腦白質(zhì)纖維束跟蹤算法的研究進展

張 艷宋志堅

(1上海理工大學(xué)光電信息與計算機工程學(xué)院 上海 200093；2復(fù)旦大學(xué)數(shù)字醫(yī)學(xué)研究中心-上海市醫(yī)學(xué)圖像處理與計算機輔助手術(shù)重點實驗室 上海 200032)

腦白質(zhì)纖維束跟蹤算法的研究進展

張 艷1,2宋志堅2△

(1上海理工大學(xué)光電信息與計算機工程學(xué)院 上海 200093；2復(fù)旦大學(xué)數(shù)字醫(yī)學(xué)研究中心-上海市醫(yī)學(xué)圖像處理與計算機輔助手術(shù)重點實驗室 上海 200032)

基于彌散張量成像(diffusion tensor imagine,DTI)技術(shù)的腦白質(zhì)纖維跟蹤(white matter tractography, WMT)是目前唯一非入侵式三維重建活體腦白質(zhì)纖維束解剖結(jié)構(gòu)的方法,有助于深入了解人腦白質(zhì)纖維的微觀結(jié)構(gòu),對神經(jīng)生理研究和臨床應(yīng)用也有較大價值,成為神經(jīng)纖維成像技術(shù)的研究熱點之一。本文在DTI原理的基礎(chǔ)上,歸納總結(jié)了近幾年來比較有代表性的幾類腦白質(zhì)跟蹤算法,重點分析了其跟蹤原理、優(yōu)點和局限性,并介紹了腦白質(zhì)跟蹤算法的應(yīng)用情況,同時對今后的研究發(fā)展進行了展望。

彌散張量成像(DTI)； 白質(zhì)纖維束跟蹤(WMT)； 高角分辨率彌散成像(HARDI)； 壓縮感知(CS)

專家簡介

宋志堅,復(fù)旦大學(xué)數(shù)字醫(yī)學(xué)研究中心主任、上海市MICCAI(Medical Image Computing and Computer Assisted Intervention）重點實驗室主任、復(fù)旦大學(xué)特聘教授、博士生導(dǎo)師。上海市優(yōu)秀曙光學(xué)者、上海市優(yōu)秀學(xué)科帶頭人、上海市領(lǐng)軍人才,享受國務(wù)院特殊津貼。主要從事手術(shù)導(dǎo)航技術(shù)的研究,先后完成多項國家自然科學(xué)基金及863項目,主持完成的“人腦動態(tài)建模、定位與功能保護新技術(shù)及其在神經(jīng)導(dǎo)航中的應(yīng)用”項目獲得2012年國家技術(shù)發(fā)明二等獎,相關(guān)產(chǎn)品已在全國推廣使用,開展導(dǎo)航手術(shù)2萬余例,市場占有率近20%。

人類大腦是自然界中最復(fù)雜的系統(tǒng)之一,而腦白質(zhì)纖維是構(gòu)成大腦復(fù)雜結(jié)構(gòu)和各腦區(qū)信息交流的物質(zhì)基礎(chǔ)。傳統(tǒng)的解剖染色方法在研究腦白質(zhì)纖維時,因其有創(chuàng)性而只能局限于動物和人類尸體,而不適合活體人腦的研究。隨著核磁共振技術(shù)的興起,尤其是彌散張量成像(diffusion tensor imaging, DTI)技術(shù)和腦白質(zhì)纖維束跟蹤(white matter tractography,WMT)技術(shù)的出現(xiàn),使得活體人腦的白質(zhì)纖維解剖結(jié)構(gòu)能夠無創(chuàng)地三維重建出來［1-2］,讓人類對腦白質(zhì)纖維的認(rèn)知產(chǎn)生了質(zhì)的飛躍。這些研究成果對各類神經(jīng)疾病的診斷、神經(jīng)生長過程的研究以及人腦連接網(wǎng)絡(luò)(human connectome)的構(gòu)建等方面有著十分重要的價值［3］。在臨床上,應(yīng)用了DTI技術(shù)的神經(jīng)導(dǎo)航系統(tǒng)能反映白質(zhì)纖維束的病理狀態(tài)及其與鄰近病變的解剖關(guān)系［4］,所以能在外科手術(shù)中有效保護患者的神經(jīng)功能,降低術(shù)后復(fù)發(fā)率和致殘率,成為醫(yī)師提高手術(shù)質(zhì)量、降低手術(shù)風(fēng)險的可靠保證［5］。因此,基于DTI技術(shù)的WMT算法已成為該領(lǐng)域的研究熱點。本文以WMT算法為研究重點,首先介紹了DTI成像的基本原理；然后根據(jù)相關(guān)WMT算法的研究發(fā)展過程,歸納總結(jié)了近幾年來比較有代表性的幾類WMT算法及其新的發(fā)展動向；最后在簡單分析WMT的應(yīng)用情況基礎(chǔ)上,對其今后的研究發(fā)展進行了展望。

