為了定位顳葉癲癇（TLE）患者腦白質微結構發生異常的重要腦區，本文設立了正常對照組（NC）與 TLE 組兩組人群，采集了 50 位受試者（其中 NC 組 28 人，TLE 組 22 人）的腦部彌散張量成像（DTI）影像，分別計算其部分各向異性（FA）、平均擴散率（MD）、擴散系數（AD）、徑向擴散系數（RD）等參數，并采用纖維束追蹤空間統計方法（TBSS），獲取組間差異的腦區，然后利用支持向量機（SVM），對 NC 組與 TLE 組進行分類，并與支持向量機-遞歸特征消除法（SVM-RFE）進行比較，最后對重要腦區及其分布進行分析與討論。實驗結果表明，TLE 患者的 FA 值存在明顯降低的腦區主要有胼胝體、上縱束、放射冠、外囊、內囊、下額枕束、鉤束、矢狀層等，基本呈雙側分布，其中大部分腦區的 MD、RD 值明顯增高，AD 值雖有增高，但差異無統計學意義。支持向量機-纖維束追蹤空間統計法（SVM-TBSS）利用 FA、MD、RD 進行分類的準確率分別為 82%、76%、76%，特征融合后分類準確率為 80%；SVM-RFE 利用 FA、MD、RD 進行分類準確率分別為 90%、90% 和 92%，特征融合后分類準確率達到 100%，SVM-RFE 分類性能明顯優于 SVM-TBSS，對分類有重要影響的特征主要分布于聯絡纖維和連合纖維腦區。研究結果表明，DTI 參數能有效地反映 TLE 患者的腦白質纖維異常改變，可用于闡明其病理機制、定位病灶及實現自動診斷。
引用本文： 趙地, 郭圣文, 吳聰玲, 賴春任, 成麗娜, 汪文勝. 顳葉癲癇患者腦白質纖維束追蹤空間統計分析與自動識別. 生物醫學工程學雜志, 2017, 34(4): 500-509. doi: 10.7507/1001-5515.201610038 復制
引言
目前全世界大約有 7 000 萬癲癇患者[1]，而顳葉癲癇（temporal lobe epilepsy，TLE）是最常見的藥物難治性癲癇類型，約占癲癇總人數的 30%～40%[2]。TLE 主要是由大腦神經元突發性異常放電引起，并導致患者短暫的、反復的大腦功能障礙[3]。反復的癲癇發作會導致 TLE 患者的聽覺、視覺的低級認知功能和語言、記憶等高級認知功能的障礙。
近年來，正電子發射計算機斷層掃描（positron emission tomography，PET）、結構磁共振成像（structural magnetic resonance imaging，sMRI）、磁共振波譜（magnetic resonance spectroscopy，MRS）、功能磁共振成像（functional magnetic resonance imaging，fMRI）與彌散張量成像（diffusion tensor imaging，DTI）等檢測技術被廣泛應用于 TLE 的定側、病灶定位及病理基礎研究。如常規的磁共振成像（magnetic resonance imaging，MRI）分析和 MRS 病理研究[4-5]，通過對灰質體積、灰質密度或代謝化合物分析，已表明 TLE 患者腦區存在廣泛的皮質及皮質下腦結構異常。而 DTI 可用于檢測腦白質纖維結構與白質網絡異常[6]，如 Chiang 等[7]經研究發現，TLE 患者的雙側海馬、扣帶回、穹窿等腦區的平均擴散率（mean diffusivity，MD）值升高、部分各向異性（fractional anisotropy，FA）值降低，認為 MD、FA 能夠用于 TLE 患者致癇灶的定位定側。此外，反復的癲癇電信號會引起白質纖維髓鞘丟失和軸突損傷，研究發現擴散系數（axial diffusivity，AD）、徑向擴散系數（radial diffusivity，RD）值的改變可以用于區分髓鞘和軸突損傷[8]。Campos 等[9]利用 DTI 的參數 FA、AD、RD 來研究伴有海馬硬化的 TLE 患者的白質纖維束的完整性，并認為白質損傷的不同分布對癲癇網絡的定位具有重要的意義。Meng 等[10]揭示了 TLE 患者腦白質異常范圍與癲癇的首次發作的年齡和發作病程相關。除了顳葉，其它腦區的腦皮層和腦白質纖維，也與 TLE 的發生和發展密切相關[11]。
研究 TLE 患者腦白質纖維異常變化主要包括感興趣區法（region of interest，ROI）、基于體素的分析方法（voxel-based analysis，VBA）和基于纖維束追蹤空間統計方法（tract-based spatial statistics，TBSS）。基于 ROI 的方法，是基于先驗假說對 ROI 進行測量，雖然其目標明確、操作簡便，但易受主觀因素與影像中部分容積效應的影響。而另一方面，有研究者基于 VBA 方法發現單側 TLE 患者的灰質、白質均發生了異常變化，從而影響大腦的認知功能，然而，該方法對于白質的微小結構擴散異常并不敏感[12]。TBSS 方法，是一種基于纖維束追蹤的配準算法，它采用一種對不同受試者的白質纖維骨架進行對齊的方法，有效克服了 VBA 法的圖像空間配準準確性低、平滑處理時平滑核選擇具主觀性等不足，提高了分析結果的準確性、敏感性和客觀性，對腦白質微結構異常區域的定位更加準確[13]。如 Focke 等[14]采用 VBA 和 TBSS 方法研究 33 例單側海馬硬化 TLE 患者的 DTI 影像，發現 TBSS 比 VBA 對白質纖維的異常變化更加敏感。
