擴散張量成像數(shù)據(jù)分析方法概述#

1、中國科技論文在線擴散張量成像數(shù)據(jù)分析方法概述基金項目：高等學(xué)校博士學(xué)科點專項科研基金博導(dǎo)類資助課題（20134433110012）；國家自然科學(xué)基金項目（61372063） 李永欣1，劉哲星2，黃文華1作者簡介：李永欣（1982-），男，博士后，主要從事核磁共振成像數(shù)據(jù)處理方法的研究和應(yīng)用通信聯(lián)系人：黃文華（1970-），男，教授，主要從事與骨損傷修復(fù)相關(guān)的臨床應(yīng)用解剖學(xué)、醫(yī)學(xué)生物力學(xué)、醫(yī)學(xué)圖像處理及數(shù)字化醫(yī)學(xué)研究. E-mail: huangwenhua2001.51.5Institute of Clinical Anatomy, School of Basic Medi

2、cal Sciences, Southern Medical University;School of Biomedical Engineering, Southern Medical University;Institute of Clinical Anatomy, School of Basic Medical Sciences, Southern Medical University南方醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院臨床解剖學(xué)研究所;南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院;南方醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院臨床解剖學(xué)研究所510515;51051513570968876;1382223274913570968876;13

3、822232749廣東省廣州市廣州大道北1838號南方醫(yī)科大學(xué);廣東省廣州市廣州大道北1838號南方醫(yī)科大學(xué)yxin-li;liuzhexing;huangwenhua2009李永欣（1982-），男，博士后，主要從事核磁共振成像數(shù)據(jù)處理方法的研究和應(yīng)用;黃文華（1970-），男，教授，主要從事與骨損傷修復(fù)相關(guān)的臨床應(yīng)用解剖學(xué)、醫(yī)學(xué)生物力學(xué)、醫(yī)學(xué)圖像處理及數(shù)字化醫(yī)學(xué)研究李永欣;劉哲星;黃文華LI Yongxin;LIU Zhexing;HUANG Wenhua黃文華高等學(xué)校博士學(xué)科點專項科研基金博導(dǎo)類資助課題（20134433110012）；國家自然科學(xué)基金項目（61372063）1.51.5

4、1.51*|*期刊*|*Le Bihan D, Mangin JF, Poupon C, et al. Diffusion tensor imaging: concepts and applicationsJ. Journal of Magnetic Resonance Imaging, 2001, 13(4): 534-546.<CR>2*|*期刊*|*Mukherjee P, Berman J, Chung S, et al. Diffusion tensor MR imaging and fiber tractograph

5、y: theoretic underpinningsJ. American journal of neuroradiology, 2008, 29(4): 632-641.<CR>3*|*期刊*|*Basser PJ, Jones DK. Diffusiontensor MRI: theory, experimental design and data analysisa technical reviewJ. NMR in Biomedicine, 2002, 15(78): 456-467.<CR>4*|*期刊*|*Le Bihan D, Johansen-Berg

6、H. Diffusion MRI at 25: Exploring brain tissue structure and functionJ. NeuroImage, 2012, 61(2): 324-341.<CR>5*|*期刊*|*Mori S, Zhang J. Principles of diffusion tensor imaging and its applications to basic neuroscience researchJ. Neuron, 2006, 51(5): 527-539.<CR>6*|*期刊*|*Basser PJ, Mattiel

7、lo J, LeBihan D. MR diffusion tensor spectroscopy and imagingJ. Biophysical Journal, 1994, 66(1): 259-267.<CR>7*|*專著*|*Johansen-Berg H, Behrens TE. Diffusion MRI: From quantitative measurement to in-vivo neuroanatomyM. London: Academic Press, 2009.<CR>8*|*期刊*|*Jones DK, Knösche TR,

8、Turner R. White matter integrity, fiber count, and other fallacies: the do's and don'ts of diffusion MRIJ. Neuroimage, 2013, 73239-254.<CR>9*|*期刊*|*Moseley ME, Kucharczyk J, Asgari HS, et al. Anisotropy in diffusionweighted MRIJ. Magnetic Resonance in Medicine, 1991, 19(2): 321-326.<

9、;CR>10*|*期刊*|*Basser PJ, Pierpaoli C. Microstructural and physiological features of tissues elucidated by quantitative-diffusion-tensor MRIJ. Journal of Magnetic Resonance. Series B, 1996, 111(3): 209-219.<CR>11*|*期刊*|*Pierpaoli C, Basser PJ. Toward a quantitative assessment of diffusion an

10、isotropyJ. Magnetic resonance in Medicine, 1996, 36(6): 893-906.<CR>12*|*期刊*|*Han Z, Ma Y, Gong G, et al. White matter structural connectivity underlying semantic processing: evidence from brain damaged patientsJ. Brain, 2013, 136(Pt 10): 2952-2965.<CR>13*|*期刊*|*Tseng BY, Gundapuneedi T,

