磁共振弥散成像(dMRI)分析方法

前言

人类大脑的早期研究是基于各种侵入性的方法，如解剖或示踪研究，但在90年代早期之前，对活体大脑进行高水平的细节研究仍然具有挑战性。Crick和Jones(1993)在Nature杂志上发表的一篇文章中阐述了这一认识上的差距。文章指出，相比于对猕猴大脑的认识，人们对人类大脑的了解甚至可以用“鲜为人知”来形容，而猕猴的大脑至今仍被广泛用于理解神经元机制。当时，磁共振成像(MRI)主要是一种静态技术，正电子发射断层扫描(PET)是主要的动态技术，能够监测整个大脑，但其成像速度相当缓慢，而且空间分辨率有限。他们的结论是：现代人类大脑解剖需要引进一些全新的技术，但除非人们普遍意识到需要这些技术，否则这些技术不太可能出现。仅仅一年后，Basser及其同事开发了一种全新的技术，称为弥散张量(DT)MRI (简称DT-MRI或DTI)，它可以测量水分子的扩散，并可以间接绘制人类大脑的轴突连接。随着近年来弥散磁共振成像(dMRI)新方法的普及，我们现在可以开始此前未曾达到的高水平的细节研究，从而更好地揭示大脑回路。

在过去的几十年里，dMRI已经成为研究神经元组织微观结构特性和重建大脑结构连接的首选方法。弥散MRI为研究脑解剖提供了一种新的途径。dMRI广泛应用于神经科学和临床，包括但不限于神经退行性疾病(如阿尔茨海默病或痴呆症)的研究、发育过程，甚至是术前计划。在制定研究问题的过程中，专家们不仅要选择他们想要研究的dMRI参数，还要选择如何比较这些参数。有多种可用的策略，每一种都有其优点和缺点。例如，如果使用过于粗略的图谱标签来提取弥散参数，局部病变的影响可能会被掩盖，而体素方面的比较可能会产生显著的差异。科学界已经编制了若干学术软件，以确保数据预处理和参数提取的透明度和可重复性。在这里，建议大家可以多使用和发现DIPY、DSI Studio、ExploreDTI、FreeSurfer、FSL和MRtrix等工具包的数据分析潜力。

① DIPY

（https://dipy.org/）

② DSI Studio

（https://dsi-studio.labsolver.org/）

③ ExploreDTI

（https://exploredti.com/）

④ FreeSurfer

（https://surfer.nmr.mgh.harvard.edu/）

⑤ FSL

（https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/）

⑥ MRtrix

（https://www.mrtrix.org/）

接下来，本文回顾了dMRI分析中最常见的方法及其优势和局限性：(a)直方图<histogram>；(b)感兴趣区<region-of-interest(ROI)>；(c)基于体素<voxel-based>；(d)纤维束示踪<fiber tractography-based>；(e)轨迹分析<along-the-tract>；(f)连接组学<connectomics>；(g)FBA分析<fixel-based>；(h)形状分析<shape-based>。(如图1所示)

图1.弥散MRI数据分析方法概览。

分析方法

直方图分析

当疾病或感兴趣的条件作为对整个大脑的全局效应进行分析时，基于直方图的分析(图1a)可能是首选的。从直方图中可以提取出几个统计描述指标，例如：均值、中位数、峰值位置等，这些都是进一步分析的对象。由于比较是在整个大脑中进行的，因此其灵敏度较高，而且与操作者无关。主要缺点是它不能提供可能发生任何差异的位置。改善该分析空间特异性的一种方法是将其与其他分析技术相结合，例如，基于区域分析或体素分析，以研究除均值和标准差之外的其他特性，并注意数据的偏度。

