Name: 磁共振扩散张量成像在神经退行性疾病的分析 (视频) | JoVE Journal
Uploaded: 2013-07-28T14:00:00.000+00:00
Duration: 9 min 33 s
Description: 了解磁共振扩散张量成像（DTI）技术，用于分析神经退行性疾病的脑白质微观结构病理变化。该方法结合全脑空间统计（WBSS）和纤维束追踪各向异性统计（TFAS），能够有效识别患者组与对照组之间的白质差异，为神经影像学诊断提供可靠的生物标志物。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本工作的部分内容， 即 针对运动过度障碍患者数据中梯度方向的质量控制与校正研究，得到了欧洲亨廷顿病网络（EHDN 项目 070）的支持。本研究中的 MRI 扫描数据采集自伦敦站点的 TRACK-HD 队列。

分析方法：预处理与后处理
以下方案的任务是分析白质纤维束内各体素的扩散特性，由于采用体素级检测，这些特性可能是各向同性的或各向异性的，从而导致相应体素的扩散张量呈长椭球形（prolate）或扁椭球形（oblate）。体素张量的参数化可用于计算FA图谱，或用于识别纤维束（图1）。
为了获得如下所示的分析结果，请使用软件包Tensor Imaging and Fiber Tracking（TIFT）17。TIFT 提供了满足以下需求的分析工具：
<ul>
	<li>基于DTI指标的分析， 例如 FA-maps,</li>
	<li>立体定向标准化</li>
	<li>在FA或其他DTI指标方面的组间比较</li>
	<li>FT 的多种分析方法</li>
	<li>对群体平均的DTI数据进行FT及相应的统计分析。</li>
</ul>
这些功能使得在同一个软件环境中进行多种分析成为可能17,29,30,31。TIFT 软件正在持续开发中，以提供更多的 DTI 数据分析选项。
图2 提供了在空间标准化后通过两种互补方法在组水平上分析 DTI 数据的示意图概述， 即 通过WBSS和TFAS两种方法最终获得组水平上样本间的差异， 例如 病变脑组织与健康对照。此处，全脑统计分析（WBSS）旨在以体素为单位，在群体水平上无偏地检测存在差异的脑区；而基于纤维束的分析（TFAS）则基于预先定义的纤维束通路，其起始区域可自由选择，也可源自WBSS结果（即FA值发生显著改变的“热点”区域）。
通过仿射立体定位配准后，对不同时间点测量的FA图进行个体纵向比较，以检测FA图之间的差异（图2）。
<ol>
	<li>质量控制（QC），包括对损坏的梯度方向进行校正 
	若在采集过程中出现运动干扰， 即 若存在损坏的容积数据，可通过在张量计算中省略单个梯度方向（GD）来提高信噪比（SNR）。为此，采用一种质量控制（QC）算法 32 开发了一种方法。简言之，对于包含损坏体积数据的扫描，可在张量估计前逐次剔除单个梯度方向，从而提高信噪比（SNR）：针对每个梯度方向（GD），通过加权计算序列中其余所有方向的加权方差，权重为其与该索引GD之间夹角的函数。
	<ol>
		<li>通过检测至少有一个切片显示强度降低的 GD 来进行伪影校正， 即 由受试者自发运动引起的运动伪影（图3，上图）。对于任意一个弥散加权体积，计算每层切片的平均强度，并通过加权平均法将其强度与所有其他体积中对应切片的强度进行比较——权重因子为两个梯度方向（GD）向量的点积 <img alt="Vector notations: \(\vec{g_i}, \vec{g_j}\); mathematical vector analysis; vector overlay symbols." fo:src="/files/ftp_upload/50427/50427eq8highres.jpg" src="/files/ftp_upload/50427/50427eq8.jpg" data-altupdatedat="1787630408000" data-alt="Equation 8">: 
		<img alt="Equation in optics calculations: ΔIj = 1-(1/N)Σ(g̅i*g̅j*ΔIji), summation method." fo:src="/files/ftp_upload/50427/50427eq9highres.jpg" src="/files/ftp_upload/50427/50427eq9.jpg" data-altupdatedat="1787630408000" data-alt="Equation 9"> 
		<img alt="Math equation for intensity difference ΔIji, involving averages ⟨ai⟩ and ⟨aj⟩, in signal analysis." fo:src="/files/ftp_upload/50427/50427eq10highres.jpg" src="/files/ftp_upload/50427/50427eq10.jpg" data-altupdatedat="1787630408000" data-alt="Equation 10"> 
		<img alt="Static equilibrium, ΣF=0, 〈aj〉 symbol, formula, educational diagram, vector component analysis." fo:src="/files/ftp_upload/50427/50427eq11highres.jpg" src="/files/ftp_upload/50427/50427eq11.jpg" data-altupdatedat="1787630408000" data-alt="Equation 11"> 表示所观察切片的算术平均强度 <img alt="Quantum mechanics concept, Dirac notation, mathematical symbol, angle brackets." fo:src="/files/ftp_upload/50427/50427eq12highres.jpg" src="/files/ftp_upload/50427/50427eq12.jpg" data-altupdatedat="1787630408000" data-alt="Equation 12"> 用于比较的切片。相对平均强度偏差 <img alt="Delta I_j_i symbol, related to optical emission or absorption study results." fo:src="/files/ftp_upload/50427/50427eq13highres.jpg" src="/files/ftp_upload/50427/50427eq13.jpg" data-altupdatedat="1787630408000" data-alt="Equation 13"> 由梯度方向（GD）的点积加权。因此，为了定义一个全局参数： 
