海马与胼胝体3D纹理分析在阿尔兹海默症诊断中的比较

于鲁，刘卫芳

首都医科大学 生物医学工程学院，北京 100069

海马与胼胝体3D纹理分析在阿尔兹海默症诊断中的比较

于鲁，刘卫芳

首都医科大学 生物医学工程学院，北京 100069

目的 利用脑MRI图像比较海马与胼胝体在阿尔兹海默病（AD）和轻度认知障碍（MCI）诊断中的差异。方法 分别选取AD、MCI及正常对照（NC）患者各21例，分别提取其海马及胼胝体的三维纹理信息。通过方差分析选取特征参量，采取线性判别分析（LDA）和非线性判别分析（NDA）处理数据，利用反向传播（BP）神经网络模型对AD、MCI及NC进行分类识别，并比较海马与胼胝体纹理信息对分类结果的差异。结果 LDA和NDA两种方法分别对3类样本（AD、MCI、NC）进行分类判别的结果表明，海马的分类正确率均高于胼胝体；无论两组间（ADMCI、AD-NC、MCI-NC）还是三组间（AD、MCI与NC），无论训练集还是测试集，海马的分类识别正确率均高于胼胝体，其中海马的训练集分类正确率达到100%。结论 利用三维纹理特征的神经网络模型可分类识别AD患者及MCI患者，并且海马的分类正确率高于胼胝体。

海马；胼胝体；纹理分析；阿尔兹海默症；轻度认知障碍

0 引言

阿尔兹海默病（Alzheimer’s Disease，AD）为慢性、进行性大脑变性所致的痴呆，是老年期最常见的痴呆类型，约占老年期痴呆的50%～70%。AD确切病因不明，一般认为是复杂的异质性疾病，多种因素可能参与致病，如遗传因素、神经递质、免疫因素和环境因素等。临床表现为痴呆、日常生活完全不能自理，病理特征为老年斑、神经元纤维缠结、海马锥体细胞颗粒空泡变性和神经元缺失。

AD的诊断目前主要依据患者的认知能力损害、MRI和生物标志物。AD通常是不可逆的，明确诊断时一般已经到达中晚期。临床治疗可以使用胆碱酯酶抑制剂和N-甲基-D-门冬氨酸受体拮抗剂来改善认知功能，使用抗抑郁药物和抗精神病药物控制精神症状，但是目前还没有确定的能有效逆转疾病进程的药物，针对AD发病机制不同靶点的药物开发尚处于试验阶段。所以目前越来越多的人开始关注轻度认知障碍（Mild Cognitive Impairment，MCI），期望能够早发现、早治疗，延缓疾病的发展。MCI是指有轻度的认知功能和记忆力的损失，但没有达到痴呆的程度，所以MCI被认为是正常老化与AD之间的过渡状态。有学者研究显示已经转化为AD的MCI患者与AD患者具有相似的大脑结构病变特征[1]。

AD病理表现为脑的体积缩小和重量减轻，脑沟加深变宽，脑回萎缩，特别是海马区萎缩明显。研究表明在AD早期阶段即出现海马部位的改变，胼胝体在MCI阶段也发生萎缩[2-3]。相应脑的萎缩变化程度可能与AD的疾病进展和认知能力的退化程度相关。

目前临床上常用的简易智能状态检查量表（Mini-Mental State Examination，MMSE）以26分为界值时对AD诊断的敏感性及特异性高，但在不同地区调查结果不同，也可作为MCI的筛查工具[4-5]。

MRI为AD和MCI在大脑的结构和功能的改变提供了重要的诊断方法。当组织发生病理变化时，图像的纹理也会随之产生相应的改变，而且这种改变可以通过MR图像的三维纹理分析全面的反映出来。

目前已有研究显示可以通过对胼胝体与海马的纹理分析进行AD、MCI与正常对照（Normal Controls，NC）进行分类识别[6-9]，但是关于两者之间对于AD、MCI与NC之间分类判别的差异还鲜有报道。本文通过提取AD、MCI与NC三组受试者MRI图像海马与胼胝体的3D纹理信息，采用线性判别分析（Linear Discriminant Analysis，LDA）和非线性判别分析（Nonlinear Discriminate Analysis，NDA）进行分类研究，采用反向传播（BP）神经网络建立识别模型，对受试者的海马与胼胝体纹理信息进行比较，以探索与比较二者在AD早期诊断中的作用。

