专家论坛
磁共振弥散频谱成像机遇和挑战——中国十年来发展成果及展望
磁共振成像, 2022,13(10) : 37-45. DOI: 10.12015/issn.1674-8034.2022.10.005
摘要

弥散频谱成像(diffusion spectrum imaging, DSI)是近年来新兴的高级弥散磁共振成像(diffusion magnetic resonance imaging, dMRI)技术,它不依赖先验假设的生物物理模型,利用概率密度函数(probability density function, PDF)描绘人体组织体素内的水分子布朗运动的完整空间分布,并以高角度分辨率精确分辨组织内复杂错行的纤维信息。DSI纤维追踪技术是目前最为可靠的脑白质纤维束追踪技术。传统的dMRI技术往往只能反映疾病的部分病理生理信息,而DSI技术能够结合多种弥散模型获得疾病更加全面的病理生理信息。目前,DSI技术的临床应用范围已从脑部疾病初步扩展到体部疾病,在疾病的诊断评估中展示了良好的应用潜力。但DSI技术对磁共振硬件具有一定的要求;DSI的纤维束成像在真实性及定量化方面仍存在一定的挑战;DSI高级弥散模型在疾病中如何进行优化与组合使用,仍有待未来继续扩大临床应用范围深入探索;DSI后处理技术仍需自动化与产品化,以促进其在临床诊疗中的广泛应用。本文综述我国学者近十年来利用DSI技术研究中枢神经系统及体部疾病所取得的成果,总结了目前存在的挑战及未来发展方向,以期为更好地发展DSI技术和推进其临床普及应用提供参考。

引用本文: 毛椿平, 毛家骥, 张翔, 等.  磁共振弥散频谱成像机遇和挑战——中国十年来发展成果及展望 [J] . 磁共振成像, 2022, 13(10) : 37-45. DOI: 10.12015/issn.1674-8034.2022.10.005.
参考文献导出:   Endnote    NoteExpress    RefWorks    NoteFirst    医学文献王
扫  描  看  全  文

正文
作者信息
基金 0  关键词  0
English Abstract
评论
阅读 0  评论  0
相关资源
引用 | 论文 | 视频

本刊刊出的所有论文不代表本刊编委会的观点,除非特别声明

党的十八大以来,在以习近平同志为核心的党中央加快推进以民生为重点的社会建设背景下,作为最重要的民生领域之一的医疗卫生事业获得了长足发展,与此同时,医学影像学在国家政策鼓励、自身技术革新和临床迫切需求等因素的推动下发展非常迅速,特别是在MRI领域显得尤为突出。基于磁共振仪器的进步、序列采集方案的优化和影像后处理平台的升级,MRI在疾病的诊断、鉴别诊断、预测和疗效评估等方面发挥着越来越重要的作用,真正担负起了为人民群众生命健康保驾护航、替广大患者排忧解难的重要使命。弥散磁共振成像(diffusion magnetic resonance imaging, dMRI)是MRI最重要的技术之一,它能够无创、无辐射以及无需注射对比剂就可以检测体内组织水分子的布朗运动,从而揭示组织的微观结构变化,尤其适用于研究中枢神经系统疾病所导致的脑白质完整性的改变。弥散频谱成像(diffusion spectrum imaging, DSI)是近年来发展起来的一种新兴dMRI技术,能够精确描绘交叉、缠绕和弯曲走行的脑白质纤维以及脑白质微观结构变化。原理上,DSI是一种不依赖于先验生物物理模型的多b值和多方向的q空间成像(q-space imaging, QSI)技术[1]。DSI能够弥补其他dMRI技术的不足[2]。比如,弥散张量成像(diffusion tensor image, DTI)假设每个体素内只有一条纤维走行并与主特征向量方向一致,但实际上在组织中单个体素内存在多条纤维交叉的可能性,因而DTI并不能精确描述组织内交叉纤维束走向。本文总结了我国学者近十年来将DSI应用于临床研究所取得的重要成果,并总结目前存在的挑战及未来发展方向,为更好地发展DSI技术推进其临床普及应用而提供参考。

1 DSI的发展简史

dMRI技术已有较长的应用历史,它不仅可以显示纤维束的走形,还通过定量弥散参数来反映微观结构的信息,例如DTI的各向异性分数(fractional anisotropy, FA)和平均弥散系数(mean diffusivity, MD)。由于DTI无法准确描绘复杂组织内水分子的运动状态,因此引入了弥散峰度成像(diffusional kurtosis imaging, DKI)。DKI实质上是基于DTI技术的延伸,它描绘组织内水分子弥散偏离正态分布的程度,其峰度信息反映由多个微观细胞区的复杂结构造成的非高斯特性,从而能够提供机体在生理和病理状态下的额外信息。事实上,人体存在不同的组织类型,它们各自的弥散大小和方向均不相同。神经突方向分散度和密度成像(neurite orientation dispersion and density imaging, NODDI)技术能够区分细胞内、外部空间,在弥散方向上对髓鞘的形成及轴突的破坏有独特的评估能力,同时与神经突触的相关指标能够直接准确地反映脑组织的细微结构[3]。DSI与其他任何一项dMRI技术一样,是在方法学上经过众多研究验证后才逐步应用于临床研究。DSI技术于2000年由Wedeen等[1]提出,它通过栅格式的采样方案采集完整的三维q空间数据,计算获得水分子弥散概率密度函数(probability density function, PDF)描述载体组织体素内水分子在整个弥散空间中的布朗运动分布,从而精确分辨组织内错综复杂的纤维束走向,最终获取真正的六维弥散图像集。

MRI中“K空间”的概念已被大家所熟知,K空间内数据的编码是由频率编码梯度来实现的,其数据通过傅里叶变换和氢质子的空间位置进行关联,而q空间内的数据编码则是通过弥散编码梯度来实现,其栅格数据通过傅里叶变换得到一个称为“总体平均位移子(ensemble average propagator, EAP)”的函数,即一个氢质子位移的三维PDF。DSI通过对PDF的径向积分计算出每个体素的弥散方向分布函数(diffusion orientation distribution function, dODF),并取局部最大值定义为局部主要弥散方向,从而重建出精细的纤维束通路[4],为认识大脑白质纤维束走形以及理解神经系统退行性病变所导致的大脑微结构及相关连通性的改变提供了可能。

