本文選題：內(nèi)側(cè)顳葉癲癇　切入點：機器學習　出處：《南方醫(yī)科大學》2014年博士論文

【摘要】：第一部分應(yīng)用機器學習方法及DTI-TBSS技術(shù)對內(nèi)側(cè)顳葉癲癇患者全腦白質(zhì)的研究 目的 以往的研究表明內(nèi)側(cè)顳葉癲癇患者的腦白質(zhì)損傷不僅僅局限于顳葉白質(zhì),而是廣泛分布于全腦白質(zhì)區(qū)域,但是由于樣本量以及研究技術(shù)的不同,這些發(fā)現(xiàn)常常發(fā)生變化,有時甚至得到相反的結(jié)果；而且傳統(tǒng)的組水平的統(tǒng)計學方法無法在個體水平評估異常腦白質(zhì)區(qū)域的疾病鑒別能力。當前機器學習方法已經(jīng)廣泛的應(yīng)用于磁共振數(shù)據(jù)分析,因為它能夠從影像數(shù)據(jù)中提取出新的信息和感興趣的模式,找到基于全腦影像數(shù)據(jù)的生物學標記,并從個體水平區(qū)別病人與正常被試。本文利用機器學習方法、磁共振擴散張量成像技術(shù)(diffusion tensor imaging, DTI)以及基于纖維束的空間統(tǒng)計方法(Tract-based spatial statistics, TBSS)研究內(nèi)側(cè)顳葉癲癇患者全腦白質(zhì)微結(jié)構(gòu)改變情況,探討機器學習方法,基于全腦DTI數(shù)據(jù),能否將左側(cè)、右側(cè)內(nèi)側(cè)顳葉癲癇患者以及正常對照在個體水平區(qū)分開來,并達到較高的識別率；找到最具有疾病區(qū)分能力的白質(zhì)區(qū)域,并作為內(nèi)側(cè)顳葉癲癇的生物學標記進行討論,為內(nèi)側(cè)顳葉癲癇的臨床診斷、治療、術(shù)前及術(shù)后評估提供客觀的科學依據(jù)。 材料和方法 1.研究對象 研究被試包括66人,其中內(nèi)側(cè)顳葉癲癇組32人,均為右利手[其中左側(cè)內(nèi)側(cè)顳葉癲癇17人,男性11例,女性6例,年齡：24(18-42)歲,教育程度：12(6-16)年,病程：11(0.5-26)年,發(fā)病年齡：14(3-32)歲；右側(cè)內(nèi)側(cè)顳葉癲癇15人,男性9例,女性6例,年齡：32(19-43)歲,教育程度：12(9-12)年,病程：11(3-33)年,發(fā)病年齡：18(5-34)歲],全部來自廣東三九腦科醫(yī)院住院病人,健康對照組34人[男性20人,女性14人,年齡：25.5(18-44)歲,教育程度：12(6-16)年]。三組之間的性別、年齡及受教育程度均沒有顯著性差異。左側(cè)和右側(cè)內(nèi)側(cè)顳葉癲癇組的病程及發(fā)病年齡均沒有顯著性差異。所有內(nèi)側(cè)顳葉癲癇患者均為住院病人,均行常規(guī)MRI檢查,以及視頻腦電檢查,腦電圖包括頭皮電極或/和蝶骨電極。內(nèi)側(cè)顳葉癲癇納入標準：①癲癇發(fā)作類型與臨床癥狀符合1981年以及1989年國際抗癲癇聯(lián)盟的診斷和分類標準；②發(fā)作期或發(fā)作間期腦電圖EEG顯示異常放電起源于顳部；③MRI檢查于FLAIR序列顯示患側(cè)海馬信號增高,體積縮小。排除標準：①顱內(nèi)占位性病變(如腫瘤、血管畸形及皮層發(fā)育不良等),顱腦外傷及精神類疾病等；②EEG定位與海馬硬化的位置不符；③雙側(cè)海馬硬化。健康對照組既往無任何神經(jīng)系統(tǒng)疾病,臨床神經(jīng)系統(tǒng)檢查未見明顯陽性體征,常規(guī)MRI掃描腦內(nèi)未見明顯異常信號灶。所有檢查對象均知情同意。 2.磁共振DTI數(shù)據(jù)采集 磁共振DTI數(shù)據(jù)采集使用飛利浦1.5T磁共振掃描儀(Philips Gyroscan Intera1.5T),并采用6通道相位陳列(神經(jīng)血管線圈6,NV6)線圈接受核磁共振信號。DTI數(shù)據(jù)采集采用單次激發(fā)自旋回波平面序列,平行于大腦前后聯(lián)合得到全腦軸位彌散加權(quán)成像。b=800s/mm2共32組圖像(32個擴散梯度方向),和一組擴散敏感系數(shù)b=0的非擴散加權(quán)圖像。磁共振掃描具體參數(shù)如下：TR=11000ms:TE=72ms；翻轉(zhuǎn)角(flip angle):900；矩陣(matrix size)=144×144:視野(FOV)=230mmx230mm:激勵次數(shù)(NEX)=1；層厚=2.0mm；層間距=0；層數(shù)=67。 