CN113712530A - 对阿尔茨海默病的扩散磁共振成像处理方法 - Google Patents
对阿尔茨海默病的扩散磁共振成像处理方法 Download PDFInfo
- Publication number
- CN113712530A CN113712530A CN202010449173.7A CN202010449173A CN113712530A CN 113712530 A CN113712530 A CN 113712530A CN 202010449173 A CN202010449173 A CN 202010449173A CN 113712530 A CN113712530 A CN 113712530A
- Authority
- CN
- China
- Prior art keywords
- diffusion
- image
- magnetic resonance
- resonance imaging
- adc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 70
- 238000009792 diffusion process Methods 0.000 title claims abstract description 53
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 210000001320 hippocampus Anatomy 0.000 claims abstract description 18
- 230000002146 bilateral effect Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 230000004886 head movement Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 19
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 241001112258 Moca Species 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 4
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000004776 molecular orbital Methods 0.000 claims description 3
- 238000001543 one-way ANOVA Methods 0.000 claims description 3
- 238000000692 Student's t-test Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000002598 diffusion tensor imaging Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 208000010877 cognitive disease Diseases 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 208000027061 mild cognitive impairment Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 1
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000003376 axonal effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000005821 brain abnormality Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000002682 neurofibrillary tangle Anatomy 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 102000013498 tau Proteins Human genes 0.000 description 1
- 108010026424 tau Proteins Proteins 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurology (AREA)
- Radiology & Medical Imaging (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Hospice & Palliative Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
对阿尔茨海默病的扩散磁共振成像处理方法,首先在3D T1图像上勾画出感兴趣区ROI,将勾画好的T1图像配准到dMRI图像中,随后计算出双侧海马的α,H,μ和ADC的平均值,然后使用FSL工具对获得的图像进行头部运动和涡流畸变校正,使用b值为0和954s/mm2时获得的图像计算ADC值,采用FM模型对图像进行分析以获取异常扩散参数,根据基于FM模型的dMRI理论获得由扩散引起的信号衰减,再进行统计学分析获得结果,因此能够较好地反映生物活细胞扩散过程,达到真正信号衰减曲线和拟合曲线之间的最佳一致性。
Description
技术领域
本发明涉及医学图像处理的技术领域,尤其涉及一种对阿尔茨海默病的扩散磁共振成像处理方法。
背景技术
