MRI紋理分析評價注意缺陷多動障礙

林椿森，路偉釗，李文勤，李晶磊，閔 剛，石麗婷

[1.山東省泰安榮軍醫院影像科，山東 泰安 271000；2.山東第一醫科大學(山東省醫學科學院)放射學院，山東 泰安 271016；3.中國科學院蘇州生物醫學工程技術研究所醫學影像技術研究室，江蘇 蘇州 215163]

注意缺陷多動障礙(attention deficit hyperactivity disorder， ADHD)為發育障礙精神疾病，主要表現為注意力不集中、沖動、多動，嚴重影響患兒的學習能力、交往能力和生活能力等。ADHD在全世界學齡前兒童中的發病率約為5%～7%[1]。ADHD分為注意力缺陷為主型(predominantly inattentive ADHD， ADHD-I)、沖動/多動為主型(predominantly impulsive/hyperactive ADHD， ADHD-H)及混合型(combined ADHD， ADHD-C)[2]，不同亞型患兒的生活習慣、學習能力及社交等均有所不同，臨床治療方案及預后也各有不同[3]。目前采用神經影像學方法診斷ADHD及分型的研究結果尚存爭議[4]。紋理分析可從醫學影像中提取高通量影像學特征，將視覺影像信息轉化為深層次的紋理特征[5-6]，已應用于定性和分級診斷多種疾病、評估治療反應和預測預后[7-8]。本研究評價MRI紋理分析用于診斷ADHD及分型的效果。

1 資料與方法

1.1 研究對象 隨機于紐約大學醫學中心公開MRI數據(http://fcon_1000.projects.nitrc.org/indi/adhd200/index.html)中抽取155名受試者。其中ADHD組88例，男67例，女21例，平均(12.1±2.9)歲，包括ADHD-I亞組32例[男22例，女10例，年齡8～17歲、平均(12.3±2.6)歲)]、ADHD-C亞組56例[男45例，女11例，年齡7～17歲，平均(11.0±2.5)歲)]和對照組67名(男30名，女37名，年齡7～17歲)。納入標準：①年齡<18歲；②臨床及影像學資料完整、詳細；③ADHD患兒未接受相關心理及藥物干預或治療。檢查前監護人均簽署知情同意書

1.2 儀器與方法 采用Siemens Allegra 3.0 Tesla MR掃描儀，采集軸位、冠狀位和矢狀位T1WI，掃描參數：TR 2 530 ms，TE 3.25 ms，層厚1.33 mm，層數128，FOV 256 mm×256 mm，體素1.3 mm×1.0 mm×1.3 mm，總采集時間為8 min 7 s。

1.3 圖像預處理 將原始NIfTI格式數據導入DCM2NII軟件(https://people.cas.sc.edu/rorden/mricron/dcm2nii.html)進行重新定位，并裁剪圖像；將圖像導入Mricron軟件(https://www.nitrc.org/projects/mricron)，剔除運動偽影較大者。采用Matlab工具包Cat12(http://www.neuro.uni-jena.de/cat/)對圖像進行分割、重建、校正和配準，得到標準化腦灰質及腦白質體積圖像(圖1)，并對之進行重新采樣和平滑。

圖1 患者男，12歲，ADHD-C組 A～C.分別為軸位、冠狀位和矢狀位的MR T1加權成像的標準化的腦灰質圖像； D～F.分別為軸位、冠狀位和矢狀位的MR TI加權成像的標準化的腦白質圖像

1.4 提取紋理特征 采用IBEX軟件，分別于標準化腦灰質及腦白質體積圖像中提取1 057個紋理特征，包括從圖像灰度直方圖中計算的一階特征，如均值、標準差、偏斜度、峰值以及基于灰度共生矩陣(gray-level co-occurrence matrix， GLCM)、灰度游程矩陣(gray-level run-length matrix， GLRLM)以及鄰域強度差矩陣(neighborhood intensity difference matrix， NIDM)的高階統計特征。

1.5 統計學分析 采用Matlab分析軟件。以χ2檢驗比較組/亞組間性別差異。對符合正態分布的紋理特征行方差分析，對不符合者行Kruskal-Wallis檢驗。基于訓練集分別構建支持向量機(support vector machine， SVM)ADHD診斷模型(訓練集130例，測試集25例)及分型模型(訓練集63例，測試集25例)。采用秩和檢驗比較ADHD組與對照組、ADHD-I亞組與ADHD-C亞組之間紋理特征的差異；采用Spearman相關性分析評價紋理特征之間的相關性，剔除r>0.85的2個特征中P值較大者，并以剩余特征中差異具有統計學者模型構建。基于測試機數據繪制受試者工作特征(receiver operating characteristic， ROC)曲線，并計算曲線下面積(area under the curve， AUC)，評價SVM模型診斷ADHD及分型的效能。P<0.05為差異有統計學意義。

