波谱学杂志, 2022, 39(2): 220-229 doi: 10.11938/cjmr20202870

综述和评论

数据采集方案对神经扩散模型影响的评估

周敏雄1, 张会婷2, 王一达3, 杨光3, 姚旭峰1, 高安康4, 程敬亮4, 白洁4, 严序,2

1. 上海健康医学院 医学影像学院，上海市分子影像学重点实验室，上海 201318

2. 西门子医疗 磁共振科研市场部，上海 201318

3. 华东师范大学 上海市磁共振重点实验室，上海 200062

4. 郑州大学第一附属医院 磁共振科，河南 郑州 450052

Evaluation of the Influence of Data Sampling Schemes on Neural Diffusion Models

ZHOU Min-xiong1, ZHANG Hui-ting2, WANG Yi-da3, YANG Guang3, YAO Xu-feng1, GAO An-kang4, CHENG Jing-liang4, BAI Jie4, YAN Xu,2

1. College of Medical Imaging & Shanghai Key Laboratory of Molecular Imaging, Shanghai University of Medicine & Health Sciences, Shanghai 201318, China

2. MR Scientific Marketing, Siemens Healthcare, Shanghai 201318, China

3. Shanghai Key Laboratory of Magnetic Resonance, East China Normal University, Shanghai 200062, China

4. Department of MRI, The First Affiliated Hospital of Zhengzhou University, Zhengzhou 450052, China

通讯作者: 严序, Tel: 021-38893889, E-mail:maxwell4444@hotmail.com

收稿日期: 2020-11-5  

基金资助: 上海健康医学院师资人才百人库
上海健康医学院校级科研基金资助项目
上海高校教师产学研践习计划
国家自然科学基金资助项目.  81830052
国家自然科学基金资助项目.  61971257
分子影像学重点实验室建设资助项目.  18DZ2260400

Received: 2020-11-5  

摘要

基于单次数据采集的多种扩散模型联合应用已逐渐成为临床研究的热点，本研究比较了三种采集方案对于神经扩散模型定量计算的影响，包括Q空间笛卡尔网格（QGrid）、多壳层异向（Free）和多壳层同向（MDDW）采集方案，涉及的扩散模型包含扩散张量成像（DTI）；扩散峰度成像（DKI）；神经突方向分散度和密度成像（NODDI）；平均表观传播（MAP）模型.结果表明DTI和DKI模型对采集方案相对不敏感，而NODDI和MAP对采集方案和最大b值的设置相对较敏感，并且QGrid和Free方案一致性较高，因此在大样本和多中心研究中需要考虑采集方案的选择.此外，考虑到QGrid和Free方案分别在结合更多扩散模型和神经纤维束成像应用上更具优势，因此推荐使用.

关键词： 磁共振成像 ; 数据采集方案 ; 扩散模型 ; 扩散张量成像（DTI） ; 扩散峰度成像（DKI） ; 神经突方向分散度和密度成像（NODDI） ; 平均表观传播（MAP）

Abstract

The joint application of multiple diffusion models on single sampled dataset is becoming a hot topic in clinical research. This study investigated the influence of the three data sampling schemes on the quantification of neural diffusion models. The three sampling schemes compared were QGrid, Free and MDDW on the Siemens scanners. The diffusion models involved were diffusion tensor imaging (DTI), diffusion kurtosis imaging (DKI), neurite orientation dispersion and density imaging (NODDI) and mean apparent propagator (MAP) models. It was demonstrated that the results of NODDI and MAP were sensitive to the sampling schemes and the set of maximum b-value, while that of DTI and DKI were comparatively not sensitive to varying configurations. It was also shown that QGrid and Free schemes provided more consistent results. Thus the sampling scheme should be carefully selected in multi-center studies and studies with large sample size. QGrid and Free schemes are recommended for their advantages demonstrated in this study.

Keywords： magnetic resonance imaging ; data sampling scheme ; diffusion model ; diffusion tensor imaging (DTI) ; diffusion kurtosis imaging (DKI) ; neurite orientation dispersion and density imaging (NODDI) ; mean apparent propagator (MAP)

PDF (1104KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

周敏雄, 张会婷, 王一达, 杨光, 姚旭峰, 高安康, 程敬亮, 白洁, 严序. 数据采集方案对神经扩散模型影响的评估. 波谱学杂志[J], 2022, 39(2): 220-229 doi:10.11938/cjmr20202870