ROI分析

当研究者想要研究大脑的特定部位时，基于区域或基于感兴趣区域(ROI)等不同形式的方法(图1b)是主要的工具。研究人员或临床医生通常在2D切片上手动绘制出完整的3D体素，或者使用以图谱形式的先验信息，通过图像配准与数据进行匹配。手动绘制和基于图谱的配准都可以应用于弥散数据或共同配准模式，例如同一被试的T1或T2加权扫描。如今，手动绘制的主要应用是临床案例或假设驱动的研究，其中所需的解剖专业知识是合理的。例如，脑肿瘤的轮廓通常在对比度增强的T1加权MR图像上明显，其中高信号区域是肿瘤浸润的指标。与未受影响的组织相比，同样感兴趣的区域可以用来提取弥散特性的变化。图2是一个患者示例图，该患者在放疗(RT)前的肿瘤体积(GTV，红色)是基于对比度增强的T1加权图像绘制的。

图2.一名胶质母细胞瘤患者在进行减积手术后的图像示例，此为用于放射治疗计划的放射治疗前扫描。

为了实现ROI定义过程的自动化，并确保被试之间的解剖保真度，基于图谱的ROI分析是首选的方法。图谱是一种分割方法，它覆盖了整个或部分大脑，通过将大量被试的解剖图像及其分割图进行平均来创建。这样的图谱及其相关模板在立体定向MNI(蒙特利尔神经学研究所)空间中普遍可用。当图谱配准到特定被试空间时，模板被用作移动图像。一旦将图谱标签转换到个体被试，就可以计算相应位置的扩散量，例如，左丘脑的平均扩散率(MD)。为弥散磁共振分析开发的体积图谱，比较著名的是来自Mori实验室的基于JHU DTI的白质图谱和来自BCB实验室的人脑连接图谱(www.bcblab.com)。表面模板是为皮层分析创建的，如Desikan-Killiany，Destrieux，或多模态Glasser图谱(balsa.wustl.edu/study/show/RVVG)。

基于体素的分析

探索性研究是在没有可用的先验知识或对疾病的预期位置没有形成假设的情况下进行的。在这种情况下，建议分析整个大脑。虽然基于直方图的方法确实包含了来自整个大脑的指标，但它们不能提供关于发生电势差的区域位置的任何细节。基于区域的分析可以覆盖整个大脑，但结果可能取决于图谱的选择。为了检测最小的差异，使用最小的区域进行比较似乎是很自然的，这是图像的基本构成要素：体素。在体素或基于体素的分析(VBA，图1c)期间，在每个体素中比较被试之间的微观结构属性。考虑到不同的被试可能有不同的大脑形状和大小，在VBA之前，兴趣图像必须在空间上转换到一个共同的坐标系，以保证被试和大脑区域之间的解剖保真度。在前面提到的MNI空间中，可以获得基于总体平均T1w、T2w或分数各向异性(FA)图像的通用模板。或者，也可以考虑创建一个特定群体的模板，将所有被试的图像配准到一个MNI模板中，然后计算平均图像。精确的非线性图像配准是一项具有挑战性的任务，特别是在有噪声的FA映射的情况下，病变的大脑也会影响归一化的性能。为了消除可能源于失配准所产生的伪影，Smith等人(2006)提出了基于区域的空间统计(TBSS)框架，作为VBA的补充方法。简单地说，将FA图谱配准到MNI空间后，从整个队列中计算一个研究模板。接下来，根据研究模板创建一个FA骨架图像，通过搜索局部垂直(或非主导)方向并在该方向截断FA值来表示白质束的中心。假设FA最高的体素被识别为通路的中心，这个过程将保留局部最大FA。遵循这个步骤，所有重新排列的被试局部最大FA垂直于骨架被投影回骨架。最后，对骨架化后的FA图像进行体素统计。代替FA，可选的其他弥散MRI指标，如MD，也可以投影回模板FA-骨架。不管VBA方法中有哪些不同的细节，比如是否采用TBSS方式，或者计算体素统计之前的平滑量，在基础神经科学和临床研究中，VBA都是一种越来越受欢迎的全脑分析技术。