2 結果

組/亞組間性別差異無統計學意義(χ2=6.31，P=0.18)；年齡差異具有統計學意義(F=3.40，P=0.04)。

2.1 腦灰質紋理特征 ADHD-I亞組、ADHD-C亞組及對照組之間共12個腦灰質紋理特征差異有統計學意義(F=6.86～14.93，P均<0.05)，包括11個基于GLCM的高階特征和1個一階特征峰度(Kurtosis)；且以上特征在ADHD-C亞組與對照組間差異同樣有統計學意義(P均<0.05)；ADHD-I亞組與ADHD-C亞組之間僅1個GLCM特征差異有統計學意義(P<0.05)，見表1。

表1 ADHD患兒與健康人腦灰質及腦白質存在差異的紋理特征

2.2 腦白質紋理特征 ADHD-I亞組、ADHD-C亞組及對照組之間共14個腦白質紋理特征差異有統計學意義(F=3.30～12.46，P均<0.05)，包括12個基于GLCM的高階特征和2個一階特征百分位數(Percentile)；其中ADHD-C亞組與對照組之間1個GLCM、2個一階特征差異有統計學意義(P均<0.05)；ADHD-C亞組與對照組之間僅1個GLCM特征差異具有統計學意義(P<0.05)；ADHD-I亞組與ADHD-C亞組之間共11個GLCM特征差異具有統計學意義(P均<0.05)，見表1。

2.3 SVM模型及鑒別效能 經秩和檢驗和Spearman相關性分析，共剔除1 033個腦灰質特征和全部腦白質特征，最終共24個腦灰質特征用于構建SVM診斷模型；該模型診斷ADHD的AUC為0.85，準確率為72.00%，敏感度為80.00%，特異度為60.00%。最終共剔除1 056個腦灰質特征和1 039個腦白質特征，以1個腦灰質特征和18個腦白質特征構建SVM分型模型；其區分ADHD亞型的AUC為0.81，準確率為84.00%，敏感度為93.33%，特異度為70.00%。見圖2。

圖2 腦灰質及腦白質紋理特征SVM模型診斷ADHD及分型的ROC曲線

3 討論

3.1 腦灰質紋理分析 GLCM特征主要反映局部灰度的相對空間關系。本研究發現腦灰質GLCM特征可用于鑒別ADHD-C型患兒與健康人，提示ADHD-C型患兒腦灰質已發生變化，與CHEN等[9-10]的結果相似。既往研究[11]認為GLCM可用于對阿爾茲海默病患者進行分型。HIRATA等[12]發現直方圖中的Kurtosis可作為預測食管癌患者無復發生存期和疾病特異性生存期的獨立預后因素。本研究結果顯示，在灰質范圍內，通過Kurtosis特征參數可鑒別診斷ADHD-C亞組患者與對照者，但無法對ADHD進行分型診斷，可能原因在于ADHD-I型患兒在灰質范圍水平內的紋理信息改變尚不明顯，腦組織病理生理特征未發生明顯改變，與默認模式網絡和島葉皮質區域連接改變有關[10]。本研究基于腦灰質特征構建的SVM模型診斷ADHD的效能較好。

3.2 腦白質紋理分析 本研究發現腦白質多數紋理特征可用于鑒別ADHD-I和ADHD-C。既往研究[13]報道，直方圖中的百分數可用于鑒別診斷腦內腫瘤及預測垂體大腺瘤的質地；Correlation可用于判斷乳腺癌對化學治療藥物的敏感度[14]和鑒別腎腫瘤性質等[7]。本研究結果同樣顯示腦白質的一階直方圖特征可鑒別用于ADHD-C型患兒與健康人；Correlation及GLCM/5-7 InformationMeasurecorr1特征則可用于診斷ADHD并分型，提示基于全腦白質范圍內的紋理特征信息有助于進一步鑒別診斷ADHD-C型、ADHD-I型與健康人。本研究聯合腦灰質特征和腦白質特征構建的SVM分類模型可較好地鑒別ADHD-I和ADHD-C亞型，提示對ADHD進行分型時應綜合考慮腦灰質和腦白質變化。

本研究的局限性：①數據庫中ADHD-H型患者較少，未將其納入研究；②未結合受試者心理評估和認知評估結果進行分析；③組/亞組之間年齡存在統計學差異，有待進一步觀察年齡對分析結果的影響。

綜上，基于MR TIWI的腦灰質和腦白質紋理特征可用于診斷ADHD并分型。