目前，基于 TLE 患者腦結構的變化與腦區分布信息，采用機器學習方法研究 TLE 的自動診斷[15]、致癇灶的定位[16]、癲癇患者的電生理學血流動力學[17]、術后癲癇發作預測[18-19]等問題，具有重要的意義。如 Cantor-Rivera 等[20]基于 ROI 方法提取所有受試者的全腦 FA、MD 圖像特征，然后對 TLE 患者和正常對照（normal control，NC）組進行分類比較，FA、MD 的分類準確率分別為 69.4%、75.0%。另有研究表明，基于 VBA 方法提取全腦 FA、MD 圖像特征，發現左側伴有海馬硬化的 TLE 組與 NC 組的分類識別率最高，分別為 92.9%、88.1%，左側 TLE 與右側 TLE 的分類識別率最低，分別為 48.7%、51.4%[21]。An 等[22]基于 TBSS 方法提取差異具有統計學意義的 FA 骨架特征進行分類，左側內側顳葉癲癇（medial temporal lobe epilepsy，mTLE）組與 NC 組、右側 mTLE 組與 NC 組的分類識別率分別為 94.1%、91.8%，左側 mTLE 組與右側 mTLE 組分類識別率為 90.6%。說明基于 TBSS 方法提取的特征對 TLE 人群具有較突出的區分能力。
雖然研究者通過提取 DTI 特征應用于 TLE 的自動分類，已經取得了一些進展，但仍有以下重要問題尚待研究：① 目前的研究主要利用的是 FA、MD 特征開展研究，缺乏對 DTI 參數的全面比較與分析；② 采用的不同特征選擇方法的分類性能相差較大，需要比較與分析不同特征選擇方法的性能差異，并對多特征進行融合，以改善分類性能；③ 尚需明確對分類有重要影響的腦區及其分布，這些腦區與 TLE 相關的生理與病理機理機制，尚待進一步明確。
為此，本文首先采用立體定位白質分區圖譜（based on diffusion tensor imaging obtained from 81 normal subjects acquired under an initiative of the International Consortium of Brain Mapping，ICBM-DTI-81）為模板，獲得全腦白質纖維的 FA、MD、AD 和 RD 參數圖像，然后，應用 TBSS 方法，獲取 NC 組與 TLE 組差異具有統計學意義的腦區。再根據差異的腦區特征，用支持向量機（support vector machine，SVM）進行分類，比較支持向量機-纖維束追蹤空間統計方法（support vector machine-tract-based spatial statistics，SVM-TBSS）與支持向量機-遞歸特征消除法（support vector machine-recursive feature elimination，SVM-RFE） 分類性能的優劣。最后，分析重要腦區及其分布。
1 實驗方法
1.1 纖維束追蹤的空間統計
本研究使用腦擴散圖像分析軟件 PANDA 1.3.1（State Key Laboratory of Cognitive Neuroscience and Learning and IDG/McGovern Institute for Brain Research，Beijing Normal University.，China）進行數據處理[23]，采用 PANDA 軟件提供的 TBSS 對 TLE 組和 NC 組進行組間白質微結構差異分析。
1.1.1 數據預處理 具體處理步驟包括：① 將原始的醫學數字成像和通信（digital imaging and com-munications in medicine，DICOM）格式的數據轉化為神經影像信息技術協議（The neuroimaging infor-matics technology initiative，NIFTI）格式；② 對 NIFTI 數據進行頭動及渦流矯正；③ 以每個受試者梯度敏感因子 b=0 s/mm2 的圖像作為依據（即 b0 模板），產生各自的腦模板，剝去頭皮與顱骨，提取大腦（閾值設為 0.3）；④ 利用梯度磁場方向、磁場強度數值、b0 模板以及四維 NIFTI 格式圖像，計算本征值 λ1、λ2、λ3，獲取 FA、MD、AD、RD 等參數圖像[24]。
 |
 |
 |
 |
DTI 的本征值有三個：λ1 是最大本征值，反映了在平行于纖維方向上的擴散速度；λ3 是最小本征值，反映了在垂直于纖維方向上的擴散速度；λ2 是中間本征值，反映了垂直于前兩個方向上的擴散速度。
DTI 常用的量化指標有 FA、MD、AD、RD。FA 值是對組織各向異性的測定，反映了軸索對水分子彌散程度的限制以及髓磷脂的含量。MD 值能對組織某一體素、區域的彌散性能進行全面的評價，被認為是白質微結構變化的重要指示，這些變化包括纖維數量的減少、軸突的缺失、髓鞘的脫失等。AD 是最大特征向量的特征值，AD 值的增大與軸突的丟失或者損壞有關。RD 是二次特征值的平均值，RD 值的增大與軸突脫髓鞘有關。
1.1.2 TBSS 統計分析 首先，運用非線性配準方法將所有受試者的 FA 圖像對齊到標準空間下的標準 FA 模板[25]。然后，根據所有配準后的 FA 圖生成平均 FA 圖，進而提取平均 FA 骨架。最后，設定 FA 閾值為 0.2，將每個受試者的 FA 值投射到平均 FA 骨架上，得到每個受試者的 FA 骨架圖。類似地，MD、AD、RD 參數圖也基于平均 FA 骨架進行配準。
以 ICBM-DTI-81 白質分區圖譜為模板[26]，計算 FA、MD、AD、RD 值，采用雙樣本 t 檢驗對 TLE 組和正常組進行組間對比，經過無閾值聚類增強（threshold-free cluster enhancement，TFCE）校正（P<0.05），獲取差異具有統計學意義的腦區。
t 檢驗為假設當總體分布為正態分布時，則樣本平均數與總體平均數的離差統計量呈 t 分布。其中雙樣本 t 檢驗是通過計算兩組小樣本均值之間差異發生的概率，判斷它們的差異是否具有統計學意義。
1.2 自動分類
1.2.1 支持向量機 SVM 是基于統計學習理論的分類和預測的方法，它以訓練誤差作為優化問題的約束條件，以經驗風險和置信范圍最小化作為優化目標，從而達到在統計樣本較少的情況下獲得較好的分類效果。SVM 的最終決策函數只由少數的支持向量決定，計算的復雜性取決于支持向量的數目，而不是樣本空間的維數，這在某種意義上避免了“維度災難”。因此，SVM 在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢。
