胡芷瑄，毛椿平，王夢珠，嚴(yán)序，毛家驥，沈君*

作者單位 1.中山大學(xué)孫逸仙紀(jì)念醫(yī)院放射科，廣州 510120；2.西門子醫(yī)療系統(tǒng)有限公司磁共振科研市場部，上海 201318

0 引言

擴(kuò)散MRI（diffusion MRI, dMRI）是基于人體內(nèi)不同組織及其在病理生理情況下水分子擴(kuò)散程度和方向的改變來產(chǎn)生信號對比獲取MR 圖像，在腦腫瘤、腦梗死、腦損傷及脫髓鞘病變等疾病的診療方面具有重要的臨床應(yīng)用價值[1]。基于dMRI的腦組織微結(jié)構(gòu)成像需要采用擴(kuò)散序列采集dMRI信號，再通過擬合物理模型將腦組織微觀結(jié)構(gòu)特征、隨時間變化的水分子擴(kuò)散模式與體素級dMRI信號相互聯(lián)系，最終實現(xiàn)對諸如神經(jīng)軸突直徑、密度和方向等腦組織微結(jié)構(gòu)的在體評估[2]。因此，基于dMRI的腦組織微結(jié)構(gòu)成像技術(shù)與MR信號采集技術(shù)及所采用的擬合模型密切相關(guān)。隨著MRI序列和數(shù)據(jù)解析方法的發(fā)展以及硬件的升級，越來越多的dMRI技術(shù)被不斷提出，如體素內(nèi)不相干運動（intravoxel incoherent motion, IVIM）、擴(kuò)散張量成像（diffusion tensor imaging, DTI）、擴(kuò)散峰度成像（diffusion kurtosis imaging, DKI）、平均表觀傳播MRI（mean apparent propagator MRI, MAP-MRI）、軸突定向擴(kuò)散和密度成像（neurite orientation dispersion and density imaging, NODDI）、擴(kuò)散譜成像（diffusion spectrum imaging, DSI）、分?jǐn)?shù)微積分（fractional order calculus, FROC）、連續(xù)時間隨機游走（continuous-time random walk, CTRW）、基于受限擴(kuò)散譜編譯的微結(jié)構(gòu)參數(shù)成像（imaging microstructural parameters using limited spectrally edited diffusion,IMPULSED）及多維度擴(kuò)散成像（multidimensional diffusion, MDD）等，這些dMRI 技術(shù)助推了腦組織微結(jié)構(gòu)成像的蓬勃發(fā)展[3]。腦腫瘤包括原發(fā)性與繼發(fā)性腦腫瘤兩大類，是嚴(yán)重危害人類健康的重大疾病，且近年來的整體發(fā)病率呈上升態(tài)勢[4]?；赿MRI的腦組織微結(jié)構(gòu)成像對中樞神經(jīng)系統(tǒng)腫瘤進(jìn)行早期診斷、鑒別診斷、分級評估、分子分型、療效評估和預(yù)后預(yù)測等具有重要臨床意義。因此，本綜述從信號采集和模型擬合兩個角度闡述基于dMRI 的腦組織微結(jié)構(gòu)成像技術(shù)的發(fā)展概況，以期為腦腫瘤的早期診斷、鑒別診斷、腫瘤分級、分子分型以及預(yù)后預(yù)測提供有力依據(jù)。

1 基于dMRI的腦組織微結(jié)構(gòu)成像的發(fā)展概況

1.1 信號采集

dMRI 能夠在微米尺度上對水分子的位移信息進(jìn)行編碼。因此，dMRI 信號是一種極好地探測人體組織微觀結(jié)構(gòu)的探針，不斷發(fā)展更新的MR擴(kuò)散編碼技術(shù)實現(xiàn)了dMRI在腦組織微結(jié)構(gòu)探測的廣泛應(yīng)用。擴(kuò)散編碼技術(shù)的主要參數(shù)包括擴(kuò)散敏感梯度方向和擴(kuò)散敏感因子b值，前者能夠提供水分子擴(kuò)散的方向信息，后者代表水分子擴(kuò)散過程對梯度磁場的敏感程度，即表征dMRI信號對擴(kuò)散的加權(quán)程度。隨著擴(kuò)散編碼序列的發(fā)展，基于腦組織微結(jié)構(gòu)成像技術(shù)在檢測白質(zhì)纖維完整性、神經(jīng)突密度與直徑、神經(jīng)纖維幾何結(jié)構(gòu)及空間走行方面逐步深入。目前常用的幾種擴(kuò)散編碼包括單擴(kuò)散編碼（single diffusion encoding, SDE）、雙擴(kuò)散編碼（double diffusion encoding, DDE）、振蕩擴(kuò)散編碼（oscillating diffusion encoding, ODE）及多維度擴(kuò)散編碼（multidimensional diffusion encoding, MDE）。

SDE 在dMRI技術(shù)中應(yīng)用最為廣泛，它采用一對擴(kuò)散敏感脈沖梯度來分別編碼和解碼自旋的位置，從而獲得擴(kuò)散加權(quán)[2]，通常由脈沖梯度自旋回波（pulsed-gradient spin-echo, PGSE）序列實現(xiàn)，可用于DTI 測量白質(zhì)纖維束的密度及走行。更先進(jìn)的白質(zhì)纖維束成像技術(shù)如高角分辨率擴(kuò)散成像（high angular resolution diffusion imaging, HARDI）[5]，也是基于SDE。為了提高對微觀結(jié)構(gòu)變化探測的靈敏度，采用多對脈沖場梯度的DDE 被提出，與傳統(tǒng)的SDE 不同，DDE 由一個混合時間分隔的兩對SDE 組成[6]，其中每對在某個方向上進(jìn)行測量，以使MR信號對擴(kuò)散過程的高階矩敏感，通常以雙脈沖場梯度自旋回波（double-pulsed field gradient spin echo,DPFGSE）序列實現(xiàn)。DDE通過設(shè)置不同的參數(shù)可以通過五個方面來表征腦組織微觀結(jié)構(gòu)特征：（1）改變兩個SDE 的相對梯度方向，以量化微觀各向異性；（2）利用平行梯度和可變的混合時間來測量隔室間交換率；（3）采用平行/反平行梯度和短混合時間改變流量補償?shù)某潭?，以提高對血容量的估計；?）使用平行/反平行梯度和短混合時間來估計隔室的大??；（5）通過注意擴(kuò)散衍射模式的保留來確定非均勻介質(zhì)中的孔隙大小和形狀分布。目前，基于SDE 和DDE 的dMRI 技術(shù)主要包括DWI、IVIM、DTI、HARDI、DKI、DSI和MAP-MRI等。

