顧惠芳 ，戴慧

帕金森病(Parkinson's disease，PD)是第二種常見的神經(jīng)退行性疾病[1]，多發(fā)于中老年人。PD的臨床癥狀包括靜止性震顫、肌強直、運動遲緩、認知及睡眠障礙等，嚴重影響患者的生活質(zhì)量。PD的特征性病理表現(xiàn)為黑質(zhì)致密部多巴胺能神經(jīng)元的變性、消失及殘留細胞質(zhì)內(nèi)出現(xiàn)路易小體[2]，此外，有文獻報道，中腦、基底節(jié)區(qū)核團[3-6]及小腦齒狀核[7]區(qū)域微結(jié)構(gòu)的改變也參與了PD癥狀的形成。擴散張量成像(diffusion tensor imaging，DTI)是臨床常用的影像學檢查技術，通過定量分析水分子在細胞組織中的離散情況，可以對大腦的微結(jié)構(gòu)進行定量分析[8]。很多學者用DTI的各向異性指數(shù)(fractional anisotropy，F(xiàn)A)對PD進行了研究，但結(jié)果存在一定差異[9-10]，推測可能是由于FA值對分析各向同性的灰質(zhì)核團細微結(jié)構(gòu)變化不夠敏感導致的[11]。紋理分析利用統(tǒng)計學和數(shù)學方法對圖像中像素灰度的分布特征進行分析，提取醫(yī)學圖像中部分人眼無法識別的紋理特征，再對提取的紋理特征量化描述，以獲得圖像中更多隱藏的信息。本研究通過分析PD患者DTI圖像中雙側(cè)尾狀核頭、殼核、蒼白球、黑質(zhì)、紅核、小腦齒狀核及雙側(cè)半卵圓區(qū)的紋理特征，探討基于DTI的紋理分析對PD的診斷價值。

1 材料與方法

1.1 研究對象

研究對象選擇：前瞻性研究2019年7月至2020年11月于東南大學附屬醫(yī)院江陰市人民醫(yī)院神經(jīng)內(nèi)科收治的PD患者，按照預先設定的納入及排除標準，納入30例進入PD組；以同期的健康體檢者為正常對照組，排除標準與PD組相同，共納入22例。PD組納入標準：(1)符合2016年中華醫(yī)學會神經(jīng)病學分會運動障礙及PD學組制訂的PD診斷標準；(2)均為右利手。排除標準：(1)帕金森綜合征和帕金森疊加綜合征；(2)嚴重精神癥狀；(3)嚴重顱腦器質(zhì)性病變、腦外傷及神經(jīng)系統(tǒng)手術史；(4)酗酒史、藥物濫用史；(5)MRI檢查禁忌者。資料收集：采集受試者的一般資料，包括：性別、年齡、病程及伴隨疾病。PD患者在MR成像前一周內(nèi)進行簡易精神狀態(tài)評價量表(Mini Mental State Examination，MMSE)、統(tǒng)一帕金森病評定量表(Unified Parkinson's Disease Rating Scale，UPDRS)、Hoehn-Yahr(H-Y)分級的評定。其中UPDRS量表又分為Ⅰ、Ⅱ、Ⅲ部分，分別代表精神行為和情緒評定、日常生活活動評定、運動功能評定。PD的病程定義為運動癥狀發(fā)作至行顱腦MRI檢查的時間。本研究經(jīng)江陰市人民醫(yī)院道德倫理委員會審核批準([2019-倫審研-016號)，所有患者或其家屬均知情同意并簽署知情同意書。

