基于扩散张量成像的纹理分析对帕金森病诊断价值的研究

顾惠芳 ，戴慧

帕金森病(Parkinson's disease，PD)是第二种常见的神经退行性疾病[1]，多发于中老年人。PD的临床症状包括静止性震颤、肌强直、运动迟缓、认知及睡眠障碍等，严重影响患者的生活质量。PD的特征性病理表现为黑质致密部多巴胺能神经元的变性、消失及残留细胞质内出现路易小体[2]，此外，有文献报道，中脑、基底节区核团[3-6]及小脑齿状核[7]区域微结构的改变也参与了PD症状的形成。扩散张量成像(diffusion tensor imaging，DTI)是临床常用的影像学检查技术，通过定量分析水分子在细胞组织中的离散情况，可以对大脑的微结构进行定量分析[8]。很多学者用DTI的各向异性指数(fractional anisotropy，FA)对PD进行了研究，但结果存在一定差异[9-10]，推测可能是由于FA值对分析各向同性的灰质核团细微结构变化不够敏感导致的[11]。纹理分析利用统计学和数学方法对图像中像素灰度的分布特征进行分析，提取医学图像中部分人眼无法识别的纹理特征，再对提取的纹理特征量化描述，以获得图像中更多隐藏的信息。本研究通过分析PD患者DTI图像中双侧尾状核头、壳核、苍白球、黑质、红核、小脑齿状核及双侧半卵圆区的纹理特征，探讨基于DTI的纹理分析对PD的诊断价值。

1 材料与方法

1.1 研究对象

研究对象选择：前瞻性研究2019年7月至2020年11月于东南大学附属医院江阴市人民医院神经内科收治的PD患者，按照预先设定的纳入及排除标准，纳入30例进入PD组；以同期的健康体检者为正常对照组，排除标准与PD组相同，共纳入22例。PD组纳入标准：(1)符合2016年中华医学会神经病学分会运动障碍及PD学组制订的PD诊断标准；(2)均为右利手。排除标准：(1)帕金森综合征和帕金森叠加综合征；(2)严重精神症状；(3)严重颅脑器质性病变、脑外伤及神经系统手术史；(4)酗酒史、药物滥用史；(5)MRI检查禁忌者。资料收集：采集受试者的一般资料，包括：性别、年龄、病程及伴随疾病。PD患者在MR成像前一周内进行简易精神状态评价量表(Mini Mental State Examination，MMSE)、统一帕金森病评定量表(Unified Parkinson's Disease Rating Scale，UPDRS)、Hoehn-Yahr(H-Y)分级的评定。其中UPDRS量表又分为Ⅰ、Ⅱ、Ⅲ部分，分别代表精神行为和情绪评定、日常生活活动评定、运动功能评定。PD的病程定义为运动症状发作至行颅脑MRI检查的时间。本研究经江阴市人民医院道德伦理委员会审核批准([2019-伦审研-016号)，所有患者或其家属均知情同意并签署知情同意书。

1.2 方法

所有被试者保持清醒，安静平躺于检查床上。采用耳塞降低检查过程中噪音干扰，使用海绵垫固定受试者头部，尽量减少受试者的头动。所有序列均采用轴位。采用GE Discovery 750W 3.0 T磁共振扫描仪进行扫描，24通道标准头部线圈进行数据采集。采用单次激发自旋回波-回波平面成像(spin-echo echo planar imaging，SE-EPI)序列，进行DTI扫描，参数如下：TE 96.8 ms，TR 12 000 ms，NEX为2，层厚3 mm，层间隔为0 mm，层数40层，矩阵128×128，FOV 240 mm×240 mm，b值为1000 s/mm2，扩散方向25个，扫描时间为8 min 25 s。对扫描得到的MR图像进行主观评估，若图像出现严重扭曲、变形或信号缺失，正常脑结构无法辨认、存在明显运动伪影等情况则认为扫描失败。

1.3 数据的后处理和感兴趣区的绘制

DTI图像使用GE ADW 4.6工作站的Functool软件进行后处理，生成FA图像。将FA图(NII格式)导入ITK-SNAP软件，由2名具备丰富的神经影像工作经验的副主任医师共同对图像进行判读，如有分歧，协商后达成一致。依次手动多个层面勾画右侧尾状核头(r1)、左侧尾状核头(r2)、右侧壳核(r3)、左侧壳核(r4)、右侧苍白球(r5)、左侧苍白球(r6)、右侧黑质(r7)、左侧黑质(r8)、右侧红核(r9)、左侧红核(r10)、右侧半卵圆区(r11)、左侧半卵圆区(r12)、右侧齿状核(r13)、左侧齿状核(r14)，勾画感兴趣区(region of interest，ROI)时，为了最小化部分容积效应，灰质核团不包含最下面或者最上面的层面，边界部分也被排除。双侧半卵圆区为从胼胝体上部层面开始，取双侧对称的脑白质中央区，连续勾画三层。最后并将勾画好的ROI以NII格式保存在相应的文件夹中。FA图的ROI放置示例见图1。

