基于彌散張量成像技術的腦白質纖維跟蹤技術研究進展

人類大腦是自然界最復雜的系統(tǒng)之一，白色腦纖維是構成不同腦區(qū)域信息交換的物質基礎。傳統(tǒng)的解剖染色方法在研究腦白質纖維時,因其有創(chuàng)性而只能局限于動物和人類尸體,而不適合活體人腦的研究。隨著核磁共振技術的興起,尤其是彌散張量成像(diffusiontensorimaging,DTI)技術和腦白質纖維束跟蹤(whitemattertractography,WMT)技術的出現(xiàn),使得活體人腦的白質纖維解剖結構能夠無創(chuàng)地三維重建出來DTI成像的基本原理彌散(diffusion)是指分子的隨機移動,即布朗運動。DTI是一種利用組織中水分子彌散的各向異性(anisotropy)引起的磁共振信號變化,來探測組織微觀結構的成像方法,主要用于研究中樞神經(jīng)系統(tǒng)的解剖神經(jīng)束和白質纖維解剖結構的顯示。實驗表明:水分子在有髓纖維中的擴散表現(xiàn)出較高的各向異性,尤其在平行于腦白質纖維的方向上彌散最快。因此,可以通過張量場中各向異性彌散的方向信息來跟蹤腦白質纖維的走行方向,獲取白質纖維束的微觀解剖結構信息,從而提取和重建白質纖維束描述DTI圖像特征的常用參數(shù)包括:反映體內水分子向各個方向彌散平均值的表觀彌散系數(shù)(apparentdiffusioncoefficient,ADC);相對各向異性(relativeanisotropy,RA)和部分各向異性(fractionalanisotropy,FA)。其中,RA和FA是最常用的描述彌散各向異性的參數(shù)。實驗表明:水分子彌散越明顯,ADC值越高;并且RA和FA的值具有一致性,代表著水分子在彌散主向量軸上的運動強度。1999年Mori等首次提出WMT算法,之后隨著計算機技術的發(fā)展和臨床應用的需求,涌現(xiàn)出各種WMT算法。隨著研究的深入,纖維束跟蹤算法從最初的單張量模型(single-tensormodel)發(fā)展到多張量模型(multi-tensormodel),出現(xiàn)了確定性算法(deterministicfibertracking)和概率算法(probabilisticfibertracking)兩類比較典型的算法。近幾年,隨著數(shù)據(jù)采集新方法和圖像處理新理論的出現(xiàn),基于高角分辨率彌散成像(highangularresolutiondiffusionimaging,HARDI)數(shù)據(jù)的跟蹤算法和基于壓縮感知(compressedsensingorcompressedsampling,CS)理論的跟蹤算法成為該領域新的研究熱點。腦白質纖維束跟蹤算法的基本原理腦白質纖維跟蹤算法是基于擴散線(streamlinepropagation)的方法,即線性方法,其基本原理是:利用局部張量信息進行纖維跟蹤,即從一個被稱為“種子點”的體素為起始點開始跟蹤,計算該種子點前進方向的向量,沿該向量方向跟蹤一段距離之后,再以軌跡上新的體素作為起點繼續(xù)跟蹤,反復迭代上述過程,最后將這些點連接起來就可以代表白質纖維的走行比較有代表性的線性追蹤算法有:流線性跟蹤算法(streamlinetracking,STT)確定性纖維束追蹤算法以上述線性算法為基本原理的確定性算法是比較成熟的一類WMT算法。該類算法通常利用體素所含的張量信息,根據(jù)設定的追蹤策略來連接相鄰體素,算法的實現(xiàn)過程一般包括選取種子點、確定纖維追蹤終止條件和纖維選擇策略等3個步驟。根據(jù)采用的數(shù)學模型不同可分為單張量模型(single-tensormodel)的算法和多張量模型(multi-tensormodel)的算法。單張量模型的確定性算法單張量模型認為每個體素僅穿過一條纖維,可利用求解張量場主特征向量的特征值來跟蹤白質纖維束的走行STT算法:由Mori等TEND算法:該算法與線性算法略有不同,它不以當前種子點的主特征向量方向為追蹤方向,而是以主特征向量發(fā)生偏轉的方向為準則進行追蹤。