		<img alt="Mathematical optimization, formula Q=min(ΔIj)j, equation for data analysis calculations." fo:src="/files/ftp_upload/50427/50427eq14highres.jpg" src="/files/ftp_upload/50427/50427eq14.jpg" data-altupdatedat="1787630408000" data-alt="Equation 14"> 
		反映所有切片切片间比较的最小值。</li>
		<li>如果 Q 低于某一阈值时（在本示例中，使用0.8作为该阈值），则剔除整个体积或GD。0.8的阈值被视为一种稳定解 32. 图3 显示在矢状面重建图像中可见的运动伪影，并由质量控制算法检出。在此示例中，总GD数量中（蓝色点表示） 图3c），17 个低于对应的红线 Q = 0.8，应予以剔除。整个研究中一个完整的剔除体积统计学示例见于 图3d在本项示例研究中，将29名亨廷顿病（HD）症状前受试者的DTI数据与30名对照个体的DTI数据进行了比较。该算法的更多细节见于 32, 33.</li>
	</ol>
	</li>
	<li>预处理与空间标准化
	<ol>
		<li>通过所提出的方法对回波平面成像数据集的涡流诱导几何畸变进行校正 34.</li>
		<li>对于立体定向标准化，创建一个研究特异性的（b = 0）模板和一个FA模板，方法如前所述。 17,28,31基本上，完整的非线性立体定位标准化包含三个形变组分。因此，最终得到的扩散张量 <img alt="Vector notation Di vector symbol for electromagnetism equations, educational diagram." fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" data-altupdatedat="1787630408000" data-alt="Equation 15"> 每个体素 i 必须根据上述列出的所有旋转方式进行旋转（图4):
		<ol class="lroman">
			<li>图4a 显示刚性脑部变换，用于对齐基本坐标系。旋转 <img alt="Vector notation for R, symbol in static equilibrium equations." fo:src="/files/ftp_upload/50427/50427eq16highres.jpg" src="/files/ftp_upload/50427/50427eq16.jpg" data-altupdatedat="1787630408000" data-alt="Equation 16"> 需应用相对于基本坐标系对齐所产生的结果 
			<img alt="Diagonalization equation diagram, depicting matrix transformation process with vector notation." fo:src="/files/ftp_upload/50427/50427eq17highres.jpg" src="/files/ftp_upload/50427/50427eq17.jpg" data-altupdatedat="1787630408000" data-alt="Equation 17"></li>
			<li>图4b 根据标志点显示线性变形。特征向量的分量 <img alt="Vector notation, \(\vec{v_1}, \vec{v_2}, \vec{v_3}\), mathematical symbols for vector representation." fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" data-altupdatedat="1787630408000" data-alt="Equation 5"> 需根据六个归一化参数进行调整 S （取决于脑区） sa,, a=1...6线性变形的） 
			vw,j= savw,j''' 
			w=1,2,3 和 j=x,y,z.</li>
			<li>图4c 显示一种非线性归一化方法，用于均衡化非线性的脑形态差异。每个体素的三维矢量位移均不相同，从而为三维体素阵列中的每个体素提供独立的变换 <img alt="Vector notation for torque symbol, T with arrows, used in static equilibrium equations." fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" data-altupdatedat="1787630408000" data-alt="Equation 18">）。标准三角学为每个体素独立给出旋转矩阵，该矩阵源自遵循以下概念的三维矢量位移 16 为了保持相邻体素特征向量之间的方向关系，相邻体素的不同位移会导致相应特征向量发生旋转。使用膨胀矩阵对张量进行配准。 <img alt="Vector notation Di vector symbol for electromagnetism equations, educational diagram." fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" data-altupdatedat="1787630408000" data-alt="Equation 15"> 每个体素与其周围体素之间的关联性。 
