CN117690537A - Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 - Google Patents
Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 Download PDFInfo
- Publication number
- CN117690537A CN117690537A CN202410153532.2A CN202410153532A CN117690537A CN 117690537 A CN117690537 A CN 117690537A CN 202410153532 A CN202410153532 A CN 202410153532A CN 117690537 A CN117690537 A CN 117690537A
- Authority
- CN
- China
- Prior art keywords
- brain
- qsm
- network
- node
- calculating
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 40
- 208000024806 Brain atrophy Diseases 0.000 title claims abstract description 21
- 238000000692 Student's t-test Methods 0.000 claims abstract description 9
- 238000003012 network analysis Methods 0.000 claims abstract description 9
- 238000012353 t test Methods 0.000 claims abstract description 9
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract 3
- 238000009792 diffusion process Methods 0.000 claims description 25
- 230000001054 cortical effect Effects 0.000 claims description 23
- 230000004886 head movement Effects 0.000 claims description 16
- 210000003710 cerebral cortex Anatomy 0.000 claims description 14
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 210000004885 white matter Anatomy 0.000 claims description 10
- 239000000835 fiber Substances 0.000 claims description 9
- 210000004884 grey matter Anatomy 0.000 claims description 8
- 230000002739 subcortical effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 claims description 2
- 210000005013 brain tissue Anatomy 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 claims description 2
- 238000002610 neuroimaging Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000011179 visual inspection Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims 1
- 208000024827 Alzheimer disease Diseases 0.000 description 44
- 230000002123 temporal effect Effects 0.000 description 15
- 210000000869 occipital lobe Anatomy 0.000 description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 206010003694 Atrophy Diseases 0.000 description 5
- 230000037444 atrophy Effects 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 230000004770 neurodegeneration Effects 0.000 description 3
