基于MRI圖像后處理技術的雙重病理致顳葉癲癇患者腦區結構特征分析

［摘要］"目的

基于磁共振成像（MRI）后處理技術，對雙重病理（DP）致耐藥性顳葉癲癇（TLE）患者腦區結構變化特征進行自動精細腦分割及腦區數據定量分析。

方法"選擇2017年1月—2023年12月我院DP致TLE患者35例設為TLE-DP組，并選擇同期32例健康成年人為對照組。收集兩組受試者的MRI圖像資料，進行自動精細腦分割及腦區數據定量分析。比較兩組受試者各腦區的體積、體積分數、皮質厚度、皮質表面積及皮質曲率，使用受試者工作特征（ROC）曲線及曲線下面積（AUC）評估上述指標對DP致TLE的診斷效能。

結果"自動精細腦分割及腦區數據定量分析顯示，兩組受試者30個腦區體積、12個腦區體積分數、2個腦區皮質厚度、11個腦區皮質表面積、3個腦區皮質曲率，以及21個海馬亞區體積和1個海馬亞區體積分數差異顯著（t=－2.151～3.882，P＜0.05）。ROC曲線分析顯示，部分腦區體積、腦區皮質表面積和海馬亞區體積對DP致TLE診斷效能較高（AUC＞0.7）。

結論"基于MRI后處理技術的自動精細腦分割及腦區數據定量分析對DP致TLE患者的診斷價值較高。

［關鍵詞］"癲癇，顳葉；圖像處理，計算機輔助；磁共振成像；皮質發育畸形；海馬；硬化

［中圖分類號］"R742.1

［文獻標志碼］"A

Structural features of brain regions in temporal lobe epilepsy with dual pathology： An analysis based on MRI postprocessing technology

KONG Yu， LIU Ruihan， YAO Lei， WANG Shuzhen， LIU Chunzhao， KONG Qingxia

（College of Materials Science and Engineering， Qingdao University， Qingdao 266071， China）

［ABSTRACT］Objective To perform automatic fine brain segmentation and brain region quantitative analysis based on magnetic resonance imaging （MRI） postprocessing technology， and to investigate the structural features of brain regions in drug-resis-

tant temporal lobe epilepsy （TLE） with dual pathology （DP）.

Methods Thirty-five TLE patients with DP treated at our hospital from January 2017 to December 2023 were selected as TLE-DP group， and 32 healthy adults from the same period were selected as control group. The MRI images of the two groups were collected for automatic fine brain segmentation and brain region quantitative analysis. The volume， volume fraction， cortical thickness， cortical surface area， and cortical curvature of each brain region were compared between the two groups. The receiver operating characteristic （ROC） curve and area under the curve （AUC） were used to evaluate the above parameters for the efficacy of diagnosis of TLE with DP.

Results Automatic fine brain segmentation and brain region quantitative analysis indicated that the volume of 30 brain regions， volume fraction of 12 brain regions， cortical thickness of 2 brain regions， cortical surface area of 11 brain regions， cortical curvature of 3 brain regions， volume of 21 hippocampal subregions， and volume fraction of 1 hippocampal subregion were significantly different between the two groups （t=-2.151-3.882，Plt;0.05）. The ROC curve analysis showed that the volume and the cortical surface area of some brain regions and the vo-

lume of some hippocampal subregions were effective in the diagnosis of TLE with DP （AUCgt;0.7）.

Conclusion Automatic fine brain segmentation and brain region quantitative analysis based on MRI postprocessing technology are of high diagnostic value in TLE patients with DP.

［KEY WORDS］ Epilepsy， temporal lobe; Image processing， computer-assisted; Magnetic resonance imaging; Malformations of cortical development; Hippocampus; Sclerosis

顳葉癲癇（temporal lobe epilepsy，TLE）是最常見的耐藥性癲癇，外科手術是其最有效的治療方法。手術治療的目的除最大程度控制癲癇發作，還應盡量減少TLE引發的患者神經以及心理的損傷［1-2］。雙重病理（DP）致TLE是指癲癇患者除存在海馬硬化（HS）外，還存在第二個導致癲癇的主要病灶，如腦腫瘤、腦血管畸形、腦膠質瘢痕、邊緣性/Rasmussen腦炎或局灶性腦皮質發育畸形（FCD）等，其中FCD最為常見［3］。有研究發現DP是導致患者癲癇手術失敗及影響預后重要因素之一［4-9］。癲癇的發生常與不同腦區及亞區的結構改變有關，主要表現為腦深部灰質體積或形態改變及腦區的皮

