基于谐波分析法观察抑郁症患者脑网络形态学改变

徐 凯,郭志明,曾亚伟,郑 冬,吴艳坤,李 科

(1.战略支援部队特色医学中心放射诊断科,3.医研部,北京 100101;2.北京大学第六医院北京大学精神卫生研究所精神药理研究室,北京 100191)

抑郁症(depressive disorder, DD)属情绪障碍,常引起持续悲伤和兴趣减退,发病率逐年升高[1-3]。目前临床主要通过对相关症状进行主观评价而诊断DD,缺乏客观诊断方法[4]。MRI能反映大脑形态结构变化,为诊断颅脑疾病提供客观依据;基于颅脑MRI构建脑网络形态学特征以协助诊断DD为当前研究热点[5]。基于拉普拉斯矩阵特征分解的谐波分析是分析图像信号频域特性的全新手段,能反映脑网络形态学改变;观察DD患者大脑形态学特征谐波变化有助于更好地理解DD脑网络形态学改变[6-7]。本研究评估基于谐波分析法观察DD患者脑网络形态学改变的可行性。

1 资料与方法

1.1 研究对象 回顾性收集2012年12月—2015年6月北京大学第六医院55例DD患者(DD组),男25例、女30例,年龄27～62岁、平均(41.0±8.1)岁;均符合《美国精神障碍诊断与统计手册》(diagnostic and statistical manual of mental disorders, DSM)第4版DD诊断标准,且汉密尔顿抑郁量表24项(Hamilton depression scale-24, HAMD-24)评分≥22。排除伴精神病性症状、有重大躯体疾病或颅脑外伤史、听视力障碍、MR检查禁忌证等。以同期46名性别及年龄与DD组相匹配的健康成人志愿者为正常对照(normal control, NC)组,男20名、女26名,年龄26～62岁、平均(41.4±9.4)岁。本研究经院伦理委员会批准[(2014)伦审第(7)号],检查前受试者均签署知情同意书。

1.2 仪器与方法 采用Siemens MAGNETOM Trio 3.0T超导MR仪、8通道标准相控阵头部线圈扫描头部。嘱受试者佩戴耳机,固定其头部;以3D磁化准备快速梯度回波序列采集全脑矢状位高分辨率T1WI,TR 2 300 ms,TE 2.98 ms,TI 900 ms,矩阵256×256,FA 9°,FOV 256 mm×240 mm,层厚1.0 mm,层间距0.5 mm,层数176,体素1.0 mm×1.0 mm×1.0 mm,采集时间6 min 56 s。

1.3 图像分析

1.3.1 获取脑网络形态学特征 采用FreeSurfer软件(5.3.0版)对高分辨率T1WI行预处理;之后以Desikan-Killiany模板将大脑皮层分为68个分区ROI,提取各ROI的形态学特征,包括脑区顶点数、表面积、灰质体积、平均皮层厚度、高斯曲率及折叠指数等,获得受试者特征矩阵;对每种特征矩阵行Z-score归一化,之后以Pearson相关系数分析各两两ROI之间特征构成向量的相关性,以其相关系数作为脑网络连边的权重(保留权重正负),由此得到个体68×68脑网络形态学特征。将受试者脑网络形态学特征转换为Z值,取平均值,获得组水平脑网络形态学特征Z值。

1.3.2 构建公共谐波 以组水平脑网络形态学Z值作为群体公共脑模板,计算其拉普拉斯矩阵并对其进行特征分解,得到特征值和特征向量;对特征值从小到大依次进行排序,对特征向量进行重排,得到形态学特征公共谐波,维度为68×68。

1.3.4 比较灰质体积 利用FreeSurfer工具构建不同脑区灰质体积,采用t检验进行组间比较,获得组间灰质体积存在差异脑区的分布图。

1.4 统计学分析 采用SPSS 23.0统计分析软件。以±s表示计量资料,行独立样本t检验。以χ2检验比较计数资料。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料 2组受试者年龄(t=-0.18,P=0.86)及性别(χ2=0.04,P=0.84)差异均无统计学意义。

2.2 形态学特征总谐波能量 组间脑区顶点数(t=0.21,P=0.83)、表面积(t=0.18,P=0.86)、灰质体积(t=-0.35,P=0.72)、平均皮层厚度(t=-1.19,P=0.24)、高斯曲率(t=-1.16,P=0.25)、折叠指数(t=-0.77,P=0.44)总谐波能量差异均无统计学意义。见图1。

