擴散峰度成像模型研究進展

微結構圖像顯示擴散磁共振成像（dmri）是在傳統mri的基礎上發展起來的一種新技術。重建組織中的分子擴散模式以顯示微結構圖像。這不僅是研究腦組織微結構和連接的重要手段，也是研究腦組織微結構和連接的最佳手段。擴散磁共振成像最為典型的應用是擴散張量成像(diffusiontensorimaging,DTI),它通過測定特定方向的擴散行為對腦組織的白質纖維以及纖維束進行評價1分散峰成像理論1.1分子的擴散行為擴散是一種常見的自然現象,它是質量傳遞的一種基本方式,是由于分子熱能激發而使分子發生一種微觀、隨機的平移運動并相互碰撞。分子的擴散也稱為分子的熱運動或布朗運動。水分子在給定方向上單位時間內的擴散行為是滿足概率分布函數的。在大腦的腦脊液中,水分子擴散行為幾乎不受限制,通常被視為自由擴散,擴散概率分布服從高斯分布,但大部分的大腦組織中,水分子通常限制在軸突或樹突細胞膜包圍的空間結構內,受到周圍組織及微觀結構(如細胞膜、細胞器、細胞內外的間隔等)的約束1.2擴散敏感因子b值的計算擴散峰度成像模型是2005年由Jensen等人提出的DKI模型是磁共振信號強度對數關于擴散敏感因子b值的泰勒展開式,僅取二階前項,其數學描述如下:式中:b表示擴散磁敏感加權因子,b=(γδg)DKI技術模型是b的二次項,同時它也是對擴散半徑敏感的一種模型,因而需采用多b值的采集方式1.3擴散系數計算生物組織中的水分子在三維空間中擴散,即不同方向水分子的擴散系數大小相異。用單一標量擴散系數描述空間擴散分布情況顯然是不夠的。因而,需要一個能夠完全描述分子沿各個方向擴散系數的空間矩陣,即擴散張量峰度張量既包含水分子主要擴散方向的擴散特性,又可獲得垂直于主擴散方向的受限擴散信息。依此峰度張量可更精確檢測腦組織微結構,反映復雜結構的組織特性。峰度張量被定義為式中,n通常在生物組織中,擴散峰度的測量依靠擴散敏感梯度方向,在數學表達上通過一個帶有15個獨立元素的四階矩陣描述2分散峰成像的臨床應用2.1數據采集dki不同的生物組織結構,對其內部水分子的擴散運動的影響也不同2.2dki擴散運動變化的方向在DWI序列中,設置不同的實驗參數可獲得不同的水分子擴散信息,其中最重要的參數為擴散敏感梯度方向和擴散敏感因子b值。擴散敏感梯度方向能夠提供水分子擴散的方向信息。只有在施加擴散敏感梯度磁場方向上的運動才有MR信號的變化,因此擴散加權圖像所反映的水分子擴散運動具有方向性。前面已提到,DKI擴散敏感梯度磁場施加的方向至少為15個,若提高擴散敏感梯度方向的數量,即提高三維空間的采樣率,在重建圖像時可靠性也可相應上升式中,γ是旋磁比,g是磁場強度,δ和Δ分別為擴散敏感梯度脈沖持續時間和間隔。b值越高,對水分子的隨機擴散運動越敏感。但b值增高,也伴隨著一些矛盾的出現:組織信號衰減更為明顯;增高的b值必會延長TE,會產生降低圖像信噪比等的不良影響。目前常用的DKI的臨床采集,主要采用單次激發多層面自旋回波-回波加權成像序列,進行擴散加權成像,獲得橫斷面、冠狀面、矢狀面成像數據。采集參數包括5個b值(500,1000,1500,2000,2500s/mm2.3張量估計的準確性DKI模型的參數化是通過擴散張量和由旋轉不變量提取標量的方式獲得的峰度張量來實現的。峰度相關參數值的合理性依賴于對張量估計的準確性,而噪聲、頭動及圖像的失真都會影響張量估計的準確性。理論上,單方向的峰度值有一個比較合理的范圍,一般為正值,并且依據不同組織的復雜程度而小于一定的水平,還與使用的b值有關系。但是,對張量估計的誤差可能會造成單方向上的峰度值超出可以接受的范圍2.4峰度值、其他指標和基本概念DKI理論分析指出,當脈沖持續時間δ趨于無窮小時,式(1)中峰度張量趨近于真實組織內水分子的擴散三維擴散模式,能貼近描述水分子的非高斯擴散行為平均峰度MK是反映擴散受限制程度的無量綱的微觀結構指標,目前是DKI臨床應用中最為常用的指標。