磁共振弥散张量成像在阿尔茨海默病研究中的应用.docx

《磁共振弥散张量成像在阿尔茨海默病研究中的应用.docx》由会员分享，可在线阅读，更多相关《磁共振弥散张量成像在阿尔茨海默病研究中的应用.docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Application of magnetic resonance diffusion tensor imaging in alzheimers diseaseAbstract Alzheimers disease (AD) is a neurodegenerative disease , which can easily occur in elderly people. The cognitive impairment is an important marker of AD, advanced AD patients will lose the ability to take care o

2、f themselves, which has a serious impact on family even society. Therefore, it has received extensive attention. Diffusion tensor imaging can provide the information about microstructure changes in patients with AD, and it make for studying the pathogenic mechanism of AD. In this article, the resear

3、ch progresses of diffusion tensor imaging in AD were reviewed.Key words Diffusion tensor imaging; Alzheimers disease; White matter磁共振弥散张量成像在阿尔茨海默病研究中的应用摘 要：阿尔茨海默病(Alzheimers Disease, AD)是极易发生于高龄人群的神经退行性疾病，主要标志为认知功能的障碍，晚期AD患者将失去生活自理能力，对家庭乃至社会造成了严重影响，因此其得到了广泛的重视。弥散张量成像（Diffusion Tensor Imaging, DTI）技术

4、能够提供AD患者大脑白质微观结构变化的信息，有利于研究AD患者发病机理。本文主要对DTI技术在阿尔茨海默病的研究进展做一综述。关键词 弥散张量成像；阿尔茨海默病；脑白质0 引言阿尔茨海默病（Alzheimers Disease, AD）是一种好发于高龄人群的神经退行性疾病，主要以认知和记忆功能的衰退为临床表现。随着病情的进展，最终会导致患者执行功能障碍，甚至是丧失生活自理能力1-2。因此，探寻AD早期的诊断方法对社会具有重要的意义。以往的报道主要是对AD的灰质体积进行研究，现在已证实白质在AD病理进程中也会受到严重影响。弥散张量成像（Diffusion Tensor Imaging，DTI）是

5、近年来兴起的功能影像技术，它有助于我们了解AD病理相关白质的一些变化，为AD的诊断提供一种新的方式。本文对DTI技术在AD中的研究进展进行综述。1 DTI原理介绍DTI是一种无创测量水分子平移运动的磁共振成像技术，能够提供不同组织各项异性的信息，以此来反映白质组织的完整性3。弥散方式主要分为各向同性和各向异性，各向同性是指水分子在每个维度上的运动距离都一样，各向异性是指水分子的运动距离在某个维度上具有偏向性。白质的脱髓鞘会导致其附近的水分子对沿着纤维束方向的依赖性减少，导致水分子的各向异性减少，DTI用此原理来区别异常的白质组织。DTI评估白质纤维完整性的二维灰度标量主要有各向异性分数（Fra

6、ctional Anisotropy，FA）和平均弥散率（Mean Diffusivity MD），FA值的下降以及MD值的上升，表明白质的微观结构被破坏4。因此，基于DTI技术的AD研究有助于我们进一步认知病变发生的机理，在临床及脑疾病研究中具有广阔的应用前景。2 DTI研究AD的分析方法 DTI数据的分析方法主要包括感兴趣区分析法（Region of Interest, ROI）、基于体素的形态学分析法、（Voxel-Based Morphometry, VBM）、基于纤维束示踪的空间统计分析法（Tract-Based Spatial Statistics, TBSS）以及特定纤维束分析法

7、（Tract-Specific Analysis，TSA）。ROI分析法主要是通过人为手动的选取特定脑区，进行组间的差异分析。它具有执行方便、目的性强等优势。但是ROI分析法比较耗时且重现性差，它对操作者的要求较高。此外，ROI分析法的准确性还受到噪声和部分容积效应的影响。VBM分析法也叫基于张量的形态学分析（Tensor-Based Morphometry, TBM）,通过统计参数图（Statistical Parametric Mapping, SPM）软件将每个被试的MD图像和FA图像空间标准化到标准空间模板上，然后进行基于体素的统计学分析。此方法的优点是全自动流程以及允许全脑的分析，但

