第二章　精神影像数据分析方法

第一节　结构分析

对活体脑灰白质结构的影像学观察不仅依赖于影像设备的发展，也依赖于测量技术的不断发展。CT和MRI是研究脑结构的主要工具。CT虽然在临床应用较早，且具有较高的密度分辨率，但由于其组织分辨率低，因而对精神疾病脑结构的研究多为阴性结果。MRI技术具有较高的组织分辨率，但早期低场磁共振的空间分辨率较低。近年来，随着磁共振技术的不断发展，特别是高场强磁共振技术的发展，其空间分辨率大大提高（亚毫米级），使得我们能够在活体上精细地观察脑灰白质的结构改变。基于这一技术，不断有研究报道常规检查阴性的精神疾病患者存在灰白质体积及密度的异常，但脑结构形态异常不仅限于体积及密度的异常，还包括沟回的改变，如沟回的数量、深浅以及频率高低等，这些复杂的形态学变化仅凭肉眼难以做出准确判断，因此运用不同的方法及测量指标从不同的角度来刻画大脑皮层沟回形态的复杂度，可使我们更好地了解大脑的功能和发育情况，以及精神疾病的发病机制，从而辅助诊断及预测各类精神疾病的治疗效果。

目前常用的两种基于MRI技术的脑结构分析方法包括：基于体素的形态学分析法（voxel-based morphometry，VBM）和基于脑表面的形态学分析法（surface-based morphometry，SBM），以下将分别介绍这两种分析方法的常用软件及处理流程。

一、体积和密度的分析方法

基于体素的形态学分析法即VBM是以体素为基本单位，以统计参数图软件（statistical parametric mapping，SPM）为平台的自动分析技术，把全脑作为一个整体，通过定量计算分析MRI图像中每个体素的脑灰质或白质密度或体积的变化来评价相应解剖结构的差异。VBM最早由莱特（Wright）［1］等人在1995年提出，2000年阿什伯纳（Ashburner）和弗理斯顿（Friston）［2］提出了VBM的标准处理流程：①对原始图像进行空间标准化（spatial normalization），将所有的图像配准到标准空间；②对标准化后的图像进行组织分割（segmentation），将灰质、白质、脑脊液分开；③对分割后的图像进行平滑（smoothing）；④对每个体素进行统计检验找出差异区域。

之后，古德（Good）［3］等人注意到传统的VBM在组织分割的过程中会有一些偏差，他们改进了传统的VBM方法，即将研究对象头颅的T1加权图像进行空间校正，使被试者均处于同一个标准的三维立体空间，具有同样的坐标系统，以消除个体头颅形状的差异，为逐个体素的比较创造空间一致性。然后，对标准化后的头颅进行图像分割，根据研究的具体要求，选择提取出来的灰质或白质图像部分，再对图像进行空间标准化，将体素内的信号强度转换成为代表灰质的密度。另外，他们还考虑了非刚体配准导致的体积变化，额外增加了体积校正，也即优化的VBM，通过体积校正后得到的度量不再是密度，而是局部体积。通常认为灰质密度（gray matter density／concentration，GMD／GMC）反映了神经元细胞在灰质中的密度，而灰质体积（gray matter volume，GMV）则反映局部灰质体积的信息。该方法通过对实验群体所采集的T1加权图像中的所有像素逐个进行统计，定量对比分析组间脑组织成分的差异，可准确地评价脑灰、白质形态变化。传统的和优化的基于体素的形态学分析法（optimized voxel-based morphometry，OVBM）方法的不同之处在于OVBM方法创造了一个适用于自身研究的模板，而该模板的使用可降低标准化时使用SPM自带模板所带来的误差。古德（Good）［3］等比较了上述两种方法，认为OVBM所得结果更加准确、可靠。

阿什伯纳（Ashburner）［4］在OVBM的基础上又进一步完善了其计算方法，提出了基于快速微分同胚的配准算法（diffeomorphic anatomical registration through exponentiated lie algebra，DARTEL），此方法在SPM8的软件包内，DARTEL方法首先把所有的个体图像配准到标准模板，并对图像灰白质进行分割，所有被试的灰白质密度值进行平均产生DARTEL的首次配准模板，后用类似方法通过多次迭代算法将所有被试的灰白质图像密度进行平均产生新的图像，每3次迭代产生一个新的模板，经过18次迭代算法得到共6个模板，18次迭代算法有助于提高平均图像的空间精密度。该方法通过计算流场（flow fleld）配准图像，用自身模板变形更小，配准更精确，解剖定位也更准确（图2-1-1）。

