文摘

扩散峰度成像(DKI)是一个新的扩散磁共振成像(MRI)技术超越传统扩散张量成像(DTI)的短缺的生物组织是高斯假设水扩散。峰度是用来测量水从高斯扩散模型的偏差,在DKI叫做非高斯。然而,高阶峰度张量模型中特征提取带来了很大的困难。在这项研究中,像峰度的分数各向异性参数特征值(FAek)和峰态特征值的平均值(Mek)提出了4种不同的组织和区域分析:胼胝体,交叉纤维、丘脑和大脑皮层,而其他参数。散点图分析和高斯混合分解的不同参数映射用于组织鉴定。扩散峰态信息提取峰度张量实际上提出了一个更详细的分类组织以及临床意义的FAek 特征值显示良好的敏感性组织复杂性的重要DKI的进一步研究。

1。介绍

扩散磁共振成像可以检测人体组织无创的水分子扩散,这表明biotissue的微结构等最受欢迎的方法之一:扩散张量成像(DTI),三维水扩散概率分布在一个最佳量化了各向异性介质张量。它的三个特征向量对应的轴三轴扩散系数椭球(<一个href="#B1">1]。普遍采用旋转不变的参数来自扩散张量(DT)包括平均扩散系数(MD)和分数各向异性(FA)。

然而,在传统的扩散张量成像(DTI),水扩散假设扩散似乎是一个自由和nonrestricted环境内扩散位移的高斯分布。实际上在生物组织中,复杂细胞微观结构使水扩散高度阻碍或限制,也非高斯过程(<一个href="#B2">2]。扩散张量失去许多组织微观结构的细节。有许多研究非高斯扩散的组织。DKI使用峰度估计这非高斯分布提供洞察生物组织的微观结构。最近的研究表明,DK(扩散峰度)措施提供了一个改进的敏感性检测神经组织发育和病理变化,相比传统的DTI [<一个href="#B3">3,<一个href="#B4">4]。此外,定向峰度分析揭示定向制定特定的信息,诸如水扩散峰度沿着方向平行或垂直于原则水扩散方向(<一个href="#B5">5- - - - - -<一个href="#B8">8]。因为峰度测量偏差的扩散位移概要文件从高斯分布,DKI分析量化扩散限制的程度或组织的复杂性。

然而,困难的是高阶(三维四阶)DKI峰度张量是复杂的分析,这是一个重要的特性像扩散张量在DTI(弥散张量成像)。本文是促进一些参数映射的峰度张量。

2。材料和方法

2.1。理论
2.1.1。扩散峰度成像

DTI假定高斯扩散,表观扩散系数( 一个 p p )是由线性拟合得到DW信号获得了与一个或多个零 值以下线性方程: l n ( ) ( 0 ) = − 一个 p p 。 ( 1 )

在DKI,对数扩张DW信号可以估计表观扩散系数( 一个 p p )和扩散峰度( 一个 p p ),这让一个额外的 相比之下,DTI广场术语。因此,它形成一个非线性方程(<一个href="#B8">8]: l n ( ) ( 0 ) = − 一个 p p + 1 6 2 一个 p p 2 一个 p p , 一个 p p = 2 , 一个 p p = 米 D 一个 p p 2 4 , ( 2 ) 在哪里 ( ) DW信号强度在吗 价值和 ( 0 ) 是信号没有扩散梯度; 梯度磁编码方向;医学博士是平均扩散系数;这里出现扩散张量( )和峰度张量( ),描述不同的扩散运动。理论也表明,表观扩散峰度方法真正的扩散限制的峰度梯度脉冲持续时间短,这是类似于之间的关系 一个 p p 而真正的水扩散系数 。

2.1.2。 峰度张量的特征值

DKI模型提供了一个高阶张量除了一个二阶扩散张量,所以这个问题变得更加棘手。一样扩散张量的特征值和特征向量,我们可以很容易地得到一个可视化结构模型,以及更多的洞察组织微观结构,这是可行的和潜在的通过四阶三维完全对称张量扩散峰度张量(DK)。

提出了特征值的DK数学假设 张量总是正定(<一个href="#B9">9]。然后,使用一个转换: − 1 3 = , 2 = 1 。 ( 3 ) 大量的 特征向量得到使用的西尔维斯特公式合成两个变量的系统。的 特征值值 = 4 。 ( 4 )