纤维束成像：基于束的分析

纤维束成像(FT)或纤维示踪(图1d)技术是旨在重建大脑白质通路的综合技术。这些束被描述为连续的，平滑的曲线，并在扩散方向信息的集成基础上进行计算。在其通用的形式中，从种子点生成单个路径，该种子点遵循连续地局部纤维束方向，直到满足预定义的终止条件。在整个大脑的多个种子点上重复这个过程。而且需要注意各种设置的细节，例如播种策略、整合方法、方向的不确定性如何被纳入、终止标准、假阳性结果的事后处理。在很大程度上，弥散加权图像质量描述指标，如空间分辨率或角分辨率、信噪比等，也会影响FT结果。

重建的全脑示踪图是所有束的总结。在体内dMRI之前，研究人员只能通过侵入性方法来研究这些大脑连接的构建单元，例如对人类或动物大脑的死后研究，其结果并不总是能够泛化至活着的人类。为了研究选定的路径，一种流行的解决方案是定义额外的空间约束或网关，类似于布尔逻辑操作符，束必须(或不能)传递它们。单独的束可以作为特殊的ROI，因为与通过图谱配准获得的束掩膜相比，它们在解剖学上更具有特异性。选择不同的束可以让人研究可能产生特定束效应的机制。Lebel等人(2008)的开创性研究就是一个很好的例子，该研究展示了不同区域的微观特征如何在不同年龄达到高峰成熟。他们分析了一大批5至30岁的健康志愿者(n=202)，结果表明，大量白质纤维束的发育在婴儿期以后仍在继续，甚至在25岁时还会延伸到扣带和皮质脊髓束，而其他束，如穹束，似乎在5岁时就发育完全了。

除了束成像能够提供束特定的微观结构测量，束也可用于从其他方式中提取指标。图3显示了一例因脑肿瘤接受放疗的患者。治疗前，计划CT扫描及钆增强T1加权像(T1Gd)勾画肿瘤轮廓并设计治疗方案，同时DWIs重建通路。CT扫描和所有其他RT相关数据集，如局部放射或RT剂量图，严格配准到MRI扫描以便进行空间重叠，而DWI也配准到T1w扫描以进行运动和失真校正。考虑到所有的图像模式对齐到同一坐标系，那么进行联合分析是可能的。我们可以使用T1w扫描包括解剖学基础来重建胼胝体脾，同时估计该通路内的辐射剂量。因此，辐射的影响不仅可以根据T1w的结构扫描来研究，还可以根据选定的白质通道来研究。这种方法可以很容易地扩展到任意数量的其他成像技术。

图3.融合放疗(RT)和纤维束示踪成像。

在体内重建白质束的能力开辟了新的分析形式。白质束可以提供新的见解，以定位疾病的影响。此外，它们可以揭示不同大脑区域是如何连接的更多细节(连接体)，其3D几何属性(形状分析)也可以被视为生物标志物。

轨迹分析

在对选定的纤维束进行分析时，所有信息汇总为两个指标，通常是每个被试所有束的均值和标准差。然而，不同束组之间的差异并不一定是由微观结构性质的整体改变造成的，而可能是与疾病相关的变化存在于束的局部区域内。因此，将整体束测量概括到少数几个估计中可能会忽略潜在的局部特征。为了适应研究束线内更多局部变化和特征的需要，研究人员开发了一种轨迹分析框架(图1e)。对于这种方法，首先，使用前面提到的技术，从所有被试中选择单个束。接下来，束及其基础指标需要重采样至相同数量的构建单元或点，以匹配被试之间相同的解剖位置。被试间的路径长度可以不同，这需要一个再参数化步骤。最后，沿着束的点数相同的束可以用于进一步的统计检验。局灶性病变，例如白质腔隙性梗死，可能会导致受影响束的结构特性的局部改变，而当分析完整的通路并与另一半球未受影响束进行比较时，这种异常就被淹没了。

