5.4.4 基于弥散张量成像的结构网络构建
由于水分子在有髓纤维的扩散有着较高的各向异性，采用该技术可以测量某个体素内各向异性的大小，从而间接反映髓鞘化程度或纤维束完整性。根据各向异性的方向可以追踪纤维束走向，构建脑白质结构网络。目前基于扩散磁共振成像的纤维追踪技术已被广泛用于正常人和神经精神疾病人群的研究中。
1.脑白质纤维束追踪方法
1）定义节点与边
通常情况下根据先验的灰质图谱，将大脑皮质分成多个区域，每个区域代表一个网络节点。首先，将原始空间中被试的FA图像与其T1WI结构图像进行仿射变换，然后将单个结构图像非线性地注册到ICBM152模板中。接着通过应用逆变换，将标准空间中的图谱映射回原始空间。我们常用的灰质分割模板包括AAL（automated anatomical labeling）、Brodmann和Power图谱等。若两个节点间存在“连接”，那么我们就认为这两个节点之间存在边。对于脑白质结构网络来说，我们判断两个节点间是否存在边以及边的权重是多少，需要通过追踪到的纤维束来定义，而纤维束的追踪算法又分为确定性纤维追踪和概率性纤维追踪。
2）确定性纤维追踪
确定性追踪算法每次都沿着特征方向进行追踪。在进行追踪前我们会设定一个FA的阈值以及转角最大值。若当前点的FA小于设置阈值或者纤维转角大于设定的最大值，即停止追踪。确定性追踪算法主要基于二阶张量的估计结果进行，该方法发展较早且计算量较小，在临床上应用广泛。最早的纤维追踪算法是Mori等［4］提出的FACT（fiber assignment by continuous tracking）算法，基本思想是在大脑皮质挑选一种子点，沿着种子点所在体素的正反两个方向分别进行追踪，追踪到达当前体素的边界时则按照下一个体素之特征方向进行追踪，直到达到终止条件。确定性跟踪算法的终止条件一般是该体素的FA小于某经验值，偏转角过大或者超出有效区域。由此也可发现，每个体素中只能跟踪出一条纤维，不能解决纤维交叉和分叉的问题，所以容易受到数据噪声和部分容积效应的影响。
基于上述方法，我们通常会构建3个基本的加权矩阵：纤维数目（fiber number，FN）加权矩阵、FA加权矩阵和纤维长度（fiber length，FL）加权矩阵。在矩阵中，每一行或每一列代表一个大脑区域／节点。矩阵元素的值分别表示节点i与节点j之间体素连接纤维的个数、FA、长度的平均值。所构建的网络可以采用基于图论方法进行拓扑分析。
3）概率性纤维追踪
较确定性纤维追踪，概率性纤维追踪通常会运行多次追踪，并且纤维方向由概率决定。这种类型的追踪可以提高跟踪灵敏度，特别是对非优势纤维。概率性纤维追踪法在每一步追踪过程中首先计算先验概率（考虑了前一步方向的影响）；然后通过对体素建模计算当前点的似然函数，与先验概率相乘得到后验概率；最后通过采样的方法得到下一步的跟踪方向。该方法能够在一定程度上解决噪声的影响，估计白质纤维路径的不确定性。
我们首先调用FSL中的bedpostx命令，利用抽样技术得到扩散参数的贝叶斯估计，在每个体素上建立扩散参数的分布。接着，调用FSL中的probtrackx命令，将每个已定义脑区／节点对该区域的所有体素执行概率性纤维追踪。对于每一个体素取样5 000根纤维。种子区域i到另一个地区j的连接概率是由纤维穿过j的数量除以取样的总数量。每个节点到其他节点的连接概率都可以基于上述方法进行计算，这就产生了一个特定的加权矩阵。它的行和列表示大脑节点，元素表示节点之间的连接概率。所构建的网络同样也可以后续采用基于图论的方法进行拓扑分析。脑白质网络构建示意图如图5.32所示。
2.在脑疾病中的研究
基于DTI数据构建脑网络的方法已经被越来越多地用于脑疾病研究。例如，Yan等［5］通过确定性纤维追踪的方法构建FA权重网络，发现在轻度认知障碍和阿尔茨海默病患者中核心节点之间的结构连接减少，而在主观认知下降患者中则保持稳定。此外，上述三种患者表现出相似的周边区域（非核心节点）受损模式，且异常区域之间连接减少，这表明周边区域的异常可能导致认知能力下降，且可以作为主观认知下降的早期标志。Li等［6］构建FA权重网络发现，帕金森病患者周围区域（非核心节点）连接强度较正常人显著降低。进行网络拓扑分析发现，帕金森病患者脑网络的最短路径长度较正常人显著上升，而全局效率显著下降，说明帕金森病脑结构连接模式出现异常。Bassett等［8］发现精神分裂症患者核心节点的分布由额叶区域转移到了非额叶区域，如颞下回、脑岛和扣带回等。
图5.32 脑白质网络构建示意图（摘自Cuiet al.2013［7］）（书后附彩插）