DTI成像的基本原理彌散(diffusion)是指分子的隨機移動,即布朗運動。DTI是一種利用組織中水分子彌散的各向異性(anisotropy)引起的磁共振信號變化,來探測組織微觀結(jié)構(gòu)的成像方法,主要用于研究中樞神經(jīng)系統(tǒng)的解剖神經(jīng)束和白質(zhì)纖維解剖結(jié)構(gòu)的顯示。實驗表明：水分子在有髓纖維中的擴散表現(xiàn)出較高的各向異性,尤其在平行于腦白質(zhì)纖維的方向上彌散最快。因此,可以通過張量場中各向異性彌散的方向信息來跟蹤腦白質(zhì)纖維的走行方向,獲取白質(zhì)纖維束的微觀解剖結(jié)構(gòu)信息,從而提取和重建白質(zhì)纖維束［6］。

描述DTI圖像特征的常用參數(shù)包括：反映體內(nèi)水分子向各個方向彌散平均值的表觀彌散系數(shù)(apparent diffusion coefficient,ADC)；相對各向異性(relative anisotropy,RA)和部分各向異性(fractional anisotropy,FA)。其中,RA和FA是最常用的描述彌散各向異性的參數(shù)。實驗表明：水分子彌散越明顯,ADC值越高；并且RA和FA的值具有一致性,代表著水分子在彌散主向量軸上的運動強度。

1999年Mori等首次提出WMT算法,之后隨著計算機技術(shù)的發(fā)展和臨床應(yīng)用的需求,涌現(xiàn)出各種WMT算法。隨著研究的深入,纖維束跟蹤算法從最初的單張量模型(single-tensor model)發(fā)展到多張量模型(multi-tensor model),出現(xiàn)了確定性算法(deterministic fiber tracking)和概率算法(probabilistic fiber tracking)兩類比較典型的算法。近幾年,隨著數(shù)據(jù)采集新方法和圖像處理新理論的出現(xiàn),基于高角分辨率彌散成像(high angular resolution diffusion imaging,HARDI)數(shù)據(jù)的跟蹤算法和基于壓縮感知(compressed sensing or compressed sampling,CS)理論的跟蹤算法成為該領(lǐng)域新的研究熱點。

腦白質(zhì)纖維束跟蹤算法的基本原理腦白質(zhì)纖維跟蹤算法是基于擴散線(streamline propagation)的方法,即線性方法,其基本原理是：利用局部張量信息進行纖維跟蹤,即從一個被稱為“種子點”的體素為起始點開始跟蹤,計算該種子點前進方向的向量,沿該向量方向跟蹤一段距離之后,再以軌跡上新的體素作為起點繼續(xù)跟蹤,反復(fù)迭代上述過程,最后將這些點連接起來就可以代表白質(zhì)纖維的走行［7］。線性追蹤要預(yù)先設(shè)置終止追蹤的條件,一般多設(shè)置為閾值,如迭代次數(shù)、區(qū)域各向異性系數(shù)、擴散線上相鄰體素點的夾角等。

比較有代表性的線性追蹤算法有：流線性跟蹤算法(streamline tracking,STT)［6］、張量彎曲算法(tensor deflection,TEND)、張量線算法(tensor line)、向量選擇跟蹤(vector criterion tracking, VCT)算法［8］。線性WMT算法存在的問題［9］：第一,只考慮彌散張量的主特征向量,未考慮圖像中的噪聲和部分容積效應(yīng)造成的誤差積累問題；第二,人為設(shè)置的終止條件會丟失某些轉(zhuǎn)向角度較大的纖維束(如Meyer環(huán))；第三,無法解決纖維束交叉的問題。為解決上述問題,學(xué)者們做了大量改進線性算法的研究,提出了一些改進算法,如基于亞體素(subvoxel)坐標(biāo)系的WMT算法［6,10］、用全局張量信息來調(diào)整纖維束走向的WMT算法［8］、用局部張量特征信息進行自適應(yīng)優(yōu)化的WMT算法［11］等。

確定性纖維束追蹤算法以上述線性算法為基本原理的確定性算法是比較成熟的一類WMT算法。該類算法通常利用體素所含的張量信息,根據(jù)設(shè)定的追蹤策略來連接相鄰體素,算法的實現(xiàn)過程一般包括選取種子點、確定纖維追蹤終止條件和纖維選擇策略等3個步驟。根據(jù)采用的數(shù)學(xué)模型不同可分為單張量模型(single-tensor model)的算法和多張量模型(multi-tensor model)的算法。

單張量模型的確定性算法 單張量模型認(rèn)為每個體素僅穿過一條纖維,可利用求解張量場主特征向量的特征值來跟蹤白質(zhì)纖維束的走行［12-13］,上文提到的線性算法就屬于此類算法。下面重點介紹幾種比較成熟且在臨床得到一定應(yīng)用的此類算法：

STT算法：由Mori等［6］提出的STT算法是最早的線性算法,也是在臨床上得到一定應(yīng)用的WMT算法,其核心思想是將一曲線上每個點的切線方向定義為主特征向量方向,用一條以弧長為參數(shù)的三維空間曲線描述白質(zhì)纖維的軌跡,最后通過體繪制或面繪制重建出腦白質(zhì)纖維束。

