阿爾茨海默病是最普遍的一種老年癡呆癥，目前尚無有效治療手段。通過早期診斷，經確診后進行臨床前的干預治療是目前認為最有效的手段，但相應的早期診斷方法依然有待研究。神經影像為大腦功能結構測量提供了便利，其中結構網絡反映了大腦不同皮層區域之間的纖維束結構連接模式，是大腦正常生理活動的基礎。本文基于大腦結構網絡，結合模式識別方法，提出了一種基于大腦結構網絡的阿爾茨海默病病變和灰質病變腦區自動診斷方法。該方法通過模式識別中的特征篩選，可得到阿爾茨海默病患者大腦皮層異常區域。本研究從網絡的節點和連接兩個方面分析了阿爾茨海默病大腦結構異常的空間分布模式，期望通過本文研究可為今后阿爾茨海默病病理機制的研究提供更新的線索。
引用本文： 趙欣, 吳瓊, 陳元園, 張雄, 倪紅艷, 明東. 基于阿爾茨海默病腦結構網絡的模式識別分析. 生物醫學工程學雜志, 2019, 36(1): 16-23. doi: 10.7507/1001-5515.201712066 復制
引言
阿爾茨海默病（Alzheimer’s disease，AD）是一種慢性神經退行性疾病，大腦腦區出現淀粉樣斑塊沉積以及白質纖維纏結，進而引起的灰質神經元缺失和白質纖維失連接是其主要的發病機制。隨著社會老齡化程度的加劇，與年齡高度相關的 AD 人群也快速增長。僅 2015 年，全球就有將近 1 000 萬的新增病例[1]。在早期的研究中，需要對患者尸體大腦結構進行解剖性分析才能夠確診 AD[1-2]。因而如果能在 AD 病情惡化之前，甚至于 AD 發病的早期進行準確診斷，就可提前實施有效預防措施，有利于患者病情的緩解或治療。傳統磁共振成像（magnetic resonance imaging，MRI）只能對宏觀形態學結構進行檢測，對于神經纖維這些組織微觀結構無法進行有效檢測[3]。而大腦是一個具有復雜結構連接的網絡系統，從結構網絡的角度對 AD 進行診斷研究具有十分重要的意義。
基于白質纖維束的連接是構建結構網絡的基礎，在 AD 的研究中，白質纖維束的改變是一個重要的特征。擴散磁共振成像（diffusion magnetic resonance imaging，dMRI）能夠反映出組織中水分子的擴散規律，從而或可檢出傳統 MRI 所不能檢測到的微觀結構信息[4]。擴散張量成像（diffusion tensor imaging，DTI）是其中最主要的一種方法，可以有效地進行大腦白質纖維的檢測[4]。以 dMRI 為基礎對 AD 診斷的創新研究也層出不窮。文獻[5]提出，利用纖維網絡追蹤提取不同腦區之間的纖維連接作為大腦特征，即建立白質網絡來研究 AD 患者的大腦特性。文獻[6]在基于 DTI 纖維追蹤構建 AD 大腦網絡之外，又提出了基于流的網絡連接的構建和分析。有研究者以 AD 患者的 DTI 數據為研究對象，發現早期 AD 患者大腦白質連接發生了變異現象，主要分布在后扣帶回、胼胝體、顳葉、頂骨葉等腦區，并發現這種白質異常受損現象的出現要早于灰質神經元數量的減退[7]。
近年來，基于支持向量機（support vector machine，SVM）的機器學習算法在醫學影像診斷中的應用越來越多。文獻[8]利用貝葉斯分類器與 SVM 對 AD 患者組和健康對照（normal control，NC）組進行分類建模。對比過后，得出 SVM 具有更高的準確率。SVM 是一種學習如何將標簽分配給分類對象的模式識別算法，現已成功地應用于神經科學領域。它能夠實現對多特征的聯合分析，以及對目標的建模和識別。文獻[9]將從解剖圖像提取的大腦灰質萎縮特征與 DTI 的各向異性值結合起來作為特征參數，利用 SVM 對輕度認知障礙（mild cognitive impairment，MCI）及 NC 組共兩組樣本進行分類訓練建模，以實現 AD 的早期診斷。以上研究說明，基于 SVM 并結合灰質特征與白質特征，能夠實現對 AD 更準確的診斷。但是，現有的灰白質特征聯合分析，并沒有建立起灰白質之間的聯系，特別是忽略了結構網絡的特征。
