动物标准脑白质地图集建立的研究进展

吴 尚李玉晓聂彬彬（综述） 单保慈（审校）

动物标准脑白质地图集建立的研究进展

吴 尚1,2,3李玉晓1聂彬彬2,3（综述） 单保慈2,3（审校）

脑；磁共振成像；扩散张量成像；模型，动物；啮齿目；综述

人脑作为自然界最为复杂的事物之一，主要由灰质、白质、脑脊液组成，其中灰质主要负责信息的加工和储存，白质主要负责信息的传输，两者协同工作组成脑功能网络以完成脑功能活动。随着分子影像技术的快速发展，尤其是近几年迅速发展的基于人体内水分子扩散运动的扩散张量成像（DTI）、扩散峰度成像（diffusion kurtosis imaging，DKI）[1]、扩散光谱成像（diffusion spectrum imaging，DSI）[2]等能够在活体状态下无创地显示脑白质纤维束的形态结构及走行方向。DTI可以定量测定表观扩散系数（ADC）值和各向异性分数（FA）值，清晰地反映脑白质纤维的完整性，极大地促进了对脑白质网络结构及功能的研究[3]。脑白质地图集包含了详细的亚组织结构信息，如某根纤维束的位置、形态结构、走行方向、所连接的灰质亚结构等，能够对逐像素的统计分析结果进行精确定位，为研究人员提供具有生理意义的三维参考坐标系；能够自动且精确地提取出某根/几根纤维束进行定量分析；能够为脑功能网络的研究及数据分析提供可靠的先验知识等。因此，脑白质地图集在脑白质网络的研究中具有举足轻重的作用，是连接神经生物学与医学影像学的桥梁。

动物脑成像实验在神经生物学研究中具有不可替代的作用，如新药物的研发、发病机制的研究等都需要首先利用动物模型进行实验。近年来，随着高场强的小动物MRI成像设备的快速发展和普及，动物标准脑白质地图集的建立成为国内外越来越关注的问题。啮齿类动物由于其生长周期短、实验成本低，且具有大量成熟的疾病模型建立方法，故大鼠/小鼠是目前使用最为广泛的实验动物。综上所述，本文以啮齿类动物为例，对于动物标准脑白质地图集的建立方法、标准脑图谱空间的建立方法以及动物脑白质地图集的可用性评估方法进行综述。

1 基于组织染色的动物标准脑白质地图集建立方法

建立动物标准脑白质地图集最直观的方法是依据细胞形态及构架形式对亚组织结构进行分类，主要利用组织切片染色。通常对一只冰冻健康动物的脑部进行切片。首先需要对实验动物进行麻醉；经取脑脱水后进行层间距在微米量级的冷冻切片；再将切片浸入染色剂中进行组织染色，并根据光学显微镜所获取的图像手动绘制各层切片的外部轮廓及内部结构；最后根据囟门等习惯标志位建立脑地图集的立体定位坐标系。与灰质脑组织结构不同，脑白质纤维束错综复杂，故仅使用某一个方向的切片难以精细刻画脑白质纤维束的形态结构及走行方向。因此，Paxinos等[4-5]所绘制的图谱中不仅对大鼠进行了轴向切片，同时还进行了矢状面和横断面的切片。

使用冷冻切片法建立的动物标准脑白质地图集的分辨率高，能够对纤维束进行精细刻画。近年来有研究在已有的二维切片图谱的基础上建立了数字化的三维脑地图集[6-8]。但在样本的固定、切片及着色过程中极易产生脑组织的形变，如折叠、拉伸、卷曲以及灰尘、气泡等，从而造成脑区定位的误差[8-9]。因此须使用滤波平滑及图像形态学等处理方法消除各层脑图像间的差异；再使用图形几何学和拓扑学等方法进行图像重构；最后将重构的各个亚组织结构填充索引值，并建立脑组织结构的索引数据库。

虽然使用该方法建立的脑白质地图集具有较高的分辨率和静息的亚组织结构定义，但由于脑组织结构的复杂性，尤其脑白质纤维束的修剪受幼年时期的生活环境、学习训练等影响较大，故利用单只健康动物建立的脑白质地图集难以具有很好的群体代表性[10]。