1 研究对象与方法

1.1 研究对象

研究对象均来自首都医科大学附属宣武医院影像科，经临床确诊为AD与MCI各21例，根据年龄性别选取正常对照21例，共63例。MRI图像采用德国西门子公司3T扫描仪对所有受试者进行头颅矢状位3D磁化准备快速梯度回波（MP-RAGE）TIWI扫描TR/TE=2000/2 ms。反转时间Tl=900 ms。反转角9°，成像视野240 mm×220 mm，矩阵256×224。层厚1 mm，无层间距，共176层。研究对象基本信息，见表1。

表1 AD、MCI、NC 3组研究对象基本资料

1.2 感兴趣区提取

利用MaZda软件（波兰科技大学开发）分别选取所有研究对象的海马与胼胝体作为感兴趣区（Regions of Interest，ROI）。海马区的选取以矢状位图像作为参考，经MRIcro转换为冠状位，在冠状位图像上连续手动分割出左右侧海马，每个海马ROI包括海马、齿状回和下托，冠状位图像ROI包含30层，见图1（a）。胼胝体区的选取在矢状位上选取，包括正中矢状面在内的左右共10个层面，在正中矢状面上胼胝体包括嘴、膝、干及压部，见图1（b）。

图1 海马与胼胝体ROI

1.3 3D纹理分析

本研究采用灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM） 方法和游程长矩阵（Run Length Matrix，RLM）方法，对每位受试者海马和胼胝体的感兴趣区分别提取0°、45°、90°、135°和Z方向（垂直于每层ROI方向）的三维纹理参数，每个方向16个，包括角二阶矩、对比度、相关、平方和、逆差矩、和均值、和方差、和熵、熵、差方差、差熵、游程长不均匀度、灰度不均匀度、长游程因子、短游程因子和行程比。分别计算每个ROI在5个方向上的平均纹理参数，纹理参数由软件自动计算得出。

角二阶矩反映的是图像纹理粗细度和灰度分布均匀的程度。对比度反映的是图像的纹理沟纹深浅程度和清晰度，纹理对比度越小，则沟纹越浅，视觉效果越模糊；反之，沟纹越深，其对比度越大，视觉效果越清晰。相关度量的是灰度共生矩阵元素在行或列方向上的相似程度。如果矩阵元素值相差很大则相关值小；反之，矩阵元素值均匀相等时，相关值越大。逆差矩反映的是图像纹理的同质性，值大说明图像纹理的不同区域间缺少变化，局部非常均匀。熵反映的是图像所具有信息量的度量，表示了图像中纹理的复杂程度或非均匀程度。方差是反映纹理变化快慢、周期性大小的物理量。值越大，表明纹理周期越大。游程长不均匀度描述图像中游程长度的相似性，如果整幅图像的游程长度较相似，则游程长不均匀度的值较小，说明图像纹理较均匀。如果图像中某个灰度出现较多，即灰度都比较均匀，灰度不均匀度因子越大，反之该值越小。长游程因子值越大，对应的图像纹理越粗；短游程因子值越大，行程越短，对应的图像纹理更细。

1.4 数据预处理与分类识别

对筛选后的纹理特征参数（经方差分析，三组间具有显著性差异的纹理特征参数作为分类识别的特征参量），采用LDA和NDA两种方法进行预处理分析。LDA方法先对训练数据进行降维,然后找出一个线性判别函数，是基于子空间的一种经典方法。NDA方法则是根据样本建立非线性判别函数进行判别。

本文分别对研究对象MR图像的海马和胼胝体进行两类样本（AD与MCI、AD与NC、MCI与NC）以及3类样本间（AD、MCI、NC）的分类判别研究，采用具有2个隐含层的前馈神经网络。对LDA采用最近邻域分类法进行分类识别，对NDA采用神经网络进行分类识别。

2 结果

经方差分析，分别在海马与胼胝体的3D纹理参数内筛选三组间具有显著性差异（P＜0.05）的纹理特征参数作为分类识别的特征参量。海马3D纹理参数包括角二阶距、对比度、逆差距、和熵、熵、差方差、差熵、长游程因子、短游程因子和行程比，共计10个特征参量。胼胝体3D纹理参数包括对比度、逆差距、和均值、和熵、熵、差方差、差熵、短游程因子和行程比，共计9个特征参量。

