MRI纹理分析评价注意缺陷多动障碍

林椿森，路伟钊，李文勤，李晶磊，闵 刚，石丽婷

[1.山东省泰安荣军医院影像科，山东 泰安 271000；2.山东第一医科大学(山东省医学科学院)放射学院，山东 泰安 271016；3.中国科学院苏州生物医学工程技术研究所医学影像技术研究室，江苏 苏州 215163]

注意缺陷多动障碍(attention deficit hyperactivity disorder， ADHD)为发育障碍精神疾病，主要表现为注意力不集中、冲动、多动，严重影响患儿的学习能力、交往能力和生活能力等。ADHD在全世界学龄前儿童中的发病率约为5%～7%[1]。ADHD分为注意力缺陷为主型(predominantly inattentive ADHD， ADHD-I)、冲动/多动为主型(predominantly impulsive/hyperactive ADHD， ADHD-H)及混合型(combined ADHD， ADHD-C)[2]，不同亚型患儿的生活习惯、学习能力及社交等均有所不同，临床治疗方案及预后也各有不同[3]。目前采用神经影像学方法诊断ADHD及分型的研究结果尚存争议[4]。纹理分析可从医学影像中提取高通量影像学特征，将视觉影像信息转化为深层次的纹理特征[5-6]，已应用于定性和分级诊断多种疾病、评估治疗反应和预测预后[7-8]。本研究评价MRI纹理分析用于诊断ADHD及分型的效果。

1 资料与方法

1.1 研究对象 随机于纽约大学医学中心公开MRI数据(http://fcon_1000.projects.nitrc.org/indi/adhd200/index.html)中抽取155名受试者。其中ADHD组88例，男67例，女21例，平均(12.1±2.9)岁，包括ADHD-I亚组32例[男22例，女10例，年龄8～17岁、平均(12.3±2.6)岁)]、ADHD-C亚组56例[男45例，女11例，年龄7～17岁，平均(11.0±2.5)岁)]和对照组67名(男30名，女37名，年龄7～17岁)。纳入标准：①年龄<18岁；②临床及影像学资料完整、详细；③ADHD患儿未接受相关心理及药物干预或治疗。检查前监护人均签署知情同意书

1.2 仪器与方法 采用Siemens Allegra 3.0 Tesla MR扫描仪，采集轴位、冠状位和矢状位T1WI，扫描参数：TR 2 530 ms，TE 3.25 ms，层厚1.33 mm，层数128，FOV 256 mm×256 mm，体素1.3 mm×1.0 mm×1.3 mm，总采集时间为8 min 7 s。

1.3 图像预处理 将原始NIfTI格式数据导入DCM2NII软件(https://people.cas.sc.edu/rorden/mricron/dcm2nii.html)进行重新定位，并裁剪图像；将图像导入Mricron软件(https://www.nitrc.org/projects/mricron)，剔除运动伪影较大者。采用Matlab工具包Cat12(http://www.neuro.uni-jena.de/cat/)对图像进行分割、重建、校正和配准，得到标准化脑灰质及脑白质体积图像(图1)，并对之进行重新采样和平滑。

图1 患者男，12岁，ADHD-C组 A～C.分别为轴位、冠状位和矢状位的MR T1加权成像的标准化的脑灰质图像； D～F.分别为轴位、冠状位和矢状位的MR TI加权成像的标准化的脑白质图像

1.4 提取纹理特征 采用IBEX软件，分别于标准化脑灰质及脑白质体积图像中提取1 057个纹理特征，包括从图像灰度直方图中计算的一阶特征，如均值、标准差、偏斜度、峰值以及基于灰度共生矩阵(gray-level co-occurrence matrix， GLCM)、灰度游程矩阵(gray-level run-length matrix， GLRLM)以及邻域强度差矩阵(neighborhood intensity difference matrix， NIDM)的高阶统计特征。

1.5 统计学分析 采用Matlab分析软件。以χ2检验比较组/亚组间性别差异。对符合正态分布的纹理特征行方差分析，对不符合者行Kruskal-Wallis检验。基于训练集分别构建支持向量机(support vector machine， SVM)ADHD诊断模型(训练集130例，测试集25例)及分型模型(训练集63例，测试集25例)。采用秩和检验比较ADHD组与对照组、ADHD-I亚组与ADHD-C亚组之间纹理特征的差异；采用Spearman相关性分析评价纹理特征之间的相关性，剔除r>0.85的2个特征中P值较大者，并以剩余特征中差异具有统计学者模型构建。基于测试机数据绘制受试者工作特征(receiver operating characteristic， ROC)曲线，并计算曲线下面积(area under the curve， AUC)，评价SVM模型诊断ADHD及分型的效能。P<0.05为差异有统计学意义。