图1 FA感兴趣区的放置示例。A：双侧尾状核头(红色)、双侧壳核(绿色)、双侧苍白球(蓝色)；B：双侧黑质(红色)、双侧红核(绿色)；C：双侧半卵圆区；D：双侧齿状核 图2 manthattan图。manthattan图中每个点代表一种纹理特征；横坐标代表14个ROI，每个ROI的纹理特征都由不同颜色的点表示；纵坐标为P值对数的负值。蓝线上方的点均代表有组间差异的纹理特征 图3 RF模型输出的特征重要性排序 图4 随机森林(RF)模型的ROC曲线，AUC为0.92Fig.1 Example of placement of ROIs in FA.A:Bilateral caudate head(red),bilateral putamen(green),bilateral globus pallidus(blue).B:Bilateral substantia nigra(red),bilateral red nucleus(green).C:Bilateral centrum semiovale.D:Bilateral dentate nucleus.Fig.2 Each point in manhattan graph represents a texture feature.The abscissa represents 14 ROIs,The texture features of each ROI were represented by dots of different colors.The ordinate is negative to the logarithm of the p-value.The points above the blue line all represent textural features with intergroup differences.Fig.3 Feature importance ranking of RF model outputs.Fig.4 ROC curve of the random forest(RF)model.

1.4 纹理特征的提取

每个FA图的原始MRI图像及对应的ROI三维图像批量导入A.K.(Artificial Intelligence Kit)软件，定量计算10类纹理特征，包括一阶纹理(first order)特征、形态(Shape)特征、灰度共生矩阵(gray level cooccurence matrix，GLCM)、灰度依赖性矩阵(gray level dependence matrix，GLDM)、灰度游程矩阵(gray level run length matrix，GLRLM)、邻域灰度差矩阵(neighbouring gray tone difference matrix，NGTDM)、灰度区域大小矩阵(gray level size zone matrix，GLSZM)、高斯拉普拉斯变换(laplacian of Gaussian，LoG)、小波变换(wavelet transform，WT)、局部二值模式(local binary patterns，LBP)。

1.5 统计学方法

通过降维选择的5个纹理特征和病程、MMSE、UPDRS的相关性采用Pearson相关性分析，和H-Y分级的相关性采用Spearman相关性分析。以P＜0.05为差异有统计学意义。

2 结果

2.1 PD组与对照组的一般资料

PD组30例，其中男16例，女14例，年龄43～81(69.13±8.75)岁，病程(3.97±3.48)年；对照组22例，其中男10例，女12例，年龄45～80(66.91±8.69)岁。PD组与对照组的年龄、性别差异无统计学意义(表1,2)。

表1 受试者人口统计学Tab.1 Subject demographics

表2 帕金森病组MMSE、UPDRS、H-Y、病程资料Tab.2 MMSE,UPDRS,H-Y,disease duration in PD group

2.2 FA图像的纹理分析

对FA图像进行纹理分析，r1～r14共14个ROI，共筛选出PD组与对照组有组间差异的纹理特征14 471个，其中r1、r7、r8、r9、r11这5个ROI有统计学意义的特征数较多(图2)。

用单因素Logistic回归分析，进一步筛选出2640个对临床结局有显著影响的特征。其中WT特征有2120个，占总特征量的80.3%，这些纹理特征属于r1(右侧尾状核)的有409个、r7(右侧黑质)419个、r9(右侧红核)356个，r11(右侧半卵圆区)342个，分别占总特征量的15.5%、15.9%、13.5%、13.0%(表3)。

表3 单因素Logistic回归筛选出的特征的分布情况Tab.3 Distribution of features identified by univariate logistic regression analysis