3.數(shù)據(jù)預(yù)處理和圖像分析 首先,將原始的DICOM格式的數(shù)據(jù)轉(zhuǎn)化為用于數(shù)據(jù)分析的NIFTI格式。然后利用McFliirt (FSL工具)將四維的擴散張量圖像配準到第一幅圖像,以便于消除頭動誤差。之后,利用FSL軟件將配準后的擴散張量圖像進行失真校正(電渦流引起)。完成這些步驟后,利用FSL腦提取工具(BET)將處理后的圖像進行腦提取,最后利用DTIFit (FMRIB Software Library's Diffusion Toolbox)在每個體素中建立擴散張量模型,并生成FA值圖像。 接下來,利用TBSS來找到左、右側(cè)患者組及健康對照組之間白質(zhì)FA值存在差異的區(qū)域。首先通過將每個被試的FA值圖像互相配準得到一幅目標圖像,以此來確定最具有代表性的被試。然后使用仿射變換將這個目標圖像標準化到MNI152標準空間中。將所有被試配準到目標圖像再使用FNIRT (FSL工具)非線性將它們配準到分辨率為1×1×1mm的MNI152空間。這個過程創(chuàng)建了一個平均FA值骨架,這個骨架表示這組被試中所有纖維束的共同中心。所有被試配準后的數(shù)據(jù)都投射到FA值骨架上,得到的結(jié)果數(shù)據(jù)用于體素級別的分類。 4.分類 首先,FA骨架圖像被連成特征向量,并形成一個大的特征矩陣。由于FA骨架僅圖像整體的一小部分,所以我們把FA骨架矩陣從整個特征矩陣中提取出來,但是這些保留下來的非零特征由于維度太高而不能直接進行分類,而且由于機器噪聲和配準誤差等原因,具有高度識別力的特征往往被大量的無用信息所遮蔽。降低特征空間維度不僅可以加快計算速度,而且可以改善分類性能。因此,在本研究中我們首先利用兩樣本t檢驗來提取出組間具有顯著性差異的特征,再使用局部線性嵌入算法(locally linear embedding, LLE)進行非線性特征提取,將特征維數(shù)降到更加可控的程度。最后采用支持向量機(support vector machine, SVM)進行分類。 由于樣本量較少,我們采用留一交叉驗證法(leave-one-out-cross-validation,LOOCV)來評估SVM分類器的識別率(generalization rate)。LOOCV的結(jié)果用靈敏度(sensitivity, SS),特異度(specificity, SC),識別率(generalization rate, GR)表示,并用來評價分類器的性能。SS表示正確分類的患者的比例,SC表示正確分類的正常被試的比例。GR表示所有研究被試得到正確分類的比例。本文采用置換檢驗(permutation test)和ROC曲線來評估分類器的可靠性。 結(jié)果 左側(cè)內(nèi)側(cè)顳葉癲癇組與對照組分類識別率為94.1%。結(jié)果發(fā)現(xiàn),和正常對照組相比,左側(cè)顳葉癲癇組具有區(qū)分能力的FA值均減低,主要位于左側(cè)扣帶(海馬部),左側(cè)丘腦(包括前丘腦放射),胼胝體膝部偏左側(cè),左側(cè)顳白質(zhì)(包括下縱束)。 右側(cè)內(nèi)側(cè)顳葉癲癇組與對照組分類識別率為91.8%。結(jié)果發(fā)現(xiàn),和正常對照組相比,右側(cè)顳葉癲癇組具有區(qū)分能力的FA值均減低,主要位于右側(cè)穹窿,右側(cè)丘腦(包括前丘腦放射),胼胝體壓部偏右側(cè),右側(cè)顳白質(zhì)(包括下額枕束和鉤束)。 左側(cè)內(nèi)側(cè)顳葉癲癇組與右側(cè)內(nèi)側(cè)顳葉癲癇組分類識別率為90.6%。結(jié)果發(fā)現(xiàn),和右側(cè)內(nèi)側(cè)顳葉癲癇組相比,左側(cè)內(nèi)側(cè)顳葉癲癇組的FA值減低區(qū)域主要位于左側(cè)顳葉白質(zhì)(包括鉤束),與此同時,右側(cè)內(nèi)側(cè)顳葉癲癇組的FA值減低區(qū)域主要位于右側(cè)額葉白質(zhì)區(qū)(包括上縱束和下額枕束)、右側(cè)顳葉白質(zhì)區(qū)(包括下縱束和鉤束)以及右側(cè)后放射冠區(qū)。 