TEND算法：該算法與線性算法略有不同,它不以當(dāng)前種子點的主特征向量方向為追蹤方向,而是以主特征向量發(fā)生偏轉(zhuǎn)的方向為準(zhǔn)則進行追蹤。這種算法重建出的纖維束長且平滑,無角度突變,在各向異性程度小的區(qū)域具有一定的優(yōu)勢。但是,該算法對所有的彌散張量都不加區(qū)別地采取偏轉(zhuǎn)處理,在各向異性程度大的區(qū)域跟蹤纖維束時容易出現(xiàn)偏差；而且該算法要用整個彌散張量進行計算,數(shù)據(jù)量較大,算法的準(zhǔn)確性還有待進一步的臨床驗證［8］。

FACT算法(fiber assignment by continuous tracking)：該算法認(rèn)為纖維束在神經(jīng)系統(tǒng)中的軌跡是空間三維曲線,曲線上每點的方向為該點處正切向量,該向量對應(yīng)于該點的主特征向量。在跟蹤時, FACT算法以人為設(shè)置的感興趣區(qū)ROI(region of interested)內(nèi)的體素為種子點,以種子點的主特征向量方向為纖維束走形方向,并向相反兩個方向延長擴展纖維束,直至到達種子點的邊界為止,然后反復(fù)這樣迭代。其中,FA值、偏轉(zhuǎn)角度、延長長度是該算法設(shè)置追蹤終止條件的3個重要參數(shù)。計算簡單、跟蹤高效是該算法的特點,同時還可以結(jié)合Brute Force方法和選取多個感興趣區(qū)域來減少追蹤的錯誤。快速、簡單以及能在各向異性較強區(qū)域較好地跟蹤纖維束走行方向是FACT算法的優(yōu)點。但是,如果體素有多條纖維通過,由于無法辨別各條纖維的走形方向,造成該算法在追蹤此類神經(jīng)纖維束時會產(chǎn)生一定的誤差［12］。

GTRACT算法(guided tensor restore anatomical connectivity tractography)：該算法的核心思想是在追蹤迭代過程中,用搜索的解剖信息來引導(dǎo)追蹤,纖維路徑上每一點方向僅由當(dāng)前體素或鄰近體素決定。由于GTRACT算法對圖像噪聲不敏感,所以可以得到較好效果,而且該算法還能夠部分解決復(fù)雜區(qū)域的纖維束交叉問題［12-13］。但是,該算法在參數(shù)設(shè)置不合理時會產(chǎn)生錯誤的追蹤結(jié)果,同時由于未考慮部分容積效應(yīng),跟蹤的精確度受到一定限制,例如：在大腦灰質(zhì)和白質(zhì)交界處或纖維交叉區(qū)域容易錯誤估計追蹤方向,從而影響迭代的追蹤結(jié)果［12］。

單張量模型算法的數(shù)據(jù)模型相對簡單,容易實現(xiàn),但是追蹤效果受到追蹤方向、ROI選擇、終止準(zhǔn)則的設(shè)定等諸多因素的影響。為提高算法的準(zhǔn)確性,很多研究從這些因素入手對算法進行優(yōu)化,如：用貝葉斯張量歸一化(Bayesian tensor regularization)算法來優(yōu)化追蹤方向,用自動投影的算法精確ROI的選擇,結(jié)合先驗解剖知識設(shè)置終止準(zhǔn)則等［12］。如果利用解剖知識為指導(dǎo)進行跟蹤,能夠改善追蹤的準(zhǔn)確度,在復(fù)雜的纖維交叉區(qū)追蹤效果較好［14］。

多張量模型的確定性算法 DTI成像的分辨率通常為毫米級,而神經(jīng)纖維直徑的實際大小是微米級,因此單個體素本身含有的很多纖維束的信息被忽略了。多張量模型以體素的單張量信息為基本點,將其分解為多個特征向量來跟蹤單個體素內(nèi)的多條腦白質(zhì)纖維束走行方向［15-16］。這類模型的代表算法如下：

雙張量模型(two-tensor model)的確定性算法：該算法認(rèn)為單個體素(多為扁平體素)含有兩條交叉纖維束的信息,以預(yù)先設(shè)定的幾何限制為終止條件,為跟蹤兩條交叉纖維各自的走行,采用最小二乘法將扁平體素代表的單張量分解為雙張量,其中每個張量分別表示一條纖維束的走行方向,從而模擬出交叉纖維束的走行方向［16］。由于雙張量模型能夠有效地分解體素中的交叉纖維束方向,由此擴展而來的拓展線性跟蹤算法(extended streamline tractography,XST)采用更精確的多張量模型模擬交叉纖維的走行方向,國外已有臨床實驗數(shù)據(jù)和體模驗證數(shù)據(jù)表明該算法能較準(zhǔn)確地顯示富含神經(jīng)纖維束的內(nèi)囊的微觀結(jié)構(gòu)［17］。

高階張量模型(high order-tensor model)的確定性算法：在雙張量模型的基礎(chǔ)上,有些研究者利用HARDI數(shù)據(jù),基于任意階次的正定高階張量理論［18］,改進以往的纖維束追蹤算法,提出一種能夠快速獲得任意階張量纖維特征方向的迭代搜索算法,通過高階張量模型來獲得穩(wěn)定、精確的纖維特征方向,從而追蹤纖維束走形,初步解決了現(xiàn)有方法搜索不收斂帶來的誤差和計算效率問題［19］。

