高角分辨率扩散成像MRI结构连接组:评估扩散加权与采样对图论指标的影响
研究纳入10名健康志愿者,比较低b值低方向数(LBLD,b=1000,32方向)与高b值高方向数(HBHD,b=3000,54方向)两种HARDI方案对Q-ball概率追踪构建的结构连接组图论指标的影响。HBHD方案连接概率显著更高、可检测更多连接、聚类系数更高,但模块度和小世界性降低;两种方案枢纽结构高度重叠。作者认为HARDI方案选择会偏倚网络属性评估,跨研究比较时需谨慎考虑。
要点
- HBHD方案在88对节点上连接概率显著高于LBLD(p=0.0002)。
- HBHD全局聚类系数高于LBLD(p=0.026),模块度(p=0.001)和小世界性(p=0.042)低于LBLD。
- 两种方案枢纽分布高度相似,仅少数区域分别为各自独有枢纽。
核心结论
- HARDI采集方案影响结构连接组的图论指标,且该影响并非自动由追踪结果所隐含。
- 梯度方向数与b值可能给网络属性评估引入偏倚,跨连接组研究比较结果时须审慎选择HARDI协议。
研究设计与样本
- 研究论文,纳入10名健康志愿者(4男6女,年龄52±7.15岁),在3T GE Medical System扫描仪(Signa HDxt3T twin speed GE)配合八通道并行头线圈上采集。
- 采集三维T1加权矢状位IR-FSPGR图像(TR=6988 ms,TI=1100 ms,TE=3.9 ms,翻转角=10,体素1 mm×1 mm×1.2 mm)用于AAL图谱90个皮层及皮层下区域分割。
- 扩散加权MRI先采LBLD自旋回波EPI序列(TR=10,000 ms,TE=83.2 ms,FOV=320 mm,各向同性分辨率2.5 mm,b=1000 s/mm²,32个各向同性分布梯度),再采HBHD序列(TR=16,000 ms,TE=104 ms,FOV=320 mm,各向同性分辨率2.5 mm,b=3000 s/mm²,54个各向同性分布梯度)。
- 基于Q-ball常立体角模型重建,在FSL中进行概率纤维追踪(每体素5000条流线),以AAL图谱90个区域为ROI计算连接概率并构建90×90对称连接矩阵。
- 采用符号检验非参数方法并经Bonferroni校正(校正后p<0.05)保留组水平一致连接以去除伪连接,使用Brain Connectivity Toolbox计算8项网络指标,并以网络基础统计(NBS)比较两组,所有网络指标采用t检验并以FDR校正。
关键影像表现/征象
- NBS分析显示HBHD较LBLD在88对节点上连接概率显著更高(p=0.0002)。
- LBLD与HBHD数据生成的连接组图像枢纽结构高度重叠。
- 仅LBLD矩阵中 identification 为枢纽的区域为左侧额下回眶部和右侧额上回眶部,仅HBHD矩阵中 identification 为枢纽的区域为左侧嗅皮层和左侧梭状回。
诊断标准与关键数值
- 以AAL图谱80百分位以上组间中心性区域定义为组枢纽区域。
- 全局聚类系数HBHD高于LBLD(p=0.026);全局模块度HBHD低于LBLD(p=0.001);小世界性HBHD低于LBLD(p=0.042)。
- 全局效率和特征路径长度在两种方案间无显著差异。
- 局部效率在HBHD多个区域高于LBLD(p<0.05,FDR校正),包括右侧颞上回和内侧回、双侧内侧扣带皮层、右侧颞上回、中央后回和前扣带皮层、内侧额回、角回及左侧颞下回。
- 局部聚类系数在HBHD多个区域高于LBLD(p<0.05,FDR校正),包括右侧颞上回和内侧回、双侧内侧扣带皮层、右侧内侧额回和中央后回、前扣带皮层、角回、左侧颞下回及左右和后扣带皮层;中心性、节点强度和节点度经FDR校正后无显著差异。
临床应用与阅片要点
- 解读结构连接组图论指标时须考虑HARDI采集方案(b值与梯度方向数)对连接概率和网络指标的系统性影响。
- 比较不同连接组研究结果时,应确认所用HARDI协议是否一致,以免将方案差异误判为疾病相关改变。