			<img alt="Vector transformation equation, symbols for tensor analysis, educational diagram." fo:src="/files/ftp_upload/50427/50427eq19highres.jpg" src="/files/ftp_upload/50427/50427eq19.jpg" data-altupdatedat="1787630408000" data-alt="Equation 19"> 
			<img alt="Vector notation with time index, mathematical expression." fo:src="/files/ftp_upload/50427/50427eq20highres.jpg" src="/files/ftp_upload/50427/50427eq20.jpg" data-altupdatedat="1787630408000" data-alt="Equation 20"> 是……的组成部分 <img alt="Vector notation for torque symbol, T with arrows, used in static equilibrium equations." fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" data-altupdatedat="1787630408000" data-alt="Equation 18"></li>
		</ol>
		整个归一化过程是迭代的， 即 首先，通过手动设定的标志点对所有受试者的（b = 0）图像体积进行线性变换后，进行算术平均，从而建立适用于本研究的扫描仪和序列特异性的（b = 0）模板。完成首次归一化后，进一步生成优化的模板以改进归一化矩阵。以下步骤1.2.3至1.2.5在图中进行了示意图解 图5a.</li>
		<li>经过此个体归一化处理步骤（步骤(i) - DTI数据 I0），使用所有个体的DTI数据集创建特定研究的（b = 0）模板和FA模板（步骤（ii）- 模板 T1）。由于非仿射配准至FA模板相较于（b = 0）图像能提供更高的对比度，因而具有优势 10，通过取所有患者和对照组个体衍生的FA图谱的平均值来定义FA模板。</li>
		<li>第二步，依据 Ashburner 和 Friston 的基本思路 35，对DTI数据集执行非线性MNI标准化（步骤(iii)），通过最小化待拟合FA图与FA模板之间区域强度的平方差，来减少两者之间的不匹配X2）——通过这种方式，可获得DTI数据 I1.</li>
		<li>根据这些数据，新的模板 T2 由（步骤(iv)）获得。重复此迭代过程，直至各个FA图与FA模板之间的相关性达到 &gt; 0.7. 通常经过两次迭代即可达到。</li>
	</ol>
	</li>
	<li>全脑空间统计学 
	以下步骤1.3.1至1.3.5以示意图形式展示 图5b.
	<ol>
		<li>根据1.2节的归一化流程，对归一化的DTI数据计算FA图，以保留方向性信息（步骤(i)）。</li>
		<li>在进行基于体素的统计比较之前，需对个体标准化后的FA图进行平滑滤波预处理（步骤(ii)）。在平滑过程中，应注意滤波器尺寸会影响DTI数据分析结果 36 需要应用匹配滤波器定理，该定理指出，用于处理数据的滤波器宽度应根据预期差异的大小进行调整，这一点在先前针对神经退行性疾病患者DTI数据的应用中已有详细说明（例如 28).</li>
		<li>采用学生t检验对患者组与相应对照组进行基于体素的统计学比较， 即 将患者的FA图与对照组的FA图在每个体素上分别进行FA值比较（步骤(iii)）。FA值低于0.2的体素不参与计算，因为皮层灰质的FA值最高可达0.2 37.</li>
		<li>统计结果需采用错误发现率（FDR）算法对多重比较进行校正，校正阈值为 p &lt; 0.05 38 （步骤(iv)）。需进一步通过空间相关性算法（聚类——步骤(v)）降低α误差，该算法可消除孤立体素或大小在平滑核范围内的小型孤立体素群，从而得到512个体素的阈值聚类大小。</li>
		<li>在形态学背景上显示结果（步骤(v)）时，将3-D T1加权数据集标准化至MNI空间，并进行算术平均。该标准化过程应使用基于本研究特定模板的方法，参照DTI数据集所采用的标准化方法进行。 17.</li>
	</ol>
	</li>
</ol>
图6展示了肌萎缩侧索硬化症（ALS）患者与对照组之间基于全脑的空间统计分析（WBSS）结果。图6a显示了在矢状面、冠状面和轴向面上FA值降低的局部最大值（经多重比较校正后，阈值设为p &lt; 0.01）。图6b显示了以皮质脊髓束为起点的纤维束投影，该投影被用作TFAS分析的基础。图6c以逐层切片可视化的方式展示了通过基于全脑的空间统计分析（WBSS）在ALS患者样本与匹配对照组之间检测到的FA图谱上的组间差异。
<ol start="4">
	<li>纤维束追踪与基于纤维束的分数各向异性统计（TFAS） 
	图7 展示了基于群体的纤维束追踪（FT）流程，包括1.4.1至1.4.4节所述的TFAS分析。
	<ol>
		<li>为了应用基于群体的FT算法，根据先前描述的方法17，将患者数据与对照组数据合并生成平均的DTI数据集。该平均化过程需谨慎处理方向性信息，这些信息在标准化过程中通过16所述技术予以保留；具体细节参见30。</li>
		<li>在各受试者群体的平均DTI数据集上，应用流线追踪技术31进行纤维束追踪。通过全脑FA分析手动确定邻近局部最大值的种子点，这些种子点是后续FT分析的基础。确定种子点后，执行纤维束追踪，并将所描绘纤维的体素定义为后续TFAS分析的群体特异性掩模30。</li>
		<li>为量化纤维束追踪结果，采用TFAS技术，利用基于每组所有受试者（患者与对照数据合并）平均DTI数据集生成的纤维束，筛选参与患者与对照FA图谱比较的体素。</li>
		<li>在统计分析中，采用Student's t检验，纳入所有FA值高于0.2的体素。</li>
		<li>如有需要，TFAS技术也可应用于其他衍生的DTI指标，如平均扩散率（MD）、径向各向异性、轴向各向异性等（示例参见28）。</li>
		<li>结果显示在形态学背景上，该背景由MNI标准化的三维T1加权数据集构成。</li>
	</ol>
	</li>
</ol>