8、它也有局限性，低分辨率、高对比度的MD/FA图的配准可能会发生严重误差，部分容积效应会导致的假阳性结果。此外，对DTI数据进行空间平滑的程度仍未达成一致。TBSS分析法是一种新的VBA方法，VBA使用的是基于大脑形状匹配的方法，然而TBSS使用的是基于纤维束匹配的方法。TBSS解决了VBA中的配准和平滑问题，它通过非线性的配准将个体FA图像投射至平均FA纤维骨架，平均FA纤维骨架是通过扭曲所有被试脑图像确定的最小变形目标脑。然而TBSS的缺陷是获得最小变形目标比较耗时，并且从骨架图获得的纤维束FA值是否准确需要进一步的研究。TSA是一种较为新颖的分析方法，它能够提取重建纤维的弥散参数，在概念上

9、与ROI分析类似，不同的是TSA分析法感兴趣的纤维束是通过纤维示踪成像算法自动确定的，它能够测量纤维束几乎整个长度的弥散参数。TSA 不仅能够三维显示大脑纤维束的走向，而且可以定量分析特定的纤维束，有助于科研人员进一步认知脑区之间的连接失调。相比较于VBA或者ROI，TSA能够更加精准的测量纤维束的完整性，因为它拥有更好的解剖定位，能够避免邻近组织对纤维束的影响。但是该方法也有一个缺陷，对感兴趣的纤维束进行追踪时，需要人为的设置种子点和目标点来开始和结束追踪，该过程不能完全的做到全自动。3 DTI在AD脑白质二维灰度标量的研究AD的病理表现之一是大脑萎缩，以往的大量研究5-7证实AD患者灰质的

10、萎缩是起于海马旁回中的内嗅皮层，之后累及海马、杏仁核以及颞顶枕交界区等部位。随着病情的加剧，最后导致新皮质联络区受到破坏，大脑出现广泛的萎缩。现在越来越多的研究表明8-9，AD患者除了脑灰质会发生一定程度的萎缩之外，也会出现脑白质微观结构的异常，对于白质的异常最为合理的解释是脑网络和纤维连接的失调10。Bozoki等11采用ROI定量分析发现，AD患者穹窿以及下扣带回的体积、FA值明显下降。这与Remy等12的研究结果相似，他发现AD患者两侧钩束、海马旁回扣带束以及穹窿的FA值明显下降，表明在AD病程中边缘系统的白质通路在一定程度上受到了影响。之后，Palesi等13采用VBA法研究发现，AD

11、患者的海马、海马连接楔前叶的纤维（Hipp-PC Tracts, HPT）以及海马连接后扣带回的纤维（Hipp-PCC Tracts, HPCT）体积减少、MD值上升，他们还发现言语的记忆与左侧海马纤维、HPT以及HPCT的MD值呈负相关，进一步证实了边缘系统微观结构的异常。现在越来越多的研究认为，除了边缘系统的白质纤维会发生退化之外，整个大脑范围的白质都会出现广泛异常，对于这种现象最为合理的解释就是皮质-皮质联络纤维的传播。Meng等14研究发现AD患者的两侧上纵束、下额枕束FA值明显下降，他们进一步发现上纵束FA值的下降与认知功能的衰退呈正相关，暗示着上纵束的FA值可以作为AD患者认知功能

12、的临床参考指标。这与Kijajevic15等的研究结果相似，他还发现AD患者双侧下纵束、钩束FA值下降、MD值上升。钩束是连接颞极和眶额回的纤维束，作为Yakovlev回路的重要一个环节，与许多高级认知功能相关，它的退化将导致患者认知功能障碍16。此外，Chen等17用TBSS方法研究发现AD患者扣带、海马、皮质脊髓束以及下额枕束的FA值下降，并且FA值下降的脑区主要集中在后部，表示大脑后部白质出现广泛的异常，这与AD的病理过程相一致18。上述报道都是基于Wallerian理论，他们认为白质的退化是继发于灰质的萎缩，并呈现一个进行性的发展。现有研究提出白质的退化是独立于灰质萎缩的，并认为在AD