這種算法重建出的纖維束長且平滑,無角度突變,在各向異性程度小的區(qū)域具有一定的優(yōu)勢。但是,該算法對所有的彌散張量都不加區(qū)別地采取偏轉處理,在各向異性程度大的區(qū)域跟蹤纖維束時容易出現(xiàn)偏差;而且該算法要用整個彌散張量進行計算,數(shù)據(jù)量較大,算法的準確性還有待進一步的臨床驗證FACT算法(fiberassignmentbycontinuoustracking):該算法認為纖維束在神經(jīng)系統(tǒng)中的軌跡是空間三維曲線,曲線上每點的方向為該點處正切向量,該向量對應于該點的主特征向量。在跟蹤時,FACT算法以人為設置的感興趣區(qū)ROI(regionofinterested)內的體素為種子點,以種子點的主特征向量方向為纖維束走形方向,并向相反兩個方向延長擴展纖維束,直至到達種子點的邊界為止,然后反復這樣迭代。其中,FA值、偏轉角度、延長長度是該算法設置追蹤終止條件的3個重要參數(shù)。計算簡單、跟蹤高效是該算法的特點,同時還可以結合BruteForce方法和選取多個感興趣區(qū)域來減少追蹤的錯誤?？焖佟⒑唵我约澳茉诟飨虍愋暂^強區(qū)域較好地跟蹤纖維束走行方向是FACT算法的優(yōu)點。但是,如果體素有多條纖維通過,由于無法辨別各條纖維的走形方向,造成該算法在追蹤此類神經(jīng)纖維束時會產生一定的誤差GTRACT算法(guidedtensorrestoreanatomicalconnectivitytractography):該算法的核心思想是在追蹤迭代過程中,用搜索的解剖信息來引導追蹤,纖維路徑上每一點方向僅由當前體素或鄰近體素決定。由于GTRACT算法對圖像噪聲不敏感,所以可以得到較好效果,而且該算法還能夠部分解決復雜區(qū)域的纖維束交叉問題單張量模型算法的數(shù)據(jù)模型相對簡單,容易實現(xiàn),但是追蹤效果受到追蹤方向、ROI選擇、終止準則的設定等諸多因素的影響。為提高算法的準確性,很多研究從這些因素入手對算法進行優(yōu)化,如:用貝葉斯張量歸一化(Bayesiantensorregularization)算法來優(yōu)化追蹤方向,用自動投影的算法精確ROI的選擇,結合先驗解剖知識設置終止準則等多張量模型的確定性算法DTI成像的分辨率通常為毫米級,而神經(jīng)纖維直徑的實際大小是微米級,因此單個體素本身含有的很多纖維束的信息被忽略了。多張量模型以體素的單張量信息為基本點,將其分解為多個特征向量來跟蹤單個體素內的多條腦白質纖維束走行方向雙張量模型(two-tensormodel)的確定性算法:該算法認為單個體素(多為扁平體素)含有兩條交叉纖維束的信息,以預先設定的幾何限制為終止條件,為跟蹤兩條交叉纖維各自的走行,采用最小二乘法將扁平體素代表的單張量分解為雙張量,其中每個張量分別表示一條纖維束的走行方向,從而模擬出交叉纖維束的走行方向高階張量模型(highorder-tensormodel)的確定性算法:在雙張量模型的基礎上,有些研究者利用HARDI數(shù)據(jù),基于任意階次的正定高階張量理論概率纖維束追蹤算法與確定性算法不同,概率纖維束跟蹤算法將單個張量看作是各向異性與各向同性模型的合成形式,通過引入相關的概率(決策)算法完成張量求解。概率纖維束追蹤算法以兩個或更多特定區(qū)域之間相互連接的可能性概率分布為著眼點,用概率分布函數(shù)(probabilitydistributionfunction,PDF)確定纖維束追蹤的主方向,并對體素之間的相關性進行量化,使用張量模型來估計每個體素最大可能的纖維束走形方向概率纖維追蹤算法的優(yōu)點是:可以減少部分容積效應與噪聲的影響,提高追蹤的精度;既能顯示大纖維束,又能顯示小纖維束,還可進行纖維束分叉的計算。