概率纖維束追蹤算法與確定性算法不同,概率纖維束跟蹤算法將單個張量看作是各向異性與各向同性模型的合成形式,通過引入相關(guān)的概率(決策)算法完成張量求解。概率纖維束追蹤算法以兩個或更多特定區(qū)域之間相互連接的可能性概率分布為著眼點,用概率分布函數(shù)(probability distribution function,PDF)確定纖維束追蹤的主方向,并對體素之間的相關(guān)性進行量化,使用張量模型來估計每個體素最大可能的纖維束走形方向［20-21］。該算法的關(guān)鍵在于纖維束分叉的計算,其精確度取決于PDF、體素是否相連等因素以及在此基礎(chǔ)上所設(shè)計的追蹤模型。具體追蹤時分無交叉纖維束的跟蹤和有交叉纖維束的跟蹤兩種不同情況：前者在大FA值時,PDF函數(shù)沿設(shè)定軸方向呈正態(tài)分布；而后者的PDF函數(shù)呈雙軸正態(tài)分布,并且能用蒙特卡羅(Monte Carlo)算法來估計纖維連接的概率。因此,概率纖維束跟蹤算法最終為用戶提供了一個定量指導(dǎo)。

概率纖維追蹤算法的優(yōu)點是：可以減少部分容積效應(yīng)與噪聲的影響,提高追蹤的精度；既能顯示大纖維束,又能顯示小纖維束,還可進行纖維束分叉的計算。但是,概率纖維追蹤算法的計算量比確定性追蹤算法大、耗時長,所以達不到臨床應(yīng)用的要求,而且數(shù)據(jù)獲取的方式對交叉纖維束追蹤結(jié)果也有一定影響。

下面介紹一種研究得比較多的概率跟蹤算法——全局優(yōu)化算法(global optimization algorithm)。由于噪音和方向的不確定性受部分容積效應(yīng)的影響,按彌散張量的主特征向量進行白質(zhì)纖維束跟蹤時易出現(xiàn)錯誤累積［15］。全局優(yōu)化法就是解決該問題的一種概率算法,其基本原理是在一定的限制條件下(多用代價函數(shù)表示),用曲線擬合的方法連接離散點；跟蹤時以最短或最適合的路徑搜索,使其與主特征向量保持大體一致,同時在擬合過程中對所得的纖維束進行幾何平滑［14-15］。這是一種在迭代過程中找到張量一致性與纖維束平滑度之間最佳平衡的追蹤方法。由于該方法可以較好地消除噪聲的累積效應(yīng),所以常與其他纖維束追蹤算法結(jié)合使用,但其不足之處是計算量較大。

纖維束追蹤算法研究的新動向

基于HARDI數(shù)據(jù)的纖維束追蹤算法 臨床MRI數(shù)據(jù)的分辨率通常為3～15 mm3,WMT算法中的纖維束直徑為毫米級,而實際神經(jīng)纖維的直徑為微米級,在追蹤體素內(nèi)交叉、分叉和扇形等復(fù)雜纖維束時上述方法在精確度上很不理想。隨著核磁共振技術(shù)和設(shè)備的進步,人們從數(shù)據(jù)采集的視角出發(fā)提出了HARDI技術(shù)［22-24］。HARDI數(shù)據(jù)的突出特點是多梯度(至少50個以上的梯度)、大b值(實驗室常用3 000 s/mm3),成像時常采用多張量模型和QBI(Q-ball imaging)技術(shù)［25］。HARDI本身是一種新的數(shù)據(jù)獲取和成像方法,在HARDI數(shù)據(jù)的基礎(chǔ)上,改進以往的跟蹤算法可以重建出比較準(zhǔn)確的結(jié)構(gòu)復(fù)雜的纖維束圖像。

與基于DTI數(shù)據(jù)的纖維束追蹤技術(shù)相比, HARDI技術(shù)可選多個方向,并采用現(xiàn)有的各種算法進行追蹤,能夠較準(zhǔn)確地解決纖維束交叉的問題［25］,追蹤結(jié)果在精確度和準(zhǔn)確性方面有了質(zhì)的飛躍。美國醫(yī)師對兒童聽覺神經(jīng)纖維束的追蹤實驗結(jié)果表明：用HARDI方法得到的聽覺神經(jīng)纖維比用DTI數(shù)據(jù)得到的跟蹤結(jié)果在準(zhǔn)確性方面提高了一倍多［26］。從日益增加的研究文獻來看,HARDI纖維束追蹤的發(fā)展是一個研究和開發(fā)比較活躍的領(lǐng)域。

基于CS理論的纖維束追蹤算法 目前比較成熟的WMT算法(如確定性追蹤算法、概率追蹤算法等)由于受到物理設(shè)備和病理特征等客觀因素和算法本身局限性的制約,在處理時間和精度上不能達到臨床應(yīng)用的要求［27］,對于復(fù)雜結(jié)構(gòu)的纖維束的成像處理也不盡如人意。而HARDI數(shù)據(jù)獲取的前提條件要求高、時間長、運算量大,目前在臨床中還無法應(yīng)用。因此,需要一種新的方法來解決纖維束追蹤的速度與精度問題。近幾年出現(xiàn)的CS理論為解決纖維束追蹤問題的瓶頸提供了新思路。