筛选后的纹理特征参数采用LDA及NDA方法进行分类识别的结果，见表2。两种方法对3类样本（AD、MCI、NC）进行分类判别的样本分布图，见图2。图中可以看出无论LDA方法还是NDA方法，海马的分类正确率均高于（或等于）胼胝体。

图2 采用LDA和NDA方法样本分类结果散点图

表2 LDA和NDA两种方法海马与胼胝体分类识别正确率（%）

在以海马为感兴趣区的组内随机挑选14名研究对象为训练样本，余下7名为测试样本，胼胝体组采用与海马组相同的研究对象为训练样本和测试样本，采用神经网络模型进行研究对象的训练与测试后的结果，见表3。可以看出，无论两组间（AD与MCI、AD与NC、MCI与NC）还是3组间（AD、MCI与NC），无论训练集还是测试集，海马的分类识别正确率均高于（或等于）胼胝体，其中海马的训练集分类正确率均达到100%。

表3 神经网络模型分类识别正确率（%）

3 讨论

随着磁共振的飞速发展，多种成像技术的涌现，例如功能磁共振成像（Functional Magnetic Resonance Imaging，fMRI）、磁敏感加权成像（Susceptibility Weighted Imaging，SWI）、弥散张量成像（Diffusion Tensor Imaging，DTI）、磁共振波谱成像（Magnetic Resonance Spectroscopy，MRS）等技术，可无创地对大脑结构和功能进行多方面的评价，为MCI和AD诊断提供了重要影像学依据。磁共振技术可以用于全身各组织的诊断，尤其是颅脑，但通过常规MRI难以明确AD发病早期阶段影像学变化特点。纹理分析是医学图像后处理的重要手段，能定量地显示图像像素值及其排列方式的细微变化，素称为图像的放大镜和显微镜，目前常用来提取图像中组织细微的病理变化。因此，本研究选取MRI，利用MaZada软件进行图像后处理，以期对AD的早期诊断有辅助作用。

在对数据的预处理中，LDA通过对数据进行降维，找出线性判别函数；NDA则是依据数据建立非线性判别函数对数据进行判别。NDA方法相对于采用最近邻域分类法的LDA分类的正确率更高[8]。表2的结果也说明了这一点，无论海马还是胼胝体，采用NDA方法进行分类识别的正确率均高于（或等于）LDA。

目前AD诊断尚缺乏特异性的生物标志，临床诊断除病史、体格检查、临床心理学评定，头部MRI检查目前是临床诊断AD最好的手段之一，可以避免颅底骨质伪影的干扰，更清晰的显示大脑结构。大脑内侧颞叶的萎缩，尤其是海马的萎缩最为明显，既可以在AD观察到，也可以在MCI患者的MRI图像中观察到[10-11]。胼胝体作为联络左右两侧大脑半球的横行纤维束，是两半球的主要联系通路，在其间传递信息，对就知识的辨别、感觉经验与记忆都起重要的作用。AD患者海马与胼胝体的病理改变会引起MRI灰度值的变化，引起纹理参数的改变。对于AD患者，虽然海马的萎缩早于胼胝体，但是胼胝体更具有解剖异质性，纹理更为集中，在进行ROI的选择时更易于操作[12]，因此在利用脑MR图像纹理特征进行AD早期诊断的研究中也具有重要的参考价值。

在AD早期阶段，大脑灰质与白质可受到不同程度的损伤，海马是最先受累的灰质核团之一。本研究中，同样的研究对象分别选取海马与胼胝体作为感兴趣区后的数据预处理结果具有一致性，以海马为感兴趣区的分类识别正确率均高于胼胝体。同样在BP神经网络模型中海马组无论是训练集还是测试集其分类正确率均高于胼胝体组，与临床上AD患者海马的萎缩最明显相吻合。虽然选择胼胝体作为感兴趣区在实际操作中更为简便，但是以海马作为感兴趣区的分类准确率更高，对诊断的价值更大。

4 结论

AD患者海马和胼胝体早期即出现纹理的改变，MR图像的3D纹理分析可以描述这一病理改变。利用纹理特征建立的神经网络模型，可有效识别AD及MCI患者，有助于AD早期的影像学辅助诊断。并且以海马为感兴趣区的分类正确率更高，与临床上AD患者海马的萎缩最明显相吻合。由于样本数量有限，应在扩大样本量的基础上结合其他三维纹理提取方法进行深入研究，进一步证实以上结果。

[1] Misra C,Fan Y,Davatzikos C.Baseline and longitudinal patterns of brain atrophy in MCI patients,and their use in prediction of short-term conversion to AD: Results from ADNI[J].Neuroima ge,2008,44(4):1415-1422.