質厚度、表面積或折疊模式改變等。MRI是癲癇診

療中的基本檢查，傳統MRI檢出海馬早期的細微的病變或識別海馬外致癇灶具有一定困難［10］，且人工判讀MRI圖像對于腦形態改變的診斷存在一定主觀性。腦形態改變定量分析是基于MRI圖像后處理軟件，測量顱腦內部結構的體積、表面積等以分析腦形態改變。該分析方法可作為診斷TLE的重要影像學分析方法。腦分割則是將MRI圖像中腦組織劃分成多個不重疊的腦區或腦亞區，是進行腦形態改變定量分析的前提［11］。腦分割方法分為人工腦分割和自動腦分割，自動腦分割包括基于腦圖譜的腦分割、基于人工智能深度學習的腦分割和精細腦分割。目前對于精細腦分割的研究較少，本研究使用上海聯影醫療科技有限公司開發的人工智能全腦定量分析軟件，對結構MRI圖像進行自動精細腦分割及各腦區數據定量分析，進而分析DP致TLE患者各腦區結構特征的改變，指導臨床制定該類患者的個體化診療計劃。

1"資料與方法

1.1"一般資料

回顧性分析2017年1月—2023年12月就診于濟寧醫學院附屬醫院癲癇診療中心的35例耐藥性TLE患者的資料。患者研究納入標準：①依據《中國成人局灶性癲癇規范化診治指南（2022）》［12］確診為TLE者；②有TLE發作的典型臨床表現及與之對應的腦電圖證據者；③行標準前內側顳葉切除術（ATL）且術后病理診斷為DP者；④術前有高分辨MRI癲癇序列成像結果，術后行顱腦MRI或者CT檢查者。排除標準：①既往有顱腦手術史者；②MRI成像質量差或臨床資料不完整者；③DP與TLE灶非同側者。將上述患者設為TLE-DP組，另選擇同期行MRI檢查的32例健康成年人設為對照組。收集兩組受試者的年齡、性別、MRI圖像（T1WI 3D MPRAGE序列以及高分辨頭顱橫斷面及冠狀面的T1WI、T2WI、T2WI-FLAIR序列）結果，以及TLE-DP組患者的首次癲癇發作年齡、發作年限、發作類型、腦電圖結果及術后病理診斷結果。

1.2"圖像分析

將每位受試者的MRI圖像導入上海聯影醫療科技有限公司所研發的人工智能MRI圖像后處理軟件［11］進行自動精細腦分割，輸出結果如下：顳葉可分為22亞區（包括雙側海馬、海馬旁回、杏仁核、內嗅皮質、梭狀回、顳極、顳上回、顳中回、顳下回、顳上回坡部和顳橫回），額葉20亞區，頂葉12亞區，枕葉8亞區，扣帶回8亞區，島葉2亞區，皮質下灰質12亞區，以及腦白質、腦室、小腦及其他結構，共計106亞區。所有分割結果均由3位經驗超過十年的神經影像學診斷醫師進行復核。繼續使用該軟件通過腦區數據定量分析測量每位受試者腦區的體積、體積分數、腦皮質厚度、表面積及皮質曲率，以及海馬亞區體積、體積分數等。

1.3"統計學處理

采用SPSS 26.0軟件對數據進行統計學分析，符合正態分布的計量資料以±s表示，兩組間比較采用兩獨立樣本t檢驗，使用受試者工作特征（ROC）曲線評估MRI圖像后處理軟件對DP致TLE的診斷效能。以P＜0.05為差異具有統計學意義。

