基于黑质小体MRI的深度学习回归模型可有效预测帕金森综合征纹状体多巴胺转运体SPECT摄取
本研究纳入367例疑似帕金森综合征患者,利用3T SWI黑质小体MRI构建深度学习回归模型预测纹状体123I-FP-CIT SPECT的SBR。测试集74例中预测与实测SBR显著正相关(ρc=0.7443),黑质高信号丢失者SBR显著低于完整者,提示黑质MRI有望作为无创生物标志物评估多巴胺能退变。
要点
- 黑质高信号丢失者纹状体SBR显著低于完整者,可辅助定性判读。
- 深度学习模型可基于SWI黑质小体MRI定量预测纹状体SBR。
- 预测与实测SBR相关系数ρc=0.7443(95%CI 0.6216-0.8314)。
关键影像表现/征象
- 正常黑质高信号定义为黑质背外侧被低信号环绕的局灶线样或卵圆形高信号区。
- 黑质高信号丢失者实测SBR为2.31±0.85、预测SBR为2.44±0.90,完整者实测4.16±1.24、预测4.21±1.35(P<0.01)。
- SMWI与SPECT视觉判读一致率为95.4%。
- 激活图显示高注意力区域与黑质小体1的高信号区相关。
诊断标准与关键数值
- 测试集预测与实测SBR相关系数ρc=0.7443(95%CI 0.6216-0.8314,P<0.01)。
- 预测与实测SBR平均距离0.6837±0.5972(95%CI 0.5467-0.8207),中位数0.4727。
- 归一化平均误差10.68±9.39%(95%CI 8.54%-12.82%),中位数7.39%。
- 均方根误差0.9078(95%CI 0.7183-1.0641)。
临床应用与阅片要点
- 阅片时可结合黑质高信号存在与否及深度学习预测SBR,辅助评估多巴胺能退变程度。
- 注意黑质高信号完整但SPECT异常的情况(本组16例),单纯MRI可能假阴性。
- 模型基于手动标注黑质小体1中心裁剪的50×50×20体素ROI,需保证标注准确。
局限性
- 纳入者主要为帕金森病,疾病对照组数量少,训练集病种分布不均。
- 需同期行3T SWI和123I-FP-CIT SPECT,存在选择偏倚。
- 单中心前瞻性病例对照研究,外部验证不足。
全文中译15 节 · 点击展开
引言
帕金森综合征(包括帕金森病和多系统萎缩)的主要病理过程是α-突触核蛋白介导的黑质纹状体多巴胺能细胞丢失以及中脑黑质(SN)的铁过载[1]。黑质中的多巴胺能细胞丢失发生在于富含钙结合蛋白的黑质复合体神经毡内贫钙结合蛋白区域的三维(3D)组织——即黑质小体——中[2, 3]。
近年来高分辨率磁共振成像(MRI)的发展,主要是磁敏感加权成像(SWI),使得直接可视化黑质中的黑质结构成为可能[4–11]。正常的黑质小体表现——在黑质低信号区之间显示高信号——可在特发性帕金森病、多系统萎缩和进行性核上性麻痹中消失,甚至在运动前期的疾病中(如孤立性快速眼动睡眠行为障碍)也可消失,这有助于这些疾病的临床诊断[4–11]。然而,尽管帕金森综合征是一种“进行性”神经退行性疾病,SWI上黑质高信号的检测却是“有或无”的问题,这妨碍了对黑质小体状态进行定量评估,限制了SWI监测疾病严重程度或进展的能力。相反,多巴胺转运体(DaT)显像,如123I-2β-甲氧羰基-3β-(4-碘苯基)-N-(3-氟丙基)-去甲托烷单光子发射计算机断层扫描(123I-FP-CIT SPECT),可基于纹状体中定量的DaT摄取提供黑质纹状体功能信息;因此,它可用于诊断帕金森综合征并监测疾病[12, 13]。然而,与MRI相比,SPECT的判读不依赖于绝对变化,而是比较正常与异常区域之间的计数;此外,SPECT还涉及辐射暴露风险。
少数研究关注了SWI与123I-FP-CIT SPECT之间的一致性[8, 14]。如果SWI上黑质高信号的丢失也随时间进展并与SPECT上纹状体DaT摄取的降低相关,我们应当能够建立黑质影像与SPECT之间的关系模型,从而通过易于获取的MRI预测黑质纹状体多巴胺能变性。
在本研究中,我们旨在开发一种基于深度学习的回归模型,能够在黑质小体MRI上预测纹状体DaT摄取,评估深度学习在临床环境中对帕金森综合征黑质小体影像进行定量判读的可行性。本研究的目的是在连续域中将3 T SWI与手动测量的123I-FP-CIT进行相关分析,而非将程度空间划分为正常和异常子区间,以创建与黑质纹状体多巴胺能变性相关的帕金森综合征MRI生物标志物。