作者无任何利益冲突需要披露。

基于扩散幅度（利用FA信息）和扩散方向（基于FT）可分别实现被试间DTI数据的平均化。FA图谱的平均化使得可通过全脑统计分析（WBSS）和基于纤维束的空间分析（TFAS）对被试组进行统计比较。该方法学框架介绍了具有被试间平均化和组间比较功能的DTI技术。在组水平上对FA图谱进行立体定向标准化及比较，为量化不同被试组之间的差异提供了多种可能性。WBSS和TFAS似乎是用于测量具有群体性相似脑部改变模式的被试组之间组水平差异的有效方法。 例如 神经退行性疾病。对于具有异质性临床表型的疾病，可能不适合采用组水平的分析方法，而更适合采用成对比较的分析方式，如下文所示 例如。 在XP患者的研究中，这种基于DTI的单个病例水平脑图谱分析在另一种临床背景下也具有重要意义， 即 不同无创神经影像学工具的联合应用，以及在注册后将其共同整合至无框架立体定向/神经导航系统，已成为神经外科术前诊断中一项重要且有价值的组成部分。目前临床应用中包含多种技术手段，如功能磁共振成像（fMRI）、弥散张量成像（DTI）、磁共振波谱（MRS）、正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）和脑磁图...

人脑中的扩散张量成像
中枢神经系统中的白质（WM）束由密集排列的轴突以及多种类型的神经胶质细胞和其他少量细胞组成。轴突膜以及轴突内排列整齐的蛋白质纤维会限制水分子沿纤维走向垂直方向的扩散，从而导致脑白质中水分子的各向异性扩散1。轴突周围的髓鞘也可能对细胞内和细胞外水分子的各向异性产生影响2。
这种各向异性的定量描述可通过扩散张量成像（DTI）检测。DTI 生成的组织图像，其信号强度受到水分子扩散局部微结构特征的影响。每个位置的图像信号强度会有所衰减，衰减程度取决于所谓的磁扩散梯度强度与方向（以 b 值表示），以及水分子扩散所处的局部微结构3，即扩散系数 D，一个标量值：
<img alt="吸光度公式，A=e^-Db，光学测量公式，指数衰减。" fo:src="/files/ftp_upload/50427/50427eq1highres.jpg" src="/files/ftp_upload/50427/50427eq1.jpg" data-altupdatedat="1787630408000" data-alt="公式 1"> 
然而，在白质（WM）存在各向异性的条件下，扩散过程不能再用单一的标量系数来表征，而需要一个张量 <img alt="电位移矢量符号，方程表示，物理学，电磁场。" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" data-altupdatedat="1787630408000" data-alt="公式 3">，该张量在一级近似下可描述分子在各个方向上的运动能力以及这些方向之间的相关性4。扩散各向异性主要由白质中纤维束的取向引起，并受到其微观和宏观结构特征的影响。在微观结构特征中，轴内组织结构对扩散各向异性的影响最为显著，此外还包括纤维密度与细胞排列密度、髓鞘化程度以及单根纤维的直径。在宏观尺度上，成像体素内所有白质纤维束取向的变异性也会影响其各向异性的程度5。
在典型的弥散张量成像（DTI）测量中，体素的尺寸通常为毫米级。因此，每个体素始终包含检测体积内水分子信号的平均信息，而该检测体积通常覆盖多条轴突以及周围的水分子。尽管存在这种多方向性的环境，DTI 对最大主轴的方向具有敏感性，该主轴与主要的轴突走向一致，即轴突的贡献主导了所测得的信号2。
DTI 提供有关水扩散特性的两类信息：第一，与方向无关的扩散各向异性程度5；第二，图像体素中水扩散的主要方向，i.e. 扩散方向6。
当前的方案旨在提供一个基于群体水平对受试者组进行定量比较的弥散张量成像（DTI）分析技术框架，具体步骤如下所述。
扩散特性定量分析——分析参数
通过对至少六个非共线且非共面的方向施加扩散梯度，可以测量对称张量的各个元素，从而使 b（公式 1）成为一个张量，导致信号衰减
<img alt="扩散张量成像方程，ln(A)，张量分量；科学公式显示。" fo:src="/files/ftp_upload/50427/50427eq2highres.jpg" src="/files/ftp_upload/50427/50427eq2.jpg" data-altupdatedat="1787630408000" data-alt="方程 2"> 
该方程需要考虑在正交方向上施加的成像梯度与扩散梯度之间可能存在的相互作用（交叉项），甚至包括在正交方向上施加的成像梯度之间的相互作用4。
二阶扩散张量 <img alt="Electric displacement vector symbol, equation representation, physics, electromagnetic field." fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" data-altupdatedat="1787630408000" data-alt="Equation 3"> 始终可以对角化，使得张量的主对角线上仅保留三个非零元素， 即 特征值（<img alt="Eigenvalues λ1, λ2, λ3; static equilibrium equations; linear algebra concept." fo:src="/files/ftp_upload/50427/50427eq4highres.jpg" src="/files/ftp_upload/50427/50427eq4.jpg" data-altupdatedat="1787630408000" data-alt="Equation 4"> ）。特征值反映了椭球体的形状或构型。椭球体主坐标与实验室坐标系之间的数学关系由特征向量描述。 <img alt="Vector notation, \(\vec{v_1}, \vec{v_2}, \vec{v_3}\), mathematical symbols for vector representation." fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" data-altupdatedat="1787630408000" data-alt="Equation 5">
