基于諧波分析法觀察抑郁癥患者腦網絡形態學改變

徐 凱,郭志明,曾亞偉,鄭 冬,吳艷坤,李 科

(1.戰略支援部隊特色醫學中心放射診斷科,3.醫研部,北京 100101;2.北京大學第六醫院北京大學精神衛生研究所精神藥理研究室,北京 100191)

抑郁癥(depressive disorder, DD)屬情緒障礙,常引起持續悲傷和興趣減退,發病率逐年升高[1-3]。目前臨床主要通過對相關癥狀進行主觀評價而診斷DD,缺乏客觀診斷方法[4]。MRI能反映大腦形態結構變化,為診斷顱腦疾病提供客觀依據;基于顱腦MRI構建腦網絡形態學特征以協助診斷DD為當前研究熱點[5]。基于拉普拉斯矩陣特征分解的諧波分析是分析圖像信號頻域特性的全新手段,能反映腦網絡形態學改變;觀察DD患者大腦形態學特征諧波變化有助于更好地理解DD腦網絡形態學改變[6-7]。本研究評估基于諧波分析法觀察DD患者腦網絡形態學改變的可行性。

1 資料與方法

1.1 研究對象 回顧性收集2012年12月—2015年6月北京大學第六醫院55例DD患者(DD組),男25例、女30例,年齡27～62歲、平均(41.0±8.1)歲;均符合《美國精神障礙診斷與統計手冊》(diagnostic and statistical manual of mental disorders, DSM)第4版DD診斷標準,且漢密爾頓抑郁量表24項(Hamilton depression scale-24, HAMD-24)評分≥22。排除伴精神病性癥狀、有重大軀體疾病或顱腦外傷史、聽視力障礙、MR檢查禁忌證等。以同期46名性別及年齡與DD組相匹配的健康成人志愿者為正常對照(normal control, NC)組,男20名、女26名,年齡26～62歲、平均(41.4±9.4)歲。本研究經院倫理委員會批準[(2014)倫審第(7)號],檢查前受試者均簽署知情同意書。

1.2 儀器與方法 采用Siemens MAGNETOM Trio 3.0T超導MR儀、8通道標準相控陣頭部線圈掃描頭部。囑受試者佩戴耳機,固定其頭部;以3D磁化準備快速梯度回波序列采集全腦矢狀位高分辨率T1WI,TR 2 300 ms,TE 2.98 ms,TI 900 ms,矩陣256×256,FA 9°,FOV 256 mm×240 mm,層厚1.0 mm,層間距0.5 mm,層數176,體素1.0 mm×1.0 mm×1.0 mm,采集時間6 min 56 s。

1.3 圖像分析

1.3.1 獲取腦網絡形態學特征 采用FreeSurfer軟件(5.3.0版)對高分辨率T1WI行預處理;之后以Desikan-Killiany模板將大腦皮層分為68個分區ROI,提取各ROI的形態學特征,包括腦區頂點數、表面積、灰質體積、平均皮層厚度、高斯曲率及折疊指數等,獲得受試者特征矩陣;對每種特征矩陣行Z-score歸一化,之后以Pearson相關系數分析各兩兩ROI之間特征構成向量的相關性,以其相關系數作為腦網絡連邊的權重(保留權重正負),由此得到個體68×68腦網絡形態學特征。將受試者腦網絡形態學特征轉換為Z值,取平均值,獲得組水平腦網絡形態學特征Z值。

1.3.2 構建公共諧波 以組水平腦網絡形態學Z值作為群體公共腦模板,計算其拉普拉斯矩陣并對其進行特征分解,得到特征值和特征向量;對特征值從小到大依次進行排序,對特征向量進行重排,得到形態學特征公共諧波,維度為68×68。

1.3.4 比較灰質體積 利用FreeSurfer工具構建不同腦區灰質體積,采用t檢驗進行組間比較,獲得組間灰質體積存在差異腦區的分布圖。

1.4 統計學分析 采用SPSS 23.0統計分析軟件。以±s表示計量資料,行獨立樣本t檢驗。以χ2檢驗比較計數資料。P<0.05為差異有統計學意義。

2 結果

2.1 一般資料 2組受試者年齡(t=-0.18,P=0.86)及性別(χ2=0.04,P=0.84)差異均無統計學意義。

2.2 形態學特征總諧波能量 組間腦區頂點數(t=0.21,P=0.83)、表面積(t=0.18,P=0.86)、灰質體積(t=-0.35,P=0.72)、平均皮層厚度(t=-1.19,P=0.24)、高斯曲率(t=-1.16,P=0.25)、折疊指數(t=-0.77,P=0.44)總諧波能量差異均無統計學意義。見圖1。