ZHOU Min-xiong. Evaluation of the Influence of Data Sampling Schemes on Neural Diffusion Models. Chinese Journal of Magnetic Resonance[J], 2022, 39(2): 220-229 doi:10.11938/cjmr20202870

引言

扩散加权成像在神经疾病中具有重要的临床价值，可定量反映大脑微观结构的变化，因此在临床和科学研究中受到广泛关注.目前临床最常用的神经扩散模型是扩散张量成像（diffusion tensor imaging，DTI）[1]，可获得各向异性分数（fractional anisotropy，FA）、平均扩散系数（mean diffusivity，MD）等定量参数，能反映白质完整性、组织空间结构各向异性和扩散平均速率等信息，并可以对大脑神经纤维的走向进行追踪，因此在神经研究中得到大量应用[2, 3].

近年来还涌现出一系列更精细的扩散模型，从不同角度反映组织更多微观信息，如扩散峰度成像（diffusion kurtosis imaging，DKI）[4]、神经突方向分散度和密度成像（neurite orientation dispersion and density imaging，NODDI）[5]以及平均表观传播（mean apparent propagator，MAP）[6].DKI模型在DTI的基础上获得额外的扩散非线性或者偏离高斯分布程度，可以反映扩散受限和组织内多成分混杂的情况；NODDI模型则将体素内组织成分分成细胞内、外扩散和自由扩散三个成分，计算各成分信号的比例，同时还可以反映体素内组织结构空间方向分布的离散程度；MAP模型最近逐渐受到关注[7-10]，该模型不基于任何假设，可直接计算水分子运动的位移分布函数，从而获得更准确的扩散受限和扩散速率等信息.

不同的扩散模型定量参数的物理意义不同.DTI、DKI、NODDI和MAP模型的常用参数及其物理含义见表 1.

表1   扩散模型常用参数的含义

Table 1  Meanings of regular parameters used in diffusion models

模型参数全名（英文/中文）物理含义
DTIFAfractional anisotropy各向异性分数反映扩散系数在空间上分布不均匀的程度.
MD\AD\RDmean\axial\radial diffusivity平均\轴向\径向扩散系数反映平均、轴向（神经纤维方向）和垂直于轴向平面的扩散速率.
DKIMD\AD\RDmean\axial\radial diffusivity
平均\轴向\径向扩散系数		与DTI的MD\AD\RD参数类似，但为校正后的扩散速率.
MK\AK\RKmean\axial\radial kurtosis
平均\轴向\径向扩散峰度		反映平均、轴向（神经纤维方向）和垂直于轴向平面的扩散偏离正态分布的程度，与扩散受限和多组织成分混杂有关.
NODDIICVFintra-cellular volume fraction
细胞内容积比		为细胞内信号占总扩散信号的比例，与神经突密度相关.
ISOVFisotropic volume fraction
各向同性容积比		为各向同性信号占总扩散信号的比例，通常反映脑脊液信号
ODIorientation dispersion index
方向分散指数		量化神经轴突方向角度的不一致性，其值在单方向的神经组织中趋近于0，在各向同性组织趋近于1.
MAPRTOPreturn-to-the-origin probability
返回原点概率		水分子在扩散过程中不发生净位移的概率，反映扩散受限程度.
MSDmean squared displacement
平均平方位移		单位时间内水分子的均方位移，反映扩散速率，与DTI/DKI的MD参数接近.
QIVQ space inverse variance
Q空间逆方差		Q空间信号几何平均值的逆方差
NGno-Gaussianity
非高斯性		含义与DKI中的MK接近，反映扩散偏离正态分布的程度.

新窗口打开| 下载CSV


针对上述扩散模型的采集方案主要有以下三种类型：1）Q空间网格采集方案QGrid，为扩散谱成像（diffusion spectrum imaging，DSI）[11]的常用采集方案，包含多个b值和方向，且在Q空间分布呈现网格化；2）多壳层异向采集方案Free，壳层代表一系列具有相同b值不同扩散方向的采集，Free方案中每个壳层之间的扩散方向不同，从而可以最大化扩散方向的角度分辨率，并可通过泛化静电斥力原理实现角度空间的均匀分布[12]；3）多壳层同向采集方案MDDW，即不同壳层间采用相同的扩散方向，其扩散方向分布方案基于早期单壳层的优化设计[13, 14].其中，MDDW类型方案是一般商用MRI扫描仪中常规的扩散方向设置.针对单个模型，DKI模型的推荐快速采集方案为采用30个扩散方向和三个b值（0、1 000、2 000 s/mm2）的MDDW类型方案[15]，NODDI模型的最优化快速采集方案则采用0 s/mm2、700 s/mm2（30个扩散方向）、2 000 s/mm2（60个扩散方向）三个b值和90个扩散方向的Free类型方案[5].针对单个扩散模型，以上采集方案间的差异主要体现在扩散方向和b值.