除了改變擴(kuò)散敏感脈沖梯度的數(shù)量和方向外，新型的擴(kuò)散編碼技術(shù)ODE 及MDE 通過使用非脈沖的時變梯度實現(xiàn)了更精細(xì)結(jié)構(gòu)的成像，ODE 將振蕩梯度脈沖取代SDE 中的恒定梯度脈沖，通過重復(fù)多個脈沖在較短的擴(kuò)散時間內(nèi)保持b值，通常以振蕩梯度自旋回波（oscillating gradient spin echo sequence,OGSE）序列實現(xiàn)。OGSE 序列通過使用多個頻率上的振蕩梯度波形沿單個方向探測非常短的擴(kuò)散時間，提供了更好的組織對比和更小的探測尺度，且對受限擴(kuò)散具有更好的靈敏度，能夠量化軸突直徑[7-8]。與標(biāo)準(zhǔn)的PGSE 相比，ODE 在b 值較低時具有更好的角度分辨率。振蕩波形可以遵循平滑的正弦/余弦函數(shù)、方波以及不規(guī)則方波，當(dāng)以高頻執(zhí)行時，具有平滑或方形的規(guī)則振蕩波形的ODE能夠提供較短的編碼時間[9]，而不規(guī)則振蕩波形的ODE可實現(xiàn)各向同性擴(kuò)散編碼[10]。目前基于ODE 的dMRI 技術(shù)主要為IMPULSED。IMPULSED 包含一組擴(kuò)散加權(quán)成像序列，每個序列使用不同的擴(kuò)散時間，擴(kuò)散時間范圍使dMRI 圖像對人體組織中細(xì)胞大小的變化高度敏感，并且可以從中導(dǎo)出多種用于反映腫瘤微環(huán)境的特征性微結(jié)構(gòu)定量參數(shù)，包括細(xì)胞大小、細(xì)胞密度、細(xì)胞內(nèi)體積分?jǐn)?shù)及細(xì)胞外擴(kuò)散系數(shù)[11]。MDE 是最近提出的多維擴(kuò)散編碼框架，該框架將擴(kuò)散編碼從向量值擴(kuò)展到張量值。傳統(tǒng)的dMRI 通過一對脈沖梯度對擴(kuò)散進(jìn)行編碼，只能生成線性b 張量，張量值編碼使用的梯度在圖像讀出之前對多個方向的擴(kuò)散進(jìn)行編碼從而能夠控制b張量的形狀。將獲得的dMRI數(shù)據(jù)與一種以上b張量形狀相結(jié)合，可用于區(qū)分微觀各向異性和各向同性異質(zhì)性。目前，常用的張量編碼主要使用連續(xù)梯度波形來實現(xiàn)線性張量編碼（linear tensor encoding, LTE）、平面張量編碼（planar tensor encoding, PTE）和球形張量編碼（spherical tensor encoding, STE），這些波形通過對最小的回波時間進(jìn)行優(yōu)化從而增強信噪比[12-13]?；贛DE 的dMRI 技術(shù)主要包括擴(kuò)散方差分解（diffusional variance decomposition, DIVIDE）與MDD。DIVIDE可以探測與方向一致性無關(guān)的微觀擴(kuò)散各向異性，它捕獲了由微觀各向異性和非均勻各向同性擴(kuò)散率引起的平均擴(kuò)散率和擴(kuò)散方差（或峰度）。MDD 在一次采集中測量擴(kuò)散張量的軌跡，并通過其定量參數(shù)（如微環(huán)境形狀測量及微觀各向異性分?jǐn)?shù)）來分別反映組織內(nèi)微結(jié)構(gòu)的形狀特點和位置特征[14-15]。

基于ODE 的IMPULSED 技術(shù)通過不同的時間依賴性特征參數(shù)，探測不同長度尺度上的細(xì)胞微觀結(jié)構(gòu)，對細(xì)胞直徑的變化高度敏感，能夠反映不同組織微環(huán)境。而基于MDE 的DIVIDE 與MDD 技術(shù)通過將dMRI 數(shù)據(jù)與多個b 張量的形狀相結(jié)合，實現(xiàn)分離組織微觀各向異性和異質(zhì)性。因此，基于dMRI信號采集的新型編碼擴(kuò)散技術(shù)，對中樞神經(jīng)系統(tǒng)腫瘤進(jìn)行鑒別診斷、分期和療效評估具有重要臨床意義。

1.2 模型擬合

1.2.1 信號模型

信號模型使用依賴于擴(kuò)散加權(quán)成像（diffusion weighted imaging, DWI）與MRI信號的數(shù)學(xué)近似來提取關(guān)于組織微觀結(jié)構(gòu)的信息，如擴(kuò)散異質(zhì)性指數(shù)、擴(kuò)散系數(shù)的分布和峰度等。因此，它們適用于任何組織類型，但估計的參數(shù)缺乏特異性。目前，大多數(shù)基于信號模型的dMRI技術(shù)已應(yīng)用于臨床工作中。

DWI 是一種單指數(shù)模型，假設(shè)水分子擴(kuò)散位移服從高斯分布，其表觀擴(kuò)散系數(shù)（apparent diffusion coefficient, ADC）可以近似一個體素內(nèi)的平均擴(kuò)散過程[16]。ADC 的大小與b 值大小有關(guān)，一般需要兩個b值（例如0 和1000 s/mm2）來計算得到ADC 值。常規(guī)的DWI尚不能用于腦組織微結(jié)構(gòu)成像的研究。

DTI 是DWI 的簡單擴(kuò)展，假設(shè)每個體素內(nèi)只有一個高斯擴(kuò)散小室，最常用于評估纖維結(jié)構(gòu)的完整性。DTI 利用擴(kuò)散張量描述組織內(nèi)各個方向水分子的擴(kuò)散運動，具體地，它通過采集一個球體上均勻間隔的多個方向上（≥6個）的擴(kuò)散信息來描述水分子的三維擴(kuò)散過程[17]。在宏觀和微觀水平上，DTI對腦白質(zhì)結(jié)構(gòu)的微小變化具有高度敏感性，可以提供多個量化指標(biāo)：（1）軸向擴(kuò)散系數(shù)（axial diffusivity, AD）；（2）徑向擴(kuò)散系數(shù)（radial diffusivity, RD）；（3）平均擴(kuò)散系數(shù)（mean diffusivity, MD）；（4）各向異性分?jǐn)?shù)（fractional anisotropy, FA）。由于部分容積效應(yīng)、路徑平均效應(yīng)和非高斯擴(kuò)散等因素影響，DTI對腦組織微結(jié)構(gòu)變化的描述缺乏特異性，也無法描述水分子在交叉或扇形纖維中的擴(kuò)散。