由于显示张量数据存在若干挑战，因此提出了扩散椭球体的概念3。这些椭球体的特征扩散率代表了介质扩散率主方向上的单维扩散系数，即椭球体的主轴代表体素内的主要扩散方向，该方向与纤维走向一致，而椭球体的偏心率则提供了关于各向异性程度及其对称性的信息。因此，可以定义诸如分数各向异性（FA）之类的扩散各向异性指标7。
<img alt="断裂因子公式，应力分析，Ff 方程，数学表示，工程学。" fo:src="/files/ftp_upload/50427/50427eq6highres.jpg" src="/files/ftp_upload/50427/50427eq6.jpg" data-altupdatedat="1787630408000" data-alt="方程 6"> 
<img alt="统计平衡；表示平均符号；概率与统计中的概念。" fo:src="/files/ftp_upload/50427/50427eq7highres.jpg" src="/files/ftp_upload/50427/50427eq7.jpg" data-altupdatedat="1787630408000" data-alt="方程 7"> 是所有特征值的算术平均值。
另一种方法是利用扩散张量的主方向来研究脑白质的连接性，这对应于纤维束成像方法，旨在探究大脑的不同区域之间是如何相互连接的。假设扩散张量主要成分的方向代表了主导轴突纤维束的方向，则可获得一个三维向量场，其中每个向量表示局部纤维的方向。目前，重建白质纤维束的方法有多种，大致可分为两类：第一类基于线传播算法，利用每一步纤维束延伸时的局部张量信息2,8,9；第二类基于全局能量最小化原理，用于寻找两个白质区域之间能量上最有利的路径，由此发展出基于纤维束的空间统计方法（TBSS）10，该方法也被应用于其他算法中，例如纤维束分数各向异性统计（TFAS——见实验方案文本第2.4节）。
转换至立体定位标准空间
与其他先进的磁共振成像方法类似，临床背景下基于DTI和纤维束成像（FT）的研究最终目标是根据某种判别指标对个体患者的脑形态进行分类，从而促进诊断过程11。当假设常见的临床表型是由一个或多个特定脑区或特定神经解剖网络受损所致时，群体水平的研究最具意义。在此情况下，对不同受试者的结果进行平均有助于评估微观结构改变的共性模式。每个个体的大脑必须被转换至立体定向空间，以便在第二步中实现逐体素水平的结果算术平均。空间标准化使得来自不同受试者的结果能够进行算术平均，从而提高信噪比（SNR），并实现患者组与对照组之间的样本比较，以分析特定疾病的计算病理解剖学特征，例如与特定脑系统受累相关的神经退行性疾病。
早期通过12提出的归一化至标准化立体定位空间的方法，建议采用一种转换算法，将图像配准至标准图谱，该过程涉及识别多个脑部解剖标志点，并对脑区象限进行分段缩放。如今，大多数先进的磁共振成像（MRI）数据分析软件包均采用蒙特利尔神经学研究所（Montreal Neurological Institute, MNI）立体定位空间进行归一化处理13。针对此类转换，研究人员已开发出基于研究特异性模板的半自动与全自动脑图像配准算法14,15。在弥散张量成像（DTI）中，归一化过程中必须特别注意保留方向性信息16,17。与标量图像的形变不同，对弥散张量磁共振（DT-MR）图像应用空间变换（用于多组数据集的空间归一化）较为复杂，原因在于弥散张量（DT）包含方向信息，而该信息会受到空间变换的影响。必须校正这一效应，以确保变换后图像的解剖学准确性。本文介绍了将仿射变换应用于DTI数据集的技术方法。
弥散张量成像在脑部疾病中的应用
纵向DTI数据的比较需要对同一受试者的数据进行对齐/配准。在此背景下，必须保留方向信息。即 在仿射变换过程中扩散张量的旋转）。此前已有文献报道其在神经退行性疾病中的潜在应用例如 18,19).
DTI 已被确立为一种可靠的非侵入性技术工具，用于研究 在体 白质神经纤维束的神经病理学（例如 11,20,21,22）。基于DTI的扩散过程定量指标， 例如 FA 已被证实是研究多种白质病理变化（如中风）的敏感指标 20，多发性硬化症 23, 肌萎缩侧索硬化 24, 25，阿尔茨海默病 26以及其他几种华氏巨球蛋白血症（WM）相关疾病 27,28.
此外，结合纤维追踪技术的弥散张量成像可用于识别白质纤维束 23该技术尽管尚未在临床中常规应用，但正逐渐成为评估神经系统疾病中通路特异性异常的有力工具。在已识别的纤维束内，可通过DTI及其他成像序列获取多种定量MRI指标例如 可测量与DTI数据在解剖学上配准的T2加权图像和/或磁化转移（MT）成像。由此，每个指标均可作为纤维束内位置的函数进行计算，其空间变化的示意图以纤维束轮廓图表示。
以下使用在1.5特斯拉磁共振成像扫描仪（Siemens Medical，Erlangen，德国）上获取的人类弥散张量成像（DTI）扫描数据，以评估多种分析技术在检测患者群体及个体中白质异常方面的潜力。在经过自动质量检查以剔除因运动伪影或其他类型伪影导致的受损数据体积后，采用标准化的后处理流程对DTI数据进行预处理，为后续分析做好准备。下文将展示不同的分析方法。 即 首先，基于全脑的空间统计（WBSS）；其次，FT；第三，基于纤维束的分数各向异性统计（TFAS）。WBSS 是一种方法，其运行方式类似于基于体素的形态学分析（VBM），通常被称为在弥散张量成像数据上进行的基于体素的形态学/统计分析（VBM/DTI）. VBM 是一种最初在对比图像上运行的方法，需要解析不同扫描之间的对比度差异，而 WBSS 是一种利用物理参数进行体素级比较的方法。因此，尽管这两种算法在原理上相似，但下文将采用能够区分 WBSS 与 VBM 的术语表述。