圖1 DD組與NC組形態學特征總諧波能量比較的小提琴圖 A.腦區頂點數; B.表面積; C.灰質體積; D.平均皮層厚度; E.高斯曲率; F.折疊指數

2.3 形態學特征諧波能量 組間特定諧波能量差異有統計學意義(P均<0.05),包括腦區頂點數諧波能量差異為第2、6、15、44及57諧波,表面積諧波能量差異為第2、6、16及57諧波,灰質體積諧波能量差異為第2、12、13、15及57諧波,平均皮層厚度諧波能量差異為第2、19、35、36及44諧波,高斯曲率諧波能量差異為第34、40、54及57諧波,以及折疊指數諧波能量差異為第5、16、21及57諧波。見圖2。

圖2 DD組與NC組形態學特征所在分諧波能量差異圖 A.腦區頂點數; B.表面積; C.灰質體積; D.平均皮層厚度; E高斯曲率; F折疊指數 (*:表示組間分諧波能量差異有統計學意義)

2.4 灰質體積 DD組左腦區顳橫皮質區域灰質體積顯著大于NC組(t=2.900,P=0.004)。見圖3。

圖3 DD組與NC組灰質體積存在差異腦區的分布圖 (色帶代表t值,紅黃色代表正值,藍綠色代表負值)

3 討論

目前DD發病機制尚不明確,臨床主要依據DSM相關標準通過主觀判斷診斷DD[8]。DD具有較強異質性,臨床表現復雜,往往影響診斷[9-10];臨床迫切需要客觀、準確的診斷DD方法[11]。MRI可顯示腦組織體積及結構改變、反映腦內功能活動變化;基于顱腦MRI診斷DD具有可行性[12-13]。

在振動學中,振動產生基波和諧波,前者指具有一定頻率、振幅最大的正弦波,后者則指頻率高于基波的小波。ATASOY等[6]報道,拉普拉斯特征系統能反映大腦神經活動,對腦網絡拉普拉斯矩陣進行特征分解后重新排序,可得到該腦網絡的諧波,且諧波兩兩正交,可用于重建大腦神經改變的空間模式。大腦疾病的空間模式變化受大腦網絡變化的影響,故諧波變化能反映腦網絡結構改變;以諧波分析法研究大腦疾病腦網絡結構有助于更好地了解疾病發展。CHEN等[14]于開源ADNI數據庫中選取35名NC、24例輕度認知障礙和35例阿爾茨海默病(Alzheimer disease, AD)患者,基于其顱腦MRI構建公共諧波,分析其皮層厚度相關諧波的變化,發現在多數諧波頻帶中,NC組皮質厚度相關諧波能量高于AD組,表明AD患者腦結構性萎縮更為嚴重,而應用諧波分析腦部疾病具有可行性。

腦灰質體積改變是評估DD所致器質性改變的客觀指標[15]。本研究納入55例DD患者及46名NC,對個體腦網絡進行平均,得到組水平腦網絡,以之作為群體公共腦網絡,對其拉普拉斯矩陣進行特征分解,構建群體公共諧波;再經Z-score歸一化,以降低不同形態學特征量級差異的影響;最后分析6種形態學特征諧波能量,發現DD組與NC組間公共諧波總能量差異無統計學意義,但6種形態學特征的分諧波能量差異均有統計學意義,且主要集中于較低和較高諧波頻域;進一步對比分析組間腦灰質體積,發現DD患者左腦區顳橫皮質區域灰質體積顯著大于NC,表明其可能為DD患者特定諧波能量發生改變的來源。上述研究結果提示,諧波分析法可用于評估DD患者大腦形態學特征諧波變化,進而觀察其腦網絡形態學改變。

綜上所述,以諧波分析法觀察DD患者形態學腦網絡改變具有可行性,有助于診斷DD及鑒別診斷。

利益沖突:全體作者聲明無利益沖突。

作者貢獻:徐凱研究實施、圖像處理、圖像分析、統計分析、撰寫及修改文章;郭志明和吳艷坤撰寫及修改文章;曾亞偉研究實施、統計分析、圖像處理及圖像分析;鄭冬審閱文章;李科查閱文獻、指導、研究設計、審閱文章、經費支持。