結(jié)論 本研究利用機器學習方法、磁共振擴散張量成像技術(shù)(DTI)以及基于纖維束的空間統(tǒng)計方法(TBSS)研究內(nèi)側(cè)顳葉癲癇患者腦白質(zhì)微結(jié)構(gòu)改變情況,結(jié)果發(fā)現(xiàn)左側(cè)、右側(cè)內(nèi)側(cè)顳葉癲癇組以及正常對照組三者均可以相互區(qū)分開來,并達到較高的識別率。和對照組相比,左側(cè)和右側(cè)內(nèi)側(cè)顳葉癲癇組的FA值均減低,且主要位于患側(cè)邊緣系統(tǒng),胼胝體和顳白質(zhì)。和右側(cè)內(nèi)側(cè)顳葉癲癇組相比,左側(cè)內(nèi)側(cè)顳葉癲癇組的FA值減低區(qū)域主要位于左側(cè)顳葉白質(zhì),與此同時,右側(cè)內(nèi)側(cè)顳葉癲癇組的FA值減低區(qū)域主要位于右側(cè)額葉白質(zhì)區(qū)、右側(cè)顳葉白質(zhì)區(qū)以及右側(cè)后放射冠區(qū)。本研究結(jié)果進一步證實了內(nèi)側(cè)顳葉癲癇腦白質(zhì)損傷不僅僅局限于顳葉這一觀點,其次,本研究結(jié)果不僅為致癇灶的定側(cè)提供有用的信息,而且可以作為一種潛在的生物學標記為內(nèi)側(cè)顳葉癲癇的臨床診斷和治療提供幫助。 第二部分應(yīng)用機器學習方法和DTI對內(nèi)側(cè)顳葉癲癇患者全腦白質(zhì)網(wǎng)絡(luò)的研究 目的 以往的功能磁共振(fMRI)研究提示內(nèi)側(cè)顳葉癲癇是一種功能網(wǎng)絡(luò)異常疾病。雖然腦灰質(zhì)內(nèi)的神經(jīng)元被認為是發(fā)放異常電活動、產(chǎn)生癲癇癥狀的主要原因,但是軸突是整個大腦的主要傳播路徑,因此白質(zhì)纖維也是癲癇網(wǎng)絡(luò)的組成部分。但是內(nèi)側(cè)顳葉癲癇的全腦白質(zhì)網(wǎng)絡(luò)尚不清楚。本文利用機器學習方法和磁共振擴散張量成像技術(shù)(diffusion tensor imaging,DTI)來研究內(nèi)側(cè)顳葉癲癇的全腦白質(zhì)解剖網(wǎng)絡(luò)改變情況,以期能夠加深對內(nèi)側(cè)顳葉癲癇的病理生理機制的理解,提高對內(nèi)側(cè)顳葉癲癇患者的認知功能障礙的認識。 材料和方法 1.研究對象 在第一部分研究被試的基礎(chǔ)上,我們又收集了21例顳葉癲癇患者和5例正常對照,故第二部分研究被試包括92人,其中伴有海馬硬化的內(nèi)側(cè)顳葉癲癇組43人,均為右利手[其中左側(cè)內(nèi)側(cè)顳葉癲癇22人,男性14例,女性8例,年齡：24(18-42)歲,教育程度：12(6-16)年,病程：11.5(0.5-26)年,發(fā)病年齡：12.5(3-32)歲；右側(cè)內(nèi)側(cè)顳葉癲癇21人,男性11例,女性10例,年齡：27(18-43)歲,教育程度：12(9-16)年,病程：11(3-33)年,發(fā)病年齡：15(2-34)歲],全部來自廣東三九腦科醫(yī)院住院病人。健康對照組39人[男性22人,女性17人,年齡：25(18-44)歲,教育程度：12(6-16)年]。三組之間的性別、年齡及受教育程度均沒有顯著性差異。左側(cè)和右側(cè)內(nèi)側(cè)顳葉癲癇組的病程及發(fā)病年齡均沒有顯著性差異。所有內(nèi)側(cè)顳葉癲癇患者均為住院病人,均行常規(guī)MRI檢查,以及視頻腦電檢查,腦電圖包括頭皮電極或/和蝶骨電極。內(nèi)側(cè)顳葉癲癇納入標準：①癲癇發(fā)作類型與臨床癥狀符合1981年以及1989年國際抗癲癇聯(lián)盟的診斷和分類標準；②發(fā)作期或發(fā)作間期腦電圖EEG顯示異常放電起源于顳部；③MRI檢查于FLAIR序列顯示患側(cè)海馬信號增高,體積縮小。排除標準：①顱內(nèi)占位性病變(如腫瘤、血管畸形及皮層發(fā)育不良等),顱腦外傷及精神類疾病等；②EEG定位與海馬硬化的位置不符；③雙側(cè)海馬硬化。健康對照組既往無任何神經(jīng)系統(tǒng)疾病,臨床神經(jīng)系統(tǒng)檢查未見明顯陽性體征,常規(guī)MRI掃描腦內(nèi)未見明顯異常信號灶。所有檢查對象均知情同意。此外,我們還收集了10例不伴有海馬硬化的內(nèi)側(cè)顳葉癲癇患者,均為右利手(其中左側(cè)顳葉癲癇5人,男性2例,女性3例,年齡：23.60±2.70歲,教育程度：10.4±3.78年,病程：8.60±3.91年,發(fā)病年齡：15.00±5.29歲；右側(cè)顳葉癲癇5人,男性2例,女性3例,年齡：30.4±8.11歲,教育程度：10.40±3.78年,病程：10.70±7.82年,發(fā)病年齡：19.70±3.96歲)。