林椿森，路偉釗，李文勤，李晶磊，閔 剛，石麗婷

[1.山東省泰安榮軍醫(yī)院影像科，山東 泰安 271000；2.山東第一醫(yī)科大學(xué)(山東省醫(yī)學(xué)科學(xué)院)放射學(xué)院，山東 泰安 271016；3.中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所醫(yī)學(xué)影像技術(shù)研究室，江蘇 蘇州 215163]

注意缺陷多動(dòng)障礙(attention deficit hyperactivity disorder， ADHD)為發(fā)育障礙精神疾病，主要表現(xiàn)為注意力不集中、沖動(dòng)、多動(dòng)，嚴(yán)重影響患兒的學(xué)習(xí)能力、交往能力和生活能力等。ADHD在全世界學(xué)齡前兒童中的發(fā)病率約為5%～7%[1]。ADHD分為注意力缺陷為主型(predominantly inattentive ADHD， ADHD-I)、沖動(dòng)/多動(dòng)為主型(predominantly impulsive/hyperactive ADHD， ADHD-H)及混合型(combined ADHD， ADHD-C)[2]，不同亞型患兒的生活習(xí)慣、學(xué)習(xí)能力及社交等均有所不同，臨床治療方案及預(yù)后也各有不同[3]。目前采用神經(jīng)影像學(xué)方法診斷ADHD及分型的研究結(jié)果尚存爭議[4]。紋理分析可從醫(yī)學(xué)影像中提取高通量影像學(xué)特征，將視覺影像信息轉(zhuǎn)化為深層次的紋理特征[5-6]，已應(yīng)用于定性和分級診斷多種疾病、評估治療反應(yīng)和預(yù)測預(yù)后[7-8]。本研究評價(jià)MRI紋理分析用于診斷ADHD及分型的效果。

1 資料與方法

1.1 研究對象 隨機(jī)于紐約大學(xué)醫(yī)學(xué)中心公開MRI數(shù)據(jù)(http://fcon_1000.projects.nitrc.org/indi/adhd200/index.html)中抽取155名受試者。其中ADHD組88例，男67例，女21例，平均(12.1±2.9)歲，包括ADHD-I亞組32例[男22例，女10例，年齡8～17歲、平均(12.3±2.6)歲)]、ADHD-C亞組56例[男45例，女11例，年齡7～17歲，平均(11.0±2.5)歲)]和對照組67名(男30名，女37名，年齡7～17歲)。納入標(biāo)準(zhǔn)：①年齡<18歲；②臨床及影像學(xué)資料完整、詳細(xì)；③ADHD患兒未接受相關(guān)心理及藥物干預(yù)或治療。檢查前監(jiān)護(hù)人均簽署知情同意書

1.2 儀器與方法 采用Siemens Allegra 3.0 Tesla MR掃描儀，采集軸位、冠狀位和矢狀位T1WI，掃描參數(shù)：TR 2 530 ms，TE 3.25 ms，層厚1.33 mm，層數(shù)128，F(xiàn)OV 256 mm×256 mm，體素1.3 mm×1.0 mm×1.3 mm，總采集時(shí)間為8 min 7 s。

1.3 圖像預(yù)處理 將原始NIfTI格式數(shù)據(jù)導(dǎo)入DCM2NII軟件(https://people.cas.sc.edu/rorden/mricron/dcm2nii.html)進(jìn)行重新定位，并裁剪圖像；將圖像導(dǎo)入Mricron軟件(https://www.nitrc.org/projects/mricron)，剔除運(yùn)動(dòng)偽影較大者。采用Matlab工具包Cat12(http://www.neuro.uni-jena.de/cat/)對圖像進(jìn)行分割、重建、校正和配準(zhǔn)，得到標(biāo)準(zhǔn)化腦灰質(zhì)及腦白質(zhì)體積圖像(圖1)，并對之進(jìn)行重新采樣和平滑。