VBM-DARTEL的方法，在OVBM方法的基础上分隔的准确性又有进一步提高，既可观察灰质密度的差异，又可反映出体积的差别，进行平滑后便可进行后续的数据处理及统计，通常采用统计参数图软件SPM8（http:/www.fil.ion.ucl.ac.uk/spm/）软件进行。

VBM-DARTEL方法的主要步骤包括：

（1）检查每一个被试图像是否有扫描伪影及解剖异常，剔除不合格的被试图像。

（2）将坐标原点设在前联合位置。

（3）在SPM8中将所有纳入对象的全脑3D图像分割成灰白质及脑脊液（文件后缀名为*seg sn.mat）。

（4）导入分割后灰白质图像在DARTEL中进行非线性配准。

（5）用分割得到的所有被试的灰质图像进行平均，创建首次DARTEL灰质模板。

（6）用分割原始图像得到的灰质图像与首次得到灰质模板进行配准，经过18次迭代运算，共产生6个模板，最后一个模板最清楚。

（7）将DARTEL产生的最后一个模板配准到标准蒙特利尔神经学研究所（Montreal Neurological Institute，MNI）空间。

（8）将调整后得到的灰质图像进行平滑，通常选择半高全宽（full width at half maximum，FWHM）为8～12mm，平滑后的图像即可进行灰质体积及密度的比较，调制（modulation）后的图像代表灰质体积，非调制（unmodulated）图像则代表灰质密度。

（9）运用VBM8进行第一步运算（estimate and write）即可得到每个被试的全脑体积值，此体积值在后续的统计学分析可作为两组间比较的协变量以消除大脑体积个体差异的影响。

尽管目前大脑灰质体积的比较在精神疾病中大量应用，但最近研究［5］发现用调制后的图像（体积）进行组间分析可明显降低探测微观体积异常（包括皮层及皮层下结构）的敏感性，特别是应用高分辨力标准化图像时还可显著降低统计效力，因此，运用非调制的图像（密度）进行分析有助于提高组间差异检出的敏感性。

二、皮层厚度与脑表面面积分析方法

（一）基本定义

人脑是一个多脑回的复杂结构，灰质体积与密度反映的是灰白质交界与灰质表面之间的灰质数量，是皮层厚度与皮层表面面积相结合的一个形态学参数。大量证据表明脑结构和功能是可遗传的，绝大多数的精神疾病均受基因调控，不同的基因／遗传决定因素（genetic determinants）可能与不同的脑形态结构改变有关，神经影像学的分析提供了研究这些疾病内表型的潜在方法［6］。既往文献已发现皮层厚度及皮层表面面积无论是从全脑还是从局部上看均是独立的，由不同的基因所调控，因此，这两个形态学参数代表了不同的基因的影响［7，8］，且潘尼松（Panizzon）等［8］的研究认为，皮层厚度与表面面积是不相关的。由于体积的测量结合了皮层厚度及表面面积两个形态学参数，因此会受到两个不同的基因相结合的影响，前期研究发现灰质体积主要与表面面积相关［7，9，10］，因此，分别测量皮层厚度及表面面积比测量体积更具有发现与基因相关的脑结构异常的优势。

皮层厚度，是指大脑皮层外曲面和内曲面之间的距离，即灰质表面（pial area）到灰白质交界面的距离，人类的大脑皮层平均厚度为1.5～4.5mm；根据辐射单元假说（radial unit hypothesis），辐射状的神经胶质细胞是一类在形态、生物化学及功能上截然不同的细胞，其胞体位于脑室表面，在人脑发育过程中其纤维束纵向延伸到脑表面，在神经系统的重建中发挥重要作用。