[2] Taupin P.Neurogenesis in the adult central nervous system[J]. C R Biol,2006,329:465-475.

[3] Di Paola M,Luders E,Di Iulio F,et al.Callosal atrophy in mild cognitive impairment and Alzheimer’s disease; different effects in different stages[J].Neuroimage,2010,49(1):141-149.

[4] Lee JY,Lee DW,Cho SJ,et al.Brief screening fpr mild congnitive impairment in elderly outpatient clinic: validation of the korean version of the congitive assessment[J].J Geriatr Psychiatry Neurol,2008,21(2):104-110.

[5] Gussekloo J,Westendorp RG,Remarque EJ,et al.Impact of mild cognitive impairment on survival in very elderly people,dohort study[J].BMJ,1997,315:1053-1054.

[6] 胡玲静,李昕,夏翃,等.基于MR图像的阿尔茨海默病和轻度认知障碍患者海马三维纹理分析[J].北京工业大学学报,2012,38(6):942-948.

[7] 李昕,童隆正,周晓霞,等.基于MR图像三维纹理特征的阿尔茨海默病和轻度认知障碍的分类[J].中国医学影像技术, 2011,27(5):1047-1051.

[8] 刘卫芳,夏翃,王旭,等.基于纹理分析的阿尔兹海默症及轻度认知功能障碍的分类研究[J].北京生物医学工程,2014, 33(6):609-613.

[9] 刘卫芳,王旭,童隆正,等.基于MR图像的轻度认知功能障碍患者胼胝体三维纹理分析研究[J].中国医疗设备,2013,28(9):16-19.

[10] Bottino CM,Castr CC,Gomes RL,et al.Volumetric MRI measurements can differentiate Alzheimer’s disease, mild cognitive impairment, and normal aging[J].Int Psychogeriatr, 2002,14(1):59-72.

[11] Grundman M,Jack CR Jr,Petersen RL,et al.Hippocampal volume is associated with memory but not memory cognitive performance in patients with mild cognitive impairment[J]. J Mol Neurosci,2003,20(3):241-248.

[12] de Oliveira MS,Balthazar MLF,Abreu AD,et al.MR Imaging texture analysis of the corpus callosum and thalamus in amnestic mild cognitive impairment and mild Alzheimer disease[J].AJNR,2011,32:60-66.

Comparison between Hippocampus and Corpus Callosum 3D Texture Analysis in the Diagnosis of AD

YU Lu, LIU Wei-fang
School of Biomedical Engineering, Capital Medical University, Beijing 100069, China

Objective To compare the differences between the hippocampus and corpus callosum in diagnosis of Alzheimer’s disease (AD) and mild cognitive impairment (MCI) based on MR images. Methods Altogether 21 AD patients, 21 MCI patients and 21 normal controls (NC) were selected and three-dimensional texture of their hippocampus and corpus callosum was extracted. The characteristic parameters were selected through variance analysis. And the data was processed by using linear discriminant analysis (LDA) and nonlinear discriminant analysis (NDA). Afterwards, a BP (Back Propagation) neural network model was built to classify and identify AD patients and MCI patients from NC. The different effects of hippocampus and corpus callosum texture in the classif cation results were compared. Results According to the classif cation and identif cation results of AD, MCI and NC by using LDA and NDA, hippocampus demonstrated higher classif cation accuracy than the corpus callosum; no matter among two groups (AD vs MCI, AD vs NC and MCI vs NC) and three groups (AD, MCI and NC), and for the same training group and the testing group, hippocampus had higher classif cation accuracy than the corpus callosum. Hippocampus achieved 100% classif cation accuracy for the training group. Conclusion The neural network model using three-dimensional texture features can categorize patients with AD and MCI, and the classif cation accuracy of hippocampus is higher than that of corpus callosum.

hippocampus; corpus callosum; texture analysis; Alzheimer’s disease; mild cognitive impairment

R445.2；R318.04

A

10.3969/j.issn.1674-1633.2016.10.009

1674-1633(2016)10-0029-04

2016-05-24

2016-06-21

刘卫芳，副教授，主要研究方向为医学图像处理。

通讯作者邮箱：liu3240@163.com