納入標準同前①和②,排除標準同前。 2.磁共振數(shù)據(jù)采集 磁共振DTI數(shù)據(jù)采集使用飛利浦1.5T磁共振掃描儀(Philips Gyroscan Intera1.5T),并采用6通道相位陳列(神經(jīng)血管線圈6,NV6)線圈接受核磁共振信號。DTI數(shù)據(jù)采集采用單次激發(fā)自旋回波平面序列,平行于大腦前后聯(lián)合得到全腦軸位彌散加權(quán)成像。b=800s/mm2共32組圖像(32個擴散梯度方向),和一組擴散敏感系數(shù)b=0的非擴散加權(quán)圖像。磁共振掃描具體參數(shù)如下：TR=11000ms；TE=72ms；翻轉(zhuǎn)角(flip angle)=90.；矩陣(matrix size)=144×144:視野(FOV)=230mm×230mm:激勵次數(shù)(NEX)=1；層厚=2.0mm；層間距=0；層數(shù)=67。利用T1加權(quán)MP-RAGE序列獲得3D腦解剖圖像,具體參數(shù)：TR=25ms,TE=4.6ms,FOV:240mm×240mm,矩陣=256×256,層厚=1.0mm；層間距=0；層數(shù)=140。 3.DTI數(shù)據(jù)預(yù)處理 首先,將原始的DICOM格式的數(shù)據(jù)轉(zhuǎn)化為用于數(shù)據(jù)分析的NIFTI格式。然后利用McFliirt(FSL工具)將四維的擴散張量圖像配準到第一幅圖像,以便于消除頭動誤差。之后,利用FSL軟件將配準后的擴散張量圖像進行失真校正(電渦流引起)。完成這些步驟后,利用FSL腦提取工具(BET)將處理后的圖像進行腦提取,最后利用DTIFit(FMRIB Software Library's Diffusion Toolbox)在每個體素中建立擴散張量模型,并生成FA圖。 4.網(wǎng)絡(luò)構(gòu)建a.腦區(qū)分割。腦區(qū)分割是網(wǎng)絡(luò)構(gòu)建的一個重要步驟。本研究利用自動解剖標類模板(automated anatomical labeling,AAL)將每個被試DTI腦進行覆蓋的方法對腦圖像分割。此方法將腦分成116個小的腦區(qū),其中大腦90個腦區(qū),小腦26個腦區(qū)。首先在彌散張量空間用旋轉(zhuǎn)和平移的線性配準法將T1像配準到b0像。然后將配準后的T1像配準到標準MNI空間中的T1像,再將得到的轉(zhuǎn)換矩陣求逆,之后用逆矩陣將AAL模板從MNI空間變換到彌散張量空間。這樣就獲得了每個被試的AAL模板。 b.白質(zhì)纖維束追蹤。利用TrackVis software(http://www.Trackvis.org)里的FACT算法行確定性白質(zhì)纖維束追蹤。 c網(wǎng)絡(luò)構(gòu)建。將a和b結(jié)果合并生成腦連接矩陣。每個腦區(qū)被視為一個感興趣區(qū)(regions of interest, ROI),稱為一個節(jié)點,因此節(jié)點v可以描述為ROI(v)。兩個節(jié)點ROI(v)和ROI(u)之間的連接定義為邊e=(v, u)。我們把每個邊e的權(quán)重w(e)定義為ROI(v)和ROI(u)之間的纖維數(shù)目。因此,對于每個被試來說,我們獲得了一個對稱的116×116的矩陣。去掉對角成分,我們選擇上三角成分(6670elements)作為分類特征。 5.特征提取與分類 由于機器噪聲、圖像分辨率較低,配準誤差和個體差異等原因,具有高度識別力的特征僅占整個特征矩陣的一小部分,而且往往被大量的無用信息所遮蔽。因此,我們首先采用兩樣本t檢驗來提取出組間具有顯著性差異的特征。其后再使用局部線性嵌入算法(locally linear embedding, LLE)進行非線性特征提取,將特征維數(shù)降到更加可控的程度。最后采用支持向量機(support vector machine, SVM)進行分類。 由于樣本量的局限性,我們采用留一交叉驗證法(leave-one-out-cross-validation,LOOCV)來評估SVM分類器的識別率(generalization rate)。