间信息对于检测MS相关细微厚度变化的价值。
3.3. 优势分析
文章进一步分析了F-shape方案取得成功的原因,主要归功于三点:其一,在黄斑区感兴越区构建了高密度网格,充分捕获了厚度的空间细节;其二,采用了基于图谱的配准技术,将所有受试者的F-shape置于一个共同的几何平台上进行比较,消除了个体间解剖结构的差异;其三,使用残差厚度作为分类特征,有效放大了疾病相关的变化模式。
4. 结论与讨论
本研究的核心结论是,成功开发并验证了一个基于功能形状(F-shape)框架的光学相干断层扫描(OCT)图像分析新方法,用于检测多发性硬化(MS)。该方法通过处理黄斑区神经节细胞-内丛状层(GCIPL)的厚度信息,实现了对MS患者的高精度二分类。
研究的意义重大且深远。首先,在方法论上,它将原本用于青光眼检测的F-shape框架创造性地迁移至MS的诊断中,证明了该先进影像分析技术在神经退行性疾病领域的普适性和强大潜力。其次,在临床价值上,该方案提供了一种比传统分区法更精准、更敏感的OCT影像分析工具,有望助力MS的早期诊断、病情监测和疗效评估。最后,在经济性与可及性上,OCT本身相较于MRI更具优势,而本研究进一步提升了其数据分析的效能,使得这种低成本、易获取的检查手段能够发挥更大的诊断价值,尤其适用于医疗资源有限的场景。
总之,这项研究为MS的无创精准诊断开辟了一条新的技术路径,是医学影像分析、机器学习与临床神经病学交叉融合的一次成功典范,为未来开发更智能、更自动化的疾病辅助诊断系统奠定了坚实基础。