2 基于DTI脑成像的动物标准脑白质地图集的建立方法

为提高动物标准脑白质地图集的群体代表性，近年来有研究基于高分辨率的DTI和MRI建立了平均动物脑白质地图集[11-14]。首先对一组健康动物进行高分辨率的脑成像，图像的空间分辨率通常在微米量级。由于在高场强下，层间距越薄，层与层之间的影响越大，故通常采用隔层扫描和多次采集求平均值的方式来提高图像的信噪比[15]。然后使用DTI数据分析软件，如FSL（http://fmrib.ox.ac.uk/fsl）、Diffusion Toolkit（http://trackvis.org）、ExploreDTI（http://exploredti.com/）、DTI-TK（http://www.nitrc.org/projects/dtitk）等，计算能够用于描述脑白质纤维束形态结构的定量参数，如FA、ADC等，并进行全脑纤维追踪。再选取其中一个被试作为参考标准，将所有健康被试的定量图像、纤维追踪以及脑结构图像进行空间变换，使得所有被试的脑成像达到逐像素对齐，并计算得到平均图像。通常为提高平均图像的精度，目前多采用迭代的方法，以图像强度残差或互信息为测度信息，最终确定具有群体代表性的平均图像。最后，综合多种成像模态的平均图像，并参考切片脑图谱，由动物神经解剖学专家勾画出可以分辨的白质纤维束信息，以建立动物标准脑白质地图集。为尽可能消除由人为主观因素对脑白质地图集精度的影响，van Baarsen等[16]于2016年改进了迭代算法，建立了小脑白质的概率图谱。

由于动物难以很好地配合实验，尤其是高分辨率的成像耗时较长，故目前多使用离体的成像方式，即在成像前首先将实验动物脑剥离固定[8,10-11,14,17]。虽然离体的方式能够最大化地消除运动伪影，提高成像的空间分辨率以及对比度，但离体的动物脑存在脱水的问题，故Figini等[18]利用在体成像的方式建立了大鼠脑白质地图集，能够区分出6根主要的纤维束。

基于脑成像的方式建立的动物脑白质地图集具有良好的群体代表性，然而受限于成像的分辨率和对比度，使用该方法建立的地图集在亚结构划分的精细程度上稍逊于脑切片的方式。

3 标准脑图谱空间的建立方法

为使各个课题组的数据分析结果具有可比性，需要所建立的动物脑白质地图集具有普遍的通用性。因此，需要将使用不同方法建立的标准动物脑白质地图集进行空间统一。目前多以切片图谱所定义的立体定位空间为参考标准，如大鼠的Paxinos空间[4-5]、小鼠的Waxholm空间[19]、猕猴的Saleem空间[20]等。使用图像配准算法将基于脑成像建立的图谱进行空间变换以完成图谱空间的统一。

由于切片图谱仅包含轮廓线和坐标信息，并没有图像强度信息，故目前多采用基于配准点的方法完成不同模态的脑图谱的空间配准。为保证图像配准的精度，需要同时在切片图谱和成像图谱上人为标记不共面、不共线的配准点对，且配准点的数量越多，表示全脑坐标信息越全面，配准精度也越高。然后使用非刚体形变，如12参数仿射变换、非线性形变等将成像图谱进行空间变换，以完成图谱空间的统一。由于基于人为手工标记配准点的方法工作量较大，且受主观因素的影响较严重，近年来有研究将配准点扩大为配准体以提高图像配准精度[21]。

4 动物标准脑白质地图集的可用性评估

对于动物标准脑白质地图集的可用性评估主要是对感兴趣区提取精度以及数据分析结果定位的准确性评估。使用图像融合的方法定性评估脑白质地图集的可用性。将基于脑白质地图集所提取出的纤维束与FA图像进行图像融合，由动物神经解剖学专家判断所提取出纤维束的准确性。使用Jaccard相似性（Jaccard similarity）定量评估脑白质地图集的可用性[7,22]。通常以动物神经解剖学专家手工勾画的纤维束为“金标准”，计算基于脑白质地图集提取出的纤维束与“金标准”的相似性。对2幅图像分别取掩膜图像（脑白质图像部分强度为1、非白质部分强度为0的二值图像）。将得到的2幅掩膜图像相加，则Jaccard相似性定义见公式（1）。

J=加和mask图像中强度值大于2的像素和/加和mask图像中强度值大于0的像素和 （1）

其中，J的大小表示2幅mask图像的交叉率，J越大，表明图像间的差异越小。

5 展望

动物标准脑白质地图集在动物脑成像数据分析方面发挥了极为重要的作用，为研究脑白质纤维束的形态结构及走行方向提供重要参考。近年来，白质地图集已经由独立个体的组织染色，逐渐转向综合高分辨的MRI、DTI以及组织染色切片数据的数字图谱制作方法。目前的研究主要集中在大鼠和小鼠的标准脑地图集，而更接近人类的灵长类动物，如猕猴、绒猴、树鼩等脑白质地图集的制作也成为脑科学的研究热点。

DTI还可用于研究大脑的发育进程及大脑功能。脑的不同部分以不同的速度成熟，而白质的成熟从个体出生一直持续到成年期，是整个大脑发育过程的重要组成部分。由于处于发育阶段的幼年动物的脑尺寸、脑白质的组织结构及成像参数等均与成年后存在较大的差异，故建立各发育阶段的动物标准脑白质地图集并依此研究动物脑白质网络的发育规律也极为迫切。另外，结构和功能数据之间存在一定的关联。未来的动物脑白质地图集可以从目前的结构型地图集转变为综合结构与功能信息的脑地图集，构建以白质纤维束为连接通路的大脑解剖网络。

[1] 曾丁巳, 肖新兰. 扩散峰度成像(DKI)在中枢神经系统的应用.临床放射学杂志, 2011, 30(9): 1400-1402.