2.2。数据处理
2.2.1。数据采集

整个研究和所有人类的实验得到了医学伦理身份验证和每个主题或志愿者知道清楚。在西门子所有人类实验3。0 T扫描仪系统的物理学家和20名志愿者年龄在20到30之间正常的成年人。DW数据获取与SE-EPI(单枪echo-echo平面显像)序列,之后30梯度磁编码方向和三个 值(0,1000,2000 ms /μ米2)。额外的图像参数,图像方向是横向,TR = 10500毫秒,TE = 103毫秒,平均= 1,TA = 11′14′′,噪声级= 30,收购矩阵= 128×128,FOV = 230×230毫米2切片厚度= 1.8毫米,片数= 73,没有缺口。

对于每个主题一个128×128×73×61公吨数据收购和准备合适的张量。图像处理包括涡流进行了校正和3 d运动校正与目前的软件。正常化和可访问性标准的大脑在SPM。然后 一个 p p 和 一个 p p 安装使用LMS法和LS法来估计张量的最优组件。

2.2.2。参数映射

虽然有一种方法来分析峰度张量,高的数量 3和13之间范围内的特征值是随机的,甚至这些向量和价值观的现实意义还不清楚。总之,一些参数可以获得进一步的研究。

DKI, DT和KT都获得,有些峰态参数后可以形成DT的方法。然后DTI - & DKI-derived参数映射在不同组织之间的对比分析。这里有 特征值( )或 特征向量( 从峰态)张量,FAek (FA峰度张量的特征值),Mek(意思是峰度张量的特征值),AKC(表观峰度系数),AKCd(表观扩散峰度系数)被定义为: √ F 一个 e k = ⋅ √ ⎛ ⎜ ⎜ ⎝ ∑ ( − 1 ) − 米 e k 2 ∑ 2 ⎞ ⎟ ⎟ ⎠ 米 e k = 米 e 一个 n ( ) 米 K = 米 e 一个 n 一个 p p 一个 K C d = 一个 K C ⋅ 米 D 2 。 ( 5 ) 可在映射,这些负面的 一个 p p 值修改为0,因为没有医学意义。和比较,我们还得到AKC(平均 一个 p p 没有修改)。除了以上这些参数,本文还考虑FA(分数各向异性)和从贸易工业部MD(平均扩散系数)。,可(平均峰态)[<一个href="#B6">6,<一个href="#B7">7)被认为是其受欢迎的使用。图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig1/" target="_blank">1显示了一些参数映射。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图1
从解剖切片相同,参数映射((一)- (f)) FA,医学博士FAek, Mek,可,AKCd。
2.2.3。数据分析

对于每一个主题,感兴趣的区域(roi)手动定义在几个横向切片通过引用的解剖结构。解剖标志识别FA和MD。6 WM结构选择,包括膝盖和胼胝体压部(CC);4交叉纤维领域,是扩展区域沿着膝盖和CC的压部和充满交叉纤维;2丘脑的领域;6通用结构,即从图4大脑皮层CSF,更多的细节<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig2/" target="_blank">2。各种属性如扩散系数或峰度可以帮助识别组织(<一个href="#B10">10,<一个href="#B11">11]。


图2
roi选择根据FA地图。(1 - 2)的膝盖和splenial胼胝体;(3 - 6)交叉纤维;(7 - 8)丘脑;(9 - 12)大脑皮质;13是脑脊液。

均值和standard-variance计算体积平均在每个结构的多层roi。对于每个参数,方差分析(方差分析)进行了比较测量在不同的组织,independent-samples紧随其后 以及检测组间差异。

也为了结合整体形象和彼此之间的相对论,我们与他们的灰度直方图分布的两个参数曲线。我们已经知道,相同的组织同样立体像素灰度值的分布是高斯分布,我们可以假定直方图曲线一阶高斯混合信号。直方图分解可能是一些单一的独立参数曲线和散布图。