CS理論是由美國科學(xué)家于2006年提出的一種新的信息獲取指導(dǎo)理論［28-30］。主體思想為：利用信號稀疏性的特征,用遠(yuǎn)低于奈奎斯特采樣定理要求的速率對信號隨機稀疏采樣,獲取少量圖像信息,通過在變換空間建立新的信號描述和處理理論框架,結(jié)合先驗知識直接重構(gòu)出圖像。

CS理論的特點非常符合醫(yī)學(xué)成像領(lǐng)域的應(yīng)用需求,在MRI成像方面有很好的應(yīng)用前景,這主要基于MRI成像本身的特點：首先,MRI成像原理決定了其在頻率空間中對圖像進行采樣,而不是直接在像素的級別上進行采樣；其次,MRI圖像本身具有可壓縮性,能夠在變換域中稀疏編碼(如小波變換、傅立葉變換)。

因此,根據(jù)MRI成像原理,利用探測到的自由感應(yīng)衰減信號與體素灰度圖像之間的二維傅立葉變換關(guān)系(即體素灰度圖像在二維傅立葉空間中所具有的稀疏性),在CS理論指導(dǎo)下,隨機稀疏采樣獲取信號,然后根據(jù)圖像的先驗知識重構(gòu)出完整圖像［31］。研究者從二維成像算法入手,逐步實現(xiàn)了基于CS理論的MRI數(shù)據(jù)三維成像。其中,Lustig等［31］利用二維傅立葉空間的稀疏性,首先完整地提出了基于CS理論的MRI二維成像理論,隨后很多研究者在此基礎(chǔ)上做了大量的算法改進研究。Dong等［32］設(shè)計了一種基于二階段微分方程的拉普拉斯濾波器,與傳統(tǒng)方法相比,該方法在重構(gòu)質(zhì)量上有一定優(yōu)勢,但是計算復(fù)雜度較大,且算法收斂速度較慢。在壓縮并行成像以及三維成像領(lǐng)域, Aelterman等［33］提出了基于CS理論的壓縮并行成像技術(shù),對MRI圖像體素的質(zhì)子密度信號進行多路復(fù)用,利用不同敏感度的傳感器線圈采集信號,最終采用Split Bregman方法完成圖像重建,使得重建圖像具有更高的信噪比?；贑S理論的三維高分辨率成像技術(shù)通過在多個并行處理器上運行,大大縮短了三維成像時間［34］。

HARDI技術(shù)能對諸如交叉、分叉、扇型等復(fù)雜結(jié)構(gòu)的纖維束較準(zhǔn)確成像,但要獲取多個梯度的數(shù)據(jù),代價較高,而CS理論采樣的稀疏性恰好可以彌補HARDI方法的這一缺陷。國外有研究者將HARDI與CS結(jié)合起來進行了初步嘗試：在采集少量3T-MRI數(shù)據(jù)的前提下,以HARDI+CS為技術(shù)路線,用多方向的確定性纖維束追蹤算法(multidirectional deterministic fiber tractography)三維重建出白質(zhì)纖維束的復(fù)雜結(jié)構(gòu)［35］。Kuhnt等［36］用上述方法進行了臨床試驗,即將外科醫(yī)師所得的影像信息運用于神經(jīng)外科手術(shù)導(dǎo)航系統(tǒng)中,結(jié)果表明該方法的準(zhǔn)確度和精確性大大超過傳統(tǒng)的基于DTI數(shù)據(jù)的跟蹤算法,而且數(shù)據(jù)處理時間比單一使用HARDI數(shù)據(jù)縮短很多,使導(dǎo)航軟件的處理時間縮短至45 min以內(nèi),且手術(shù)效果明顯提高。這種HARDI+CS的技術(shù)路線為白質(zhì)纖維束跟蹤研究提供了一個新視野,適合臨床應(yīng)用。

WMT的主要應(yīng)用DTI是當(dāng)前神經(jīng)解剖和生理研究領(lǐng)域唯一的非侵入性醫(yī)學(xué)成像手段,而各類WMT算法在生理研究和疾病的診斷與治療中發(fā)揮了巨大作用,是傳統(tǒng)MRI方法的有力補充,其應(yīng)用主要包括生理研究和臨床應(yīng)用兩個方面。

生理研究 21世紀(jì)以來,人腦結(jié)構(gòu)連接網(wǎng)絡(luò)的研究一直是神經(jīng)科學(xué)中的重要課題［37］。2012年12月出版的美國《科學(xué)》雜志把人腦連接組計劃(human connectome project,HCP)列為2013年6個值得關(guān)注的科研領(lǐng)域之一。在以往的研究中,由于缺少合適的無創(chuàng)性實驗手段,科學(xué)家們在研究人腦結(jié)構(gòu)的特征方面進展緩慢。DTI成像技術(shù)問世后,研究人員從分析白質(zhì)神經(jīng)纖維束入手,發(fā)現(xiàn)造成水分子彌散各向異性的主要原因與腦白質(zhì)神經(jīng)纖維的直徑密度、神經(jīng)膠質(zhì)細(xì)胞的密度和磷脂化程度以及神經(jīng)纖維的方向和結(jié)構(gòu)有關(guān)。在此基礎(chǔ)上,利用WMT追蹤技術(shù),結(jié)合圖論等數(shù)學(xué)工具,研究者在構(gòu)建人類大腦的結(jié)構(gòu)和功能連接網(wǎng)絡(luò)方面的研究中取得了一系列重要進展,為了解人腦內(nèi)部復(fù)雜的信息處理過程與高效的組織模式提供了有效途徑,也為實現(xiàn)人腦的智能處理器奠定了基礎(chǔ)［3］。同時,還為理解神經(jīng)及精神疾病的病理機制提供了新視角,為阿爾茲海默病和精神分裂癥等疾病的早期診斷、治療與評價提供了腦網(wǎng)絡(luò)影像學(xué)標(biāo)記［38］。

