基于图谱的纤维束分析方法观察皮质脊髓束扩散特征对称性

张 苗，段绍峰，卢 洁*，李坤成，单保慈

(1.首都医科大学宣武医院放射科，北京 100053；2.磁共振成像脑信息学北京市重点实验室，北京 100053；3.中国科学院高能物理研究所，北京 100049)

DTI利用脑组织内水分子自由热运动的各向异性原理，能应用特殊软件处理图像实现3D显示脑白质纤维束，是目前唯一可活体显示脑白质纤维束的无创成像技术[1]。DTI反映人体组织的几何结构，通过计算扩散张量，可定量分析水分子扩散的自由程度、各向异性大小以及扩散方向，已广泛应用于脑白质病、脑血管病及脑肿瘤等疾病的研究，成为临床有效评价脑白质结构完整性及连接性的重要手段[2]。研究[3-4]发现大脑半球的细微结构和功能具有不对称性。本研究构建正常成人原始扩散权重数据张量图谱，提取双侧皮质脊髓束(corticospinal tract, CST)以实现纤维束参数化，定量评估其扩散特征的对称性。

1 资料与方法

1.1 一般资料 选取2012年5月—6月15名无中枢神经系统疾病病史及临床表现的健康成年志愿者，男10名，女5名，年龄33～62岁，平均(52.4±6.4)岁；均为右利手，教育程度为高中毕业或大学本科。本研究经我院医学伦理委员会批准，受试者均签署知情同意书。

1.2 仪器与方法 采用Siemens Magnetom Trio Tim 3.0T超导型MR扫描仪，12通道相控阵头线圈，梯度场强度为23 mT/m。扫描范围从颅底至颅顶。扫描序列及参数：T1W，TR 155 ms，TE 2.81 ms；T2W，TR 3 830 ms，TE 98 ms；液体衰减反转恢复序列，TR 8 500 ms，TE 87 ms；DWI，TR 3 000 ms，TE 91 ms，b值取0、500、1 000 s/mm2；层厚5.0 mm，层间距1.5 mm。完成常规扫描后行DTI数据采集，采用EPI脉冲序列，TR 8 000 ms，TE 83 ms，矩阵128×128，层厚2.0 mm，无间隔，体素2.0 mm×2.0 mm×2.0 mm，b值取0、700 s/mm2，梯度方向64，采集时间9 min 6 s。

1.3 扩散张量数据后处理

1.3.1 图像预处理 采用FSL软件(http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)对DTI数据进行预处理。首先对图像进行涡流校正和头动校正，利用脑提取工具(brain extraction tool, BET)对DTI中b=0的图像进行去颅骨及头皮处理，获得脑内组织的掩模。之后将校正后的DTI数据和脑内组织掩模导入explore DTI软件进行扩散张量拟合，生成扩散张量数据。

1.3.2 构建对称DTI模板 采用explore DTI软件，以FA图像为参照，构建DTI模板。首先选取一个左右半球对称程度较高受试者的FA图像，沿脑中缝将图像分为左右半球，保留左侧部分，复制左半球并进行镜像操作，与左侧原始图像合并，获得完整的对称FA(symmetric FA, sFA)图。将所有受试者的FA数据与sFA数据配准，利用获得的变换矩阵将扩散张量数据转换到目标空间，同时采用保留主本征向量方向的方法，保证配准后扩散的主方向保持不变；将原始DTI数据的图形矩阵进行左右翻转，对扩散梯度参数表x方向做反向操作，重新拟合扩散张量数据，获得新的FA图像；将其与sFA配准，利用上述方法变换到目标空间，对所有变换后的扩散张量数据进行Log-Euclidean平均[5]，将平均后的数据作为对称DTI(symmetric, sDTI)模板。

1.3.3 提取双侧CST 采用explore DTI软件中的确定纤维束算法对sDTI模板数据进行全脑纤维束追踪[6]。均匀分布(间隔2 mm)种子点，沿体素的主方向进行纤维束追踪(步长1 mm)，以FA<0.2和偏转角度>45°作为追踪的终止条件，并以20～500 mm长度进行纤维束过滤，以排除假纤维束。获得全脑纤维束之后，按照Zhang等[7]的方法提取左右两侧CST，重新定位CST上的每一根纤维，保证纤维束的起始方向相同；然后采用三次B样条插值法对纤维束进行格点重新采样，保证纤维束的格点数相同。将调整后的CST作为模板纤维束。

1.3.4 图像配准 将所有DTI数据及DTI模板数据转换为DTI-TK兼容格式，并利用DTI-TK配准到模板空间，同时生成FA、平均扩散率(mean diffusivity, MD)、轴向扩散率(axial diffusivity, AD)和径向扩散率(radial diffusivity, RD)图像。

1.3.5 图像分析 采用Colby等[8]的方法沿纤维束分析CST，对配准的FA、MD、AD和RD图像进行重新采样，然后对横截面格点FA、MD、AD和RD值进行平均，分别获得左右两侧CST的平均FA、MD、AD和RD曲线。

