一種腦結構自動化測量方法應用于阿爾茨海默病診斷的初步探討

李華兵，唐湘祁，陳遠，肖煥輝，王思倫*

阿爾茨海默病(Al zheimer's disease，AD)是癡呆癥的最主要病因，占到50%～75%，且發病率隨年齡的增長而增加，65歲以后AD發病率每5年大約增加1倍[1]。AD類神經退行性疾病進展的一個常見生物學標記是腦結構的形態學改變，這種變化可以通過體積測量[2-4]或繪制腦結構萎縮的三維空間分布圖來評估。基于全腦或者單一腦區解剖結構的縱向研究發現，腦萎縮在AD疾病進展過程中逐漸加速[5-7]。在病理學應用中，針對不同腦結構的體積測量已被確定為AD檢測有效的影像學生物標志物[8]。此外，家族性AD研究中發現，左側海馬體和右側海馬體分別在AD診斷前9年和6年前就已經出現明顯萎縮，而根據腦邊界位移計算的全腦萎縮在AD診斷前的3～4年就已經發生[9]。

在針對AD腦結構估計的影像學方法中，人工勾畫測量迄今仍然是量化大腦萎縮性變化的金標準，即基于對每個特定感興趣腦區的位置和形狀的知識基礎進行手動勾畫和計算體積[10-11]。此方法因為要在大量的MRI掃描影像中分離腦部結構，需要花費大量時間，而且依賴于專家技能和解剖學知識[12-13]。近年來自動化腦影像技術越來越多地被用于尋找中樞神經系統疾病的生物學標志物、以及用于診斷和預測病程進展[14]。目前大量的研究報道了一些用于腦部區域分割和體積計算的自動化分析系統[13，15-18]。

本前瞻性研究通過對腦部MRI影像數據的分析，旨在評估一種腦結構自動化測量方法，并與人工手動勾畫方法分割腦影像的方式進行比較，確定腦結構自動化測量的準確性和可靠性。此外，在AD組和對照組人群中，利用腦結構自動化測量分析全腦47個腦區的體積變化，旨在評估腦結構自動化測量技術應用于AD診斷的潛在價值。

1 材料與方法

1.1 研究對象

收集自2016年1月至2017年4月在中南大學湘雅二醫院掃描的240份頭顱影像數據，被試年齡：18～80周歲。排除標準：①白質對比度不清晰，腦結構異常；②存在腫瘤、腦損傷、腦積水、大面積鈣化灶等腦部實質性病變，或其他植入物等；③增強掃描(使用對比劑)；④掃描沒有覆蓋全腦。最終入組204人的正常人群數據(男97人，女107人)，年齡(45.5±13.1)歲。本研究是前瞻性分析，經過中南大學湘雅二醫院倫理委員會批準，所有受試者均已通過口頭通知并簽署書面同意書。

AD組中34例(男16例，女18例)患者，年齡(58.2 ±8.2 )歲。所有AD病例均由中南大學湘雅二醫院神經內科主治醫生綜合病史、量表進行評估[簡易精神狀態量表(Mini-ment al St atus Examinat ion，MMSE)和蒙特利爾認知評估量表]和其他系統性檢查進行診斷且排除其他中樞神經系統疾病(帕金森癥、亨廷頓舞蹈癥等)的可能影響，疾病診斷參照美國精神疾病診斷及統計手冊第四版及美國國立神經病語言障礙研究所阿爾茨海默病及相關疾病協會標準[19]。具體地，臨床失智評分量表(Cl inical Dementia Rating Scal e，CDR)評分≥1，MMSE評分為18～24分。根據AD組的年齡和性別，在納入的正常人群中匹配一組對照組(n=34，男11人，女23人)，年齡(56.4±6.5 )歲。

1.2 MRI數據采集

采用Siemens以及Phil ips 1.5 T和3.0 T磁共振掃描儀對所有被試進行全腦T1加權三維磁化強度預備梯度回波序列(three dimensional magnetization pr epar ed r apid acquisit ion gr adient echo，3D MP-RAGE)序列采集。掃描方向：矢狀位，TR：8.0 ms，TE：3.7 ms，層數：250，層厚：1.2 0 mm，翻轉角度：8°，FOV：256 mm×256 mm，帶寬：190 Hz，采集矩陣：252×227×250，體素大小：0.9 8 mm×0.9 8 mm×1.2 0 mm。