2"結""果

2.1"兩組受試者MRI圖像腦區數據定量分析結果比較

TLE-DP組35例患者，男12例，女23例；平均（29.29±1.91）歲；首次癲癇發作年齡（15.86±2.03）歲；發作年限（13.40±1.62）年；所有患者中局灶性發作32例，全面性發作3例；左側TLE 19例，右側TLE 16例。視頻腦電圖顯示15例患者左側腦區異常放電，15例患者右側腦區異常放電，5例患者存在多腦區異常放電。所有患者均行ATL治療，術后病理診斷均為HS合并FCD。對照組32例受試者，男17例，女15例；平均（26.53±1.54）歲。兩組受試者30個腦區體積、12個腦區體積分數、2個腦區皮質厚度、11個腦區皮質表面積、3個腦區皮質曲率，及21個海馬亞區體積和1個海馬亞區體積分數差異顯著（t=－2.151～3.882，P＜0.05）。見表1、2。

2.2"ROC曲線評估各腦區指標對DP致TLE的診斷效能

通過ROC曲線計算各腦區指標對DP致TLE診斷效能的曲線下面積（AUC），結果顯示在腦區體積中右側丘腦、胼胝體中部、左側腹側間腦、右側腹側間腦及右側顳下回，腦區皮質表面積中左側顳下回，海馬亞區體積中右側海馬前下托、左側海馬尾、右側海馬頭、右側齒狀回、右側海馬體、右側海馬傘、右側海馬CA4亞區、右側海馬尾、左側海馬體、右側海馬CA3亞區、右側海馬CA1亞區、左側海馬CA4亞區、左側海馬CA3亞區及右側海馬杏仁核過渡區對DP致TLE均有較高診斷效能（AUC=0.701～0.759）。見圖1。

3"討""論

既往研究發現，與單純HS致TLE相比，DP致TLE患者術后癲癇復發的風險更高，可能需要接受二次手術來改善癲癇發作的情況［7，13］。反之，當僅存一個致癇灶時，采取限制性手術可確保癲癇發作得到控制的同時減少患者神經及精神損傷［1，14-15］。因此，精準定位致癇灶是癲癇術前評估的重要部分，其直接影響手術預后［16］。探測致癇灶最常用的方法是發現患者腦形態學改變，MRI是各癲癇中心術

前評估腦形態結構改變的常規腦成像方法。基于

MRI圖像的腦精細分割和定量分析等后處理技術可更準確地提供患者病變腦區的信息。最初的自動腦分割技術主要基于MRI中T1WI信號強度將腦分割為三種不同的組織，即灰質、白質和腦脊液［17］。由于大腦結構的復雜性，僅基于MRI圖像信號強度的腦分割并不準確，形態、位置或方向等更多的信息需要添加到分割算法中。基于深度學習的自動腦分割技術在特定腦區分割中具備較高的計算效率和穩定性，但對大量不同腦區同時分割時腦區間界限劃分準確性稍低。本研究所使用的自動精細腦分割和定量分析軟件可通過多方位測算和局部修正，實現對各腦區界限的精準劃分［11，18］。

在本研究中，TLE-DP組較對照組受試者出現多腦區體積減小，以顳葉（海馬、海馬旁回、顳上回、顳中回和顳下回）為著。既往研究發現海馬體積減小與HS病程進展有關，即年輕或處于病變早期的DP致TLE患者MRI中海馬結構正常，病理檢查僅表現為少量神經細胞缺失［10］，而年長或者病程長者MRI圖像多表現為海馬體積萎縮，病理檢查多見大量神經細胞缺失和膠質細胞增生。本研究進一步對TLE-DP組受試者海馬亞區體積進行分析，發現多個海馬亞區體積減小，以CA1～4亞區和海馬前下托體積縮小為著，該結果可能對于評估DP致TLE中HS分型及患者語言記憶受損程度具有參考價值［19］。以往研究指出DP起病較早，在人腦發育階段即出現腦形態結構的異常改變［20-21］。本研究中TLE-DP組受試者腦體積減小幾乎累及了大部分顳葉腦區及部分顳葉外腦區，由此可推斷DP所影響的腦區中顳葉改變最大，是DP致TLE引發較明顯記憶、認知和語言功能障礙的主要原因，這與既往研究結果一致［6］。大量研究報道稱丘腦是參與TLE形成的神經環路中的重要神經核團，并與顳葉海馬、