- 238000012307 MRI technique Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002682 neurofibrillary tangle Anatomy 0.000 description 2
- 210000003478 temporal lobe Anatomy 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 1
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000008045 co-localization Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000002887 neurotoxic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009226 pathological process of alzheimers disease Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000005111 ventral hippocampus Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开QSM与脑萎缩、脑连接组关联的跨模态方法及装置，能够揭示AD患者网络拓扑、皮质厚度和QSM信号之间复杂的关系。其包括：（1）获取受试者的T1加权解剖图像；（2）获取QSM图像；（3）获取dMRI数据；（4）获取rs‑fMRI数据；（5）构建结构脑网络、功能脑网络；（6）脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；（7）统计分析：进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值。
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QSM与脑萎缩、脑连接组关联的跨模态方法，以及QSM与脑萎缩、脑连接组关联的跨模态装置。
背景技术
阿尔茨海默病（AD）是一种常见的神经退行性疾病，主要影响老年人口，其特征为渐进性认知衰退和神经元丧失。AD的关键病理特征包括大脑内存在淀粉样-β斑块和tau神经原纤维缠结。MRI（Magnetic Resonance Imaging，核磁共振成像）技术的最新进展使得对AD相关的结构和功能损害进行广泛研究成为可能，提供了用于早期诊断、病程监测和预后评估的有价值、客观和定量的成像生物标志物。
灰质萎缩，特别是在海马、颞叶内侧和后部内侧顶叶皮层，是阿尔茨海默病（AD）广泛认可的影像标志。定量磁敏感图（QSM）是一种先进的MRI技术，能够非侵入性地定量体内组织的磁敏感值。它揭示了AD患者灰质中铁的过度积累，可能由于其神经毒性特性而加剧神经退化。虽然已提出铁与tau神经原纤维缠结的共定位，并提出了铁沉积与AD患者皮质萎缩之间的潜在联系，但其他研究报道中QSM值与萎缩之间存在有限或不显著的关联。因此，AD患者皮质萎缩与QSM值之间的空间相关性需要进一步研究。
除了特定脑区域的灰质损伤外，脑网络连接破坏在AD的发展和进展中起着关键作用。结合脑MRI和网络构建技术，可以在宏观尺度上构建结构和功能脑网络，为不同区域之间的相互作用和整合提供新的见解。研究显示AD患者的结构和功能脑网络出现持续的破坏，尤其影响到默认模式网络和内侧颞叶记忆网络。AD的特征是关键拓扑特性的丧失，如小世界性、富俱乐部组织和模块化结构。重要的是，AD中破坏的脑连接与底层的Aβ和tau病理有关。然而，QSM值与脑连接中断之间的关系尚未被探讨。
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QSM与脑萎缩、脑连接组关联的跨模态方法，其能够揭示AD患者网络拓扑、皮质厚度和QSM信号之间复杂的关系。
本发明的技术方案是：这种QSM与脑萎缩、脑连接组关联的跨模态方法，其包括以下步骤：
（1）获取受试者的T1加权解剖图像：使用FreeSurfer版本6.0进行处理，以测量皮层厚度，使用BNA-246图谱提取210个皮层区域的皮层厚度和36个亚皮层区域的体积；
（2）获取QSM图像：通过使用STI Suite软件从3D多回波-GRE（梯度回波序列）数据的相位和幅值图像进行重建，相位图像使用基于拉普拉斯相位展开法进行解缠绕，从中间回波的幅度图像生成脑掩膜，使用变核高级谐波相位数据去除伪影法计算局部场图，然后使用条纹伪影减少方法生成QSM图像，提取246个皮层区域的平均QSM值；
（3）获取dMRI（扩散磁共振成像）数据：扩散MRI数据经过预处理，并使用扩散连接组学流程构建结构网络，预处理步骤包括涡流电流和头动校正，估计扩散张量，以及在个体扩散空间中计算分数各向异性图；
（4）获取rs-fMRI（静息态磁共振成像）数据：删除前十个时间点，时间校正，头动校正，进行空间标准化，使用3毫米高斯核进行平滑，回归干扰协变量，并在0.01-0.08赫兹频率范围内进行带通滤波；
（5）构建结构脑网络、功能脑网络；
（6）脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；