11、 Khan MA, et al. White matter integrity in physically fit older adultsJ. Neuroimage, 2013, 82510-516.<CR>14*|*期刊*|*Zatorre RJ, Fields RD, Johansen-Berg H. Plasticity in gray and white: neuroimaging changes in brain structure during learningJ. Nature Neuroscience, 2012, 15(4): 528-536.<CR>

12、;15*|*期刊*|*Johansen-Berg H. Behavioural relevance of variation in white matter microstructureJ. Current Opinion in Neurology, 2010, 23(4): 351-358.<CR>16*|*期刊*|*Shinoura N, Suzuki Y, Tsukada M, et al. Impairment of inferior longitudinal fasciculus plays a role in visual memory disturbanceJ. Ne

13、urocase, 2007, 13(2): 127-130.<CR>17*|*期刊*|*Oakes TR, Fox AS, Johnstone T, et al. Integrating VBM into the general linear model with voxelwise anatomical covariatesJ. Neuroimage, 2007, 34(2): 500-508.<CR>18*|*期刊*|*Chu Z, Wilde E, Hunter J, et al. Voxel-based analysis of diffusion tensor

14、imaging in mild traumatic brain injury in adolescentsJ. American journal of neuroradiology, 2010, 31(2): 340-346.<CR>19*|*期刊*|*Seok J-H, Park H-J, Chun J-W, et al. White matter abnormalities associated with auditory hallucinations in schizophrenia: a combined study of voxel-based analyses of d

15、iffusion tensor imaging and structural magnetic resonance imagingJ. Psychiatry Research: Neuroimaging, 2007, 156(2): 93-104.<CR>20*|*期刊*|*Snook L, Plewes C, Beaulieu C. Voxel based versus region of interest analysis in diffusion tensor imaging of neurodevelopmentJ. Neuroimage, 2007, 34(1): 243

16、-252.<CR>21*|*期刊*|*Friston KJ, Holmes AP, Worsley KJ, et al. Statistical parametric maps in functional imaging: a general linear approachJ. Human brain mapping, 1994, 2(4): 189-210.<CR>22*|*期刊*|*Smith SM, Jenkinson M, Johansen-Berg H, et al. Tract-based spatial statistics: voxelwise anal

17、ysis of multi-subject diffusion dataJ. Neuroimage, 2006, 31(4): 1487-1505.<CR>23*|*期刊*|*Jones DK, Symms MR, Cercignani M, et al. The effect of filter size on VBM analyses of DT-MRI dataJ. Neuroimage, 2005, 26(2): 546-554.<CR>24*|*期刊*|*Simon TJ, Ding L, Bish JP, et al. Volumetric, connect

18、ive, and morphologic changes in the brains of children with chromosome 22q11. 2 deletion syndrome: an integrative studyJ. Neuroimage, 2005, 25(1): 169-180.<CR>25*|*期刊*|*Smith SM, Johansen-Berg H, Jenkinson M, et al. Acquisition and voxelwise analysis of multi-subject diffusion data with tract-

19、based spatial statisticsJ. Nature protocols, 2007, 2(3): 499-503.<CR>26*|*期刊*|*Jbabdi S, Johansen-Berg H. Tractography: where do we go from here?J. Brain Connectivity, 2011, 1(3): 169-183.<CR>27*|*學(xué)位論文*|*方鵬. 彌散張量成像的腦連接模式分析D. 長沙: 國防科學(xué)技術(shù)大學(xué), 2011.<CR>28*|*期刊*|*姚旭峰, 宋志堅. 磁共振彌散張量成像纖維束追蹤

20、算法的研究進展J. 醫(yī)學(xué)研究雜志, 2012, 41(6): 174-176.<CR>29*|*期刊*|*Behrens T, Berg HJ, Jbabdi S, et al. Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?J. Neuroimage, 2007, 34(1): 144-155.<CR>30*|*期刊*|*Mori S, van Zijl P. Fiber tracking: principles and strategie

21、sa technical reviewJ. NMR in Biomedicine, 2002, 15(78): 468-480.<CR>31*|*期刊*|*Jiang H, van Zijl P, Kim J, et al. DtiStudio: resource program for diffusion tensor computation and fiber bundle trackingJ. Computer Methods and Programs in Biomedicine, 2006, 81(2): 106-116.<CR>32*|*期刊*|*Touss

22、aint N, Souplet J-C, Fillard P. MedINRIA: Medical image navigation and research tool by INRIAJ. Proc. of MICCAI, Vol. 7, 2007.<CR>33*|*期刊*|*Fedorov A, Beichel R, Kalpathy-Cramer J, et al. 3D Slicer as an image computing platform for the Quantitative Imaging NetworkJ. Magnetic resonance imaging