MK優勢在于它不依賴組織結構的空間方位,腦部灰質、白質結構均可以應用平均峰度進行描述式中,(K另一種定義MK是基于擴散張量3個本征向量方向的峰度值,有式中,KMK大小取決于感興趣區域內組織結構的復雜程度,即成像體素內生物組織結構越復雜,水分子擴散偏離高斯分布程度越大,平均峰度的數值也越大。軸向峰度AK是指沿著擴散橢球軸向的峰度值(最大特征值的方向),即在腦白質中,由于水分子沿著突觸方向擴散是自由不受限制的,偏離高斯分布的程度最小,因此AK值比較小。徑向峰度RK是指在主要擴散正交方向上的峰度的平均值,即RK是一個十分重要的參數指標,因為擴散受限主要是在徑向,故峰度為非零數值,且在徑向表現得尤為突出。特別是在腦白質中,由于細胞膜和髓鞘的阻擋,水分子擴散受到限制,顯著地偏離高斯分布,相對于DTI得到的部分分數各向異性參數的變化,RK增大得更為顯著。AK和RK這兩個有方向的峰度與MK并不是簡單的線性關系,這是因為四階峰度張量的三維分布不能用簡單的橢球來表示峰度各向異性KA在某種程度上類似于DTI中的分數各向異性FA指標,可由峰度的標準偏差給出,有其中式中,KKA越小,表示越趨于各向同性擴散;若組織結構越緊密越規則,KA越大。影響KA的因素有介質的黏度、分子間距離、鄰近血管搏動或腦脊液流動、纖維結構的完整性、平行性及致密程度等。擴散峰度各向異性KFA是用于提供補充分數各向異性FA信息的參數,反映了各擴散組分在空間分布中的差異性,且不依賴于擴散敏感梯度方向的成像參數3腦微結構信息DKI模型在擴散橢球模型基礎上疊加峰度信息,使之可更精確地檢測腦組織微結構,更好地反映大腦微結構的信息。利用這一優勢,研究者通過建立一系列基于DKI的白質微結構模型,有效地克服了單純依靠顯微鏡觀察解剖和手術標本的傳統組織微結構檢測手段創傷性大、難于在活體實施的弊端。這些模型主要包括白質纖維束完整性模型、擴散峰度-取向分布函數模型、神經組織的峰度分析模型。3.1白質擴散模型2011年,ElsFieremans等人提出基于DKI的腦白質擴散模型(見圖3,θ這一白質模型基于兩個假設前提:其一,白質區域皆由兩個互不對流的房室(軸突內區域和軸突外區域)組成;其二,每個房室內水分子的擴散過程均近似于高斯分布。如此假設后,雖然整個白質區域仍存在擴散限制,但在各個隔區內皆可方便地使用已有較成熟的擴散張量來描述每個隔區的擴散行為。下面是該白質擴散模型的基本數學描述,有式中,f是由峰度信息得到的軸突內區域擴散所占的權重。基于該模型,DKI可借助隔區內擴散張量3個本征方向的擴散信息,結合隔區外峰度信息,獲得體素的軸突內外區的投影分布;同時可由兩個隔區的擴散張量得到各自擴散軸向與徑向的擴散系數,并作為成像參數進行腦白質成像。研究結果表明,這種方法能夠更好地評估軸突內外區的擴散特性和軸突外區的幾何形變程度。但是,該大腦白質擴散模型過于理想化:很多白質擴散情況未明確涵蓋,其中腦脊液就不能視為單獨隔區;使用小b值、少擴散方向數據,會受到信息量不足的影響3.2擴散峰度-取向分布函數模型DKI相比以往傳統的擴散成像技術,最突出的優勢是對組織細微結構的改變更敏感,因此在神經纖維跟蹤成像上的優勢亦明顯式中,θ是仰角,ψ是對任何一個給定方向的取向分布函數,可以近似通過對一個依賴垂直于軸向方向上的擴散系數和峰度系數的函數進行積分來求得。正如上面的公式,既包含高斯擴散的貢獻,又融合了非高斯擴散的信息,因此這個擴散峰度-取向分布函數能夠解決纖維交叉的問題,如圖5所示。值得注意的是,擴散峰度-取向分布函數這一模型也存在局限性。例如,擴散峰度-取向分布函數的方法不能用于重建取向分布函數帶有高頻分量的纖維架構。雖然,這種高頻成分對于少量的纖維交叉區域不會產生很巨大的影響,但高頻成分將會被誤認為纖維交叉數量的增加,在纖維跟蹤時會出現極大偏差,特別是影響纖維跟蹤的準確性。