但随着各个扩散模型的临床价值逐渐展现，临床研究中同时使用多个扩散模型进行多维度综合评估目前已成为趋势.Wu等[16]于2007年提出混合扩散成像，通过一次采集进行DTI、DSI等模型重建和分析.近年来，随着NODDI、MAP等新扩散模型的提出和推广，基于单次采集的多扩散模型逐渐应用到了动物[17]与人体[9, 10, 18, 19].这种方式通过一次采集即涵盖了多个模型所需的扩散数据，不仅采集时间远低于多个模型分别采集的总和，大大节省了时间；而且相比于单个模型，采集了更多b值或者方向，提高了各扩散模型计算的准确性；同时，各模型使用相同的扫描设置，省略了复杂的图像配准步骤，可以直接联合应用，以及进行不同参数的临床应用效能对比，在定量研究中具有较大潜力.

本研究比较了三种适用于单次采集多个扩散模型的采集方案的定量效果，即QGrid、Free和MDDW方案，为未来高级扩散模型的联合应用提供采集方案方面的参考依据.本文评估的扩散模型包括DTI、DKI、NODDI和MAP模型.考虑到临床的实用性，本研究利用“同时多层”加速采集技术，将三种方案的采集时间均控制在6~8 min；同时为了保证信噪比和扩散模型计算的稳定性，最大b值设定在2 000~3 000 s/mm2，与美国的脑连接组计划（human connection project，HCP）中的扩散采集方案[20]一致.

1 实验部分

1.1 数据采集

本研究共采集了4位志愿者的扩散数据，均签订了知情同意书.数据采集在西门子3T MAGNETOM Prisma上完成.采用20通道头线圈，每位被试均应用了三种不同采集方案，即QGrid、Free和MDDW.采集参数如下：（1）QGrid方案，重复时间/回波时间（time of repetition/echo time，TR/TE）= 3 700/72 ms，带宽为1 820 Hz/pixel，99个梯度方向，Q空间因子为3，最大b值为3 000 s/mm2，扩散时间δ/∆ = 15.9/35.0 ms，扫描时间为6 min 37 s；（2）Free方案，TR/TE = 3 900/72 ms，带宽为1 820 Hz/pixel，b值设置为0、1 000、2 000、3 000 s/mm2，且每个非零b值采用了30个不同的梯度方向，共90个不同的扩散方向，扩散时间δ/∆ = 15.9/35.0 ms，扫描时间为6 min 42 s；（3）MDDW方案，TR/TE = 3 500/68 ms，带宽为1 820 Hz/pixel，b值设置为0、1 000、2 000 s/mm2，每个b值的梯度方向数为64，壳层间的梯度方向相同，扩散时间δ/∆ = 13.9/33.0 ms，扫描时间为7 min 57 s.其余扫描参数三个方案相同：层面内并行成像采用GRAPPA方法，加速因子为2；层面间采用同时多层技术加速，加速因子为2；层厚为2.2 mm，体素尺寸为2.0×2.0×2.2 mm3，视野（field of view，FOV）= 220×220 mm2，总扫描层数为60层.扫描过程中，通过海绵垫固定头部，减小头动，并在扫描后人工确认头动情况.

1.2 参数计算

对于每个采集方案，都使用自主开发软件NeuDiLab同时计算了DTI、DKI、MAP和NODDI模型的定量参数.该软件基于Python 3.5平台开发，集成了上述四种扩散模型定量参数的计算，其底层计算基于多个开源软件，包括牛津大学脑功能图像研究中心（FMRIB）开发的FSL[21]工具、中国科学院自动化研究所开发的DiffusionKit[22]工具、MR扩散成像分析工具DIPY[23]和AMICO[24].

扩散数据的预处理流程包括：1）去除头壳，使用FSL的BET工具；2）涡流校正，使用DiffusionKit的Bneddy工具；3）图像平滑，基于3D高斯滤波，平滑核sigma=1.25.

在参数定量计算方面，DTI、DKI和MAP模型基于DIPY计算.其中，DTI参数包括FA、DTI-MD，DKI参数包括MK、DKI-MD，MAP的参数包括RTOP、MSD、QIV和NG.而NODDI模型基于AMICO计算，参数包括ICVF、ISOVF和ODI.以上模型中的一些参数，如DTI的AD和RD，虽可以计算获得，但由于它们与DTI-MD参数之间有高度相关性，所以在本研究中其计算结果不纳入后续比较，由于相同原因未纳入比较的参数还有DKI模型的AK、RK，以及MAP模型的RTAP、RTPP等.