DKI 在反映腦組織異質(zhì)性及微結(jié)構(gòu)變化方面比DTI 更具敏感性和特異性[18]。DKI 結(jié)合DTI 的擴(kuò)散張量和三維四階峰度張量來描述水分子的非高斯擴(kuò)散過程，它提供了兩個主要參數(shù)：擴(kuò)散系數(shù)（類似于ADC）和描述水分子位移與高斯分布偏差的無量綱峰度K。DKI 的定量參數(shù)——平均擴(kuò)散峰度（mean kurtosis, MK）常用于反映組織微結(jié)構(gòu)的復(fù)雜程度。

與DTI 和DKI 反映組織內(nèi)部水分子擴(kuò)散運動的方式不同，SEM假設(shè)體素內(nèi)擴(kuò)散系數(shù)是連續(xù)分布而不是簡單的幾種成分。SEM 的經(jīng)驗參數(shù)α 可以解釋水分子在非均勻介質(zhì)中擴(kuò)散的非高斯性，α 值接近1 表示組織結(jié)構(gòu)越均質(zhì)，α 值接近0 則表示組織結(jié)構(gòu)越復(fù)雜；分布擴(kuò)散系數(shù)（distributed diffusion coefficient,DDC）則代表體素內(nèi)的平均擴(kuò)散率[18]。CTRW模型減少了SEM 的經(jīng)驗性質(zhì)，它認(rèn)為組織中的水分子運動在空間和時間上均存在異質(zhì)性[19]，空間異質(zhì)性直接反映組織結(jié)構(gòu)的復(fù)雜性，而時間異質(zhì)性則反映水分子在復(fù)雜組織結(jié)構(gòu)中擴(kuò)散時被“捕獲”或“釋放”的可能性，因此，時空擴(kuò)散異質(zhì)性能夠反映潛在的組織結(jié)構(gòu)異質(zhì)性。在CTRW 模型中，除了擴(kuò)散系數(shù)D 外，時空擴(kuò)散異質(zhì)性由α 和β 兩個參數(shù)來描述，在均勻介質(zhì)中的α 和β 均等于1，而隨著組織異質(zhì)性增加，α 和β 逐漸減小。FROC模型是對CTRW 模型的簡化，它只考慮空間異質(zhì)性。FROC 模型引入了三個參數(shù)：μ、β 和D，其中μ 為空間參數(shù)，β 為空間分?jǐn)?shù)導(dǎo)數(shù)，D 為擴(kuò)散系數(shù)，它通過求解至少5 個b 值來反解方程后得到這些參數(shù)[20]。在臨床應(yīng)用中，F(xiàn)ROC 和CTRW 模型都需要相對較高的b值（≥3 000 s/mm2）。

HARDI 采用球形諧波數(shù)學(xué)模型，利用方向分布函數(shù)（orientation distribution function, ODF）來描述在每個像素中水分子擴(kuò)散的方向分布，主要用于描繪腦白質(zhì)的神經(jīng)纖維束的方向和結(jié)構(gòu)。HARDI的主要優(yōu)勢在于通過在更多個方向（＞45個）采集擴(kuò)散信息，能夠更好地描繪復(fù)雜的腦白質(zhì)纖維交叉區(qū)域[21]。

DSI 可以進(jìn)一步精確顯示復(fù)雜的纖維束和精細(xì)的腦白質(zhì)結(jié)構(gòu)。DSI 是基于多b 值、多方向的q 空間成像技術(shù)，除了應(yīng)用頻率編碼梯度實現(xiàn)的傳統(tǒng)“K-space”數(shù)據(jù)，增加了由擴(kuò)散編碼梯度采集的q 空間信息，且通過計算擴(kuò)散ODF來得到擴(kuò)散信號和氫質(zhì)子位移之間的關(guān)系重建參數(shù)圖[22]。DSI的定量參數(shù)主要包括定量各向異性（quantitative anisotropy, QA）、廣義分?jǐn)?shù)各向異性（general fractional anisotropy, GFA）和各向同性擴(kuò)散分量（isotropic diffusion component,ISO）[23]。隨著MR 掃描加速技術(shù)的發(fā)展，DSI 的掃描時間大大縮短，同時利用專業(yè)后處理軟件可以擬合出其他dMRI 技術(shù)（如DWI、DTI 和DKI 等）的定量參數(shù)[24]。基于DSI的MAP-MRI不對擴(kuò)散性質(zhì)進(jìn)行任何假設(shè)，而是直接測量水分子運動的擴(kuò)散概率密度函數(shù)[25]。MAP-MRI 的參數(shù)包括返回原點的概率（return to origin probability, RTOP）、返回軸的概率（return to axis probability, RTAP）、返回平面的概率（return to plane probability, RTPP）、均方位移（mean squared displacement, MSD）和信號方差（q-space inverse variance, QIV），這些參數(shù)對擴(kuò)散受限和組織成分的變化十分敏感，能夠反映腦白質(zhì)微結(jié)構(gòu)特征。

1.2.2 隔室模型

為了能夠更有效、更精細(xì)地區(qū)分腦組織成分以實現(xiàn)腦組織微結(jié)構(gòu)成像，隔室模型將一個體素中的擴(kuò)散信號視為來自幾個隔室的貢獻(xiàn)總和，每個隔室都對應(yīng)不同的結(jié)構(gòu)或細(xì)胞成分，各自的擴(kuò)散模式不同。原理上，基于隔室模型的dMRI技術(shù)首先通過改變擴(kuò)散編碼梯度的強度、方向和時間采集擴(kuò)散信號；然后基于不同腦組織微結(jié)構(gòu)（如軸突內(nèi)、外空間）建立簡單、理想化的幾何模型（如圓柱體、球體或橢球體等）的先驗假設(shè)，或基于擴(kuò)散特性將每個體素劃分成多個隔室；最后，在亞體素水平上將擴(kuò)散模型參數(shù)與生物相關(guān)的微觀結(jié)構(gòu)聯(lián)系起來。每種基于隔室模型的dMRI技術(shù)都有不同的假設(shè)和復(fù)雜度，隨著腦組織微結(jié)構(gòu)成像的逐步發(fā)展，不斷有新的隔室模型被提出，以下對常用的且用于腦組織微結(jié)構(gòu)研究的隔室間模型進(jìn)行簡介。