1.2 方法

所有被試者保持清醒，安靜平躺于檢查床上。采用耳塞降低檢查過程中噪音干擾，使用海綿墊固定受試者頭部，盡量減少受試者的頭動。所有序列均采用軸位。采用GE Discovery 750W 3.0 T磁共振掃描儀進行掃描，24通道標準頭部線圈進行數(shù)據(jù)采集。采用單次激發(fā)自旋回波-回波平面成像(spin-echo echo planar imaging，SE-EPI)序列，進行DTI掃描，參數(shù)如下：TE 96.8 ms，TR 12 000 ms，NEX為2，層厚3 mm，層間隔為0 mm，層數(shù)40層，矩陣128×128，F(xiàn)OV 240 mm×240 mm，b值為1000 s/mm2，擴散方向25個，掃描時間為8 min 25 s。對掃描得到的MR圖像進行主觀評估，若圖像出現(xiàn)嚴重扭曲、變形或信號缺失，正常腦結(jié)構(gòu)無法辨認、存在明顯運動偽影等情況則認為掃描失敗。

1.3 數(shù)據(jù)的后處理和感興趣區(qū)的繪制

DTI圖像使用GE ADW 4.6工作站的Functool軟件進行后處理，生成FA圖像。將FA圖(NII格式)導入ITK-SNAP軟件，由2名具備豐富的神經(jīng)影像工作經(jīng)驗的副主任醫(yī)師共同對圖像進行判讀，如有分歧，協(xié)商后達成一致。依次手動多個層面勾畫右側(cè)尾狀核頭(r1)、左側(cè)尾狀核頭(r2)、右側(cè)殼核(r3)、左側(cè)殼核(r4)、右側(cè)蒼白球(r5)、左側(cè)蒼白球(r6)、右側(cè)黑質(zhì)(r7)、左側(cè)黑質(zhì)(r8)、右側(cè)紅核(r9)、左側(cè)紅核(r10)、右側(cè)半卵圓區(qū)(r11)、左側(cè)半卵圓區(qū)(r12)、右側(cè)齒狀核(r13)、左側(cè)齒狀核(r14)，勾畫感興趣區(qū)(region of interest，ROI)時，為了最小化部分容積效應，灰質(zhì)核團不包含最下面或者最上面的層面，邊界部分也被排除。雙側(cè)半卵圓區(qū)為從胼胝體上部層面開始，取雙側(cè)對稱的腦白質(zhì)中央?yún)^(qū)，連續(xù)勾畫三層。最后并將勾畫好的ROI以NII格式保存在相應的文件夾中。FA圖的ROI放置示例見圖1。

圖1 FA感興趣區(qū)的放置示例。A：雙側(cè)尾狀核頭(紅色)、雙側(cè)殼核(綠色)、雙側(cè)蒼白球(藍色)；B：雙側(cè)黑質(zhì)(紅色)、雙側(cè)紅核(綠色)；C：雙側(cè)半卵圓區(qū)；D：雙側(cè)齒狀核 圖2 manthattan圖。manthattan圖中每個點代表一種紋理特征；橫坐標代表14個ROI，每個ROI的紋理特征都由不同顏色的點表示；縱坐標為P值對數(shù)的負值。藍線上方的點均代表有組間差異的紋理特征 圖3 RF模型輸出的特征重要性排序 圖4 隨機森林(RF)模型的ROC曲線，AUC為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 紋理特征的提取

每個FA圖的原始MRI圖像及對應的ROI三維圖像批量導入A.K.(Artificial Intelligence Kit)軟件，定量計算10類紋理特征，包括一階紋理(first order)特征、形態(tài)(Shape)特征、灰度共生矩陣(gray level cooccurence matrix，GLCM)、灰度依賴性矩陣(gray level dependence matrix，GLDM)、灰度游程矩陣(gray level run length matrix，GLRLM)、鄰域灰度差矩陣(neighbouring gray tone difference matrix，NGTDM)、灰度區(qū)域大小矩陣(gray level size zone matrix，GLSZM)、高斯拉普拉斯變換(laplacian of Gaussian，LoG)、小波變換(wavelet transform，WT)、局部二值模式(local binary patterns，LBP)。

1.5 統(tǒng)計學方法

通過降維選擇的5個紋理特征和病程、MMSE、UPDRS的相關性采用Pearson相關性分析，和H-Y分級的相關性采用Spearman相關性分析。以P＜0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 PD組與對照組的一般資料