DSI同样有反映组织内水分子弥散方向差异性的特征定量参数,如定量各向异性(quantitative anisotropy, QA)、广义分数各向异性(general fractional anisotropy, GFA)和各向同性弥散分量(isotropic diffusion component, ISO)等。相对于DTI、DKI和NODDI等基于高斯或者非高斯模型假设的dMRI技术[5],DSI重建算法实现不依赖于模型研究水分子弥散情况。另外,平均表观传播子(mean apparent propagator, MAP)-MRI技术是基于DSI的全新的高级定量模型,它同样不对弥散性质进行任何假设,直接根据水分子的分布测量其自旋位移的PDF,获得能更精确和更全面反映组织微结构的参数,包括返回原点的概率(return to origin probability, RTOP)、返回轴的概率(return to axis probability, RTAP)、返回平面的概率(return to plane probability, RTPP)、均方位移(mean squared displacement, MSD)和信号方差(q-space inverse variance, QIV),这些参数很好地反映了PDF中的定量信息,对弥散受限和组织成分的变化十分敏感,有助于更好地理解脑白质的微结构特征[6]

DSI为了获得足够精确的q空间信息,需要梯度性能更高的MRI设备和较长的扫描时间。最初,DSI采集完整q空间的数据量非常大,因而扫描时间超过1个小时或者更长。为了使DSI适用于临床,缩短扫描时间尤为重要。Wedeen等[1]认为最大b值在12000~18000 s/mm2之间可获得足够的纤维束定向精度,其采用DSI-515(弥散编码梯度数)和最大b值为17000 s/mm2的扫描方案,最终将DSI的扫描时间缩短在25 min左右。Kuo等[7]发现在保证较高的信噪比和角分辨率的情况下,采用DSI-515和DSI-203对应的最佳最大b值分别是6500 s/mm2和4000 s/mm2,这样能够使扫描时间和梯度稳定性保持在可接受的范围内。Yeh等[8]提出基于双高斯弥散模型的简化编码DSI的方法,不仅能够显著缩短扫描时间,还能保证相当高的纤维束定向精度和图像信噪比。Reese等[9]进一步通过优化采集序列来加速DSI采集,发现同步图像重聚平面回波序列使弥散编码梯度脉冲数减少一半,显著降低了DSI的扫描时间。除了缩短DSI的扫描时间,提高方向分布函数(diffusion orientation distribution function, ODF)的角分辨率可以提高描绘复杂纤维束微观结构的可靠性。Canales-Rodríguez等[10]从提升图像重建质量的角度,引入了反卷积方法来提高PDF精度,从而增强了DSI对纤维束的分析能力。

近十年来,随着DSI的方法学研究进一步深入,通过欠采样方法和对弥散PDF施加先验知识的重建等方法均用于加速DSI采集。Setsompop等[11]采用同时多层(simultaneous multi-slice, SMS)MRI技术使DSI扫描时间减少了3倍。‎Menzel等[12]运用了对PDF施加小波和全变分变换的压缩感知重构方法,在不丢失基本弥散特性的情况下减少了DSI扫描时间,同时弥散的空间分辨率也得到了提升。‎‎Bilgic等[13]提出基于自适应词典的压缩传感技术,通过3倍加速后使DSI扫描时间缩短至17 min,并且能保持很高的图像质量。通过这些方法学的研究,DSI逐渐缩短了数据采集时间,目前西门子最新的SMS加速技术可实现在3 T磁共振仪上仅用时7 min左右即可完成DSI全脑扫描,大大减少了患者无法坚持完成检查的情况以及头动伪影的产生。另外,PDF精度的提高也提升了DSI描述更复杂组织纤维束的能力,为其真正应用于临床研究提供了可能。基于快速采集方案,西门子医疗和华东师范大学共同开发了DSI的后处理平台DXI,它通过一次DSI扫描获得的数据可以同时拟合出众多弥散定量参数,比如DTI参数的FA和MD等、DKI参数的径向峰度(radial kurtosis, RK)和平均弥散峰度(mean kurtosis, MK)等、NODDI参数的神经突内体积分数(intracellular volume fraction, ICVF)和各向同性间隔的体积分数(volume fraction of the isotropic compartment, ISOVF)等和MAP-MRI参数的RTOP、RTAP和RTPP等,这些丰富的定量参数为疾病的诊断、分级及疗效评估的临床应用研究提供了更全面的工具。

2 DSI的临床应用

在DSI开始应用于临床的前十年,可从3篇国内综述中总结出其早期的研究方向[14, 15, 16]:(1)描述脑白质纤维束,如丘脑前额束和小脑神经元回路等正常解剖结构及其连通性;(2)研究中枢神经系统疾病,如强迫症和自闭症等导致的脑功能和结构的改变;(3)探索中枢神经系统以外组织的结构,如舌、食管和心肌的纤维结构等。这些研究为中枢神经系统疾病的预防、诊断和治疗提供了新的思路。近十年来,我国学者致力于将DSI应用于中枢神经系统正常脑白质纤维束和疾病的研究,获得了许多具有重要临床价值的成果。特别在近几年,得益于DSI高级重建算法的提出,DSI在中枢神经系统肿瘤的临床研究中崭露头角,在肿瘤的鉴别诊断、分级和基因表型预测等方面有了一定的新发现,同时,DSI还拓展到了中枢神经系统以外体部肿瘤的应用,这为后续研究人体其他系统的正常结构和疾病打下了基础。

2.1 DSI在描绘正常脑白质纤维束方面的应用

钩状束与联想记忆、情景记忆、社会情感和语言等功能有关,其解剖结构仍存在争议性。Leng等[17]通过DSI纤维束追踪研究9名正常被试和一个包含30名被试的DSI模板(CMU-30)的钩状束解剖结构,发现钩状束起于颞回,随后向下延伸至下额枕束并分成两个分支,最后终止于腹内侧前额皮层和额中回下部,且左右两侧的钩状束结构不对称。该研究有助于理解钩状束的解剖结构。

颞顶枕区(temporo-parieto-occipital, TPO)交界处在人的高级神经功能中起着独特的作用,起止于该区域的长纤维束已被详细描述,但对TPO交界处短纤维束介导的局部连通性仍缺乏研究。Wu等[18]利用DSI纤维束追踪研究10名正常被试和一个包含90例被试的DSI模板(NTU-90)的TPO交界处短纤维束,发现它共包括三个组成部分,即上纵束后段、垂直枕束和颞顶连接束。该研究还首次结合纤维剥离术来显示垂直枕束的纤维轨迹和连通性,以及上纵束的后段与皮层和相邻纤维束的空间关系。这项研究为TPO交界处短纤维的局部连通性提供了详细的描述,可能有助于理解其在大脑中所发挥的功能。

Papez环路是沟通边缘皮层和皮层下区域的边缘通路,可作为情绪表达的神经基础,与情景记忆和空间记忆有关,Papez环路新结构之间的枢纽连接仍有待阐明。Wei等[19]基于压后皮层、海马、乳头体和丘脑前核群中枢之间的联系,通过DSI对8名正常被试和由842名来源于人类连接组项目(human connectome project, HCP)的被试构成的大样本量模板(HCP-842)进行研究,发现在所有个体中都可以观测到海马腹侧连合,丘脑纤维与后扣带回和压部后皮层同时连接,后扣带回几乎不对海马构成直接连接,而压部后皮层主要负责与海马的连接,表明后扣带回和压部后皮层可能代表了人脑单独的功能枢纽。该研究利用DSI对人记忆环路的结构连接进行了精准描绘,对后续研究有着深远的意义。

