正常成人脑部结构、静息态功能和弥散张量磁共振成像的可重复性分析

吕艳秋 郑丹丹 胡迪 程华 胡格丽 彭芸

功能性脑成像是神经科学研究中常用的一种技术，在识别大脑中负责感觉、运动控制和认知等功能的区域［1］及发现由疾病引起的脑功能的改变发挥了重要的价值［2-3］。由于长时间和多中心方法在临床研究中的应用越来越多，纵向MR研究对于研究病理生理条件或治疗后大脑的结构和功能变化越来越重要，因此，不论是横向多参与单位联合的多中心研究项目，还是纵向长时间对比的研究项目，都对检测结果的稳定性和可重复性有强依赖性。本研究通过计算在神经退行性疾病中常用且特别重要的7个皮质下结构的体积［4］、5个常用静息态功能磁共振成像（rest state functional magnetic resonance imaging， rs-fMRI）脑网络的时间信噪比（temporal signal-to-noise ratio，tSNR）及弥散张量成像（diffusion tensor imaging，DTI）的各向异性分数（fractional anisotropy， FA）值，探讨正常成人脑部结构像、rs-fMRI和DTI采用同一扫描仪和不同扫描仪的可重复性。

方法

1. 临床资料

招募健康志愿者6名（男：4名；女：2名），年龄为24～32岁。所有受试者均为右利手，均受过高等教育，既往体健。排除标准：颅脑外伤，脑部器质性病变，精神类疾病史，近期服用过精神类药物或激素。所有受试者均在2台扫描仪上各进行2次采集；不同扫描仪上同一天进行，同一扫描仪上隔1周进行，用以评估不同扫描仪的和同一扫描仪的可重复性。对于每个受试者，2台扫描仪的扫描时间大致相同。研究人员建议受试者在扫描当天禁止剧烈运动和饮用含咖啡因类饮料［5］。扫描前，所有受试者均获得书面知情同意。

2. MR检查方法

所有数据均采用Philips Achieva TX 3.0 T和Philips Ingenia CX 3.0 T磁共振扫描仪进行采集，对应的采集线圈分别为8通道颅脑线圈和15通道dstream颅脑线圈。扫描序列包括高分辨率脑容积结构3D T1W序列、静息态脑功能成像序列rs-fMRI及单次激发自旋回波平面成像（SE-EPI）的DTI序列。扫描参数如下：

（1）矢状位3D T1W：TR/TE= 8.3 ms/3.8 ms（Ingenia CX）、7.3 ms/3.4 ms（Achieva TX），翻转角=80°，体素=1 mm×1 mm×1 mm，信号平均次数（NSA）为1，层数为170。

（2）轴位rs-fMRI：TR/TE=2000 ms/24 ms，翻转角=60°，体素=3.44 mm×3.44 mm，层厚3 mm，层间距1 mm，层数为40，NSA为1，每次采集200个时间点。

（3）轴位DTI：TR/TE=9000 ms/85 ms，翻转角=90°，体素=2 mm×2 mm，层厚2 mm，层间距1 mm，30个弥散敏感梯度方向，b值为0、1000 s/mm2，NSA为1，层数为74。数据采集过程中，被试头部用海绵垫固定来减少头动，整个扫描过程中，要求闭上眼睛并保持清醒放松状态，不思考事情。

3. 数据处理

在分析之前，所有MR图像都经过经验丰富的影像科医师阅读，所有受试者均未发现任何形态学异常，同时，确定信号均匀性和排除伪影干扰，包括奈奎斯特重影，运动和涡流伪影。

3.1 3D T1W结构像处理

采用开源工具FreeSurfer V6.0 （Martinos Center for Biomedical Imaging， Harvard-MIT， Boston-USA）软件分析健康志愿者的高分辨率3D T1W结构像，首先经过标准化、颅骨剥离、空间配比，然后进行分割。FreeSurfer自动识别丘脑（右）、豆状核（右）、海马（右）、杏仁核（右）、脑干、白质（white matter， WM）和脑脊液（cerebrospinal fluid， CSF）作为感兴趣区（regions of interest，ROI），最后分别获得7个ROI的体积数据。