23、, 2012, 30(9): 1323-1341.<CR>34*|*期刊*|*Wang R, Benner T, Sorensen A, et al. Diffusion toolkit: a software package for diffusion imaging data processing and tractographyJ. Proc Intl Soc Mag Reson Med, Vol. 15, 2007: 3720.<CR>35*|*期刊*|*Behrens T, Woolrich M, Jenkinson M, et al. Characteriz

24、ation and propagation of uncertainty in diffusionweighted MR imagingJ. Magnetic Resonance in Medicine, 2003, 50(5): 1077-1088.<CR>36*|*期刊*|*Peled S, Friman O, Jolesz F, et al. Geometrically constrained two-tensor model for crossing tracts in DWIJ. Magnetic resonance imaging, 2006, 24(9): 1263-

25、1270.<CR>37*|*期刊*|*Dyrby TB, Søgaard LV, Parker GJ, et al. Validation of in vitro probabilistic tractographyJ. Neuroimage, 2007, 37(4): 1267-1277.<CR>38*|*期刊*|*Suchan J, Umarova R, Schnell S, et al. Fiber pathways connecting cortical areas relevant for spatial orienting and explorat

26、ionJ. Human Brain Mapping, 2013.<CR>39*|*期刊*|*Jbabdi S, Sotiropoulos SN, Savio AM, et al. Modelbased analysis of multishell diffusion MR data for tractography: How to get over fitting problemsJ. Magnetic Resonance in Medicine, 2012, 68(6): 1846-1855.<CR>40*|*期刊*|*Rykhlevskaia E, Uddin LQ

27、, Kondos L, et al. Neuroanatomical correlates of developmental dyscalculia: combined evidence from morphometry and tractographyJ. Frontiers in Human Neuroscience, 2009, 3.<CR>41*|*期刊*|*Cohen MX, Schoene-Bake J-C, Elger CE, et al. Connectivity-based segregation of the human striatum predicts pe

28、rsonality characteristicsJ. Nature neuroscience, 2009, 12(1).<CR>42*|*期刊*|*Li Y, Hu Y, Wang Y, et al. Individual structural differences in left inferior parietal area are associated with schoolchildrens arithmetic scoresJ. Frontiers in Human Neuroscience, 2013, 7844.<CR>43*|*學(xué)位論文*|*劉薇. 磁

29、共振彌散張量成像中的失真?zhèn)斡靶Ｕ捌湎嚓P(guān)算法研究D. 上海: 華東師范大學(xué), 2011.<CR>44*|*期刊*|*Chang LC, Jones DK, Pierpaoli C. RESTORE: robust estimation of tensors by outlier rejectionJ. Magnetic Resonance in Medicine, 2005, 53(5): 1088-1095.<CR>45*|*期刊*|*Chang LC, Jones DK, Pierpaoli C. RESTORE: robust estimation of tens

30、ors by outlier rejectionJ. Magnetic Resonance in Medicine, 2005, 53(5): 1088-1095.<CR>46*|*期刊*|*Liu Z, Wang Y, Gerig G, et al. Quality control of diffusion weighted imagesJ. SPIE Medical Imaging: International Society for Optics and Photonics, 2010: 76280J-76280J-76289.<CR>47*|*期刊*|*Hone

31、y CJ, Sporns O, Cammoun L, et al. Predicting human resting-state functional connectivity from structural connectivityJ. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(6): 2035-2040.<CR>48*|*期刊*|*Uddin LQ. Complex relationships between structural and

32、functional brain connectivityJ. Trends in Cognitive Sciences, 2013, 17(12): 600-602.<CR>49*|*期刊*|*Hagmann P, Kurant M, Gigandet X, et al. Mapping human whole-brain structural networks with diffusion MRIJ. PLoS One, 2007, 2(7): e597.<CR>50*|*期刊*|*Gong G, He Y, Concha L, et al. Mapping ana

33、tomical connectivity patterns of human cerebral cortex using in vivo diffusion tensor imaging tractographyJ. Cereb Cortex, 2009, 19(3): 524-536.|1|李永欣|LI Yongxin|南方醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院臨床解剖學(xué)研究所|Institute of Clinical Anatomy, School of Basic Medical Sciences, Southern Medical University|李永欣（1982-），男，博士后，主要從事核磁共振

34、成像數(shù)據(jù)處理方法的研究和應(yīng)用|廣東省廣州市廣州大道北1838號南方醫(yī)科大學(xué)|510515|yxin-li13570968876<CR>|2|劉哲星|LIU Zhexing|南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院|School of Biomedical Engineering, Southern Medical University|liuzhexing|<CR>*|3|黃文華|HUANG Wenhua|南方醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院臨床解剖學(xué)研究所|Institute of Clinical Anatomy, School of Basic Medical S