上额枕束的存在仍有争议性。Bao等[20]通过DSI纤维束追踪对6名正常被试和HCP-842大样本量模板的上额枕束进行研究以明确其走行和皮层终止点,发现上额枕束在尾状核头上方、放射冠内侧和胼胝体下方行进,并经过尾状核下部终止于顶叶区域。该研究虽然没有提供上额枕束在人脑中的明确证据,但是解析了上额枕束的解剖结构,可能有助于神经外科手术方式的制订。

丘脑前额束(thalamic-prefrontal peduncle, TPP)是连接丘脑和前额叶的一组纤维束,其准确结构和连接模式仍不清楚。Sun等[21]通过DSI分析9名正常被试和HCP-842大样本量模板的TPP连接模式和结构分段情况,发现TPP将丘脑与同侧前额叶的Brodmann 8~11区和45~47区从内到外逐层依次连接。该研究证实了在人脑中丘脑和前额叶皮层之间的详细关联,有助于进一步研究基于该连接模式的丘脑和前额叶皮层的功能。

交叉齿状核红核丘脑束(decussating dentato-rubro-thalamic tract, d-DRTT)被认为是复杂协调运动中不可或缺的组成部分,并在言语交流和工作记忆等认知功能中发挥着重要作用,但由d-DRTT介导的小脑与大脑间的连接模式尚未被准确描述。Ou等[22]报道了利用DSI研究28名正常被试的d-DRTT及其传入和传出连接模式,发现左右d-DRTT相对对称,d-DRTT的传入纤维主要分布于小脑后部,而传出纤维投射到对侧额叶区,并证明小脑-齿状核-红核-丘脑连接与丘脑-大脑连接相关。该研究表明小脑后部可能通过d-DRTT在支持和处理认知活动中发挥重要作用,未来仍需进一步研究以促进全面了解小脑-大脑之间的联系。

2.2 DSI在中枢神经系统疾病中的应用

注意缺陷多动障碍(attention deficit hyperactivity disorder, ADHD)是儿童常见的且难以治愈的神经发育障碍性疾病。目前已知是由大脑功能和结构改变引起,因而研究其潜在的神经病理学机制具有重要的临床意义。在不同任务中,ADHD患者普遍存在反应时个体内变异性的增加。Lin等[23]通过DSI纤维束追踪对ADHD患者进行研究,发现额纹状体束的微观结构完整性在ADHD患者的反应时个体内变异性中起着关键作用。Chiang等[24]进一步探讨与ADHD患者执行功能有关的脑白质纤维束微观结构特性,发现除了额纹状体束,上纵束、弓形束、扣带束和定势转移能力、持续注意力、认知抑制和视觉空间能力不佳有关,提示这些纤维束均是ADHD的神经病理学机制的核心,并且ADHD患者和正常青年在执行功能和这些纤维束微观结构特性之间表现出不同的关联模式,提示可能存在代偿机制。ADHD还存在一定家族性,如ADHD先证者的兄弟姐妹可能存在神经心理功能障碍的问题,于是Chiang等[25]又利用同样的方法评估了ADHD潜在的家庭风险及其与临床神经心理学的相关性,发现上纵束Ⅰ胼胝体和皮质脊髓束(cortico spinal tract, CST)的轴向弥散率升高可能解释ADHD潜在的家族风险以及ADHD症状和/或神经心理功能,以及连接额纹状体束的腹外侧前额叶皮层在阻止ADHD相关表型的表达中发挥潜在作用。另外,ADHD患儿还普遍存在情绪失调症状,这种症状可能加重他们的社交和生存适应障碍。最近,Tsai等[26]利用DSI纤维束追踪技术探讨ADHD患儿脑白质束完整性与情绪失调的相关性,发现总共有19个脑白质束的GFA值与ADHD儿童患者的情绪失调严重程度呈负相关,提示ADHD患儿的情绪失调可能与情绪处理、认知控制、视觉情感处理和感觉运动整合等多个脑功能区微结构损伤有关,因而需要开发更详细的个体化治疗方法,以帮助ADHD患儿管理情绪问题。

精神分裂症患者的主要诊断特征之一是产生听觉言语幻觉,该症状可能与患者语言网络的结构和功能的改变有关。Wu等[27]首次通过DSI重建精神分裂症患者背侧和腹侧通路来探讨语言网络的基础结构变化和功能的改变及两者之间的相互关联,研究发现右背侧通路的结构完整性与背侧通路的功能性侧化呈正相关;另外,背侧通路的功能侧化和右背侧通路的微结构完整性均与幻觉症状呈负相关,这些改变可能会加重精神分裂症患者的听觉言语幻觉症状。这项DSI研究揭示了伴有听觉言语幻觉的精神分裂症患者的脑结构和功能变化之间的关系,有利于理解该疾病潜在病理机制。

阿尔茨海默病(Alzheimer's disease, AD)是一种常见的神经退行性病变,主要特征是记忆和认知障碍。扣带束是一个复杂的网络结构,包括连接扣带皮层不同区域的较短的结合纤维和延伸到前额叶、顶叶和颞叶的较长的结合纤维,参与情绪、记忆力、注意力和执行力等多种功能连接,可能与AD潜在的神经机制有关。Lin等[28]利用DSI探讨早期AD患者的扣带束改变与认知功能的关联,发现扣带束不同解剖部位的特异性退化与执行功能和记忆功能的下降有关,如在AD的前驱期和早期阶段扣带束后段与执行功能和记忆功能下降相关,而扣带束下段只与记忆功能下降相关。轻度认知障碍(mild cognitive impairment, MCI)可能是AD患者的前驱阶段,其中遗忘型MCI的记忆障碍病感失认是转化为AD的独立预测因子,因而研究MCI记忆障碍病感失认对于评估患AD的风险性十分重要。Chang等[29]首次通过DSI研究MCI老年患者的脑白质微观结构完整性和记忆意识的相关性,发现伴有记忆障碍病感失认的MCI患者双侧额纹状体束、左侧丘脑前皮层辐射和连接双侧下顶叶区域的胼胝体束的完整性降低,推断执行功能的损害可能解释MCI患者的记忆障碍病感失认。这些研究结果有助于理解AD高风险人群记忆障碍病感失认的行为基础。另外,Ⅱ型糖尿病也可能导致AD的患病风险增加。Zhang等[30]研究发现Ⅱ型糖尿病患者钩状束和扣带束的DSI特征参数GFA值降低,并与语言流畅性评分、神经认知评分及血清胆固醇水平有关。该研究提示DSI可能有助于预测Ⅱ型糖尿病脑白质的早期变化。