（7）统计分析：进行双侧t检验，以比较HC（健康对照）和AD组在所有BNA（人脑连接）图谱区域的皮层厚度、亚皮层体积和QSM值。
本发明通过获取受试者的T1加权解剖图像、QSM图像、dMRI数据、rs-fMRI数据，构建结构脑网络、功能脑网络，进行脑网络分析，进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值，从而能够揭示AD患者网络拓扑、皮质厚度和QSM信号之间复杂的关系。
还提供了一种QSM与脑萎缩、脑连接组关联的跨模态装置，其包括：
T1加权解剖图像获取模块，其配置来获取受试者的T1加权解剖图像：使用FreeSurfer版本6.0进行处理，以测量皮层厚度，使用BNA-246图谱提取210个皮层区域的皮层厚度和36个亚皮层区域的体积；
QSM图像获取模块，其配置来获取QSM图像：通过使用STI Suite软件从3D多回波-GRE数据的相位和幅值图像进行重建，相位图像使用基于拉普拉斯相位展开法进行解缠绕，从中间回波的幅度图像生成脑掩膜，使用变核高级谐波相位数据去除伪影法计算局部场图，然后使用条纹伪影减少方法生成QSM图像，提取246个皮层区域的平均QSM值；
dMRI数据获取模块，其配置来获取dMRI数据：扩散MRI数据经过预处理，并使用扩散连接组学流程构建结构网络，预处理步骤包括涡流电流和头动校正，估计扩散张量，以及在个体扩散空间中计算分数各向异性图；
rs-fMRI数据获取模块，其配置来删除前十个时间点，时间校正，头动校正，进行空间标准化，使用3毫米高斯核进行平滑，回归干扰协变量，并在0.01-0.08赫兹频率范围内进行带通滤波；
网络构建模块，其配置来构建结构脑网络、功能脑网络；
脑网络分析模块，其配置来脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；
统计分析模块，其配置来统计分析：进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值。
附图说明
图1示出了根据本发明的QSM与脑萎缩、脑连接组关联的跨模态方法的流程图。
具体实施方式
如图1所示，这种QSM与脑萎缩、脑连接组关联的跨模态方法，其包括以下步骤：
（1）获取受试者的T1加权解剖图像：使用FreeSurfer版本6.0进行处理，以测量皮层厚度，使用BNA-246图谱提取210个皮层区域的皮层厚度和36个亚皮层区域的体积；
（2）获取QSM图像：通过使用STI Suite软件从3D多回波-GRE数据的相位和幅值图像进行重建，相位图像使用基于拉普拉斯相位展开法进行解缠绕，从中间回波的幅度图像生成脑掩膜，使用变核高级谐波相位数据去除伪影法计算局部场图，然后使用条纹伪影减少方法生成QSM图像，提取246个皮层区域的平均QSM值；
（3）获取dMRI数据：扩散MRI数据经过预处理，并使用扩散连接组学流程构建结构网络，预处理步骤包括涡流电流和头动校正，估计扩散张量，以及在个体扩散空间中计算分数各向异性图；
（4）获取rs-fMRI数据：删除前十个时间点，时间校正，头动校正，进行空间标准化，使用3毫米高斯核进行平滑，回归干扰协变量，并在0.01-0.08赫兹频率范围内进行带通滤波；
（5）构建结构脑网络、功能脑网络；
（6）脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；
（7）统计分析：进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值。
本发明通过获取受试者的T1加权解剖图像、QSM图像、dMRI数据、rs-fMRI数据，构建结构脑网络、功能脑网络，进行脑网络分析，进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值，从而能够揭示AD患者网络拓扑、皮质厚度和QSM信号之间复杂的关系。
优选地，所述步骤（1）中，执行运动校正、去除非脑组织、Tailarach变换、体积分割、强度标准化、灰质/白质边界三角剖分、自动拓扑校正、表面重建、视觉检查和手动校正。
优选地，所述步骤（2）中，个体T1加权结构图像首先使用高级标准化工具ANTs标准化到MNI标准空间，然后，第一个回波的幅度图像被刚性配准到相应的T1图像，接着使用上述组合变换将QSM图像变形到MNI (蒙特利尔神经研究所)空间；使用SPM12生成灰质和白质的概率图，并用于获取二值化的脑掩膜，将脑实质的体素排除在外，阈值为0.5，以减少部分容积效应；将脑掩膜用于消除QSM图像中的脑脊液；使用FSL将BNA-246图谱与在0.5阈值下的平均脑实质二值化掩膜相乘。
优选地，所述步骤（3）中，通过将图像进行仿射对齐到b0图像来纠正涡流电流和头动引起的畸变，然后根据仿射对齐的转换重新定向的梯度方向。
优选地，所述步骤（4）中，干扰协变量包括：头动参数、多项式趋势、平均全局信号、白质和脑脊液信号。
优选地，所述步骤（5）中，构建结构脑网络使用DCP工具包进行确定性白质纤维追踪和FN(纤维数量)×FA(各向异性分数)加权结构网络的构建；在白质内进行确定性纤维追踪，追踪终止标准设置为FA大于0.2或角度大于45°；连接两个脑区域的纤维束流线的数量以及这些流线的平均FA值被视为纤维数量FN加权网络和FA加权网络的边缘；每个参与者的FN加权网络与相应的FA加权网络的元素相乘，得到最终的FN×FA加权网络。