13、早期白质的微观结构就已经开始发生变化。Zhuang等19通过纵向研究发现，早期MCI患者只有穹窿MD值上升，这说明在早期MCI灰质没有出现明显萎缩前，穹窿就已经开始发生变化。之后， Lacalle等20通过ROI定量分析发现AD患者海马旁回束、扣带回纤维以及胼胝体压部FA值明显下降，但是他们发现这些边缘系统纤维束的退化与内侧颞叶的萎缩没有直接联系。现有研究8发现轻度认知障碍（Mild Cognitive Impairment, MCI）患者的内侧颞叶发生萎缩，然而白质的异常不仅仅局限于内侧颞叶，它在全脑范围内出现了一个广泛的退化，暗示着颞叶外白质纤维的退化也可以独立于灰质萎缩。Bosch等21

14、研究发现后部下额枕束以及上纵束独立于灰质的萎缩，在临床前痴呆时就已经发生了白质的退化。随后，Taoka等22结合DTI技术和VBA进行纵向研究发现，钩束的退化是优先于海马旁回灰质体积的萎缩。他们还发现钩束的弥散参数值可以预测下一年患者的认知能力，因此钩束可以用作预测AD病程发展的生物标记物。这些研究表明白质的异常不一定是继发于灰质的萎缩，可能还有其他机制导致白质的异常。4 DTI在人脑连接组学的AD研究大脑内部结构以及功能的连接是十分复杂的，DTI技术能够重建大脑白质网络的结构连接，为大尺度网络的整合性以及不同任务需求下网络激活的过渡提供了解剖学的基础，有助于科研者更好的了解健康或疾病状态下大

15、脑的功能。基于图论的白质网络参数主要为网络强度(Strength, Sp) 、特征路径长度(Length of characteristic path, Lp)、簇系数(Clustering coefficient, Cp)、节点的介数（Nodal Betweenness, NB）、局部效率（Local efficiency, Eloc）以及全局效率（Global efficiency, Eg）等。以往研究23,24已经证实AD患者和正常人的脑网络都具有小世界属性，AD患者的小世界属性相对减弱。其中AD患者的Lp值上升、Eg值下降，反映各脑区间信息传递效率下降，进一步提示连接各脑区的白质纤维受

16、到破坏25。然而，由于采取的分析方法或者连接矩阵不同，度量脑网络的拓扑参数也会有所差异。Reijmer等26 研究发现AD患者Eloc、Cp值明显下降，而Lp、Eg值无统计学差异。他在网络拓扑参数与认知功能的相关性研究中，发现记忆功能的衰退与Eloc的下降相关，执行功能的衰退与Lp的上升相关。这与Battaglia等27和Bressler等28的研究结果相似，他们认为记忆出现于邻近脑区集群的信息流中，尤其是在内侧颞叶附近，然而注意以及执行功能主要依赖于两脑区的信息整合。之后，Daianu等29 研究发现AD患者的Eloc、Eg值下降，而Cp、Lp值上升，AD患者白质网络整体的结构连接减弱。此外

17、，他还对核心节点(Hub Node，HN)网络进行分析，发现在脑网络中NB较低的节点更加容易受到攻击，其结果解释为疾病先破坏外围的节点，然后传播至HN，造成节点的异常。这与Crossley等30的研究结果不一致，Crossley认为AD患者白质网络中HN比非HN更有可能发生结构上的异常。因此，HN是否随着AD病程的进展而发生改变是存在争议的，有待进一步的研究。现有研究31发现，AD患者网络的结构连接具有偏侧性，左半球失连接大于右半球， 导致AD患者半球白质网络呈现出异常的右偏拓扑不对称性。这与Liu等32研究结果相似，他采用内在偏侧指数(Intrinsic Laterality Index，I

18、LI)进行单因素方差分析发现，正常人大脑具有左侧优势，而AD患者出现了异常的右侧优势。这些研究证实了AD患者左侧灰质的萎缩要快于右侧，随着病情的进展最终导致左侧大脑广泛的失连接。白质连接网络为我们进一步了解AD病理学改变提供了一种新的方法，但由于白质结构网络的拓扑参数改变还存在争议，很少有研究使用白质结构网络的拓扑参数来预测临床上MCI转化为AD的可能性。到目前为止，只有Tuladhar等33进行了纵向研究的预测，他发现AD患者白质结构网络的Sp、Eloc、Eg值明显下降，并指出Eg能够有效的预测AD发生率。这表明白质连接的脑网络分析在AD中有作为预测标记的潜力，在未来有较好的前景。5 不足与