脑表面面积的扩张是由于脑室周围带起始细胞增殖导致辐射柱单位数量的增加，而皮层厚度则主要受单位柱内细胞数量的影响［11］。皮层厚度的改变主要反映树突分支［12］或灰白质交界区脱髓鞘改变［13］，这些改变为反映疾病特异的神经解剖学变化提供了重要的附加信息。由于大脑皮层是一个具有多沟回且内外曲面并不平行的薄片，因此皮层厚度并没有一个统一的定义，不同的软件有不同的厚度计算方法。

（二）分析流程

基于MR图像的皮层厚度测量与分析方法，其基本流程包括以下四个步骤：①图像预处理，对MR图像进行磁场的均匀性校正、运动校正、剥头皮及颅骨，某些软件还要对图像进行配准（将个体图像配准到标准模板上）和插值（将原图像的分辨率插值提高）等处理，并对脑组织进行分割，得到灰质、白质、脑脊液和图像背景等；②皮层内外表面（内表面为灰质与白质分界线、外表面为灰质与脑脊液的分界线）的生成和脑皮层厚度的定义与计算；③测得厚度值后，对数据进行平滑处理；④对皮层厚度值进行后续的统计分析与模式分类。

脑皮层厚度的测量方法可归纳为两大类：①基于体数据（volume data based）的方法：根据初始图像中灰度值的差异来确定皮层的内外表面；②基于网格表面（mesh surface based）的方法：以原始图像的灰度值和拓扑保持等为限制条件，通过形变模型等方法来生成网格状的皮层内外表面，然后在内外表面间定义皮层厚度并进行计算。两者的主要区别在于后者在分割图像的基础上生成了网格状结构表面。

（三）常用算法

目前较常用的进行皮层表面重建的算法有FreeSurfer（http:/surfer.nmr.mgh.harvard.edu）、Brain VISA（http:/brainvisa.info/）和CLASP（Constrained Laplacian Anatomic Segmentation using Proximity）［14］。有作者比较了这三种算法的几何精度和网格特性如欧拉数、分形维数（Fractal Dimension，FD）、总表面积和局部点密度的测量准确性，发现CLASP在显示几何/拓扑的准确性和网格特性如FD和总表面积优于其他两种算法，而FreeSurfer、Brain VISA在皮层表面测量局部点密度的准确性方面更具优势。FreeSurfer对皮层表面的几何评估优于其他两款软件，且其重建出来的大脑图像较其他两种算法更接近于正常人脑图像［15］。然而，FreeSurfer在自动分析处理过程中在某些脑区的大脑表面会出现拓扑缺陷，因此FreeSurfer允许用手动方式对拓扑缺陷区域进行校正。由于FreeSurfer为目前较常用的开放性软件，以下重点介绍FreeSurfer软件的处理过程。

（四）FreeSurfer软件数据分析

以往研究已证实FreeSurfer软件对不同的扫描操作者，不同场强及不同生产厂家的磁共振扫描仪所采集的数据分析均具有良好的可靠性［16］。该软件可自动进行表面重建，转化，不同被试者间的高分辨率配准，准确而快速的测量基于全脑皮层的形态学测量指标［17］。

1.图像预处理

图像预处理包括磁场的均匀性校正、运动校正、剥头皮及颅骨，仿真配准到Talairach-Tournoux坐标，分割皮层下白质及皮层下灰质体积结构，密度标准化，分割灰白质边界，自动拓扑校正［18，19］，表面变形。界定一个体素是否属于灰质或白质则根据这一体素所在的位置、密度及邻近体素的信号。FreeSurfer软件在某些靠近颅骨部位及折叠明显的区域可能会产生灰质分割不准及拓扑异常的情况，此时可根据情况进行手动校正，通常由具有丰富临床经验及解剖学知识的放射科医师在不知所有被试者组别的情况下手动校正灰白质分割不准确区域，再重新进行分割计算。分割后的所有被试者的皮层表面图像配准到一个标准大脑表面，FreeSurfer软件可自动应用不同的FWHM（10mm、15mm、20mm、25mm）高斯平滑核进行平滑，以便于后期的统计分析。在FreeSurfer软件中皮层厚度的计算算了两次最近距离，第一次找距A点最近的点B，然后再在对面曲面找距B最近的点C，并取两个距离的平均值作为厚度值［17］（图2-1-2）。

