0～2歲嬰幼兒磁共振腦白質模板的建立及驗證

胡 迪，張 苗，康惠穎，彭 蕓

(首都醫科大學附屬北京兒童醫院影像中心，國家兒童醫學中心，北京 100045)

大腦發育是一個動態復雜的過程，成人和兒童的腦組織存在明顯差異。腦實質含水量的變化和髓鞘化的形成是導致差異的主要因素。髓鞘化始于胚胎第5個月，新生兒、嬰兒期發展最快，2歲后速度變慢接近成人，但持續至18歲甚至終身。神經系統結構和功能的構建是一個有序、統一，但又不均勻且脆弱的過程。在此過程中任何干擾神經系統形成的因素均可導致神經系統疾病及精神方面的障礙[1-7]。

近年來隨著磁共振成像(magnetic resonance image, MRI)中的彌散張量成像(diffusion tensor imaging, DTI)技術的不斷成熟，兒童神經軸索、髓鞘的發育狀況研究得以深入開展。國內外兒童腦發育DTI研究均已表明，DTI較常規MRI可以更為敏感地顯示腦發育遲緩兒童腦白質的變化，2011年Oishi等[8]基于美國NIPHD(normal brain development, pediatric MRI data repository)數據庫推出了解剖及DTI兩種模態新生兒腦模板，但中國0～2 歲的正常模板仍然是空白。現今建立腦模板主要以結構和功能兩大模態為主。結構模板主要基于大量正常被試MRI數據，在配準變換平均后得到相應統計模板，可以清晰顯示大腦內部解剖結構，并廣泛應用于多種MRI醫學影像分析處理平臺。功能模板主要為DTI模板，該模板主要以白質纖維束走行分析為主。本研究所創建模板即為DTI模板，主要體現0～2 歲中國兒童大腦白質纖維發育微結構變化。

1 資料與方法

1.1 入選標準

選擇北京兒童醫院2017年至2018年0～2歲需要行頭顱MRI的嬰幼兒為研究對象。

入選標準：(1)足月順產，無母體孕期疾病(妊高癥、糖尿病等)、宮內缺血缺氧、頭顱外傷、顱內感染、顱內手術病史，及無精神疾患家族史；(2) 由神經內科醫生臨床查體無神經系統癥狀及任何有明確理論依據支持可以引起顱內病變的慢性疾病；(3)由高年資影像科醫師評估常規核磁頭顱檢查未見顱內占位及先天畸形；(4)由智力測評室經Gesell發育診斷量表(Gesell developmeatal scale, GDS)評估，運動和認知符合正常的0～2 歲嬰幼兒。

本研究開始前已獲得首都醫科大學附屬北京兒童醫院醫學倫理委員會審查批準，所有入組患兒均由其法定監護人簽署知情同意書。

根據年齡分為6 組(A組：1 d～1.5個月，B組：1.5～4.5個月，C組：4.5～9.0個月，D組：9～15個月,E組：15～21個月，F組：21～24個月)，各組男女比例約為0.7 ∶1。按每組20 例，共120 例。

1.2 磁共振掃描

檢查前測量被試者體質量，不能自然入睡患兒口服10%(質量分數)水合氯醛鎮靜(0.3～0.4 mL/kg，最大劑量不超過10 mL)。

采用Philip Achieva 3T MRI，八通道頭部線圈，受檢者取仰臥位，頭部平放，將掃描中心定位在眉心，專用耳罩屏蔽噪音。全腦三維解剖像掃描采用矢狀位3DTFE序列，TR/TE 為8.3 ms /8.3 ms。矩陣180×180，視野180 mm×200 mm×160 mm，層厚1 mm，層距0 mm，連續獲取矢狀面圖像,覆蓋全腦。DTI數據采集單次激發自旋回波平面序列在平行于前后聯合線平面掃描得到彌散加權成像。矩陣126×126，視野256 mm×256 mm，層厚2.0 mm,層間距0 mm, TR為7 960 ms, TE為83 ms，共掃描70個連續層面，彌散敏感梯度方向32個，彌散敏感系數b=1 000 s/mm2。軸位T2WI序列，TR/TE為4 000 ms/80 ms，反轉角度90°，矩陣230×245，層數32層，層厚3 mm，層間距4 mm，采集次數為2 次。