圖1 患者男，12歲，ADHD-C組 A～C.分別為軸位、冠狀位和矢狀位的MR T1加權(quán)成像的標(biāo)準(zhǔn)化的腦灰質(zhì)圖像； D～F.分別為軸位、冠狀位和矢狀位的MR TI加權(quán)成像的標(biāo)準(zhǔn)化的腦白質(zhì)圖像

1.4 提取紋理特征 采用IBEX軟件，分別于標(biāo)準(zhǔn)化腦灰質(zhì)及腦白質(zhì)體積圖像中提取1 057個(gè)紋理特征，包括從圖像灰度直方圖中計(jì)算的一階特征，如均值、標(biāo)準(zhǔn)差、偏斜度、峰值以及基于灰度共生矩陣(gray-level co-occurrence matrix， GLCM)、灰度游程矩陣(gray-level run-length matrix， GLRLM)以及鄰域強(qiáng)度差矩陣(neighborhood intensity difference matrix， NIDM)的高階統(tǒng)計(jì)特征。

1.5 統(tǒng)計(jì)學(xué)分析 采用Matlab分析軟件。以χ2檢驗(yàn)比較組/亞組間性別差異。對符合正態(tài)分布的紋理特征行方差分析，對不符合者行Kruskal-Wallis檢驗(yàn)。基于訓(xùn)練集分別構(gòu)建支持向量機(jī)(support vector machine， SVM)ADHD診斷模型(訓(xùn)練集130例，測試集25例)及分型模型(訓(xùn)練集63例，測試集25例)。采用秩和檢驗(yàn)比較ADHD組與對照組、ADHD-I亞組與ADHD-C亞組之間紋理特征的差異；采用Spearman相關(guān)性分析評價(jià)紋理特征之間的相關(guān)性，剔除r>0.85的2個(gè)特征中P值較大者，并以剩余特征中差異具有統(tǒng)計(jì)學(xué)者模型構(gòu)建?；跍y試機(jī)數(shù)據(jù)繪制受試者工作特征(receiver operating characteristic， ROC)曲線，并計(jì)算曲線下面積(area under the curve， AUC)，評價(jià)SVM模型診斷ADHD及分型的效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

組/亞組間性別差異無統(tǒng)計(jì)學(xué)意義(χ2=6.31，P=0.18)；年齡差異具有統(tǒng)計(jì)學(xué)意義(F=3.40，P=0.04)。

2.1 腦灰質(zhì)紋理特征 ADHD-I亞組、ADHD-C亞組及對照組之間共12個(gè)腦灰質(zhì)紋理特征差異有統(tǒng)計(jì)學(xué)意義(F=6.86～14.93，P均<0.05)，包括11個(gè)基于GLCM的高階特征和1個(gè)一階特征峰度(Kurtosis)；且以上特征在ADHD-C亞組與對照組間差異同樣有統(tǒng)計(jì)學(xué)意義(P均<0.05)；ADHD-I亞組與ADHD-C亞組之間僅1個(gè)GLCM特征差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，見表1。

表1 ADHD患兒與健康人腦灰質(zhì)及腦白質(zhì)存在差異的紋理特征

2.2 腦白質(zhì)紋理特征 ADHD-I亞組、ADHD-C亞組及對照組之間共14個(gè)腦白質(zhì)紋理特征差異有統(tǒng)計(jì)學(xué)意義(F=3.30～12.46，P均<0.05)，包括12個(gè)基于GLCM的高階特征和2個(gè)一階特征百分位數(shù)(Percentile)；其中ADHD-C亞組與對照組之間1個(gè)GLCM、2個(gè)一階特征差異有統(tǒng)計(jì)學(xué)意義(P均<0.05)；ADHD-C亞組與對照組之間僅1個(gè)GLCM特征差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)；ADHD-I亞組與ADHD-C亞組之間共11個(gè)GLCM特征差異具有統(tǒng)計(jì)學(xué)意義(P均<0.05)，見表1。