阿尔茨海默病(Alzheimer's disease,AD)是一种复杂而常见的神经退行性疾病,其特征是记忆丧失和认知功能下降。根据世界卫生组织(World Health Organization,WHO)的数据,痴呆影响了全世界近4750万人,并且每年仍会增加大约770万新病例。阿尔茨海默病是最常见的痴呆类型,在这些病例中可能占60-70%,阿尔茨海默病对患者的日常生活造成了重大影响。AD的发病机制非常复杂,主要包括β淀粉样蛋白(Aβ)和过度磷酸化tau蛋白的形成分别导致Aβ斑块和神经原纤维缠结形成,进而导致神经元死亡。现在AD的诊断较复杂并且准确率不高,因此在临床研究中开发一种有效的AD诊断方法十分重要。
扩散磁共振成像(diffusion magnetic resonance imaging,dMRI)是一种可以描述生物组织中水分子随机运动的强大工具,它能够提供关于组织微观特性的独特信息,并对检测大脑灰质和白质的变化高度敏感。水分子在神经系统中的扩散过程是有方向性的。这种方向依赖,即各向异性,主要是由于固有的轴突膜阻碍水分子的扩散和轴突的密集堆积导致。在微米水平上测量水分子扩散的各向异性能够反映微观结构的变化。
与其他磁共振成像方法相比,dMRI研究细胞水平水的扩散过程,远优于传统的毫米级分辨率图像。目前临床上应用最广泛的dMRI技术之一是表观扩散系数(apparentdiffusion coefficient,ADC),dMRI获得的b值在0~1000s/mm2之间。ADC的临床应用广泛,可用于鉴别脑肿瘤和对肿瘤进行分级,也可用于鉴别轻度认知障碍(mild cognitiveimpairment,MCI)和AD患者。扩散张量成像(diffusion tensor imaging,DTI)是研究中广泛应用的dMRI技术之一。从DTI中获得的分数各向异性(fractional anisotropy,FA)和平均扩散率(mean diffusivity,MD)是MCI和AD患者脑异常的潜在生物标志物。然而,ADC和DTI都有一定局限性。首先,传统的dMRI采用单指数模型,它假设生物组织中存在规则的扩散过程。然而许多研究发现观测到的dMRI信号衰减曲线偏离了单指数形式。而ADC和DTI均基于常规的单指数扩散模型,观测到的扩散时间反映了扩散的非高斯性质。二是DTI张量模型过于简单,这意味着其各项指标受微观结构的许多特征的影响。为了解决这一问题,许多基于不同理论和反常扩散过程的模型被开发出来,以找到真正信号衰减曲线和拟合曲线之间的最佳一致性。这些模型能对疾病类型和分级进行更详细的检测,但其信号衰减曲线仍不太匹配。
发明内容
为克服现有技术的缺陷,本发明要解决的技术问题是提供了一种对阿尔茨海默病的扩散磁共振成像处理方法,其能够较好地反映生物活细胞扩散过程,达到真正信号衰减曲线和拟合曲线之间的最佳一致性。
本发明的技术方案是:这种对阿尔茨海默病的扩散磁共振成像处理方法,其包括以下步骤:
(1)图像获取:在磁共振扫描仪上,使用8通道头线圈,使用Stejskal-Tanner单次自旋回波平面成像序列获得所有受试者的dMRI图像;
(2)左右侧海马被选为感兴趣区ROI,首先在3D T1图像上勾画出ROI,然后将勾画好的T1图像配准到dMRI图像中,随后计算出双侧海马的α,H,μ和ADC的平均值,α指诺亚指数,量化随机过程的波动,当α=2时增量是高斯分布,而当0<α<2时增量是Lévy分配;Η是赫斯特指数,描述分子轨道的自相似性;μ是记忆参数,且μ=Η-1/α,当μ>0时,增量呈正相关且为长程依赖,而当μ<0,增量是负相关且为短程依赖;
(3)使用FSL工具对获得的图像进行头部运动和涡流畸变校正,使用b值为0和954s/mm2时获得的图像计算ADC值,采用FM模型对图像进行分析以获取异常扩散参数,根据基于FM模型的dMRI理论,由扩散引起的信号衰减通过公式(1)计算:
Dα,Η指反常扩散的扩散系数,γ指旋磁比,G0指扩散梯度幅值,Δ指梯度分离时间,η指一个无量纲数,是由α,H,δ和Δ确定的;
(4)采用单因素方差分析比较轻度AD患者、中度AD患者和健康对照者这三组在年龄、受教育程度和MMSE评分方面的差异,数据用均数±标准差来表示,性别采用卡方检验进行比较,P值<0.05为差异有统计学意义。
本发明首先在3D T1图像上勾画出感兴趣区ROI,将勾画好的T1图像配准到dMRI图像中,随后计算出双侧海马的α,H,μ和ADC的平均值,然后使用FSL工具对获得的图像进行头部运动和涡流畸变校正,使用b值为0和954s/mm2时获得的图像计算ADC值,采用FM模型对图像进行分析以获取异常扩散参数,根据基于FM模型的dMRI理论获得由扩散引起的信号衰减,再进行统计学分析获得结果,因此能够较好地反映生物活细胞扩散过程,达到真正信号衰减曲线和拟合曲线之间的最佳一致性。
附图说明
图1示出了左右侧海马被选为感兴趣区。
图2示出了一个AD患者(第一行,58岁男性)和一个健康对照组(第二行,60岁男性)的轴位T1加权图像、α、H、ADC图,肉眼所见双侧海马在AD患者和健康对照者之间未见明显差异。
图3示出了AD患者与健康对照组之间的比较。散点图(A)和表(B)显示α和ADC值可以鉴别AD患者和健康对照组,而H和μ值在鉴别二组时未见明显统计学差异。AD组共24人,健康对照组共11人。采用双样本t检验,P<0.05为差异有统计学意义。
图4示出了轻度AD和中度AD患者之间的比较。散点图(A)和表(B)显示α和ADC值可以鉴别二组,而H和μ值在鉴别二组时未见明显统计学差异。轻度AD患者共12人,中度AD患者共12人。采用双样本t检验,P<0.05为差异有统计学意义。
图5示出了由α,ADC,α+ADC组成的ROC曲线图以鉴别AD患者(n=24)和健康对照者(n=11)。如图所示α+ADC的曲线下面积(AUC=0.848,左侧ROI;AUC=0.856,右侧ROI)高于单独α和单独ADC。
图6示出了由α,ADC,α+ADC组成的ROC曲线图以鉴别轻度AD患者(n=12)和中度AD患者(n=12)。如图所示α+ADC的曲线下面积(AUC=0.861,左侧ROI;AUC=0.868,右侧ROI)高于单独α和单独ADC。
图7示出了AD患者右侧海马的α值和MMSE分值的相关性。进行皮尔逊偏相关分析。n=24。*,p<0.05。
图8示出了AD患者双侧海马的α值和MoCA分值的相关性。进行皮尔逊偏相关分析。n=24。*,p<0.05。
