剖析FLAIR-DTI与传统DTI技术对构建大脑结构网络的影响.docVIP

剖析FLAIR-DTI与传统DTI技术对构建大脑结构网络的影响 　　扩散张量成像(diffusion tensor imaging, DTI)作为在活体内探测大脑白质纤维束结构与性质的一种非侵入性技术，目前已经被广泛应用于探索大脑组织的微观结构及大脑白质纤维束的组织特点。最近的研究表明，DTI 结合白质纤维束追踪方法已经使大脑白质纤维束的可视化及大脑连接模式的构建成为可能。近年来的大量研究均采用DTI 成像技术结合大脑白质纤维束追踪构建大脑的结构网络，并结合图论(graph theory)法分析大脑结构网络的拓扑学性质特点。这一方法已被应用于多种疾病引起的大脑神经机制紊乱的研究中。获得准确的DTI 数据是获得可靠的结果的前提，但在以往的DTI 研究中，脑脊液(cerebrospinal fluid, CSF)对结果的影响却往往被忽视。为了减少这一影响，既往的研究提出了两种解决方法：一种是采用液体衰减反转恢复序列(fluid-attenuated inversion recovery,FLAIR-DTI)进行扫描，以抑制CSF 信号;另外一种方法是构建一种新的数学模型(两种成分的张量模型)分析和处理DTI 数据。本研究分别使用FLAIR-DTI 与传统DTI 两种扫描方法采集DTI 数据，经过基于纤维束示踪法分别构建出大脑结构网络，并分析两者的差异，探讨CSF 对大脑结构网络的网络效率及其他拓扑学性质的影响。 　　1 对象和方法 　　1.1 对象 　　征集22 例健康在校大学生志愿者作为受试者，其中男10 例，女12 例，年龄18 ~ 29 岁，平均(20.05 plusmn; 2.73)岁，所有被试者均为右利手，无精神及神经病史，无脑外伤病史。本研究得到北京师范大学认知科学与学习国家重点实验脑成像中心伦理与人体保护委员会的批准，所有志愿者均签署了知情同意书。 　　1.2 仪器与方法 　　采用Siemens 3.0 T Trio MR仪，头部相控阵线圈，被试者仰卧，头部固定，佩戴耳塞以减轻机器噪音对实验的影响。所有被试者均使用传统DTI 与FLAR-DTI 两种扫描技术采集图像。采用单次激发自旋回波平面成像(spin-echo EPI)序列。传统DTI 扫描参数：TR 9000 ms，TE 92 ms，层厚2 mm，层间距0，层数68，矩阵128 times; 124，FOV 256 mm times; 248 mm，像素大小2 mm times; 2 mm times; 2 mm。FLAIR-DTI 扫描参数：TI 2250 ms，TR 1800 ms，其余参数与传统DTI 扫描一致。结构像扫描：T1WI 结构像扫描采用MPRAGE 序列：TR 1900 ms，TE 3.44 ms，TI 900 ms，反转角9deg;，体素大小1 mm times; 1 mm times; 1 mm;层数176。总扫描时间为20 min。 　　1.3 数据处理及分析 　　1.3.1 大脑结构网络构建 包含四个步骤。①节点的定义。大脑结构网络的节点是通过AAL 模版定义的。该模版把大脑皮层分为90 个脑区，经过空间配准和转化，获得在DTI 空间下的90 个脑区。②纤维追踪。通过软件DtiStudio(Version3.0.3)，获得每个被试的白质纤维束，其终止条件是各向异性参数FA lt; 0.20，追踪角度gt; 45deg;。③大脑网络边的定义。通过每对大脑网络节点之间的结构连接定义大脑结构网络的边。给定两个节点i 和j，如果它们之间有至少一根纤维束连接，就认为这两个节点是连接的。通过公式计算每条边的权重：(1)④大脑结构网络构建。DTI 空间下的90 个脑区作为大脑结构网络的节点，每个权重系数作为大脑结构网络的边，通过获得90 个脑区的连接矩阵，最终获得每个被试者的加权大脑结构网络。构建大脑结构网络的流程。 　　1.3.2 图论分析 图论是目前复杂网络分析领域最主要的研究工具。它由N 和M两个集合组成，N 代表节点，M 代表边。节点的大小代表网络的规模，边的多少代表网络边的总数。一个网络会有很多拓扑学参数来表示这个网络的性质与特点。本研究分析的全局参数包括4 个小世界参数(加权的集群系数Cw，加权的最短路径长度Lw，标准化的集群系数gamma;，标准化的最短路径长度lambda;)、两个网络效率的参数(全局效率Eglob，局部效率Eloc)以及网络的稀疏度(sparsity, S)。局部参数主要为节点度(Ki)和节点效率(Ei_glob)。其中，集群系数衡量的是网络的集团化程度，是度量网络的另一个重要参数，表示某一节点i 的邻居间互为邻居的可能。最短路径对网络的信息传