PD組30例，其中男16例，女14例，年齡43～81(69.13±8.75)歲，病程(3.97±3.48)年；對照組22例，其中男10例，女12例，年齡45～80(66.91±8.69)歲。PD組與對照組的年齡、性別差異無統(tǒng)計學意義(表1,2)。

表1 受試者人口統(tǒng)計學Tab.1 Subject demographics

表2 帕金森病組MMSE、UPDRS、H-Y、病程資料Tab.2 MMSE,UPDRS,H-Y,disease duration in PD group

2.2 FA圖像的紋理分析

對FA圖像進行紋理分析，r1～r14共14個ROI，共篩選出PD組與對照組有組間差異的紋理特征14 471個，其中r1、r7、r8、r9、r11這5個ROI有統(tǒng)計學意義的特征數(shù)較多(圖2)。

用單因素Logistic回歸分析，進一步篩選出2640個對臨床結(jié)局有顯著影響的特征。其中WT特征有2120個，占總特征量的80.3%，這些紋理特征屬于r1(右側(cè)尾狀核)的有409個、r7(右側(cè)黑質(zhì))419個、r9(右側(cè)紅核)356個，r11(右側(cè)半卵圓區(qū))342個，分別占總特征量的15.5%、15.9%、13.5%、13.0%(表3)。

表3 單因素Logistic回歸篩選出的特征的分布情況Tab.3 Distribution of features identified by univariate logistic regression analysis

用mRMR方法選擇特征子集，保留5個聯(lián)合診斷效能最高的特征(圖3)，這5個特征的ROC分析結(jié)果，包括曲線下面積(area under the curve，AUC)、特異度、敏感度及準確度(表4)，其中特征1(r7_wavelet_HLL_glcm_Idmn)的AUC值(0.871)及特異度(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)的準確度最高(0.826)。構(gòu)建RF模型來區(qū)分PD組及對照組，繪制ROC曲線(圖4)，得到AUC、準確度、敏感度、特異度分別是0.92、0.86、0.89、0.84。用交叉驗證的方法驗證該模型可靠性，得到準確度、敏感度和特異度分別為0.89、0.84、0.94。

表4 降維所得的紋理特征獨立預測帕金森病的診斷效能Tab.4 Independent diagnostic efficacy of the texture features derived from dimensionality reduction

2.3 紋理參數(shù)與臨床評分的相關性

5個紋理特征與MMSE、UPDRS、病程進行Pearson相關性分析，與H-Y分級行Spearman相關性分析，P值均＞0.05，均無相關性(表5)。

表5 紋理特征與病程及臨床量表的相關性Tab.5 Correlation of texture characteristics with course of disease and clinical scale

3 討論

DTI是目前國內(nèi)外中樞神經(jīng)系統(tǒng)功能研究的熱點之一，國內(nèi)外學者利用DTI對PD患者進行了很多研究。有文獻表明，PD患者較健康體檢者黑質(zhì)部的FA值會降低，原因是PD黑質(zhì)部多巴胺能神經(jīng)元的丟失及組織結(jié)構(gòu)的破壞會使水分子的擴散傾向于各向同性[9]，但又有學者提出，PD黑質(zhì)部的FA值不會有顯著的變化，原因有二：(1)黑質(zhì)部神經(jīng)元的丟失、結(jié)構(gòu)的破壞對FA值的影響未達到被檢測的標準；(2)PD患者黑質(zhì)中路易小體的形成與神經(jīng)元的丟失對水分子擴散的影響可相互抵消[12]。分析其原因，可能是FA值只能反映特定感興趣區(qū)各向異性的平均值，對組織結(jié)構(gòu)的細微變化不敏感。相比之下，感興趣區(qū)的紋理分析能夠揭示組織內(nèi)部細微結(jié)構(gòu)的變化，為疾病的診斷提供更多有價值的信息。