顳上回、顳中回、梭狀回等存在神經連接［22-24］。本研究中TLE-DP組受試者丘腦體積明顯減小，提示TLE患者丘腦區存在明顯損傷，丘腦與顳葉神經連接強度減弱，協同性減低。本研究中TLE-DP組受試者大腦皮質厚度異常表現為顳上回皮質增厚，這與DP中FCD的分布位置相符合，且從結果推斷TLE-DP組受試者以FCD Ⅱ型為主，其病理表現為病變區皮質厚度增加，灰白質交界區模糊，病變區和皮質下白質可見膠質增生和脫髓鞘改變［25-26］。既往研究指出DP中FCD可發生在大腦任何部位，以額顳葉最多見，其中FCDⅡ型在MRI上典型影像學表現為皮質增厚，但FCD Ⅰ型在MRI上多表現為陰性結果，因此僅通過腦皮質厚度判斷FCD具有一定局限性。另外，本研究發現部分腦區體積、腦區皮質表面積和海馬亞區體積對DP致TLE的診斷效能較高，因此我們強調癲癇患者應盡早行MRI檢查，通過自動精細腦分割及腦區數據定量分析篩查DP致TLE高風險患者，并定位致癇灶［27-28］。

本研究存在一定局限性，首先本研究為單中心、回顧性研究，納入病例總數偏少，可能存在選擇偏倚；其次本研究僅篩選了DP致TLE患者及健康受試者進行對比研究，未將單純HS致TLE患者與DP致TLE患者進行對比。后續我們還會進行多中心研究擴大樣本量，用以篩選DP致TLE的影像組學特征。

綜上所述，自動精細腦分割技術可對腦MRI數據實現高速、準確提取，并可自動化輸出各腦區結構定量數據，對DP致TLE患者的診斷及致癇灶定位具有較高價值。

倫理批準和知情同意：本研究涉及的所有試驗均已通過濟寧醫學院附屬醫院科學倫理委員會的審核批準（文件號2023-07-C010）。所有試驗過程均遵照《赫爾辛基宣言》的條例進行。受試對象或其親屬已經簽署知情同意書。

作者聲明：孔鈺、劉瑞寒、劉春朝、孔慶霞參與了研究設計；孔鈺、劉瑞寒、姚磊、王淑貞參與了論文的寫作和修改。所有作者均閱讀并同意發表該論文，且均聲明不存在利益沖突。

［參考文獻］

［1］SCHNBERGER J， HUBER C， LACHNER-PIZA D， et al. Interictal fast ripples are associated with the seizure-generating lesion in patients with dual pathology［J］. Front Neurol， 2020，11：573975.

［2］LAMBERINK H J， OTTE W M， BLMCKE I， et al. Seizure outcome and use of antiepileptic drugs after epilepsy surgeryaccording to histopathological diagnosis： A retrospective mul-ticentre cohort study［J］. Lancet Neurol， 2020，19（9）：748-757.

［3］BLMCKE I. Neuropathology of focal epilepsies： A critical review［J］. Epilepsy Behav， 2009，15（1）：34-39.

［4］ASADI-POOYA A A， STEWART G R， ABRAMS D J， et al. Prevalence and incidence of drug-resistant mesial temporal lobe epilepsy in the United States［J］. World Neurosurg， 2017，99：662-666.

［5］WEST S， NEVITT S J， COTTON J， et al. Surgery for epilepsy［J］. Cochrane Database Syst Rev， 2019，6：CD010541.

［6］BARBA C， COSSU M， GUERRINI R， et al. Temporal lobe epilepsy surgery in children and adults： A multicenter study［J］. Epilepsia， 2021，62（1）：128-142.

［7］NOWAK A， BALA A. Occult focal cortical dysplasia may predict poor outcome of surgery for drug-resistant mesial temporal lobe epilepsy［J］. PLoS One， 2021，16（9）：e0257678.

［8］LUAN L， SUN Y Q， YANG K. Surgical strategy for temporal lobe epilepsy with dual pathology and incomplete evidence from EEG and neuroimaging［J］. Exp Ther Med， 2018，16（6）：4886-4892.

［9］KEMERDERE R， AHMEDOV M L， ALIZADA O， et al. Effect of temporal neocortical pathology on seizure freeness in adult patients with temporal lobe epilepsy［J］. World Neurosurg， 2018，116：e801-e805.

［10］MESRAOUA B， KOEPP M， SCHUKNECHT B， et al. Unexpected brain imaging findings in patients with seizures［J］. Epilepsy Behav， 2020，111：107241.