优选地，所述步骤（5）中，构建功能脑网络从BNA图谱的每个脑区中提取了功能磁共振图像的平均时间序列；功能网络的边缘定义为两个BNA图谱区域之间的Pearson（皮尔逊）相关系数，将相关性小于0.2的边缘丢弃以减少虚假相关性；在进行统计检验之前，对每个边缘进行了Fisher's z变换。
优选地，所述步骤（6）中，
节点i的NE（节点局部效率）定义如下：
（1），
其中，N代表网络中的总节点数，L(i,j)是节点i和节点j之间的最短路径长度；在计算结构和功能网络中节点i和j之间的最短路径长度时，使用Floyd-Warshall算法，并在计算每条边的权重的倒数后进行计算；
NLE（节点全局效率）衡量节点邻居之间的接近程度，反映系统中节点的鲁棒性，节点i的NLE计算为其直接网络邻居的效率，这些邻居是节点i在其局部子图G_i内直接连接的节点
（2），
模块参与系数PC（模块参与系数）量化节点在不同模块之间连接的分布，节点i的PC由以下公式确定：
（3），
其中，M代表模块数，ki代表节点i的度，kis代表节点i在模块s内的连接数，用于计算参与系数的模块是基于Yeo-7功能分区定义的。
优选地，所述步骤（7）中，在进行组间比较之前，使用线性回归模型校正年龄、年龄的平方、性别和教育的影响，将年龄²作为协变量，以考虑脑成像标记物与年龄之间可能的非线性关系；在皮层厚度和QSM值上组间差异显著的脑区域，P<0.05，被定义为重叠区域，对于每个重叠的脑区域，通过偏相关分析评估了两个测量值在受试者之间的关系，控制年龄、年龄²、性别和教育程度；在重叠区域内，使用FDR（伪发现率）方法评估相关性的显著性，对于相关性，校正后的P值<0.05被认为是统计显著的；通过计算Spearman（斯皮尔曼）的ρ相关系数，获得各种MRI测量之间的空间相关性，分别在AD和HC的组平均水平评估这些相关性；使用t检验比较AD和HC组之间的空间相关性差异，同时校正年龄、年龄²、性别和教育。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种QSM与脑萎缩、脑连接组关联的跨模态装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
T1加权解剖图像获取模块，其配置来获取受试者的T1加权解剖图像：使用FreeSurfer版本6.0进行处理，以测量皮层厚度，使用BNA-246图谱提取210个皮层区域的皮层厚度和36个亚皮层区域的体积；
QSM图像获取模块，其配置来获取QSM图像：通过使用STI Suite软件从3D多回波-GRE数据的相位和幅值图像进行重建，相位图像使用基于拉普拉斯相位展开法进行解缠绕，从中间回波的幅度图像生成脑掩膜，使用变核高级谐波相位数据去除伪影法计算局部场图，然后使用条纹伪影减少方法生成QSM图像，提取246个皮层区域的平均QSM值；
dMRI数据获取模块，其配置来获取dMRI数据：扩散MRI数据经过预处理，并使用扩散连接组学流程构建结构网络，预处理步骤包括涡流电流和头动校正，估计扩散张量，以及在个体扩散空间中计算分数各向异性图；
rs-fMRI数据获取模块，其配置来删除前十个时间点，时间校正，头动校正，进行空间标准化，使用3毫米高斯核进行平滑，回归干扰协变量，并在0.01-0.08赫兹频率范围内进行带通滤波；
网络构建模块，其配置来构建结构脑网络、功能脑网络；
脑网络分析模块，其配置来脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；
统计分析模块，其配置来统计分析：进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值。
以下详细说明本发明的实验结果。
纳入了30名AD患者（平均年龄68.5±6.8岁；21名女性）来自中日友好医院神经内科和记忆门诊，以及26名来自当地社区的HCs（平均年龄65.5±8.1岁；19名女性）。AD组和HC组在年龄或性别方面均无显著差异，所有参与者均为右撇子。与HC组相比，AD组的平均教育年限较高（p=0.015）。AD组的MMSE得分显著低于HC组（p<0.001）。
1.AD患者皮层厚度,体积和QSM值的改变。
与HC相比，AD患者在多个脑区域的皮层厚度显著降低（p<0.05），包括双侧额上回、额中回、额下回、颞上回、颞下回、颞下沟回、海马旁回、顶上回、顶下回和枕叶；左前中回、前上颞沟回；右眶上回、颞中回、岛叶、扣带回。与HC相比，AD患者在双侧杏仁核、左核犁体和右枕叶丘脑中观察到亚皮层灰质体积减小。
与HC相比，AD患者在多个脑区域显示异常的QSM值（p<0.05）。与HC相比，大多数皮质区域的QSM值增加，包括双侧顶上回、中部枕叶；左侧颞上回、外侧顶上回和枕极皮层；右侧额上回、额下回和中腹侧枕叶。然而，与HC相比，左侧顶上回、顶下回、前扣带回和右侧亚扣带回的QSM值减小。与HC相比，AD患者在亚皮层结构中显示出减小的区域QSM值，包括左侧前部海马和右侧尾部海马。AD患者在右侧感觉丘脑中显示出增加的QSM值。
AD患者的七个皮质脑区域（称为重叠区域）在皮层厚度和QSM水平上均相对于HC表现出减少（p<0.05，也称为重叠区域）。这些区域包括右额上回、左颞上回、右颞下沟回、左顶上回、右顶上回、左顶下回和左枕叶。