19、展望DTI能够通过水分子弥散的改变，检测脑白质结构的变化，在AD的诊断方面有着重要的参考价值。但基于DTI的研究有以下不足：DTI参数计算方法的差异会影响弥散参数的测定；纤维束示踪的算法无法显示纤维束的交叉部分，因此重建纤维束时会出现误追踪由于网络节点的定义没有一个“金标准”，导致网络参数结果的不一致；DTI技术基于影像组学的研究是最近比较热门的方向，它可以用来研究神经系统的生理机能，也可以用于神经退化性疾病病理进程的研究，在临床医学领域有着广泛的发展前景。基于DTI技术的局限，未来可在以下方面提高：优化弥散参数测定的方法；改进和完善纤维束示踪的算法；能够提出一个相对合适的定义节点的一个金标准

20、。参考文献1 Association A. 2015 Alzheimers disease facts and figures. Alzheimers & Dementia the Journal of the Alzheimers Association, 2015, 11(3):332-384.2 Robinson M, Lee BY, Hane FT. Recent Progress in Alzheimers Disease Research, Part 2: Genetics and Epidemiology. Journal of Alzheimers Disease Jad, 2

21、017, 57(2):317-330. 3 Lope-Piedrafita S. Diffusion Tensor Imaging (DTI). Methods in Molecular Biology, 2018, 1718:103-116.4 Vos SB, Jones DK, Jeurissen B, et al. The influence of complex white matter architecture on the mean diffusivity in diffusion tensor MRI of the human brain. Neuroimage, 2012, 5

22、9(3):2208-2216.5 Menendez M, Rivera MM, lvarez-Avellon T, et al. The medial temporal lobe index (MTLi) is a simple and reliable method for predicting conversion from mild cognitive impairment to Alzheimers disease. Alzheimers & Dementia, 2013, 9(4):414-415. 6 Chincarini A, Sensi F, Rei L, et al. Int

23、egrating longitudinal information in hippocampal volume measurements for the early detection of Alzheimers disease. Neuroimage, 2016, 125(5):834-847.7 Zhou MX, Zhang F, Zhao L, et al. Entorhinal cortex: a good biomarker of mild cognitive impairment and mild Alzheimers disease. Reviews in the Neurosc

24、iences, 2016, 27(2):185-195.8 Agosta F, Pievani M, Sala S, et al. White matter damage in Alzheimer disease and its relationship to gray matter atrophy. Radiology, 2011, 258(3):853-863.9 Canu E, Agosta F, Spinelli EG, et al. White matter microstructural damage in Alzheimers disease at different ages

25、of onset. Neurobiology of Aging, 2013, 34(10):2331-2340.10 Yin RH, Tan L, Liu Y, et al. Multimodal Voxel-Based Meta-Analysis of White Matter Abnormalities in Alzheimers Disease. Journal of Alzheimers Disease Jad, 2015, 47(2):495-507.11 Bozoki AC, Korolev IO, Davis NC, et al. Disruption of limbic whi

26、te matter pathways in mild cognitive impairment and Alzheimers disease: a DTI/FDG-PET study. Human Brain Mapping, 2012, 33(8):1792-1802.12 Rmy F, Vayssire N, Saintaubert L, et al. White matter disruption at the prodromal stage of Alzheimers disease: Relationships with hippocampal atrophy and episodi

27、c memory performance. Neuroimage Clin, 2015, 7(C):482-492.13 Palesi F, Vitali P, Chiarati P, et al. DTI and MR Volumetry of Hippocampus-PC/PCC Circuit: In Search of Early Micro- and Macrostructural Signs of Alzheimerss Disease. Neurology research international, 2012, 2012:517876.14 Meng JZ, Guo LW,

28、Cheng H, et al. Correlation between cognitive function and the association fibers in patients with Alzheimers disease using diffusion tensor imaging. Journal of Clinical Neuroscience, 2012, 19(12):1659-1663.15 Kljajevic V, Dyrba M, Kasper E, et al. Is the left uncinate fasciculus associated with ver