- QBI模型可在较短时间内(<20 min)完成采集,而DSI需较长采集时间(>35 min),作者认为DSI可能不适用于临床应用。
局限性
- 本研究样本量小,仅包含10名受试者,需进一步研究以量化所报告结果在一般人群中的适用程度。
- 未来研究需比较不同(非QBI)dMRI模型,并尽可能区分b值与方向数对结构脑网络图论指标测定的影响。
全文中译8 节 · 点击展开
引言
脑连接和连接组学已在神经科学的许多领域开辟了新的实验和理论途径。扩散磁共振成像(dMRI)和功能磁共振成像(fMRI)技术的最新进展使得在体内将人脑建模为复杂网络成为可能。利用图论,功能脑网络和结构脑网络均可描述为图,即节点的集合,每个节点对应一个脑区,以及连接或边,每条边表示两个节点之间的通路。在合适的形式化描述基础上,若干图论测量指标可用于描述网络架构的多种属性[1]。
在人体体内评估结构连接可通过结合基于dMRI的白质纤维束示踪和灰质分区方法来实现。与dMRI的临床应用相比,增加扩散加权和增加扩散梯度方向数代表了任何临床医生可用的两种简单选项,以提高白质纤维束示踪的角度分辨率,从而增强图论测量指标的稳健性。尽管b值对纤维束示踪HARDI重建的影响此前已有研究[2],但本文首次比较了两种HARDI MRI协议对网络属性估计的影响,一种为低b值和低方向数(LBLD),另一种为高b值和高方向数(HBHD)。
脑连接组学中最典型的图论指标包括聚类程度、全局效率、模块度和小世界性[3]。简言之,聚类程度和给定节点的强度衡量该节点与网络其余部分的连接程度,而中心性和效率则反映网络两部分之间有多少条短路径经过该节点。模块度是指网络根据节点与同一模块内其他节点密集互联而与模块外其他节点稀疏互联的程度被划分为多个模块的属性。“小世界”网络的特征在于其拓扑结构中大多数节点彼此不相邻,但可通过相对较少的步数到达[4]。一些研究已揭示脑网络本质上具有小世界属性,一些小世界特征已被提出作为临床标志物[5–7]。
为能够计算这些指标并以图论测量指标全面表征脑结构网络,扩散张量成像(DTI)[8, 9]代表了dMRI数据最常用的后处理技术,用于计算初始连接矩阵,该矩阵代表所有图论测量指标的输入。然而,HARDI采集技术与Q球成像(QBI)[10]相结合近年来已在脑结构网络的图论表征研究中得到探索[3]。
在本研究中,我们对来自自动解剖标记(AAL)图谱的90个脑区皮层分区使用概率QBI纤维束示踪进行了全脑连接组学分析,并确定了dMRI采集方案对全局和局部图网络测量指标的影响。
方法
受试者
10名健康受试者(4名男性、6名女性,年龄52 ± 7.15岁)在配备八通道并行头部线圈的3T GE医学系统扫描仪(Signa HDxt3T twin speed GE)上接受扫描。本研究按照《赫尔辛基宣言》所阐述的原则进行。伦理批准获自开展本研究的机构伦理委员会,所有参与者均获得了知情同意。
MRI采集
采用GE序列IR-FSPGR采集三维T1加权矢状位图像(TR = 6988 ms,TI = 1100 ms,TE = 3.9 ms,翻转角 = 10,体素大小 = 1 mm × 1 mm × 1.2 mm)。
全脑扩散加权MRI首先使用自旋回波平面回波成像(EPI)LBLD序列(重复时间 = 10,000 ms,回波时间 = 83.2 ms,视野 = 320 mm,各向同性分辨率 = 2.5 mm,b值 = 1000 s/mm,32个各向同性分布梯度,频率编码左右方向(LR)),然后使用自旋回波EPI HBHD序列(重复时间 = 16,000 ms,回波时间 = 104 ms,视野 = 320 mm,各向同性分辨率 = 2.5 mm,b值 = 3000 s/mm,54个各向同性分布梯度,频率编码LR)。
数据预处理