臨床應(yīng)用 DTI成像技術(shù)在評價神經(jīng)疾病的病理改變以及組織結(jié)構(gòu)與功能間的關(guān)系等方面具有重要的臨床價值,尤其是在腦白質(zhì)纖維束的追蹤觀察對腦部病變的診斷和治療方面。

由于許多腦部病變都會引起ADC和FA值發(fā)生改變,因此利用腦白質(zhì)纖維的追蹤技術(shù)可以觀察纖維束與腦部腫瘤的位置關(guān)系,分析腫瘤浸潤腦內(nèi)纖維束的情況,從而確定白質(zhì)纖維束的受損程度［39］。這有助于腦腫瘤、多發(fā)性硬化、阿爾茨海默病與帕金森病、精神分裂等多種神經(jīng)疾病的診斷,也使得基于神經(jīng)纖維束的腫瘤分級、手術(shù)計劃制定、術(shù)后評估等技術(shù)在臨床上發(fā)揮重要作用［40］。例如：以往在劃分膠質(zhì)瘤級別時往往依靠術(shù)后病理組織切片,而術(shù)前則無法準(zhǔn)確判斷,使診斷和治療效果受到很大影響。有了WMT技術(shù),就能在術(shù)前根據(jù)腫瘤引起的腦白質(zhì)纖維傳導(dǎo)束走形的變化情況進行無創(chuàng)診斷,正確區(qū)分膠質(zhì)瘤的等級。由復(fù)旦大學(xué)數(shù)字醫(yī)學(xué)研究中心主任宋志堅教授主持完成的科研項目利用腦白質(zhì)纖維跟蹤技術(shù)實現(xiàn)了以腦白質(zhì)纖維圖像信息定量分析為前提的無創(chuàng)性術(shù)前腫瘤分級診斷；同時,應(yīng)用該診斷信息的手術(shù)導(dǎo)航系統(tǒng)能夠使醫(yī)師在術(shù)中準(zhǔn)確判定與腫瘤鄰近的重要纖維束的結(jié)構(gòu)、走形、移位等信息,從而在保證盡量徹底切除腫瘤的情況下,減少對重要纖維的損傷,提高患者預(yù)后［41-42］。

此外,WMT技術(shù)在研究腦神經(jīng)的生長、發(fā)育、退化等方面也極具價值［43］,國內(nèi)外許多研究都是利用WMT技術(shù)的優(yōu)勢,結(jié)合TBSS(tract-based spatial statistics)這種針對腦白質(zhì)的統(tǒng)計學(xué)量化分析方法,來探索新生兒腦發(fā)育的規(guī)律［44］。

總結(jié)與展望WMT是目前研究腦白質(zhì)纖維束唯一的非侵入無創(chuàng)性方法,使許多領(lǐng)域的研究有了質(zhì)的飛躍,例如：一些主要的傳導(dǎo)束三維重建的結(jié)果與傳統(tǒng)神經(jīng)解剖有較高的一致性。臨床上導(dǎo)航信息與纖維束跟蹤技術(shù)的結(jié)合已成為數(shù)字醫(yī)學(xué)科研單位的研究重點,其目的是在術(shù)中準(zhǔn)確定位白質(zhì)纖維束與腫瘤之間的位置關(guān)系。本文對幾類比較有代表性的WMT算法和最近幾年出現(xiàn)新的纖維束算法進行了歸納總結(jié)。但是,至今還沒有一種通用于各類情況的普適跟蹤算法,每一種算法都有自己的特點、優(yōu)勢和局限性,在實踐中要結(jié)合實際情況選擇使用。

纖維束追蹤技術(shù)從出現(xiàn)到應(yīng)用于特定的臨床領(lǐng)域,為滿足精度要求經(jīng)歷了各種嘗試,目前確定性追蹤算法被廣泛使用,而其他幾種算法存在處理時間較長、缺乏臨床驗證等局限,無法進行臨床應(yīng)用。今后,兼顧高精確性和高處理速度的實時性算法將成為研究的主流。為實現(xiàn)這樣的目標(biāo),一方面,我們可以提高MRI的成像速度,獲取更準(zhǔn)確的數(shù)據(jù)；另一方面,我們要引入更高信噪比的纖維束追蹤策略,提高復(fù)雜結(jié)構(gòu)纖維束追蹤的精確度,同時注意縮短算法的處理時間,在精度與速度上找到平衡點,讓纖維束追蹤技術(shù)在臨床應(yīng)用和生理病理研究方面發(fā)揮更大作用。我們認(rèn)為在比較成熟的算法基礎(chǔ)上,引入CS理論的跟蹤算法更切實可行,并便于今后的臨床應(yīng)用。

［1］ Mukherjee P,Berman JI,Chung SW,et al.Diffusion tensor MR imaging and fiber tractography：Theoretic underpinnings［J］.AJNR Am J Neuroradiol,2008,29 (4)：632-641.