<table><tbody><tr><td>MR 扫描仪</td><td></td><td></td><td>西门子 1.5 T Magnetom Symphony</td></tr><tr><td>分析软件 </td><td></td><td></td><td>TIFT - 张量成像与纤维追踪</td></tr></tbody></table>

神经退行性疾病分析中的弥散张量磁共振成像

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

弥散张量成像（DTI）技术可提供有关大脑白质（WM）微观结构过程的信息 体内本研究旨在通过使用不同的DTI分析方法，并与匹配的对照组进行比较，探讨不同脑部疾病（尤其是神经退行性疾病）中白质受累模式的差异。 	
DTI 数据分析以多变量方式进行， 即 基于体素的区域扩散方向性指标（如分数各向异性，FA）的比较，结合纤维追踪（FT）及在群体水平上进行的束状分数各向异性统计（TFAS），旨在识别白质结构中FA的差异，从而定义群体水平上白质改变的区域模式。空间标准化至立体定向标准空间是群体研究的前提，需经过严格的数据处理以保留方向间的相互依赖性。本应用展示了在群体数据分析中进行空间标准化时，优化保留定量与方向信息的技术方法。在此基础上，可将纤维追踪技术应用于群体平均数据，以量化由纤维追踪所定义的指标信息。此外，还可应用DTI方法， 即 在个体受试者基础上进行纵向分析时，经过立体定向配准后的FA图差异可揭示神经系统疾病进展的信息。通过预处理过程中对高噪声水平的梯度方向进行可控消除，可进一步提高基于DTI结果的质量。	
总之，通过基于全脑和基于纤维束的弥散张量成像分析相结合，弥散张量成像（DTI）可用于定义不同脑部疾病的特异性白质病理解剖学特征。

1. 针对运动过度障碍患者数据应用中梯度方向损坏的质控与校正
以质量控制（QC）的应用及后续因校正受损的梯度方向（GD）而进行的体积排除对结果的影响为例，图8展示了在29名临床前亨廷顿病患者与30名年龄和性别匹配的健康对照者进行组间比较时，采用与不采用体积排除的全脑空间统计分析结果的差异。扫描方案在一台1.5特斯拉的西门子Symphony磁共振扫描仪（Siemens Medical，德国埃尔朗根）上实施。患者组与对照组均采用相同的弥散张量成像（DTI）扫描方案，共采集72个体积数据（40层，96 × 96像素，层厚2.3 mm，像素尺寸2.3 × 2.3 mm），包括64个弥散梯度方向（b = 1,000 sec/mm2）和8次低弥散加权扫描（b = 100 sec/mm2）。回波时间（TE）和重复时间（TR）分别为90毫秒和8,000毫秒。
2. 着色性干皮病中的DTI
着色性干皮病（XP）是一种罕见的常...