LOOCV的結(jié)果用靈敏度(sensitivity, SS),特異度(specificity, SC),識別率(generalization rate, GR)表示,并用來評價分類器的性能。SS表示正確分類的患者的比例,SC表示正確分類的正常被試的比例。GR表示所有研究被試得到正確分類的比例。本文采用相同的策略(特征提取,SVM分類和LOOCV)來對伴有海馬硬化的左側(cè)內(nèi)側(cè)顳葉癲癇患者和對照組、伴有海馬硬化的右側(cè)內(nèi)側(cè)顳葉癲癇患者和對照組進行分類。本文采用置換檢驗(permutation test)和ROC曲線來評估分類器的可靠性。 結(jié)果 左和右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇分類結(jié)果顯示,采用136個最具有識別力的白質(zhì)連接作為特征,訓練數(shù)據(jù)的分類識別率達到100%。利用LOOCV,左側(cè)顳葉癲癇組和正常對照組：SVM分類器達到的分類識別率為91.8%(SS=81.8%,SC=97.4%；置換檢驗,p0.0001)；右側(cè)顳葉癲癇組和正常對照組：SVM分類器達到的分類識別率為91.7%(SS=81.5%,SC=97.4%;置換檢驗,p0.0001)。 由于訓練數(shù)據(jù)在每次LOOCV中都有著輕微的差異,每次LOOCV中選擇的特征組是不同的。其中有93個特征(左側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇VS對照組)和88個特征(右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇VS對照組)在每次LOOCV中都重復出現(xiàn),它們可以稱為“一致性特征”,而且是最具有區(qū)分能力的特征。和正常對照組相比,左側(cè)和右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇組的“一致性特征”(白質(zhì)連接)均減低。雖然這兩組白質(zhì)連接并不完全匹配,但是它們都主要分布于顳葉-邊緣網(wǎng)絡(luò),額葉-邊緣網(wǎng)絡(luò),頂葉以及小腦,其中一些連接呈現(xiàn)偏側(cè)性。此外,以顳葉外的白質(zhì)連接為特征進行分類,也能夠?qū)⒆?右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇與正常對照區(qū)分開來,分類識別率分別達到90.2%(置換檢驗,p0.0001)和91.7%(置換檢驗,p0.0001),而且最具有識別能力的白質(zhì)連接與以全腦白質(zhì)連接為特征進行分類所得結(jié)果大致相符。 此外,10例不伴有海馬硬化的內(nèi)側(cè)顳葉癲癇患者與39位正常對照進行分類,分類識別率達到88%。另外,我們將所有內(nèi)側(cè)癲癇患者(43個伴有海馬硬化的患者和10個不伴有海馬硬化的患者)和正常對照組進行分類,分類識別率達到87%。 結(jié)論 基于全腦白質(zhì)解剖連接,本研究利用機器學習方法能夠?qū)⒆?右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇與正常對照區(qū)分開來,分類識別率分別達到91.8%和91.7%；和正常對照組相比,左側(cè)和右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇最具有區(qū)分能力的白質(zhì)連接強度均減低,且主要位于顳葉-邊緣網(wǎng)絡(luò),額葉-邊緣網(wǎng)絡(luò),頂葉以及小腦。此外,以顳葉外的白質(zhì)連接為特征進行分類,也能夠?qū)⒆?右側(cè)伴有海馬硬化的內(nèi)側(cè)顳葉癲癇與正常對照區(qū)分開來,分類識別率分別達到90.2%和91.7%。本研究證實了內(nèi)側(cè)顳葉癲癇是一種全腦白質(zhì)網(wǎng)絡(luò)異常疾病,這可能與患者多種認知功能障礙有關(guān)；而且這種白質(zhì)連接模式可以作為一種潛在的生物學標記用于內(nèi)側(cè)顳葉癲癇,特別是不伴有海馬硬化的內(nèi)側(cè)顳葉癲癇的臨床診斷和治療。
[Abstract]:......
【學位授予單位】：南方醫(yī)科大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：R742.1;R445.2