[2] 吴占雄, 李珣, 何志伟. 基于扩散光谱成像的脑白质纤维束走向跟踪. 杭州电子科技大学学报, 2014, 34(6): 43-46.

[3] 雷立存, 杜亚强, 何丽, 等. 深部脑白质缺血与轻度认知功能障碍MR扩散张量成像的相关性. 中国医学影像学杂志, 2013, 21(10): 737-740.

[4] Paxinos G, Watson C. The Rat Brain in Stereotaxic Coordinates, 6th ed. San Diego: Academic Press, 2007.

[5] Paxinos G, Watson C. The Rat Brain in Stereotaxic Coordinates, 7th ed. San Diego: Academic Press, 2014.

[6] Hjornevik T, Leergaard TB, Darine D, et al. Three-dimensional Atlas system for mouse and rat brain imaging data. Front Neuroinform, 2007, 1: 4.

[7] Nie B, Chen K, Zhao S, et al. A rat brain MRI template with digital stereotaxic Atlas of fine anatomical delineations in paxinos space and its automated application in voxel-wise analysis. Hum Brain Mapp, 2013, 34(6): 1306-1318.

[8] Yang Z, Richards K, Kurniawan ND, et al. MRI-guided volume reconstruction of mouse brain from histological sections. J Neurosci Methods, 2012, 211(2): 210-217.

[9] Ullmann JF, Janke AL, Reutens D, et al. Development of MRI-based atlases of non-human brains. J Comp Neurol, 2015, 523(3): 391-405.

[10] Veraart J, Leergaard TB, Antonsen BT, et al. Population-averaged diffusion tensor imaging Atlas of the Sprague Dawley rat brain. Neuroimage, 2011, 58(4): 975-983.

[11] Kjonigsen LJ, Lillehaug S, Bjaalie JG, et al. Waxholm space Atlas of the rat brain hippocampal region: three-dimensional delineations based on magnetic resonance and diffusion tensor imaging. Neuroimage, 2015, 108: 441-449.

[12] Johnson GA, Calabrese E, Badea A, et al. A multidimensional magnetic resonance histology Atlas of the Wistar rat brain. Neuroimage, 2012, 62(3): 1848-1856.

[13] Adluru N, Zhang H, Fox AS, et al. A diffusion tensor brain template for rhesus macaques. Neuroimage, 2012, 59(1): 306-318.

[14] Calabrese E, Badea A, Coe CL, et al. A diffusion tensor MRI Atlas of the postmortem rhesus macaque brain. Neuroimage, 2015, 117: 408-416.

[15] 李永欣, 刘哲星, 黄文华. 扩散张量成像数据分析方法概述. 中国医学影像技术, 2015, 31(6): 953-956.

[16] van Baarsen KM, Kleinnijenhuis M, Jbabdi S, et al. A probabilistic Atlas of the cerebellar white matter. Neuroimage, 2016, 124(Pt A): 724-732.

[17] Rumple A, Mcmurray M, Johns J, et al. 3-dimensional diffusion tensor imaging (DTI) Atlas of the rat brain. PLoS One, 2013, 8(7): e67334.

[18] Figini M, Zucca I, Aquino D, et al. In vivo DTI tractography of the rat brain: an Atlas of the main tracts in Paxinos space with histological comparison. Magn Reson Imaging, 2015, 33(3): 296-303.

[19] Johnson GA, Badea A, Brandenburg J, et al. Waxholm space: an image-based reference for coordinating mouse brain research. Neuroimage, 2010, 53(2): 365-372.

[20] Saleem KS, Logothetis NK. A Combined MRI and Histology Atlas of the Rhesus Monkey Brain in Stereotaxic Coordinates// 2nd edition with Horizontal, Coronal, and Sagittal Series. Elsevier/ Academic Press, 2012.

[21] Papp EA, Leergaard TB, Calabrese E, et al. Addendum to "Waxholm space Atlas of the sprague dawley rat brain" [Neurolmage 97 (2014) 374-386]. Neuroimage, 2015, 105: 561-562.

[22] Murugavel M, Sullivan JM Jr. Automatic cropping of MRI rat brain volumes using pulse coupled neural networks. Neuroimage, 2009, 45(3): 845-854.

R816.1；R814.42

2016-10-30

2016-12-07

（本文编辑 闻 浩）

国家自然科学基金（81471741，81671770）。

1.郑州大学物理工程学院 河南郑州 450052；2.中国科学院高能物理研究所核辐射与核能技术重点实验室北京 100049；3.北京市射线成像技术与装备工程技术研究中心 北京 100049

单保慈 E-mail: shanbc@ihep.ac.cn

10.3969/j.issn.1005-5185.2017.03.019