［2］ Mukherjee P,Chung SW,Berman JI,et al.Diffusion tensor MR imaging and fiber tractography：technical considerations［J］.AJNR Am J Neuroradiol,2008,29 (5)：843-852.

［3］ Sporns O.The human connectome：a complex network［J］.Ann NY Acad Sci,2011,1224：109-125.

［4］ 姚旭峰,宋志堅.磁共振彌散張量成像纖維束追蹤算法的研究進展［J］.醫(yī)學(xué)研究雜志,2012,41(6)：174-176.

［5］ Grunert P,Darabi K,Espinosa J,et al.Computer-aided navigation in neurosurgery［J］.Neurosurg Rev,2003,26 (2)：73-99.

［6］ Mori S,van Zijl PCM.Fiber tracking：principles and strategies—a technical review［J］.NMR Biomed,2002,15 (7-8)：468-480.

［7］ Pajevic S,Aldroubi A,Basser PJ.A continuous tensor fields approximation of discrete DT-MRI data for extracting microstructural and architectural features of tissue［J］.J Magn Reson Imaging,2002,154(1)：85 -100.

［8］ Lazar M,Weinstein DM,Tsuruda JS,et al.White matter tractography using diffusion tensor deflection［J］.Hum Brain Map,2003,18(4)：306-321.

［9］ McGirt MJ,Chaichana KL,Muraya G,et al.Independent association of extent of resection with survival in patients with malignant brain astrocytoma［J］.J Neurosurg,2009, 110(1)：156-162.

［10］ Conturo T,Lori N,Cull T,et al.Tracking neuronal fiber pathways in the living human brain［J］.Proc Natl Acad Sci USA,1999,96(104)：22-27.

［11］ Chou MC,Wu ML,Chen CY,et al.Tensor deflection (TEND)tractography with adaptive subvoxel stepping［J］.J Magn Reson Imaging,2006,24(2)：451-458.

［12］ Cheng P.Evaluation of the GTRACT diffusion tensor tractography algorithm：a validation and reliability study［J］.Neuroimage,2006,31(3)：1075-1085.

［13］ Mishra A,Anderson AW,Wu X,et al.An improved Bayesian tensor regularization and sampling algorithm to track neuronal fiber pathways in the language circuit［J］. Med Phys,2010,37(8)：4274-4287.

［14］ Chung HW,Chou MC,Chen CY.Principles and limitations of computational algorithms in clinical diffusion tensor MR tractography［J］.Neuroradiology,2011,32 (1)：3-13.

［15］ Hagler DJ Jr,Ahmadi ME,Kuperman J,et al.Automated white-matter tractography using a probabilistic diffusion tensor atlas：Application to temporal lobe epilepsy［J］. Hum Brain Mapp,2009,30(5)：1535-1547.

［16］ Peled S,Friman O,Jolesz F,et al.Geometrically constrained two-tensor model for crossing tracts in DWI［J］.Magn Reson Imaging,2006,24(9)：1263-1270.

［17］ Qazi AA,Radmanesh A,OˊDonnell L,et al.Resolving crossings in the corticospinal tract by two-tensor streamline tractography：Method and clinical assessment using f MRI［J］.Neuroimage,2009,47(s2)：98-106.

［18］ Barmpoutis A,Vemuri BC.A unified framework for estimating diffusion tensors of any order with symmetric positive-definite constraints［C］.Proc IEEE Int Symp Biomed Imaging,2010：1385-1388.

［19］ 李蓉,馮遠(yuǎn)靜,邵開來,等.磁共振擴散高階張量成像的腦白質(zhì)纖維微結(jié)構(gòu)模型及特征提取算法［J］.中國生物醫(yī)學(xué)工程學(xué)報,2012,31(3)：365-373.

［20］ Parker GJM,Alexander DC.Probabilistic Monte Carlo based mapping of cerebral connections utilising wholebrain crossing fibre information［C］.Information Proc Med Imaging(IPMIˊ03),LNCS,2003,2732：684-695.

［21］ Bjornemo M,Brun A,Kikinis R,et al.Regularized stochastic white matter tractography using diffusion tensor mri［C］.MICCAI,2002,2488：135-442.

［22］ Wedeen VJ,Wang RP,Schmahmann JD,et al.Diffusion spectrum magnetic resonance imaging(DSI)tractography of crossing fibers［J］.Neuroimage,2008,41(4)：1267 -1277.

［23］ Cheng Jian,Ghosh A,Deriche R,et al.Model-free, regularized,fast,and robust analytical orientation distribution function estimation［C］.MICCAI,2010,6361：648-656.