【共引文獻】

相關(guān)期刊論文 前10條

1 羅昱;肖紹文;;難治性癲癇的外科治療及術(shù)前評估[J];國際神經(jīng)病學神經(jīng)外科學雜志;2006年03期

2 O.B.Awojoyogbe;O.M.Dada;;基于布洛克磁共振流動方程和貝塞爾函數(shù)的磁共振成像序列數(shù)學設(shè)計(英文)[J];磁共振成像;2013年05期

3 張勁松;王新;程文紅;劉漪;;焦慮障礙青少年的反應(yīng)抑制性的探討(英文)[J];教育生物學雜志;2013年02期

4 高云云;袁濤;全冠民;;高級別星形細胞瘤治療前DTI評估進展[J];國際醫(yī)學放射學雜志;2013年06期

5 陶磊;張俊祥;;多模態(tài)功能分子影像研究顳葉癲癇的現(xiàn)狀及展望[J];功能與分子醫(yī)學影像學(電子版);2013年03期

6 劉軍;朱炎;伍玉枝;蘇林雁;馬寧;賀忠;肖恩華;周順科;李凌江;;對立違抗性障礙兒童的腦功能磁共振成像特點[J];中南大學學報(醫(yī)學版);2008年07期

7 杜萬萍;劉軍;高雪屏;李凌江;李衛(wèi)暉;李欣;張燕;周順科;;網(wǎng)絡(luò)成癮大學生腦功能性磁共振成像特點[J];中南大學學報(醫(yī)學版);2011年08期