IVIM 假設(shè)組織中存在兩種不同的擴(kuò)散運動：一種由紅細(xì)胞偽隨機運動引起，另一種由水分子布朗運動引起。IVIM 提供了三個參數(shù)：（1）D 代表擴(kuò)散系數(shù)；（2）D*代表微血管系統(tǒng)或灌注過程中的水分子的擴(kuò)散系數(shù)；（3）f 代表單個體素內(nèi)微血管信號的占比，它們對評估組織的血液灌注和微循環(huán)狀態(tài)具有重要意義[13]。

STANISZ 等[26]提出了第一個模擬神經(jīng)組織的微觀結(jié)構(gòu)的隔室模型，該模型假設(shè)水分子在神經(jīng)膠質(zhì)細(xì)胞內(nèi)、軸突內(nèi)及細(xì)胞外空間中以不同模式擴(kuò)散，旨在估計每個隔室的體積分?jǐn)?shù)、細(xì)胞空間大小以及細(xì)胞內(nèi)外的水交換率。隨后陸續(xù)出現(xiàn)的球棍模型[27]、阻礙與限制復(fù)合擴(kuò)散模型（composite hindered and restricted model of diffusion, CHARMED）[28]、AxCaliber模型[29]、ActiveAx 模型[30]、白質(zhì)束完整性（white matter tract integrity, WMTI）模型[31]、雙隔室模型[32]和多室球面平均數(shù)技術(shù)（multi-compartment spherical mean technique, MC-SMT）[33]在理論上可以用來評估纖維束的密度和方向、反映神經(jīng)突起密度與方向變化以及、反映神經(jīng)突取向變異性和鑒定腦組織損傷。

ZHANG 等[34]于2012 年提出了三室組織模型——NODDI，它將組織劃分為神經(jīng)突內(nèi)、神經(jīng)突外（含神經(jīng)膠質(zhì)細(xì)胞和胞體等）和腦脊液三個隔室。NODDI可以產(chǎn)生反映神經(jīng)密度的軸突內(nèi)部體積分?jǐn)?shù)（intra-cellular volume fraction, ICVF）、量化軸突方向變化和程度的方向離散度（orientation dispersion index,ODI）和各向同性體積分?jǐn)?shù)（isotropic volume fraction,ISOVF）的定量擴(kuò)散參數(shù)。VERDICT 模型則包含血管、細(xì)胞外血管間隙（extracellular-extravascular space,EES）和細(xì)胞內(nèi)三部分[35]，用于量化與組織微觀結(jié)構(gòu)相關(guān)的多隔室參數(shù)，每一個參數(shù)模型都描述了一個單獨的水分子擴(kuò)散信號。VERDICT 可以產(chǎn)生包括ICVF，細(xì)胞外體積分?jǐn)?shù)（extra-cellular volume fraction,ECVF）和血管體積分?jǐn)?shù)（vascular volume fraction,VVF）等參數(shù)，以量化和繪制腫瘤在體內(nèi)的微觀組織學(xué)特征。

作為多個各向異性和各向同性擴(kuò)散張量的線性組合，擴(kuò)散基譜成像（diffusion basis spectrum imaging,DBSI）描述擴(kuò)散系數(shù)中體素內(nèi)異質(zhì)性的全范圍[36]。DBSI 模型假設(shè)軸突內(nèi)和/或軸突外隔室間沒有水分子交換，并將各向同性擴(kuò)散模式分離，以區(qū)分高細(xì)胞密度組織內(nèi)的擴(kuò)散、血管源性水腫和腦脊液內(nèi)的非限制性擴(kuò)散。DBSI可以生成分別代表各向異性張量（表觀軸突密度）、受限擴(kuò)散率（表觀細(xì)胞數(shù)）和各向同性擴(kuò)散率（腦脊液）的定量參數(shù)。最近，由SCHERRER等[37]提出的擴(kuò)散室成像中各向異性微結(jié)構(gòu)環(huán)境的分布（distribution of 3D anisotropic microstructural environments in diffusion compartment imaging,DIAMOND）模型，類似于DBSI，通過連續(xù)分布的擴(kuò)散張量分解體素內(nèi)的組織隔室，以更好地捕捉亞體素內(nèi)擴(kuò)散率的多維特征以及在復(fù)雜的微觀結(jié)構(gòu)環(huán)境中的組織異質(zhì)性。

基于隔室模型的dMRI 技術(shù)雖然能夠?qū)λ肿拥奶禺愋詳U(kuò)散行為進(jìn)行區(qū)分，但仍不可避免地存在一些局限性：（1）模型假設(shè)過于簡單化和理想化，不能精確反映組織結(jié)構(gòu)的真實形態(tài)和細(xì)節(jié)；（2）擴(kuò)散數(shù)據(jù)采集的時間過長或所需的b 值較多、較大，應(yīng)用于臨床還需要不斷優(yōu)化；（3）缺乏能夠?qū)⒍喾N組織特征聯(lián)系起來同時進(jìn)行定性與定量分析的模型。

2 基于dMRI的腦組織微結(jié)構(gòu)成像在常見腦腫瘤的應(yīng)用

2.1 膠質(zhì)瘤

2.1.1 膠質(zhì)瘤分級

膠質(zhì)瘤的準(zhǔn)確分級對于患者治療方案的決策及預(yù)后的評估具有重要臨床意義。根據(jù)第五版世界衛(wèi)生組織（World Health Organization, WHO）中樞神經(jīng)系統(tǒng)腫瘤分類將膠質(zhì)瘤分為Ⅰ～Ⅳ級，其中Ⅰ、Ⅱ級為低級別膠質(zhì)瘤（low-grade gliomas, LGGs），Ⅲ、Ⅳ級為高級別膠質(zhì)瘤（high-grade gliomas, HGGs）。HGGs在組織病理上表現(xiàn)為腫瘤細(xì)胞密度大、核異型性高、微血管增生和較多壞死，而LGGs 則呈現(xiàn)相反的特點[38]。

