不同扫描层厚对脑白质纤维束扩散张量成像定量评估的研究
吕亮1,2，吕发金1*，黄显龙2，刘筱霜1，魏淼1
1.重庆医科大学附属第一医院放射科，重庆400016；
2.重庆市人民医院放射科，重庆400014；*通讯作者吕发金 ***************【基金项目】重庆医科大学附属第一医院2016年度院内科研培育基金项目（PYJJ2017-36）
【摘要】目的探讨扩散张量成像（DTI）中不同扫描层厚的选择对脑白质纤维束各扩散定量评估指标的影响。资料与方法采用不同扫描层厚（分别为3 mm、5 mm、7 mm）对30名健康志愿者在3.0T MR仪上行DTI以及3D T1WI扫描，获得胼胝体压部区域的各向异性分数（FA）、平均扩散率（MD）、轴向扩散（AD）、横向扩散（RD）以及右侧海马区域纤维束数目（FN）、最小纤维束长度（FLmin）、最大纤维束长度（FLmax）等扩散定量评估指标。比较不同扫描层厚下（3 mm组、5 mm组和7 mm 组）各扩散定量评估指标，分析扫描层厚与各扩散定量评估指标的相关性。结果FA、MD、RD、FN、FLmin在各组间、AD在3 mm组与7 mm组以及5 mm组与7 mm组间差异均有统计学意义（P均<0.05），FLmax各组间以及AD在3 mm组与5 mm组间差异无统计学意义（P>0.05）。FA、AD、FN与扫描层厚呈负相关（
r=-0.887、-0.316、-0.560，P<0.05），MD、RD、FLmin与扫描层厚呈正相关（r=0.606、0.767、0.501，P<0.05）。FLmax与扫描层厚无相关性（r=0.008，P>0.05）。结论不同扫描层厚对DTI部分扩散定量评估指标有明显影响，数据获取过程中应引起重视。
【关键词】磁共振成像；扩散张量成像；胼胝体；海马；神经纤维
【中图分类号】R445.2 【DOI】10.3969/j.issn.1005-5185.2018.12.010
Quantitative Evaluation of Diffusion Tensor Imaging of Cerebral White Matter Fiber Tracts with Different Scanning Layer Thickness
LV Liang1,2, LV Fajin1*, HUANG Xianlong2, LIU Xiaoshuang1, WEI Miao1
Department of Radiology, the First Affiliated Hospital of Chongqing Medical University, Chongqing 400016, China; *Address Correspondence to:LV Fajin; E-mail:***************
【Abstract】Purpo To explore the effects of varied scanning layer thickness in diffusion tensor imaging (DTI) on quantitative evaluation indicators of diffusions of cerebral white matter fiber tracts. Materials and Methods Thirty healthy volunteers underwent DTI and 3D T1WI scanning on 3.0T magnetic resonance equipment with varied scanning layer thickness (3, 5 and 7 mm, respectively)
to obtain quantitative evaluation indicators of diffusions of splenium corporis callosi, including fractional anisotropy (FA), mean diffusivity (MD), axial diffusivity (AD), radial diffusivity (RD), fiber numbers (FN) in right hippocampus region, fiber length minimum (FLmin) and fiber length maximum (FLmax). Quantitative evaluation indicators of diffusions with varied scanning layer thickness (3 mm group, 5 mm group and 7 mm group) were compared, the correlation between scanning layer thickness and quantitative evaluation indicators of diffusions was analyzed. Results The differences in FA, MD, RD, FN, FLmin and AD between the 3 mm group and the 7 mm group, and that between the 5 mm group and the 7 mm group showed statistical significance (P<0.05). FLmax difference between groups and AD difference between the 3 mm group and the 5 mm group showed no statistical significance (P>0.05). FA, AD and FN were negatively correlated with scanning layer thickness (r=-0.887, -0.316 and -0.560, P<0.05), MD, RD and FLmin positively correlated with scanning layer thickness (r=0.606, 0.767 and 0.501, P<0.05), and FLmax showed no correlation with scanning layer thickness (r=0.008, P>0.05). Conclusion Different scanning layer thickness displays obvious influence on DTI partial diffusion quantitative evaluation indicators, which calls for attention in the process of data acquisition.