图9示出了根据本发明的对阿尔茨海默病的扩散磁共振成像处理方法的流程图。
具体实施方式
如图1所示,这种对阿尔茨海默病的扩散磁共振成像处理方法,其包括以下步骤:
(1)图像获取:在磁共振扫描仪(3.0T磁共振扫描仪,GE Healthcare,DiscoveryMR750,USA)上,使用8通道头线圈,使用Stejskal-Tanner单次自旋回波平面成像序列获得所有受试者的dMRI图像;
(2)左右侧海马被选为感兴趣区ROI,首先在3D T1图像上勾画出ROI,然后将勾画好的T1图像配准到dMRI图像中,目的是更准确的确定海马的边界,排除不明确的体素,随后计算出双侧海马的α,H,μ和ADC的平均值,α指诺亚指数,量化随机过程的波动,当α=2时增量是高斯分布,而当0<α<2时增量是
Lévy分配;Η是赫斯特指数,描述分子轨道的自相似性;μ是记忆参数,且μ=Η-1/α,当μ>0时,增量呈正相关且为长程依赖,而当μ<0,增量是负相关且为短程依赖;
(3)使用FSL工具对获得的图像进行头部运动和涡流畸变校正,使用b值为0和954s/mm2时获得的图像计算ADC值,采用FM模型对图像进行分析以获取异常扩散参数,根据基于FM模型的dMRI理论,由扩散引起的信号衰减通过公式(1)计算:
Dα,Η指反常扩散的扩散系数,γ指旋磁比,G0指扩散梯度幅值,Δ指梯度分离时间,η指一个无量纲数,是由α,H,δ和Δ确定的;
(4)采用单因素方差分析比较轻度AD患者、中度AD患者和健康对照者这三组在年龄、受教育程度和MMSE评分方面的差异,数据用均数±标准差来表示,性别采用卡方检验进行比较,P值<0.05为差异有统计学意义。
本发明首先在3D T1图像上勾画出感兴趣区ROI,将勾画好的T1图像配准到dMRI图像中,随后计算出双侧海马的α,H,μ和ADC的平均值,然后使用FSL工具对获得的图像进行头部运动和涡流畸变校正,使用b值为0和954s/mm2时获得的图像计算ADC值,采用FM模型对图像进行分析以获取异常扩散参数,根据基于FM模型的dMRI理论获得由扩散引起的信号衰减,再进行统计学分析获得结果,因此能够较好地反映生物活细胞扩散过程,达到真正信号衰减曲线和拟合曲线之间的最佳一致性。
优选地,所述步骤(1)中,在常规dMRI序列扫描过程中,为了拟合FM模型没有固定扩散梯度分离时间,扩散梯度分离时间Δ依次为27.060ms,39.560ms,52.060ms,每个Δ值的扩散梯度幅值G0依次为15.67、19.68、24.73、31.06、39.01和49.00mT/m,目的是在对数轴上近似均匀间隔,梯度时间常数δ固定为20.676ms;因此,在每个梯度方向获得了18个非零b值:151、239、377、595、939、1481、245、387、611、964、1521、2399、339、535、845、1333、2103和3317s/mm2;为了减小扩散各向异性的影响,在三个正交方向x轴、y轴和z轴上应用了扩散梯度,共获得12张b=0的图像。
优选地,所述步骤(1)中,dMRI序列参数:重复时间TR=3800ms;回波时间TE=110ms;翻转角FA=90°;层厚=5.0mm;视场FOV=240mm×240mm;矩阵大小=128×128;加速因子=2;激发次数=2;总扫描时间为8分33秒;T1成像参数:TR=6.7ms;TE=Min Full;FA=12°;层厚=1.0mm;视场FOV=256mm×256mm;矩阵大小=256×256,扫描时间=4分10秒。
优选地,所述步骤(2)中,由一名有经验的放射科医生在3D T1图像上使用MRICRON软件手动勾画出ROI。
优选地,所述步骤(3)中,所有拟合过程均采用MATLAB中的trust-region-reflection非线性拟合算法进行。
优选地,所述步骤(4)中,采用双样本t检验比较α,Η,μ和ADC值在AD组和健康对照组之间的差异及在轻度AD组和中度AD组之间的差异。
优选地,所述步骤(4)中,为了量化α,Η,μ和ADC值在鉴别AD组和健康对照组和鉴别轻度AD组和中度AD组的敏感度和特异度,采用受试者工作特征曲线ROC(receiveroperating characteristic)进行评估,并计算了曲线下面积AUC(area under thecurve)。
优选地,所述步骤(5)中,采用皮尔逊偏相关分析获得AD患者的α,Η,μ和ADC值与MMSE和MoCA量表分值之间的相关性。
以下更详细地说明本发明的实施例。
所有受试者的人口统计学信息及临床信息汇总到表1。本发明共纳入24例AD患者(男性9例,女性15例,平均年龄68.96岁,范围50-79岁)和11例健康对照者(男性2例,女性9例,平均年龄65.27岁,范围54-78岁)。AD组又分为轻度AD组和中度AD组。这三组患者在年龄、受教育程度方面无统计学差异(P>0.05)。三组患者的MMSE分值有统计学差异(P<0.05)。
表1
图1显示了轴位T1图像中的双侧海马。图2显示了AD组和健康对照组的α,Η,ADC图像和T1图像,肉眼所见双侧海马在AD患者和健康对照者之间未见明显差异。
表2
所有受试者双侧海马的FM相关参数值及ADC值均汇总到表2,用均数±标准差表示。图3和图4分别显示了鉴别AD患者与健康对照者的散点图以及鉴别轻度AD和中度AD患者的散点图。如图3所示,α值(左侧ROI,P=0.011;右侧ROI,P=0.001)和ADC值(左侧ROI,P=0.001;右侧ROI,P=0.001)可以鉴别AD患者和健康对照者。此外,图4也显示α值(右侧ROI,P=0.015)和ADC值(左侧ROI,P=0.011;右侧ROI,P=0.022)可以鉴别轻度AD和中度AD患者。而Η和μ值未能区分AD组及健康对照者、轻度AD和中度AD患者(P>0.05)。