SVM 利用內積核函數代替向高維空間的非線性映射，這樣使得分類變得容易。當樣本數量較少、特征維度遠大于樣本數時，將核函數選擇為線性函數更加合適。
1.2.2 遞歸特征消除法 遞歸特征消除法（recursive feature elimination，RFE），是根據特征在分類中的重要性而采取逐次剔除的策略進行分類的。首先，將所有特征用于分類器進行訓練與分類，依據每一特征對分類結果的影響程度，給予一個權值；然后，逐個消去在分類中所占權重較小的、排列在序列最末的子特征；最后，根據最終的特征排序列表，從前到后評估不同特征子集的分類效果，選出最優特征子集。
SVM 樣本訓練過程中，采用 RFE 進行特征選擇與分類策略，將其稱為 SVM-RFE。而前述的 TBSS 法中，應用 t 檢驗選擇組間差異具有統計學意義的特征后，再用 SVM 進行分類的方法，稱為 SVM-TBSS。
為了評估與比較不同特征與特征選擇方法的分類性能，采用靈敏度、特異性、準確性三個性能指標。
經 t 檢驗或 RFE 選擇特征后，得到重要特征候選集，此時，需要確定具有最佳分類性能的特征維數，為此，對候選特征依據其重要性（t 檢驗的 P 值與 RFE 的權值）進行排序，依次加入特征隊列，應用 SVM 進行分類，按靈敏度、特異性和準確性的優劣，確定具最優分類性能的特征及維數。隨之生成對應的受試者工作特征曲線（receiver operating characteristic，ROC），并計算 ROC 曲線下的面積（area under curve，AUC）。
2 研究數據與實驗結果
2.1 研究對象
征集受試者共計 50 人，其中 TLE 組 22 人，NC 組 28 人，全部來自廣東三九腦科醫院采集的數據。在所有受試對象知情并征得同意的情況下，對其進行常規 MRI 以及腦電圖檢查。綜合臨床表現、腦電圖與 MRI 圖像，判斷是否納入 TLE 組：① 癲癇發作類型與臨床癥狀符合 1981 年以及 1989 年國際抗癲聯盟的診斷標準與分類標準；② 腦電圖顯示異常癇性放電起源于顳部；③ MRI 檢查顯示單側或雙側海馬硬化、顳葉皮層局灶性發育不良；④ 臨床發作具有以下特征：胃氣上升感、胸悶、心慌、幻聽及精神癥狀等。如表 1 所示，為受試者的相關信息。
表1
受試者信息
Table1.
The information of subjects
2.2 數據采集
DTI 數據采集使用飛利浦 1.5T MRI 掃描儀（Philips Gyroscan Intera 1.5T），并采用 8 通道神經血管線圈接收核 MRI 信號。掃描時受試者平躺在掃描儀中，頭顱兩側采用繃帶和泡沫墊進行固定，以減少掃描時頭部運動。行頭顱掃描以大腦前后聯合連線為基準，所有受試者都進行 DTI 圖像檢查。DTI 圖像采用單次激發平面回波自旋序列進行采集，梯度敏感因子 b=0 s/mm2 和 b=800 s/mm2，在 32 個不同的方向上施加梯度磁場。具體掃描參數如下：重復時間（repetition time，TR）=11 000 ms；回波時間（echo time，TE）=72 ms；翻轉角=90°；矩陣=144×144；視野（field of view，FOV）=230 mm×230 mm；激勵次數（number of excitation，NEX）=1；層厚=2.0 mm；層間距=0；層數=67。
2.3 實驗結果
2.3.1 TBSS 分析結果 TLE 組與 NC 組的 TBSS 分析結果如圖 1 所示，其中綠色表示平均 FA 骨架圖，紅色表示 TLE 組 DTI 參數下降，藍色表示 TLE 組 DTI 參數增強，背景采用蒙特利爾神經病學研究所（Montreal Neurological Institute，MNI）152 圖譜模板，Z 代表在水平切面上腦圖像所在的層數或位置。分別對比 TLE 組與 NC 組之間差異具有統計學意義腦區的平均 FA 值、平均 MD 值及平均 RD 值（其中 P<0.05），分析結果如圖 2 所示。
如圖 1、圖 2 所示，與 NC 組相比，TLE 組患者的 FA 值降低的腦區主要包括胼胝體體干、胼胝體膝部、胼胝體壓部、左側上縱束、右側上縱束、左側上放射冠、右側上放射冠、小腦中腳、左側外囊、右側外囊、左側丘腦后輻射、右側丘腦后輻射、左側下額枕束、右側下額枕束、左側前放射冠、右側前放射冠、左側內囊前肢、右側內囊前肢、左側內囊后肢、右側內囊后肢、左側后放射冠、右側后放射冠、左側矢狀層、右側矢狀層、左側大腦腳、右側大腦腳、左側內囊膝、右側皮質脊髓束、左側扣帶回等，這些腦區基本呈雙側分布。
TLE 組 MD 值增加的腦區主要包括胼胝體體干、胼胝體膝部、胼胝體壓部、左側上縱束、右側上縱束、左側上放射冠、右側上放射冠、左側外囊、右側外囊、左側丘腦后輻射、左側前放射冠、右側前放射冠、左側下額枕束、右側下額枕束、左側后放射冠、右側后放射冠、左側矢狀層、右側矢狀層、左側內囊前肢、左側內囊膝等，它們基本呈雙側分布。
TLE 組 AD 值增加的腦區經過 TFCE 校正后（P<0.05），沒有發現差異具統計學意義的腦區。
TLE 組 RD 值增加的腦區主要包括胼胝體體干、胼胝體膝部、胼胝體壓部、左側上縱束、右側上縱束、左側上放射冠、右側上放射冠、左側外囊、右側外囊、左側丘腦后輻射、右側丘腦后輻射、左側內囊前肢、右側內囊前肢、左側前放射冠、右側前放射冠、左側內囊后肢、右側內囊后肢、左側下額枕束、右側下額枕束、左側后放射冠、右側后放射冠、左側矢狀層、右側矢狀層、左側大腦腳、右側大腦腳、左側內囊膝、左側扣帶回等，它們基本呈雙側分布。
圖1
腦區 DTI 特征參數 NC 組與 TLE 組差異圖
Figure1.
The brain regions with differences of the DTI parameters between the NC group and the TLE group
圖2
NC、TLE 兩組人群腦區具統計學差異的 DTI 特征參數值比較
Figure2.
