人腦模板構建方法進展

鄒 靜，王德峰，石 林

(香港中文大學影像與介入治療學系，香港 999077)

人腦結構和功能非常復雜，且由于性別、年齡、地域以及生理狀態等差異，不同人群大腦形狀和大小均有所不同。此外，成像技術和計算方法的差異也會影響對圖像的綜合分析[1]，故空間標準化是研究大腦的重要步驟。腦模板包含大腦神經解剖學位點的結構和功能信息，可為空間標準化提供基準。參照腦模板可對特定大腦圖像進行分析，現已廣泛用于神經影像學領域，如診斷疾病、定位病灶及制定手術方案等[2]。腦模板的設計對分析神經影像數據至關重要，尤其是人群特異性腦模板，有助于精準分析數據。本文對人腦模板的構建方法和現狀進行綜述。

1 腦模板構建方法

腦模板的構建包括圖像預處理、圖像配準和模板構建(圖1)。

1.1 圖像預處理 構建腦模板需高質量MR圖像，數據存儲格式為DICOM、ANALYZE或NIFTI。構建腦模板前，MR圖像需經一系列預處理步驟[3]以提高腦模板質量，包括去偏場及方向調整等[4]。

1.2 圖像配準 構建腦模板時需將圖像配準為標準圖像，使所有圖像標準化到同一空間。標準圖像的選取方法包括：①隨機選取；②從標準人腦模板數據庫中選取；③與標準人腦模板進行線性配準，選取匹配效果最佳的圖像[5]。之后將所有圖像與選取的標準模板進行配準。有學者[5-6]采用線性變換進行配準構建MNI152和MNI305人腦模板；還有學者[6]將452幅人腦圖像通過仿射變換獲得ICBM452人腦模板Air-12版本。由于線性配準僅將圖像大致對齊，故通過線性變換構建的腦模板的腦結構細節較為模糊。

圖1 腦模板構建流程圖

為獲得包含更多細節、顯示解剖結構更為清晰的腦模板，多項研究[7-9]提出非線性配準方法。與ICBM-452人腦模板Air-12版本相比，warp-5版本的腦模板利用AIR軟件先進行線性仿射變換，再行5階多項式非線性變換，配準方法更為精確，可提供更多皮層的細節信息[9]。此外，還有更為先進的非線性配準方法用于腦模板創建，具體如下。

1.2.1 微分同胚方法 為解決模板選取時的引入偏差，Xie等[7]提出基于微分同胚的方法建立無偏模板，并以2歲兒童的MRI數據構建了無偏模板和概率圖譜。Joshi等[8]也采用微分同胚映射方法構建了皮質腦溝模板。Schuh等[9]采用微分同胚配準構建4D腦模板和生長模型，發現可用相反一致性變換的Log-Euclidean方法更好地反映平均形態。構建微分同胚轉換的一種方法是解決如下非穩態轉運方程：

(1)

其中u(Φ(y,t),t)∈H是希爾伯特空間H上時間無關且平滑的速度向量場。對于最初的映射，相當于在t=0時確認轉換Φ(y,0)；對于最后的映射，速度場u的終點可通過計算單位時間間隔t∈[0，1]的集合獲得：

(2)

根據偏微分方程的解的存在性和獨特性定理，式(1)的解由速度場u(Φ(y,t),t)和初始條件Φ(y,0)確定。微分同胚路徑Φ不僅可微，還可保證集合的一一映射，對于分析不同解剖結構在形態和功能上的關系具有重要意義。此外，微分同胚框架可定量測量不同結構或形狀之間的距離[10]。

1.2.2 圖像集配準 圖像集配準可根據群體數據構建無偏模板。與成對配準相比，圖像集配準可同時為所有圖像估計轉換場，而無須以特定圖像作為模板。

在無偏圖像集配準框架中，通過迭代將N個圖像配準到組平均圖像獲得形變場；在第t輪配準時，通過對當前形變后圖像的灰度取平均獲得組平均圖像Mt：

(3)

當前變換場是:

(4)

組平均圖像的估計看作統計估計問題：

(5)

圖像集配準方法是先用迭代方法計算組的均值圖像，再將其他圖像與均值圖像進行配準[11]。但均值圖像一般較為模糊，細節缺失，而圖像集配準過程中保持組均值圖像的清晰度具有重要意義。Wu等[11-12]提出SharpMean方法，即在配準時采用自適應權重策略，并發現其配準精確度高于傳統方法；同時，應用基于樹的配準來提高每個對象的配準精確度，在每次配準時均以最小生成樹來保證配準結果的魯棒性。為解決圖像之間的形變問題，Lombaert等[13]提出一種新的圖像譜集Log-Demons框架，通過擴展對稱Log-Demons算法，可同時進行模板構建與圖像集配準。