35、ciences, Southern Medical University|黃文華（1970-），男，教授，主要從事與骨損傷修復(fù)相關(guān)的臨床應(yīng)用解剖學(xué)、醫(yī)學(xué)生物力學(xué)、醫(yī)學(xué)圖像處理及數(shù)字化醫(yī)學(xué)研究|廣東省廣州市廣州大道北1838號南方醫(yī)科大學(xué)|510515|huangwenhua200913822232749擴散張量成像數(shù)據(jù)分析方法概述|Analysis methods review of diffusion tensor MR imaging|高等學(xué)校博士學(xué)科點專項科研基金博導(dǎo)類資助課題（20134433110012）；國家自然科學(xué)基金項目（61372063）- 8 -（

36、1. 南方醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院臨床解剖學(xué)研究所；2. 南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院）摘要：擴散張量成像作為唯一的可在活體顯示腦白質(zhì)纖維束的無創(chuàng)成像方法，利用組織內(nèi)水分子擴散的各向異性特征進行成像。文章以擴散張量成像基本原理為出發(fā)點，對擴散張量成像的主要研究方向和數(shù)據(jù)分析方法進行總結(jié)，指出當前該領(lǐng)域存在的關(guān)鍵問題并進行討論。關(guān)鍵詞：擴散張量成像；各向異性；腦白質(zhì)纖維束；定量分析法；纖維追蹤中圖分類號：R445.2 Analysis methods review of diffusion tensor MR imagingLI Yongxin1, LIU Zhexing2, HUANG Wenhua

37、1(1. Institute of Clinical Anatomy, School of Basic Medical Sciences, Southern Medical University;2. School of Biomedical Engineering, Southern Medical University)Abstract: Diffusion tensor imaging (DTI) is a kind of non-invasive method that makes use of the anisotrophy of water molecules in the tis

38、sue to explore the microstructure of the brain. It can reveal abnormalities in white matter fiber structure and provide outstanding maps of brain connectivity. The paper reviews the principle of DTI, the main research directions and data analysis methods. It also describes current research limitatio

39、ns and makes a further discussion.Key words: Diffusion tensor imaging; anisotropy; white matter fiber bundles; quantitative analysis method; fiber tracking method0 引言擴散張量成像(diffusion tensor imaging，DTI)，是在擴散加權(quán)成像（diffusion weighted imaging, DWI)基礎(chǔ)上迅速發(fā)展而來的磁共振成像(magnetic resonance imaging，MRI)新技術(shù)1,2。DT

40、I圖像是由一組不同方向信息的DWI計算得到,不僅可以提供腦白質(zhì)組織的標量信息,還可以提供腦白質(zhì)走行方向(纖維束)的矢量信息。DTI成像技術(shù)是目前唯一可在活體顯示腦白質(zhì)纖維束的無創(chuàng)成像方法3。該技術(shù)可通過量化每個體素水分子擴散運動來定量分析大腦的微細結(jié)構(gòu)；同時通過后處理技術(shù)建立大腦白質(zhì)纖維束擴散示蹤圖，可以直接觀測大腦神經(jīng)纖維的走向和完整性?；贒TI成像技術(shù)的這些優(yōu)勢，目前研究者將這種技術(shù)多應(yīng)用于臨床疾病的病灶探測和大腦結(jié)構(gòu)網(wǎng)絡(luò)等領(lǐng)域的研究4,5。本文以DTI成像基本原理為出發(fā)點，綜述當前DTI數(shù)據(jù)常用的分析方法，指出當前該領(lǐng)域中存在的關(guān)鍵問題并進行展望。1 擴散張量成像基本原理對DTI的原理

41、介紹之前我們首先要理解擴散的概念。擴散運動，又稱布朗運動，指水分子的隨機不規(guī)則運動，是體內(nèi)的物質(zhì)轉(zhuǎn)運方式之一1。在均質(zhì)介質(zhì)中水分子的運動是無序隨機運動，即向各個方向運動的幾率是相同的，具有各向同性。在人體組織中，水分子的運動由于受到組織細胞結(jié)構(gòu)的影響，在各個方向擴散程度是不同的，具有方向依賴性，即各向異性。DTI技術(shù)正是基于人體組織中水分子的這種微觀運動特性，來探測人體組織的微觀結(jié)構(gòu)。在人體組織中要描述水分子的空間擴散情況，需要引入張量的概念。如腦白質(zhì)中每個體素的各向異性擴散過程就可以用一個二階張量D表示，這個二階張量可近似描述不同方向上分子的遷移率。均質(zhì)介質(zhì)中水分子在各個方向上的擴散強度大小