弥散张量成像（DTI）基本上是一种基于磁共振成像（MRI）的技术，用于识别 体内 脑白质内脑部微观结构及由神经系统疾病引起的病理过程。基于DTI的分析可用于群体水平以及单个受试者数据的脑部疾病研究。

扩散张量成像（DTI）技术可提供活体大脑白质（WM）微观结构过程的相关信息。目前……

以下实验的总体目标是通过结合基于全脑和基于纤维束的分数各向异性统计方法，利用扩散张量成像分析来定义不同脑部疾病的特异性白质病理解剖特征。该目标通过适当的扩散张量成像（DTI）数据预处理实现，包括质量控制和立体定向标准化。第二步是进行基于全脑的空间统计分析（WBSS），从而能够在体素水平上比较不同受试者组的分数各向异性（FA）图谱，以检测病理学差异。接下来，进行基于纤维束示踪的空间分数追踪分析（TrackWise fractional）。通过纤维束追踪方法定义脑结构后，采用基于体素的纤维示踪统计分析（ATROPY statistics 或 TFAS），以补充体素水平比较的结果。基于DTI的分析可获得显示疾病组与对照组之间差异的结果。该技术相较于其他方法的主要优势在于，能够在群体平均数据集上实现纤维追踪。该方法有助于回答神经影像学领域的关键问题，例如识别受神经退行性疾病影响的脑结构。该技术的应用前景可延伸至作为基于神经影像学的替代标志物，因为它可能在个体水平和群体水平上均显示出纵向效应。本方法的演示至关重要，因为数据处理步骤难以掌握，数据分析需在本实验室自主开发的定制软件包 T 上进行，且数据处理与分析中的多个步骤耗时较长，需执行伪影校正。本实验室开发的定制软件用于检测 GD，即至少有一个切面显示信号强度降低，即由受试者自发性运动引起的运动伪影。所用软件基于张量成像与纤维追踪技术，为本实验室针对任何弥散加权体积数据自主开发的定制软件。计算每个切片的平均强度，然后使用加权平均法将其强度与所有其他体积数据中相同切片的强度进行比较。权重因子为两个gd向量的点积。如果Q低于某一阈值（例如，此处以0.8作为阈值），则剔除整个体积数据或gd。0.8 的阈值被视为稳定解。此处显示的是在矢状面重建图像中可见并由质量控制算法检测到的运动伪影。在此示例中，在总共 GD 17 个数据点中，有部分位于红线以下，该红线对应 Q 等于 0.8，应予以剔除。本研究的总体积消除统计学示例展示如下：在此示例中，29名亨廷顿病（HD）前驱期受试者的DTI数据与30名对照个体的DTI数据进行比较，用于建立立体定向标准化，生成特定研究的B等于零模板和FA模板。完整的非线性立体定向标准化包含三个形变组分。因此，每个体素的最终扩散张量必须根据之前所考虑的所有旋转进行相应旋转校正。这是一种刚性脑部变换，用于对齐基本坐标系。该图展示了根据标记点进行的线性形变。iGen向量的各个分量需根据线性形变的S的六个归一化参数进行调整，此处还采用了非线性归一化，以均衡非线性的脑形态差异。每个体素的三维向量位移均不相同，从而导致对三维体素阵列中的每个体素进行独立的变换。在完成该个体化配准流程后，利用所有个体的DTI数据集创建一个针对本研究的B等于零模板和一个FA模板。由于非PHE方法配准至FA模板相较于B等于零图像能提供更高的对比度，因此可通过平均所有患者和对照组个体生成的FA图来定义FA模板。第二步，通过最小化待配准FA图与FA模板之间区域强度的差异（基于平方差），对DTI数据集进行非线性MNI标准化，并据此生成新的模板T2。重复此迭代过程，直至个体FA图与FA模板之间的相关性大于0.7。通常经过两次迭代即可达到该阈值。现在可以通过以下步骤进行基于全脑的空间统计分析：由标准化的DTI数据计算各向异性分数图，对各向异性分数图进行平滑处理，并进行统计学评估，包括在后续分析中对多重比较进行校正。通过基于全脑的空间统计方法，计算肌萎缩侧索硬化症患者与对照组之间各向异性分数图的差异。作为体素级比较前的预处理步骤，需从标准化的DTI数据计算FA图，以保留方向性信息；随后对个体的标准化FA图应用平滑滤波器进行平滑处理。滤波器尺寸会影响DTI数据分析结果，这一事实要求应用匹配滤波器定理，该定理指出，用于处理数据的滤波器宽度应与预期差异的大小相匹配。使用学生t检验（student's T-test）比较患者组与相应的对照组foxwell Y。具体方法是对每个foxhole分别比较患者FA图谱与对照组FA图谱的FA值，然后采用错误发现率算法在P小于0.05的水平上对统计结果进行多重比较校正。使用空间相关性算法进一步降低α误差，该算法可消除孤立体素或大小在平滑核范围内的小型孤立体素群，从而在后续两次追踪中设定最小阈值簇大小为512个体素。针对肌萎缩侧索硬化症患者与对照组进行分数各向异性统计分析。为了应用基于群体的纤维追踪算法，需首先将患者的DTI数据集与对照组的DTI数据集合并，生成平均DTI数据集，然后通过应用简化的追踪技术对受试者群体的平均DTI数据集进行纤维束成像。通过基于全脑的FA分析，手动确定邻近局部最大值的种子点，这些种子点是后续纤维追踪分析的基础。在种子点确定后，进行T束纤维追踪，并将所描绘纤维的体素定义为特定于该组的掩模，用于后续的TFAS分析。为了量化T纤维追踪结果，利用每组所有受试者平均DTI数据集生成的纤维轨迹进行TFAS分析，以选择参与患者与对照组FA图谱比较的体素。结合WBSS与TFAS获取全面信息，对所有FA值高于0.2的体素进行学生t检验统计分析。该动画展示了在LS患者样本与匹配对照组之间，通过WBSS检测到的FA图谱组间差异，以逐层切片可视化方式呈现。本视频展示了以皮质脊髓束内的起始点进行纤维追踪，作为TFAS的基础。一旦掌握，若操作得当，该技术可在数小时内近乎自动地完成。观看本视频后，您应能充分理解如何利用全脑空间统计方法和TrackWise FA统计方法，在群体水平上进行DTI分析。