为避免序列间的头动和变形伪影，本研究对三个方案采集的数据进行了配准.配准以QGrid方案的第一幅b0图像作为参考图，利用Elastix[25]的非刚体配准方法与其他方案的b0图像进行配准，然后将配准参数应用到对应的参数图上.配准的参考图也可以选择其他方案的b0图像.由于三个方案的数据均在一次扫描中采集，且成像参数非常接近，因此配准的准确性较高.

1.3 数据分析

本研究从参数图的局部和全局两方面比较了三个不同采集方案对不同扩散模型的参数定量计算的影响：

（1）感兴趣区（region of interest，ROI）比较.对于每个采集方案，首先在灰质和白质区域分别选取了5个5×5体素模块作为ROIs，即共30个ROIs，然后计算了不同扩散模型各定量参数在ROIs内的平均值（以下简称ROI均值）并进行比较.ROIs在QGrid方案的b0图像上勾画，并参考FA和MK，利用其良好的灰质和白质对比得以准确定位.将ROIs直接复制到配准后的三个方案的定量参数图中，以计算ROI均值.

同时为了比较不同方案的一致性，进一步计算三个方案之间扩散模型定量参数的离散系数（coefficient of variation，CV），并基于灰质和白质分别比较，CV计算公式为：

${\rm{CV}} = \sigma /\mu $

其中$\sigma$和$\mu$分别为三个方案下的同一定量参数的标准差和均值，CV值越小，表示不同采集方案获得的该参数越接近.

（2）全局CV图，分别计算三个采集方案中两两之间的全局CV图，以反映两方案间定量参数在不同空间位置的误差，并计算全图平均CV.

2 结果与讨论

2.1 ROI均值比较

本文首先比较了三种采集方案下受试者脑白质和灰质的ROI均值和离散系数，以评估采集方案对扩散模型定量参数的影响.结果显示不同采集方案之间的差异在DTI和DKI模型中相对较小，在MAP和NODDI模型中相对较大；而且白质的差异小于灰质（图 1和表 2）.DTI和DKI扩散模型定量参数CV基本较小，其中基于只有FA在灰质有一定差异，CV=0.06.对于MAP模型，三个方案获得的定量参数差异较大，其中QGrid和Free方案计算的定量参数较接近，而MDDW与另外两方案差异较大，如灰质的MSD、QIV、RTOP参数和白质的QIV、NG参数，CV达到0.08~0.11.对于NODDI模型，ODI参数在不同方案一致性高，ICVF在灰质中呈现一定差异，CV为0.07，而ISOVF参数在不同方案间的差异最大，灰质和白质中CV分别为0.47和0.11.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   基于ROI均值，评估不同采集方案对多种扩散模型定量参数计算结果的影响.采集方案包括QGrid、Free和MDDW，扩散模型包括DTI、DKI、MAP和NODDI，ROI均值比较分别在灰质和白质进行（由于参数值值域不同，参数值通过数量级调整同时显示）

Fig.1   Based on the mean values in ROIs, the influence of different sampling schemes on the quantitative parameters of various diffusion models was compared. The sampling schemes included QGrid, Free and MDDW. The diffusion models included DTI, DKI, NODDI and MAP. ROIs were selected in gray matter and white matter regions respectively (Each parameter is in different value range, thus a rescale is applied to display them together)


表2   QGrid, Free, MDDW三个采集方案之间多种扩散模型中定量参数的离散系数（CV）

Table 2  The coefficients of variation of quantitative diffusion parameters among 3 sampling schemes, namely QGrid, Free, MDDW

DTIDKIMAPNODDI
FAMDMDMKMSDNGQIVRTOPICVFISOVFODI
灰质0.060.040.010.050.090.040.080.110.070.470.01
白质0.020.010.030.040.060.080.090.030.010.110.04