2.3 SVM模型及鑒別效能 經(jīng)秩和檢驗(yàn)和Spearman相關(guān)性分析，共剔除1 033個(gè)腦灰質(zhì)特征和全部腦白質(zhì)特征，最終共24個(gè)腦灰質(zhì)特征用于構(gòu)建SVM診斷模型；該模型診斷ADHD的AUC為0.85，準(zhǔn)確率為72.00%，敏感度為80.00%，特異度為60.00%。最終共剔除1 056個(gè)腦灰質(zhì)特征和1 039個(gè)腦白質(zhì)特征，以1個(gè)腦灰質(zhì)特征和18個(gè)腦白質(zhì)特征構(gòu)建SVM分型模型；其區(qū)分ADHD亞型的AUC為0.81，準(zhǔn)確率為84.00%，敏感度為93.33%，特異度為70.00%。見圖2。

圖2 腦灰質(zhì)及腦白質(zhì)紋理特征SVM模型診斷ADHD及分型的ROC曲線

3 討論

3.1 腦灰質(zhì)紋理分析 GLCM特征主要反映局部灰度的相對空間關(guān)系。本研究發(fā)現(xiàn)腦灰質(zhì)GLCM特征可用于鑒別ADHD-C型患兒與健康人，提示ADHD-C型患兒腦灰質(zhì)已發(fā)生變化，與CHEN等[9-10]的結(jié)果相似。既往研究[11]認(rèn)為GLCM可用于對阿爾茲海默病患者進(jìn)行分型。HIRATA等[12]發(fā)現(xiàn)直方圖中的Kurtosis可作為預(yù)測食管癌患者無復(fù)發(fā)生存期和疾病特異性生存期的獨(dú)立預(yù)后因素。本研究結(jié)果顯示，在灰質(zhì)范圍內(nèi)，通過Kurtosis特征參數(shù)可鑒別診斷ADHD-C亞組患者與對照者，但無法對ADHD進(jìn)行分型診斷，可能原因在于ADHD-I型患兒在灰質(zhì)范圍水平內(nèi)的紋理信息改變尚不明顯，腦組織病理生理特征未發(fā)生明顯改變，與默認(rèn)模式網(wǎng)絡(luò)和島葉皮質(zhì)區(qū)域連接改變有關(guān)[10]。本研究基于腦灰質(zhì)特征構(gòu)建的SVM模型診斷ADHD的效能較好。

3.2 腦白質(zhì)紋理分析 本研究發(fā)現(xiàn)腦白質(zhì)多數(shù)紋理特征可用于鑒別ADHD-I和ADHD-C。既往研究[13]報(bào)道，直方圖中的百分?jǐn)?shù)可用于鑒別診斷腦內(nèi)腫瘤及預(yù)測垂體大腺瘤的質(zhì)地；Correlation可用于判斷乳腺癌對化學(xué)治療藥物的敏感度[14]和鑒別腎腫瘤性質(zhì)等[7]。本研究結(jié)果同樣顯示腦白質(zhì)的一階直方圖特征可鑒別用于ADHD-C型患兒與健康人；Correlation及GLCM/5-7 InformationMeasurecorr1特征則可用于診斷ADHD并分型，提示基于全腦白質(zhì)范圍內(nèi)的紋理特征信息有助于進(jìn)一步鑒別診斷ADHD-C型、ADHD-I型與健康人。本研究聯(lián)合腦灰質(zhì)特征和腦白質(zhì)特征構(gòu)建的SVM分類模型可較好地鑒別ADHD-I和ADHD-C亞型，提示對ADHD進(jìn)行分型時(shí)應(yīng)綜合考慮腦灰質(zhì)和腦白質(zhì)變化。

本研究的局限性：①數(shù)據(jù)庫中ADHD-H型患者較少，未將其納入研究；②未結(jié)合受試者心理評估和認(rèn)知評估結(jié)果進(jìn)行分析；③組/亞組之間年齡存在統(tǒng)計(jì)學(xué)差異，有待進(jìn)一步觀察年齡對分析結(jié)果的影響。

綜上，基于MR TIWI的腦灰質(zhì)和腦白質(zhì)紋理特征可用于診斷ADHD并分型。