图1 DD组与NC组形态学特征总谐波能量比较的小提琴图 A.脑区顶点数; B.表面积; C.灰质体积; D.平均皮层厚度; E.高斯曲率; F.折叠指数

2.3 形态学特征谐波能量 组间特定谐波能量差异有统计学意义(P均<0.05),包括脑区顶点数谐波能量差异为第2、6、15、44及57谐波,表面积谐波能量差异为第2、6、16及57谐波,灰质体积谐波能量差异为第2、12、13、15及57谐波,平均皮层厚度谐波能量差异为第2、19、35、36及44谐波,高斯曲率谐波能量差异为第34、40、54及57谐波,以及折叠指数谐波能量差异为第5、16、21及57谐波。见图2。

图2 DD组与NC组形态学特征所在分谐波能量差异图 A.脑区顶点数; B.表面积; C.灰质体积; D.平均皮层厚度; E高斯曲率; F折叠指数 (*:表示组间分谐波能量差异有统计学意义)

2.4 灰质体积 DD组左脑区颞横皮质区域灰质体积显著大于NC组(t=2.900,P=0.004)。见图3。

图3 DD组与NC组灰质体积存在差异脑区的分布图 (色带代表t值,红黄色代表正值,蓝绿色代表负值)

3 讨论

目前DD发病机制尚不明确,临床主要依据DSM相关标准通过主观判断诊断DD[8]。DD具有较强异质性,临床表现复杂,往往影响诊断[9-10];临床迫切需要客观、准确的诊断DD方法[11]。MRI可显示脑组织体积及结构改变、反映脑内功能活动变化;基于颅脑MRI诊断DD具有可行性[12-13]。

在振动学中,振动产生基波和谐波,前者指具有一定频率、振幅最大的正弦波,后者则指频率高于基波的小波。ATASOY等[6]报道,拉普拉斯特征系统能反映大脑神经活动,对脑网络拉普拉斯矩阵进行特征分解后重新排序,可得到该脑网络的谐波,且谐波两两正交,可用于重建大脑神经改变的空间模式。大脑疾病的空间模式变化受大脑网络变化的影响,故谐波变化能反映脑网络结构改变;以谐波分析法研究大脑疾病脑网络结构有助于更好地了解疾病发展。CHEN等[14]于开源ADNI数据库中选取35名NC、24例轻度认知障碍和35例阿尔茨海默病(Alzheimer disease, AD)患者,基于其颅脑MRI构建公共谐波,分析其皮层厚度相关谐波的变化,发现在多数谐波频带中,NC组皮质厚度相关谐波能量高于AD组,表明AD患者脑结构性萎缩更为严重,而应用谐波分析脑部疾病具有可行性。

脑灰质体积改变是评估DD所致器质性改变的客观指标[15]。本研究纳入55例DD患者及46名NC,对个体脑网络进行平均,得到组水平脑网络,以之作为群体公共脑网络,对其拉普拉斯矩阵进行特征分解,构建群体公共谐波;再经Z-score归一化,以降低不同形态学特征量级差异的影响;最后分析6种形态学特征谐波能量,发现DD组与NC组间公共谐波总能量差异无统计学意义,但6种形态学特征的分谐波能量差异均有统计学意义,且主要集中于较低和较高谐波频域;进一步对比分析组间脑灰质体积,发现DD患者左脑区颞横皮质区域灰质体积显著大于NC,表明其可能为DD患者特定谐波能量发生改变的来源。上述研究结果提示,谐波分析法可用于评估DD患者大脑形态学特征谐波变化,进而观察其脑网络形态学改变。

综上所述,以谐波分析法观察DD患者形态学脑网络改变具有可行性,有助于诊断DD及鉴别诊断。

利益冲突:全体作者声明无利益冲突。

作者贡献:徐凯研究实施、图像处理、图像分析、统计分析、撰写及修改文章;郭志明和吴艳坤撰写及修改文章;曾亚伟研究实施、统计分析、图像处理及图像分析;郑冬审阅文章;李科查阅文献、指导、研究设计、审阅文章、经费支持。