弱视可导致不可矫正的视觉缺陷,可能与全局处理任务(如形状感知、轮廓处理和运动整合)或腹侧和背侧通路的信息异常处理有关。Tsai等[31]利用DSI纤维束追踪探讨与弱视有关的脑白质纤维束的改变,发现早期视觉处理异常与9个脑白质区结构改变有关,这些改变可能与弱视患者诸如视听整合和手眼协调等高级缺陷有关。该研究表明DSI能够解释弱视潜在的神经学机制,能为其早期诊断和治疗提供重要的依据。临床上,视野缺损(visual field defects, VFD)的常见病因是垂体大腺瘤压迫视交叉导致。最近,Liang等[32]通过DSI定量参数评估垂体腺瘤患者视觉通路变化以预测VFD严重程度,发现视神经和视束的QA和GFA的平均值在垂体腺瘤伴VFD患者组与健康对照组间存在显著的差异,并与视交叉上抬高度和VFD严重程度显著相关。该研究表明DSI可以检测垂体瘤患者视觉通路异常,其定量参数是评估患者VFD严重程度的潜在影像标志物。

帕金森病(Parkinson's disease, PD)是第二大最常见的神经退行性疾病。黑质纹状体多巴胺能神经元的变性所导致的基底神经节-丘脑皮层环路破坏是PD的典型运动体征及症状的病理基础。最近,Le等[33]初步探讨基于DSI的MAP-MRI技术诊断PD的临床价值,研究发现PD患者双侧尾状核、苍白球、壳核和丘脑的MSD较正常对照组高,而RTOP、RTAP和RTPP较正常对照组低,MSD、RTOP、RTAP和RTPP的诊断效能明显优于相应部位DTI的FA和MD,其中苍白球和壳核的RTAP值和壳核的RTOP值与统一PD分级量表(Unified Parkinson's disease Rating Scale Ⅲ, UPDRS Ⅲ)评分呈负相关。该研究表明基于DSI拟合出的MAP-MRI高级弥散模型可以用于诊断PD和评估其严重程度,且优于常规的DTI。

肌萎缩性侧索硬化症(amyotrophic lateral sclerosis, ALS)又称渐冻症,是一种罕见的进行性神经退行性疾病,可能由脑白质损伤导致。Chen等[34]通过基于DSI的MAP-MRI技术检测ASL患者脑白质的改变,发现ALS患者的双侧中央前回、放射冠、内囊后肢、中脑等脑白质区域的RTOP、RTAP、RTPP、NG、NGAX和NGRad值显著减低,同时双侧内囊后肢和胼胝体中部等区域的RTOP、RTAP、NG、NGAX和NGRad值与ASL严重程度显著相关。该研究验证了CST和胼胝体的微观结构损伤是ALS的病理特征。

阅读困难症儿童常表现为阅读理解能力低下和认字延迟或不准确,而患儿在阅读发展早期阶段,认字与阅读理解密切相关,且这种关系有可能通过脑白质结构的变化来反映。Wang等[35]通过DSI研究阅读困难症患儿的脑白质结构变化,发现与正常儿童比较阅读困难症患儿在右侧颞上回、左侧额内侧回和左侧尾状核体存在脑白质结构上的差异,另外还发现胼胝体结构完整性的降低与认字、阅读技能和阅读理解能力低下有关,并结合胼胝体的作用推断出右侧大脑半球也在阅读相关任务中具有潜在重要性。该研究有助于理解儿童在阅读发展的早期阶段发生阅读困难症的神经学机制,为提升患儿阅读能力提供了理论依据。另外,儿童和成人的语义加工相关大脑激活区存在发育上的差异性,同时在语义处理过程中的结构连通性和有效连接模式也可能存在发育上的差异性。Fan等[36]通过DSI、功能MRI和动态因果建模共同探讨汉字语义判断相关脑区的结构连通性与有效连接,研究发现与儿童相比,成人的左腹侧额下回和颞中回激活的面积更大,同时左腹侧通路(额枕下束)的结构连通性和从左侧梭状回到腹侧额下回的自下而上的有效连接更强。这些研究结果表明语义处理过程与大脑结构的发育成熟有关,还与大脑功能激活有关,有助于提高对大脑区域之间语言功能交流的认识。

特发性突发性感音神经性听力损失(idiopathic sudden sensorineural hearing loss, ISSNHL)在耳鼻喉科并不少见,在没有明确病变的情况下,基于常规MRI检查很难找出病因。Zhang等[37]通过DSI纤维束追踪评估单侧ISSNHL患者听觉神经通路脑白质的改变,结果发现这些ISSNHL患者听觉神经通路的微观结构发生损伤,同时患病对侧的内侧膝状体QA值能够预测ISSNHL的严重程度。该研究为ISSNHL提供了相关脑结构微观改变的影像学证据,有助于了解其病理生理学改变,同时QA值可能是预测ISSNHL的潜在影像学指标,因此可以用于定量分析ISSNHL的进展和疗效。另一项关于ISSNHL的DSI研究也发现单侧ISSHL患者沿中枢听觉通路的脑白质微结构的异常[38],同时还发现患病同侧内侧膝状体的GFA值可能有助于预测ISSNHL的预后。

内侧颞叶癫痫(mesial temporal lobe epilepsy, MTLE)是癫痫最常见的类型之一。手术治疗可以缓解60%~80% MTLE患者的癫痫发作,但约30%~40%的MTLE患者行术前常规MRI检查无法准确定位病灶,因而有必要探索一种可靠的术前评估方法。Wang等[39]通过DSI比较MTLE患者两侧脑灰质和脑白质的微观结构差异性并探讨其术前预测MTLE侧化的可靠性,结果发现单侧MTLE患者两侧脑灰质和脑白质的微观结构存在差异,同时DSI的定量参数(QA和ISO等)可以确定MTLE侧化。该研究作为对MTLE的初步研究,提示在常规MRI检查阴性结果的情况下,DSI可能为MTLE患者的术前评估提供重要的依据。Ma等[40]探讨四种方法—MRI体积测量、液体衰减反转恢复序列信号强度、DTI和基于DSI的MAP-MRI的多个定量弥散参数判断颞叶癫痫侧化的临床价值,研究结果发现RTPP诊断颞叶癫痫侧化的效能最高,同时MD、RD和MSD与延迟回忆的临床指标呈负相关,而RTAP、RTOP和FA与相关指标呈正相关。海马硬化(hippocampal sclerosis, HS)被认为是癫痫最常见的病理改变。最近,Wang等[41]报道了MTLE患者癫痫病灶定位的DSI研究结果,即海马的QA值是评估HS侧化的可靠影像指标。在未来,随着进一步深入地研究,DSI的定量弥散参数可能有助于各种类型癫痫发作的准确定位。另外,双侧颞叶癫痫常在双侧大脑半球间传播,但其中的神经连接轨迹仍不明确。Wei等[42]通过DSI探讨双颞叶癫痫传播的潜在途径,发现双侧颞叶均通过前连合、胼胝体压部和海马背侧连合连接,这可能有助于指导双侧颞叶癫痫的治疗。