1.3 數據預處理

使用MRlcron (www.nitrc.org/projects/mricron)軟件的相關程序，將原始的DICOM數據轉換為圖像分析所使用的NIFTI格式。使用DTI studio(https://www.mristudio.org/)將各受試者的DTI數據線性配準到未施加彌散梯度方向的b0圖像上以矯正快速掃描帶來的變形。由矯正后的DTI數據使用DTI studio通過張量擬合生成部分各向異性(fractional anisotropy, FA)圖、彩色編碼圖、張量圖(tensor image: RA/RD)以及平均彌散加權像。

1.4 圖譜的建立

步驟1: b0圖像去顱骨，在MATLAB中讀入并以此為模板，所有張量圖像去顱骨。

步驟2: 每個年齡組中選取一個最能代表本組特點，形態相對規整的去顱骨后的FA作為該年齡組的獨立個體樣本，命名為FA-s。同一年齡組的其他所有FA樣本以FA-s為模板，通過DiffeoMap軟件重采樣并調用AIR算法，進行線性仿射配準，除FA-s外每個樣本經配準后生成FA′圖像和線性配準變形矩陣AIR。

步驟3: 在MATLAB中讀入每個年齡組所有新生成的FA′和FA-s，進行平均運算，可以獲得每個年齡組新的個體模板，命名FA-s′。

步驟4: 為提高配準精度，以FA-s′為模板重復步驟2和步驟3，最終得到所有樣本經線配后的FA2′，線性配準矩陣AIR2，以及對應每個年齡組的兩次配準平均后的個體模板，FA-ss。

步驟5: 通過DifferoMap軟件打開FA-ss，調用高配準精度的微分同胚非剛性配準算法(large deformation diffeomorphic metric mapping, LDDMM)對所有FA2′ 圖像進行非線性配準，生成非線配準后的FA-air-LDDMM和變形矩陣Vtk。

步驟6: 通過DifferoMap軟件打開任何一個原始張量圖像(如RA)， 以Fa-ss為模板，重采樣后先應用步驟4生成的線性配準矩陣AIR2進行變形，再應用步驟5生成的LDDMM的變形矩陣Vtk作用，最終生成一系列配準后的圖像(如RA-air-LDDMM)。

步驟7: 在MATLAB中讀入每個年齡組所有生成的FA-air-LDDMM、RA-air-LDDMM等，進行平均運算，生成最后的一系列張量平均模板FA-mean-template和RA-mean-template等；同時將每個年齡組中選定的最能代表本組特點，形態相對規整的去顱骨后的FA-s、RD-s等，作為該年齡組的獨立個體模板FA-single-template、RA-single-template等。

步驟8: 通過MRIcron和ROIEditor進行每個樣本的T1圖像去顱骨，用spm與自身的b0圖矯正。

步驟9: 通過DifferoMap打開矯正后的T1′，以步驟7選定的不同年齡組獨立個體模板對應的T1圖像做為模板，先應用步驟4生成的線性配準矩陣AIR2進行變形，再應用步驟5生成的LDDMM的變形矩陣Vtk作用，最終生成一系列配準后的圖像T1-air-LDDMM。在MATLAB中讀入后進行平均運算，生成對應年齡組的T1平均模板T1-mean-template，同時將選定的不同年齡組獨立個體模板對應的T1圖像作為獨立個體模板T1-single-template。

本研究所使用的圖譜構建流程見圖1～3。

圖1 線性配準Figure 1 Linear registration: steps of linear registration

圖2 非線性配準Figure 2 Nonlinear registration: steps of nonlinear registration.

圖3 T1配準Figure 3 T1 weighted image registration: steps of T1 weighted image registration

2 結果

2.1 0～2 歲各年齡組平均模板

0～2歲各年齡組平均模板見圖4。

A, 1 d to 1.5 months; B, 1.5 to 4.5 months; C, 4.5 to 9.0 months; D, 9 to 15 months; E, 15 to 21 months; F, 21 to 24 months. First row is color map, second row is FA figure, third row is T1 weighted image, fourth row is mean of all DWfs，fifth row is b0 figure.圖4 各年齡組平均模板Figure 4 Mean-template of each group

2.2 0～2 歲各年齡組獨立樣本模板

0～2 歲各年齡組獨立樣本模板見圖5。

A, 1 d to 1.5 months; B, 1.5 to 4.5 months; C, 4.5 to 9.0 months; D, 9 to 15 months; E, 15 to 21 months; F, 21 to 24 months. First row is color map, second row is FA figure, third row is T1 weighted image, fourth row is mean of all DWfs，fifth row is b0 figure.圖5 各年齡組獨立模板Figure 5 Single-template of each group

