局灶性腦皮質發育不良 II型的多模態腦影像特徵

蒙特利爾神經科學研究所和醫院（Montreal Neurological Institute and Hospital）的Andrea Bernasconi等人在Neurology雜誌發表了通過多模態影像數據預測局灶性腦皮質發育不良IIA型的研究。研究者在結構和功能模態結合的基礎上提出了多表面的方法，在形態學、強度、微結構和功能層面對局灶性腦皮質發育不良（Focal Cortical Dysplasia, FCD）II型進行了分析。該方法能夠在中尺度層面上對FCD亞型進行鑒別，並將病理特徵與病灶檢測相結合，在一定程度上為病灶邊界確定提供了客觀定義。

關鍵字：多模態局灶性腦皮質發育不良II型SVM 機器學習

局灶性腦皮質發育不良（Focal Cortical Dysplasia, FCD）II型是一種發育畸形，主要表現為皮層內神經細胞異常（intracortical dyslamination and dysmorphic neurons），臨床上可以劃分為FCD-IIA和FCD-IIB亞型。儘管二者在細胞形態學上存在明顯的差異，但是FCD亞型在傳統的MRI成像中很難區分。研究人員在融合形態學和組織學的多模態MRI分析的基礎上，提出了多表面的方法來系統地評估皮層和皮層下的病變特徵。

本研究共招募了33名患有FCD-II型疾病的病人，包括9名FCD-IIA型和24名FCD-IIB型病人。所有的FCD病人均經過臨床診斷並獲得相應的臨床指標（severity of cortical dyslamination，blurring of cortical interface，gliosis）。同時，該研究招募了性別和年齡匹配的41名健康人和24名具有耐藥性顳葉癲癇的病人（drug resistant temporal lobe epilepsy）作為對照組。統計、臨床和組織學信息如下表1所示。

針對每個被試，本研究使用西門子（32通道）MRI掃描儀採集多模態磁共振影像數據，所用序列包括3D weighted-T1（3D T1-weighted magnetization-prepared rapidgradient echo）、FLAIR), 3D fluid-attenuated inversion recovery）、d-MRI（2D twice-refocused echoplanar diffusion-weightedimages with axial slices）和rs-fMRI（resting-state functional MRI with oblique axialorientation）。如圖1所示。

表1. 統計、臨床和組織數據

針對多模態數據，本研究的數據處理流程如下：

預處理。針對不同的MRI模態，研究者採用相應的通用預處理流程對數據進行了預處理。

皮層表面構建。本研究採用CLASP演算法對T1像進行預處理，以生成灰質-白質和灰質-腦脊液的表面模型。值得注意的是，為評估皮層內的灰質，研究者針對不同程度的（25%，50%和75%）內外層皮層厚度構建3個皮層表面；為評估皮層下的白質，本研究通過拉普拉斯場（Laplacian field）引導生成了皮層表面，該表面位於灰質-白質交界面和腦室之間，其表面皮層間隔與每種模態的影像的解析度匹配。如圖1所示。

基於皮層表面的特徵提取。基於先前的研究，研究者對配准好的結構像分割病灶區，並生成基於皮層表面的損傷標籤。

然後，研究者提取了結構像、DTI像、功能像等的一系列特徵。如圖1所示。特徵分別如下：

（1）形態特徵：皮層厚度（cortical thickness）、腦溝深度和曲率（Sulcal depth and curvature）。

（2）基於強度的特徵：標準化的強度（Normalized intensity）和梯度（gradient）；

（3）彌散參數：部分各向異性指數（fractional anisotropy, FA）和平均彌散率（mean diffusivity，MD）；

（4）功能特徵：低頻振蕩振幅（amplitude of low-frequency fluctuations, ALFF）和局部一致性（regional homogeneity，ReHo）。

圖1多模態影像數據處理

4.統計分析。研究者針對提取的多表面的特徵和頂點的幾何距離在不同FCD亞型之間以及亞型與對照組之間進行了統計檢驗，同時，研究者對組織學得分和結構MRI的特徵（cortical dyslamination, blurring and gliosis）進行多項式邏輯回歸和相關性分析。

5.組織學亞型的預測。研究者採用支持向量機（support vector machine, SVM）多分類器來評估MRI影像對FCD亞型的識別能力。其中，採用不同的特徵組合來評估分類器性能：（1）單模態全局特徵（在所有皮層表面進行平均）；（2）多模態全局特徵；（3）多模態和多表面特徵；（4）多模態、多表面和基於距離的特徵。另外，研究者還採用5和10折交叉驗證來進行特徵選擇、模型訓練和性能評估。

研究結果

首先，通過多模態影像數據對病灶的刻畫，研究發現相對對照組言，FCD-IIB型在所有的皮層和皮層下表面呈現FLARI的強度增加，而僅在皮層下呈現3D weighted-T1的強度減弱。同時，加權T1和FLAIR頂點梯度在所有皮層內表面上和灰質-白質交叉處減少。同時，病灶區也呈現MD的增加，ALFF和ReHo指數的降低，以及皮層厚度和腦溝深度的增加。但與對照組相比，FCD-IIA亞型病人經過多重比較校正後未在形態學、彌散和功能特徵上呈現顯著差異。但在未校正的閾值（p

圖2.多表面病灶分析

其次，基於距離的分析表明，結構的皮層特徵從距離病灶邊界6mm時就開始出現反常，同時功能和皮層下彌散改變在距離病灶邊界16mm時也已經出現。如圖3所示。IIB亞型具有更明顯的異常標記，除了FLAIR垂直梯度和皮層下的強度。相反，僅在IIA亞型中，降低的皮層FA擴展到病灶邊界的6mm外，表明病灶周圍的異常範圍與病灶的體積無關。

圖3基於距離的病灶周長的分析

再者，通過Histology-MRI分析表明FCD-IIB型比IIA型有更多的標誌性的組織反常（test，p 2=0.71，P2=0.73，P2=0.55，P

最後，通過FCD亞型的預測分析表明，結合多表面和基於距離的特徵在多分類的SVM中具有最優的表現，其中在健康對照組中（5-fold：87%4%，McNemar test：p = 0.03；10-fold：91%4%，p = 0.02）和在疾病對照組中（5-fold：86%4%，p

圖4.分類精度

本研究提出的多表面分析的方法能夠將多模態影像數據融合併進一步分析FCD-II型在形態、強度、微結構和功能上的改變。同時，針對由於缺少數字化的組織樣本而不能在MRI和組織學之間定量比較的難題，本研究提取的表徵FCD類別變化的影像標記具有在中尺度上研究組織病理的能力。機器學習模型能夠準確地預測FCD的亞型，這驗證了個體水平上的群體差異。研究者表示將在未來的研究中進一步評估該方法在多個成像平台的上的可推廣性和擴展性。

一句話總結：本文十分全面地考慮了各種模態的影像數據，提取出了形態、組織、功能上的各種特徵並做了詳細探討；結合了多種特徵後，針對FCD亞型的SVM分類模型也有了更高的預測精度。

參考文獻：Hong S J, Bernhardt B C, Caldairou B, et al.Multimodal MRI profiling of focal cortical dysplasia type II[J]. Neurology,2017, 88(8): 734-742.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！