在信號模型方面，INOUE 等[39]通過DTI 研究發(fā)現(xiàn)LGGs 的FA 值顯著低于HGGs（P＜0.001），在HGGs 和LGGs 鑒別診斷方面具有重要臨床價值。MOON 等[40]的研究也表明常規(guī)DWI 中的ADC 值及DTI中的FA值與膠質(zhì)瘤分級呈負(fù)相關(guān)。QIU等[41]通過DKI 研究發(fā)現(xiàn)RK 值對HGGs 和LGGs 的鑒別診斷效能很高，AUC 達(dá)0.982。QU 等[42]基于SEM 的研究顯示，LGGs的α值顯著高于HGGs（P＜0.001），該結(jié)果符合兩者的組織病理特征。ZHANG 等[43]利用多模態(tài)MRI對膠質(zhì)瘤患者進(jìn)行研究，結(jié)果發(fā)現(xiàn)DKI中的MK值與膠質(zhì)瘤的分級呈正相關(guān)，而SEM 中的α 值與膠質(zhì)瘤的分級呈負(fù)相關(guān)。KARAMAN 等[44]探討了CTRW 在鑒別Ⅱ級和Ⅳ級膠質(zhì)瘤中的臨床價值，研究結(jié)果發(fā)現(xiàn)CTRW 的三個定量參數(shù)D、α 和β 聯(lián)合構(gòu)建的模型的診斷效能最高（AUC=0.900）。SUI 等[45]基于FROC 的研究發(fā)現(xiàn)其定量參數(shù)D、β 和μ 均可應(yīng)用于膠質(zhì)瘤的分級，其中β 的診斷效能（AUC=0.853）優(yōu)于D 和μ 以及傳統(tǒng)DWI的ADC。WANG 等[46]初步探討了MAP-MRI在膠質(zhì)瘤分級中的應(yīng)用價值，研究結(jié)果發(fā)現(xiàn)，NG、NGAx和NGRad可用于鑒別Ⅱ級和Ⅲ級膠質(zhì)瘤（AUC=0.823～0.838），而NG、NGAx、NGRad、RTAP、RTOP 和QIV 可用于鑒別Ⅱ級與Ⅳ級膠質(zhì)瘤（AUC=0.769～0.929）。SUN 等[47]也探討了MAP-MRI在膠質(zhì)瘤分級中的價值，研究結(jié)果發(fā)現(xiàn)Ⅱ級和Ⅲ級膠質(zhì)瘤的QIV和MD顯著高于Ⅳ級膠質(zhì)瘤（P＜0.05），而Ⅰ級和Ⅲ級膠質(zhì)瘤的RTAP和RTOP要顯著低于Ⅳ級膠質(zhì)瘤（P＜0.05），其中RTAP 的診斷效能最高。XIE等[48]同時利用DKI和MAP-MRI來研究膠質(zhì)瘤的分級，結(jié)果發(fā)現(xiàn)MK、NG 和RTOP 能夠用于鑒別LGGs和HGG（AUC=0.819～0.933）。

在隔室模型方面，WANG 等[49]通過IVIM 對膠質(zhì)瘤患者進(jìn)行研究，結(jié)果發(fā)現(xiàn)HGGs 相對于LGGs 具有較低的ADC 值和D 值以及較高的D*值和f 值，表明IVIM 可在術(shù)前無創(chuàng)地預(yù)測膠質(zhì)瘤的病理分級。GEN? 等[50]探討了NODDI 聯(lián)合DTI 和DKI 在膠質(zhì)瘤分級中的診斷價值，研究結(jié)果發(fā)現(xiàn)，與LGGs 相比，HGGs 中的FA、AK、MK、RK 和ICVF 顯著升高（P＜0.001），其中AK的鑒別診斷效能最高（AUC=0.972）。ZACCAGNA 等[51]通過VERDICT 研究膠質(zhì)瘤的病理分級，研究結(jié)果發(fā)現(xiàn)，相較于與LGGs，HGGs 的ICVF值較高，而ECVF/VVF 則較小。FIGINI 等[52]也發(fā)現(xiàn)HGGs 的ICVF 和VVF 高于LGGs，并隨著膠質(zhì)瘤級別的增加，腫瘤核心的ICVF 會逐漸增高，這種變化趨勢符合膠質(zhì)瘤的組織病理學(xué)特征，表明VERDICT具有描繪膠質(zhì)瘤組織微結(jié)構(gòu)的潛力，可為膠質(zhì)瘤的分級提供新的影像學(xué)標(biāo)志物。

最近，ZHANG 等[53]基于IMPULSED 技術(shù)的最新研究結(jié)果發(fā)現(xiàn)，其定量參數(shù)細(xì)胞密度可用于小兒LGGs和HGGs的鑒別診斷，AUC達(dá)0.911。LI等[54]通過DIVIDE 的研究結(jié)果發(fā)現(xiàn)在HGGs 和LGGs 的鑒別診斷中的最佳指標(biāo)是MKT（AUC=0.866）。

綜上，基于信號模型、隔室模型以及新型擴(kuò)散編碼的多種腦組織微結(jié)構(gòu)成像技術(shù)已被報道能夠用于膠質(zhì)瘤的分級研究，相應(yīng)定量擴(kuò)散參數(shù)的鑒別診斷效能表現(xiàn)優(yōu)異。新型擴(kuò)散編碼技術(shù)還能夠進(jìn)一步反映細(xì)胞水平的微結(jié)構(gòu)變化，例如，IMPULSED 能夠反映獨特的微觀結(jié)構(gòu)特性（如細(xì)胞結(jié)構(gòu)或細(xì)胞大?。?，DIVIDE 則能夠提供與腫瘤的組織微觀各向異性和異質(zhì)性有關(guān)的定量擴(kuò)散參數(shù)。

2.1.2 膠質(zhì)瘤分子分型

目前，越來越多的分子標(biāo)志物，諸如異檸檬酸脫氫酶（isocitrate dehydrogenase, IDH）突變、1p/19q共缺失和端粒酶逆轉(zhuǎn)錄酶（telomerase reverse transcriptase,TERT）啟動子突變等，被證明在評估膠質(zhì)瘤的分子分型方面發(fā)揮著重要作用[53]。因此，在術(shù)前通過無創(chuàng)的方式鑒別膠質(zhì)瘤的分子分型具有重要的臨床價值。