2.皮层厚度、QSM值和拓扑特征之间的相关性。
在AD组的七个重叠脑区域中，皮层厚度与网络拓扑之间存在显著相关性（经FDR校正p<0.05）。这些相关性特异于AD组。然而，在AD组或HC组中均未观察到QSM值与脑网络拓扑之间的显著相关性。在AD组中，皮层厚度与网络拓扑之间的相关性在功能网络中比结构网络更为显著（经FDR校正p<0.05）。具体而言，观察到皮层厚度与右额上回、左颞上回、右颞下沟回和左枕叶的节点局部功能效率之间存在显著相关性。此外，皮层厚度与右额上回、左顶下回、右颞下沟回和左枕叶的节点全局效率之间存在显著相关性。此外，左颞上回的功能模块参与系数与其厚度呈显著相关性。对于结构网络，发现皮层厚度与左枕叶和右颞下沟回的局部效率之间存在显著关系。
3.网络拓扑指标、皮层厚度和QSM之间的空间相关性。
在AD组和HC组的重叠区域中，以组平均和个体水平检查了不同测量对之间的空间相关性。在组平均水平上，QSM和结构节点效率之间的空间相关性在两组之间存在较大差异。在组平均水平上，AD组的相关性（ρAD=-0.071）远低于HC组的相关性（ρHC=0.429）。在个体水平，观察到AD患者QSM和结构全局效率之间的空间相关性显著降低（T= -2.932，p=0.0051）。
在本研究中，通过结合多模态MRI技术，研究了AD患者中网络效率、皮层萎缩和QSM信号之间的关系。确定了七个皮层区域，其皮层厚度减少且QSM值增加，分别位于右额上回、左颞上回、右颞下沟回、左顶上回、右顶上回、左顶下回和左枕叶，这些被称为重叠区域。在AD患者中，结果显示在这些重叠脑区域，皮层厚度与脑网络指标之间存在显著的跨受试者相关性。此外，证明了在AD患者中，QSM与结构网络的全局效率之间的空间相关性降低。该研究结果有助于理解阿尔茨海默病潜在的机制和病理过程。
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 (10)
1.QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：其包括以下步骤：
（1）获取受试者的T1加权解剖图像：使用FreeSurfer版本6.0进行处理，以测量皮层厚度，使用BNA-246图谱提取210个皮层区域的皮层厚度和36个亚皮层区域的体积；
（2）获取QSM图像：通过使用STI Suite软件从3D多回波-GRE数据的相位和幅值图像进行重建，相位图像使用基于拉普拉斯相位展开法进行解缠绕，从中间回波的幅度图像生成脑掩膜，使用变核高级谐波相位数据去除伪影法计算局部场图，然后使用条纹伪影减少方法生成QSM图像，提取246个皮层区域的平均QSM值；
（3）获取dMRI数据：扩散MRI数据经过预处理，并使用扩散连接组学流程构建结构网络，预处理步骤包括涡流电流和头动校正，估计扩散张量，以及在个体扩散空间中计算分数各向异性图；
（4）获取rs-fMRI数据：删除前十个时间点，时间校正，头动校正，进行空间标准化，使用3毫米高斯核进行平滑，回归干扰协变量，并在0.01-0.08赫兹频率范围内进行带通滤波；
（5）构建结构脑网络、功能脑网络；
（6）脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；
（7）统计分析：进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值。
2.根据权利要求1所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（1）中，执行运动校正、去除非脑组织、Tailarach变换、体积分割、强度标准化、灰质/白质边界三角剖分、自动拓扑校正、表面重建、视觉检查和手动校正。
3.根据权利要求2所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（2）中，个体T1加权结构图像首先使用高级标准化工具ANTs标准化到MNI标准空间，然后，第一个回波的幅度图像被刚性配准到相应的T1图像，接着使用上述组合变换将QSM图像变形到MNI空间；使用SPM12生成灰质和白质的概率图，并用于获取二值化的脑掩膜，将脑实质的体素排除在外，阈值为0.5，以减少部分容积效应；将脑掩膜用于消除QSM图像中的脑脊液；使用FSL将BNA-246图谱与在0.5阈值下的平均脑实质二值化掩膜相乘。
4.根据权利要求3所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（3）中，通过将图像进行仿射对齐到b0图像来纠正涡流电流和头动引起的畸变，然后根据仿射对齐的转换重新定向的梯度方向。
5.根据权利要求4所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（4）中，干扰协变量包括：头动参数、多项式趋势、平均全局信号、白质和脑脊液信号。
6.根据权利要求5所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（5）中，构建结构脑网络使用DCP工具包进行确定性白质纤维追踪和FN×FA加权结构网络的构建；在白质内进行确定性纤维追踪，追踪终止标准设置为FA大于0.2或角度大于45°；连接两个脑区域的纤维束流线的数量以及这些流线的平均FA值被视为纤维数量FN加权网络和FA加权网络的边缘；每个参与者的FN加权网络与相应的FA加权网络的元素相乘，得到最终的FN×FA加权网络。
