基于MR图像的轻度认知功能障碍患者胼胝体三维纹理分析研究

翃

首都医科大学 生物医学工程学院，北京 100069

基于MR图像的轻度认知功能障碍患者胼胝体三维纹理分析研究

刘卫芳，王旭，夏翃，周震，童隆正

首都医科大学 生物医学工程学院，北京 100069

目的研究轻度认知功能障碍（Mild Cognitive Impairment，MCI ）患者胼胝体MR图像的三维纹理特征，以期尽早发现和筛选出阿尔茨海默病（Alzheimer’s Disease，AD）的高危人群，为AD的治疗提供最佳的时间。方法选取18例MCI患者（MCI 组）及18 例健康对照组（NC 组）的MR图像进行三维纹理分析，采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体的10个三维纹理特征，比较两组样本的各纹理特征间是否存在显著性差异。结果提取的10个纹理参数中除灰度不均匀度因子，两组间没有显著性差异（P＞0.05），其余9个参数两组间均存在显著性差异（P＜0.05）。结论三维纹理特征能反映出MCI患者胼胝体部位的病理病变，有助于AD的早期诊断和治疗。

轻度认知功能障碍；MRI；三维纹理分析；胼胝体

阿尔茨海默病（Alzheimer’s Disease，AD）起病隐匿，病程缓慢，是不可逆的神经退行性疾病[1]，为老年痴呆症中最常见的类型，约占全部痴呆类型的60%～80%。Brookmeyer等人的研究表明[2]，如果能早期诊治AD，平均发病时间可推迟6年，患者数量可减少50%，这将大大减轻沉重的社会负担。但AD早期诊断非常困难[3]，随着时间的推移，AD的检出率提高，然而治疗效果显著下降。

轻度认知障碍（Mild Cognitive Impairment，MCI）被认为是正常老化与AD之间的一种中间过渡状态，特指有轻度记忆和认知损害，但尚未达到痴呆标准者。研究发现MCI患者每年大约有10%～15%转化为AD，在第6年时大约有80%的MCI转化为AD，而正常老年人年转化率仅为1%～2%。MCI被认为可能是AD发病的早期信号，代表了痴呆的前驱阶段[4]。因此，对MCI进行深入研究，有希望发现和筛选出AD的高危人群，为AD的治疗提供最佳的时间，预防或推迟AD的发生。

以往对AD患者磁共振图像的研究大多集中在大脑灰质的改变。随着成像技术的发展和研究的深入，近年来对白质受损的研究越来越多[5]。胼胝体是脑内最大的联合纤维，起着传递双侧大脑半球信息的重要作用[6]。Margherita等人[7]通过对MCI和AD患者的形态学研究显示，与正常人相比胼胝体在MCI阶段就已发生萎缩。

纹理分析是医学图像后处理的重要手段，能定量地显示图像像素值及其排列方式的细微变化[8]。像素称为图像的放大镜和显微镜，目前常用来提取图像中组织细微病变的特征[9]。而三维图像可提供更全面的信息，三维纹理分析也已应于多种脑疾病的研究[10-12]。本研究探讨 MCI 组和健康对照组（NC） 组胼胝体的三维纹理特征，研究两组间的纹理参数是否具有显著性差异，以期尽早发现和筛选出AD的高危人群，为AD的治疗提供最佳的时间。

1 研究对象与方法

1.1 研究对象

本研究数据来自于首都医科大学宣武医院放射影像科，选取经临床确诊为MCI患者和健康对照者的MR图像各18例。采用德国西门子公司3T扫描仪对所有受试者进行头颅矢状位3D磁化准备快速梯度回波（MP—RAGE）TIWI扫描。TR/TE=2000/2 ms，反转时间Tl=900 ms，反转角9°，成像视野240 mm × 220 mm、矩阵256×224、层厚l mm，无层间距，共176层。研究对象基本信息，见表1。