29、bal fluency decline in mild Alzheimers disease?. Translational Neuroscience, 2016, 7(1):89-91.16 Nomura K, Kazui H, Tokunaga H, et al. Possible roles of the dominant uncinate fasciculus in naming objects: a case report of intraoperative electrical stimulation on a patient with a brain tumour. Behavi

30、oural Neurology, 2013, 27(2):229-234.17 Chen HY, Wang K, Yao JF, et al. White Matter Changes in Alzheimers Disease Revealed by Diffusion Tensor Imaging with TBSS. World Journal of Neuroscience, 2015, 5(1):58-65.18 付剑亮, 常诚, 李文彬,等. 磁共振弥散张量成像对阿尔茨海默病脑白质损害的评估及鉴别价值. 中国临床神经科学, 2010, 18(5):456-46219 Zhuang

31、L, Sachdev PS, Trollor JN, et al: Microstructural white matter changes, not hippocampal atrophy, detect early amnestic mild cognitive impairment. PLoS One 2013; 8: e58887.20 Lacalle-Aurioles M, Javier NF, Alemn-Gmez Y, et al. The Disconnection Hypothesis inAlzheimers Disease Studied Through Multimod

32、al Magnetic Resonance Imaging: Structural, Perfusion, and Diffusion Tensor Imaging. Journal of Alzheimers Disease Jad, 2016, 50(4):S20S21.21 Bosch B, Arenaza-Urquijo EM, Rami L, et al. Multiple DTI index analysis in normal aging, amnestic MCI and AD. Relationship with neuropsychological performance.

33、 Neurobiology of Aging, 2012, 33(1):61-74.22 Taoka T, Yasuno F, Morikawa M, et al. Diffusion tensor studies and voxel-based morphometry of the temporal lobe to determine the cognitive prognosis in cases of Alzheimers disease and mild cognitive impairment: Do white matter changes precede gray matter

34、changes?. Springerplus, 2016, 5(1):1-9. 23 Tijms BM, Wink AM, Haan WD, et al. Alzheimers disease: connecting findings from graph theoretical studies of brain networks. Neurobiology of Aging, 2013, 34(8):2023-2036.24 Sun Y, Yin Q, Fang R, et al. Disrupted functional brain connectivity and its associa

35、tion to structural connectivity in amnestic mild cognitive impairment and Alzheimers disease. Plos One, 2014, 9(5):e96505.25 Andreotti J, Jann K, Melie-Garcia L, et al. Repeatability analysis of global and local metrics of brain structural networks . Brain Connectivity, 2014, 4(3):203-220. 26 Reijme

36、r YD, Leemans A, Caeyenberghs K, et al. Disruption of cerebral networks and cognitive impairment in Alzheimer disease. Neurology, 2013, 80(15):1370-1377.27 Battaglia FP, Benchenane K, Sirota A, Pennartz CMA, Wiener SI. The hippocampus: hub of brain network communication for memory. Trends Cogn Sci,

37、2011, 15(7):31031828 Bressler SL, Menon V. Large-scale brain networks in cognition: emerging methods and principles. Trends in Cognitive Sciences, 2010, 14(6):277-290.29 Daianu M, Jahanshad N, Nir TM, et al. Rich club analysis in the Alzheimers disease connectome reveals a relatively undisturbed str

38、uctural core network. Human Brain Mapping, 2015, 36(8):3087-3103.30 Crossley NA, Mechelli A, Scott J, et al. The hubs of the human connectome are generally implicated in the anatomy of brain disorders. Brain, 2014, 137(8):2382-2395.31 Daianu M, Jahanshad N, Nir TM, et al. Breakdown of brain connecti

39、vity between normal aging and Alzheimers disease: a structural k-core network analysis. Brain Connectivity, 2013, 3(4):407-422.32 Liu H, Zhang L, Xi Q, et al. Changes in Brain Lateralization in Patients with Mild Cognitive Impairment and Alzheimers Disease: A Resting-State Functional Magnetic Resonance Study from Alzheimers Disease Neuroimaging Initiative. Frontiers in Neurology, 2018, 9(3):1-10.33 Tuladhar AM, van-Uden IW, Rutten-Jacobs LC, et al. Structural network efficiency predicts conversion to dementia. Neurology, 2016, 86(12):1112-1119.