新窗口打开| 下载CSV


2.2 全局CV指标比较

本节通过计算参数图各体素位置的CV，全局比较三个采集方案在不同扩散模型定量参数计算时的差异.如图 2和图 3所示，总体上基于三个采集方案计算的大多定量参数具有较高一致性，尤其在DTI和DKI模型中.DTI模型中，MDDW与其他两个方案的FA参数差异较大，CV值达到0.08~0.09，主要集中在脑脊液区域；DKI模型中，三个方案的差异均较小.NODDI模型的ICVF和ISOVF参数在三个方案中存在一定差异：ICVF的差异主要在灰质，该参数Free方案的灰质和白质对比度优于另外两方案，但总体CV不高，位于0.04~0.07；ISOVF参数的差异则遍布脑脊液之外的全脑灰质和白质区域，受噪声影响较大，CV值高达0.19~0.21.相较于DTI、DKI模型，MAP模型NG、RTOP和QIV参数的整体差异较大，存在多个CV值超过或接近0.1的现象（图 4），其中NG和QIV的差异较集中在脑脊液区域，同时，QGrid和Free方案之间的差异更小.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   QGrid、Free和MDDW三个采集方案的DTI和DKI模型定量参数值，以及两两之间的全局离散系数指标比较

Fig.2   The quantitative parameter values of DTI and DKI models with QGrid, Free and MDDW sampling schemes, and the comparison of global coefficient variance between two of them


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   QGrid、Free和MDDW三个采集方案的NODDI和MAP模型定量参数值，以及两两之间的全局离散系数指标比较

Fig.3   The quantitative parameter values of NODDI and MAP models with QGrid, Free and MDDW sampling schemes, and the comparison of global coefficients of variation between two of them


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   QGrid、Free和MDDW方案中两两之间的平均全局离散系数比较

Fig.4   Comparison of mean of global coefficients of variation between two of QGrid, Free and MDDW sampling schemes


2.3 讨论

本文针对目前关注较多的基于单次数据采集的多种扩散模型联合应用的问题，选择了三种效率较高且较为常见的采集方案，即QGrid、Free和MDDW方案，并定量评估了三个方案在DTI、DKI、MAP和NODDI模型定量参数计算时的一致性，为这些模型在未来临床的联合应用时扫描参数的选择提供经验参考.

本文结果显示，对于DTI和DKI模型，三个方案的定量结果非常接近，由于三个方案的b值大小以及扩散方向的分布各不相同，该结果说明这两种模型对b值范围和方向数接近的采集方案有较好的容忍度.当然，目前三个方案最大b值仅在2 000~3 000 s/mm2.如果b值范围差异较大，或者由于细胞内、外弥散成分衰减速率的不同，引起的扩散系数的方向数和分布的较大差异也会影响方向相关参数的计算.这两个模型的定量参数中，仅FA在不同方案的一致性略低，其余参数的一致性均较高，这与之前的研究结果[17]基本一致.本文中FA一致性较低主要体现在灰质区域，与灰质空间结构异质性低，容易受到噪声影响有关；而白质中FA一致性较好.由于FA主要应用于研究脑白质，因此在应用中可以忽略该影响.

对于较为复杂的NODDI和MAP模型，其定量结果对采集方案较敏感.NODDI模型中ODI在不同方案的一致性较高，与之前研究的结果一致[17]，但ICVF和ISOVF的一致性略低，与之前结果不完全一致.ICVF和ISOVF参数在灰质中的一致性均低于白质，一方面因为NODDI模型脑脊液的计算对采集方案较敏感[17]，存在一定计算误差，如图 3中QGrid和MDDW的ICVF图中可发现残留的脑脊液信号，这将影响脑脊液周围灰质的测量，而Free方案对脑脊液信号去除的更干净.另一方面，Free方案ICVF灰质和白质的对比度优于其他两种方案，这可能与其更多的扩散方向和更多的高b值数据占比有关.对于MAP模型参数，Free和QGrid两方案的一致性更高.其中NG、RTOP、QIV参数在不同方案间均存在差异，说明MAP模型参数的定量计算对采集方案的b值分布较敏感，QGrid和Free两个方案的最大b值为3 000 s/mm2，高b值比例较高，而MDDW的最大b值为2 000 s/mm2.另外与NODDI模型相似，NG和QIV参数在脑脊液部位差异较大，反映出该区域对采集方案较敏感.