3.2 rs-fMRI数据处理

通过rs-fMRI数据处理助手DPARSFA（Data Processing Assistant For Resting-State fMRI Advanced Edition；http：//rfmri.org/DPABI）软件包进行预处理。先将DICOM格式数据源转换为NIFTI（神经影像技术方案）格式。预处理步骤如下：

（1）去除前10个时间点数据，在扫描初始阶段，考虑磁化矢量不稳定及受试不适应等影响，去掉前10个时间点数据。

（2）头动校正。不同图像对齐，所有受试者在X，Y，Z任一坐标轴方向头动平移小于2 mm且围绕任一坐标轴方向旋转小于2°。

（3）空间标准化。借助3D T1W结构像将功能数据标准化至MNI空间，以便进行组水平统计分析。

（4）空间平滑。对数据采用8 mm×8 mm×8 mm全宽半高的高斯平滑核进行空间平滑提高信噪比并减少配准误差。

对于静息态功能数据，ROI内的tSNR被估计为ROI内所有体素的平均信号除以时间上的标准偏差的比率［6］。此次分析了5个功能网的tSNR，即灰质（grey matter， GM）、默认网络（default mode network， DMN）、腹侧注意力网络（ventral attention network， VAN）、视觉网络（visual network， VIS）和感觉运动网络（somatomotor network， SM）。

3.3 DTI数据处理

对于DTI数据，由于胼胝体是衰老中研究最多的白质结构之一，且其不同节段受衰老的影响并不均匀［7］，所以本研究利用FSL（FMRIB Software Library，http：//www.fmrib.ox.ac.uk/fsl）软件，经过涡流矫正，去除非脑组织以及拟合等预处理后［8］，并拟合DTI模型，最后提取FA值、MD值；然后使用FSL中的‘flirt’和‘fnirt’将原始的FA值和MD值转化到JHU-ICBM-FA-1 mm模板；使用JHU-ICBM-1 mm图谱自动分割胼胝体的3个代表性区域，即胼胝体膝部（genu of corpus callosum， GCC）、胼胝体体部（body of corpus callosum， BCC）和胼胝体压部（splenium of corpus callosum， SCC），并分别标记为3、4、5索引（图1）。然后计算GCC、BCC、SCC和全脑的FA值的平均值和标准差。

图1 转换为U-ICBM-FA-1 mm模板后胼胝体区域的自动划分通过软件配准分割完成的胼胝体分区，分别标记为3、4、5索引，3～5分别代表胼胝体膝部、胼胝体体部及胼胝体压部

4. 统计学分析

利用SPSS 19.0统计软件进行数据处理和统计学分析。采用组内相关系数（intra-class correlation coefficient， ICC）测量数据的可重复性。ICC采用绝对一致且单一度量的双向随机模型评估测量值之间的绝对一致性。ICC＜0.20为重复性较差，0.21～0.40为重复性一般，0.41～0.60为重复性中等，0.61～0.80为重复性好，0.81～1.0为重复性非常好。

结果

1. 3D T1W结构像不同脑区体积一致性分析

对于3D T1W结构像数据，同台扫描仪在各个脑区测量体积中均具有较好至非常好的可重复性（表1），其中扫描仪1在右侧海马、脑干和白质的ICC分别为0.90、0.94和0.98，扫描仪2在脑干和白质的ICC分别为0.91和0.98。扫描仪1在右侧杏仁核的ICC为0.71，低于其他脑区，而扫描仪2在右侧海马的ICC为0.81，低于其他脑区。对于3D T1W结构像数据，2台扫描仪在各个脑区测量体积中除了右侧杏仁核重复性为较好外（ICC=0.73），在其余6个脑区的可重复性均为非常好（表2），其中脑干和白质的ICC值均为0.98，右侧豆状核的ICC值为0.97，右侧海马的ICC值为0.96。

表1 同台扫描仪测量的不同脑区体积的时间一致性比较

表2 2台扫描仪在不同脑区测量体积的机器间一致性比较

2. rs-fMRI不同网络的tSNR一致性分析

对rs-fMRI，分析了5个常见的功能网络的tSNR。计算了2台扫描仪的不同时间的不同网络的tSNR的平均值和标准差，并进行同台扫描仪及不同扫描仪间的ICC值评估。同台扫描仪，在感觉运动网络（SM）中的tSNR均表现出最高的可重复性（扫描仪1：ICC=0.85；扫描仪2：ICC=0.87），而在默认网络（DMN）中，只获得较好的可重复性（ICC=0.67和ICC=0.68），详见图2。2台扫描仪在不同功能网络的tSNR机器间可重复性分布在中等到较好的区间（表3）。