1.3 腦區體積的人工勾畫測量

腦區體積的人工勾畫測量由5年以上資質的2名經驗豐富的臨床醫師，在MRI數據上采用3D Sl icer影像處理軟件，借助結構核磁共振腦影像，選取左、右側海馬，左、右側腦室，左、右側尾狀核，左、右側殼核，左、右側丘腦共10個特定感興趣腦區用鼠標逐層勾畫目標腦區輪廓結構并計算面積。面積乘以掃描層厚為該層面體積，逐層相加之和即為腦區的體積。為消除個體頭顱大小對上述數據的影響，數據均進行標準化處理。體積標準化值=(原始數據/顱腔體積)×顱腔體積平均值；顱腔體積為顱腔左右徑、前后徑、上下徑的乘積。

1.4 腦區體積的自動化測量

腦結構自動化測量使用MRI影像處理軟件Dr.Br ain(腦醫生，上海銥硙醫療科技有限公司)。軟件應用Neur omor phomet r ics腦模板可以對MRI影像數據進行自動分割，自動得出多個腦部重要區域的體積數據，具體工作流程如圖1所示。在本研究中包括了海馬、腦室、丘腦、尾狀核、殼核等在內的47個腦區的體積數據。單個腦區的絕對體積為對應分割區域的灰質和白質體積之和，單個腦區的相對體積為絕對體積除以腦實質總體積(腦灰質總體積+腦白質總體積)。

圖1 Dr.Brain工作流程圖Fig.1 Work flow sketch of Dr.brain software.

1.5 統計學分析

所有研究數據使用Matl ab 2018a(The MathWorks)和MedCal c 15.2.2 軟件進行統計學分析，使用Pearson相關系數分析腦結構自動化分析和手動勾畫測量的10個腦區體積結果的相關性，使用雙側Wil coxon秩和檢驗分析自動測量與手動測量的差異顯著性，并利用Bl and-Al t man圖評價自動測量方法與手動測量結果的一致性。使用D’Agost ino方法檢驗腦各組體積數據的正態性，對于符合正態分布的兩組體積數據比較采用獨立樣本t檢驗，對于不符合正態分布的兩組體積數據比較采用Mann-Whit ney檢驗。P＜0.0 5表示差異具有統計學意義。

2 結果

2.1 腦結構自動化分析與人工勾畫測量腦區體積的一致性和相關性分析

腦結構自動化分析與手動勾畫測量10個腦區體積結果的Bl and-Al t man一致性分析(圖2A)表明，兩者對于腦區體積的測量具有同樣的精準度，所有腦區測量差異的均值位于0點附近，變異系數均小于5%，可重現系數(測量差異算術平均+1.9 6×標準差)與兩種測量方式結果均值的比率在7.6 %～13.6 %。

腦結構自動化分析與手動勾畫結果的皮爾遜相關性分析顯示，軟件自動分割與手工勾畫結果有較高的相關性(圖2B)，具體為左側腦室相關性系數r2=0.9 9，左側丘腦相關性系數r 2=0.9 5，左側尾狀核相關性系數r2=0.9 5，左側殼核相關性系數r 2=0.9 6，左側海馬體相關性系數r2=0.9 2，右側腦室相關性系數r2=0.9 9，右側丘腦相關性系數r 2=0.9 5，右側尾狀核相關性系數r2=0.9 6，右側殼核相關性系數r 2=0.9 4，右側海馬體相關性系數r2=0.9 1。Wil coxon秩和檢驗表明，在所考察的所有10個腦區中，手動勾畫結果與自動測量的差異均不存在統計學意義(P＞0.0 5)。所有結果表明，腦結構自動化測量與手動勾畫測量的腦區體積之間具有良好的一致性和相關性。

圖2 軟件自動分割和計算與手動勾畫測量腦區結構的一致性和相關性分析。A：Bland-Altman分析兩種腦區體積分割測量方法檢測ROI的一致性；B：皮爾遜相關性分析兩種腦區體積分割測量方法檢測ROI的相關性Fig.2 Consistency and correlation analysis between automatic segmentation by software and manual segmentation.A:ROI consistency assessment of the two segmentation methodsby using Bland-Altman analysis;B:ROIcorrelation assessment of thetwo segmentation methodsby using Pearson correlation analysis.

2.2 腦結構自動化分析與人工勾畫測量腦區體積差異的分布

腦結構自動化分析與手動勾畫測量腦區差異絕對值的分布，10個腦區的手動勾畫和自動分割的差異相對比率(|手動-自動|/手動)的中位數均小于5%。10個腦區的分割差異相對比率的中位數分別為2.9 4%、3.0 8%、3.4 2%、2.9 0%、2.7 2%、3.2 0%、2.9 1%、2.8 4%、3.2 4%、3.3 9%。見圖3。因此，腦結構自動化分析的腦區分割測量結果，能夠在一定程度上準確地替代人工勾畫測量。

圖3 腦結構自動化分析與手動勾畫測量10個腦區結構差異絕對值的分布。1：左側腦室，2：左側丘腦，3：左側尾狀核，4：左側殼核，5：左側海馬，6：右側腦室，7：右側丘腦，8：右側尾狀核，9：右側殼核，10：右側海馬Fig.3 Variation analysis of the 10 brain regions between automatic segmentation by software and manual segmentation.1:Left ventricle,2:Left thalamus,3:Left caudate nucleus,4:Left putamen,5:Left hippocampus,6:Right ventricle,7:Right thalamus,8:Right caudate nucleus,9:Right putamen,10:Right hippocampus.