【Key words】Magnetic resonance imaging; Diffusion tensor imaging; Corpus callosum; Hippocampus; Nerve fibers
Chine Journal of Medical Imaging, 2018, 26 (12): 919-923
扩散张量成像（diffusion tensor imaging，DTI）是一种非侵入性研究脑白质纤维束的成像方法，在临床上得到广泛应用，但其扩散定量评估指标受到一些扫描参数的影响，如回波时间（TE）﹑扩散梯度方向数目（number of diffusion-encoding gradient directions，NDGD）﹑扫描层厚等。本研究通过采集不同扫描层厚
. All Rights Rerved.
的脑白质纤维束DTI 数据，分析各扩散定量评估指标变化情况，以期找寻不同扫描层厚对其的影响规律。
DTI 是活体研究脑白质纤维束MRI 方法[1]，在颅脑创伤[2]、颅脑肿瘤[3]以及精神疾病[4]的诊断中广泛应用，其最常用的成像序列为施加多个方向扩散敏感梯度场的单次激发自旋回波平面成像（single-shot spin-echo echo planar imaging ，SS-SE-EPI ）序列，而序列各参数的设定直接影响DTI 序列采集时间、图像空间分辨率、信噪比以及各扩散定量评估指标。
通过对TE [5]、重复时间（TR ）[6]、NDGD [7]等成像序列参数的研究，明确了部分成像序列参数对
脑组织扩散张量成像定量评估指标的影响。
随着脑结构成像分析方法的不断改进及分析软件的不断涌现，本研究采集不同扫描层厚的脑白质纤维束DTI 数据，使用目前较为常用的分析软件，通过在标准化脑图谱中选取感兴趣区的方法，分析各扩散定量评估指标的变化，以期找寻不同扫描层厚对其影响规律。 1 资料与方法
1.1 研究对象 经医院伦理委员会审核批准，2017年1
－4月在重庆市人民医院招募健康志愿者30例，其中男16例，女14例；年龄21~53岁，平均（25.4±7.0）岁。所有志愿者均无头部外伤史﹑手术史，无神经﹑精神病史，无MRI 检查禁忌证，能耐受MRI 检查，所有志愿者均签署知情同意书自愿参加本研究，并经医院伦理委员会备案。
1.2 仪器与方法 使用Siemens 3.0T Siemens Verio 超导MRI 扫描仪，Head Matrix 线圈。志愿者以头先进、仰卧位，行轴位TSE-T2WI 排除颅脑病变。扫描参数：TR 4560 ms ，TE 106 ms ，相位编码：左右方向，视野220 mm ，分辨率320，层厚5 mm ，激励次数1，采集时间56 s 。3D-T1为t1-mpr-tra 序列，扫描参数：TR 1900 ms ，TE
2.96 ms ，相位编码：左右方向，视野230 mm ，分辨
率256，层厚1.0 mm ，激励次数1，采集时间5 min 53 s 。DTI 为ep2d-diff-mddw 序列，其中相同参
数为相位编码：前后方向，视野230 mm ，分辨率128，激励次数2，EPI 因子128，b 因子0/1000，扩散方向数目30。
按扫描层厚分为3组。层厚3 mm 组：层数35，TR 5900 ms ，TE 95 ms ，采集时间6 min 25 s ；层厚5 mm 组：层数21，TR 3700 ms ，TE 95 ms ，采集时间4 min 2 s ；层厚7 mm 组：层数15，TR 2800 ms ，TE 95 ms ，采集时间3 min 4 s 。
1.3 数据处理 将所有志愿者DICOM 格式3D-T1、DTI 数据导入电脑，运行PANDA （Pipeline for Analysing Brain Diffusion Images ）软件[8]（http ：///projects/panda ），通过DICOM ﹣﹥NIfTI 工具进行数据格式转换，经Full Pipeline 工具获得基于解剖图谱分析水平的各扩散定量评估指标各向异性分数（fractional anisotropy ，FA ）、平均扩散率（mean diffusivity ，MD ）、轴向扩散（axial diffusivity ，AD ）、横向扩散（radial diffusivity ，RD ）等区域均值以及全脑白质纤维束图。其中区域均值根据rICBM_DTI_81_WMPM_FMRIB58图谱计算；脑白质纤维束采用纤维束连续追踪（FACT ）算法，角度阈值为45°，FA 阈值范围0.2~1.0。运行FMRIB Software Library （FSL ）软件（英国牛津）[9]（http ：//ac.uk/fsl/fslwiki ），通过FSLView 工具以及fslmaths 命令行获得基于HarvardOxfordx 图谱的标准空间右侧海马区模板（图1），通过FLIRT 工具将该模板配准到个体DTI 空间获得个体DTI 空间右侧海马区感兴趣区（ROI ）。运行TrackVis 软件（http ：///），追踪通过该ROI 的纤维束（图2~4），并获得纤维束数目（fiber numbers ，
FN ）、最小纤维束长度（fiber length minimum ，FLmin ）、最大纤维束长度（fiber length maximum ，FLmax ）值。
图1 标准空间中右侧海马区模板像在头颅冠状位（A ）、轴位（B ）、矢状位图（C ）
A B C . All Rights Rerved.