3所示。结果

3.1。roi分析结果

里奥斯的统计数据算图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig3/" target="_blank">3。不同的roi显示出明显的平均值( < 0 。 0 5 ),主要是五种组织的roi。一般认为,胼胝体,大脑皮层和CSF只能看到很明显,((c) - (f))无法区分交叉纤维组织和丘脑。在细节,前两个roi,胼胝体的两部分:膝盖压部,导致明显的不同的值( < 0 。 0 5 )。的纤维细长压部大多超过膝盖,及其扩散环境更受限制的或非高斯。可显示相似的价值观的两个部分(1.94±0.15,1.96±0.14),但可只能不同于交叉纤维(1.67±0.16)和丘脑(1.42±0.17)充满了神经细胞体和纤维。大脑皮层,主要由神经细胞体或细胞膜是所有参数可以明显不同于白质但FA的脑脊液。特别的是,Mek只是显示索引号的意思是 特征值,值非常大,导致较低的灰色不同组织之间的对比。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图3
均值-方差的roi,(1 - 2)的膝盖和splenial胼胝体;(3 - 6)交叉纤维;(7 - 8)丘脑;(9 - 12)大脑皮质;13是脑脊液。

全貌的这些roi组织的结构和考虑扩散环境时,我们可以选择最自由和最受限制:脑脊液尤其是胼胝体压部。然后下面的交叉纤维区、基底神经节(丘脑)和大脑皮层不免费的先后。更自由的环境,更多的高斯扩散位移分布。所以,可很好区分,但是不是非常精确;FAek区分不同组织更多的细节。稳定与AKCd相比,可没有显示特定的结构而AKCd表现更好。

图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig4/" target="_blank">4提供了一个可视化的比较不同的组织相同的属性(各向异性和峰态)与特定的方法。从图,FAek还与足总表现类似,但收益更好的对比在大脑皮层(0.28±0.03)。FAek灵敏度高灰质,以及表明丘脑。考虑图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig4/" target="_blank">4 (b)峰度,可显示低灰对比,AKCd和可更好的认可,但可显示交叉纤维和丘脑之间的显著差异。

(一)
(一)
(b)
(b)
图4
各向异性和峰态。在(a)几个各向异性值(FA FAek)检测平均体积值在不同的roi(膝盖的胼胝体压部胼胝体,交叉纤维,背侧丘脑、大脑皮层,CFS)以及(b)对峰度值;统计学意义是所有 < 0 。 0 5 。
3.2。柱状图分析

的原则的灰色值或参数相同的特点组织将位移下的高斯函数从不同的组织和独立,参数映射的直方图是使用一阶高斯混合信号分解。面具是为了忽略使用零背景。MD地图可以给出了一个实用的组织,所以FA, FAek, Mek和AKCd比较图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5相对论,峰态参数的数据所示<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (e)和<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (f)。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图5
散点图分析。((a) - (f))提供一个可视化地图不同的参数之间的关系,和高斯分解的直方图是沿着轴画。以前的roi为不同组织的数据也明显。

在图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5(一个)医学博士时,英足总已经广泛低代表白质主要和MD节目时也广泛FA低主要代表灰质和脑脊液。但是没有它们之间的相对论和大多数信息分布式FA和MD很低。下面的图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (b),FAek直方图分布更平均,一个明显的subpeak,所以最多的信息分发FAek较高和较低的MD,这表明对白质更敏感。并有一些负相关。在数据<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (c)和<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (d),可和AKCd有相似的分布与医学博士,同时可显示更多平衡比AKCd可值范围是广泛的。但在数据<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (e)和<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (f)AKCd分解的直方图更独立和价格取向transverseficant,而可重叠与他人。知道Mek低灰对比,这与MD在图有一个明显的负相关<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (d),因为点分布在一个类似与MD增加。

4所示。讨论

已知的理论上,DKI专门峰度张量描述更详细的信息,可以向我们展示一个真正的洞察大脑组织的微观结构。实际上,许多工作峰度使用DKI进行验证峰度比扩散系数提供了更多的信息和更敏感,但峰度绝对,因为它的复杂性。

很明显,可在biotissues映射也有巨大的潜力,如肿瘤诊断和其他神经损伤疾病,和峰度张量也可以提供一个洞察大脑组织的微观结构特别是白质。这些 峰度显示更多信息组织微观结构的特征值扩散系数不能。然而,FAek执行比MEK,说这些 特征值可以显示微环境的复杂性,但峰态的平均水平不太敏感。这原因也许的数量 特征值的算法。常见和重要的是,所有的峰态信息给更多信息或敏感白质微结构(<一个href="#B3">3- - - - - -<一个href="#B8">8]。