用mRMR方法选择特征子集，保留5个联合诊断效能最高的特征(图3)，这5个特征的ROC分析结果，包括曲线下面积(area under the curve，AUC)、特异度、敏感度及准确度(表4)，其中特征1(r7_wavelet_HLL_glcm_Idmn)的AUC值(0.871)及特异度(0.818)最高，特征3(r7_wavelet_HHH_gldm_LargeDependenceLow GrayLevelEmphasis)和特征4 (r9_wavelet_LLL_gldm_LargeDependenceLowGrayLevelEmphasis)的敏感度最高(0.966)，而特征2(r1_wavelet_LLL_glcm_Imc2)的准确度最高(0.826)。构建RF模型来区分PD组及对照组，绘制ROC曲线(图4)，得到AUC、准确度、敏感度、特异度分别是0.92、0.86、0.89、0.84。用交叉验证的方法验证该模型可靠性，得到准确度、敏感度和特异度分别为0.89、0.84、0.94。

表4 降维所得的纹理特征独立预测帕金森病的诊断效能Tab.4 Independent diagnostic efficacy of the texture features derived from dimensionality reduction

2.3 纹理参数与临床评分的相关性

5个纹理特征与MMSE、UPDRS、病程进行Pearson相关性分析，与H-Y分级行Spearman相关性分析，P值均＞0.05，均无相关性(表5)。

表5 纹理特征与病程及临床量表的相关性Tab.5 Correlation of texture characteristics with course of disease and clinical scale

3 讨论

DTI是目前国内外中枢神经系统功能研究的热点之一，国内外学者利用DTI对PD患者进行了很多研究。有文献表明，PD患者较健康体检者黑质部的FA值会降低，原因是PD黑质部多巴胺能神经元的丢失及组织结构的破坏会使水分子的扩散倾向于各向同性[9]，但又有学者提出，PD黑质部的FA值不会有显著的变化，原因有二：(1)黑质部神经元的丢失、结构的破坏对FA值的影响未达到被检测的标准；(2)PD患者黑质中路易小体的形成与神经元的丢失对水分子扩散的影响可相互抵消[12]。分析其原因，可能是FA值只能反映特定感兴趣区各向异性的平均值，对组织结构的细微变化不敏感。相比之下，感兴趣区的纹理分析能够揭示组织内部细微结构的变化，为疾病的诊断提供更多有价值的信息。

3.1 PD患者FA图纹理特征变化的脑区

本研究的结果显示，除了右侧苍白球(r5)，每个ROI都提取出了差异有统计学意义的纹理特征，其中右侧尾状核头(r1)、右侧黑质(r7)、右侧红核(r9)、右侧半卵圆区(r11)存在较多差异有统计学意义的纹理特征，说明PD患者这些区域的灰度值分布变化较大。黑质和纹状体是PD确定的病变部位，与本研究的结果也相符。胡达等[13]研究得出PD患者在红核和尾状核头的FA值与健康对照组间的差异有统计学意义，徐建国等[14]研究认为早期PD患者脑白质的微结构发生改变。这些结果表明，PD患者脑区的病理生理和结构的变化也可以通过局部纹理特征的改变体现出来。

笔者同时注意到这4个区域均属于右侧大脑半球，且双侧尾状核头、双侧红核有意义的特征数相差较大(表3)。偏侧发病是PD的特征之一，以往的病理学研究表明，PD患者黑质、基底神经节的结构和代谢呈现不对称下降[15]，即与另一侧比较，症状严重一侧与发病侧对应的壳核、黑质多巴胺摄取功能的下降更为显著，并且这种不对称性在PD出现双侧症状时依旧存在。本研究没有对PD组的偏侧性症状进行评估，故无法直接判断有意义纹理特征的偏侧性分布是否与PD的偏侧发病有关，这也是今后需要研究的一个方向。

3.2 纹理特征提取方法的比较

在经过Mann-WhitneyU检验、单因素Logistic回归的筛选后，经小波变换后的纹理特征数，占了总特征量的80%。WT是一种信号处理型的纹理特征，能够对时间频率进行局部化的分析，通过不断地进行伸缩平移变换来逐步实现信号的多尺度细化，使得时间在信号高频处得到细分而频率在低频处得到细分，这样就能对信号的任意细节进行分析[16]。WT适用于分析和提取非平稳信号的局部特性[17]。目前结果可以推断，对于磁共振图像，WT较其他纹理分析方法效果更好，能挖掘出更多有意义的特征。