特发性正常颅压脑积水(idiopathic normal pressure hydrocephalus, INPH)是一种病因不明的神经系统疾病,常见于老年人。步态障碍是INPH患者最常见和最具特征的症状,其可能的发病机制是脑室扩大压迫邻近的CST所导致。Zhang等[43]首次运用DSI检测INPH患者脑室旁CST的变化,通过DSI弥散参数的改变证实了INPH患者脑室旁受压迫的CST的微观结构完整性发生了改变。最近,Yang等[44]通过DSI结合逐点比较的定量分析方法进一步探讨INPH患者CST变化,发现INPH不仅引起了广泛的CST完整性的变化,而且大多数CST的异常局限于特定的区域;另外,少部分CST的不同部分表现出不同的弥散改变。这些研究结果提供了关于INPH脑白质变化的更多细节,有助于理解该疾病的发病机制。

原发性三叉神经痛(trigeminal neuralgia, TN)的发病机制不清,目前普遍接受的病因是责任血管压迫引起三叉神经脱髓鞘改变导致。Luo等[45]采用DSI探索原发性TN患者三叉神经脑池段的变化,发现原发性TN患者三叉神经脑池段的QA、GFA、FA值降低,AD值升高,提示其微观结构完整性的改变。该研究也表明通过DSI可以检测原发性TN患者三叉神经微观变化情况,从而提高了对该疾病发病机制的认识。

2.3 DSI在中枢神经系统肿瘤中的应用

目前,DSI在鉴别中枢神经系统肿瘤、分级、评估脑白质纤维束损伤及预测基因分型方面已有初步应用。高级别神经胶质瘤(high-grade glioma, HGG)和脑转移瘤是中枢神经系统常见的恶性肿瘤,但这两种脑恶性肿瘤的治疗策略却截然不同,因此需要准确地鉴别HGG和脑转移瘤。Mao等[46]通过DSI拟合出弥散加权成像(diffusion-weighted imaging, DWI)、DTI、DKI、NODDI和MAP-MRI总共23个定量弥散参数后,比较了它们鉴别HGG和实体脑转移瘤的效能,结果发现NODDI的诊断效能优于MAP-MRI、DKI、DTI和DWI,其中NODDI的定量参数各向同性体积分数(isotropic volume fraction, Viso)的诊断效能最高。临床上,胶质瘤根据病理结果分为Ⅰ~Ⅳ级,不同级别胶质瘤患者预后各异,因而准确的术前分级对于脑胶质瘤患者的治疗方案的选择尤为重要。Wang等[47]探讨了MAP-MRI在鉴别弥漫性胶质瘤分级中的诊断效能,研究发现与Ⅲ级胶质瘤相比,Ⅱ级胶质瘤的NG、NGAx和NGRad值显著降低,相应AUC的范围为0.823至0.838;与Ⅳ级胶质瘤相比,Ⅱ级胶质瘤的NG、NGAx、NGRad、RTAP和RTOP值显著降低,而QIV值显著增高,相应AUC的范围为0.769至0.929。该研究表明,MAP-MRI的多个定量弥散参数在术前无创评估脑胶质瘤病理分级中具有重要的临床指导价值。胶质瘤通常在脑白质中浸润性生长,并可能会累及负责运动功能的CST,因此术前需要准确评估胶质瘤患者CST的受累情况,以指导手术减少对CST的损害。Jiang等[48]利用基于DSI的拉普拉斯正则化MAP-MRI技术评估脑胶质瘤患者CST损伤,研究发现与对侧CST比较,胶质瘤侧的CST整段和瘤周段的纤维数量、体积、MD、RD、MSD、QIV、RTAP、RTOP和RTPP值均发生了显著变化,而AD和FA值仅在CST瘤周段发生显著变化;与不伴有运动障碍的脑胶质瘤患者比较,伴有运动障碍的脑胶质瘤患者的CST整段的MSD和QIV值,以及CST瘤周段的QIV、AD、MD和RD值显著增高,而CST整段和瘤周段的RTPP值和CST瘤周段的RTOP显著升高。该研究提示基于DSI的MAP-MRI是评价脑胶质瘤CST损伤后微观结构变化的有效方法。柠檬酸脱氢酶(isocitrate dehydrogenase, IDH)基因型和1p/19q共缺失状态是脑胶质瘤病理诊断的关键分子标志物。最近,Gao等[49]基于DSI拟合出DTI、DKI、NODDI和MAP-MRI后,通过这四种弥散模型的多个弥散参数的直方图特征来预测胶质瘤IDH和1p/19q基因分型,结果发现四种弥散模型的参数单独或联合运用都具有相仿的良好诊断效能。这项最新的DSI研究表明基于多种模型的多个弥散参数的全肿瘤直方图分析是预测胶质瘤IDH和1p/19q基因分型的一种很有前途的方法,可以借鉴并运用到其他的肿瘤研究中。

2.4 DSI在中枢神经系统以外的扩展应用

基于高级后处理技术平台,DSI实现了从神经系统到体部的扩展应用。人表皮生长因子受体2(human epidermal growth factor receptor-2, HER2)是一种跨膜酪氨酸激酶受体,具有促进肿瘤血管生成和增强肿瘤侵袭性的病理特征,其在乳腺癌中的表达状态是决定HER2靶向治疗的关键因素。Mao等[50]首次将DSI应用于浸润性乳腺癌研究中,结果发现DSI拟合出的多种弥散模型的多个定量弥散参数可能有助于预测乳腺癌患者HER2的表达状态,值得未来进一步深入研究。肿瘤间质是肿瘤微环境的重要组成部分,参与肿瘤的发生和发展,可作为乳腺癌的治疗反应指标和预后预测因子。在2022年的国际医学磁共振协会年会上,Zhang等报道了将DSI应用于预测乳腺癌肿瘤微环境的肿瘤间质比,其研究结果表明MAP-MRI衍生的参数在乳腺癌间质贫乏组与间质丰富组之间均有显著差异,而ADC值无显著差异,且MAP-MRI定量参数的诊断效能均在0.7以上,优于传统DWI的诊断效能。