在信號模型方面，HUANG 等[55]通過DTI 研究膠質(zhì)瘤的分子分型，結(jié)果發(fā)現(xiàn)FA 值對于島葉LGGs 的IDH 突變和TERT 啟動子突變的預(yù)測效能最高（AUC=0.750），而MD 在其1p/19q 編碼缺失方面的預(yù)測效能最高（AUC=0.783）。GAO 等[56]通過多模態(tài)MRI 直方圖特征研究膠質(zhì)瘤的IDH 突變和1p/19q 共缺失，結(jié)果發(fā)現(xiàn)DTI、DKI、NODDI 和MAP-MRI 的擴(kuò)散參數(shù)的直方圖特征均具有良好的診斷效能（AUC=0.760～0.880）。SUN 等[47]的一項關(guān)于膠質(zhì)瘤的MAP-MRI 研究也發(fā)現(xiàn)IDH-1 突變型膠質(zhì)瘤的MSD、QIV 和MD 均顯著高于IDH-1 野生型膠質(zhì)瘤（P＜0.05），而IDH-1 突變型膠質(zhì)瘤的RTAP、RTOP、RTPP和FA 均顯著低于IDH-1野生型（P＜0.05）。在隔室模型方面，GU 等[57]通過IVIM 研究膠質(zhì)瘤時發(fā)現(xiàn)IDH1 野生型中的D*顯著低于IDH1 突變型（P＜0.05），而IDH1 野生型中D、f 水平顯著高于IDH1 突變型（P＜0.05）。ZHAO 等[58]的一項關(guān)于膠質(zhì)瘤的NODDI研究結(jié)果發(fā)現(xiàn)其定量參數(shù)在檢測IDH-1突變方面的效能不佳，有待大樣本量研究進(jìn)一步驗證。在新型擴(kuò)散編碼技術(shù)方面，ZHANG 等[53]基于IMPULSED 的一項最新的研究結(jié)果表明，細(xì)胞直徑對中線膠質(zhì)瘤患者h(yuǎn)3k27 突變的診斷效能最高（AUC=0.918），當(dāng)細(xì)胞直徑與細(xì)胞外擴(kuò)散系數(shù)聯(lián)合時，相應(yīng)診斷效能可進(jìn)一步提高（AUC=0.929）。LI等[54]通過DIVIDE 研究膠質(zhì)瘤的分子分型時發(fā)現(xiàn)，鑒別IDH 野生型和突變型膠質(zhì)瘤的最佳擴(kuò)散參數(shù)指標(biāo)為FA（AUC=0.881）。

綜上，基于信號模型和隔室模型的多種dMRI技術(shù)能夠提供反映組織微結(jié)構(gòu)特征的不同擴(kuò)散參數(shù)，它們在術(shù)前無創(chuàng)性預(yù)測膠質(zhì)瘤分子分型方面提供了重要的影像線索，有望成為可靠的影像學(xué)指標(biāo)。

2.1.3 膠質(zhì)瘤療效評估

膠質(zhì)瘤的治療一般采用手術(shù)切除并結(jié)合放化療的綜合治療方案，然而HGGs 患者的預(yù)后常常不理想，這可能與HGGs 的高度時空異質(zhì)性有關(guān)[59]。因此，在膠質(zhì)瘤患者的術(shù)前診斷和后續(xù)治療過程中，通過影像學(xué)標(biāo)志物來表征膠質(zhì)瘤的異質(zhì)性有望實現(xiàn)對HGGs 患者的個性化精準(zhǔn)診療從而改善患者的預(yù)后。

在信號模型方面，JIN 等[60]對膠質(zhì)母細(xì)胞瘤（glioblastoma, GBM）患者在不同復(fù)發(fā)時間點和治療后的DTI 進(jìn)行回顧性研究，結(jié)果發(fā)現(xiàn)FA 和神經(jīng)突密度指數(shù)（neurite density index, NDI）會隨時間發(fā)生顯著變化，GBM 復(fù)發(fā)前2 個月的FA 和NDI 比GBM 復(fù)發(fā)放療后1 個月分別低11.2%和6.4%（P＜0.05），這表明通過DTI 檢測腦微結(jié)構(gòu)變化和神經(jīng)元密度丟失可能預(yù)測GBM 的復(fù)發(fā)。常規(guī)的MRI 難以鑒別膠質(zhì)瘤接受放化療后的假性進(jìn)展和復(fù)發(fā)，而SHI 等[61]基于DKI 的研究結(jié)果表明相對MK 可用于鑒別HGGs 假性進(jìn)展和復(fù)發(fā)。WU 等[62]進(jìn)一步對比了DKI 和DTI在HGGs復(fù)發(fā)和假性進(jìn)展中的診斷效能，研究結(jié)果發(fā)現(xiàn)DKI 中的相對MK（AUC=0.914）在鑒別HGGs 復(fù)發(fā)和HGGs 假性進(jìn)展的診斷效能要高于DTI 中的相對MD（AUC=0.760），可作為鑒別HGGs 復(fù)發(fā)和假性進(jìn)展的強有力工具。DANG等[63]的一項關(guān)于GBM的DKI研究結(jié)果還表明MK 和MD 有助于鑒別GBM 復(fù)發(fā)和放療損傷。LIAO 等[64]對比了SEM、雙指數(shù)模型和單指數(shù)模型在鑒別GBM 接受放化療后假性進(jìn)展和復(fù)發(fā)中的診斷效能，研究結(jié)果表明SEM 中的α 是預(yù)測GBM 患者腫瘤進(jìn)展效能最高（AUC=0.940）的定量擴(kuò)散參數(shù)。FRIEDRICH 等[65]通過HARDI 研究膠質(zhì)瘤患者在手術(shù)切除后因接受放療或腫瘤復(fù)發(fā)導(dǎo)致的腦微結(jié)構(gòu)變化，結(jié)果顯示膠質(zhì)瘤患者接受放療后局部腦白質(zhì)的纖維密度降低，并與患者的神經(jīng)系統(tǒng)狀況評分相關(guān)，表明HARDI 可以監(jiān)測膠質(zhì)瘤對白質(zhì)纖維束微結(jié)構(gòu)的破壞以及評價治療反應(yīng)。JIANG等[66]采用IMPULSED 評估大鼠9L 顱內(nèi)原位膠質(zhì)瘤在接受放療前后的變化，結(jié)果發(fā)現(xiàn)膠質(zhì)瘤接受放療后的平均細(xì)胞大小較接受放療前顯著減?。≒＜0.005），推測可能與膠質(zhì)瘤接受放療后細(xì)胞萎縮和凋亡小體形成等腦微結(jié)構(gòu)變化有關(guān)。