［24］ Jia D,Goh A,Qiu A.Diffeomorphic metric mapping of high angular resolution diffusion imaging based on riemannian structure of orientation distribution functions［J］.IEEE Trans J Med Imag,2012,31(5)：1021-1031.

［25］ Tuch DS.Q-ball imaging［J］.Magn Reson Med,2004,52 (6)：1358-1372.

［26］ Berman JI,Lanza MR,Blaskey L,et al.High angular resolution diffusion imaging probabilistic tractography of the auditory radiation［J］.AJNR Am J Neuroradiol, 2013,34(8)：1573-1578.

［27］ Descoteaux M,Deriche R,Kn?sche TR,et al. Deterministic and probabilistic tractography based on complex fibre orientation distributions［J］.IEEE Trans J Med Imag,2009,28(2)：269-281.

［28］ Donoho D.Compressed sensing［J］.IEEE Trans Information Theory,2006,52(4)：1289-1306.

［29］ Emmanuel C,Justin R,Terence T.Robust uncertainty principles：Exact signal reconstruction from highly incomplete frequency information［J］.IEEE Trans Information Theory,2006,52(2)：489-509.

［30］ Emmanuel C,Terence T.Near optimal signal recovery from random projections：Universal encoding strategies［J］.IEEE Trans Information Theory,2006,52(12)：5406-5425.

［31］ Lustig M,Donoho D,Pauly JM.Sparse MRI：the application of compressed sensing for rapid MR imaging［J］.Magn Reson Med,2007,58(6)：1182-1195.

［32］ Dong Y,Ji J.Compressive sensing MRI with laplacian sparsifying transform［C］.Proc IEEE Int Symp Biomed Imaging,2011：81-84.

［33］ Aelterman J,Luong HQ,Goossens B.Compass：A joint framework for parallel imaging and compressive sensing in MRI［C］.IEEE Int Conference Image Proc,2010：1653-1656.

［34］ Kim D,Trzasko JD,Smelyanskiy M,et al.High performance 3D compressive sensing MRI reconstruction［C］.IEEE EMBC,2010：3321-3324.

［35］ Michailovich O,Rathi Y,Dolui S.Spatially regularized compressed sensing for high angular resolution diffusion imaging［J］.IEEE Trans Med Imaging,2011,30(5)：1100-1115.

［36］ Kuhnt D,Bauer MHA,Egger J,et al.Fiber tractography based on diffusion tensor imaging compared with highangular-resolution diffusion imaging with compressed sensing：initial experience［J］.Neurosurgery,2013,72 (S1)：165-173.

［37］ Lichtman JW,Sanes JR.Ome sweet ome：What can the genome tell us about the connectome？［J］.Curr Opin Neurobiol,2008,18(3)：346-353.

［38］ Lehrer J.Neuroscience：Making connections［J］.J Nature,2009,457(7229)：524-527.

［39］ Kabakci N,Gürses B,Firat Z,et al,Diffusion tensor imaging and tractography of median nerve：Normative diffusion values［J］.Am J Roentgenol,2007,189(4)：923 -927.

［40］ Baudrexel S,Klein JC,Deichmann R,et al.Innovative MRI techniques in Parkinsonˊs disease［J］.J Nervenarzt, 2010,81(10)：1180-1188.

［41］ Chen XL,Daniel W,Ganslandt,et al.Diffusion tensorbased fiber tracking and intraoperative neuronavigation for the resection of a brainstem cavernous angioma［J］.J Surg Neurol,2007,68(3)：285-291.

［42］ 馬琳.神經(jīng)導(dǎo)航系統(tǒng)中的高低級別膠質(zhì)瘤的鑒別診斷以及基于多DTI參數(shù)診斷模型的建立［D］.復(fù)旦大學(xué),2012：38-54.

［43］ Yoshida S,Oishi K,Faria A,et al.Diffusion tensor imaging of normal brain development［J］.J Pedlatr Radiol,2013,43(1)：15-21.

［44］ Richa T,Rakesh KG,Nuzhat H,et al.Region-specific maturation of cerebral cortex in human fetal brain：diffusion tensor imaging and histology［J］.J Neuroradiol, 2009,51(9)：567-576.

Advance in the study of white matter tractography

ZHANG Yan1,2,SONG Zhi-jian2△
(1School of Optical-Electrical and Computer Engineering,University of Shanghai for Science and Technology, Shanghai,200093,China；2Digital Medical Research Center of Fudan University-Shanghai Key Laboratory of Medical Image Computing and Computer Assisted Intervention,Shanghai 200032,China)

White matter tractography(WMT)based on diffusion tensor imaging(DTI)is the only available technique for the 3D reconstruction of white matter micro-architecture non-invasively and in vivo.It is very important for the neurophysiological research and clinical works.In this article,several algorithms of white fiber tractography are reviewed,including their advantages and limitations on the basis of the principle of tracking.At the same time,the applications of WMT are introduced.Finally, future research and development of WMT are also discussed.

diffusion tensor imaging(DTI)； white matter tractography(WMT)； high angular resolution diffusion imaging(HARDI)； compressed sensing(CS)

R 318,R 312

A

10.3969/j.issn.1672-8467.2014.01.001

2013-10-25；編輯：張秀峰)

△Corresponding author E-mail：zjsong@fudan.edu.cn