图2 3 mm 扫描层厚个体空间中通过右侧海马区纤维束前视（A ）、下视（B ）、右视图（C ）
图3 5 mm 扫描层厚个体空间中通过右侧海马区纤维束前视（A ）、下视（B ）、右视图（C ）
图4 7 mm 扫描层厚个体空间中通过右侧海马区纤维束前视（A ）、下视（B ）、右视图（C ）
1.4 统计学方法 采用SPSS 17.0软件。各扩散定量
评估指标采用单样本Kolmogorov-Smirnov （K-S ）检验法进行正态性分布检验，采用Levene 检验法进行方差齐性检验。各扩散定量评估指标服从正态分布及方差齐性使用单因素方差分析，两两比较采用LSD 法，不服从正态分布或方差齐性使用非参数检验方法即配对比较的秩检验，数据用M （Q 1，
Q 3）表示。各扩散定量评估指标服从正态分布使用Pearson 相关性分析，不服从正态分布使用Spearman 相关分析。P <0.05表示差异有统计学意义。
2 结果
选择胼胝体压部为核心区域，获得不同扫描层厚该区域FA 、MD 、AD 、RD 值。选择右侧海马区为ROI ，获得不同扫描层厚全脑白质纤维束图中通过该ROI 的FN 、FLmin 、FLmax 值。
2.1 不同扫描层厚各扩散定量评估指标组间比较 FLmax 各组间以及AD 3 mm 组与5 mm 组间差异无统计学意义（P >0.05），其余各组间差异均有统计学意义（P <0.05），见表1。
1组 0.650±0.018 0.866±0.028 1.610±0.048 (0.478，0.515) (356.00，646.25)
(1.438，1.617)
73.65±19.61 2组 0.604±0.020* 0.903±0.031* 1.603±0.050 0.553 (0.535，0.587)*
297.00
(248.50，457.75)*
1.617 (1.505，1.977)*
73.42±16.96 3组 0.562±0.020*# 0.923±0.033*# 1.572±0.050*#
0.598 (0.584，0.631)*#
221.50
(183.75，322.25)*#
1.977
(1.685，2.336)*#
73.05±19.25 F 值 157.183 26.972 5.132 - -
-
0.008 P 值
<0.001
<0.001
0.008
-
-
-
0.992
注：FA ：各向异性分数；MD ：平均扩散率；AD ：轴向扩散；RD ：横向扩散；FN ：纤维束数目；FLmin ：最小纤维束长度；FLmax ：最大纤维束长度。与1组比较，*P <0.01；与2组比较，#P <0.05
A B C
A B C
A B C
. All Rights Rerved.
2.2 不同扫描层厚与各扩散定量评估指标的相关性分析扫描层厚与FA、AD、FN呈负相关（P<0.05），与MD、RD、FLmin呈正相关（P<0.05），与FLmax 无相关性（P>0.05），见表2。
FA 0.605 0.041 -0.887 <0.001 MD(×10-3 mm2/s) 0.897 0.041 0.606 <0.001 AD(×10-3 mm2/s) 1.595 0.052 -0.316 0.002
RD(×10-3mm2/s) 0.583 0.190 0.767 <0.001 FN 360.430 186.787 -0.560 <0.001 FLmin(mm) 1.774 0.412 0.501 <0.001 FLmax(mm) 73.372 18.435 0.008 0.941 注：FA：各向异性分数；MD：平均扩散率；AD：轴向扩散；RD：横向扩散；FN：纤维束数目；FLmin：最小纤维束长度；FLmax：最大纤维束长度
3 讨论
3.1 组间差异分析本研究结果表明，仅部分扩散定量评估指标在不同扫描层厚组间差异有统计学意义（P<0.05），其原因可能为FLmax值与扫描层厚无相关性，而AD值与扫描层厚的相关性较弱（r=-0.316），3 mm组与5 mm组扫描层厚导致的扩散张量椭球主方向差异并不显著；也可能与本研究选择的ROI为信号极强区域有关。而在不同扫描层厚下获得的其余各扩散定量评估指标，由于扩散张量椭球形状变形、部分容积效应以及磁化率伪影共同作用下，组间差异有统计学意义。