表1 研究对象基本信息

1.2 感兴趣区提取

胼胝体为脑内最大的白质束，位于大脑纵裂底，在正中矢状面上呈弓形。本研究选择胼胝体作为感兴趣区（Regions of Interest，ROI），所有ROI均是在临床影像学专家的指导下，利用Mazda软件手动分割完成的。

选取的每个胼胝体三维感兴趣区包含9层，分别为正中矢状面，及其左侧右侧各4层。正中矢状面的确定方法为，通过中脑导水管全长和第四脑室入小脑延髓池全长的平面，胼胝体的ROI选取示意图，见图1。

图1 胼胝体ROI选取示意图

1.3 三维纹理分析

采用灰度共生矩阵和游程长矩阵方法对每一位受试者胼胝体ROI分别提取0°、45°、90°、135°和Z方向（垂直于每层ROI方向）的三维纹理参数。灰度共生矩阵提取的纹理参数有：能量、对比度、相关、熵和逆差距；游程长矩阵提取的纹理参数有：短游程因子、长游程因子、灰度不均匀度因子、游程长不均匀度因子和行程比，各参数定义，见表2。

表2 纹理参数定义

1.4 统计学分析

利用SPSS统计分析软件，对所提取的MCI和NC组样本的三维纹理参数进行统计学配对t检验，分析纹理特征在两组间是否存在显著性差异。

2 结果

经统计学分析，两组样本各三维纹理特征的平均值、方差及t检验结果，见表3。

表3 胼胝体三维纹理参数（⋆为有统计学意义）

从表3可以看出，除灰度不均匀度因子两组间无显著性差异（P＞0.05），其余9个纹理参数两组间均存在显著性差异（P＜0.05）；MCI组的能量、相关、逆差距和长游程因子＞NC组，对比度、熵、短游程因子、游程长不均匀度因子和行程比＜NC组。

3 讨论

本文中MR 图像由宣武医院3T 磁共振扫描仪采集，脑组织分辨率较高，图像质量较好，为纹理分析提供了可靠保障。

病理及神经影像学研究表明AD和MCI的胼胝体等白质在疾病早期存在病理改变[13]。胼胝体是脑内最大的联合纤维，在正中矢状位边界清晰，纹理特征集中，其结构具有解剖异质性而被认为具有非常适合纹理分析的特点[14]。故本研究选择胼胝体作为ROI，利用灰度共生矩阵和游程长矩阵提取纹理特征参数，经统计学分析研究两组间纹理参数是否具有显著性差异。

研究发现MCI患者和AD患者中胼胝体体积发生萎缩并且压部的FA值显著降低[15]，利用全脑分析方法发现MCI患者及轻度AD患者胼胝体白质密度低于健康对照组[16]。此外一系列利用DTI技术的研究报道，早期AD患者胼胝体的平均扩散率显著增加，并指出这一现象可能反映髓鞘的瓦解和神经轴突的损伤，揭示轴突完整性的退化和皮层连接的丧失。这些变化会引起MR 图像像素灰度的改变，从而纹理特征发生相应的变化。

MR图像三维纹理特征逐渐成为近年来的研究热点，研究者普遍认为三维纹理特征能提供更丰富的信息。Georgiadis等[10]对恶性淋巴瘤、神经胶质瘤和脑膜瘤MR图像利用纹理特征进行模式识别的研究、El-Baz等[11]对孤独症患者的MR图像纹理的研究及Mahmoud -Ghoneima等[12]对神经胶质瘤纹理的研究均证实，三维纹理提供了更全面的信息，可能更有助于临床辅助诊断。本研究利用Mazda通用纹理分析软件[17]提取了MCI患者和正常对照者胼胝体的三维纹理特征，结果显示提取的10个纹理参数中9个都存在显著性差异。