ROC曲线分析也显示出鉴别AD患者与健康对照者的能力。图5为鉴别AD患者与健康对照者的ROC曲线,如图所见,相比于α(AUC=0.78左侧ROI,AUC=0.811右侧ROI)和ADC(AUC=0.847左侧ROI,AUC=0.833右侧ROI),α+ADC(AUC=0.848左侧ROI,AUC=0.856右侧ROI)显示出更大的曲线下面积,当α的阈值为1.5939(左侧ROI)和1.58415(右侧ROI)时,显示出最高的约登指数(敏感性+特异性-1),此时的敏感度和特异度分别为0.917和0.636(左侧ROI)、0.917和0.727(右侧ROI)。同样地,对于鉴别轻度AD和中度AD患者(图6),相比于α(AUC=0.813右侧ROI)与ADC(AUC=0.792左侧ROI,AUC=0.806右侧ROI),α+ADC(AUC=0.861左侧ROI,AUC=0.868右侧ROI)能获得更大的曲线下面积;当α=1.55115(右侧ROI)时能获得最高的约登指数,此时敏感度和特异度分别为0.917和0.75。
在AD患者中FM相关参数α值与MMSE分值(P<0.05;图7)和MoCA分值(P<0.05;图8)呈正相关。其他FM相关参数值和ADC值与MMSE分值和MoCA分值无显著相关性。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (8)
1.对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:其包括以下步骤:
(1)图像获取:在磁共振扫描仪上,使用8通道头线圈,使用Stejskal-Tanner单次自旋回波平面成像序列获得所有受试者的dMRI图像;
(2)左右侧海马被选为感兴趣区ROI,首先在3D T1图像上勾画出ROI,然后将勾画好的T1图像配准到dMRI图像中,随后计算出双侧海马的α,H,μ和ADC的平均值,α指诺亚指数,量化随机过程的波动,当α=2时增量是高斯分布,而当0<α<2时增量是Lévy分配;Η是赫斯特指数,描述分子轨道的自相似性;μ是记忆参数,且μ=Η-1/α,当μ>0时,增量呈正相关且为长程依赖,而当μ<0,增量是负相关且为短程依赖;
(3)使用FSL工具对获得的图像进行头部运动和涡流畸变校正,使用b值为0和954s/mm2时获得的图像计算ADC值,采用FM模型对图像进行分析以获取异常扩散参数,根据基于FM模型的dMRI理论,由扩散引起的信号衰减通过公式(1)计算:
Dα,Η指反常扩散的扩散系数,γ指旋磁比,G0指扩散梯度幅值,Δ指梯度分离时间,η指一个无量纲数,是由α,H,δ和Δ确定的;
(4)采用单因素方差分析比较轻度AD患者、中度AD患者和健康对照者这三组在年龄、受教育程度和MMSE评分方面的差异,数据用均数±标准差来表示,性别采用卡方检验进行比较,P值<0.05为差异有统计学意义。
2.根据权利要求1所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(1)中,在常规dMRI序列扫描过程中,扩散梯度分离时间Δ依次为27.060ms,39.560ms,52.060ms,每个Δ值的扩散梯度幅值G0依次为15.67、19.68、24.73、31.06、39.01和49.00mT/m,梯度时间常数δ固定为20.676ms;因此,在每个梯度方向获得了18个非零b值:151、239、377、595、939、1481、245、387、611、964、1521、2399、339、535、845、1333、2103和3317s/mm2;为了减小扩散各向异性的影响,在三个正交方向x轴、y轴和z轴上应用了扩散梯度,共获得12张b=0的图像。
3.根据权利要求2所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(1)中,dMRI序列参数:重复时间TR=3800ms;回波时间TE=110ms;翻转角FA=90°;层厚=5.0mm;视场FOV=240mm×240mm;矩阵大小=128×128;加速因子=2;激发次数=2;总扫描时间为8分33秒;T1成像参数:TR=6.7ms;TE=Min Full;FA=12°;层厚=1.0mm;视场FOV=256mm×256mm;矩阵大小=256×256,扫描时间=4分10秒。
4.根据权利要求3所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(2)中,由一名有经验的放射科医生在3D T1图像上使用MRICRON软件手动勾画出ROI。
5.根据权利要求4所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(3)中,所有拟合过程均采用MATLAB中的trust-region-reflection非线性拟合算法进行。
6.根据权利要求5所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(4)中,采用双样本t检验比较α,Η,μ和ADC值在AD组和健康对照组之间的差异及在轻度AD组和中度AD组之间的差异。
7.根据权利要求6所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(4)中,采用受试者工作特征曲线ROC进行评估,并计算了曲线下面积AUC。
8.根据权利要求7所述的对阿尔茨海默病的扩散磁共振成像处理方法,其特征在于:所述步骤(5)中,采用皮尔逊偏相关分析获得AD患者的α,Η,μ和ADC值与MMSE和MoCA量表分值之间的相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449173.7A CN113712530A (zh) | 2020-05-25 | 2020-05-25 | 对阿尔茨海默病的扩散磁共振成像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449173.7A CN113712530A (zh) | 2020-05-25 | 2020-05-25 | 对阿尔茨海默病的扩散磁共振成像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113712530A true CN113712530A (zh) | 2021-11-30 |
Family