综合以上实验结果可以发现，DTI和DKI模型对采集方案中的b值和方向设置不敏感，不同采集方案的数据可以在多中心大样本的研究中使用，而NODDI和MAP模型则对采集方案较为敏感，因此多中心研究中需要注意采集方案的选择.三个常见的采集方案中，Free和QGrid方案在多个模型的定量参数计算中一致性较高，同时由于它们相对于MDDW方案在未来拓展方面更具优势，因此推荐使用.Free方案由于每个b值壳层上的扩散方向均不同，所以可以获得高角度分辨率，因此在进一步纤维追踪研究中具有一定优势.HCP[20]就采用了类似的方案，并发现多壳层方案在解决纤维交叉问题的效果上优于单壳层.而QGrid方案是DSI技术早期最常用的方案，包含了多个b值和扩散方向数，在相同的采集时间下，其扩散方向数略低于多壳层方案，由于HCP重点目标是大脑纤维束追踪成像，因此并未采用.但是对于定量模型来说，DSI包含了更多不同的b值，具备反映更多组织成分（扩散速度不同）信息的潜力，可以进一步拓展计算其他扩散模型，如体素内不相干运动模型[26]、拉伸指数模型[27]，以及最近提出的弥散基谱成像（diffusion basis spectrum Imaging，DBSI）技术[28]，从而获得体素内扩散多成分信息.

采集方案中除不同类型的扩散方向和b值分布设置外，最大b值的设置对定量结果也会产生影响，尤其是如NODDI和MAP等计算较为复杂的模型.HCP研究采用的最大b值为3 000 s/mm2，并发现虽然更高的b值可以更好的解决交叉纤维问题，但实际应用中随着b值增加，图像信噪比会显著下降，导致计算误差增加，因此考虑到采集方案的推广性和大部分设备的可操作性，本文也将最大b值设置在3 000 s/mm2.

在临床可行性和可推广性方面，三个采集方案中MDDW最为常见，几乎在所有商用MRI扫描仪中均有配置，无需特殊设置，容易推广.QGrid和Free方案通常需要专业人员在MRI扫描仪后台中设置，需要进一步推广.其中，QGrid方案在西门子MRI设备E11及以上版本的软件平台已经成为标准配置，可直接设置.

采集时间方面，三个方案在同时多层技术的加速下，均可以在6~8 min内完成采集，在临床应用中可行性较高.如未配置同时多层技术，采集时间可能超过10 min，为了缩短采集时间，建议增加层厚和减少层数以减少采集时间.另外，采集时间也可以通过其他方式缩短，如使用压缩感知技术，或者基于Q空间对称性减少对称数据以成倍减少采集时间，这些将在未来的工作中进一步验证，未来有可能将采集时间控制在3~4 min，从而替代常规DTI的单壳层方案推广应用于临床.在采集效率方面，Free和QGrid方案采集效率高于MDDW，在加速方面具有更大的潜力.

基于单次采集的多扩散模型联合应用具有较大的应用前景.扩散成像由于具备可反应组织内细胞层面扩散信息的特性和较快的采集速度等优势，因此近年来不断有研究者提出新的扩散模型以提供不同的组织信息.验证新模型参数的临床有效性和其提供信息的独特性，需要对比不同的扩散模型，特别是近年来研究结果较好的模型，从而更准确的评价新模型的价值.例如，近期有研究发现DKI和NODDI模型在胶质瘤基因分型的判断方面与DTI模型接近，并没有明显的额外价值[19].另一方面，新模型独特的信息可以联合其他模型，结合多参数分析、影像组学和深度学习等方法进一步提高研究的准确性，从而最大化挖掘扩散数据中的定量信息[29].

未来通过采集方案的拓展，在增加少量采集时间的情况下，还可以加入更多的扩散模型，如体素内不相干运动模型（intro-voxel incoherent movement，IVIM），拉伸指数模型等，丰富不同维度的扩散信息.同时该方法也可以从神经拓展到体部应用，开展肿瘤以及其他局灶性疾病的应用.

本文也存在一定的局限性，体现在：（1）实验中临床数据量较少，然而在本文定量参数的比较中，数据的每一个体素都可作为一个独立样本进行统计，如图 2和图 3，因此本文的结果依然可靠；（2）由于扩散采集时间较长，本研究中缺少临床数据验证，相关的验证工作将会在未来开展；（3）由于无法获取组织病理资料，缺乏金标准验证模型扩散定量参数计算的准确性，因此本文主要比较不同方案间的一致性，为未来多采集方案大样本数据的分析提供经验.

3 结论

基于单次数据采集的多种扩散模型联合应用逐渐成为目前临床研究的热点，本文比较了QGrid、Free和MDDW三个采集方案在DTI、DKI、MAP和NODDI模型定量中的一致性，结果表明DTI和DKI模型对采集参数相对不敏感，而NODDI和MAP对采集方案以及最大b值的设置较为敏感，因此对于包括多个采集方案的大样本研究需要考虑采集方案的影响.另外，考虑到采集所得数据未来的拓展性，推荐使用QGrid和Free方案.