在隔室模型方面，JABEHDAR 等[67]的一項關(guān)于GBM 的IVIM 研究結(jié)果發(fā)現(xiàn)ADC和f能夠預(yù)測GBM在化療期間的早期進(jìn)展。ONISHI 等[68]通過NODDI對接受替莫唑胺治療的大鼠膠質(zhì)瘤模型進(jìn)行研究，結(jié)果發(fā)現(xiàn)，與HE 染色相比，ICVF 顯示膠質(zhì)瘤的微觀結(jié)構(gòu)的效果最好（AUC=0.544），并能夠用于評估不同替莫唑胺劑量治療效果的差異（P＜0.001）。ROBERTS 等[69]通過VERDICT 評估替莫唑胺治療膠質(zhì)瘤的療效，研究結(jié)果發(fā)現(xiàn)，與ADC相比，ICVF能夠更早檢測到小鼠膠質(zhì)瘤模型接受替莫唑胺治療后的細(xì)胞大小的變化，說明VERDICT 可以用于膠質(zhì)瘤的早期治療監(jiān)測。HAN 等[70]還通過DBSI 評估HGG 患者接受放化療后的腫瘤進(jìn)展和療效，研究結(jié)果發(fā)現(xiàn)在新發(fā)的或較前增大的強化區(qū)域內(nèi)受阻分?jǐn)?shù)變化與治療后的腫瘤真性進(jìn)展和評估治療效果有關(guān)，常規(guī)MRI 與DBSI 聯(lián)合還可以提前7.7 周識別腫瘤進(jìn)展或治療反應(yīng)。

綜上，具有反映腦組織微結(jié)構(gòu)變化（纖維束密度、結(jié)構(gòu)完整性和受阻分?jǐn)?shù)等）的dMRI 技術(shù)，如DTI、DKI、SEM、HARDI、IMPULSED、IVIM、NODDI、VERDICT和DBSI，在檢測GBM復(fù)發(fā)、真性進(jìn)展和放化療早期療效監(jiān)測和整體療效評估方面都具有重要的臨床價值。

2.2 腦轉(zhuǎn)移瘤

2.2.1 腦轉(zhuǎn)移瘤鑒別診斷

腦轉(zhuǎn)移瘤（brain metastases, BrMs）是顱內(nèi)最常見的繼發(fā)性惡性腫瘤，也是導(dǎo)致癌癥患者治療失敗和死亡的重要原因。孤立性BrMs和HGGs的鑒別診斷是臨床上重點關(guān)注的問題。

KAMIMURA 等[71]通過基于50 Hz 的OGSE 序列和傳統(tǒng)PGSE 序列的兩種dMRI 技術(shù)來鑒別GBM 和BrMs，研究結(jié)果發(fā)現(xiàn)BrMs 的平均ADC 變化值（ADC50Hz-ADC0Hz）和相對ADC 變化值[（ADC50Hz-ADC0Hz）/ADC0Hz]均顯著高于GBM（P＜0.01）。研究發(fā)現(xiàn)，與其他腫瘤如黑色素瘤、乳腺癌等來源的BrMs 相比，小細(xì)胞肺癌來源的BrMs 的ADC 值通常較低[72]。HOLLY 等[73]通過DTI 對HGGs 和BrMs 的鑒別進(jìn)行研究，結(jié)果表明HGGs 中的MD 值和FA 值明顯高于BrMs（P＜0.05），HGGs的瘤內(nèi)纖維束數(shù)目和瘤周纖維束密度也明顯高于BrMs（P＜0.05）。WANG 等[74]通過MAP-MRI 鑒別HGGs 和BrMs，研究結(jié)果表明MSD、RTAP、RTOP 和RTPP 在GBM 和BrMs 間具有差異性（P＜0.05）。QI 等[75]通過NODDI 評估瘤內(nèi)及瘤周水腫區(qū)的水分子擴(kuò)散情況來鑒別GBM和BrMs，研究結(jié)果表明ODI和ICVF的單一模型或聯(lián)合模型的診斷效能為一般至優(yōu)良（AUC=0.741～0.942）。MAO 等[24]通過DSI鑒別HGGs和BrMs，研究結(jié)果發(fā)現(xiàn)DSI衍生出的Viso的診斷效能最高（AUC=0.871）。NILSSON等[13]通過DIVIDE 研究顱內(nèi)腫瘤的微觀各向異性和組織異質(zhì)性，結(jié)果發(fā)現(xiàn)BrMs 的MKI顯著高于GBM（P＜0.001），與病理結(jié)果相符。該研究表明DIVIDE中反映組織異質(zhì)性的定量參數(shù)可以用于區(qū)分BrMs和GBM。MDD 在前列腺癌、乳腺癌中已有初步應(yīng)用，研究結(jié)果發(fā)現(xiàn)其定量參數(shù)能夠描繪前列腺癌與乳腺癌組織的微觀結(jié)構(gòu)特征[76-77]，然而，MDD 目前在腦腫瘤中的應(yīng)用尚無報道。

綜上，多種反映腦組織微結(jié)構(gòu)的dMRI技術(shù)可用于鑒別BrMs 和HGGs，并表現(xiàn)出良好的鑒別診斷效能，為臨床上患者治療決策的制訂提供了重要的線索。

2.2.2 腦轉(zhuǎn)移瘤的療效評估與預(yù)后預(yù)測

BrMs 患者的治療方案包括放療、化療、手術(shù)切除、靶向治療及免疫治療，但患者的總生存期一般不超過15個月。早期、準(zhǔn)確評估BrMs的療效和預(yù)測預(yù)后具有重要的臨床意義。

HUA 等[78]的研究表明DTI 可評估BrMs 對神經(jīng)纖維束及神經(jīng)系統(tǒng)功能的影響，為手術(shù)切除提供依據(jù)。BENZAKOUN 等[79]的研究顯示DTI 能夠顯示手術(shù)后殘留或復(fù)發(fā)的腦轉(zhuǎn)移灶，為術(shù)后監(jiān)測提供影像學(xué)支持，DTI 顯示的結(jié)構(gòu)連接變化也能用于判斷術(shù)后神經(jīng)系統(tǒng)功能修復(fù)。SHAH 等[80]基于IVIM 的研究發(fā)現(xiàn)，與病情穩(wěn)定、部分緩解或完全緩解的BrMs相比，進(jìn)展性BrMs 的f 值顯著升高，提示IVIM 可用于監(jiān)測BrMs 治療后的反應(yīng)。綜上，DTI 與IVIM 能夠用于BrMs 療效評估及預(yù)后預(yù)測，其他的反映腦組織微結(jié)構(gòu)的dMRI 技術(shù)有待在該領(lǐng)域進(jìn)一步深入研究。

2.2.3 腦膜瘤

腦膜瘤占所有腦腫瘤的30%以上，是最常見的顱內(nèi)良性腫瘤[81]。根據(jù)第五版WHO 中樞神經(jīng)系統(tǒng)腫瘤分類將腦膜瘤分為Ⅰ～Ⅲ級，高級別的腦膜瘤及相應(yīng)的組織學(xué)亞型常提示不良預(yù)后。準(zhǔn)確的術(shù)前分級以及病理亞型預(yù)測對于腦膜瘤治療方案的制訂及預(yù)后預(yù)測具有重要臨床意義。