方法
本前瞻性病例对照研究经我院机构审查委员会批准。研究按照《赫尔辛基宣言》进行。所有研究参与者均获得了书面知情同意。
研究参与者
2017年2月至2018年12月期间,连续就诊于本转诊机构运动障碍中心的患者符合本研究条件。所有患者均由一位在运动障碍领域拥有22年经验的神经科医生进行临床评估。对于有疑似帕金森症状的患者,若其接受了包含磁敏感加权成像(SWI)的3 T脑MRI检查及同期123I-FP-CIT SPECT检查,则纳入研究。对于MRI上(尤其是SWI)存在严重运动伪影者,以及MRI上纹状体和/或枕叶皮质存在血管性缺血者——这可能导致123I-FP-CIT SPECT特异性结合比(SBR)计算出现假阳性结果——予以排除。每位参与者的临床诊断均依据以下既定标准作出:特发性帕金森病[15]、多系统萎缩[16]、进行性核上性麻痹[17]、孤立性快速眼动睡眠行为障碍[18]、药物诱发性帕金森综合征[19]、原发性震颤[20]、血管性假性帕金森综合征[21]、小脑性共济失调[22]、Fahr综合征[23]和正常压力性脑积水[24]。
MRI方案
MRI使用3 T MRI扫描仪(Ingenia和Ingenia CX;Philips,阿姆斯特丹,荷兰)配合32通道SENSE头线圈进行。SWI采用垂直于中脑的成像平面获取。SWI成像参数如下:3D多回波快速场回波序列;重复时间88 ms;总回波数5;第一回波时间10 ms;回波间隔10 ms;翻转角10°;视野192 × 192 mm²;体素大小0.5 × 0.5 × 1 mm²;30层;扫描时间约4分钟。基于SWI采集,由多回波快速场回波复数图像生成磁敏感图加权成像(SMWI),以提高黑质小体结构的可见性[25]。后处理使用MATLAB(MathWorks,Natick,MA,USA)按照先前描述的方法[26]进行。第一步是利用多通道幅度图像生成幅度图像。在校正各通道的相位偏移后,将相位图像合并为复数均值。接着,使用平方和根法将五个回波各自的幅度图像合并为单一图像。不同回波时间的相位图像使用拉普拉斯算法进行相位解缠,并计算每个体素的合并频率。然后,从频率图像中去除背景场,并使用改进的稀疏线性方程与最小二乘法进行定量磁敏感图成像[27]。由定量磁敏感图生成定量磁敏感图掩模,用于磁敏感对比加权。最后,将多回波合并幅度图像与定量磁敏感图掩模相乘,生成SMWI。SMWI的重建层厚设定为1 mm。
123I-FP-CIT SPECT方案
在注射123I-FP-CIT前,受试者口服6 mL卢戈氏碘液。静脉注射185 MBq的123I-FP-CIT(DATrace-123™,Samyoung Unitech,首尔,韩国)后3小时,使用配备低能、超高分辨率、平行孔准直器的三探头旋转伽马相机系统(Trionix XLT;Trionix Research Laboratory, Inc.,Twinsburg,OH,美国)进行扫描。扫描采用步进-拍摄法,跨越120°共40个步骤,每步40秒。图像使用巴特沃斯滤波器(截止频率0.4周期/cm;阶数13)的滤波反投影进行重建,并使用Chang法(衰减系数0.12/cm)进行衰减校正。首先,由一位具有17年经验的核医学医师对123I-FP-CIT SPECT结果进行视觉判读。判读者在判读时对临床数据和MRI结果不知情。SPECT结果的诊断决策基于视觉检查。对于定量分析,使用专用软件程序(DATquant,Xeleris 3.1,GE Healthcare,芝加哥,IL,美国)分析图像。感兴趣体积由DATquant自动定义,涉及纹状体(尾状核和壳核)、尾状核、壳核和枕叶皮层。纹状体区域的SBR计算如下:(纹状体区域平均计数-枕叶皮层平均计数)/(枕叶皮层平均计数)。取平均值用于进一步分析。
MRI分析
两位委员会认证的神经放射学家(分别具有11年和21年经验)独立评估了SMWI上的双侧黑质高信号,随后通过共识解决分歧。正常黑质高信号定义为SN背外侧局灶性线样或卵圆形高信号区,周围环绕低信号[8, 14, 26, 28]。
深度回归模型
两位神经放射学家在SMWI上共识标注黑质小体-1结构的质心,以裁剪感兴趣区(ROI),固定体素大小为50 × 50 × 20,足以覆盖每侧整个黑质小体-1结构。这些裁剪图像用于基于深度学习的回归分析。