1.4 统计学分析 采用R语言(R,https://www.r-project.org/)进行统计学分析，构建混合效应模型，其中固定效应为“格点”“侧别”(左侧或右侧)，交叉效应为“侧别和格点”。将“受试者”作为随机效应，采用多因素方差分析比较模型中各效应的差异。以“格点”检测CST曲线上不同位置之间参数值的差异，“侧别”为左右两侧平均参数值之间的差异，“侧别和格点”交叉效应反映两侧CST曲线上对称位置处“侧别”效应是否有影响。以双样本t检验比较左右两侧CST曲线上对应格点的差异。P<0.05为差异有统计学意义。

2 结果

15名志愿者常规MRI均未见异常改变，各参数曲线同一侧别不同格点的数值比较差异均有统计学意义(P均<0.05)；FA曲线左右两侧平均值比较差异有统计学意义(P=0.005)，而MD、AD及RD参数曲线左右两侧比较差异均无统计学意义(P均>0.05)；各参数曲线左右两侧对称部位格点的数值比较差异均无统计学意义(P均>0.999)，见表1、图1。

表1 各参数统计学分析结果[检验值(P值)]

3 讨论

人群中大脑白质形态学的差异，使不同个体间不具有可比性，且白质纤维束上点的空间解剖位置难以对应，临床常将同一病变侧纤维束的扩散张量信息与对侧镜像区进行对照分析，但前提是两侧大脑半球的白质纤维束的扩散特征具有对称性。有研究者[9]采用基于ROI分析、基于体素分析(voxel-based analysis, VBA)、基于纤维束的空间统计(tract based spatial statistics, TBSS)等方法定量分析正常人群白质纤维束的扩散信息，所获结论不一。基于ROI的分析是对某一特定的解剖位置通过手动勾画提取ROI进行整体分析，优点是不需配准，但需根据先验知识确定对称ROI，无法获得与分析因素相关的所有异常信息，且需对ROI内的参数值进行平均操作，不能获得更加详细的定位结果。VBA是基于体素水平的全脑结构分析方法，可完全自动化处理[9]，克服了基于ROI分析方法存在的人为偏倚以及需要先验知识的局限性，但对图像配准和平滑要求较高，且无法确定差异性的结果是由于体素强度值的改变还是来源于图像未能对齐。

图1 健康志愿者左右侧CST参数曲线图 A.FA； B.MD； C.AD； D.RD (阴影部分表示对应的标准差)

TBSS是一种逐体素的自动化分析方法，通过对受试者间白质纤维束的对齐、配准，将扩散属性值投射到白质骨架上，能准确地分析DTI数据，不需先验信息及进行平滑处理，避免了基于ROI和VBA方法的缺陷；但TBSS方法只能分析白质骨架上的纤维束，无法分析骨架以外及其他细小的白质纤维[10-11]。

DTI模板是基于图谱的纤维分析方法的基础。DTI工具包(DTI tool kit, DTI-TK)利用方向信息进行配准，是基于解剖图谱的纤维束分析方法中较准确的方法之一[12]。本研究对原始DTI数据构建扩散权重图像模板，再将FA、MD、AD和RD图像配准到该模板。由于该模板不是由特定模型生成，而是基于原始扩散权重数据构建而成，包含了全部原始信息，故可演变成多种参数的模板，均具有较高的信噪比和对比度。对白质纤维束配准和重新定位后进行参数化处理，能够从更加微观的角度对白质纤维进行精准分析，有助于正确认识和理解疾病对白质纤维的损伤程度和机制，为评估脑白质病变提供依据。

CST是联系运动皮质和脊髓核团的主要功能纤维，在肢体肌肉随意运动中发挥决定性作用。CST由中央前回中、上部和中央旁小叶前部等处皮质的锥体细胞轴突集中而成，下行经内囊后肢的前部、大脑脚底中3/5的外侧部和脑桥基底部至延髓锥体，多数纤维在延髓锥体下部交叉后形成皮质脊髓侧束，部分不交叉的纤维则延续为皮质脊髓前束。本研究中，各参数曲线同一侧别不同格点的数值比较差异均有统计学意义(P均<0.05)，扩散参数曲线呈波浪状，提示CST在中央前回、基底核、脑桥、延髓等部位的扩散属性不同，上述部位病变均可造成CST损伤。研究CST有助于评估脑、脊髓损伤疾病的病理机制，为诊断和治疗提供有效信息。本课题组前期研究[13]采用ROI分析健康成人CST在延髓、桥脑、中脑大脑脚、内囊后肢、半卵圆中心两侧对称部位的FA值，发现上述对称部位FA值差异均无统计学意义。本研究结果显示，虽然FA曲线左右两侧平均值差异有统计学意义(P=0.005)，但两侧对称部位格点的FA、MD、AD和RD值差异均无统计学意义，提示采用基于图谱的纤维束分析方法获得的健康成人两侧CST参数值均具有对称性；对于病理状态下病变侧纤维束的扩散张量信息，可与对侧镜像区进行对照分析，从而为深入研究脑血管病、脑白质病变以及其他原因导致CST损伤的病理状态下脑组织内水分子扩散运动的改变提供了理论依据和参考模板。

本研究的局限性在于样本量较小，结果可能存在偏倚，今后需扩大样本量，按照年龄、受教育程度等影响因素分组，进一步深入分析。