7.根据权利要求6所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（5）中，构建功能脑网络从BNA图谱的每个脑区中提取了功能磁共振图像的平均时间序列；功能网络的边缘定义为两个BNA图谱区域之间的Pearson相关系数，将相关性小于0.2的边缘丢弃以减少虚假相关性；在进行统计检验之前，对每个边缘进行了Fisher's z变换。
8.根据权利要求7所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（6）中，
节点i的NE定义如下：
（1），
其中，N代表网络中的总节点数，L(i,j)是节点i和节点j之间的最短路径长度；在计算结构和功能网络中节点i和j之间的最短路径长度时，使用Floyd-Warshall算法，并在计算每条边的权重的倒数后进行计算；
NLE衡量节点邻居之间的接近程度，反映系统中节点的鲁棒性，节点i的NLE计算为其直接网络邻居的效率，这些邻居是节点i在其局部子图G_i内直接连接的节点
（2），
模块参与系数PC量化节点在不同模块之间连接的分布，节点i的PC由以下公式确定：
（3），
其中，M代表模块数，ki代表节点i的度，kis代表节点i在模块s内的连接数，用于计算参与系数的模块是基于Yeo-7功能分区定义的。
9.根据权利要求8所述的QSM与脑萎缩、脑连接组关联的跨模态方法，其特征在于：所述步骤（7）中，在进行组间比较之前，使用线性回归模型校正年龄、年龄的平方、性别和教育的影响，将年龄²作为协变量，以考虑脑成像标记物与年龄之间可能的非线性关系；在皮层厚度和QSM值上组间差异显著的脑区域，P<0.05，被定义为重叠区域，对于每个重叠的脑区域，通过偏相关分析评估了两个测量值在受试者之间的关系，控制年龄、年龄²、性别和教育程度；在重叠区域内，使用FDR方法评估相关性的显著性，对于相关性，校正后的P值<0.05被认为是统计显著的；通过计算Spearman的ρ相关系数，获得各种MRI测量之间的空间相关性，分别在AD和HC的组平均水平评估这些相关性；使用t检验比较AD和HC组之间的空间相关性差异，同时校正年龄、年龄²、性别和教育。
10.QSM与脑萎缩、脑连接组关联的跨模态装置，其特征在于：其包括：
T1加权解剖图像获取模块，其配置来获取受试者的T1加权解剖图像：使用FreeSurfer版本6.0进行处理，以测量皮层厚度，使用BNA-246图谱提取210个皮层区域的皮层厚度和36个亚皮层区域的体积；
QSM图像获取模块，其配置来获取QSM图像：通过使用STI Suite软件从3D多回波-GRE数据的相位和幅值图像进行重建，相位图像使用基于拉普拉斯相位展开法进行解缠绕，从中间回波的幅度图像生成脑掩膜，使用变核高级谐波相位数据去除伪影法计算局部场图，然后使用条纹伪影减少方法生成QSM图像，提取246个皮层区域的平均QSM值；
dMRI数据获取模块，其配置来获取dMRI数据：扩散MRI数据经过预处理，并使用扩散连接组学流程构建结构网络，预处理步骤包括涡流电流和头动校正，估计扩散张量，以及在个体扩散空间中计算分数各向异性图；
rs-fMRI数据获取模块，其配置来删除前十个时间点，时间校正，头动校正，进行空间标准化，使用3毫米高斯核进行平滑，回归干扰协变量，并在0.01-0.08赫兹频率范围内进行带通滤波；
网络构建模块，其配置来构建结构脑网络、功能脑网络；
脑网络分析模块，其配置来脑网络分析：对节点全局效率、节点局部效率、模块参与系数进行计算；
统计分析模块，其配置来统计分析：进行双侧t检验，以比较HC和AD组在所有BNA图谱区域的皮层厚度、亚皮层体积和QSM值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153532.2A CN117690537A (zh) | 2024-02-04 | 2024-02-04 | Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153532.2A CN117690537A (zh) | 2024-02-04 | 2024-02-04 | Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117690537A true CN117690537A (zh) | 2024-03-12 |
Family
ID=90133848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410153532.2A Pending CN117690537A (zh) | 2024-02-04 | 2024-02-04 | Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690537A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