Comparisons of the DTI parameter values with statistical difference between the NC group and the TLE group
2.3.2 SVM-TBSS 與 SVM-RFE 的分類結果 利用 FA、MD、RD 特征參數，以及將這三種參數進行融合后的特征，分別對 TLE 組與 NC 組進行分類，采用 SVM-TBSS 法的識別率分別為 82%、76%、76%、80%，AUC 值分別為 0.82、0.81、0.78 和 0.85，而 SVM-RFE 的分類準確率分別為 90%、90%、92%、100%，AUC 值分別為 0.89、0.96、0.97 與 1，如表 2 所示。如圖 3 所示分別為 FA、MD、RD 及融合特征，分別應用 SVM-TBSS 和 SVM-RFE 進行分類得到的 ROC 曲線。結果顯示，SVM-RFE 的分類性能明顯高于 SVM-TBSS，尤其特征融合后的識別率可達到 100%。
經由 SVM-TBSS 法確定得到 FA 的重要腦區包括穹窿、左側內側丘系、右側內囊膝、左側上額枕束、雙側上縱束、雙側外囊、雙側扣帶回、雙側上放射冠等；左側上額枕束的 MD 值具有突出的組間區分能力；左側上放射冠、左側上縱束、左側上額枕束、雙側外囊、雙側扣帶回、雙側鉤束等腦區的 RD 值對分類有重要影響；特征融合后的重要腦區主要位于左側內側丘系、右側小腦上腳、左側上額枕束、雙側上放射冠、雙側外囊、雙側扣帶回、雙側上縱束、雙側鉤束等。
SVM-RFE 發現穹窿、左側上額枕束和鉤束的 FA 值對分類具有重要影響；MD 值相關的重要腦區包括小腦中腳、穹窿、右側內囊前肢、右側內囊膝、雙側后放射冠、右側扣帶回、右側海馬、左側上縱束、左側上額枕束等；RD 值相關的重要腦區位于小腦中腳、胼胝體膝部、穹窿、右側小腦上腳、雙側內囊膝、右側放射冠、右側海馬、左側上額枕束、左側鉤束等；特征融合后，涉及的重要腦區主要包括胼胝體壓部、穹窿、右側小腦上腳、右側內囊膝、右側上放射冠、右側外囊、右側上縱束、左側上額枕束、左側鉤束等。
表2
特征降維后分類性能
Table2.
Classification performance after feature dimension reduction
圖3
ROC 曲線
Figure3.
The ROC curves
為了進一步說明與比較各個腦區對分類的重要性，將經 SVM-TBSS 法降維后得到的分類性能最優腦區的權重進行歸一化，如圖 4 所示為重要腦區歸一化權重與被選擇次數的統計結果。SVM-TBSS 法中，位居前列的腦區依次為左側上額枕束、右側小腦上腳、左側鉤束、右側上縱束、左側內側丘系、穹窿、雙側上放射冠、右側扣帶回和右側鉤束。類似地，SVM-RFE 法得到的重要腦區歸一化權重值與被選擇次數。位居前列的腦區依次為左側上額枕束、穹窿、右側海馬、右側小腦上腳、右側后放射冠、雙側內囊膝、右側上縱束、右側內囊前肢與右側上放射冠。
圖4
重要腦區權重圖
Figure4.
Weights of the essential brain regions
2.3.3 纖維評分 按照約翰霍普金斯的白質分區圖譜進行劃分，分為腦干纖維、投射纖維、聯絡纖維、連合纖維[26]，對所獲取的重要特征，將其歸一化權重進行累加，作為各個白質纖維區域的總得分，如圖 5 所示。可見，FA、RD 與融合特征經 SVM-TBSS 法選擇與分類后，連合纖維得分最高，MD 評分最高的纖維是聯絡纖維；而以 SVM-RFE 法處理后，FA、MD 的聯絡纖維評分最高，RD、融合特征的連合纖維評分最高，
圖5
白質纖維評分
Figure5.
Scores of the white matter fibers
3 討論分析
本研究采用 TBSS 法研究 TLE 患者與正常人群的腦白質纖維束 DTI 參數的差異，發現胼胝體、上縱束、放射冠、外囊、內囊、下額枕束、鉤束、矢狀層等區域，均出現 DTI 參數異常。有學者在研究顳葉癲癇的動物模型中發現，癲癇小鼠在垂直于纖維方向的水分子擴散速度 RD 較高，在平行于纖維方向上的水分子擴散速度 AD 變化不明顯[8]，這一結論也在 TLE 患者的白質纖維研究中得到證實[6]。此外，研究發現 TLE 患者的 AD 值的差異腦區沒有統計學意義。根據組間差異特征，利用 SVM 進行分類，獲取分類性能最優時的特征及其分布，并與 SVM-RFE 進行比較，分類結果表明，SVM-RFE 的分類性能明顯優于 SVM-TBSS，尤其利用融合特征的分類性能最佳。說明 SVM-RFE 能更有效地選擇出區分能力強的特征，主要源于其采用了將樣本訓練與特征評分相融合的特征篩選策略。
本文通過 SVM-TBSS 與 SVM-RFE 兩種方法得到分類性能較好的腦區，兩種方法得到的結果既有一定關聯性，又存在明顯區別。如對 4 種單一皮層特征的選擇結果表明：二者共同的重要腦區包括穹窿、左側上額枕束、右側小腦上腳、右側上縱束、右側上放射冠等；經由 SVM-TBSS 法得到的腦區，大部分呈雙側分布，如雙側內囊、雙側上放射冠、雙側外囊、雙側扣帶回、雙側上縱束、雙側鉤束等，而 SVM-RFE 得到的重要腦區，更多為右側腦區，包括右側扣帶回、右側海馬與右側上放射冠、右側外囊、右側上縱束等。這兩種方法得到的重要腦區和分類性能的差異，其主要原因在于兩種特征選擇方法的策略不同，其中，SVM-TBSS 的特征選擇過程與訓練過程是獨立分開的，它先利用 t 檢驗獲取差異具有統計學意義的特征，再用 SVM 評估這些特征的分類預測能力，然而，差異具有統計學意義的特征，并不代表其組間區分能力強[27]。而 SVM-RFE 方法的特征選擇過程與訓練過程是同時進行的，即邊訓練、分類，邊計算每一特征的區分能力，逐一將區分能力較差的特征去除，從而得到區分特力強的特征子集。因此，它能更有效地選擇出區分能力強的特征。
根據 SVM-RFE 得到的重要腦區特征的選擇次數與權重排序，位居前列的特征位于左側上額枕束、穹窿、右側海馬、右側小腦上腳、右側后放射冠、雙側內囊膝、右側上縱束、右側內囊前肢、右側上放射冠腦區，它們主要分布于連合纖維和聯絡纖維分區。聯絡纖維是連接同側半球的白質纖維，聯絡纖維的 DTI 參數值異常與 TLE 患者的記憶和語言功能障礙有關；連合纖維是連接雙側半球的白質纖維，癲癇電信號通過白質傳導通路傳播至對側，并且引起神經網絡環路的白質纖維結構異常和功能缺失。本研究對認識和理解 TLE 的病理生理機制、定位病灶及實現自動診斷等具有重要的價值。