BRABEC等[82]通過基于球形和線性b 張量的dMRI 技術(shù)對Ⅰ級和Ⅱ級腦膜瘤患者進(jìn)行研究，結(jié)果發(fā)現(xiàn)較高的MKA和較低的MKI能夠鑒別砂礫型腦膜瘤與其他類型的腦膜瘤。HAN 等[83]發(fā)現(xiàn)平均ADC值和常規(guī)MRI 特征的聯(lián)合模型鑒別非典型腦膜瘤與間變型腦膜瘤的診斷效能最高（AUC=0.918）。ASLAN 等[84]也發(fā)現(xiàn)基于DTI 的ADCmin、RD 和FA 的組合模型鑒別低級別腦膜瘤和高級別腦膜瘤的診斷效能最高（AUC=0.960）。CHEN 等[85]通過DKI 的直方圖術(shù)前無創(chuàng)預(yù)測腦膜瘤分級和組織學(xué)亞型（10 種），研究結(jié)果發(fā)現(xiàn)高級別腦膜瘤中的基于MD和MK的多個特征顯著高于低級別腦膜瘤（P＜0.05），并可鑒別多達(dá)7 組不同類型腦膜瘤，其中以基于MK的第90 百分位數(shù)特征的鑒別診斷效能最高（AUC=0.870）。BOHARA 等[86]通過IVIM 研究腦膜瘤的分級，結(jié)果發(fā)現(xiàn)高級別腦膜瘤的D 值（P＜0.004～0.032）和f 值（P＜0.005～0.024）顯著高于低級別腦膜瘤。SHE 等[87]比較分析了DTI、DKI、MAP 和NODDI 的直方圖特征在預(yù)測腦膜瘤分級和與Ki-67 的相關(guān)性，研究結(jié)果發(fā)現(xiàn)低級別腦膜瘤中的基于DKI_AK、MAP_RTPP、NODDI_ICVF 等定量擴(kuò)散參數(shù)的特征值顯著低于高級別腦膜瘤（P＜0.0001），而低級別腦膜瘤中的基于DTI_MD 的特征值顯著高于高級別腦膜瘤（P＜0.001）。以上研究表明，基于dMRI 的腦組織微結(jié)構(gòu)成像技術(shù)能夠在腦膜瘤分級及亞型分型中發(fā)揮重要作用。另外，F(xiàn)RANCONERI 等[88]還通過聯(lián)合IVIM 和DWI 對接受質(zhì)子治療的腦膜瘤患者進(jìn)行研究，結(jié)果發(fā)現(xiàn)IVIM 中的D 值和DWI 中的ADC 值在治療后逐漸增加，IVIM 中的D*值則逐漸下降。因此，除了研究腦膜瘤分級及亞型分型之外，基于腦微結(jié)構(gòu)成像的dMRI 技術(shù)也可用于評估腦膜瘤患者的治療效果。目前，基于dMRI的腦微結(jié)構(gòu)成像在腦膜瘤中研究仍不夠深入，主要集中于分析腦膜瘤組織擴(kuò)散特征，未來的研究可以嘗試?yán)酶嘈滦偷哪X組織微結(jié)構(gòu)成像技術(shù)來分析腦膜瘤本身（細(xì)胞直徑、大小）鄰近腦組織的微結(jié)構(gòu)變化（如纖維束密度、方向），以期為臨床治療方案的決策提供更多影像線索。

3 總結(jié)與展望

基于dMRI 技術(shù)的腦組織微結(jié)構(gòu)成像經(jīng)過多年的發(fā)展，從擴(kuò)散編碼技術(shù)的改進(jìn)和創(chuàng)新到層出不窮的信號模型以及隔室模型的推出，為揭示腦部包括白質(zhì)纖維束的幾何形態(tài)和空間分布，神經(jīng)軸突的直徑、密度和方向，微環(huán)境中細(xì)胞的形態(tài)、直徑、密度，以及微血管灌注在內(nèi)的多種微觀特征提供了無創(chuàng)性手段，在腦部疾病中具有巨大的應(yīng)用潛力。目前，MR新型擴(kuò)散編碼技術(shù)逐漸實現(xiàn)了dMRI在腦組織微結(jié)構(gòu)探測的廣泛應(yīng)用。基于ODE 的IMPULSED 技術(shù)對腦組織的細(xì)胞直徑變化高度敏感，通過采集不同的時間依賴性特征數(shù)據(jù)，探測細(xì)胞尺度信息，能夠反映腫瘤組織學(xué)和分子亞型表現(xiàn)出獨特的細(xì)胞微觀結(jié)構(gòu)特性。而基于MDE 的DIVIDE 與MDD 技術(shù)通過結(jié)合dMRI 數(shù)據(jù)與多個b 張量的形狀，實現(xiàn)了分離組織微觀各向異性和腫瘤異質(zhì)性。基于信號模型的dMRI 技術(shù)如CTRW、FROC、MAP-MRI 等，已大多數(shù)應(yīng)用于臨床工作中，適用疾病范圍廣泛但其定量參數(shù)缺乏特異性。新型隔室模型，包括NODDI 和VERDICT 等，基于不同腦組織微結(jié)構(gòu)建立物理模型，對不同組織內(nèi)的水分子信號進(jìn)行區(qū)分和定量，并將擴(kuò)散模型參數(shù)與人體組織類型聯(lián)系起來。上述所有dMRI技術(shù)均已初步應(yīng)用于膠質(zhì)瘤的分級、分子分型和治療評估等方面，未來有待深入探索并比較各種新型腦組織微結(jié)構(gòu)成像技術(shù)在更多腦腫瘤的鑒別診斷、組織分型、分子分型、療效評估和預(yù)后預(yù)測方面的應(yīng)用價值，從微觀形態(tài)學(xué)角度，更全面地揭示腦腫瘤中的不同成分構(gòu)成及其分布特征，為臨床上腦腫瘤的精準(zhǔn)診斷、治療方案的制訂和預(yù)后預(yù)測提供關(guān)鍵影像學(xué)指標(biāo)。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：沈君設(shè)計本研究的方案，對稿件重要內(nèi)容進(jìn)行了修改，獲得了國家重點研發(fā)計劃項目的資助；胡芷瑄起草和撰寫稿件，獲取、分析或解釋本研究的文獻(xiàn)；毛椿平、王夢珠、嚴(yán)序、毛家驥獲取、分析或解釋本研究的文獻(xiàn)，對稿件重要內(nèi)容進(jìn)行了修改；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。