论文部分内容阅读
第一部分APP/PS1转基因小鼠活体全脑DTI定量研究目的：以往的研究已将扩散张量成像(diffusion tensor imaging, DTI)应用于阿尔茨海默病(Alzheimer’s disease, AD)动物模型的组织病理学研究中,但是少有关于结构特异性方面的报道。基于体素的分析方法(voxel-based analysis, VBA)和基于解剖图谱的分析方法(atlas-based analysis, ABA)是DTI全脑分析方法中两种互补的方法。本研究的目的在于采用全脑DTI的分析方法,明确AD动物模型病理变化的空间位置分布特征。材料与方法：同时采用VBA和ABA的方法,对APP/PS1转基因小鼠(n=9)和野生型对照(n=9)进行全脑的DTI对比分析。采用多种度量指标,如各向异性分数(fractional anisotropy, FA)、扩散轨迹(total diffusivity, trace)、轴向弥散(axial diffusivity, DA)和放射弥散(radial diffusivity, DR)对阿尔茨海默病小鼠不同类型的病理变化进行量化分析。采用Kappa分析的方法对手动描绘的感兴趣区(region of interest, ROI)和基于解剖图谱方法所勾画的ROI进行比较,以评估图像配准的准确性。MR检查之后,对APP/PS1转基因小鼠和野生型对照进行组织学检查分析。结果：结果显示,APP/PS1转基因小鼠存在广泛的脑结构异常,包括灰质区域如新皮层、海马、纹状体、丘脑、下丘脑、屏状核、杏仁核及梨状皮层,和白质区域如胼胝体/外囊、扣带束、隔、内囊、海马伞及视束,均表现为FA值或DA值升高,或者FA值和DA值同时升高(p<0.05,FDR校正)。手动描绘的ROI与ABA方法所描绘的ROI之间的平均Kappa值均接近0.8,且在APP/PS1转基因小鼠组和野生型对照组之间无显著性差异(p>0.05)。组织病理学分析证实了灰质区域如新皮层和海马区微结构的DTI变化。DTI同时也发现了广泛的白质区域的弥散改变,但这种差异仅靠单层的组织学定性观察难以准确评估。结论：本研究报道了APP/PS1转基因小鼠脑结构特异性的病理变化,同时也证实了全脑DTI定量分析方法在AD动物模型中的可行性。第二部分AD、MCI和健康人群脑白质差异的空间分布模式探讨目的：近年来大量研究均发现阿尔茨海默病(AD)患者、轻度认知障碍(MCI)患者和健康人群的脑白质完整性存在显著差异,然而AD和MCI患者脑白质损害的空间分布模式少有报道。本研究旨在通过全脑的DTI定量分析,探讨AD、MCI和健康人群脑白质差异的空间分布模式,找到疾病早期诊断和监测疾病进展的可靠指标。材料与方法：依据NINCDS-ADRDA可能AD的标准纳入AD患者21例(M/F=11/10,平均年龄66.8岁)；依据Petersen的标准纳入MCI患者8例(M/F=3/5,平均年龄64.4岁)；及无神经系统疾病的健康对照15例(M/F=8/7,平均年龄65.3岁)。采用GE公司signa HDxt3.0Tesla超导磁共振扫描仪行扩散张量成像(diffusion tensor imaging,DTI),扫描参数如下：TR/TE=10000/83ms, FA=90°, Matrix=256x256, FOV=240mmx240mm, Phase FOV=1,层厚3.0mm无间隔,NEX=1,42层覆盖全脑,b值为1000s/mm2,30个方向。得到DTI原始图像之后,利用DTIstudio软件进行FA图重建,利用DiffeoMap软件对图像进行基于解剖图谱的分析,测量深部灰质和深部白质共58个脑区结构的FA值。AD、MCI和健康对照组58个脑区结构的FA值首先采用单因素方差分析并进行事后检验,两两比较组间差异；然后对相关脑区FA值与简易精神状态量表(mini-mental state examination, MMSE)评分做相关分析。结果：与健康人群相比,AD患者深部灰质和深部白质结构存在广泛的FA值降低(p<0.05,FDR校正)。其中,胼胝体压部和丘脑的FA值在MCI组和健康对照组间存在显著差异(p<0.05,FDR校正),但在AD组和MCI组间无差异(p>0.05)；扣带束和上纵束等8个结构的FA值在AD组和MCI组间有显著差异(p<0.05,FDR校正),但在MCI组和健康对照组间无差异(p>0.05)。相关分析显示,扣带束和上纵束的FA值与MMSE评分存在显著的正相关关系,以右侧扣带束的相关系数值最高(r=0.606,p=0.001)；而胼胝体压部和丘脑区域FA值与MMSE不存在相关关系(p>0.05)。结论：AD和MCI患者脑白质损害的空间分布模式存在显著差异。胼胝体压部和丘脑显微结构病变是早期事件,与认知功能下降关系不大。而扣带束和上纵束白质病变与疾病进展有关,与认知功能下降显著相关。第三部分定量结构MRI对阿尔茨海默病的鉴别诊断研究目的：提出一种全新的方法,可将脑部T1加权磁共振(magnetic resonance, MR)图像转变为特征矢量,应用于基于内容的图像检索(content-based image retrieval, CBIR)。为了克服临床中同一人群的解剖学个体差异及成像参数的不一致性,我们提出了一种基于目标图像与解剖图谱之间差异的图像分析方法(Gap between an Atlas and a target Image Analysis, GAIA),利用基于解剖图谱的图像分割方法(atlas-based analysis, ABA),寻找目标图像与解剖图谱之间差异的大小,从中提取目标图像的解剖学特征,用于阿尔茨海默病的鉴别诊断研究。材料与方法：选取阿尔茨海默病(Alzheimer’s disease, AD)、亨廷顿病(Huntington’s disease, HD)、脊髓小脑性共济失调6型(Spinocerebral ataxia type6, SCA6)、原发性进行性失语症(primary progressive aphasia, PPA)患者及正常人的T1加权MR图像共102例,作为训练数据。另外随机选取AD、HD、SCA6、PPA患者及正常人的T1加权MR图像共170例作为测试数据。采用GAIA的方法对训练数据进行模式分类,分别提取AD、HD、SCA6、PPA患者及正常人的神经解剖学特征作为特征矢量；随后将这些特征矢量应用到测试数据中,每一个测试数据分别得到一个判别得分(discriminant score),利用判别得分对其进行病种的判别,并评估GAIA判别不同种类疾病的准确性。结果：从训练数据中提取出来的特征矢量,与我们所选取的各神经变性疾病所对应的病理学标志完全一致。大部分测试数据的判别得分能够准确的将其分类至各自对应的疾病种类中去。不具备该疾病典型相关解剖学特征的数据不能被准确分类。GAIA可将阿尔茨海默病从其它类型的神经变性疾病中区分开来。结论：我们提出的GAIA方法,是基于疾病相关的解剖学特征的提取方法,在图像的特征提取与模式识别中有着广阔的应用前景。在未来,可使得放射科医生只需要提交一名患者的图像,就能够将具有类似解剖学特征的相关临床病例全部检索出来,从而对某种疾病的诊断、治疗、预后及随访预测进行大样本的人口学普查及统计分析。