引言
目前全世界大約有 7 000 萬癲癇患者[1]，而顳葉癲癇（temporal lobe epilepsy，TLE）是最常見的藥物難治性癲癇類型，約占癲癇總人數的 30%～40%[2]。TLE 主要是由大腦神經元突發性異常放電引起，并導致患者短暫的、反復的大腦功能障礙[3]。反復的癲癇發作會導致 TLE 患者的聽覺、視覺的低級認知功能和語言、記憶等高級認知功能的障礙。
近年來，正電子發射計算機斷層掃描（positron emission tomography，PET）、結構磁共振成像（structural magnetic resonance imaging，sMRI）、磁共振波譜（magnetic resonance spectroscopy，MRS）、功能磁共振成像（functional magnetic resonance imaging，fMRI）與彌散張量成像（diffusion tensor imaging，DTI）等檢測技術被廣泛應用于 TLE 的定側、病灶定位及病理基礎研究。如常規的磁共振成像（magnetic resonance imaging，MRI）分析和 MRS 病理研究[4-5]，通過對灰質體積、灰質密度或代謝化合物分析，已表明 TLE 患者腦區存在廣泛的皮質及皮質下腦結構異常。而 DTI 可用于檢測腦白質纖維結構與白質網絡異常[6]，如 Chiang 等[7]經研究發現，TLE 患者的雙側海馬、扣帶回、穹窿等腦區的平均擴散率（mean diffusivity，MD）值升高、部分各向異性（fractional anisotropy，FA）值降低，認為 MD、FA 能夠用于 TLE 患者致癇灶的定位定側。此外，反復的癲癇電信號會引起白質纖維髓鞘丟失和軸突損傷，研究發現擴散系數（axial diffusivity，AD）、徑向擴散系數（radial diffusivity，RD）值的改變可以用于區分髓鞘和軸突損傷[8]。Campos 等[9]利用 DTI 的參數 FA、AD、RD 來研究伴有海馬硬化的 TLE 患者的白質纖維束的完整性，并認為白質損傷的不同分布對癲癇網絡的定位具有重要的意義。Meng 等[10]揭示了 TLE 患者腦白質異常范圍與癲癇的首次發作的年齡和發作病程相關。除了顳葉，其它腦區的腦皮層和腦白質纖維，也與 TLE 的發生和發展密切相關[11]。
研究 TLE 患者腦白質纖維異常變化主要包括感興趣區法（region of interest，ROI）、基于體素的分析方法（voxel-based analysis，VBA）和基于纖維束追蹤空間統計方法（tract-based spatial statistics，TBSS）。基于 ROI 的方法，是基于先驗假說對 ROI 進行測量，雖然其目標明確、操作簡便，但易受主觀因素與影像中部分容積效應的影響。而另一方面，有研究者基于 VBA 方法發現單側 TLE 患者的灰質、白質均發生了異常變化，從而影響大腦的認知功能，然而，該方法對于白質的微小結構擴散異常并不敏感[12]。TBSS 方法，是一種基于纖維束追蹤的配準算法，它采用一種對不同受試者的白質纖維骨架進行對齊的方法，有效克服了 VBA 法的圖像空間配準準確性低、平滑處理時平滑核選擇具主觀性等不足，提高了分析結果的準確性、敏感性和客觀性，對腦白質微結構異常區域的定位更加準確[13]。如 Focke 等[14]采用 VBA 和 TBSS 方法研究 33 例單側海馬硬化 TLE 患者的 DTI 影像，發現 TBSS 比 VBA 對白質纖維的異常變化更加敏感。
目前，基于 TLE 患者腦結構的變化與腦區分布信息，采用機器學習方法研究 TLE 的自動診斷[15]、致癇灶的定位[16]、癲癇患者的電生理學血流動力學[17]、術后癲癇發作預測[18-19]等問題，具有重要的意義。如 Cantor-Rivera 等[20]基于 ROI 方法提取所有受試者的全腦 FA、MD 圖像特征，然后對 TLE 患者和正常對照（normal control，NC）組進行分類比較，FA、MD 的分類準確率分別為 69.4%、75.0%。另有研究表明，基于 VBA 方法提取全腦 FA、MD 圖像特征，發現左側伴有海馬硬化的 TLE 組與 NC 組的分類識別率最高，分別為 92.9%、88.1%，左側 TLE 與右側 TLE 的分類識別率最低，分別為 48.7%、51.4%[21]。An 等[22]基于 TBSS 方法提取差異具有統計學意義的 FA 骨架特征進行分類，左側內側顳葉癲癇（medial temporal lobe epilepsy，mTLE）組與 NC 組、右側 mTLE 組與 NC 組的分類識別率分別為 94.1%、91.8%，左側 mTLE 組與右側 mTLE 組分類識別率為 90.6%。說明基于 TBSS 方法提取的特征對 TLE 人群具有較突出的區分能力。
雖然研究者通過提取 DTI 特征應用于 TLE 的自動分類，已經取得了一些進展，但仍有以下重要問題尚待研究：① 目前的研究主要利用的是 FA、MD 特征開展研究，缺乏對 DTI 參數的全面比較與分析；② 采用的不同特征選擇方法的分類性能相差較大，需要比較與分析不同特征選擇方法的性能差異，并對多特征進行融合，以改善分類性能；③ 尚需明確對分類有重要影響的腦區及其分布，這些腦區與 TLE 相關的生理與病理機理機制，尚待進一步明確。
為此，本文首先采用立體定位白質分區圖譜（based on diffusion tensor imaging obtained from 81 normal subjects acquired under an initiative of the International Consortium of Brain Mapping，ICBM-DTI-81）為模板，獲得全腦白質纖維的 FA、MD、AD 和 RD 參數圖像，然后，應用 TBSS 方法，獲取 NC 組與 TLE 組差異具有統計學意義的腦區。再根據差異的腦區特征，用支持向量機（support vector machine，SVM）進行分類，比較支持向量機-纖維束追蹤空間統計方法（support vector machine-tract-based spatial statistics，SVM-TBSS）與支持向量機-遞歸特征消除法（support vector machine-recursive feature elimination，SVM-RFE） 分類性能的優劣。最后，分析重要腦區及其分布。