基于连接组的分析

大脑是一个高度互联的器官，其功能在空间上分布于运动、语言等各个系统，其正常运作取决于这些系统的完整性。直到目前，白质作为感兴趣的媒介，它可以直接代表疾病引起的变化。最近比较流行的脑dMRI分析方法之一是关于大脑区域之间的所有纤维束的连接(图1f)，也称为连接组。图论领域研究网络的性质，网络有两个组成部分：节点和边。对于大脑来说，节点是皮层和深灰质区域，而边是连接节点的纤维束。一般用连接(或邻接)矩阵(CMs)表示，其中行和列是大脑区域，矩阵中的值是连接属性。dMRI中的CMs是无向的，即区域A和区域B之间的连接和区域B和区域A之间的连接是一样的。最简单的CMs是二进制的：如果两个区域连接，则表示1(或yes)，如果没有连接，则表示0(或no)。一旦构建了CMs，就可以计算出广泛的网络属性。在众多指标中，通常使用的是网络平均度或网络密度，度是计算每个节点和表示与其他节点的连接数量。

FBA分析

尽管在FT的发展中有许多方法论的示例，但对交叉纤维束建模的能力是一个特别重要的例子。DTI是一种简单的方法，但它在概念上有其局限性，不能在一个体素中分解多个纤维束群。在许多解决方案中，最著名的方法之一是Tournier等人(2007)提出的约束球面反褶积(CSD)。在CSD中，扩散磁阻信号用一组球面谐波建模，以计算体素级纤维束定向分布(FODs)。球面谐波被证明在检测体素中的多个纤维束群是有效的，揭示了大脑中几乎所有的白质体素都包含多个纤维方向，但少数区域除外，如胼胝体。然而，CSD和类似方法的出现并没有改变VBAtype技术的过程，因为来自所有通路的信息仍然被概括到每个体素的单个指标中。为了解决这一局限性，有研究提出了一种新的框架，称为FBA分析(图1g)，其中fixel(是“纤维”和“体素”的组合)表示一个新概念：体素内的纤维群元素。FBA的新颖性在于它能够在多个纤维群中比较一个体素内的纤维指标，这具有比传统体素方法更强的特异性。因此，影响某些通路的疾病可以从具有高度空间特异性的其他纤维中分离出来进行研究，这是以前的方法所不能做到的。在FBA分析过程中，在被试的原始坐标系中计算FOD，然后归一化到公共模板，计算出研究特定的白质FOD模板。然后导出fixel模板，它将作为统计分析的基础。FBA中常用的度量指标是FODs的振幅，称为纤维密度(FD)，以及纤维束截面(FC)，后者是通过将被试的局部体素变化纳入模板非线性配准到fixels中获得的。也可以通过简单相乘将FD和FC合并为单个指标，从而得到纤维束密度和截面(FDC)指标。

形状分析

弥散MRI和纤维束成像可以提供有用的指标和工具来描述大脑的微观结构特性和连接。然而，之前讨论的分析方法没有考虑束的三维几何性质，该性质可能为疾病和条件的病因提供进一步的见解。形状或形态分析(图1h)是结构MR图像分析的常用工具，已被广泛用于研究，如深灰质核(海马体、丘脑等)和阿尔茨海默病(AD)与对照组被试之间的潜在差异。束形状分析的显著指标包括体素、长度、表面积和跨度(束两端之间的绝对值)等。对大规模队列的形状分析可以揭示两个半球束之间的横向差异。例如，Yeh(2020)研究表明，左弓状束的直径平均比右弓状束大近50%。

结论

利用弥散MRI研究大脑的微观结构特性可以有很多方法。本文概述了一些最常用的分析方法，并讨论了它们的优缺点。对于所有的dMRI应用，没有唯一的、最佳的分析方法。大家可以多了解不同分析方法的假设、要求和局限性，以便为自己的特定研究问题做出最佳选择。

参考文献（上下滑动查看）：

Basser, P.J., Mattiello, J., Le Bihan, D., 1994. Estimation of the effective self-diffusion tensor from the NMR spin echo. J. Magn. Reson., Ser. B 103, 247–254. https://doi.org/10.1006/jmrb.1994.1037.

Catani, M., Dell’Acqua, F., Vergani, F., et al., 2012. Short frontal lobe connections of the human brain. Cortex 48, 273–291. https://doi.org/10.1016/j.cortex.2011.12.001.