3 小结及展望

DSI作为一种高级磁共振弥散成像技术,通过q空间栅格式采集和无物理假设的重建方法,一方面可以精确描绘体内复杂组织交叉纤维束走向,获得更真实和精细的神经纤维束结构,另一方面可以通过高级物理模型计算反映大脑微观结构的多种定量参数,应用于疾病的临床诊疗。

DSI是目前唯一一种在活体可以无创获得高分辨全脑纤维束成像的技术,具有优异的交叉纤维解析能力和高弥散数据空间分辨率,不仅可以获得更准确的主要神经通路纤维束,未来还可以研究更精细的神经结构,如靠近皮层区域更加精细的皮层间纤维连接。基于DSI的纤维追踪技术将会在人类脑计划中扮演重要的角色[51]。但目前DSI纤维束成像还存在一些挑战:(1)DSI纤维束结果的真实性。弥散成像是通过间接的方式追踪纤维束,除了弥散数据采集方案,不同后处理算法对最终纤维束成像的结果影响较大,DSI纤维束成像需要的软件和算法方面均在不断地优化中[52, 53]。(2)DSI纤维束追踪的自动化、定量化。目前DSI纤维束成像尚缺乏自动化和定量化手段,对纤维束追踪实现自动化识别和定量化至关重要,它能在获得纤维结构信息的同时获得研究纤维束的定量参数信息,能进一步促进DSI纤维束成像的临床应用转化。

DSI除了精确描绘神经纤维束外,其高级弥散模型在脑肿瘤、癫痫、退行性病变等各种疾病的诊断中展示了较大潜力,未来在临床疾病的诊疗中应用前景十分广阔,但DSI高级弥散模型的临床应用也存在多方面挑战:(1)DSI弥散模型的选择和优化。由于目前DSI弥散高级模型数量较多,不同模型又反映了组织的不同生理信息,因此针对具体临床疾病,需要结合临床研究目的,选择某一个模型或者采用多个模型组合进行综合研究。本文中提及的DXI技术可利用一次性DSI数据采集而同时应用大量高级模型获得多个参数,使得多模型的结合研究变得更易行。(2)DSI的临床应用范围。DSI技术对磁共振设备具有一定的硬件要求,目前DSI技术的临床应用尚不够普遍,高级弥散模型在疾病诊疗中的研究还处于初级阶段,目前涉及的疾病范围小,主要涉及癫痫、脑肿瘤和PD等中枢神经系统疾病,DSI在中枢神经系统其他疾病以及体部疾病中的应用价值仍有待深入探究。(3)DSI的临床应用效率。目前DSI高级模型参数的获得仍需要对DSI数据采集后由专门后处理软件进行分析,不便于临床应用,未来需要对DSI后处理技术进行产品化和自动化,提高DSI使用效率,将进一步促进DSI技术在临床诊疗中的广泛应用。

志      谢

ACKNOWLEDGMENTS National Natural Science Foundation of China (No. 82171996, U1801681); Guangdong Province Universities and Colleges Pearl River Scholar Funded Scheme (2017).