黑色三角形的人物<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5(一个)和<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (b),我们可以看到FA承认皮层和丘脑是相同的,但FAek承认交叉纤维和丘脑是相同的,和FAek明显不同于皮层和CSF。在数据<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (e)和<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (f)不同之处在于,可识别丘脑皮层比AKCd要好。

在图中<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5 (c),可直接峰度计算Mek时 峰度张量的特征值“ ——“意味着扩散在原始文献[<一个href="#B9">9]。也就是说可才是真正的峰度信息但不准确,但Mek峰度张量的“扩散率”信息,因为有更强的相关性Mek和MD。“扩散系数”是指二阶扩散系数的水平。但实际上它显示组织的不同评价,也许只是水平的复杂性。在结果中其他参数的分类之间的交叉纤维和丘脑表明他们可能是相同的复杂性而不是扩散系数在某种程度上,可除外。

峰度信息可以用来得到一个更微妙的分类的组织<一个href="#B12">12,<一个href="#B13">13]。散点图和高斯分布分类能给我们关于图像分割不同的组织。在图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig5/" target="_blank">5把组织在不同的位置不同的两个参数。在本部分中,FAek AKCd和MD分类典型的组织。根据这个图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig6/" target="_blank">6显示了一个散射点的不同集群。


图6
散射AKCd和FAek之间,显示4个独立的高斯分布和概率梯度。

在图<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig6/" target="_blank">6与先前的知识,这些4高斯分布代表4种组织:脑脊液,灰质,交叉纤维;单一的扩散方向区域(胼胝体)。然而,第三个高斯类广泛代表所有交叉纤维领域的集合作为他们复杂的各种纤维结构。

实现更好的工作,有几个方面需要进一步考虑。

首先,峰态的计算各向异性只是类似于DT。然而, 特征值向量没有明确的含义,更重要的是,DT的三个特征向量总是互相正交的同时 特征向量的方向是随机的。例如,相同的特征值与不同的特征向量给不同的各向异性性质。

其次,这些参数在本文只是针对不同解剖结构之间的对比或歧视的二维成像水平。总之这只是一个开始工作,需要更多的是白质微结构和3 d空间重建。几项研究扩散或ODF的分区进行了针对三维空间扩散属性分布(<一个href="#B13">13,<一个href="#B14">14]。

第三,清晰DT和KT之间的关系应清晰并应该清楚如何处理它们。例如,四阶统计峰度是如何相关的实践表明thatdiffusion系数的二阶方差应该清楚。,流行说认为峰度可以修改或构成偏离高斯分布,但不是在一个特定的方式。另一个想法是,DKI给出了高斯扩散和非高斯扩散。

最后,同样重要的是,成像处理拟合之前减少噪音和提高信噪比(<一个href="#EEq2">2)是最重要的。因为高阶峰度比扩散系数更敏感的错误如出现错误点数据<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig1/" target="_blank">1 (e)和<一个href="//www.newsama.com/journals/cmmm/2012/820847/fig1/" target="_blank">1 (f)尽管使用适当的预处理和后处理。更糟的是,它将减少拟合结果。所以更好的信号处理是必要的,或者只是增加信号的重复次收购(平均或NEX)但失去收购时间(TA)更好的信号从实验的角度设置(<一个href="#B15">15]。

5。结论

DKI DW信号是一个简单的扩展,它提供了一个敏感的组织结构量化测量的非高斯度水扩散。DKI已被证明是高度敏感和定向具体检测大脑成熟过程,和峰度张量进行了参数分析。结果表明,微观结构的更详细的见解可以检测并与扩散系数不同峰态扩散张量的张量。

的 峰度张量的特征值给出了扩散系数信息组织复杂性与扩散系数不同,但FAek(分数各向异性的特征值)显示比FA扩散张量不同的属性,这意味着组织水平的复杂性。多参数分析可以给更详细的人类大脑的组织。峰度扩散张量可以展示一个更全面和敏感检测细微的差异,但是更多的能量应该支付峰度张量。

确认

本文是由中国国家自然科学基金(30870713,81222021,81171423,61172008,30970875,90920015),国家关键技术研发项目中国科技部(2012号bai34b02),天津局公共卫生基金会(09 ky10号11 kg108)和新世纪优秀人才计划在中国教育部大学(没有。ncet - 10 - 0618)。