基于NM-MRI的影像組學在帕金森病診斷中的價值

李星江 薛培源 呂坤雪 王 婷 崔耀月 魏秀芳

1.牡丹江醫學院，黑龍江牡丹江 157000；2.牡丹江醫學院附屬紅旗醫院核磁共振科，黑龍江牡丹江 157011

帕金森病（Parkinson’s disease，PD）是一種常見的中樞神經系統疾病，僅次于阿爾茨海默病，據報道我國PD的發病率正處于上升期[1]。PD的發生與黑質多巴胺能神經元變性死亡、神經黑色素的丟失有關，目前引起這些神經元死亡的原因并不明確[2]。如今對于PD的診斷主要依靠于臨床癥狀及臨床量表，缺少客觀的評價指標以及定量分析的影像學手段。PD患者在出現臨床癥狀前，其神經黑色素就已經開始丟失[3]，神經黑色素主要分布于中腦黑質區域。NM-MRI成像原理基于縮短人體組織T1值，可以清楚顯示中腦黑質，在圖像上表現為明顯的高信號，因此可以作為診斷PD的影像學手段。影像組學紋理分析技術是一種定量分析的手段，可以提取醫學圖像的高通量的信息，識別灰度分布、像素之間的空間關系等信息，提供肉眼無法獲得的圖像信息，不受診斷醫師主觀因素的影響。本研究基于NM-MRI圖像，通過影像組學紋理分析技術，分析PD患者中腦黑質致密部（SNc）的紋理特征，探究NM-MRI影像組學對PD的診斷價值。

1 資料與方法

1.1 一般資料

選取2020年1月至2022年2月在牡丹江醫學院附屬紅旗醫院帕金森門診就診或住院患者中確診為PD患者60例為PD組，其中男17例，女43例；年齡48～79，平均（62.68±8.04）歲，健康對照患者（healthy control，HC）60例為HC組，其中男21例，女39例；年齡46～79，平均（65.58±8.38）歲，兩組患者一般資料比較，差異無統計學意義（P＞ 0.05）。本研究經牡丹江醫學院附屬紅旗醫院醫學倫理委員會審核批準（審批編號：202151）。

納入標準：符合2015年國際運動障礙協會（movement disorder society，MDS）制定的PD診斷標準[4]。

排除標準：曾經做過腦深部電刺激（deep brain stimulation，DBS）手術治療；繼發性帕金森綜合征；顱內血管病變及占位病變；合并內科或精神疾病妨礙患者進行MRI檢查；改良的Hoehn-Yahr分期（H-Y分期）量表[5]4～5期；依從性差者；患者年齡≤45或≥80歲。

1.2 儀器與方法

所有研究對象，在Achieva 3.0T TX MR（飛利浦，荷蘭）掃描機器上通過8通道頭線圈獲得常規的頭顱MRI圖像和NM-MRI圖像。NM-MRI成像具體參數：重復時間（TR）550 ms，回波時間（TE）13 ms，視野大小（FOV）200×181 mm2，體素大小（Voxel）0.4 mm×0.45 mm，矩陣大?。∕atrix）500×402，層厚2.5 mm，無間距掃描，磁化轉移（MT）開啟，翻轉角為90°，掃描層數（slices）8，激勵次數（NSA）2.4，掃描時間9分57秒。采集范圍中腦背蓋上緣到中腦下緣。

1.3 圖像分析

選取層面：在軸位的NM-MRI圖像上，可在中腦的連續三個層面上可見SNc高信號影，選取SNc高信號區最大的層面。感興趣區域（ROI）勾畫：分別由2名影像科室診斷的主治醫師評價圖像，意見有分歧時通過協商達成一致。同一名醫師在NM-MRI序列在左、右兩側SNc處勾畫同一類ROI作為該患者的SNc處整體ROI。紋理特征提取：利用MaZda提取感興趣區域紋理特征參數，包括灰度直方圖參數、絕對梯度模型參數、灰度共生矩陣參數、灰度游程矩陣參數、自回歸分析模型參數。

1.4 數據處理

所提取的特征參數利用費希爾參數法（Fisher）、最小分類誤差與最小平均相關系數法（POE+ACC）、相關信息測度法（MI）進行降維，分別將三種方法提取的參數特征導入MaZda軟件B11處理器進行原始數據分析（RDA）、主要成分分析（PCA）、線性判斷分析（LDA）、非線性判斷分析（NDA）分析比較。將降維后的紋理特征參數導入SPSS 26.0軟件中分析。