使用FSL 5.0.8版[11]对扩散加权图像进行运动、涡流校正和脑组织提取(BET)。在每个体素拟合Q-ball模型,使用FSL软件包的命令行工具qboot生成广义分数各向异性(GFA)图。该命令允许使用Q-ball恒定立体角(CSA)模型[12]估计扩散ODF。将dMRI图像与T1加权图像配准后,使用自动解剖标记图谱(AAL)[13, 14]进行皮质灰质分区,该图谱包括90个皮质和皮质下区域。然后将获得的结构用作纤维追踪的ROI。概率性纤维追踪在FSL中按照Behrens等人[15]的方法进行。为估计连接概率,应用概率性纤维追踪,在每个体素采样5000条流线纤维。对于每条采样纤维,首先从种子体素的局部方向分布中抽取一个样本方向,然后在沿前一方向0.5 mm处的下一位置从局部分布中获得新的样本方向,依此类推。对于每个种子区域,采样5000 × n条纤维,n为该区域中的体素数量。通过给定区域的纤维数量除以5000 × n,最终作为从种子区域到目标区域的连接概率[16]。在本研究中,每个皮质区域被选为种子区域,并计算其与其他90个区域各自的连接概率[17]。
网络构建与图论指标
根据纤维追踪结果,每个数据集被转换为连接矩阵,测量从种子区域到目标区域的连接概率。因此,每个个体网络由对称的90 × 90矩阵表示,其中每一行和每一列代表一个节点,每个元素代表一条边。
原始个体网络可能因噪声和算法误差而包含虚假连接;然而,可以使用组水平非参数统计对图中的虚假连接进行控制[18]。事实上,如果两个特定节点之间的连接在个体间被一致检测到,则该连接更可能是真实且可靠的。以每个个体作为样本应用非参数符号检验,零假设为不存在连接(即连接权重 = 0)。采用Bonferroni方法对网络内所有节点对的多重比较进行校正。对于每个组数据集(LBLD、HBHD),在校正后p < 0.05下存活的节点对被视为存在连接。结果,为每组WM网络生成了一个二值矩阵(有连接的节点对为1,无连接的节点对为0)。然后将该二值掩模应用于每个个体受试者网络以去除虚假连接[19]。对于每种类型的WM网络,网络密度(即现有连接占可能连接的比例)在各组所有受试者中变为相同,从而提高了网络指标的组间可比性。我们使用Brain Connectivity Toolbox按照[20]中所述计算了八项网络指标:介数中心性、全局效率、局部效率、节点强度、节点度、聚类系数(C)、特征路径长度(L)、模块化(M)和小世界性。这些属性及其生物学意义已在其他文献中详细定义和讨论[1, 6]。此外,分别计算了LBLD和HBHD组中每个节点的平均介数中心性。然后,将拓扑介数中心性图上数值处于第80百分位的区域定义为组枢纽区域[21, 22]。
统计分析
使用基于网络的统计(NBS)工具[23],通过由区域对组成的网络连接值强度来测量序列效应的规模,并进行多重比较校正。对于每个节点和全局尺度,使用t检验检验零假设LBLD = HBHD,并对所考虑的所有网络指标在p < 0.05(错误发现率(FDR)校正)下拒绝该假设。
结果
NBS分析显示,与LBLD数据集相比,HBHD在88对节点中具有显著更高的连接概率(p = 0.0002)(图1,表1)。
全局聚类系数在HBHD中也高于LBLD(p = 0.026)。
与LBLD数据集相比,HBHD的全局M和小世界性显著更低(M:p = 0.001;小世界性:p = 0.042)。全局效率和L无显著差异。
两个序列之间,枢纽在整个连接组上的分布相似。LBLD和HBHD数据集之间共有的枢纽总结于表2(图2)。AAL中对应于左侧眶部额下回和右侧眶部额上回的两个区域仅在LBLD衍生矩阵中被识别为枢纽,而AAL中对应于左侧嗅皮质和左侧梭状回的两个区域仅在HBHD衍生矩阵中被识别为枢纽。
在局部指标方面,与LBLD数据相比,HBHD在多个区域的局部效率更高(右侧颞上回和内侧回、双侧内侧扣带皮层、右侧颞上回、中央后回和前扣带皮层、内侧额回、角回以及左侧颞下回)(p < 0.05,FDR校正);HBHD在右侧颞上回和内侧回、双侧内侧扣带皮层、右侧内侧额回和中央后回、前扣带皮层、角回、左侧颞下回以及左侧和后扣带皮层的局部聚类系数更高(p < 0.05,FDR校正)。
经FDR校正后,介数中心性、节点强度和节点度均无显著差异。
讨论
图论指标可用于表征健康和患病大脑的网络拓扑组织,并检测与不同神经和精神疾病相关的结构和功能异常。这些指标可大致分为评估网络整合水平的全局指标和评估网络分离水平的局部指标。