2.3 模板驗證

2.3.1主觀評價

采用FA參量圖結合T1加權圖檢驗配準結果。兩名工作超過10 年的影像科醫師，分別對不同年齡組獨立樣本模板和相應平均模板FA 參量圖以及T1加權圖選定4個橫斷面(頂葉、半卵圓中心、基底節區、大腦腳)、1個正中矢狀位斷面、1個正中冠狀位斷面(圖6)進行主觀評價。評價內容包括：(1)獨立樣本模板與平均模板大體外形比較；(2)圖像中解剖結構特征點的空間對齊比較(包括特征性腦溝回結構、側腦室結構、基底節結構、胼胝體結構)。評價結果分5個單項以1～3分計算，以平均分作為最終分值(表1)。兩位醫師對不同年齡組的評分見表2和表3。所有模板得到平均超過2分的評分，主觀評價精確度較高，兩位醫師一致性高。

First row (left to right) are axials of frontal lobe, centrum semiovale, basal ganglia region and cerebral peduncle. Second row are median coronal section and median sagittal section.圖6 主觀評價選定層面FA示意圖Figure 6 Selected level for subjective evaluation

表1 模板主觀評價細則Table 1 Rules for template subjective evaluation

表2 FA模板評分表(分)Table 2 Grade of FA templates

表3 T1模板評分表(分)Table 3 Grade of T1 templates

2.3.2客觀評價

2.3.2.1參量模板均方根誤差(root mean squared error,RMSE) 根據公式

分別計算不同年齡組FA、MD參數圖均方根誤差，該參數用于評價模型建立的精確度，RMSE越小，模型越精確(表4)， 發現所有年齡組參數模板RMSE控制在0.19以下，精確度較高。

表4 各年齡組參量模板均方根誤差Table 4 Root mean squared error (RMSE) of template

2.3.2.2結構模板體積評價 根據每個月齡分組的結構T1模板建立0～2 歲兒童大腦平均體積變化立方趨勢圖，其增長趨勢與既往文獻的結構模板變化趨勢相同[11]。

3 討論

從1988 年法國科學家通過的尸體腦切片第一次創建三維大腦空間坐標系，到基于結構磁共振的MNI系列模板的廣泛應用，以及利用張量空間坐標系包含白質纖維束模擬重建DTI最新模板的推出，磁共振技術的不斷更新和進步，很大程度上推動了不同模態活體大腦統計模板的研究[9-10]。

相較于成人腦模板，兒童腦模板一直發展緩慢，這可能與兒童腦結構信號不穩定且變化劇烈帶來的模板建立困難相關，其中新生兒因其大腦發育特征在MRI顯像中灰白質對比度較成人差，無法準確對大腦內部解剖結構精確定位，且被試體難以獲得，一直是腦模板研究的空白[2-4,8]。隨著近年來DTI技術的不斷成熟，兒童神經軸索、髓鞘發育狀況的研究得以大幅度推進。DTI較常規MRI可以更為敏感地顯示腦發育遲緩兒童腦白質的變化，DTI對兒童腦發育的評估診斷比常規MR更為準確，可以為臨床早期診斷、早期治療及其隨訪監測提供較為客觀的依據。近5年，隨著后處理技術和算法的進步，兒童以及新生兒模板已經向著依據纖維走向追蹤進行解剖分隔和定位快速發展，并涌現出一系列基于模板的生長發育研究[11-13]。

但是現有所有常用的數字化標準腦圖譜基本均來源于西方人的數據，不具備東方人的特征。研究表明[14]，由于人種和生長環境的影響，東、西方人腦結構和功能存在顯著差別。兒童期大腦發育受到包括性別、教育、語言、文化等等多種因素的影響，而這些差異均可以造成腦結構的不對稱、腦區細節不均勻等[15],故在標準化大樣本中國兒童個體時，如果直接使用西方兒童腦模板可能是不合適的。

本研究應用DTI技術建立腦白質彌散張量成像模板是基于中國兒童數據建立的具有東方人種和生長環境特色的腦發育模板。實現了中國0～2歲嬰幼兒中樞神經纖維精細成像，說明了在體觀察神經纖維發育早期建立過程的可能性。為探查白質纖維束結構的完整性和連通性，追蹤其走行方向，深入了解大腦的結構及相關功能，更好地認識理解白質結構的微觀變化提供了可參考的動態非侵入性客觀測量值，本研究模板可廣泛用于臨床各種原因引起的腦白質損害程度及范圍的判斷和評估。