3.1 PD患者FA圖紋理特征變化的腦區(qū)

本研究的結(jié)果顯示，除了右側(cè)蒼白球(r5)，每個ROI都提取出了差異有統(tǒng)計學意義的紋理特征，其中右側(cè)尾狀核頭(r1)、右側(cè)黑質(zhì)(r7)、右側(cè)紅核(r9)、右側(cè)半卵圓區(qū)(r11)存在較多差異有統(tǒng)計學意義的紋理特征，說明PD患者這些區(qū)域的灰度值分布變化較大。黑質(zhì)和紋狀體是PD確定的病變部位，與本研究的結(jié)果也相符。胡達等[13]研究得出PD患者在紅核和尾狀核頭的FA值與健康對照組間的差異有統(tǒng)計學意義，徐建國等[14]研究認為早期PD患者腦白質(zhì)的微結(jié)構(gòu)發(fā)生改變。這些結(jié)果表明，PD患者腦區(qū)的病理生理和結(jié)構(gòu)的變化也可以通過局部紋理特征的改變體現(xiàn)出來。

筆者同時注意到這4個區(qū)域均屬于右側(cè)大腦半球，且雙側(cè)尾狀核頭、雙側(cè)紅核有意義的特征數(shù)相差較大(表3)。偏側(cè)發(fā)病是PD的特征之一，以往的病理學研究表明，PD患者黑質(zhì)、基底神經(jīng)節(jié)的結(jié)構(gòu)和代謝呈現(xiàn)不對稱下降[15]，即與另一側(cè)比較，癥狀嚴重一側(cè)與發(fā)病側(cè)對應的殼核、黑質(zhì)多巴胺攝取功能的下降更為顯著，并且這種不對稱性在PD出現(xiàn)雙側(cè)癥狀時依舊存在。本研究沒有對PD組的偏側(cè)性癥狀進行評估，故無法直接判斷有意義紋理特征的偏側(cè)性分布是否與PD的偏側(cè)發(fā)病有關，這也是今后需要研究的一個方向。

3.2 紋理特征提取方法的比較

在經(jīng)過Mann-WhitneyU檢驗、單因素Logistic回歸的篩選后，經(jīng)小波變換后的紋理特征數(shù)，占了總特征量的80%。WT是一種信號處理型的紋理特征，能夠?qū)r間頻率進行局部化的分析，通過不斷地進行伸縮平移變換來逐步實現(xiàn)信號的多尺度細化，使得時間在信號高頻處得到細分而頻率在低頻處得到細分，這樣就能對信號的任意細節(jié)進行分析[16]。WT適用于分析和提取非平穩(wěn)信號的局部特性[17]。目前結(jié)果可以推斷，對于磁共振圖像，WT較其他紋理分析方法效果更好，能挖掘出更多有意義的特征。