1.3 模板構建 將配準后的圖像均值化，可獲得MNI152、MNI305和ICBM452腦模板。取平均時可直接取平均或加權取平均，將所有圖像均用來構建模板可增加模板的細節信息，但也會引入噪聲，使圖像中有關結構模糊不清。Shi等[14]提出基于字典學習的方法，用少量圖像塊來稀疏表示模板中的每一個圖像塊。

圖2 中國人標準腦模板[15] A.冠狀位； B.矢狀位； C.軸位

采用基于塊的稀疏表示方法，可在模板上展現較多解剖細節；同時，對組結構的約束和重疊塊的使用可確保相鄰塊之間的解剖連續性。有學者[14]采用基于塊的稀疏表示方法對73名新生兒的MR圖像構建無偏的腦模板，發現腦模板的質量增強，且可發現更多的解剖細節，有助于將新生兒數據標準化。

由于圖像集配準算法不能保證全局最優解，故無偏微分同胚算法構建的模板較模糊。考慮到圖像清晰度以及旋轉不變性，Xie等[7]引入商空間的流形學習，用不變矩陣擴展流形學習方法，通過流形結構將圖像分成更均勻的子集，每個子集都能用一個模板圖像表示；同時還以兩步算法建立腦模板：用無監督或半監督方法將輸入圖像分成亞組，在每個亞組用公式表示一個凸優化問題來定位模板；其結果表明，此法不僅可發現不同年齡組的腦結構變化，還可保留重要的結構細節。

有研究[15]首先將圖像配準到標準空間(個體內線性配準)，以ANTS軟件的SyN算法實施圖像配準、核回歸框架構建模板，再用非剛性配準方法將12個模板配準到標準空間獲得中國人標準腦模板Chinese2020，包含20～75歲、以5年為間隔構建的12個腦模板(圖2)。

2 4D腦模板構建

兒童大腦的體積、形狀和外觀隨年齡增長而變化。為描述大腦在發育時期的動態變化，通常會構建隨時間變化的腦模板。關于構建新生兒腦模板的研究較多見。Serag等[16]提出用自適應核回歸法建立新生兒大腦4D模板。Serag等[17]用自適應核回歸法對204例早產兒在孕28～44周時大腦T1WI和T2WI進行建模，生成與年齡相關的解剖模板(圖3)。Alexander等[18]

圖3 早產兒在孕28～44周的腦模板[17] A.T1WI; B.T2WI

采用分割方法構建新生兒腦模板圖，將成年人的腦皮層模板復制到新生兒腦模板上，從10個新生兒T2WI手動分割出基底核、丘腦、小腦和其他皮質層下區域，生成100個腦區域，最后構建出包含皮質和皮質層下區域詳細輪廓的腦模板。Shi等[19]對95名正常嬰兒在3個年齡階段(出生、1歲和2歲)的MRI數據均成功構建腦模板、組織概率圖和腦分割圖，獲取年齡特異性模板的縱向對應關系。胎兒的腦成像難度較大以及胚胎期大腦的快速變化均使胎兒腦模板構建受限。Gholipour等[20]將81胎孕19～39周正常胎兒的MRI數據，結合空間的對稱微分同胚形變配準和時間上的核回歸法成功構建無偏4D胎兒腦模板。Schuh等[9]采用微分同胚的Log-Euclidean方法構建4D腦模板，以對象間的成對變換構建模板的時間序列，導出均值生長的縱向形變模型。Sanchez等[21]收集494名4.5～19.5歲兒童的823次MR掃描圖像，以6個月為年齡間隔，構建頭部、腦部和分割模板，獲得兒童年齡特異性MRI模板。

3 小結與展望

不同種族、不同年齡以及不同模態的腦模板對于探索不同群體之間腦結構和腦功能異同、觀察大腦隨年齡增長的變化趨勢、術中定位及定量分析大腦等具有重要作用。隨著大數據共享的發展，可獲得的腦神經影像學的數據越來越多，基于大數據創建更具代表性的腦模板已成為趨勢。根據特殊群體創建的人群特異性腦模板也有助于分析特定群體的大腦結構。隨著腦影像學技術的發展，將逐漸出現更多模態的腦模板，為探索更細微的腦結構和腦功能提供參考。