能量描述的是图像灰度均匀分布的特性。对于粗纹理，能量值较大，细纹理的值较小。对比度描述图像的清晰度，是对局部灰度变化的度量，反映邻近像素的反差。粗纹理对比度值较小，细纹理值较大。熵表示了图像中纹理的非均匀程度或复杂程度，粗纹理熵值较小，细纹理熵值较大。本研究中，MCI患者的能量大于NC组，对比度和熵小于NC组，说明MCI患者MR图像纹理较粗，复杂程度增大。

游程长矩阵的基本思想是在某个方向上、相邻的具有相同灰度或某个灰度范围的像素个数，是对灰度关系的高阶统计，是分析纹理特性的有效方法。在粗纹理区域的灰度游程长度较长，长游程数目较多，长游程因子值较大；而在细纹理区域，短游程长度的情况比较多，则短游程因子值较大。行程比是直接反映线性结构纹理的一个度量，如果具有长线性结构纹理，则具有长游程的灰度会增加，短游程长度也相对减少，对应行程比的值也较小[18]。从表3可以看出，MCI患者的长游程因子大于NC组，短游程因子小于NC组，两者变化趋势正好相反，短游程因子递减，长游程因子递增，完全与此描述一致；同时MCI患者的行程比小于NC组，说明MCI患者与正常对照者胼胝体的纹理存在差异，MCI患者可能更多的是具有长线性结构的纹理。如果图像中各灰度的游程长度接近均匀分布，则灰度不均匀度因子取最小值，说明整个图像的灰度分布并不均匀。如果图像中某种灰度出现较多，即灰度都比较均匀，则该值越大。游程长不均匀度描述图像中游程长度的相似性，如果整幅图像的游程长度较相似则游程长不均匀度值较小[18-19]。MCI患者脑组织受损，MR图像的游程分布及游程长度也会相应地发生变化。表3的结果也说明了这一点。

4 结论

本研究利用灰度共生矩阵和游程长矩阵对MCI患者及正常对照者的脑部MR图像进行了三维纹理分析研究，结果显示，MCI组和正常对照组胼胝体部位的纹理特征存在显著性差异，可能有助于发现和筛选出AD的高危人群，为AD的治疗提供最佳的时间。由于研究样本有限，影响疾病的因素多种多样，仍需要进一步扩充和完善样本集，进行深入研究。

[1] van der Filer WM,Schetens P．Epidemiology and risk factors of dementia[J]．Jounal of Neurology Neurosurgery&Psychiatry, 2005,76(5):2-7．

[2] Brookmeyer R,Gray S,Kawas C,et al．Projection of Alzheimer's disease in the United States and the public health impact of delaying disease onset[J]．American Journal of Public Health,1998,88(9):1337-1342．

[3] Carrillo MC,Blackwell A,Hampel H,et al．Early risk assessment for Alzheimer's disease[J]．Alzheimer's & Dementia,2009,5(2):182-196．

[4] Petersen RC．Mild cognit ive impairment as a diagnostic entity[J]．J Intern Med,2004,256(3):183—194．

[5] DH Salat,DN Greved,JL Pacheco,et a1．Regional white matter volume differences in nondemented aging and Alzheimer's disease[J]．Neurolmage,2009,44(5):1247-1258．

[6]谢晟,武鸿坤,肖江喜,等．胼胝体压部FA值在轻度Alzheimer病中的诊断价值[J]．实用放射学杂志,2006,22(9):1025-1027．

[7] Margherita Di Paola,Eileen Luders,Fulvia Di Iulio,et al．Callosal atrophy in mild cognitive impairment and Alzheimer's disease:different effects in different stages[J]．Neuro Image,2010,49(1):141-149．

[8] Castellano G,Bonilha L,Li LM,et al．Texture analysis of medical images[J]．Clinical Radiology,2004,59(12):1061-1069．

[9] Zhang Y,Zhu H,Ferrari R,et al．Texture analysis of MR images of minocycline treated MS patients[A]．Medical Image Computing and Computer-Assisted Intervention[C]．2003:786-793．