1 實驗方法
1.1 纖維束追蹤的空間統計
本研究使用腦擴散圖像分析軟件 PANDA 1.3.1（State Key Laboratory of Cognitive Neuroscience and Learning and IDG/McGovern Institute for Brain Research，Beijing Normal University.，China）進行數據處理[23]，采用 PANDA 軟件提供的 TBSS 對 TLE 組和 NC 組進行組間白質微結構差異分析。
1.1.1 數據預處理 具體處理步驟包括：① 將原始的醫學數字成像和通信（digital imaging and com-munications in medicine，DICOM）格式的數據轉化為神經影像信息技術協議（The neuroimaging infor-matics technology initiative，NIFTI）格式；② 對 NIFTI 數據進行頭動及渦流矯正；③ 以每個受試者梯度敏感因子 b=0 s/mm2 的圖像作為依據（即 b0 模板），產生各自的腦模板，剝去頭皮與顱骨，提取大腦（閾值設為 0.3）；④ 利用梯度磁場方向、磁場強度數值、b0 模板以及四維 NIFTI 格式圖像，計算本征值 λ1、λ2、λ3，獲取 FA、MD、AD、RD 等參數圖像[24]。
|
|
|
|
DTI 的本征值有三個：λ1 是最大本征值，反映了在平行于纖維方向上的擴散速度；λ3 是最小本征值，反映了在垂直于纖維方向上的擴散速度；λ2 是中間本征值，反映了垂直于前兩個方向上的擴散速度。
DTI 常用的量化指標有 FA、MD、AD、RD。FA 值是對組織各向異性的測定，反映了軸索對水分子彌散程度的限制以及髓磷脂的含量。MD 值能對組織某一體素、區域的彌散性能進行全面的評價，被認為是白質微結構變化的重要指示，這些變化包括纖維數量的減少、軸突的缺失、髓鞘的脫失等。AD 是最大特征向量的特征值，AD 值的增大與軸突的丟失或者損壞有關。RD 是二次特征值的平均值，RD 值的增大與軸突脫髓鞘有關。
1.1.2 TBSS 統計分析 首先，運用非線性配準方法將所有受試者的 FA 圖像對齊到標準空間下的標準 FA 模板[25]。然后，根據所有配準后的 FA 圖生成平均 FA 圖，進而提取平均 FA 骨架。最后，設定 FA 閾值為 0.2，將每個受試者的 FA 值投射到平均 FA 骨架上，得到每個受試者的 FA 骨架圖。類似地，MD、AD、RD 參數圖也基于平均 FA 骨架進行配準。
以 ICBM-DTI-81 白質分區圖譜為模板[26]，計算 FA、MD、AD、RD 值，采用雙樣本 t 檢驗對 TLE 組和正常組進行組間對比，經過無閾值聚類增強（threshold-free cluster enhancement，TFCE）校正（P<0.05），獲取差異具有統計學意義的腦區。
t 檢驗為假設當總體分布為正態分布時，則樣本平均數與總體平均數的離差統計量呈 t 分布。其中雙樣本 t 檢驗是通過計算兩組小樣本均值之間差異發生的概率，判斷它們的差異是否具有統計學意義。
1.2 自動分類
1.2.1 支持向量機 SVM 是基于統計學習理論的分類和預測的方法，它以訓練誤差作為優化問題的約束條件，以經驗風險和置信范圍最小化作為優化目標，從而達到在統計樣本較少的情況下獲得較好的分類效果。SVM 的最終決策函數只由少數的支持向量決定，計算的復雜性取決于支持向量的數目，而不是樣本空間的維數，這在某種意義上避免了“維度災難”。因此，SVM 在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢。
SVM 利用內積核函數代替向高維空間的非線性映射，這樣使得分類變得容易。當樣本數量較少、特征維度遠大于樣本數時，將核函數選擇為線性函數更加合適。
1.2.2 遞歸特征消除法 遞歸特征消除法（recursive feature elimination，RFE），是根據特征在分類中的重要性而采取逐次剔除的策略進行分類的。首先，將所有特征用于分類器進行訓練與分類，依據每一特征對分類結果的影響程度，給予一個權值；然后，逐個消去在分類中所占權重較小的、排列在序列最末的子特征；最后，根據最終的特征排序列表，從前到后評估不同特征子集的分類效果，選出最優特征子集。
SVM 樣本訓練過程中，采用 RFE 進行特征選擇與分類策略，將其稱為 SVM-RFE。而前述的 TBSS 法中，應用 t 檢驗選擇組間差異具有統計學意義的特征后，再用 SVM 進行分類的方法，稱為 SVM-TBSS。
為了評估與比較不同特征與特征選擇方法的分類性能，采用靈敏度、特異性、準確性三個性能指標。
經 t 檢驗或 RFE 選擇特征后，得到重要特征候選集，此時，需要確定具有最佳分類性能的特征維數，為此，對候選特征依據其重要性（t 檢驗的 P 值與 RFE 的權值）進行排序，依次加入特征隊列，應用 SVM 進行分類，按靈敏度、特異性和準確性的優劣，確定具最優分類性能的特征及維數。隨之生成對應的受試者工作特征曲線（receiver operating characteristic，ROC），并計算 ROC 曲線下的面積（area under curve，AUC）。
2 研究數據與實驗結果
2.1 研究對象
征集受試者共計 50 人，其中 TLE 組 22 人，NC 組 28 人，全部來自廣東三九腦科醫院采集的數據。在所有受試對象知情并征得同意的情況下，對其進行常規 MRI 以及腦電圖檢查。綜合臨床表現、腦電圖與 MRI 圖像，判斷是否納入 TLE 組：① 癲癇發作類型與臨床癥狀符合 1981 年以及 1989 年國際抗癲聯盟的診斷標準與分類標準；② 腦電圖顯示異常癇性放電起源于顳部；③ MRI 檢查顯示單側或雙側海馬硬化、顳葉皮層局灶性發育不良；④ 臨床發作具有以下特征：胃氣上升感、胸悶、心慌、幻聽及精神癥狀等。如表 1 所示，為受試者的相關信息。
表1
受試者信息
Table1.