1.5 統計學方法

使用SPSS 26.0統計學軟件進行數據處理，計量資料用均數±標準差（±s）表示，采用t檢驗，計數資料用[n（%）]表示，采用χ2檢驗，P＜ 0.05為差異有統計學意義。

2 結果

2.1 三種降維方法不同組合分析錯判率

Fisher、POE+ACC、MI降維方法與RDA、PCA、LDA、NDA分類方法分別組合，其中Fisher提取的最佳參數與NDA相結合的錯判率最低（5.83%），見表1。

表1 三種降維方法不同組合分析錯判率[n（%）]

2.2 PD組與HC組影像組學紋理特征比較

所有研究對象NM-MRI圖像在MaZda軟件中勾畫，見圖1；共提取284個紋理特征，經Fisher、POE+ACC、MI降維后共納入19個紋理特征參數進行分析，PD與HC組SNc影像組學紋理特征參數Teta4差異無統計學意義（P＞ 0.05），其余均具有統計學意義（P＜ 0.05），見表2。

圖1 MaZda軟件ROI勾畫示意圖

表2 PD組與HC組影像組學紋理特征參數比較（x ± s）

2.3 PD組與HC組影像組學紋理特征參數ROC曲線分析

將18個具有統計學意義的特征參數進行ROC曲線分析，AUC＞0.8的參數共13個，其中S（0，1）DifVarnc參數AUC面積最大，AUC為0.889（圖2、表3）。

圖2 PD組與HC組影像組學紋理特征參數ROC曲線

表3 PD組與HC組影像組學紋理特征參數ROC曲線分析

3 討論

PD發病主要以SNc多巴胺能神經元變性、丟失和突觸核蛋白在路易小體（Lewy）體內積蓄為特征，有研究表明黑質的NM-MRI成像可以用于PD患者神經變性的定位[6-9]。本研究基于NM-MR提取整體中腦SNc紋理特征參數進行研究，最終納入的參數主要來自于灰度游程矩陣以及灰度共生矩陣，這與Liu等[10]得出的結論相似。

灰度游程矩陣描述了在多個方向上具有相同灰度連續分布的空間信息，RLNonU代表灰度的不均勻性，Horzl、Vert、45dgr、135dr分別代表水平、垂直、傾斜45°、傾斜135°計算方向，HC組的灰度游程矩陣參數值大于PD組，說明在HC組SNc區域不同方向相同灰度連續分布的范圍均較PD組大，提示HC組神經黑色素在空間分布上大于PD組?；叶裙采仃噮抵徐卦诒狙芯磕Ｐ椭胸暙I較大，熵值是一個隨機性度量，代表圖像的復雜程度，熵值越大說明圖像灰度分布情況越復雜，HC組的熵值大于PD組，提示了HC組處SNc更復雜。基于NM-MRI成像原理推測HC組神經黑色素所螯合的鐵等金屬較多造成了圖像灰度更不均勻、更復雜。與PD神經黑色素丟失學說相符合。

本研究所取得的紋理特征參數中S（0，1）DifVarnc的AUC最大為0.889，優于彭媛媛等[11-12]文獻所提取的參數，將來可能作為診斷PD的標志物。B11處理器分析中Fisher結合NDA分類方法錯判率最低為5.83%，這與顧惠芳等[13-14]建立的模型結果相近，說明基于NM-MRI的影像組學在PD的診斷中具有重要的參考意義。Sun等[15]利用影像組學模型進行PD亞型的分析并取得了良好的效能，但本研究所提取的紋理分析特征在區分PD兩種亞型（震顫為主型、步態不穩-步態障礙為主型）中無統計學意義，需要進一步研究。

本研究的局限性：①只分析了整體SNc區域的影像像組學紋理特征參數，在后續的研究中將對左右兩側SNc進行紋理分析，探究其紋理特征參數是否與發病方式以及是否與PD患者運動癥狀不對稱性相關；②僅基于NM-MRI圖像進行影像組學紋理分析，沒有對其他MRI圖像進行多模態分析，下一步將探究其它序列上SNc紋理參數特征；③樣本量較少，在后續研究中將進一步擴大樣本量并進行多中心研究。

綜上所述，基于NM-MRI成像的影像組學在PD的診斷中具有重要意義，紋理特征參數可以作為區分PD與HC的影像學指標。