Colby, J.B., Soderberg, L., Lebel, C., et al., 2012. Along-tract statistics allow for enhanced tractography analysis. NeuroImage 59, 3227–3242. https://doi.org/10.1016/J.NEUROIMAGE.2011.11.004.

Crick, F., Jones, E., 1993. Backwardness of human neuroanatomy. Nature 361, 109–110. Deprez, S., Amant, F., Smeets, A., et al., 2012. Longitudinal assessment of chemotherapy-induced structural changes in cerebral white matter and its correlation with impaired cognitive functioning. J. Clin. Oncol. 30, 274–281. https://doi.org/10.1200/JCO.2011.36.8571.

Giulietti, G., Torso, M., Serra, L., et al., 2018. Whole brain white matter histogram analysis of diffusion tensor imaging data detects microstructural damage in mild cognitive impairment and Alzheimer’s disease patients. J. Magn. Reson. Imaging 48, 767–779. https://doi.org/10.1002/jmri.25947.

Klingler, J., Ludwig, E., 1956. Atlas Cerebri Humani: The Inner Structure of the Brain. Little, Brown & Co, Boston, USA. Lebel, C., Walker, L., Leemans, A., et al., 2008. Microstructural maturation of the human brain from childhood to adulthood. NeuroImage 40, 1044–1055. https://doi.org/10.1016/j.neuroimage.2007.12.053.

Mesri, H.Y., David, S., Viergever, M.A., Leemans, A., 2019. The adverse effect of gradient nonlinearities on diffusion MRI: from voxels to group studies. NeuroImage, 116127. https://doi.org/10.1016/j.neuroimage.2019.116127.

Smith, S.M., Jenkinson, M., Johansen-Berg, H., et al., 2006. Tract-based spatial statistics: voxelwise analysis of multi-subject diffusion data. NeuroImage 31, 1487–1505. https://doi.org/10.1016/j.neuroimage.2006.02.024.

Raffelt, D.A., Tournier, J.D., Smith, R.E., et al., 2017. Investigating white matter fibre density and morphology using fixel-based analysis. NeuroImage 144, 58–73.

Reijmer, Y.D., Freeze, W.M., Leemans, A., Biessels, G.J., 2013. The effect of lacunar infarcts on white matter tract integrity. Stroke 44, 2019–2021. https://doi.org/10.1161/STROKEAHA.113.001321.

Rousselet, G.A., Pernet, C.R., Wilcox, R.R., 2017. Beyond differences in means: robust graphical methods to compare two groups in neuroscience. Eur. J. Neurosci. 46, 1738–1748. https://doi.org/10.1111/ejn.13610.

Rubinov, M., Sporns, O., 2010. Complex network measures of brain connectivity: uses and interpretations. NeuroImage 52, 1059–1069. https://doi.org/10.1016/j.neuroimage.2009.10.003.

Thiebaut de Schotten, M., Foulon, C., Nachev, P., 2020. Brain disconnections link structural connectivity with function and behaviour. bioRxiv 11, 5094. https://doi.org/10.1101/2020.02.27.967570.

Tournier, J.D., Calamante, F., Connelly, A., 2007. Robust determination of the fibre orientation distribution in diffusion MRI: non-negativity constrained super-resolved spherical deconvolution. NeuroImage 35, 1459–1472. https://doi.org/10.1016/j.neuroimage.2007.02.016.

Wakana, S., Caprihan, A., Panzenboeck, M.M., et al., 2007. Reproducibility of quantitative tractography methods applied to cerebral white matter. NeuroImage 36, 630–644. https://doi.org/10.1016/j.neuroimage.2007.02.049.

Warrington, S., Bryant, K.L., Khrapitchev, A.A., et al., 2020. XTRACT - standardised protocols for automated tractography in the human and macaque brain. NeuroImage 217, 116923. https://doi.org/10.1016/j.neuroimage.2020.116923.

Yeh, F.C., 2020. Shape analysis of the human association pathways. NeuroImage 223, 117329. https://doi.org/10.1016/j.neuroimage.2020.117329.