使用基于卷积神经网络的回归模型预测目标SBR,因为卷积神经网络广泛用于学习判别性图像特征。具体而言,我们在回归网络中使用视觉几何组(VGG)风格的卷积神经网络(CNN)(图1)。遵循VGG层的原始顺序,我们使用3D卷积块,因为输入的黑质小体图像块是一个小型3D体积。
网络架构遵循与VGG网络相似的模式,即一系列卷积块首先从输入图像中提取高级特征,然后全连接层块从提取的特征中生成最终预测。卷积块的配置(例如卷积层的数量和卷积核大小、池化层类型)也与原始VGG网络相同。然而,由于输入尺寸较小,卷积块总数减少至三个。CNN架构技术细节见补充材料。
回归器使用L2损失作为目标函数进行训练,即模型预测值与SPECT上相应真实SBR之间的均方误差。训练旨在最小化均方误差。学习率采用1e − 4。
尽管U-net [29]是神经影像分析中常用的卷积网络,但U-net通过在常规CNN编码器后添加解码器模块来生成空间输出(如分割),这不适合我们的任务。在我们的方法中,目标SBR输出是每个图像块分配的单一评分,这类似于常规CNN输出的结构(如类别概率、标量值等)。在常规CNN中,VGG已广泛应用于一般医学图像分析 [30]。近期的CNN架构(如ResNet [31])近来也被应用于不同的医学图像分析任务。然而,结构更简单的VGG网络在小医学数据集下仍然是强大的工具。在我们的实验中,我们也采用了ResNet卷积块进行SBR预测,与VGG块相比性能较差。
统计分析
基于单侧,使用卡方检验比较SMWI上黑质高信号丧失与同侧123I-FP-CIT SPECT视觉异常结果,并计算一致性率。接下来,根据同侧SMWI上黑质高信号状态比较纹状体123I-FP-CIT SBR。训练深度回归模型后,还根据黑质高信号状态比较了深度回归模型预测的单侧纹状体123I-FP-CIT SBR。连续预测值与123I-FP-CIT SPECT SBR使用残差分析进行比较,以预测值与实际值之间的绝对差表示。归一化残差通过将精确残差除以SBR区间(即123I-FP-CIT SPECT上观察到的SBR最大值与最小值之差)计算。计算Lin一致性相关系数(ρc)以确定预测SBR与123I-FP-CIT SPECT实际SBR在连续域中的一致性。相关性的95%置信区间(CI)使用Fisher变换计算。统计显著性设定为P < 0.05。统计分析使用SPSS for Windows(版本25.0;IBM Corp.,Armonk,NY,USA)和MedCalc for Windows(版本17.9;MedCalc Software,Ostend,Belgium)进行。
结果
纳入参与者的临床特征
本研究纳入367名参与者(性别,203名女性和164名男性;年龄,69.0 ± 9.2 [范围,39–88]岁)。参与者的临床诊断包括特发性帕金森病(n = 287)、多系统萎缩(n = 17)、进行性核上性麻痹(n = 14)、孤立性快速眼动睡眠行为障碍(n = 9)、药物诱发性帕金森综合征(n = 3)、特发性震颤(n = 14)、血管性假性帕金森综合征(n = 12)、小脑性共济失调(n = 4;包括两例脊髓小脑性共济失调6型)、Fahr综合征(n = 1)、正常压力性脑积水(n = 4)以及健康参与者(n = 2)。
磁敏感加权成像(SMWI)与123I-FP-CIT-SPECT表现之间的关系
在367名参与者中,293名在SMWI上显示黑质高信号丢失,308名在123I-FP-CIT SPECT上显示视觉评估结果异常,一致率为95.4%(表1)。其中,一名诊断为特发性帕金森病的参与者在SMWI上显示黑质高信号丢失,但在123I-FP-CIT SPECT上表现正常,推测是由于纹状体DaT摄取轻度降低导致视觉上表现正常。此外,16名参与者在SMWI上显示黑质高信号完整,但在123I-FP-CIT SPECT上表现异常,包括特发性帕金森病(n = 12)、多系统萎缩(n = 1)、血管性假性帕金森综合征(n = 2)和Fahr综合征(n = 1)。SMWI上黑质高信号完整的参与者其测得的123I-FP-CIT SBR显著低于黑质高信号完整的参与者(2.36 ± 0.86 vs. 4.31 ± 1.11,P < 0.01)。
深度回归器预测值与实测123I-FP-CIT SBR的相关性