張量圖像的統計模板構建中，最為關鍵的一步是圖像的配準過程。由于擴散張量圖像在單個體素點中所描述的是一個同時具有標量信息與方向信息的二階張量，故不能使用傳統的標量醫學圖像的配準方法來解決張量圖像的配準問題。醫學圖像配準是指將一幅醫學圖像變換到與目標圖像存在于同一空間而采用的一系列空間幾何變換過程，從而使變換圖像達到與目標圖像在結構和形態上的一致[16-20]。

選擇DTI圖像配準模型一般需要注意兩個問題：第一，基于張量模型計算的彌散系數參量圖能否完整地表達DTI圖像張量場的分布特征；其次，在求解非剛性配準模型時，彌散系數參量圖的梯度場能否反映張量場在不同體素位置的變化情況，從而減少導致張量邊界和白質纖維走行方向等細節信息的丟失。

目前，非剛性配準技術的微分同胚性模型是研究熱點，其中LDDMM張量配準模型采用定義在riemannian流形切空間中的時變向量場形式描述微分同胚的形變映射，并根據分量圖像驅動和重新計算的張量主方向得到的配準形變場對DTI張量場進行空間變換[16-20]。

LDDMM模型是計算解剖學研究領域中被廣泛認可的具有較高配準精度的微分同胚非剛性配準范式，是一種微分同胚意義下的大形變場配準，其最大優點是保持圖像的拓撲結構在配準前后不發生改變，圖像中原來分離的解剖結構配準后仍保持分離，原來連續的結構仍保持連續，平滑的解剖特征如某些曲線或曲面仍保持平滑。它的另一個優點在于微分同胚間的任意次復合仍為微分同胚，但運算的耗時性和在形狀變化較大時的適應不佳問題限制了其應用，尤其是針對老年組人群的側腦室配準變形。針對以上問題有學者提出了通過多分量模板驅動解剖分區和皮質下結構的配準，從而改善解剖模板形變度并提高精準度的方案[16-20]。DARTEL、Deffeo DEMONS等一系列優化算法的提出，亦縮短了運算時間。美國霍普金斯醫院針對兒童及成人正常及孤獨癥等患者一系列DTI圖像及模板的配準測試對比中發現，經過基于張量LDDMM模型配準后，解剖結構的分段精準度及變形的誤差率均優于其他圖像配準模型，同時如果對算法進行級聯優化，運算時間將縮短到原來的1/5，提高了LDDMM在張量模型配準的實際應用度[16-20]。

本研究應用基于張量LDDMM模型配準后的DTI圖像，除了解剖結構達到空間對齊外，局部體素張量橢球分布和形態都沒有發生異常變化，較好地保持了彌散方向的信息。同時，在相同的LDDMM配準算法框架下，因為保留了原始DTI圖像在張量空間的所有信息且剔除了人為的篩選，張量圖像LDDMM比向量圖像LDDMM算法有更高的配準精度并包含豐富的原始張量場的纖維走形信息。獲得的各年齡組模板中越大年齡組的模板主觀得分越高，考慮主要與圖像本身對比度相關。年齡組越低，髓鞘化越少，灰白質對比度越差，在配準過程中困難度越大，加之所有圖像顱骨基本手工去除，更加大了個體間差異和配準的不穩定性，在目前的技術條件下尚無法完全克服。同時，本研究采集人群數量有限，各組性別比例存在差異，是否會帶來模板結構的偏差，還有待擴大樣本后進一步探索和研究。本課題組將在擴大樣本的基礎上進一步研究灰白質以及腦區的分割，以提高該模板的研究應用價值。

我國是14億人口的大國，第6次全國人口普查顯示0～14 歲兒童占16.6%，國家統計局發布的2014 年度宏觀經濟數據統計也顯示僅2014年1年，出生人口即為1 687萬。隨著醫療衛生水平和大眾醫療意識的提高，越來越多的患兒需要進行腦結構檢查和腦功能研究，我國亟待建立一個包含多種影像有效數據正常兒童三維立體的結構和功能標準腦，以提供客觀、公正的影像學信息，分析、驗證、簡化相關理論，進行循證學研究，指導重要資料收集，為醫療、教學、科研服務。兒童標準腦，尤其是嬰幼兒早期腦白質的解剖和微結構的發育演變過程和標準的建立迫在眉睫。

綜上所述，本研究應用非線性高配準精度的微分同胚非剛性配準范式建立的0～2 歲中國正常嬰幼兒大腦白質微結構發育演變模板，為進一步分析人類大腦發育及功能形成過程、腦發育相關疾病的機制和治療提供了基礎。

(志謝：感謝黃浩教授對本研究的支持！)