计算皮层厚度的软件均可以用来计算表面面积，其基本处理流程相同，在FreeSurfer软件中，每侧大脑半球包括163 842个顶点（vertex），表面面积代表灰质表面所有顶点的区域所围成的三角形面积的平均值；FreeSurfer软件可自动应用不同的高斯平滑核对得到的表面面积进行平滑（10mm、15mm、20mm、25mm），以便于后期的统计分析。

2.统计分析

上述经过配准及平滑后产生的皮层厚度及表面面积图像可用于进行后期的统计学处理，组间比较采用一般线性模型（general linear model，GLM）方法，可将性别、年龄或教育程度等作为协变量进行分析，得到组间有差异的区域，这些差异脑区的皮层厚度及表面面积值还可提取出来与临床量表做相关分析。此分析方法可用于多种常规磁共振检查未见确切异常的精神疾病，探索多种精神疾病的内在表型。

以往研究已发现，精神疾病的大脑形态学改变往往累及形态及功能相关的多个脑区，即脑环路，两组间大脑皮层厚度的改变仅反映了局部的形态学差异，不能从整体上反映脑环路的改变。磁共振结构数据的相关分析假定皮层厚度正相关表示具有结构连接，此假说基于轴突连接的大脑皮层区域受到共同的营养及成熟的影响［20，21］，其皮层厚度的改变具有共同的变化趋势。在临床研究中，这种相关分析可用于描绘经历了共同病理过程的脑结构网络的改变。目前已有作者将大脑半球的多个解剖区域的平均皮层厚度值提取出来做结构连接分析，发现多种神经精神疾病存在结构连接的异常［22-24］。

三、形态分析方法

（一）简介

人类的大脑皮层是一个高度卷曲的结构，大脑表面约60%～70%处于折叠状态［25］。脑回化程度的增加与大脑自身大小的增加一致，同时反映了进化的需要。脑回卷褶程度的量化分析可提供大脑正常发育、老化及疾病发展病程的重要信息。脑沟回的模式反映了大脑成熟和变性的过程［26］。目前已有研究发现多种精神疾病存在大脑的形态学异常。

前述的皮层厚度及表面面积的分析均代表与体积相关的形态学参数，而大脑沟回的卷褶程度则主要与沟深、曲率等几何形态学参数有关。目前基于脑表面的形态学分析法的软件均可进行多种形态学参数的分析，较常用的是FreeSurfer及CIVET软件，CIVET软件由麦吉尔大学蒙特利尔神经学研究所、麦康奈尔脑成像中心（McConnell Brain Imaging Centre，BIC）研究开发，其软件的使用需要得到麦康奈尔脑成像中心的许可，而FreeSurfer软件是一个免费开放的软件，是目前应用较广泛的处理脑结构图像的软件，并与目前广泛使用FSL软件具有良好的兼容性。

（二）分析方法

FreeSurfer软件采用自动表面重建、变形、被试者间快速精确的配准可准确测出全脑的多种皮层形态学参数［17］。其算法分为基于脑表面和基于体积（体素）两种，形态学参数的分析多采用基于脑表面的算法，该软件可计算基于脑表面的皮层厚度、表面面积和曲率等形态学参数，还可自动进行皮层和皮层下核团分割，并可自动计算灰白质、脑室、全脑及皮层下结构的体积。其具体计算过程已有文献描述［16，18，27-30］，其简要过程如下：首先将高分辨率3DT1WI图像导入FreeSurfer，进行运行校正，去除磁场不均匀影响，运用阈值调整及表面变形去除非脑组织［28］，自动Talairach变形、配准，分割皮层下结构及深部白质的体积结构［29，30］，信号标准化［31］，分割灰白质边界，自动拓扑校正［18，19］，根据信号强度确定灰白质及灰质／脑脊液边界进行脑表面变形，肉眼观察灰白质分割是否准确，手动校正某些分割不准区域，进一步进行数据处理和分析包括表面膨胀，配准到球形图谱（用每个被试的皮层卷褶图案匹配被试的几何图形）［32］，根据沟回解剖结构分割大脑皮层，得到基于表面的数据，包括皮层厚度、表面面积、平均曲率、平均凸度或凹度（average convexity or concavity）、雅可比变形（Jacobian metric distortion）等形态学参数。皮层厚度、表面面积与体积相关，平均凸度或凹度、平均曲率、雅可比变形则反映大脑皮层的几何学特点。平均凸度或凹度是指脑回距离平均表面的高度或脑沟距离平均表面的深度，又称沟深，主要用来量化皮层表面的主要折叠方式，获取的是大范围的几何形态特点，而对皮层表面小的皱褶不敏感［33］；平均曲率（mean radial curvature）用于评价皮层表面较小的第二及第三次卷褶；雅可比变形是指相对于标准模板皮层表面移位及卷积变形的程度。平均凸度或凹度、平均曲率反映的是皮层表面几何变形的某一方面，而雅可比变形是从整体上反映皮层折叠变形的程度（图2-1-3）。