ID=78671606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010449173.7A Pending CN113712530A (zh) | 2020-05-25 | 2020-05-25 | 对阿尔茨海默病的扩散磁共振成像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113712530A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100292560A1 (en) * | 2009-04-16 | 2010-11-18 | Wyrwicz Alice M | Diffusion Tensor Imaging-Based Alzheimer's Diagnosis System and Method |
US20150004603A1 (en) * | 2011-12-15 | 2015-01-01 | Sabine Mai | Methods for Diagnosing Alzheimer's Disease |
CN105395198A (zh) * | 2015-06-23 | 2016-03-16 | 高家红 | 一种获得全新的扩散磁共振成像对比度的方法及其应用 |
CN105842642A (zh) * | 2016-03-17 | 2016-08-10 | 天津大学 | 基于峰度张量分数各向异性微结构特征提取方法与装置 |
US20180143282A1 (en) * | 2015-04-08 | 2018-05-24 | Isis Innovation Limited | Medical Imaging |
CN110680322A (zh) * | 2019-10-17 | 2020-01-14 | 河海大学 | 一种描述磁共振成像信号非指数衰减的方法及其应用 |
-
2020
- 2020-05-25 CN CN202010449173.7A patent/CN113712530A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100292560A1 (en) * | 2009-04-16 | 2010-11-18 | Wyrwicz Alice M | Diffusion Tensor Imaging-Based Alzheimer's Diagnosis System and Method |
US20150004603A1 (en) * | 2011-12-15 | 2015-01-01 | Sabine Mai | Methods for Diagnosing Alzheimer's Disease |
US20180143282A1 (en) * | 2015-04-08 | 2018-05-24 | Isis Innovation Limited | Medical Imaging |
CN105395198A (zh) * | 2015-06-23 | 2016-03-16 | 高家红 | 一种获得全新的扩散磁共振成像对比度的方法及其应用 |
CN105842642A (zh) * | 2016-03-17 | 2016-08-10 | 天津大学 | 基于峰度张量分数各向异性微结构特征提取方法与装置 |
CN110680322A (zh) * | 2019-10-17 | 2020-01-14 | 河海大学 | 一种描述磁共振成像信号非指数衰减的方法及其应用 |
Non-Patent Citations (2)
Title |
---|
BOYAN XU, LU SU, ET AL.: "Anomalous Diffusion in Cerebral Glioma Assessed Using a Fractional Motion Model", 《MAGNETIC RESONANCE IN MEDICINE》 * |
RAVINDRA B. PATIL, S. RAMAKRISHNAN: "Analysis of sub-anatomic diffusion tensor imaging indices in white matter regions of Alzheimer with MMSE score", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Holleran et al. | Axonal disruption in white matter underlying cortical sulcus tau pathology in chronic traumatic encephalopathy | |
Fan et al. | Age-related alterations in axonal microstructure in the corpus callosum measured by high-gradient diffusion MRI | |
He et al. | Region‐specific disturbed iron distribution in early idiopathic P arkinson's disease measured by quantitative susceptibility mapping | |
Grussu et al. | Neurite dispersion: a new marker of multiple sclerosis spinal cord pathology? | |
Goubran et al. | In vivo MRI signatures of hippocampal subfield pathology in intractable epilepsy | |
Reimao et al. | Substantia nigra neuromelanin magnetic resonance imaging in de novo Parkinson's disease patients | |