利益冲突

无

参考文献

BASSER P J , MATTIELLO J , LEBIHAN D .

MR diffusion tensor spectroscopy and imaging

[J]. Biophys J, 1994, 66 (1): 259- 267.

DOI:10.1016/S0006-3495(94)80775-1      [本文引用: 1]

JIANG F , WANG Y J .

A review on interpolation methods for diffusion tensor images

[J]. Chinese J Magn Reson, 2019, 36 (3): 392- 407.

URL     [本文引用: 1]

蒋帆, 王远军.

扩散张量图像的插值方法综述

[J]. 波谱学杂志, 2019, 36 (3): 392- 407.

URL     [本文引用: 1]

XU Y H , GAO S C , HAO X F .

An improved spectral quaternion interpolation method of diffusion tensor imaging

[J]. J Biomed Eng, 2016, 33 (2): 362- 367.

URL     [本文引用: 1]

徐永红, 高上策, 郝小飞.

一种改进的扩散张量成像谱四元数插值方法

[J]. 生物医学工程学杂志, 2016, 33 (2): 362- 367.

URL     [本文引用: 1]

JENSEN J H , HELPERN J A , RAMANI A , et al.

Diffusional kurtosis imaging: the quantification of non-Gaussian water diffusion by means of magnetic resonance imaging

[J]. Magn Reson Med, 2005, 53 (6): 1432- 1440.

DOI:10.1002/mrm.20508      [本文引用: 1]

ZHANG H , SCHNEIDER T , WHEELER-KINGSHOTT C A , et al.

NODDI: practical in vivo neurite orientation dispersion and density imaging of the human brain

[J]. Neuroimage, 2012, 61 (4): 1000- 1016.

DOI:10.1016/j.neuroimage.2012.03.072      [本文引用: 2]

ÖZARSLANE, KOAYC G, SHEPHERDT M, 等.

Mean apparent propagator (MAP) MRI: A novel diffusion imaging method for mapping tissue microstructure

[J]. Neuroimage, 2013, 78, 16- 32.

URL     [本文引用: 1]

FICK R, DAIANU M, PIZZOLATO M, et al. Comparison of biomarkers in transgenic alzheimer rats using multi-shell diffusion MRI[C] //MICCAI, 2017: 187-199.

[本文引用: 1]

PINES A R , CIESLAK M , LARSEN B , et al.

Leveraging multi-shell diffusion for studies of brain development in youth and young adulthood

[J]. Dev Cogn Neurosci, 2020, 43, 100788.

DOI:10.1016/j.dcn.2020.100788     

MA K R , ZHANG X N , ZHANG H T , et al.

Mean apparent propagator-MRI: A new diffusion model which improves temporal lobe epilepsy lateralization

[J]. Eur J Radiol, 2020, 126, 108914.

DOI:10.1016/j.ejrad.2020.108914      [本文引用: 1]

LE H B , ZENG W K , ZHANG H H , et al.

Mean apparent propagator MRI is better than conventional diffusion tensor imaging for the Evaluation of Parkinson's disease: a prospective pilot study

[J]. Front Aging Neurosci, 2020, 12, 563595.

DOI:10.3389/fnagi.2020.563595      [本文引用: 2]

WEDEEN V J , HAGMANN P , TSENG W Y I , et al.

Mapping complex tissue architecture with diffusion spectrum magnetic resonance imaging

[J]. Magn Reson Med, 2005, 54 (6): 1377- 1386.

DOI:10.1002/mrm.20642      [本文引用: 1]

CARUYER E , LENGLET C , SAPIRO G , et al.

Design of multishell sampling schemes with uniform coverage in diffusion MRI

[J]. Magn Reson Med, 2013, 69 (6): 1534- 1540.

DOI:10.1002/mrm.24736      [本文引用: 1]

JONES D K , HORSFIELD M A , SIMMONS A .

Optimal strategies for measuring diffusion in anisotropic systems by magnetic resonance imaging

[J]. Magn Reson Med, 1999, 42 (3): 515- 525.

DOI:10.1002/(SICI)1522-2594(199909)42:3<515::AID-MRM14>3.0.CO;2-Q      [本文引用: 1]

PAPADAKIS N G , MURRILLS C D , HALL L D , et al.

Minimal gradient encoding for robust estimation of diffusion anisotropy

[J]. Magn Reson Imaging, 2000, 18 (6): 671- 679.

DOI:10.1016/S0730-725X(00)00151-X      [本文引用: 1]

TABESH A , JENSEN J H , ARDEKANI B A , et al.