42、一致，擴散張量D描述為球形，三個主坐標軸方向上的特征值分別為123，如人腦中的腦脊液和灰質(zhì)。而在人腦的白質(zhì)中，由于髓鞘的阻擋，水分子的擴散被限制在與纖維走行一致的方向上，具有較高的各向異性，此時擴散張量可表示為橢球形，其特征值1>>23，最大特征值對應(yīng)的方向與經(jīng)過該體素的纖維束走行平行。在這一基礎(chǔ)上，DTI利用擴散張量場中各向異性擴散的方向信息來追蹤神經(jīng)通路的走行，從而得到腦白質(zhì)中神經(jīng)纖維束的走行方向和立體形態(tài)。二階張量具有空間對稱性(Dij=Dji)，所以在張量成像中只需要計算6個變量值(Dxx,Dyy,Dzz,Dxy,Dyz,Dzx)，其方法是至少在6個不同非共線方向上施加敏感

43、梯度，另外再采集一幅具有相同參數(shù)而未施加敏感梯度的圖像。從擴散加權(quán)和非擴散加權(quán)像的信號強度衰減差異中可以得到6幅表觀擴散系數(shù)圖，得到一個六元一次方程組，最后可求得每個體素的有效擴散張量D6。在實際應(yīng)用中，為了提高圖像的信噪比，DTI數(shù)據(jù)采集中的擴散梯度方向往往大于，這樣采集的數(shù)據(jù)三維空間分布更均勻，從而計算的數(shù)據(jù)更準確。2 擴散張量成像主要數(shù)據(jù)分析方法目前DTI主要的數(shù)據(jù)分析方法分為兩大類：擴散各向異性定量參數(shù)研究和纖維束追蹤技術(shù)。2.1 擴散各向異性定量參數(shù)研究在腦白質(zhì)中，影響表觀擴散張量形狀的因素有：纖維密度、形成髓鞘的程度、平均纖維直徑以及體素內(nèi)纖維方向的一致性等。擴散張量成像技術(shù)可實現(xiàn)

44、對體素內(nèi)各向異性擴散的定量描述7，常用的量化參數(shù)包括：平均擴散率(MD)，各向異性系數(shù)(FA)，徑向擴散系數(shù)(AD)和橫向擴散系數(shù)(RD)等8，其中最常用的指標是MD和FA 9,10,11。MD反映擴散運動的快慢而忽略擴散各向異性,代表著分子的整體擴散水平(平均橢球體的大小)和存在的全部擴散障礙,計算公式如下：FA指擴散張量的各向異性部分占整個擴散張量的比例，F(xiàn)A值的大小代表水分子擴散的各向異性程度，取值范圍為0-1：FA值越大說明各項異性越高，即水分子朝某個方向擴散的自由度遠遠高于其他方向，在神經(jīng)纖維走行方向一致性高、排列致密的腦區(qū)如白質(zhì)就存在這樣的特性；反之，F(xiàn)A越小說明水分子朝各個方向的

45、擴散差不多，在腦脊液和灰質(zhì)中即這樣的特性。在許多研究中發(fā)現(xiàn)一些腦區(qū)FA值的大小與行為指標具有相關(guān)性，可以很好的預(yù)測疾病和指導(dǎo)訓(xùn)練等12,13,14,15。DTI圖像數(shù)據(jù)定量研究中常用的分析方法有三類：基于感興趣區(qū)的分析法、基于體素的逐點分析法和基于纖維束的分析法。2.1.1 基于感興趣區(qū)的分析法這種分析方法一般是指一些有臨床背景和豐富的研究經(jīng)驗的研究者，在DTI參數(shù)圖像上人工勾畫出感興趣區(qū)，然后對區(qū)域內(nèi)的參數(shù)值進行分析，找出研究對象（如疾病患者）與正常被試間的差異16?；谌斯じ信d趣區(qū)定義的DTI組間比較分析還是一種粗糙的方法，主要依賴已有的醫(yī)學(xué)假說，只能在大體上分析區(qū)域DTI的特性，不能進行

46、局部、更加精細的分析和發(fā)現(xiàn)并提出新的醫(yī)學(xué)假說。而且大腦白質(zhì)由許多方向不同的纖維束構(gòu)成，在不同部位的腦白質(zhì)參數(shù)值也不同，腦形狀的差異會導(dǎo)致手畫感興趣區(qū)所在的大腦白質(zhì)纖維束不同，使得被試間橫向比較會產(chǎn)生較大的誤差。并且人工感興趣區(qū)方法需要大量的人工參與，不同人手畫感興趣區(qū)也存在一定的誤差，使得此方法受主觀因素的影響較大，造成結(jié)果的重復(fù)性和可靠性不高，造成假陰性結(jié)果的出現(xiàn)。特別是當涉及到大型的臨床試驗研究時，由于它巨大的人工成本和低下的人工操作的一致性，這種方法變得無法接受。2.1.2 基于體素的逐點分析法為了彌補基于感興趣區(qū)分析法的缺陷，一些研究者提出了用基于體素逐點分析的方法，可用來檢測人們不曾