［11］GE Y Y， TANG Z Y， MA L， et al. Multi-scale and Focal region based deep learning network for Fine brain parcellation［M］//Machine Learning in Medical Imaging. Cham： Springer Nature Switzerland， 2022：466-475.

［12］中華醫學會神經病學分會，中華醫學會神經病學分會腦電圖與癲癇學組. 中國成人局灶性癲癇規范化診治指南［J］. 中華神經科雜志， 2022，55（12）：1341-1352.

［13］PEREIRA DALIO M T R， VELASCO T R， FEITOSA I D F， et al. Long-term outcome of temporal lobe epilepsy surgery in 621 patients with hippocampal sclerosis： Clinical and surgical prognostic factors［J］. Front Neurol， 2022，13：833293.

［14］SHEIKH S R， NAIR D， GROSS R E， et al. Tracking a changing paradigm and the modern face of epilepsy surgery： A comprehensive and critical review on the hunt for the optimal extent of resection in mesial temporal lobe epilepsy［J］. Epilepsia， 2019，60（9）：1768-1793.

［15］BAXENDALE S， THOMPSON P. Red flags in epilepsy surgery： Identifying the patients who pay a high cognitive price for an unsuccessful surgical outcome［J］. Epilepsy Behav， 2018，78：269-272.

［16］KIM D W， LEE S K， CHU K， et al. Predictors of surgical outcome and pathologic considerations in focal cortical dysplasia［J］. Neurology， 2009，72（3）：211-216.

［17］GONZLEZ-VILL S， OLIVER A， VALVERDE S， et al. A review on brain structures segmentation in magnetic resonance imaging［J］. Artif Intell Med， 2016，73：45-69.

［18］LIU S， JIE C， ZHENG W M， et al. Investigation of under-

lying association between whole brain regions and Alzheimer’s disease： A research based on an artificial intelligence model［J］. Front Aging Neurosci， 2022，14：872530.

［19］FISCHBACH L， BAUER T， DIERS K， et al. A novel geometry-based analysis of hippocampal morphometry in mesial temporal lobe epilepsy［J］. Hum Brain Mapp， 2023，44（12）：4467-4479.

［20］BALLERINI A， ARIENZO D， STASENKO A， et al. Spatial patterns of gray and white matter compromise relate to age of seizure onset in temporal lobe epilepsy［J］. Neuroimage Clin， 2023，39：103473.

［21］RCZ A， MLLER A M， SCHWERDT J， et al. Age at epilepsy onset in patients with focal cortical dysplasias， gangliogliomas and dysembryoplastic neuroepithelial tumours［J］. Seizure， 2018，58：82-89.

［22］龐曉敏，趙敬源，李昕融，等. 顳葉癲癇患者丘腦網絡異常與認知功能的相關性［J］. 中華行為醫學與腦科學雜志， 2022，31（2）：154-160.

［23］DIMENICHI B C， TRICOMI E. Increases in brain activity during social competition predict decreases in working memory performance and later recall［J］. "Hum Brain Mapp， 2017，38（1）：457-471.

［24］BUSCH R M， FLODEN D P， FERGUSON L， et al. Neuropsychological outcome following frontal lobectomy for pharmacoresistant epilepsy in adults［J］. "Neurology， 2017，88（7）：692-700.

［25］NAJM I， LAL D， VANEGAS M A， et al. The ILAE consensus classification of focal cortical dysplasia： An update proposed by an ad hoc task force of the ILAE diagnostic methods commission［J］. Epilepsia， 2022，63（8）：1899-1919.

［26］BLMCKE I， CORAS R， BUSCH R M， et al. Toward a better definition of focal cortical dysplasia： An iterative histopathological and genetic agreement trial［J］. "Epilepsia， 2021，62（6）：1416-1428.

［27］COHEN N T， CHANG P， YOU X Z， et al. Prevalence and risk factors for pharmacoresistance in children with focal cortical dysplasia——related epilepsy［J］. Neurology， 2022，99（18）：e2006-e2013.

［28］CHANG P， XIE H， ILLAPANI V S P， et al. Focal to bilate-

ral tonic-clonic seizures predict pharmacoresistance in focal cortical dysplasia-related epilepsy［J］. "Epilepsia， 2023，64（9）：2434-2442.

（本文編輯"范睿心"厲建強）