FreeSurfer软件可自动应用不同的高斯平滑核对得到的几何学结构数据进行平滑（10mm、15mm、20mm、25mm），平滑后的数据可进行后期的统计分析。应用GLM方法，将性别、年龄或教育程度等作为协变量进行分析，可得到组间几何形态学有差异的脑区。

上述内容得到的多种形态学数据还可用于对疾病进行分类，采用模式识别（pattern recognition）的方法将形态学数据导入模式识别的相关软件，让计算机进行自动学习训练并分类，目前已有文章将基于大脑皮层的多种形态学数据用于对孤独症［35］及抑郁症［36］进行分类，均得到了较好的分类效果。

（邱丽华）

参考文献

［1］Wright IC，McGuire PK，Poline JB，et al. A voxel-based method for the statistical analysis of gray and white matter density applied to schizophrenia. Neuroimage，1995，2（4）：244-252.

［2］Ashburner J，Friston KJ. Voxel-based morphometry——the methods. Neuroimage，2000，11 （6 Pt 1）：805-821.

［3］Good CD，Johnsrude IS，Ashburner J，et al. A voxel-based morphometric study of ageing in 465 normal adult human brains. Neuroimage，2001，14 （1 Pt 1）：21-36.

［4］Ashburner J. A fast diffeomorphic image registration algorithm. Neuroimage，2007，38（1）：95-113.

［5］Radua J，Canales-Rodriguez EJ，Pomarol-Clotet E，et al. Validity of modulation and optimal settings for advanced voxel-based morphometry. Neuroimage，2014，86：81-90.

［6］Glahn DC，Thompson PM，Blangero J. Neuroimaging endophenotypes：strategies for finding genes influencing brain structure and function. Hum Brain Mapp，2007，28（6）：488-501.

［7］Winkler AM，Kochunov P，Blangero J，et al. Cortical thickness or grey matter volume？ The importance of selecting the phenotype for imaging genetics studies. Neuroimage，2009，53（3）：1135-1146.

［8］Panizzon MS，Fennema-Notestine C，Eyler LT，et al. Distinct genetic influences on cortical surface area and cortical thickness. Cereb Cortex，2009，19（11）：2728-2735.

［9］Im K，Lee JM，Lyttelton O，et al. Brain size and cortical structure in the adult human brain. Cereb Cortex，2008，18（9）：2181-2191.

［10］Pakkenberg B，Gundersen HJ. Neocortical neuron number in humans：effect of sex and age. J Comp Neurol，1997，384（2）：312-320.

［11］Rakic P. Specification of cerebral cortical areas. Science，1988，241 （4862）：170-176.

［12］Huttenlocher PR. Morphometric study of human cerebral cortex development. Neuropsychologia，1990，28（6）：517-527.

［13］Sowell ER，Thompson PM，Leonard CM，et al. Longitudinal mapping of cortical thickness and brain growth in normal children. J Neurosci，2004，24（38）：8223-8231.

［14］Kim JS，Singh V，Lee JK，et al. Automated 3-D extraction and evaluation of the inner and outer cortical surfaces using a Laplacian map and partial volume effect classification. Neuroimage，2005，27（1）：210-221.

［15］Lee JK，Lee JM，Kim JS，et al. A novel quantitative cross-validation of different cortical surface reconstruction algorithms using MRI phantom. Neuroimage，2006，31（2）：572-584.