47、預(yù)料到的神經(jīng)解剖學(xué)的區(qū)域17。常用的分析軟件如德國Jena大學(xué)精神病學(xué)系Christian Gaser 開發(fā)的VBM工具包（http:/dbm.neuro.uni-jena.de/vbm/）等。這類分析方法操作簡便，自動化，不受主觀因素的影響，不需要先驗信息，對腦損傷18、精神類疾病19、大腦發(fā)育和老化20等方面的研究具有獨特的優(yōu)勢。在實際應(yīng)用中主要使用統(tǒng)計參數(shù)圖21進行全腦的無偏差統(tǒng)計分析。然而這種分析法在設(shè)計中由于沒有考慮到特殊張量特性數(shù)據(jù)的情況，存在許多缺陷22。如這種分析法中假設(shè)數(shù)據(jù)分布滿足高斯隨機場分布統(tǒng)計模型，對于非正態(tài)分布的DTI數(shù)據(jù)，即使對數(shù)據(jù)進行平滑也不能滿足模型假

48、設(shè)條件。另外這種分析法需要對DTI數(shù)據(jù)進行平滑，平滑核大小的選擇會對最后的統(tǒng)計結(jié)果產(chǎn)生重要的影響23。這種方法由于被試間顱內(nèi)體積、形狀、結(jié)構(gòu)旋轉(zhuǎn)等解剖差異性使得在圖像配準方面存在挑戰(zhàn)，造成統(tǒng)計結(jié)果存在偏差，出現(xiàn)假陽性結(jié)果24。2.1.3 基于纖維束的分析法基于纖維束的分析法是一種自動化的分析方法，可對整個大腦的白質(zhì)組間擴散指標變化進行統(tǒng)計分析22。一般使用 FSL 提供的基于神經(jīng)纖維束的空間統(tǒng)計（Tract-Based Spatial Statistics， TBSS，http:/fsl.fmrib.ox.ac.uk/fsl/fslwiki/TBSS）工具包進行分析。這種方法不需要進行平滑處理

49、，很好的解決了基于體素的逐點分析方法面臨的問題。TBSS的處理思路如下25：所有參加實驗的被試的FA圖像合并生成FA的平均圖像，應(yīng)用標準圖像處理技術(shù)把平均FA圖像骨架化，使其代表這些被試的主要纖維束分布；再把每個被試標準化后的FA圖像投射到這個平均骨架模板上，從這個模板中提取的FA值即代表每個被試主要纖維束的各項異性系數(shù)；最后把這些骨架化后的每個被試圖像進行廣義模型建模，進行統(tǒng)計分析。2.2 纖維束追蹤技術(shù)DTI數(shù)據(jù)的每個體素都對應(yīng)一個二階張量，如何從這些張量信息中得到神經(jīng)纖維的走向和分布，此即白質(zhì)纖維束追蹤的主要研究問題26。纖維追蹤技術(shù)使用連續(xù)的曲線擬合來描述白質(zhì)纖維的走向和分布，可以形象

50、的演示腦白質(zhì)的細節(jié)信息，是目前為止應(yīng)用最廣泛的白質(zhì)纖維可視化方法。當前追蹤的方法按照算法的不同主要分為兩大類：確定性追蹤和概率性追蹤26,27。確定性追蹤算法依據(jù)體素所含的張量信息來表示纖維束的走行方向，然后根據(jù)設(shè)定的追蹤策略來連接相鄰體素，而概率性追蹤算法則試圖在感興趣區(qū)中建立連接的空間分布度28,29。2.2.1 確定性追蹤在確定性纖維追蹤算法中，利用最大本征1對應(yīng)纖維束傳導(dǎo)方向?qū)⒋竽X中神經(jīng)纖維束軌跡描出來，實現(xiàn)在活體中查看和研究神經(jīng)通路的連接和連續(xù)性30。這種方法的實現(xiàn)需要有三個重要步驟。首先，提取每個體素中的纖維走向，一般使用1進行纖維方向的估計。第二步，選取種子點，從種子點向與1平行