但是,概率纖維追蹤算法的計算量比確定性追蹤算法大、耗時長,所以達不到臨床應用的要求,而且數(shù)據(jù)獲取的方式對交叉纖維束追蹤結果也有一定影響。下面介紹一種研究得比較多的概率跟蹤算法———全局優(yōu)化算法(globaloptimizationalgorithm)。由于噪音和方向的不確定性受部分容積效應的影響,按彌散張量的主特征向量進行白質纖維束跟蹤時易出現(xiàn)錯誤累積纖維束追蹤算法研究的新動向基于HARDI數(shù)據(jù)的纖維束追蹤算法臨床MRI數(shù)據(jù)的分辨率通常為3~15mm與基于DTI數(shù)據(jù)的纖維束追蹤技術相比,HARDI技術可選多個方向,并采用現(xiàn)有的各種算法進行追蹤,能夠較準確地解決纖維束交叉的問題基于CS理論的纖維束追蹤算法目前比較成熟的WMT算法(如確定性追蹤算法、概率追蹤算法等)由于受到物理設備和病理特征等客觀因素和算法本身局限性的制約,在處理時間和精度上不能達到臨床應用的要求CS理論是由美國科學家于2006年提出的一種新的信息獲取指導理論CS理論的特點非常符合醫(yī)學成像領域的應用需求,在MRI成像方面有很好的應用前景,這主要基于MRI成像本身的特點:首先,MRI成像原理決定了其在頻率空間中對圖像進行采樣,而不是直接在像素的級別上進行采樣;其次,MRI圖像本身具有可壓縮性,能夠在變換域中稀疏編碼(如小波變換、傅立葉變換)。因此,根據(jù)MRI成像原理,利用探測到的自由感應衰減信號與體素灰度圖像之間的二維傅立葉變換關系(即體素灰度圖像在二維傅立葉空間中所具有的稀疏性),在CS理論指導下,隨機稀疏采樣獲取信號,然后根據(jù)圖像的先驗知識重構出完整圖像HARDI技術能對諸如交叉、分叉、扇型等復雜結構的纖維束較準確成像,但要獲取多個梯度的數(shù)據(jù),代價較高,而CS理論采樣的稀疏性恰好可以彌補HARDI方法的這一缺陷。國外有研究者將HARDI與CS結合起來進行了初步嘗試:在采集少量3T-MRI數(shù)據(jù)的前提下,以HARDI+CS為技術路線,用多方向的確定性纖維束追蹤算法(multidirectionaldeterministicfibertractography)三維重建出白質纖維束的復雜結構WMT的主要應用DTI是當前神經(jīng)解剖和生理研究領域唯一的非侵入性醫(yī)學成像手段,而各類WMT算法在生理研究和疾病的診斷與治療中發(fā)揮了巨大作用,是傳統(tǒng)MRI方法的有力補充,其應用主要包括生理研究和臨床應用兩個方面。生理研究21世紀以來,人腦結構連接網(wǎng)絡的研究一直是神經(jīng)科學中的重要課題臨床應用DTI成像技術在評價神經(jīng)疾病的病理改變以及組織結構與功能間的關系等方面具有重要的臨床價值,尤其是在腦白質纖維束的追蹤觀察對腦部病變的診斷和治療方面。由于許多腦部病變都會引起ADC和FA值發(fā)生改變,因此利用腦白質纖維的追蹤技術可以觀察纖維束與腦部腫瘤的位置關系,分析腫瘤浸潤腦內纖維束的情況,從而確定白質纖維束的受損程度此外,WMT技術在研究腦神經(jīng)的生長、發(fā)育、退化等方面也極具價值總結與展望WMT是目前研究腦白質纖維束唯一的非侵入無創(chuàng)性方法,使許多領域的研究有了質的飛躍,例如:一些主要的傳導束三維重建的結果與傳統(tǒng)神經(jīng)解剖有較高的一致性。臨床上導航信息與纖維束跟蹤技術的結合已成為數(shù)字醫(yī)學科研單位的研究重點,其目的是在術中準確定位白質纖維束與腫瘤之間的位置關系。本文對幾類比較有代表性的WMT算法和最近幾年出現(xiàn)新的纖維束算法進行了歸納總結。但是,至今還沒有一種通用于各類情況的普適跟蹤算法,每一種算法都有自己的特點、優(yōu)勢和局限性,在實踐中要結合實際情況選擇使用。纖維束追蹤技術從出現(xiàn)到應用于特定的臨床領域,為滿足精度要求經(jīng)歷了各種嘗試,目前確定性追蹤算法被廣泛使用