基于人工智能弥散张量成像应用进展

胜照友，蒋国璋，刘 融

(1.武汉科技大学机械自动化学院，湖北 武汉 430081；2.武汉科技大学附属普仁医院医学创新与转化研究所，3.骨科，湖北 武汉 430081)

弥散张量成像(diffusion tensor imaging, DTI)是重要的MR检查方法，与传统灰度或彩色医学图像不同，其图像是复杂的弥散张量数据场[1]。对于复杂多样的DTI特征，传统手动分析效率及准确率均较低。作为一门新兴技术学科，人工智能(artificial intelligence, AI)迅速发展，已在医学图像分析与处理领域展现出重要价值[2]。本文对基于AI的DTI技术应用进展进行综述。

1 DTI技术

DTI是以水分子弥散在不同传播介质中呈现不同方向和速率为基础原理的成像方法[3],可在三维空间中准确追踪并表达水分子多方向扩散程度，反映组织结构的变化，并转化为图像和各种特征参数。DTI技术可通过特征参数在微观领域评价组织结构的完整性，提供疾病的病理信息以辅助诊断，目前已广泛用于临床。但DTI数据繁多，数据处理过程复杂，难以精确分析。结合AI技术可有效提高数据处理及分析能力，减少工作量，增加数据分析的准确性。

2 DTI数据分析方法

2.1 常规分析方法 常用DTI数据分析方法主要有3种：①基于ROI分析，如SNOOK等[4]采用基于ROI方法对50名健康志愿者的特定脑结构进行分析，发现随着年龄增长，脑部结构变化趋于广泛；②基于体素分析(voxel-based analysis, VBA)，如SENDA等[5]采用VBA分析方法检测在大脑病理变化基础上的组织损伤，可更好地利用DTI空间信息；③基于纤维束追踪的空间统计分析(track-based spatial statistics, TBSS)，如TAN等[6]采用基于TBSS分析方法观察2型糖尿病患者脑白质微结构变化。然而常规分析方法对一些不相关或冗杂DTI特征的识别力不足，不能准确提取具有强相关的关键特征，可能降低DTI分析结果的准确率和可靠性，甚至导致误诊。

2.2 基于AI分析方法 与常规分析方法相比，基于AI分析方法可自大量DTI数据中提取有效特征信息，去除冗余信息，减少数据处理工作量，使分析结果更加精确。周智美等[7]应用DTI观察轻微认知障碍高危个体的脑白质微结构，通过逻辑回归(logistic regression, LR)分析发现穹隆和左海马旁回白质微结构改变值得关注。LR分析方法有助于从众多影响因素中检出最主要信息，有效提高工作效率。JIN等[8]比较不同算法分析颈椎病DTI数据的性能，发现径向基函数核支持向量机构建的AI模型分析DTI特征的准确率达89.7%，证实了基于AI分析方法的高效性。结合表1所列各类分析软件可更加高效精确地处理DTI数据。

表1 DTI数据分析工具

3 DTI的临床应用

作为观察脑部微观结构的主要方法，DTI对研究中枢神经系统疾病的病理变化具有重要意义。面对复杂的DTI数据，研究人员应用各种分析方法并结合AI技术处理数据，以提高数据分析的效率及准确性，为临床提供更多的信息。

3.1 颈椎病 颈部结构复杂，颈椎病易伴发神经血管、脊髓或软组织等一系列并发症，给诊断和治疗造成一定困难。随着DTI技术的广泛应用，采用不同方法对颈椎病进行研究，均取得了较佳效果。JIN等[8]建立径向基函数核支持向量机(radial basis function kernel support vector machine, RBF-SVM)AI模型，对432个DTI特征进行分析，结果表明，RBF-SVM算法预测颈椎病预后的准确率最高达89.7%±1.6%，敏感度为85.0%±3.4%。LI等[16]提出一种基于加权方向熵(orientation entropy, OE)分析DTI数据方法，用于辅助诊断16例颈椎病患者，其准确率及敏感度分别为93.10%和96.15%，较传统神经体征水平诊断方法分别提高了17.24%和19.23%。通过AI方法提取与分析颈椎病DTI特征，可选择关键数据信息、降低冗余信息干扰，相较传统分析方法，诊断准确率提高了15%～20%；基于加权OE并结合前后压缩比分析方法的准确率较LR模型和SVM模型提高了18.9%和3.4%[8,17]。上述研究表明，基于AI方法的DTI用于诊断颈椎病及评估治疗效果是可行且有效的。

3.2 帕金森病(Parkinson disease, PD) PD是一种常见的神经退行性疾病，应用DTI技术可检测患者脑白质结构受损情况，各种分析方法在PD中表现出较好的应用价值。SABAU等[18]提出一种DTI上壳核区域自动检测算法用于诊断PD和评估预后，通过观察47例PD患者，发现自动检测算法对左侧壳核区域的检测准确率最高为93.83%，而右侧区域仅73.90%，可能与PD更易累及左脑有关，由此证实了自动检测算法的可行性，检测准确且耗时较少。ZHENG等[19]应用DTI技术，以ROI分析方法观察16例认知程度不同PD患者认知领域微观结构，采用FSL软件处理数据，结果表明PD患者大脑皮层下网络映射可能有助于分析其认知障碍的原因，并以体素分析方法加以验证，为进一步深入研究提供了参考。利用DTI技术可观察PD病理改变，基于卷积神经网络和壳核区域自动检测算法的AI技术具有自动检测、分类诊断的优势，准确率高达86%[20]，能为临床提供可靠的影像学依据；然而个体差异及自身组织类型、位置、形状变化亦会对检测结果产生一定影响，有待进一步深入研究。

3.3 三叉神经痛(trigeminal neuralgia, TN) TN是常见脑神经疾病，基于DTI的AI分析方法有利于观察患者脑白质微结构异常，从而辅助诊断。李丹等[21]采用基于TBSS方法分析38例TN患者和38名健康志愿者的脑部DTI数据，发现TN患者全脑白质微结构FA值较正常人降低2.12%、MD值增加2.92%；且TN患者胼胝体等神经纤维存在多项DTI参数异常，提示其全脑白质完整性受到广泛破坏，表明TN患者脑白质微结构变化与其痛觉传导通路上的白质脱髓鞘及继发炎性改变存在相关性，推测TN患者脸部疼痛程度可能与脑白质纤维束变化程度有关。ZHANG等[22]利用DTI技术观察24例TN患者三叉神经微观结构，以SVM方法分析DTI数据作为判断TN的特征，准确率达76%。

综上所述，PD作为唯一可无创显示活体脑白质纤维束的方法，DTI技术可用于检测常规成像技术无法显示的微结构异常。AI新算法的应用普遍提高了DTI数据的分析效率、准确率及敏感度等。在图像配准、图像融合、空间标准化和平滑处理以及自动消除图像运动伪影等方面，各种医学图像处理软件展现了强大的性能；在对不同数据分别进行标准化、正则化、可视化及统计学分析等方面，AI方法可极大地减少医师的工作量，在一定程度上提高工作效率和质量。目前AI尚存一定局限性：①选取ROI存在主观性，且不具重复性；②应用算法不够成熟；③部分数据分析工具的功能有待提高。