Schilling et al. | Can increased spatial resolution solve the crossing fiber problem for diffusion MRI? | |
Li et al. | 3D texture analyses within the substantia nigra of Parkinson's disease patients on quantitative susceptibility maps and R2∗ maps | |
Schiavone et al. | Imaging age‐related cognitive decline: A comparison of diffusion tensor and magnetization transfer MRI | |
Facon et al. | MR diffusion tensor imaging and fiber tracking in spinal cord compression | |
Giuliano et al. | H ippocampal subfields at ultra high field MRI: A n overview of segmentation and measurement methods | |
Yoshida et al. | Diffusional kurtosis imaging of normal-appearing white matter in multiple sclerosis: preliminary clinical experience | |
Ciccarelli et al. | Investigation of white matter pathology in ALS and PLS using tract‐based spatial statistics | |
Hong et al. | Diffusion tensor MRI as a diagnostic tool of upper motor neuron involvement in amyotrophic lateral sclerosis | |
Aquino et al. | Substantia nigra in Parkinson’s disease: a multimodal MRI comparison between early and advanced stages of the disease | |
Cardenas et al. | Pathology of callosal damage in ALS: an ex-vivo, 7 T diffusion tensor MRI study | |
Choy et al. | Changes in white matter fiber density and morphology across the adult lifespan: A cross‐sectional fixel‐based analysis | |
Schimrigk et al. | Diffusion tensor imaging-based fractional anisotropy quantification in the corticospinal tract of patients with amyotrophic lateral sclerosis using a probabilistic mixture model | |
Yu et al. | Characterization of normal-appearing white matter in multiple sclerosis using quantitative susceptibility mapping in conjunction with diffusion tensor imaging | |
Watson et al. | Assessment of regional gray matter loss in dementia with Lewy bodies: a surface-based MRI analysis | |
Benjamini et al. | Mapping astrogliosis in the individual human brain using multidimensional MRI | |
Strauss et al. | Current clinical applications and future potential of diffusion tensor imaging in traumatic brain injury | |
Su et al. | Cortical and subcortical changes in Alzheimer’s disease: a longitudinal and quantitative MRI study | |
Ngamsombat et al. | Axonal damage in the optic radiation assessed by white matter tract integrity metrics is associated with retinal thinning in multiple sclerosis | |
Kato et al. | Microstructural white matter abnormalities in multiple sclerosis and neuromyelitis optica spectrum disorders: Evaluation by advanced diffusion imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211130 |