2 结果

组/亚组间性别差异无统计学意义(χ2=6.31，P=0.18)；年龄差异具有统计学意义(F=3.40，P=0.04)。

2.1 脑灰质纹理特征 ADHD-I亚组、ADHD-C亚组及对照组之间共12个脑灰质纹理特征差异有统计学意义(F=6.86～14.93，P均<0.05)，包括11个基于GLCM的高阶特征和1个一阶特征峰度(Kurtosis)；且以上特征在ADHD-C亚组与对照组间差异同样有统计学意义(P均<0.05)；ADHD-I亚组与ADHD-C亚组之间仅1个GLCM特征差异有统计学意义(P<0.05)，见表1。

表1 ADHD患儿与健康人脑灰质及脑白质存在差异的纹理特征

2.2 脑白质纹理特征 ADHD-I亚组、ADHD-C亚组及对照组之间共14个脑白质纹理特征差异有统计学意义(F=3.30～12.46，P均<0.05)，包括12个基于GLCM的高阶特征和2个一阶特征百分位数(Percentile)；其中ADHD-C亚组与对照组之间1个GLCM、2个一阶特征差异有统计学意义(P均<0.05)；ADHD-C亚组与对照组之间仅1个GLCM特征差异具有统计学意义(P<0.05)；ADHD-I亚组与ADHD-C亚组之间共11个GLCM特征差异具有统计学意义(P均<0.05)，见表1。

2.3 SVM模型及鉴别效能 经秩和检验和Spearman相关性分析，共剔除1 033个脑灰质特征和全部脑白质特征，最终共24个脑灰质特征用于构建SVM诊断模型；该模型诊断ADHD的AUC为0.85，准确率为72.00%，敏感度为80.00%，特异度为60.00%。最终共剔除1 056个脑灰质特征和1 039个脑白质特征，以1个脑灰质特征和18个脑白质特征构建SVM分型模型；其区分ADHD亚型的AUC为0.81，准确率为84.00%，敏感度为93.33%，特异度为70.00%。见图2。

图2 脑灰质及脑白质纹理特征SVM模型诊断ADHD及分型的ROC曲线

3 讨论

3.1 脑灰质纹理分析 GLCM特征主要反映局部灰度的相对空间关系。本研究发现脑灰质GLCM特征可用于鉴别ADHD-C型患儿与健康人，提示ADHD-C型患儿脑灰质已发生变化，与CHEN等[9-10]的结果相似。既往研究[11]认为GLCM可用于对阿尔兹海默病患者进行分型。HIRATA等[12]发现直方图中的Kurtosis可作为预测食管癌患者无复发生存期和疾病特异性生存期的独立预后因素。本研究结果显示，在灰质范围内，通过Kurtosis特征参数可鉴别诊断ADHD-C亚组患者与对照者，但无法对ADHD进行分型诊断，可能原因在于ADHD-I型患儿在灰质范围水平内的纹理信息改变尚不明显，脑组织病理生理特征未发生明显改变，与默认模式网络和岛叶皮质区域连接改变有关[10]。本研究基于脑灰质特征构建的SVM模型诊断ADHD的效能较好。

3.2 脑白质纹理分析 本研究发现脑白质多数纹理特征可用于鉴别ADHD-I和ADHD-C。既往研究[13]报道，直方图中的百分数可用于鉴别诊断脑内肿瘤及预测垂体大腺瘤的质地；Correlation可用于判断乳腺癌对化学治疗药物的敏感度[14]和鉴别肾肿瘤性质等[7]。本研究结果同样显示脑白质的一阶直方图特征可鉴别用于ADHD-C型患儿与健康人；Correlation及GLCM/5-7 InformationMeasurecorr1特征则可用于诊断ADHD并分型，提示基于全脑白质范围内的纹理特征信息有助于进一步鉴别诊断ADHD-C型、ADHD-I型与健康人。本研究联合脑灰质特征和脑白质特征构建的SVM分类模型可较好地鉴别ADHD-I和ADHD-C亚型，提示对ADHD进行分型时应综合考虑脑灰质和脑白质变化。

本研究的局限性：①数据库中ADHD-H型患者较少，未将其纳入研究；②未结合受试者心理评估和认知评估结果进行分析；③组/亚组之间年龄存在统计学差异，有待进一步观察年龄对分析结果的影响。

综上，基于MR TIWI的脑灰质和脑白质纹理特征可用于诊断ADHD并分型。