隨著DKI模型擬合以及ODF計算穩定性的提高,DKI在神經纖維成像方面的研究越來越受到重視,圖6為DKI在纖維交叉處的跟蹤效果。相比傳統的擴散張量成像,DKI在纖維交叉處有獨特的分辨能力。2014年,一些學者對比了峰度張量與基于峰度的取向分布函數在神經纖維跟蹤成像上的效果,峰度張量在表征胼胝體(特別是接近皮層的腦區)時,靈敏度、準確性明顯高于基于峰度的取向分布函數3.3基于n-pcr的運動模型神經組織的峰度分析模型(kurtosisanalysisofneuraldiffusionorganization,KANDO)是2015年由EdwardS.Hui等提出的方法,是將峰度張量和擴散張量作為輸入參量來構建組織的微結構模型式中,N+1是隔室的數量。從模型本身可以看出,KANDO適應于存在多高斯組分交叉的組織結構,采用描述神經組織的非高斯擴散模式,且適合作為DKI的補充以完善其指標的可解釋性,見圖7。同時,KANDO方法所得的指標是通過神經微結構特征來描述神經病理損傷的有效生物標記,圖8是各房室神經組織成像的示意圖。4主要敏感人才在異質性擴散與組織微觀結構方面,DKI技術檢測是一項十分敏感且具有特異性的技術。它通過提供水分子的相關物理特征(如黏度、彈性、滲透率、密度及擴散率等的峰度信息),反映生物組織成分和結構形態,為實現組織微結構檢測提供科學依據4.1dki重建技術的應用作為對傳統DTI的擴展,DKI過去在一定程度上是一種對大腦組織復雜性的測量手段;之前的研究已經證明,組織微觀結構復雜性的提高是源于神經膠質的活動以及反應性星形細胞的膠質化,神經元的喪失會導致峰度值的減小。因此,近年來DKI在研究大腦發育與老化、中風、腦腫瘤以及神經退行性疾病方面極富潛力。經DKI模型探測可以發現,從青春期到成年期,大腦額葉皮層的MK隨之增加,這對應于在這一發育過程中大腦持續的髓鞘化以及微觀結構的復雜性逐漸提高。隨著年齡的進一步增長,平均峰度MK反而逐漸降低,這一點與神經退行性變化與收縮有關,原因是前額葉皮層的變化與認知的水平、大腦運動模式變化相關。DKI技術用于大腦發育的另一大優勢在于可選用的感興趣區域,包含更大范圍的額葉,利用峰度指標可以細化并同時評價區域內的灰質、白質DKI技術檢測在異質性擴散與組織微觀結構方面是一項十分敏感且具有特異性的技術,在中風缺血部位的識別有明顯的特異性在腦腫瘤的檢測研究中,DKI指標參數可能已成為檢測出差異的唯一擴散指標。VanCauter等人將DKI應用于阿爾茲海默癥中,能夠提供較傳統DTI更多的信息,對阿爾茲海默癥的深入研究是很有意義的4.2體部散射峰成像近年來的研究顯示,DKI技術已應用于人體其他部位疾病的研究與診斷中關于DKI在前列腺癌的診斷和治療中的研究大量涌現5非高斯擴散的特點從高斯擴散發展到非高斯擴散,DKI更加復雜和接近組織微環境中的水分子真實擴散模型,并向著探測更加精細組織微結構信息(不僅在腦白質研究中而且在灰質中極富潛力)的方向快速發展著。然而,DKI技術尚有其局限性,有待于今后研究改進并更深入地發展。第一,目前的擴散磁共振技術所能達到的空間分辨率(即磁共振信號采集時體素的尺寸)一般為1~3mm,而神經纖維的尺寸為0.1~100μm,通常存在彎曲、分支、交叉等復雜結構。即便DKI技術能夠反映真實的水分子擴散現象,也僅僅是定性分析,并不能做到精準測量。在現有擴散磁共振技術發展的基礎上,建立完善能夠獲取更精確、更高空間分辨率的纖維結構信息以及提供特異性更高的參數,為促進DKI的豐富和發展具有巨大的實際應用價值。第二,DKI模型自2005年提出,其模型的穩定性與可靠性一直存在質疑,雖然已有大量提高模型穩定性的研究出現,但仍需在模型擬合的算法和采集方案上進行一定的優化。第三,基于多磁共振擴散敏感因子b值的非高斯擴散成像在復雜組織結構檢測與重建方面,突破了傳統高斯模型的局限,