表3 2台扫描仪在不同功能网络的tSNR机器间一致性比较

图2 同台扫描仪不同时间点的5个功能网络tSNR的平均值和标准误差及相应的ICC值

3. DTI数据FA的一致性分析

在DTI中，同台扫描仪在GCC和BCC区域，FA值具有较好的可重复性，而在SCC和全脑分析中，FA值均有非常好的可重复性，其中在全脑分别达到0.91和0.90（表4）。在不同扫描仪间的可重复分析中，全脑、BCC和SCC中FA值的ICC分别为0.92、0.98和0.81。然而，GCC区域FA值的ICC值仅为0.45（表5）。

表4 同台扫描仪测量的不同脑区FA值的时间一致性比较

表5 2台扫描仪测量的不同脑区FA值机器间一致性比较

讨论

本研究报告了一组用于量化结构像、rs-fMRI和DTI的可重复性的指标，无论是在2个时间点的同一扫描仪之间还是在2个不同的扫描仪之间，对于体积数据的度量都是高度可重复的。rs-fMRI数据分析显示受试者网络在除DMN以外均具有较稳定的时间信噪比。全脑各向异性分析时，在不同扫描仪和同一扫描仪中，FA的测量值差异很小，然而，当进一步分析时，GCC中FA的可重复性在不同扫描仪上表现一般，这可能受到配准和分割的影响。在分析数据时，特别是涉及DMN和GCC分析时，需考虑rs-fMRI和DTI成像相关研究中不同扫描仪的影响。这些发现为跨机型设备的纵向工作，特别是脑结构定量研究提供了统计验证，为多中心和纵向功能性脑成像的研究提供了参考。

通过研究得出，在相同场强情况下，即使采用不同扫描仪，在不同的扫描时间，使用FreeSurfer自动分割软件从大脑结构MRI数据得出的人类皮质下定量体积，依然具有显著的可重复性，该结论与Jovicich等［9］的研究结果基本一致。相对而言，杏仁核的一致性低于其他区域，可能由于其解剖结构较小，更易受误差影响。

在静息态研究中，tSNR是影响rs-fMRI可靠性的一个重要因素，可以很好地衡量功能图像质量［10］。此次研究选择多个常用静息态网络而不是解剖ROI来计算tSNR，主要考虑网络表现出相似或相干的自发波动，而小的解剖ROI由于配准问题可能会引入额外的误差。Huang等［11］的研究中，DMN网络的可重复性低于与ATT网络，与本文结果中DMN网络可重复性较差类似。然而，与T1和DTI测量不同，连接强度在很大程度上取决于数据收集期间受试者的生理认知状态，因此它可能不是测试成像硬件可靠性和环境变化的合适度量。

使用基于ROI的分析，Vollmar等［11］的研究表明，使用2台相同的3T扫描仪，在设备内和设备间重新扫描之间，FA测量值的变化始终很低。本研究结果显示，在不同扫描仪之间的比较中，GCC的可重复性相对其他区域较差，这与Huang等［10］的研究中，SCC表现差于其他脑区的结果比较接近。这可能是由于ROI选择、扫描仪类型、场强、线圈、方向数量、数据分析和个体差异的不同所带来的结果偏差，尤其是胼胝体进行亚分区之后，更易受到配准和分割方案的影响。

国内外已有不少研究对功能性磁共振脑成像的质量控制方法或者可重复性评价进行了探讨［13-15］。相比以往研究，此次研究在2台不同的扫描仪上进行，且对于结构像数据通过标准模板配准和自动分割，进行了更多脑区的细致分析；分析了rs-fMRI中多个常见网络，并指出不同网络中存在的时间信噪比差异；而在DTI分析中，重点分析了胼胝体的FA值可重复性。此次研究存在以下不足：首先，由于没有ACR标准水膜，无法计算相应的ACR标准参数，因此未进行膜体实验；其次，本研究为样本量较少的单中心研究，且涉及机型不够丰富，建议未来进行大规模的多站点重复性研究。