The information of subjects
2.2 數據采集
DTI 數據采集使用飛利浦 1.5T MRI 掃描儀（Philips Gyroscan Intera 1.5T），并采用 8 通道神經血管線圈接收核 MRI 信號。掃描時受試者平躺在掃描儀中，頭顱兩側采用繃帶和泡沫墊進行固定，以減少掃描時頭部運動。行頭顱掃描以大腦前后聯合連線為基準，所有受試者都進行 DTI 圖像檢查。DTI 圖像采用單次激發平面回波自旋序列進行采集，梯度敏感因子 b=0 s/mm2 和 b=800 s/mm2，在 32 個不同的方向上施加梯度磁場。具體掃描參數如下：重復時間（repetition time，TR）=11 000 ms；回波時間（echo time，TE）=72 ms；翻轉角=90°；矩陣=144×144；視野（field of view，FOV）=230 mm×230 mm；激勵次數（number of excitation，NEX）=1；層厚=2.0 mm；層間距=0；層數=67。
2.3 實驗結果
2.3.1 TBSS 分析結果 TLE 組與 NC 組的 TBSS 分析結果如圖 1 所示，其中綠色表示平均 FA 骨架圖，紅色表示 TLE 組 DTI 參數下降，藍色表示 TLE 組 DTI 參數增強，背景采用蒙特利爾神經病學研究所（Montreal Neurological Institute，MNI）152 圖譜模板，Z 代表在水平切面上腦圖像所在的層數或位置。分別對比 TLE 組與 NC 組之間差異具有統計學意義腦區的平均 FA 值、平均 MD 值及平均 RD 值（其中 P<0.05），分析結果如圖 2 所示。
如圖 1、圖 2 所示，與 NC 組相比，TLE 組患者的 FA 值降低的腦區主要包括胼胝體體干、胼胝體膝部、胼胝體壓部、左側上縱束、右側上縱束、左側上放射冠、右側上放射冠、小腦中腳、左側外囊、右側外囊、左側丘腦后輻射、右側丘腦后輻射、左側下額枕束、右側下額枕束、左側前放射冠、右側前放射冠、左側內囊前肢、右側內囊前肢、左側內囊后肢、右側內囊后肢、左側后放射冠、右側后放射冠、左側矢狀層、右側矢狀層、左側大腦腳、右側大腦腳、左側內囊膝、右側皮質脊髓束、左側扣帶回等，這些腦區基本呈雙側分布。
TLE 組 MD 值增加的腦區主要包括胼胝體體干、胼胝體膝部、胼胝體壓部、左側上縱束、右側上縱束、左側上放射冠、右側上放射冠、左側外囊、右側外囊、左側丘腦后輻射、左側前放射冠、右側前放射冠、左側下額枕束、右側下額枕束、左側后放射冠、右側后放射冠、左側矢狀層、右側矢狀層、左側內囊前肢、左側內囊膝等，它們基本呈雙側分布。
TLE 組 AD 值增加的腦區經過 TFCE 校正后（P<0.05），沒有發現差異具統計學意義的腦區。
TLE 組 RD 值增加的腦區主要包括胼胝體體干、胼胝體膝部、胼胝體壓部、左側上縱束、右側上縱束、左側上放射冠、右側上放射冠、左側外囊、右側外囊、左側丘腦后輻射、右側丘腦后輻射、左側內囊前肢、右側內囊前肢、左側前放射冠、右側前放射冠、左側內囊后肢、右側內囊后肢、左側下額枕束、右側下額枕束、左側后放射冠、右側后放射冠、左側矢狀層、右側矢狀層、左側大腦腳、右側大腦腳、左側內囊膝、左側扣帶回等，它們基本呈雙側分布。
圖1
腦區 DTI 特征參數 NC 組與 TLE 組差異圖
Figure1.
The brain regions with differences of the DTI parameters between the NC group and the TLE group
圖2
NC、TLE 兩組人群腦區具統計學差異的 DTI 特征參數值比較
Figure2.