结构脑网络已被证明既具有高度分离性(由于特定区域之间存在相对于其他区域更具选择性的通路),又具有高度整合性,即形成若干小世界网络或模块[24]。这两个方面在脑病理状态下均可相对于正常值独立发生改变。在本研究中,我们探讨了dMRI梯度方案对不同方向数下QBI纤维束成像获得的结构脑网络计算指标的影响。
在比较HBHD数据集与LBLD数据集时,我们检测到所有解剖区域对的连接概率值总体升高。这可能是由于较高的b值导致更强的弥散加权;然而,由于信噪比较低,这也可能因噪声而产生假阳性连接。为减少假阳性对后续网络特征估计的影响,我们仅将通过基于符号检验的非参数程序[19]在所有受试者中一致存在的连接(强度各异)视为实际连接。
HBHD 和 LBLD 数据集之间另一个可能促成所观察到的连接概率和连接数量增加差异的因素是 HBHD 方案采样方向的密度更高。事实上,鉴于连接数量取决于采样方向与纤维方向的一致程度,LBLD 方案的连接概率预计较低,[25, 26]。另一方面,由于 HBHD 方案中采样方向数量更多,更多采样方向往往更好地对应纤维的实际方向,因此更可能测量到更高的信号响应。
使用 QBI,与 [4] 一致,我们发现小世界指标依赖于梯度方案的方向分辨率,HBHD 中的小世界性值显著低于 LBLD 数据集。这与我们的预期一致,因为除了主要纤维束(LBLD 和 HBHD 方案共有的)之外,更多数量的次级纤维束可能意味着脑模块之间通过次级连接相互连接的程度相对高于通过直接连接(穿过网络枢纽的连接)。
与 HBHD 相比,LBLD 还显示出显著更高的 M 值,M 表示系统可被分解为多个子网络的程度。这清楚地表明 LBLD 数据产生更分离、互连更少的网络模块。相反,较低的 M 值表明模块之间连接更强,从而获得更整合的子网络或模块分布。
聚类水平表达网络的局部连接程度,高聚类水平通常被解释为网络在模块中具有高水平的局部组织性 [23]。在整个网络上取平均,HBHD 聚类系数高于 LBLD,表明相对较近的节点在模块内共享局部连接的程度更高。换言之,HBHD 数据更好地突出了每个模块内存在密集互连的区域群组。
尽管 HBHD 检测到更多连接,但枢纽结构(即被认定为枢纽的节点的近似数量和位置)在 LBLD 和 HBHD 数据集之间高度相似。尽管如此,HBHD 获得的较低 M 值表明,关于模块间神经冲动整体传递的信息被 HBDB 方案更好地保留(参见,例如,[1])。
因此,解决 dMRI 序列参数对图论指标的影响对于解释各种局部和全局结构性脑网络指标至关重要。事实上,结构性脑网络指标的差异可能被错误地归因于神经系统疾病的标志物,而这些差异可能源于特定采集方案的敏感性不同。
对于弥散张量成像(DTI)[4],已有研究表明平均节点度随梯度方向数(6、12 和 32)的增加而增大,这可能是因为在更高的方向分辨率下追踪到了更长的流线,从而生成了连接更密集的网络。然而,即使特征路径长度增加,当梯度数从 6 增加到 12 时,平均聚类系数却下降 [4]。事实上,DTI 每个成像体素只能估计单一纤维方向,因此部分容积效应可能会在大部分成像容积内将两个或多个具有不同局部方向的纤维群体进行平均。这促进了对不同采集协议与替代水扩散模型相结合的研究,也包括图论指标方面的研究。
在弥散谱成像(DSI)方法中也观察到了类似趋势,该方法使用数百个具有不同幅度的扩散敏感梯度,通常沿笛卡尔网格采样方向。DSI 有可能生成在生物学上更有意义的人类连接组映射;然而,它需要较长的采集时间(> 35 分钟)[26],因此 DSI 在临床应用中可能不可行。与 DSI 不同,QBI 是一种无模型重建方案,允许以较少的扩散方向测量扩散谱的角结构,因此采集时间更短(< 20 分钟)。QBI 模型估计在球面上多点采样的方向分布函数(ODF),允许在每个体素中识别一个以上的扩散方向,并在具有不同方向多个纤维群体的区域实现更准确的纤维束示踪。