51、的兩個方向進行雙向追蹤。這時追蹤的結(jié)果是基于每個體素的從而是離散的路徑，但一般都認為纖維是非常平滑的。因此我們將離散體素內(nèi)的分段路徑轉(zhuǎn)換為連續(xù)的追蹤軌線。第三步，終止擴展路徑條件的選取。終止擴展路徑通常有兩個條件：當路徑追蹤到分數(shù)各向異性值較低區(qū)域則追蹤停止(通常選擇一個閾值來區(qū)分腦白質(zhì)和灰質(zhì)，如FA<0.2)，另一種為當追蹤路徑出現(xiàn)銳彎時(如角度閾值大于450)則終止。目前各個實驗室都在積極開發(fā)程序，進行確定性追蹤方法的應(yīng)用，譬如DTI Studio 31， MedINRIA 32, 3D Slice 33， TrackVis 34。這些計算軟件為擴散張量圖像計算、纖維走向圖像及其可視

52、化提供了有效的工具。然而確定性追蹤方法不能有效的解決白質(zhì)纖維交叉等問題，并且由于DTI數(shù)據(jù)采集過程中噪聲和部分容積的影響，追蹤精度和穩(wěn)定性上有待提高；更重要的是雖然確定性追蹤方法能成功的追蹤到粗大腦白質(zhì)纖維束，但是不能給重構(gòu)腦白質(zhì)纖維提供一個可信的測量方法，也不能計算FA較低的灰質(zhì)腦區(qū)之間的解剖連接。2.2.2 概率性追蹤由于DTI數(shù)據(jù)存在測量噪聲、被試頭動和圖像偽影，擴散主方向和纖維方向估計中存在著不確定性，這是確定性追蹤算法不能解決的問題。概率性纖維追蹤算法將可能走向的分布加入到追蹤算法中來，這就使得每條纖維軌線都有測量置信度35。確定性追蹤算法只在每個種子體素中重構(gòu)一條或多條線性路徑36

53、，概率性追蹤算法多采用概率密度函數(shù)來評價每個體素的不確定性以及多條纖維束方向，使用張量模型來估計每個體素的最大可能纖維束走形方向。通過計算概率密度函數(shù)，評價體素的連接進行追蹤。在種子體素中擴展大量的路徑，在腦區(qū)間可生成纖維連接的概率分布圖29,37。概率性追蹤是估計從體素中出發(fā)流線的空間分布，流線再生性越強，則流線反映組織的真實結(jié)構(gòu)特征的概率就越高。基于體素的連接不僅可以反映腦白質(zhì)纖維的完整性和一致性，同時也可以反映纖維幾何結(jié)構(gòu)和長度8,26。概率性追蹤一個主要的特點是在分數(shù)各向異性值較低區(qū)域如灰質(zhì)中也能夠重構(gòu)纖維軌跡，這是確定性追蹤不能實現(xiàn)的。由于確定性追蹤使用分數(shù)各向異性和角度微分的閾值來

54、確定追蹤終止條件，而概率性追蹤算法則使用兩連續(xù)步驟間的角度微分，因此可以實現(xiàn)FA值較低的灰質(zhì)間的解剖連接26,38。概率追蹤另外的一個特點是追蹤結(jié)果對噪聲更加穩(wěn)定，由于估計纖維走向的不確定性，一定程度上解決了纖維交叉問題29,39。鑒于概率性追蹤的優(yōu)越性，這種追蹤方法已廣泛應(yīng)用到認知心理學(xué)研究和疾病診療中40,41,42。當前研究中使用的軟件為牛津大學(xué)功能磁共振與大腦研究中心開發(fā)的FDT工具包（http:/fsl.fmrib.ox.ac.uk/fsl/fslwiki/）。但這種追蹤方法對數(shù)據(jù)的要求比較高，比如要求采集較多梯度方向的DTI數(shù)據(jù)。另外數(shù)據(jù)處理過程時間比較長，需借助高性能的多CPU計

55、算服務(wù)器實現(xiàn)。3 問題及展望DTI數(shù)據(jù)處理分析過程主要包括數(shù)據(jù)的預(yù)處理與質(zhì)量控制，DTI圖像的估計，DTI數(shù)據(jù)空間歸一化與圖譜構(gòu)建和纖維束跟蹤與重建。針對這些分析過程當前研究中存在一系列的問題：3.1 數(shù)據(jù)質(zhì)量控制問題在DTI成像中,快速切換不同的梯度時,梯度場的改變會產(chǎn)生渦流效應(yīng),即磁場的改變在線圈中引發(fā)渦電流并產(chǎn)生相應(yīng)的感應(yīng)磁場。渦流感應(yīng)磁場會使得成像磁場不再均勻,從而導(dǎo)致了圖像的幾何失真。DTI需要采集多個方向的DWI圖像來估計張量數(shù)據(jù),需要較長的掃描時間。在長時間的成像過程中,我們需要考慮一些由于肌肉運動,心臟起搏等產(chǎn)生的輕微頭動。此外,由于被測者在不同方向的DWI數(shù)據(jù)釆集時難以保持相