Comparisons of the DTI parameter values with statistical difference between the NC group and the TLE group
2.3.2 SVM-TBSS 與 SVM-RFE 的分類結果 利用 FA、MD、RD 特征參數，以及將這三種參數進行融合后的特征，分別對 TLE 組與 NC 組進行分類，采用 SVM-TBSS 法的識別率分別為 82%、76%、76%、80%，AUC 值分別為 0.82、0.81、0.78 和 0.85，而 SVM-RFE 的分類準確率分別為 90%、90%、92%、100%，AUC 值分別為 0.89、0.96、0.97 與 1，如表 2 所示。如圖 3 所示分別為 FA、MD、RD 及融合特征，分別應用 SVM-TBSS 和 SVM-RFE 進行分類得到的 ROC 曲線。結果顯示，SVM-RFE 的分類性能明顯高于 SVM-TBSS，尤其特征融合后的識別率可達到 100%。
經由 SVM-TBSS 法確定得到 FA 的重要腦區包括穹窿、左側內側丘系、右側內囊膝、左側上額枕束、雙側上縱束、雙側外囊、雙側扣帶回、雙側上放射冠等；左側上額枕束的 MD 值具有突出的組間區分能力；左側上放射冠、左側上縱束、左側上額枕束、雙側外囊、雙側扣帶回、雙側鉤束等腦區的 RD 值對分類有重要影響；特征融合后的重要腦區主要位于左側內側丘系、右側小腦上腳、左側上額枕束、雙側上放射冠、雙側外囊、雙側扣帶回、雙側上縱束、雙側鉤束等。
SVM-RFE 發現穹窿、左側上額枕束和鉤束的 FA 值對分類具有重要影響；MD 值相關的重要腦區包括小腦中腳、穹窿、右側內囊前肢、右側內囊膝、雙側后放射冠、右側扣帶回、右側海馬、左側上縱束、左側上額枕束等；RD 值相關的重要腦區位于小腦中腳、胼胝體膝部、穹窿、右側小腦上腳、雙側內囊膝、右側放射冠、右側海馬、左側上額枕束、左側鉤束等；特征融合后，涉及的重要腦區主要包括胼胝體壓部、穹窿、右側小腦上腳、右側內囊膝、右側上放射冠、右側外囊、右側上縱束、左側上額枕束、左側鉤束等。
表2
特征降維后分類性能
Table2.
Classification performance after feature dimension reduction
圖3
ROC 曲線
Figure3.
The ROC curves
為了進一步說明與比較各個腦區對分類的重要性，將經 SVM-TBSS 法降維后得到的分類性能最優腦區的權重進行歸一化，如圖 4 所示為重要腦區歸一化權重與被選擇次數的統計結果。SVM-TBSS 法中，位居前列的腦區依次為左側上額枕束、右側小腦上腳、左側鉤束、右側上縱束、左側內側丘系、穹窿、雙側上放射冠、右側扣帶回和右側鉤束。類似地，SVM-RFE 法得到的重要腦區歸一化權重值與被選擇次數。位居前列的腦區依次為左側上額枕束、穹窿、右側海馬、右側小腦上腳、右側后放射冠、雙側內囊膝、右側上縱束、右側內囊前肢與右側上放射冠。
圖4
重要腦區權重圖
Figure4.
Weights of the essential brain regions
2.3.3 纖維評分 按照約翰霍普金斯的白質分區圖譜進行劃分，分為腦干纖維、投射纖維、聯絡纖維、連合纖維[26]，對所獲取的重要特征，將其歸一化權重進行累加，作為各個白質纖維區域的總得分，如圖 5 所示。可見，FA、RD 與融合特征經 SVM-TBSS 法選擇與分類后，連合纖維得分最高，MD 評分最高的纖維是聯絡纖維；而以 SVM-RFE 法處理后，FA、MD 的聯絡纖維評分最高，RD、融合特征的連合纖維評分最高，
圖5
白質纖維評分
Figure5.
Scores of the white matter fibers
3 討論分析
本研究采用 TBSS 法研究 TLE 患者與正常人群的腦白質纖維束 DTI 參數的差異，發現胼胝體、上縱束、放射冠、外囊、內囊、下額枕束、鉤束、矢狀層等區域，均出現 DTI 參數異常。有學者在研究顳葉癲癇的動物模型中發現，癲癇小鼠在垂直于纖維方向的水分子擴散速度 RD 較高，在平行于纖維方向上的水分子擴散速度 AD 變化不明顯[8]，這一結論也在 TLE 患者的白質纖維研究中得到證實[6]。此外，研究發現 TLE 患者的 AD 值的差異腦區沒有統計學意義。根據組間差異特征，利用 SVM 進行分類，獲取分類性能最優時的特征及其分布，并與 SVM-RFE 進行比較，分類結果表明，SVM-RFE 的分類性能明顯優于 SVM-TBSS，尤其利用融合特征的分類性能最佳。說明 SVM-RFE 能更有效地選擇出區分能力強的特征，主要源于其采用了將樣本訓練與特征評分相融合的特征篩選策略。
本文通過 SVM-TBSS 與 SVM-RFE 兩種方法得到分類性能較好的腦區，兩種方法得到的結果既有一定關聯性，又存在明顯區別。如對 4 種單一皮層特征的選擇結果表明：二者共同的重要腦區包括穹窿、左側上額枕束、右側小腦上腳、右側上縱束、右側上放射冠等；經由 SVM-TBSS 法得到的腦區，大部分呈雙側分布，如雙側內囊、雙側上放射冠、雙側外囊、雙側扣帶回、雙側上縱束、雙側鉤束等，而 SVM-RFE 得到的重要腦區，更多為右側腦區，包括右側扣帶回、右側海馬與右側上放射冠、右側外囊、右側上縱束等。這兩種方法得到的重要腦區和分類性能的差異，其主要原因在于兩種特征選擇方法的策略不同，其中，SVM-TBSS 的特征選擇過程與訓練過程是獨立分開的，它先利用 t 檢驗獲取差異具有統計學意義的特征，再用 SVM 評估這些特征的分類預測能力，然而，差異具有統計學意義的特征，并不代表其組間區分能力強[27]。而 SVM-RFE 方法的特征選擇過程與訓練過程是同時進行的，即邊訓練、分類，邊計算每一特征的區分能力，逐一將區分能力較差的特征去除，從而得到區分特力強的特征子集。因此，它能更有效地選擇出區分能力強的特征。
根據 SVM-RFE 得到的重要腦區特征的選擇次數與權重排序，位居前列的特征位于左側上額枕束、穹窿、右側海馬、右側小腦上腳、右側后放射冠、雙側內囊膝、右側上縱束、右側內囊前肢、右側上放射冠腦區，它們主要分布于連合纖維和聯絡纖維分區。聯絡纖維是連接同側半球的白質纖維，聯絡纖維的 DTI 參數值異常與 TLE 患者的記憶和語言功能障礙有關；連合纖維是連接雙側半球的白質纖維，癲癇電信號通過白質傳導通路傳播至對側，并且引起神經網絡環路的白質纖維結構異常和功能缺失。本研究對認識和理解 TLE 的病理生理機制、定位病灶及實現自動診斷等具有重要的價值。