利益冲突

作者利益冲突声明:全部作者均声明无利益冲突。

参考文献References
[1]
WedeenVJ, HagmannP, TsengWY, 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.
[2]
GlennGR, KuoLW, ChaoYP, et al. Mapping the Orientation of White Matter Fiber Bundles: A Comparative Study of Diffusion Tensor Imaging, Diffusional Kurtosis Imaging, and Diffusion Spectrum Imaging[J]. AJNR Am J Neuroradiol, 2016, 37(7): 1216-1222. DOI: 10.3174/ajnr.A4714.
[3]
EdwardsLJ, PineKJ, EllerbrockI, et al. NODDI-DTI: Estimating Neurite Orientation and Dispersion Parameters from a Diffusion Tensor in Healthy White Matter[J/OL]. Front Neurosci, 2017, 11 [2022-09-05]. http://www.ajnr.org/content/37/7/1216.long. DOI: 10.3389/fnins.2017.00720.
[4]
SosnovikDE, WangR, DaiG, et al. Diffusion MR tractography of the heart[J/OL]. J Cardiovasc Magn Reson, 2009, 11(1) [2022-09-05]. https://jcmr-online.biomedcentral.com/articles/10.1186/1532-429X-11-47. DOI: 10.1186/1532-429X-11-47.
[5]
KodiweeraC, AlexanderAL, HarezlakJ, et al. Age effects and sex differences in human brain white matter of young to middle-aged adults: A DTI, NODDI, and q-space study[J]. Neuroimage, 2016, 128: 180-192. DOI: 10.1016/j.neuroimage.2015.12.033.
[6]
ÖzarslanE, KoayCG, ShepherdTM, et al. Mean apparent propagator (MAP) MRI: a novel diffusion imaging method for mapping tissue microstructure[J]. Neuroimage, 2013, 78: 16-32. DOI: 10.1016/j.neuroimage.2013.04.016.
[7]
KuoLW, ChenJH, WedeenVJ, et al. Optimization of diffusion spectrum imaging and q-ball imaging on clinical MRI system[J]. Neuroimage, 2008, 41(1): 7-18. DOI: 10.1016/j.neuroimage.2008.02.016.
[8]
YehCH, ChoKH, LinHC, et al. Reduced encoding diffusion spectrum imaging implemented with a bi-Gaussian model[J]. IEEE Trans Med Imaging, 2008, 27(10): 1415-1424. DOI: 10.1109/TMI.2008.922189.
[9]
ReeseTG, BennerT, WangR, et al. Halving imaging time of whole brain diffusion spectrum imaging and diffusion tractography using simultaneous image refocusing in EPI[J]. J Magn Reson Imaging, 2009, 29(3): 517-522. DOI: 10.1002/jmri.21497.
[10]
Canales-RodríguezEJ, Iturria-MedinaY, Alemán-GómezY, et al. Deconvolution in diffusion spectrum imaging[J]. Neuroimage, 2010, 50(1): 136-149. DOI: 10.1016/j.neuroimage.2009.11.066.
[11]
SetsompopK, Cohen-AdadJ, GagoskiBA, et al. Improving diffusion MRI using simultaneous multi-slice echo planar imaging[J]. Neuroimage, 2012, 63(1): 569-580. DOI: 10.1016/j.neuroimage.2012.06.033.
[12]
MenzelMI, TanET, KhareK, et al. Accelerated diffusion spectrum imaging in the human brain using compressed sensing[J]. Magn Reson Med, 2011, 66(5): 1226-1233. DOI: 10.1002/mrm.23064.
[13]
BilgicB, SetsompopK, Cohen-AdadJ, et al. Accelerated diffusion spectrum imaging with compressed sensing using adaptive dictionaries[J]. Magn Reson Med, 2012, 68(6): 1747-1754. DOI: 10.1002/mrm.24505.
[14]
赵智勇, 刘小征, 范明霞, . 弥散频谱成像的研究进展[J]. 磁共振成像, 2016, 7(7): 535-540. DOI: 10.12015/issn.1674-8034.2016.07.011.
ZhaoZY, LiuXZ, FanMX, et al. Research progress of diffusion spectrum imaging[J]. Chin J Magn Reson Imaging, 2016, 7(7): 535-540. DOI: 10.12015/issn.1674-8034.2016.07.011.
[15]
宫智波, 陈宏海, 刘书峰, . 磁共振弥散频谱成像原理及其在神经系统的研究进展[J]. 磁共振成像, 2020, 11(9): 809-812, 816. DOI: 10.12015/issn.1674-8034.2020.09.020.
GongZB, ChenHH, LiuSF, et al. Research progress of magnetic resonance diffusion spectrum imaging in the nervous system[J]. Chin J Magn Reson Imaging, 2020, 11(9): 809-812, 816. DOI: 10.12015/issn.1674-8034.2020.09.020.
[16]
杨文静, 赵世华, 陆敏杰. 心血管磁共振弥散张量成像及弥散频谱成像研究进展[J]. 磁共振成像, 2021, 12(10): 93-97. DOI: 10.12015/issn.1674-8034.2021.10.024.
YangWJ, ZhaoSH, LuMJ. Progress of cardiovascular magnetic resonance diffusion tensor imaging and diffusion spectrum magnetic resonance imaging[J]. Chin J Magn Reson Imaging, 2021, 12(10): 93-97. DOI: 10.12015/issn.1674-8034.2021.10.024.
[17]
LengB, HanS, BaoY, et al. The uncinate fasciculus as observed using diffusion spectrum imaging in the human brain[J]. Neuroradiology, 2016, 58(6): 595-606. DOI: 10.1007/s00234-016-1650-9.
[18]
WuY, SunD, WangY, et al. Tracing short connections of the temporo-parieto-occipital region in the human brain using diffusion spectrum imaging and fiber dissection[J]. Brain Res, 2016, 1646: 152-159. DOI: 10.1016/j.brainres.2016.05.046.
[19]
WeiPH, MaoZQ, CongF, et al. In vivo visualization of connections among revised Papez circuit hubs using full q-space diffusion spectrum imaging tractography[J]. Neuroscience, 2017, 357: 400-410. DOI: 10.1016/j.neuroscience.2017.04.003.
[20]
BaoY, WangY, WangW, et al. The Superior Fronto-Occipital Fasciculus in the Human Brain Revealed by Diffusion Spectrum Imaging Tractography: An Anatomical Reality or a Methodological Artifact?[J/OL]. Front Neuroanat, 2017, 11 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fnana.2017.00119/full. DOI: 10.3389/fnana.2017.00119.
[21]
SunC, WangY, CuiR, et al. Human Thalamic-Prefrontal Peduncle Connectivity Revealed by Diffusion Spectrum Imaging Fiber Tracking[J/OL]. Front Neuroanat, 2018, 12 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fnana.2018.00024/full. DOI: 10.3389/fnana.2018.00024.
[22]
OuSQ, WeiPH, FanXT, et al. Delineating the Decussating Dentato-rubro-thalamic Tract and Its Connections in Humans Using Diffusion Spectrum Imaging Techniques[J]. Cerebellum, 2022, 21(1): 101-115. DOI: 10.1007/s12311-021-01283-2.
[23]
LinHY, GauSS, Huang-GuSL, et al. Neural substrates of behavioral variability in attention deficit hyperactivity disorder: based on ex-Gaussian reaction time distribution and diffusion spectrum imaging tractography[J]. Psychol Med, 2014, 44(8): 1751-1764. DOI: 10.1017/S0033291713001955.
[24]
ChiangHL, ChenYJ, ShangCY, et al. Different neural substrates for executive functions in youths with ADHD: a diffusion spectrum imaging tractography study[J]. Psychol Med, 2016, 46(6): 1225-1238. DOI: 10.1017/S0033291715002767.
[25]
ChiangHL, HsuYC, ShangCY, et al. White matter endophenotype candidates for ADHD: a diffusion imaging tractography study with sibling design[J]. Psychol Med, 2020, 50(7): 1203-1213. DOI: 10.1017/S0033291719001120.
[26]
TsaiCJ, LinHY, TsengIW, et al. White matter microstructural integrity correlates of emotion dysregulation in children with ADHD: A diffusion imaging tractography study[J/OL]. Prog Neuropsychopharmacol Biol Psychiatry, 2021, 110 [2022-09-05]. https://www.sciencedirect.com/science/article/abs/pii/S0278584621000841. DOI: 10.1016/j.pnpbp.2021.110325.
[27]
WuCH, HwangTJ, ChenPJ, et al. Reduced structural integrity and functional lateralization of the dorsal language pathway correlate with hallucinations in schizophrenia: a combined diffusion spectrum imaging and functional magnetic resonance imaging study[J]. Psychiatry Res, 2014, 224(3): 303-310. DOI: 10.1016/j.pscychresns.2014.08.010.
[28]