| US20210193322A1 (en) * | 2018-09-05 | 2021-06-24 | Genting Taurx Diagnostic Centre Sdn Bhd | Network methods for neurodegenerative diseases |
| US20210272697A1 (en) * | 2018-07-06 | 2021-09-02 | Northwestern University | Brain and Psychological Determinants of Placebo Response in Patients with Chronic Pain |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN116452859A (zh) * | 2023-03-28 | 2023-07-18 | 复旦大学附属华山医院 | 基于多模态磁共振成像的帕金森病数据分类方法及系统 |
| US20230389854A1 (en) * | 2020-11-16 | 2023-12-07 | Terran Biosciences Inc. | Neuromelanin-sensitive mri and methods of use thereof |
| CN117316293A (zh) * | 2023-11-30 | 2023-12-29 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
-
2024
- 2024-02-04 CN CN202410153532.2A patent/CN117690537A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
| US20210272697A1 (en) * | 2018-07-06 | 2021-09-02 | Northwestern University | Brain and Psychological Determinants of Placebo Response in Patients with Chronic Pain |
| US20210193322A1 (en) * | 2018-09-05 | 2021-06-24 | Genting Taurx Diagnostic Centre Sdn Bhd | Network methods for neurodegenerative diseases |
| US20230389854A1 (en) * | 2020-11-16 | 2023-12-07 | Terran Biosciences Inc. | Neuromelanin-sensitive mri and methods of use thereof |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN116452859A (zh) * | 2023-03-28 | 2023-07-18 | 复旦大学附属华山医院 | 基于多模态磁共振成像的帕金森病数据分类方法及系统 |
| CN117316293A (zh) * | 2023-11-30 | 2023-12-29 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| XIAOXI NIU等: "The correlation between changes in gray matter microstructure and cerebral blood flow in Alzheimer\'s disease", 《FRONT. AGING NEUROSCI》, 2 June 2023 (2023-06-02) * |
| 和梦鑫: "首次发作未用药治疗成人抑郁症不同临床特征的脑网络连接研究", 《中国优秀博士论文 医药卫生科技》, 15 February 2023 (2023-02-15) * |
| 张应腾: "支持向量机在阿尔茨海默症演变过程中的多模态和纵向分类研究", 《中国优秀博士论文 信息科技》, 15 January 2020 (2020-01-15) * |
| 李均;杨澄;王远军;聂生东;: "基于弥散张量成像构建阿尔茨海默病患者脑网络的研究进展", 中国医学物理学杂志, no. 02, 25 February 2017 (2017-02-25) * |
| 郭翃江等: "多模态磁共振成像联合血清胰高血糖素样肽1检测诊断阿尔茨海默症的价值观察", 中国CT和MRI杂志, no. 08, 9 July 2020 (2020-07-09) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
| US9940712B2 (en) | Quantitating disease progression from the MRI images of multiple sclerosis patients | |
| US8280482B2 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
| CN108898135B (zh) | 一种大脑边缘系统图谱构建方法 | |