2.3 AD組和對照組腦區絕對體積的比較

AD組患者中男16例，女18例，年齡(58.1 8±8.1 8)歲；對照組中男11例，女23例，年齡(56.4 4±6.5 3)歲。兩組年齡和性別分布之間沒有顯著性差異(P＞0.0 5)。采用腦結構自動化測量AD組和對照組全腦47個主要腦區(包括額葉、顳葉、頂葉、枕葉、島葉、扣帶回及其他)的體積結果表明，AD組腦室結構(包括側腦室、第三腦室、第四腦室)體積顯著高于對照組(P＜0.0 5)。此外，AD組中的額中回、額下回、內側前額葉、內側額上回、眶部額下回、顳上回、顳中回、顳下回、顳極、顳橫、緣上回、角回、楔前葉、頂蓋、枕上回、枕中回、枕下回、楔葉、枕葉梭狀回、舌回、距狀回、前扣帶回、中扣帶回、后扣帶回、伏隔核、杏仁核、海馬體、殼核、丘腦、基底區域、內嗅區、海馬旁回的絕對體積顯著低于對照組(P＜0.0 5，表1)。

表1 對照組和AD組中各個腦區絕對體積的比較(mL)Tab.1 Comparison of absolute volume between control group and AD group(mL)

2.4 AD組和對照組腦區相對體積的比較

AD組和對照組腦區相對體積(腦區絕對體積/個體腦實質總體積)的比較分析顯示，AD患者中11個腦區，包括內側前額葉(P=0.0 009)、顳中回(P=0.0 003)、(P=0.0 012)、顳極(P=0.0 093)、角回(P=0.0 030)、楔前 葉(P=0.0 052)、后 扣 帶回(P=0.0 157)、杏 仁 核(P＜0.0 001)、海馬體(P=0.0 016)、基底區域(P=0.0 022)、內嗅區(P=0.0 003)的相對體積顯著低于對照組。見表2。

表2 對照組和AD組中各個腦區相對體積(絕對體積/實質總體積)的比較(%)Tab.2 Comparison of relative volume(absolute volume/parenchymal mass)between control group and AD group(%)

3 討論

阿爾茨海默病是一種神經系統退行性疾病，主要的病理涉及腦部β-淀粉樣蛋白(Aβ)的積累、神經元纖維纏結、葡萄糖代謝減退、突觸功能障礙等。這些腦部神經變性過程在AD的進展過程中往往表現為某些局部腦區損傷更為嚴重。研究表明，結構性腦改變可以在AD患者臨床認知功能下降前10年就已經出現[20]，并且這些改變主要分布于受神經病理學影響的特定區域。本研究發現，利用腦結構自動化測量技術能夠較為準確地進行腦區結構分割和體積測量，并且具有應用于AD診斷的潛在價值。

3.1 AD與腦室體積擴大

Godbol t等[9]在家族性AD縱向研究中發現，早在輕度認知障礙(mil d cognit ive impair ment，MCI)被診斷前的5年就已經出現腦室的明顯擴大(擴大率約110%)，而海馬體在診斷前的6～9年也已經發生明顯的萎縮。本研究中，AD組腦室3個結構體積相比較于對照組均有明顯的擴大，分析的腦室系統包括側腦室(擴大率122.9 %)、第三腦室(擴大率67.4 %)、第四腦室(擴大率22.9%)，總體擴大率與報道的研究結果基本相同。

3.2 AD與內嗅區、海馬和杏仁核體積萎縮

Chan等[21]發現AD患者大腦中內嗅皮層、海馬和杏仁核出現對稱性萎縮。Cavedo等[22]在包含36例AD患者的研究中，通過3D-建模和手工勾畫的方法分別評估了杏仁核和海馬體的結構變化，發現杏仁核相對于對照組發生17%～25%的體積萎縮，而海馬體相對于對照組發生了13%～20%的萎縮。同樣，本研究發現，AD患者雙側杏仁核和海馬體發生了顯著的體積縮小，雙側杏仁核萎縮18.1 %，雙側海馬體萎縮15.7%，與已報道研究基本一致。大量研究表明，內嗅皮層是AD最早影響的腦結構之一，被認為是和AD發生密切相關的標志物[23-25]，本研究發現AD組的內嗅區體積縮小15.7%。