Estimation of tensors and tensor-derived measures in diffusional kurtosis imaging

[J]. Magn Reson Med, 2011, 65 (3): 823- 836.

DOI:10.1002/mrm.22655      [本文引用: 1]

WU Y C , ALEXANDER A L .

Hybrid diffusion imaging

[J]. Neuroimage, 2007, 36 (3): 617- 629.

DOI:10.1016/j.neuroimage.2007.02.050      [本文引用: 1]

HUTCHINSON E B , AVRAM A V , IRFANOGLU M O , et al.

Analysis of the effects of noise, DWI sampling, and value of assumed parameters in diffusion MRI models

[J]. Magn Reson Med, 2017, 78 (5): 1767- 1780.

DOI:10.1002/mrm.26575      [本文引用: 4]

ANDICA C , KAMAGATA K , HATANO T , et al.

MR biomarkers of degenerative brain disorders derived from diffusion imaging

[J]. J Magn Reson Imaging, 2020, 52 (6): 1620- 1636.

DOI:10.1002/jmri.27019      [本文引用: 1]

FIGINI M , RIVA M , GRAHAM M , et al.

Prediction of isocitrate dehydrogenase genotype in brain gliomas with MRI: Single-shell versus multishell diffusion models

[J]. Radiology, 2018, 289 (3): 788- 796.

DOI:10.1148/radiol.2018180054      [本文引用: 2]

SOTIROPOULOS S N , JBABDI S , XU J Q , et al.

Advances in diffusion MRI acquisition and processing in the Human Connectome Project

[J]. Neuroimage, 2013, 80, 125- 143.

DOI:10.1016/j.neuroimage.2013.05.057      [本文引用: 2]

JENKINSON M , BECKMANN C F , BEHRENS T E , et al.

FSL

[J]. Neuroimage, 2012, 62 (2): 782- 790.

DOI:10.1016/j.neuroimage.2011.09.015      [本文引用: 1]

XIE S M , CHEN L F , ZUO N M , et al.

DiffusionKit: A light one-stop solution for diffusion MRI data analysis

[J]. J Neurosci Methods, 2016, 273, 107- 119.

DOI:10.1016/j.jneumeth.2016.08.011      [本文引用: 1]

GARYFALLIDIS E , BRETT M , AMIRBEKIAN B , et al.

Dipy, a library for the analysis of diffusion MRI data

[J]. Front Neuroinform, 2014, 8, 8.

[本文引用: 1]

DADUCCI A , CANALES-RODRÍGUEZ E J , ZHANG H , et al.

Accelerated microstructure imaging via convex optimization (AMICO) from diffusion MRI data

[J]. Neuroimage, 2015, 105, 32- 44.

DOI:10.1016/j.neuroimage.2014.10.026      [本文引用: 1]

KLEIN S , STARING M , MURPHY K , et al.

elastix: a toolbox for intensity-based medical image registration

[J]. IEEE Trans Med Imaging, 2010, 29 (1): 196- 205.

DOI:10.1109/TMI.2009.2035616      [本文引用: 1]

LE BIHAN D , TURNER R .

Intravoxel incoherent motion imaging using spin echoes

[J]. Magn Reson Med, 1991, 19 (2): 221- 227.

DOI:10.1002/mrm.1910190206      [本文引用: 1]

BENNETT K M , SCHMAINDA K M , BENNETT R T , et al.

Characterization of continuously distributed cortical water diffusion rates with a stretched-exponential model

[J]. Magn Reson Med, 2003, 50 (4): 727- 734.

DOI:10.1002/mrm.10581      [本文引用: 1]

WANG Y , WANG Q , HALDAR J P , et al.

Quantification of increased cellularity during inflammatory demyelination

[J]. Brain, 2011, 134 (Pt 12): 3590- 3601.

[本文引用: 1]

PARK J E , KIM H S , PARK S Y , et al.

Prediction of core signaling pathway by using diffusionand perfusion-based MRI radiomics and next-generation sequencing in isocitrate dehydrogenase wild-type glioblastoma

[J]. Radiology, 2020, 294 (2): 388- 397.

DOI:10.1148/radiol.2019190913      [本文引用: 1]

/

〈 〉

网站设计版权所有 © 2017 《波谱学杂志》编辑部
地址：湖北省武汉市武昌区小洪山西30号 中科院精密测量科学与技术创新研究院波谱楼 《波谱学杂志》编辑部
邮编：430071　电话/传真：(086)027－87198791   E-mail: magres@wipm.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发