Klasifikace subthalamického jádra z mikroelektrodových záznamů

Abstract

Hluboká mozková stimulace je neurochirurgická metoda, spočívající v trvalé elektrické stimulaci vybraných mozkových jader. V případě Parkinsonovy choroby jde nejčastěji o stimulaci subthalamického jádra za účelem zmírnění třesu i dalších příznaků. K umístění této stimulační elektrody je však nutná přesná lokalizace mozkových jader, kterou v praxi nejčastěji provádí zkušený neurolog ruční anotací z elektrofyziologických záznamů během operace. Cílem této práce je implementace a evaluace klasifikátoru pro detekci subthalamického jádra v exploračních trajektoriích hluboké mozkové stimulace u pacientů s Parkinsonovou nemocí, která by značně ulehčila lékařům manuální práci při těchto operacích. Dalším bodem práce je vyhodnocení vlivu šumu na přesnost klasifikace a porovnání přínosu jeho odstranění pomocí manuální metody a dvou automatických metod. Vybrala jsem 9 příznaků na základě předcházející rešerše existujících přístupů k detekci subthalamického jádra. Vyhodnocení příznaků jsem provedla na trénovací množině, obsahující 5834 mikroelektrodových záznamů od 20 pacientů s Parkinsonovou chorobou. Vyhodnocením příznaků na trénovací množině datasetu pomocí ROC křivek jsem zjistila, že nejlepších výsledků dosáhly příznaky energie RMS, její normalizovaná verze NRMS a délka křivky. Nežádoucí šum v mikroelektrodových signálech měl největší vliv na energii RMS, její normalizovanou verzi NRMS a na počet průchodů nulou. Naopak příznaky průměr nelineární energie a délka křivky byly vůči šumu na trénovacím datasetu robustní. Evaluací a porovnáním klasifikátorů na základě hodnot přesnosti, senzitivity a specificity na testovací množině obsahující 2488 mikroelektrodových záznamů od 8 pacientů jsem dospěla k závěru, že klasifikace podle zvoleného prahu dosahuje navzdory své jednoduchosti značně dobrých výsledů. Zpřesnění lze docílit použitím klasifikátoru Support Vector Machine s vyváženým trénovacím datasetem a selekcí příznaků. V konečném důsledku však dojde o zlepšení v rámci pouhých pár jednotek procent. Co ovšem má velký vliv na přesnost klasifikace, je odstranění artefaktů, a to především automatickou autokorelační metodou, kterou bylo docíleno nejlepších výsledků – v případě klasifikace pouhým prahováním NRMS bylo dosaženo 90,47% přesnosti a pomocí SVM klasifikátoru se selekcí příznaků 91,20% přesnosti.

Deep brain stimulation is a neurosurgical method consisting of continuous electrical stimulation of the selected brain nuclei. In the case of Parkinson's disease, stimulation is most often targeted at the subthalamic nucleus in order to alleviate tremor and other symptoms. Nevertheless, to place this stimulating electrode, precise localization of the brain nuclei is required, which is in practice most often performed by an experienced neurologist who manually annotates electrophysiological records during surgery. The aim of this thesis is to implement and evaluate a classifier for the detection of the subthalamic nucleus in the microelectrode exploration trajectories of deep brain stimulation in Parkinson's disease patients, which would greatly facilitate the doctors' manual work during these operations. The next point of the thesis is to evaluate the effect of noise on the accuracy of classification and comparison of the benefit of its removal using a manual method and two automatic methods. I selected 9 features based on a previous research of existing approaches to subthalamic nucleus detection. I evaluated the features on training set containing 5,834 microelectrode recordings from 20 Parkinson’s patients. By evaluating the features on the training subset of the dataset using ROC curves, I found that the best results were achieved by the symptoms of RMS energy, its normalized version of NRMS, and the length of the curve. The undesirable noise in microelectrode signals had the major impact on RMS energy, its normalized version of NRMS, and zero-crossing. On the contrary, other features, such as the curve length and the average of nonlinear energy were robust against the noise on the training dataset. By evaluation and comparison of classifiers based on the values of accuracy, sensitivity and specificity on a test set containing 2488 microelectrode records from 8 patients, I concluded that the classification according to the chosen threshold achieves very good results, considering its simplicity. Additional refinement can be achieved by using the Support Vector Machine classifier with a balanced training dataset and feature selection. However, it leads to an improvement within a few units of percentage only. Nevertheless, the artifact removal has a huge impact on the accuracy of classification, especially when using the automatic autocorrelation method, which reached the best results – in the case of classification by simply thresholding of NRMS, 90.47% accuracy was achieved, while using the SVM classifier with the feature selection achieved 91.20% accuracy.