3.3 AD與顳葉、頂葉和額葉體積萎縮

此外，本研究還發現AD中3個顳葉區(顳中回、顳下回、顳極)、2個頂葉區(角回、楔前葉)、1個額葉區(內側前額葉)及后扣帶回區屬于典型的萎縮區域。大量文獻報道了AD中的顳葉、頂葉、額葉的萎縮[26-27]，但缺乏針對各個腦葉的萎縮區域細分，在此筆者針對典型的腦葉具體萎縮區域進行系統的報道。記憶力和語言功能下降是AD的重要臨床癥狀，中后顳葉萎縮與這一臨床癥狀直接密切關聯[28]。Pengas等[29]在24例后來進展為AD的人群研究中，追蹤了兩個后扣帶回區域(BA 23和BA 29/30)的變化，發現BA 23和BA 29/30都發生了明顯萎縮，且萎縮模式與海馬體相似，表明后扣帶回是AD萎縮的關鍵區域。

3.4 AD與基底區域體積萎縮

除此之外，基底區域也是本研究發現的AD典型的萎縮結構。基底核內淀粉樣蛋白積聚導致的膽堿能神經元退化和丟失是AD的病理特點之一[30-31]。一項多中心研究表明，針對基底區域的膽堿能系統的基于體素的形態測量中，AD組各亞區體積均明顯縮小，以基底區域后部基底核最為明顯，可以作為AD的生物標志物[32]。

3.5 腦結構自動化測量技術

AD患者的腦結構影像學變化，在患者最早癥狀出現時就開始了。Lehmann等[33]報道了針對AD腦萎縮模式研究，采用Fr eeSur f er軟件和手工方法測量腦區體積并進行比較，表明采用自動化測量技術能夠達到手工測量的精度。目前國際上存在的計算機輔助腦影像定量工具，例如Neur oQuant等，多以西方人腦結構作為標準計算。其腦萎縮程度的推導是基于西方人種大腦結構的正常范圍計算的，而西方人與東方人腦結構體積的差異已被證實有統計意義。本研究中采用的腦結構自動化測量軟件，以中國人群人腦結構作為標準計算，能夠精確地分析計算中國人腦結構體積，該軟件目前已獲得NMPA認證。

為了驗證自動定量分割方法和手工分割方法的一致性，及利用自動定量分割方法替換現有手工分割方法的可行性，本研究收集了不同磁場強度的(1.5 T和3.0 T)磁共振掃描儀所掃描的MRI圖像。從研究結果來看，應用自動定量腦區測量技術與有經驗的醫生人工勾畫測量具有良好的一致性。該研究中所采用的腦結構分析軟件是基于體素形態學(voxel-based mor phomet r y，VBM)的測量方法，Mat suda等[34]報道了來自10個機構中心的624例患者中鑒別路易體癡呆和AD的研究，他們總結腦干背側和內側顳葉的基于VBM的方法分析有助于二者的鑒別，訓練的識別精度可以達到73.4%。此外，Mar chewka等[35]也就不同磁場強度(magnet ic f iel d st r engt h，MFS)下對于AD人群基于VBM分析方法的影響進行了評估，研究結果指出在VBM方法的研究數據收集中，疾病狀態和磁場強度(1.5 T和3.0 T)因素的影響可以被忽略。采集數據方式和機器的不同可能導致圖像的質量不同，進而影響結果。但本文已對MRI圖像進行人工勾畫修正，因此將采集對結果的影響降到與其他論文類似的水平，采用自動定量腦區分割計算方法中，由多中心MRI圖像采集過程對結果所造成影響可以參考類似論文[36]，本文圖像采集質量雖然不是最優，但與其他研究處于類似水平[37]。

3.6 研究的主要局限性

本研究還存在不足之處。研究發現，早發型AD和晚發型AD的腦結構變化存在差異[26]，由于研究樣本年齡和數量的限制，本研究沒有區分開早發型AD和晚發型AD腦區結構變化上的差異。此外，針對認知正常期和MCI期的AD疾病進展階段，缺乏一定數量的病例研究。

總之，腦結構自動化測量技術能夠提供了一個可靠和快捷的自動化腦結構檢測工具，對于多個腦區進行準確分割和體積測量，對于AD的診斷具有潛在的臨床價值。本文通過前瞻性研究，報道了腦結構自動化測量軟件在臨床應用方面有廣泛的前景，可以為AD的臨床診斷和治療方案的制定提供客觀依據。

作者利益沖突聲明：全體作者均聲明無利益沖突。