diffusion-tensor-magnetic-resonance-imaging-analysis

Research

科研

JoVE Journal

Medicine

医学

磁共振扩散张量成像在神经退行性疾病的分析

用于评估纳米颗粒在细胞内生物分布的生物成像方法，适用于纳米制剂化合物的治疗和诊断监测。通过组织学共定位分析，本文所述方法具有高灵敏度和特异性。这些方法为从啮齿类动物到人类的应用提供了转化路径。...

用于诊断与治疗监测的纳米材料注册生物成像

神经影像学技术，如功能性磁共振成像和弥散张量成像，在表征自闭症的认知与神经功能缺陷方面正变得越来越重要。本文介绍了在自闭症中从网络水平对脑连接性进行研究，并讨论了针对发育障碍儿童扫描的适应性方法。...

利用fMRI和弥散张量成像研究自闭症中的大脑

我们介绍了一种利用磁共振成像（MRI）同时分析大脑功能与结构的新方法。我们采用高分辨率扩散加权成像及白质纤维束示踪技术来评估大脑结构。与标准的结构性MRI不同，这些技术使我们能够直接将解剖连接性与脑网络的功能特性关联起来。...

联合分析脑结构与功能：采用fMRI与扩散加权成像

来源：Zheng, W. 等.，慢性脊髓受压中的弥散张量磁共振成像。J. Vis. Exp.

利用扩散张量成像评估脊髓受压

我们介绍了如何利用磁共振成像获取乳腺扩散张量的参数图和矢量图。成像后处理的方案及最终输出结果经过优化，可用于追踪乳腺结构特征并检测乳腺恶性病变。...

追踪乳腺结构特征并利用磁共振扩散张量成像检测乳腺癌

神经肌肉疾病通常表现出时间上动态变化、空间上异质性以及多方面的病理特征。本方案的目的是利用无创磁共振成像方法对这种病理特征进行表征。...

骨骼肌疾病的定量磁共振成像

本实验方案的目标是获得高质量的大鼠脊髓扩散加权磁共振成像（DWI），以无创表征组织微结构。本方案描述了磁共振成像序列、射频线圈及分析方法的优化，以实现无伪影的扩散加权成像。...

大鼠颈髓扩散成像

本文介绍了一种应用扩散张量成像参数评估脊髓受压的实验方案。...

慢性脊髓受压中的弥散张量磁共振成像

本实验的总体目标是获取轻度创伤性脑损伤大鼠海马体的定量微结构信息。该目标通过采用先进的扩散加权磁共振成像方案，并对参数化扩散图进行基于感兴趣区域的分析来实现。...

轻度创伤性脑损伤大鼠海马区的高级扩散成像

本文介绍了一种在7.0特斯拉下获取多发性硬化（MS）患者脑部磁共振（MR）图像的方案。该方案包括设备准备（含射频线圈）、对MS患者的标准化访谈流程、受试者在MR扫描仪中的体位摆放以及MR数据采集。...

7.0 特斯拉下多发性硬化症的磁共振成像

了解磁共振扩散张量成像（DTI）技术，用于分析神经退行性疾病的脑白质微观结构病理变化。该方法结合全脑空间统计（WBSS）和纤维束追踪各向异性统计（TFAS），能够有效识别患者组与对照组之间的白质差异，为神经影像学诊断提供可靠的生物标志物。

神经退行性疾病分析中的弥散张量磁共振成像

探索更多视频