3.3 基于RF分类器的诊断效能

通过mRMR筛选出的5个联合诊断效能最高的纹理特征中，AUC最高的为r7_wavelet_HLL_glcm_Idmn，其中wavelet(WT)是指经小波过滤器分解，小波滤波每级产生8次分解，3个维度中应用高通或低通滤波器的所有可能组合有LLH、LHL、LHH、HLL、HLH、HHL、HHH、LLL；GLCM反映图像空间中相隔一定距离的两像素之间的灰度关系，用来描述指定方向上纹理的粗糙程度；Idmn指归一化逆差距(inverse difference moment normalized，IDMN)，是GLCM的特征之一，描述了图像局部的均匀性，其值越大，说明图像纹理越均匀，不同区域缺少变化。r7_wavelet_HLL_glcm_Idmn代表右侧黑质区域(r7)原始图像经小波分解(分解方式为HLL)后获取的GLCM的特征Idmn，本研究中PD组的Idmn值大于对照组，反映PD患者右侧黑质区域FA图的纹理趋向均匀，推断由于黑质部神经元的丢失与组织结构的破坏使各像素的水分子的扩散趋于均匀。另外，r7_wavelet_HLL_glcm_Idmn特异度最高，能够较少地把正常对照组误诊为PD患者，误诊率较低。r1_wavelet_LLL_glcm_Imc2的准确度较高，能够较正确地预测出PD患者。这个特征指右侧尾状核头(r1)原始图像经小波分解(分解方式为LLL)后获取的GLCM的特征Imc2，Imc2是GLCM的特征之一，指信息相关度2(informational measure of correlation，Imc2)，它能够反映纹理的复杂性。r7_wavelet_HHH_gldm_LargeDependenceLowGrayLevel Emphasis和r9_wavelet_LLL_gldm_LargeDependenceLow GrayLevelEmphasis的敏感度最高，能够更敏感地诊断出PD患者，漏诊率低。大依赖度低灰度水平(large dependence low gray level emphasis，LDLGLE)也是GLDM的一个特征，GLDM量化了依赖于中心体素的距离为δ的体素数量，描述了相邻灰度相关体素在图像中出现的次数。LDLGLE越高，说明更低灰度值的体素彼此相邻[18]。本研究中PD右侧黑质及红核区域的LDLGLE的值大于对照组，这可能是PD相应区域中低信号的物质更多。本研究进一步用5个联合诊断效能最高的特征构建RF预测模型，得到AUC值为0.92，同时用交叉验证的方法验证了模型的可靠性，准确度为0.89，说明该模型能对PD患者做出有效的预测。这与国内外一些研究结果一致，Li等[19]基于定量磁敏感图(quantitative susceptibility mapping，QSM)对PD患者黑质进行纹理分析，得出Entropy、SumEntrp两个特征的诊断效能均达到0.89。刘磐石等[20]分析了PD患者和正常对照组双侧尾状核头的自回归模型纹理特征参数，结果表明特征参数Teta4、Teta3能够有效区分PD患者和正常对照组，AUC值分别达到0.74和0.68。Chakraborty等[21]对637例PD患者、66例PD前驱者及203例对照组基于T1WI加权序列进行影像组学的研究，得到人工神经网络对PD的分类表现最好，准确率、召回率及精确率分别达到95.3%、95.41%、97.28%，F1分数为0.94。虽然各研究分析的序列不一样，但结果均显示纹理分析方法、影像组学对PD患者有很高的诊断效能。

3.4 PD患者纹理特征与临床评分的相关性分析

本研究采用Pearson及Spearman相关性分析，分析5个纹理特征和病程、MMSE、UPDRS、及H-Y分级之间的相关性，均未发现有显著的相关性。说明上述纹理特征对PD病情的评估帮助不大。Sikio等[22]基于T2WI序列对PD患者进行纹理分析，得到多个脑区的纹理参数与患者临床评分存在显著相关性。笔者分析原因，其一：虽然本研究的量表均于停药后12 h后进行评价，但是仍然不能排除临床量表评分受药物治疗影响的可能性；其二：本研究与临床评分量表进行相关性分析的纹理特征数较少，有待进一步挖掘。

本研究存在一定的局限性。第一，纳入患者样本量较小，结果可能存在一定偏倚。第二，采用手动勾画ROI的方法，工作量大且精确度不够高，利用半自动或者自动的图像分割软件可能更为合理。第三，PD患者无法进行病理学的确认，本研究患者的诊断是基于临床标准，这也会影响分析结果的准确性。

综上所述，PD患者和对照组的脑内灰质核团、半卵圆区白质在DTI的FA图上存在纹理差异，基于DTI的纹理分析对PD有很高的诊断价值，能够为PD的诊断提供可靠的客观依据，但对PD病情评估的帮助有待进一步的研究。

作者利益冲突声明：全体作者均声明无利益冲突。