随机选取293名参与者(80%)的数据用于训练深度回归器模型,74名参与者(20%)用于测试集(表2)。在测试集中,SMWI上黑质高信号丢失的参与者的预测123I-FP-CIT SBR显著低于黑质高信号完整的参与者。
排序后的实测123I-FP-CIT SBR与相应预测值呈显著正相关,相关系数为0.7443(95% CI,0.6216–0.8314;P < 0.001)(图2)。预测值与实测SBR之间的平均距离为0.6837 ± 0.5972(95% CI,0.5467–0.8207),中位数为0.4727。使用ResNet卷积块获得的平均距离为0.9206 ± 0.7569(95% CI,0.7482–1.0931),显著劣于使用所提出的VGG块(P < 0.05)。所提出回归模型的均方根误差为0.9078(95% CI,0.7183–1.0641)。考虑到实测123I-FP-CIT SBR的观察范围,深度回归器的平均归一化误差为10.68 ± 9.39%(95% CI,8.54%–12.82%),中位误差为7.39%。
激活图
激活图分析有助于解释深度学习模型的可解释性。激活图突出显示用于预测的关注区域。图3显示了两个示例(一个低SBR,一个高SBR)的激活图。在这些示例中均观察到突出显示黑质小体的高关注区域。
讨论
在本研究中,我们证明基于黑质小体MRI的深度学习回归模型可以有效预测SPECT上的纹状体DaT摄取。基于人工评估的3 T SMWI上黑质高信号丢失与SPECT上异常的黑质纹状体多巴胺能变性显著相关,且人工测量的123I-FP-CIT SBR在黑质高信号丢失时显著降低。训练深度学习回归模型后,其可基于3 T SMWI预测123I-FP-CIT SBR,预测值与人工测量的既定金标准显著相关,相关系数为0.744。因此,我们提出基于深度学习的无创3 T黑质小体MRI分析可以确定帕金森综合征患者的纹状体DaT摄取水平。
突触前多巴胺能扫描,如123I-FP-CIT SPECT,是比临床检查更敏感的帕金森综合征指标,因为它们可检测黑质纹状体多巴胺能变性[32]。DaT成像通过测量纹状体中的DaT摄取来量化黑质纹状体多巴胺能变性程度,是诊断帕金森综合征和监测疾病进展的有效工具[33]。然而,当前的DaT成像技术伴随电离辐射暴露,这使得在单个患者中随疾病进展重复检查在临床上具有挑战性。与MRI相比,其可及性有限,因为检查由于放射性示踪剂注射可能具有侵入性,且成本相对较高。
借助高分辨率MRI,黑质小体(nigrosomes)的黑质结构已在3 T SMWI上成功实现可视化,其丢失已成为帕金森综合征的有力诊断指标。这是帕金森综合征影像学诊断领域的一项突破,因为3 T SMWI可应用于患者而没有任何辐射暴露风险,并可根据临床需要重复多次。因此,MRI上黑质高信号的丢失可能对应于DaT成像上的多巴胺能去神经支配。与黑质高信号完整的患者相比,SWI上黑质高信号丢失者的纹状体123I-FP-CIT摄取可显著降低[8, 14, 34, 35]。此外,在一个序贯过程中,纹状体DaT摄取的降低可能先于黑质高信号的丢失[14, 34]。据此,如先前报道[8, 14],本研究中16名参与者显示123I-FP-CIT SPECT结果异常,但SMWI上黑质高信号完整。一项研究先前显示,黑质高信号完整与不完整参与者的SBR之间存在大幅重叠[14]。另一项研究还根据3 T SMWI上的黑质高信号状态确定了量化的123I-FP-CIT摄取水平,当纹状体123I-FP-CIT SBR降至特定阈值以下时,黑质小体信号即丢失[34]。当黑质小体形态学上表现正常但纹状体DaT摄取轻度降低时,MRI表现对于早期帕金森病可能为假阴性。因此,仅基于MRI的帕金森综合征影像学诊断可能具有误导性,而DaT成像对于明确诊断是必要的。
帕金森综合征患者的黑质高信号在疾病过程中可能随纹状体DaT摄取一同进行性降低。然而,人眼无法在黑质高信号完全丢失之前检测到其部分丢失;因此,它只能提供定性评估,捕捉黑质高信号的存在或缺失。 consequently,通过采用基于深度学习的方法,量化黑质高信号并确定其与纹状体DaT摄取的相关性以利用SWI进行疾病监测的需求日益增加。然而,一项近期利用CNN对SWI上SN进行基于深度学习评估的研究只能确定黑质小体-1的存在或缺失,而无法提供任何可能与DaT成像相关的定量数据[36]。对于基于深度学习的黑质SMWI预测SBR的评估,我们的分析方法选择可以是基于分割的估计或基于回归的估计。如果分割结果可见,基于分割的方法可提供可解释的结果;然而,它需要专门的后处理步骤,且所得到的分割结果仅是SBR估计的中间步骤,而非最终产物。然而,基于回归的估计允许使用无分割的回归网络直接估计感兴趣参数,并且借助深度学习,它可以提供更准确的端到端结果[37]。因此,在本研究中,我们选择基于回归的估计而非基于分割的估计来使用SMWI预测SBR。