| Choudhury et al. | Atherosclerotic lesions in genetically modified mice quantified in vivo by non-invasive high-resolution magnetic resonance microscopy | |
| US20170049379A1 (en) | Mri characterization of placental oxygen transport | |
| Zhuang et al. | Cortical surface thickness in the middle-aged brain with white matter hyperintense lesions | |
| House et al. | Morphometric MRI analysis enhances visualization of cortical tubers in tuberous sclerosis | |
| CN110458832B (zh) | 静息态大脑功能对称性分析方法 | |
| Rohini et al. | Differentiation of early mild cognitive impairment in brainstem MR images using multifractal detrended moving average singularity spectral features | |
| Panda et al. | A 3D wide residual network with perceptual loss for brain MRI image denoising | |
| CN111227833B (zh) | 一种基于广义线性模型的机器学习的术前定位方法 | |
| CN117690537A (zh) | Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 | |
| US20230298165A1 (en) | Neuroimaging methods and systems | |
| Wang et al. | Aberrant visual-related networks in familial cortical myoclonic tremor with epilepsy | |
| CN115619693A (zh) | 一种基于嵌套多尺度变换的时空融合模型 | |
| US11972564B2 (en) | Recording medium, information processing device, information processing method, trained model generation method, and correlation image output device | |
| Weber et al. | Comparison of implicit memory encoding paradigms for the activation of mediotemporal structures | |
| CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
| KR102363221B1 (ko) | 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템 | |
| Gansler et al. | Hierarchical organization of cortical morphology of decision-making when deconstructing Iowa Gambling Task performance in healthy adults | |
| Lashkari et al. | Impairments of white matter tracts and connectivity alterations in five cognitive networks of patients with multiple sclerosis | |
| Casanova et al. | Abnormalities of the gyral window in autism: A macroscopic correlate to a putative minicolumnopathy | |
| Cheng et al. | Classification algorithms for brain magnetic resonance imaging images of patients with end-stage renal disease and depression | |
| Bhuvaneshwari et al. | Assessment of Brain Connectivity Patterns in Progression of Alzheimer's Disease |
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 |