纤维束成像研究可以通过考察一条或多条特定白质纤维束来揭示局部网络异常[27],但在某些疾病中,如癫痫[28]、阿尔茨海默病[24]和精神分裂症[4],异常不一定涉及特定的白质纤维束,并且损伤的确切位置仍然未知。尽管如此,仍然有可能使用图论来评估整个大脑网络的完整性。在之前的一项工作[25]中,我们研究了QBI模型在不同梯度采集方案下对主要白质纤维束纤维束成像的影响,并表明,与低b值和低扩散方向数(LBLD方案)相比,旨在研究白质纤维完整性的临床研究可能受益于将QBI模型应用于以高b值和高扩散方向数(HBHD方案)采集的dMRI数据集,尤其是在分析以多于一个优势纤维方向为特征的纤维束时。在之前的工作中,我们提出了一种HARDI采集方案,其b值和方向数使临床应用可获得可接受的扫描时间(约15分钟)[29],并证明该方案可在合理的扫描时间内取得良好性能,用于研究白质区域的(广义)各向异性分数[25]。同样,在本工作中,我们已经表明dMRI方案也对全局和局部网络特征具有重要影响,在某些情况下,这可能与对具有多于一个优势纤维方向的纤维束进行最优采样有关。额枕束前部(右侧额上内侧和右侧颞内侧节点)和上纵束(左侧岛叶和右侧海马节点)最可能属于这种情况,这两个区域的局部网络属性在两种方案之间表现出显著差异。另一方面,除了采集协议之外,人类连接组的网络指标还受到若干后处理参数的影响,例如方向模型、脑分区、纤维束成像算法和权重阈值[3]。
若干研究已经揭示了人脑白质网络的重要拓扑属性[5, 17, 30],并探讨了脑异常在修改后的权重或阈值参数方面对特定网络属性的影响[31–33]。例如,在“加权图”方法中,距离权重与连接两个节点的每条边相关联;因此,通过将多个受试者的连接矩阵进行组合(例如平均),不一致或较弱的权重会面对临时设定的阈值,并最终被移除,从而导致连接减少。然而,文献中没有标准阈值,其值在图论分析中通常是自由选择的值。此外,除阈值之外,用于皮层灰质分区的标准、dMRI采集方案、扩散数据模型和纤维追踪算法都是方法学上的变量,可能对最终得到的网络指标产生实质性影响。
总之,我们的结果表明,当Q-ball模型用于纤维束成像时,人类结构性脑网络的局部和全局拓扑特性均表现出对dMRI采集方案选择的强烈依赖性。这补充了先前在DTI方案上获得的类似证据,因而可能有助于未来在特定病理人群中开展连接组学研究的规划。
如果研究多种病理,特别是通过比较主要影响皮层下结构的病理(例如帕金森病和其他涉及基底节的运动障碍)与主要影响皮层结构的病理(例如阿尔茨海默病、额颞叶痴呆、肌萎缩侧索硬化以及精神疾病),这些结果可能具有潜在相关性,正如近期多项连接组学分析所支持的那样[34–39]。特别是,连接组学方法可加强对大脑皮层、基底节和丘脑之间相互作用及其在涉及皮质-基底节和丘脑-皮质环路及其与小脑联系的神经系统疾病病理生理学中作用的现有认识[37, 40]。此外,脑环路的连接组学改变可能在多种神经系统[38, 39, 41]和精神[42]疾病中具有预测临床结局的作用。
需要进一步研究来量化所报告结果在一般人群中的适用程度,因为本研究仅包含10名受试者的小型数据集。此外,未来研究需要比较不同的(非QBI)dMRI模型,并尽可能厘清b值和方向数量在确定结构性脑网络图论指标中的作用。
引用
- Caiazzo G, Fratello M, Di Nardo F, et al. Structural connectome with high angular resolution diffusion imaging MRI: assessing the impact of diffusion weighting and sampling on graph-theoretic measures. Neuroradiology. 2018. PMID: 29520641. doi:10.1007/s00234-018-2003-7
- 全文:PMC5906499(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5906499/
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。