8 趙曄;陸欽池;;氫質(zhì)子磁共振波譜與顳葉癲vN[J];中國臨床神經(jīng)科學;2008年06期

9 趙丹;徐紀文;馬軍峰;張麗;王桂松;周洪語;田鑫;徐虎;;磁共振波譜分析在難治性顳葉癲癇術(shù)前病灶綜合定位中的應(yīng)用研究[J];立體定向和功能性神經(jīng)外科雜志;2009年03期

10 王樂;趙世剛;馬文娟;;功能磁共振成像在癲癇研究中的應(yīng)用[J];內(nèi)蒙古醫(yī)學雜志;2011年S7期

相關(guān)會議論文 前1條

1 楊光;楊麗;陳海波;;輕度認知功能障礙人群聽覺語言工作記憶和執(zhí)行功能特點[A];第二十五屆航天醫(yī)學年會暨第八屆航天護理年會論文匯編[C];2009年

相關(guān)博士學位論文 前10條

1 劉曉艷;難治性顳葉癲癇手術(shù)預(yù)后及相關(guān)因素分析[D];華中科技大學;2011年

2 于松梅;兒童自我延遲滿足能力的認知特征研究[D];遼寧師范大學;2005年

3 于同剛;MRSI在腦星形細胞腫瘤及其放療中的應(yīng)用動物實驗與臨床研究[D];復旦大學;2006年

4 楊子昂;穩(wěn)定核素示蹤法應(yīng)用于內(nèi)毒素誘導兔高代謝膿毒癥的代謝研究[D];復旦大學;2006年

5 曹楓林;青少年網(wǎng)絡(luò)成癮的心理機制、腦功能影像學及團體心理干預(yù)研究[D];中南大學;2007年

6 劉軍;網(wǎng)絡(luò)成癮發(fā)生機制的神經(jīng)影像學研究[D];中南大學;2009年

7 胡崇宇;部分性發(fā)作癲癇患者的腦功能和腦結(jié)構(gòu)的多模態(tài)磁共振研究[D];中南大學;2010年

8 崔茜;欺騙的神經(jīng)機制和測謊新指標初探[D];西南大學;2013年

9 薛婷;基于磁共振成像的無先兆偏頭痛患者大腦靜息狀態(tài)異常模式研究[D];西安電子科技大學;2013年

10 喻大華;無先兆偏頭痛患者大腦結(jié)構(gòu)與功能異常的磁共振影像學研究[D];西安電子科技大學;2013年

相關(guān)碩士學位論文 前10條

1 韓海偉;慢性癲癇病人癇性發(fā)作與海馬代謝物異常相關(guān)性磁共振波譜探討[D];華中科技大學;2010年

2 張靜濤;兒童與青少年癲癇癇性發(fā)作與海馬代謝物異常相關(guān)性磁共振波譜探討[D];華中科技大學;2011年

3 慈蕾;眶額葉區(qū)多巴胺對胃運動的影響及其機制研究[D];陜西師范大學;2007年

4 邵曉麗;氫質(zhì)子磁共振波譜在小兒熱性驚厥及癲癇中的臨床應(yīng)用研究[D];中國協(xié)和醫(yī)科大學;2006年

5 劉玲花;大學生學業(yè)延遲滿足、學業(yè)自我效能感和父母教養(yǎng)方式的關(guān)系研究[D];河南大學;2010年

6 王軍凱;網(wǎng)絡(luò)成癮青少年腦部FDG PET圖像的研究[D];山西醫(yī)科大學;2010年

7 何明穎;無影像學改變的癲癇腦部結(jié)構(gòu)變化的磁共振研究[D];第四軍醫(yī)大學;2010年

8 王志敏;MR與PET-CT多模態(tài)功能成像對顳葉癲癇致癇灶定側(cè)定位的對比研究[D];福建醫(yī)科大學;2012年

9 任熙;健康受試者與腎虛型抑郁癥患者識別面部表情的功能影像學研究[D];北京中醫(yī)藥大學;2013年

10 賴昀;基于彌散張量成像的腦白質(zhì)纖維追蹤算法研究[D];蘇州大學;2013年

，

本文編號：1664061