3.2 相关性分析本研究探讨了不同扫描层厚下脑组织DTI各扩散定量评估指标的稳定性，结果表明，随着扫描层厚的增加，FA、AD、FN值逐渐变小，MD、RD、FLmin值逐渐增大，FLmax值变化不显著，其原因可能为：①随着扫描层厚增加，图像单个体素体积增大，扩散张量椭球形状变形而趋近于圆球形[10]，导致代表扩散张量椭球主方向的AD值变小，代表扩散张量椭球次方向的RD值变大；而RD值与扫描层厚的相关性比AD值更强，使得代表扩散张量椭球平均方向的MD值与RD值均与扫描层厚呈正相关；而FA值与扩散椭球主方向一致，故FA值与层厚呈负相关。②随着扫描层厚增加，图像空间分辨率下降，部分容积效应以及磁化率伪影等导致成像质量下降[11]，能够追踪到的FN将下降，能够追踪出的FLmin也将增加。而能够追踪出的FLmax与扫描层厚无相关性，可能更多取决于纤维追踪技术[12]。
3.3 序列参数及感兴趣区的选择本研究采用TR 2800~5900 ms及2次激励次数提供足够的信噪比，排除不同TR对DTI各扩散定量评估指标的影响，符合秦文等[6]研究结果的建议。
倪建明等[13]在FA图上分别测量两侧半卵圆中心、胼胝体膝部、胼胝体压部、两侧内囊、丘脑及桥脑FA值，表明胼胝体压部为信号最强区域。本研究将胼胝体压部区域作为FA、MD、AD、RD值ROI，可减少信息丢失，排除因信号弱导致获得扩散定量评估指标不准确的情况。
海马为脑内重要的功能结构区域[14]，与多种疾病密切相关，正确显示海马内部神经纤维束情况，对于认识疾病的发生及发展意义重大。本研究将右侧海马区域作为脑白质纤维束扩散定量评估指标FN、FLmin、FLmax值ROI，以期为海马研究提供健康人群数据。
本研究为减少信息丢失，保证数据准确性，仅选择胼胝体压部区域及右侧海马区域作为ROI进行研究探讨。下一阶段将对脑内更多的脑区及神经核团进行研究，提高结果的可靠性。此外，本研究样本量较小，需进一步积累临床病例进行深入研究，以期为扫描提供准确的快速扫描序列。总之，本研究表明，不同扫描层厚将对部分DTI扩散定量评估指标产生影响，数据获取过程中应引起重视，保证扫描层厚一致，提高数据的可信度。
参考文献
[1] Garin-Muga A, Borro D. Review and challenges of brain
analysis through DTI measurements. Stud Health Technol Inform, 2014, 207: 27-36.
[2] 陈旭, 唐光才. 轻微创伤性脑损伤MRI研究进展. 中国
医学影像学杂志, 2017, 25(10): 794-797.
[3] 姜亮, 孙军, 刘文, 等. 3.0T扩散张量成像定量参数在脑
胶质瘤分级中的应用. 中国医学影像学杂志, 2015, 23(4): 250-254, 259.
[4] 王茹, 谢生辉, 刘利婷, 等. 精神分裂症MR扩散张量成像
研究进展. 中国医学影像学杂志, 2016, 24(12): 951-953. [5] 秦文, 李坤成, 于春水, 等. 回波时间对脑组织弥散张量
成像定量指标的影响. 中国医学影像技术, 2008, 24(8): 1145-1148.
[6] 秦文, 李坤成, 于春水, 等. 重复时间和场强对脑白质弥
散张量成像定量研究的影响. 中国医学影像技术, 2009,
. All Rights Rerved.
25(7): 1127-1130.
[7] Ni H, Kavcic V, Zhu T, et al. Effects of number of diffusion
gradient directions on derived diffusion tensor imaging indices in human brain. Am J Neuroradiol, 2006, 27(8): 1776-1781. [8] Cui Z, Zhong S, Xu P, et al. PANDA: a pipeline toolbox for
analyzing brain diffusion images. Front Hum Neurosci, 2013, 7: 42.
[9] Jenkinson M, Beckmann CF, Behrens TE, et al. FSL.
Neuroimage, 2012, 62(2): 782-790.
[10] Papanikolaou N, Karampekios S, Papadaki E, et al.
Fractional anisotropy and mean diffusivity measurements on normal human brain: comparison between low- and high-resolution diffusion tensor imaging quences. Eur Radiol, 2006, 16(1): 187-192.