我们基于深度学习的回归模型能够基于3 T 磁敏感加权成像(SMWI)定量预测帕金森综合征患者纹状体多巴胺转运体(DaT)摄取。纹状体DaT摄取下降程度可通过黑质体MRI预测,使无创3 T SMWI既是帕金森综合征的诊断指标,也是疾病监测工具。值得注意的是,注意力图上的高关注区域与黑质体-1呈现黑质高信号的区域相关;因此,我们可以假设SMWI上残余黑质高信号的程度主要被网络用于预测纹状体DaT摄取。直到最近,使用MRI对帕金森综合征的定量评估主要集中于神经黑色素MRI的使用,而非黑质体MRI。帕金森综合征患者黑质中T1高信号神经黑色素色素沉着的面积和对比度降低[28],与纹状体DaT摄取相关[38–40]。T1高信号富含神经黑色素的黑质面积比形状更不规则且更小的黑质高信号更容易分割和测量,导致多项基于深度学习的分析用于帕金森综合征和前驱期的富含神经黑色素黑质[40–42]。黑质体MRI可用于基于黑质高信号缺失诊断帕金森综合征,但黑质高信号与DaT摄取之间的定量相关性无法进行,而富含神经黑色素区域的面积和信号降低可与DaT摄取定量相关,但难以用于帕金森综合征的个体诊断[43]。然而,由于我们当前的研究已使用基于深度学习的回归模型提供了基于SMWI的黑质体成像与DaT摄取相关的定量分析,MRI在评估帕金森综合征中的整体作用可通过涵盖个体诊断、定量及与DaT成像的相关性、甚至监测疾病进展而得到扩展。
我们的研究有一些局限性。第一,由于我们纳入同时接受3 T SWI和123I-FP-CIT SPECT检查的参与者,纳入者主要诊断为帕金森病,而疾病对照参与者的数量不可避免地较少。训练集中的参与者数量在疾病类别之间分布不均。第二,由于孤立性快速眼动睡眠行为障碍患者数量相对较少,我们无法单独分析前驱期的诊断性能,也无法确定我们的回归模型在预测从运动前疾病向表型转化方面的潜在优势。未来研究应关注我们的回归模型在前驱期疾病患者中的应用。第三,由于本研究在单一机构进行,我们的研究结果无法进行外部验证。很难找到像我们研究设计中那样同时包含3 T SMWI和123I-FP-CIT SPECT图像的外部数据集。尽管我们的结果证明了基于深度学习的回归模型将黑质体MRI与纹状体DaT成像相关联的有效性,但仍需要使用外部队列进一步验证。为推广我们的结果,应使用来自不同扫描仪和部位获得的多样化黑质体MRI进行进一步验证。因此,未来需要多中心研究来建立黑质MRI的优化成像协议。
结论
我们提出的基于深度学习的回归模型有效地表明,黑质小体MRI表现可在连续域上与SPECT上的纹状体DaT摄取相关。它能够预测纹状体123I-FP-CIT SBRs,并与基于3 T SMWI的手动测量值高度相关。基于深度学习的回归模型可能有助于克服黑质小体MRI目前的局限性,并成为帕金森综合征的潜在生物标志物,用于预测疾病严重程度和进展。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 184 KB)
引用
- Bae, Choi, Kim, et al. Deep learning regressor model based on nigrosome MRI in Parkinson syndrome effectively predicts striatal dopamine transporter-SPECT uptake. Neuroradiology. 2023. PMID: 37209181. doi:10.1007/s00234-023-03168-z
- 全文:PMC10271910(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10271910/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。