3.3 基于RF分類器的診斷效能

通過mRMR篩選出的5個聯(lián)合診斷效能最高的紋理特征中，AUC最高的為r7_wavelet_HLL_glcm_Idmn，其中wavelet(WT)是指經(jīng)小波過濾器分解，小波濾波每級產(chǎn)生8次分解，3個維度中應用高通或低通濾波器的所有可能組合有LLH、LHL、LHH、HLL、HLH、HHL、HHH、LLL；GLCM反映圖像空間中相隔一定距離的兩像素之間的灰度關系，用來描述指定方向上紋理的粗糙程度；Idmn指歸一化逆差距(inverse difference moment normalized，IDMN)，是GLCM的特征之一，描述了圖像局部的均勻性，其值越大，說明圖像紋理越均勻，不同區(qū)域缺少變化。r7_wavelet_HLL_glcm_Idmn代表右側(cè)黑質(zhì)區(qū)域(r7)原始圖像經(jīng)小波分解(分解方式為HLL)后獲取的GLCM的特征Idmn，本研究中PD組的Idmn值大于對照組，反映PD患者右側(cè)黑質(zhì)區(qū)域FA圖的紋理趨向均勻，推斷由于黑質(zhì)部神經(jīng)元的丟失與組織結(jié)構(gòu)的破壞使各像素的水分子的擴散趨于均勻。另外，r7_wavelet_HLL_glcm_Idmn特異度最高，能夠較少地把正常對照組誤診為PD患者，誤診率較低。r1_wavelet_LLL_glcm_Imc2的準確度較高，能夠較正確地預測出PD患者。這個特征指右側(cè)尾狀核頭(r1)原始圖像經(jīng)小波分解(分解方式為LLL)后獲取的GLCM的特征Imc2，Imc2是GLCM的特征之一，指信息相關度2(informational measure of correlation，Imc2)，它能夠反映紋理的復雜性。r7_wavelet_HHH_gldm_LargeDependenceLowGrayLevel Emphasis和r9_wavelet_LLL_gldm_LargeDependenceLow GrayLevelEmphasis的敏感度最高，能夠更敏感地診斷出PD患者，漏診率低。大依賴度低灰度水平(large dependence low gray level emphasis，LDLGLE)也是GLDM的一個特征，GLDM量化了依賴于中心體素的距離為δ的體素數(shù)量，描述了相鄰灰度相關體素在圖像中出現(xiàn)的次數(shù)。LDLGLE越高，說明更低灰度值的體素彼此相鄰[18]。本研究中PD右側(cè)黑質(zhì)及紅核區(qū)域的LDLGLE的值大于對照組，這可能是PD相應區(qū)域中低信號的物質(zhì)更多。本研究進一步用5個聯(lián)合診斷效能最高的特征構(gòu)建RF預測模型，得到AUC值為0.92，同時用交叉驗證的方法驗證了模型的可靠性，準確度為0.89，說明該模型能對PD患者做出有效的預測。這與國內(nèi)外一些研究結(jié)果一致，Li等[19]基于定量磁敏感圖(quantitative susceptibility mapping，QSM)對PD患者黑質(zhì)進行紋理分析，得出Entropy、SumEntrp兩個特征的診斷效能均達到0.89。劉磐石等[20]分析了PD患者和正常對照組雙側(cè)尾狀核頭的自回歸模型紋理特征參數(shù)，結(jié)果表明特征參數(shù)Teta4、Teta3能夠有效區(qū)分PD患者和正常對照組，AUC值分別達到0.74和0.68。Chakraborty等[21]對637例PD患者、66例PD前驅(qū)者及203例對照組基于T1WI加權(quán)序列進行影像組學的研究，得到人工神經(jīng)網(wǎng)絡對PD的分類表現(xiàn)最好，準確率、召回率及精確率分別達到95.3%、95.41%、97.28%，F(xiàn)1分數(shù)為0.94。雖然各研究分析的序列不一樣，但結(jié)果均顯示紋理分析方法、影像組學對PD患者有很高的診斷效能。

3.4 PD患者紋理特征與臨床評分的相關性分析

本研究采用Pearson及Spearman相關性分析，分析5個紋理特征和病程、MMSE、UPDRS、及H-Y分級之間的相關性，均未發(fā)現(xiàn)有顯著的相關性。說明上述紋理特征對PD病情的評估幫助不大。Sikio等[22]基于T2WI序列對PD患者進行紋理分析，得到多個腦區(qū)的紋理參數(shù)與患者臨床評分存在顯著相關性。筆者分析原因，其一：雖然本研究的量表均于停藥后12 h后進行評價，但是仍然不能排除臨床量表評分受藥物治療影響的可能性；其二：本研究與臨床評分量表進行相關性分析的紋理特征數(shù)較少，有待進一步挖掘。

本研究存在一定的局限性。第一，納入患者樣本量較小，結(jié)果可能存在一定偏倚。第二，采用手動勾畫ROI的方法，工作量大且精確度不夠高，利用半自動或者自動的圖像分割軟件可能更為合理。第三，PD患者無法進行病理學的確認，本研究患者的診斷是基于臨床標準，這也會影響分析結(jié)果的準確性。

綜上所述，PD患者和對照組的腦內(nèi)灰質(zhì)核團、半卵圓區(qū)白質(zhì)在DTI的FA圖上存在紋理差異，基于DTI的紋理分析對PD有很高的診斷價值，能夠為PD的診斷提供可靠的客觀依據(jù)，但對PD病情評估的幫助有待進一步的研究。

作者利益沖突聲明：全體作者均聲明無利益沖突。