[11] Alexander AL, Hasan KM, Lazar M, et al. Analysis of partial
volume effects in diffusion-tensor MRI. Magn Reson Med, 2001, 45(5): 770-780.
[12] Feigl GC, Hiergeist W, Fellner CA, et al. Magnetic resonance
imaging diffusion tensor tractography: evaluation of anatomic accuracy of different fiber tracking software packages. World Neurosurg, 2014, 81(1): 144-150.
[13] 倪建明, 沈天真, 陈星荣. 3.0T MR弥散梯度编码方向对
脑组织FA 值测量的影响. 医学影像学杂志, 2007, 17(7): 660-663.
[14] Knierim JJ. The hippocampus. Current Biology, 2015,
25(23): R1116-R1121.
【收稿日期】2018-04-06 【修回日期】2018-06-30
（本文编辑刘晓萌）
（上接第918页）
确率为（65.86±4.99）%，未减背景和降维后分类正确率为（63.89±4.02）%，减背景未降维后分类正确率为（76.58±5.16）%，减背景降维后的正确率为（87.03±4.22）%。最终实验结果证明，对于儿童后颅窝肿瘤中室管膜瘤与髓母细胞瘤减背景和降维后分类正确率最高。对ROI背景部分剪切且对特征向量筛选后，经对比，剪切背景和仅输入具有显著性差异的特征能够有效改善分类结果。故可以通过检验特征向量之间的显著差异性对多特征参数进行选择，最终达到辅助诊疗的目的。
近年来，纹理分析成功地运用于儿童脑肿瘤的类型鉴别，各种纹理特征提取方法不断涌现，既往研究中有关儿童脑肿瘤的2D T1WI和T2WI图像使用SVM分类器的分类总正确率为73%~86.71%[10-12]，将Gabor滤波方法用于儿童脑肿瘤的研究罕见。同时，本研究也存在一定的局限性，样本量过小限制了分类器的选择，而且仅对2D T1WI图像矢状位进行研究，今后可扩大样本量进行3D及冠状位、轴位的研究，以期提供更多的肿瘤相关信息，提高儿童脑肿瘤的自动化分型能力。
参考文献
[1] 李娅, 张勇, 程敬亮. 囊性成分在鉴别儿童髓母细胞瘤和室
管膜瘤中的价值. 中国医学影像学杂志, 2017, 25(3): 196-197.
[2] Castellano G, Bonilha L, Li LM, et al. Texture analysis of
medical images. Clin Radiol, 2004, 59(12): 1061-1069. [3] 朱碧云, 陈卉. 医学图像纹理分析的方法及应用. 中国医
学装备, 2013, 10(8): 77-81.
[4] Mallat SG. A theory for multiresolution signal decomposition:
the wavelet reprentation. IEEE Trans Pattern Anal Mach Intell, 1989, 11(7): 674-693.
[5] Gabor D. Theory of communication. IEEE, 1946, 93: 429-457.
[6] Ahmadian A, Mostafa A, Abolhassani MD, et al. A texture
classification method for diffud liver dias using Gabor wavelets. Conf Proc IEEE Eng Med Biol Soc, 2005, 2(2): 1567-1570.
[7] Ukil A. Support vector machine. Computer Science, 2002, 1(4): 1-28.
[8] Siegel R, Naishadham D, Jemal A. Cancer statistics, 2013.
CA Cancer J Clin, 2013, 63(1): 11-30.
[9] Fetit AE, Novak J, Rodriguez D, et al. Radiomics in
paediatric neuro-oncology: a multicentre study on MRI texture analysis. NMR Biomed, 2018, 31(1): e3781. [10] 李娅, 李蒙蒙, 张勇, 等. 磁共振图像的纹理分析在儿童
常见后颅窝肿瘤鉴别诊断中的应用. 中华医学杂志, 2016, 96(23): 1853-1856.
[11] Fetit AE, Novak J, Peet AC, et al. Three-dimensional textural
features of conventional MRI improve diagnostic classification of childhood brain tumours. NMR Biomed, 2015, 28(9): 1174-1184.
[12] Gutierrez DR, Awwad A, Meijer L, et al. Metrics and textural
features of MRI diffusion to improve classification of pediatric posterior fossa tumors. Am J Neuroradiol, 2014, 35(5): 1009-1015.
【收稿日期】2018-02-12 【修回日期】2018-05-25
（本文编辑周立波）
.
< All Rights Rerved.