56、同的位置,因此頭部位置的平移及旋轉(zhuǎn)是無法避免的，造成了運動偽影。由于上述羅列的實驗對象、采集序列的選取和采集設(shè)備等原因，DTI數(shù)據(jù)中不可避免地存在一種或幾種缺陷和偽影。因此，實際的臨床研究中，無法保證所有擴散測量梯度方向的圖像都是可用的，有灰度缺陷和無法校正偽影的瑕疵DWI梯度數(shù)據(jù)在DTI估計以前必須予以剔除。目前，這個步驟主要通過人工目視檢查來實現(xiàn)。當發(fā)現(xiàn)有缺陷的方向DWI數(shù)據(jù)后，先刪除該方向的DWI數(shù)據(jù)，然后從擴散測量梯度方向表中刪除對應(yīng)的梯度方向。這種主觀的方法有很大的隨意性，不僅耗費大量的人力資源，而且不能保證人工識別的敏感度和標準掌握的一致性。更為嚴重的是，剔除一定數(shù)量有質(zhì)量缺陷的數(shù)

57、據(jù)以后，原有的優(yōu)化DWI采集方案已經(jīng)被破壞，DWI的采集方向在空間的分布不再均勻，DTI的最優(yōu)化重建已經(jīng)無法保證。而如何度量這種梯度方向空間分布的不均勻程度、剩余數(shù)據(jù)的梯度個數(shù)和不均勻程度對DTI估計的影響程度等問題的研究還是相對較少的43,44,45。因此DTI數(shù)據(jù)的質(zhì)量控制問題是當前這個領(lǐng)域面臨的主要問題之一。Liu等46對該問題進行了研究，開發(fā)了DTI領(lǐng)域第一個自動質(zhì)量控制工具軟件DTIPrep (/projects/dtiprep)。DTIPrep可以自動完成圖像參數(shù)檢查、DWI圖像灰度檢測、頭部運動和渦流失真的校正和DTI估計重建等DTI預(yù)處理功

58、能。作者提出了在每個斷層位置上，所有梯度方向的當前圖像與各自上一層圖像的歸一化相關(guān)系數(shù)近似服從正態(tài)分布，進而實現(xiàn)偽影圖像的自動篩查的算法。但是，DTIPrep還不完善。DTIPrep中對于可接受的有缺陷DWI梯度數(shù)據(jù)剔除數(shù)量是通過一個閾值設(shè)定的，該閾值目前還是根據(jù)具體的數(shù)據(jù)或者憑主觀給定，需要進一步和DTI圖像的重建質(zhì)量相聯(lián)系起來，實現(xiàn)自動優(yōu)化設(shè)定。建立與DTI質(zhì)量相聯(lián)系的、剔除瑕疵DWI數(shù)據(jù)以后的DWI數(shù)據(jù)集的擴散梯度的數(shù)量和空間分布均勻性等評價指標，是DWI質(zhì)量保證的迫切需求。3.2 DTI圖像的配準和無偏圖譜計算問題DTI數(shù)據(jù)實際研究中，需要實現(xiàn)所有樣本間DTI數(shù)據(jù)在空間上的精確配準，即

59、空間歸一化。因不同個體間腦的幾何形狀差異較大，一般的線性變換不足以實現(xiàn)像素級的配準精度，非線性配準方法是可實現(xiàn)這一目的。當前研究中DTI圖像配準主要分為兩類，一類是借用標量圖像的配準方法得到配準參數(shù)（線性變換）或者形變位移場，再把這些數(shù)據(jù)所用于DTI圖像，經(jīng)過幾何變換和張量重定向，最終得到配準以后的DTI圖像。這種方法可以借用已有的標量圖像配準的方法和軟件工具，計算量較小，易于實現(xiàn)。缺點是沒有充分利用DTI提供的高維信息來驅(qū)動形變過程，配準精度不高。另一類方法是直接對DTI圖像進行配準，充分利用DTI中所包含的多維信息來驅(qū)動配準過程。這種方法的優(yōu)點是配準優(yōu)化過程直接面向DTI數(shù)據(jù)，高維數(shù)據(jù)提供的豐富信息可以得到更好的優(yōu)化結(jié)果，其缺點是計算開銷巨大。如何提高配準精度、同時提高配準的速度，是DTI配準和無偏圖譜計算的核心問題。綜合已出現(xiàn)的各類配準方法的研究，對于DTI的無偏圖譜計算來說，結(jié)合標量和張量配準算法，線性和非線性的幾何變換等各種方法的優(yōu)點，采用先標量再張量，先線性再非線性的配準方法，優(yōu)化各種已有的方法的組合，是今后