［16］Han X，Jovicich J，Salat D，et al. Reliability of MRI-derived measurements of human cerebral cortical thickness：the effects of field strength，scanner upgrade and manufacturer. Neuroimage，2006，32（1）：180-194.

［17］Fischl B，Dale AM. Measuring the thickness of the human cerebral cortex from magnetic resonance images. Proc Natl Acad Sci U S A，2000，97（20）：11050-11055.

［18］Fischl B，Liu A，Dale AM. Automated manifold surgery：constructing geometrically accurate and topologically correct models of the human cerebral cortex. IEEE Trans Med Imaging，2001，20（1）：70-80.

［19］Ségonne F，Pacheco J，Fischl B. Geometrically accurate topology-correction of cortical surfaces using nonseparating loops. IEEE Trans Med Imaging，2007，26（4）：518-529.

［20］Wright IC，Sharma T，Ellison ZR，et al. Supra-regional brain systems and the neuropathology of schizophrenia. Cereb Cortex，1999，9（4）：366-378.

［21］Zhang K，Sejnowski TJ. A universal scaling law between gray matter and white matter of cerebral cortex. Proc Natl Acad Sci U S A，2000，97（10）：5621-5626.

［22］Bassett DS，Bullmore E，Verchinski BA，et al. Hierarchical organization of human cortical networks in health and schizophrenia. J Neurosci，2008，28（37）：9239-9248.

［23］Bernhardt BC，Chen Z，He Y，et al. Graph-theoretical analysis reveals disrupted small-world organization of cortical thickness correlation networks in temporal lobe epilepsy. Cereb Cortex，2011，21（9）：2147-2157.

［24］He Y，Chen Z，Evans A. Structural insights into aberrant topological patterns of large-scale cortical networks in Alzheimer’s disease. J Neurosci，2008，28（18）：4756-4766.

［25］Van Essen DC，Drury HA. Structural and functional analyses of human cerebral cortex using a surface-based atlas. J Neurosci，1997，17（18）：7079-7102.

［26］Magnotta VA，Andreasen NC，Schultz SK，et al. Quantitative in vivo measurement of gyrification in the human brain：changes associated with aging. Cereb Cortex，1999，9（2）：151-160.

［27］Jovicich J，Czanner S，Greve D，et al. Reliability in multi-site structural MRI studies：effects of gradient nonlinearity correction on phantom and human data. Neuroimage，2006，30（2）：436-443.

［28］Ségonne F，Dale AM，Busa E，et al. A hybrid approach to the skull stripping problem in MRI. Neuroimage，2004，22（3）：1060-1075.

［29］Fischl B，van der Kouwe A，Destrieux C，et al. Automatically parcellating the human cerebral cortex. Cereb Cortex，2004，14（1）：11-22.

［30］Fischl B，Salat DH，Busa E，et al. Whole brain segmentation：automated labeling of neuroanatomical structures in the human brain. Neuron，2002，33（3）：341-355.

［31］Sled JG，Zijdenbos AP，Evans AC. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Trans Med Imaging，1998，17（1）：87-97.

［32］Fischl B，Sereno MI，Tootell RB，et al. High-resolution intersubject averaging and a coordinate system for the cortical surface. Hum Brain Mapp，1999，8（4）：272-284.

［33］Fischl B，Sereno MI，Dale AM. Cortical surface-based analysis. II：Inflation，flattening，and a surface-based coordinate system. Neuroimage，1999，9（2）：195-207.

［34］Scheuerecker J，Meisenzahl EM，Koutsouleris N，et al. Orbitofrontal volume reductions during emotion recognition in patients with major depression. J Psychiatry Neurosci，2010，35（5）：311-320.

［35］Ecker C，Marquand A，Mourã o-Miranda J，et al. Describing the brain in autism in five dimensions-magnetic resonance imaging-assisted diagnosis of autism spectrum disorder using a multiparameter classification approach. J Neurosci，2010，30（32）：10612-10623.

［36］Qiu L，Huang X，Zhang J，et al. Characterization of major depressive disorder using a multiparametric classification approach based on high resolution structural images. J Psychiatry Neurosci，2013，39（2）：78-86.