LinYC, ShihYC, TsengWY, et al. Cingulum correlates of cognitive functions in patients with mild cognitive impairment and early Alzheimer's disease: a diffusion spectrum imaging study[J]. Brain Topogr, 2014, 27(3): 393-402. DOI: 10.1007/s10548-013-0346-2.
[29]
ChangYL, ChaoRY, HsuYC, et al. White matter network disruption and cognitive correlates underlying impaired memory awareness in mild cognitive impairment[J/OL]. Neuroimage Clin, 2021, 30 [2022-09-05]. https://www.sciencedirect.com/science/article/pii/S221315822100070X. DOI: 10.1016/j.nicl.2021.102626.
[30]
ZhangQ, XiaoY, LinL, et al. Diffusion spectrum imaging in white matter microstructure in subjects with type 2 diabetes[J/OL]. PLoS One, 2018, 13(11) [2022-09-05]. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0203271. DOI: 10.1371/journal.pone.0203271.
[31]
TsaiTH, SuHT, HsuYC, et al. White matter microstructural alterations in amblyopic adults revealed by diffusion spectrum imaging with systematic tract-based automatic analysis[J]. Br J Ophthalmol, 2019, 103(4): 511-516. DOI: 10.1136/bjophthalmol-2017-311733.
[32]
LiangL, LinH, LinF, et al. Quantitative visual pathway abnormalities predict visual field defects in patients with pituitary adenomas: a diffusion spectrum imaging study[J]. Eur Radiol, 2021, 31(11): 8187-8196. DOI: 10.1007/s00330-021-07878-x.
[33]
LeH, ZengW, ZhangH, 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/OL]. Front Aging Neurosci, 2020, 12 [2022-09-05]. https://doi.org/10.3389/fnagi.2020.563595. DOI: 10.3389/fnagi.2020.563595.
[34]
ChenHJ, ZhanC, CaiLM, et al. White matter microstructural impairments in amyotrophic lateral sclerosis: A mean apparent propagator MRI study[J/OL]. Neuroimage Clin, 2021, 32 [2022-09-05]. https://www.sciencedirect.com/science/article/pii/S2213158221003077. DOI: 10.1016/j.nicl.2021.102863.
[35]
WangNY, WangHS, LiuYC, et al. Investigating the white matter correlates of reading performance: Evidence from Chinese children with reading difficulties[J/OL]. PLoS One, 2021, 16(3) [2022-09-05]. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0248434. DOI: 10.1371/journal.pone.0248434.
[36]
FanLY, LoYC, HsuYC, et al. Developmental Differences of Structural Connectivity and Effective Connectivity in Semantic Judgments of Chinese Characters[J/OL]. Front Hum Neurosci, 2020, 14 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fnhum.2020.00233/full. DOI: 10.3389/fnhum.2020.00233.
[37]
ZhangZ, JiaX, GuanX, et al. White Matter Abnormalities of Auditory Neural Pathway in Sudden Sensorineural Hearing Loss Using Diffusion Spectrum Imaging: Different Findings From Tinnitus[J/OL]. Front Neurosci, 2020, 14 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fnins.2020.00200/full. DOI: 10.3389/fnins.2020.00200.
[38]
ZhangY, ZhangZ, JiaX, et al. Imaging Parameters of the Ipsilateral Medial Geniculate Body May Predict Prognosis of Patients with Idiopathic Unilateral Sudden Sensorineural Hearing Loss on the Basis of Diffusion Spectrum Imaging[J]. AJNR Am J Neuroradiol, 2021, 42(1): 152-159. DOI: 10.3174/ajnr.A6874.
[39]
WangYH, WangZM, WeiPH, et al. Lateralizing the affected side of hippocampal sclerosis with quantitative high angular resolution diffusion scalars: a preliminary approach validated by diffusion spectrum imaging[J/OL]. Ann Transl Med, 2021, 9(4) [2022-09-05]. https://atm.amegroups.com/article/view/62314/html. DOI: 10.21037/atm-20-5719.
[40]
MaK, ZhangX, ZhangH, et al. Mean apparent propagator-MRI: A new diffusion model which improves temporal lobe epilepsy lateralization[J/OL]. Eur J Radiol, 2020, 126 [2022-09-05]. https://www.ejradiology.com/article/S0720-048X(20)30103-0/fulltext. DOI: 10.1016/j.ejrad.2020.108914.
[41]
WangZM, WeiPH, ZhangM, et al. Diffusion spectrum imaging predicts hippocampal sclerosis in mesial temporal lobe epilepsy patients[J]. Ann Clin Transl Neurol, 2022, 9(3): 242-252. DOI: 10.1002/acn3.51503.
[42]
WeiPH, MaoZQ, CongF, et al. Connection between bilateral temporal regions: Tractography using human connectome data and diffusion spectrum imaging[J]. J Clin Neurosci, 2017, 39: 103-108. DOI: 10.1016/j.jocn.2017.01.012.
[43]
ZhangH, HeWJ, LiangLH, et al. Diffusion Spectrum Imaging of Corticospinal Tracts in Idiopathic Normal Pressure Hydrocephalus[J/OL]. Front Neurol, 2021, 12 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fneur.2021.636518/full. DOI: 10.3389/fneur.2021.636518.
[44]
YangX, LiH, HeW, et al. Quantification of changes in white matter tract fibers in idiopathic normal pressure hydrocephalus based on diffusion spectrum imaging[J/OL]. Eur J Radiol, 2022, 149 [2022-09-05]. https://www.ejradiology.com/article/S0720-048X(22)00044-4/fulltext. DOI: 10.1016/j.ejrad.2022.110194.
[45]
LuoSP, ChenFF, ZhangHW, et al. Trigeminal Nerve White Matter Fiber Abnormalities in Primary Trigeminal Neuralgia: A Diffusion Spectrum Imaging Study[J/OL]. Front Neurol, 2022, 12 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fneur.2021.798969/full. DOI: 10.3389/fneur.2021.798969.
[46]
MaoJ, ZengW, ZhangQ, et al. Differentiation between high-grade gliomas and solitary brain metastases: a comparison of five diffusion-weighted MRI models[J/OL]. BMC Med Imaging, 2020, 20(1) [2022-09-05]. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-020-00524-w. DOI: 10.1186/s12880-020-00524-w.
[47]
WangP, WengL, XieS, et al. Primary application of mean apparent propagator-MRI diffusion model in the grading of diffuse glioma[J/OL]. Eur J Radiol, 2021, 138 [2022-09-05]. https://www.ejradiology.com/article/S0720-048X(21)00102-9/fulltext. DOI: 10.1016/j.ejrad.2021.109622.
[48]
JiangR, JiangS, SongS, et al. Laplacian-Regularized Mean Apparent Propagator-MRI in Evaluating Corticospinal Tract Injury in Patients with Brain Glioma[J]. Korean J Radiol, 2021, 22(5): 759-769. DOI: 10.3348/kjr.2020.0949.
[49]
GaoA, ZhangH, YanX, et al. Whole-Tumor Histogram Analysis of Multiple Diffusion Metrics for Glioma Genotyping[J]. Radiology, 2022, 302(3): 652-661. DOI: 10.1148/radiol.210820.
[50]
MaoC, JiangW, HuangJ, et al. Quantitative Parameters of Diffusion Spectrum Imaging: HER2 Status Prediction in Patients With Breast Cancer[J/OL]. Front Oncol, 2022, 12 [2022-09-05]. https://www.frontiersin.org/articles/10.3389/fonc.2022.817070/full. DOI: 10.3389/fonc.2022.817070.
[51]
WedeenVJ, RoseneDL, WangR, et al. The geometric structure of the brain fiber pathways[J]. Science, 2012, 335(6076): 1628-1634. DOI: 10.1126/science.1215280.
[52]
Maier-HeinKH, NeherPF, HoudeJC, et al. The challenge of mapping the human connectome based on diffusion tractography[J/OL]. Nat Commun, 2017, 8(1) [2022-09-05]. https://www.nature.com/articles/s41467-017-01285-x. DOI: 10.1038/s41467-017-01285-x.
[53]
SarwarT, RamamohanaraoK, ZaleskyA. A critical review of connectome validation studies[J/OL]. NMR Biomed, 2021, 34(12) [2022-09-05]. https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/nbm.4605. DOI: 10.1002/nbm.4605.
 
 
展开/关闭提纲
查看图表详情
回到顶部
放大字体
缩小字体