编辑推荐:
扩散MRI中的微结构成像方法研究,提出基于球谐系数比值与机器学习结合的Microscopic Propagator Imaging(MPI)技术,通过分离组织微观结构(如轴突、细胞体)与 mesoscopic 方向排列的影响,生成更直接反映微结构存在、完整性和形态的指数。实验表明该方法在合成数据与真实脑部数据中均表现可靠,可区分脑区微结构差异。
托马索·扎亚克(Tommaso Zajac)|格洛丽亚·梅内加兹(Gloria Menegaz)|马可·皮佐拉托(Marco Pizzolato)
意大利维罗纳大学创新医学工程系
摘要
微观传播体成像(Microscopic Propagator Imaging,MPI)是一种新型的扩散磁共振成像技术,用于估计微观传播体的属性,这些属性被称为指数。微观传播体是指水分子在组织微结构中的位移概率分布。与传统平均表观传播体方法不同,MPI旨在减少指数对介观因素(如轴突方向分散)的敏感性,从而生成的诊断图像能更直接地反映微结构的存在、完整性和形状,而不仅仅是它们在体素内的方向排列。该技术通过机器学习框架实现,利用多壳层扩散数据的球谐系数之间的区域相关性,将数据映射到微观传播体指数上。应用于人脑数据时,MPI能够提供可靠的体素级估计结果,所得图像显示出预期的空间模式,并与相应的平均表观传播体指数存在系统性差异。这些发现表明,MPI提供了传统传播体方法所不具备的、特定于微观层面的补充信息,有望改进脑组织微结构的表征。
引言
利用扩散磁共振成像(dMRI)获得信息的最重要方法之一是计算每个体素中的集合平均传播体(Ensemble Average Propagator,EAP)[1]。EAP编码了体素内水分子(自旋)扩散的概率信息。由于水分子与轴突、细胞和其他微结构的边界及膜之间的相互作用,这些概率信息实际上反映了微结构本身的几何特性(如体积占比、大小和形状)。这些特性决定了EAP指数的值,这些指数是总结EAP特定特征的标量描述符。常用的指数包括返回原点/轴线/平面概率(Return-to-Origin/Axis/Plane-Probabilities,RTOP、RTAP、RTPP)和非高斯性(Non-Gaussianity,NG),后者衡量EAP与高斯分布的差异程度。这些指数使我们能够直观理解和比较不同脑区之间的EAP差异,并表征扩散过程。例如,RTOP与常见的扩散张量成像(Diffusion Tensor Imaging,DTI)指数“平均扩散率”(Mean Diffusivity,MD)[2]有关。当MD较高时(例如在脑室中,脑脊液扩散受到的阻碍较小),RTOP也较高;反之亦然。与将dMRI信号解释为预定义水腔贡献之和的生物物理模型不同,EAP方法力求保持“不依赖特定腔室”的立场,因此几乎不做此类假设。
然而,dMRI文献中明确提到了水腔的存在,如轴突和细胞体。特别是轴突膜会导致测量到的扩散过程在轴突内和轴突外空间都呈现局部各向异性[3]。这种局部各向异性通常被称为“微观”各向异性,但在考虑体素内众多轴突时会被“减弱”。实际上,在体素层面测量的各向异性(例如分数各向异性)会因组织的介观结构(如纤维以不同角度交叉或轴突轨迹的曲率)而降低。EAP指数也是如此。例如,虽然轴突的返回轴线概率(RTAP)值通常较高(大致与轴突径向扩散率和轴突直径成反比),但由于介观结构的影响,EAP的RTAP值较低。由于经典EAP指数同时受到不同微结构存在/大小/形状及其在体素内方向排列的影响,因此可能存在歧义。
本文旨在证明可以获取“微观传播体”的指数,这是一种忽略组织介观结构影响的EAP版本。因此,与EAP相比,微观传播体指数对不同微结构的存在/大小/形状更敏感。借鉴应用于腔室模型的旋转不变量数学方法[4, 5, 6, 7],微观传播体成像(MPI)将微结构的介观方向依赖性封装在一个方向分布函数(Orientation Distribution Function,ODF)中。然后,它量化旋转信号核的集合平均传播体指数,通过与ODF的卷积“重构”测量的dMRI信号。简而言之,MPI将经典EAP视为微观传播体(包含所有关于微结构形状、数量和大小的信息)与ODF(包含微结构在体素内方向排列的信息)卷积的结果。因此,MPI指数可以帮助我们判断异常低的(经典)RTAP是由于轴突在体素内的非典型方向排列,还是由于轴突、细胞及其他微结构的存在/大小/完整性改变所致。在这种情况下,MPI指数可以补充现有的各种EAP方法提供的信息。
我们描述了一个获取MPI指数的通用框架,并首先在通过综合腔室模型得到的合成数据上进行了验证。该模型涵盖了所有典型的微结构及其典型大小。重要的是,尝试使用此类模型从dMRI数据中反推参数通常会导致参数不确定性[8]。尽管如此,我们证明了MPI指数对参数不确定性具有鲁棒性。实际上,信号核甚至可以通过更复杂的方法(如蒙特卡洛模拟)获得。
在MPI中,dMRI信号在q空间中对多个壳层进行采样,这是平均表观传播体MRI(Mean Apparent Propagator MRI,MAP-MRI)[9]等EAP方法的要求。MPI指数通过不同壳层球谐系数之间的数学关系得出,特别是那些具有相同区域级别的系数。这些关系产生了区域比率(Zonal Ratios),这些比率与ODF无关,仅依赖于旋转信号核。因此,区域比率也必然依赖于微观传播体,因为它们通过傅里叶变换与信号核相关。目前没有关于区域比率与微观传播体指数依赖性的封闭形式解。因此,从生物物理模型出发,区域比率和MPI指数是合成生成的,两者之间的映射通过机器学习(ML)回归解决。具体来说,我们合成生成了信号核及其与方向分布函数卷积后的信号。MPI指数是我们所需的“标签”,对应于从信号核获得的集合平均传播体指数,而输入到ML回归器的“特征”包括从卷积信号计算出的区域比率。通过训练随机森林回归器来学习特征与标签之间的映射,然后将其应用于真实dMRI数据提取的特征。虽然生物物理建模、合成信号生成和回归方面做了特定选择,但这些选择旨在展示整个框架的可行性和性能。不过,我们的MPI框架背后的各个组成部分可以根据需要进行改进或替换。
部分摘录
理论
经典的集合平均传播体(EAP)[10]描述了水分子质心的位移概率分布。这些位移发生在脉冲梯度自旋回波(Pulsed Gradient Spin-Echo,PGSE)序列的第一和第二梯度脉冲之间[11],位移距离由球坐标系中的方向和指定。