[10] J P Georgiadis,D Cavouras,I Kalatzis,et a1．Enhancing the discrimination accuracy between metastases,gliomas and meningiomas on brain MRI by volumetric textural feamres and ensemble pattem recognition methods[J]．Magnetic Resonance Imaging,2009,27(1):120—130．

[11] A El—Baz,MF Casanova,G Gimel'farb,et a1．Autism diagnostics by 3D texture analysis of cerebral white matter gyrificatiom[A]．International Conference on Medical Image Computing and Computer—Assisted Intervention[C]．2007:882—890．

[12] Mahmoud-Ghoneima D,Toussaintb G,Constans JM,et al．Three dimensional texture analysis in MRI: a preliminary evaluation in gliomas[J]．Magnetic Resonance Imaging,2003,21(9):983-987．

[13] Ying Han,Jinhui Wang,Zhilian Zhao,et al．Frequency-dependent changes in the amplitude of low-frequency fluctuations in amnestic mild cognitive impairment:a resting-state fMRI study[J]．NeuroImage,2011,55(1):287-295．

[14] MS de Oliveira,MLF Balthazar,AD Abreu,et al．MR imaging texture analysis of the corpus callosum and thalamus in amnestic mild cognitive impairment and mild Alzheimer Disease[J]．AJNR,2011,32(1):60-66．

[15] Wang PJ,Saykin AJ,Flashman LA．Regionally specific atrophy of the corpus callosum in AD,MCI and cognitive complaints[J]．Neurobiology of Aging,2006,27(11):1613-1617．

[16] Margherita Di Paola,Eileen Luders,Fulvia Di Iulio,et al．Callosal atrophy in mild cognitive impairment and Alzheimer's disease: different effects in different stages[J]．NeuroImage,2010,4(1): 141-149．

[17] Materka A．Mazda user's manual[EB/OL]．[2002-10-21]．http:// www．eletel．p．lodz．pl/programy/mazda/download/mazda_ manual．pdf．

[18] 许录平．数字图像处理[M]．1版．北京:科学出版社,2007．

[19] Dong-Hui Xu,Arati S．Kurani,et al．Run-length encoding for volumetric texture[A]．Proceedings of the 4th IASTED International Conference on Visualization,Imaging,and Image Processing[C]．Marbella．2004:6-8．

Study on 3D Texture Features of Corpus Callosum in Patients with Mild Cognitive Impairment Based on MR Images

LIU Wei-fang, WANG Xu, XIA Hong, ZHOU Zhen, TONG Long-zheng
College of Biomedical Engineering, Capital Medical University, Beijing 100069, China

Objective3D texture features of corpus callosum in patients with mild cognitive impairment (MCI) based on MR images were researched to early detect and screen patients with Alzheimer’s Disease (AD), and offer the optimal treatment time.Methods3D texture analysis was performed on 18 MCI patients and 18 normal controls (NC). The 3D texture features extracted from gray level cooccurrence matrix and run length matrix were analyzed. The significant differences between the two groups were tested.ResultsThe results showed that the texture features had significant differences (P＜0.05) between MCI and NC except grey level nonuniformity that the difference was not significant (P＞0.05) .ConclusionThe microcosmic pathological changes in corpus callosum in MCI patients could be reflected by 3D texture features and may be helpful to AD early diagnosis and treatment.

mild cognitive impairment; magnetic resonance imaging; 3D texture analysis; corpus callosum

R445.2；R318.04

A

10.3969/j.issn.1674-1633.2013.09.005

1674-1633(2013)09-0016-04

2013-04-07

国家自然科学基金资助项目（81071128）；北京市教育委员会科技发展计划项目（SQKM201210025009）。

本文作者：刘卫芳，硕士，副教授。

童隆正，教授，博士生导师。

作者邮箱：liu3240@163．com