本文基于模式識別算法，提出了一種研究 AD 大腦結構損傷空間模式的新方法。該方法能夠通過結構網絡的結構連接特征分析，反映灰質皮層的病理改變。該方法通過構建大腦的結構網絡，采用 SVM 模式識別算法進行特征篩選并對 AD 患者的患病腦區自動識別。通過大腦灰質節點和白質連接的異常信息，以及異常的分布規律，共同揭示與 AD 病理發生發展模式吻合的機制。通過該方法，研究大腦結構網絡的白質連接異常與灰質異常的一致性，本文這一研究對于 AD 的發病以及發展機制探索奠定了一定的基礎。
1 材料與方法
1.1 試驗對象
本研究內容由天津市第一中心醫院倫理委員會審查通過，并已確保受試者和家屬的知情權。本研究從天津市第一中心醫院放射科采集 AD 患者數據并招募年齡匹配的 NC 組數據，并對受試者進行基本信息和臨床病史的詢問以及精神學量表的測試。本研究所用到的精神量表包括臨床癡呆分級（clinical dementia rating，CDR）（符號記為：CDR）、簡易智能量表（mini-mental state examination，MMSE）（符號記為：MMSE）、蒙特利爾認知評估（montreal cognitive assessment，MOCA）（符號記為：MOCA）、漢密爾頓抑郁量表（Hamilton depression scale，HAMD）（符號記為：HAMD）以及漢密爾頓焦慮量表（Hamilton anxiety scale，HAMA）（符號記為：HAMA）等。其中，HAMD 和 HAMA 分別用來對抑郁和焦慮患者進行排除。同時，本研究用缺血指數（Hachinski）來診斷和排除混合型以及血管性的癡呆患者。
受試對象入組的標準為：AD 患者首先要求符合美國國立神經病、語言交流障礙和卒中研究所—老年性癡呆及相關疾病學會（the national institute of neurology，speech communication disorders and stroke-Alzheimer's disease and related diseases society，NINCDS-ADRDA）的診斷標準，并且符合：CDR ≥ 1 分，18 分 ≤ MMSE < 24 分，MOCA < 26 分，HAMD < 7 分，HAMA < 6 分，缺血指數 < 4 分。同時，NC 組入組標準為：CDR = 0 分，MMSE ≥ 27 分，MOCA ≥ 26 分，HAMD < 7 分，HAMA < 6 分，缺血指數 < 4 分。
受試者均為右利手，沒有頭部外傷，也沒有神經性精神疾病史；同時，所有受試者大腦在常規核磁共振序列中也并沒有發現異常現象。本研究采集的所有樣本數據除去分類有異議和數據不全樣本，最終獲得一共 60 人的樣本集；其中 AD 組 29 人，NC 組 31 人，受試者的信息如表 1 所示。
表1
受試者信息統計
Table1.
Basic information of subjects
1.2 數據采集
所有數據使用西門子 3.0 T 成像系統（Siemens Trio + Tim，德國）及 32 通道頭線圈進行采集。主要包括 DTI 數據和高分辨解剖（T1）圖像數據。DTI 采用單次激發自旋回波—平面回波序列（single shot spin echo-echo planar imaging，SE-EPI），掃描層面與前后連合線平行。取兩個擴散敏感因子 b 值：參考基準 b = 0 和 b = 1 000 s/mm2，設置擴散梯度方向 30 個，重復時間（repetition time，TR）（符號記為：TR）/回波時間（echo time，TE）（符號記為：TE）= 10 500 ms/110 ms；視野（field of view，FOV）（符號記為：FOV）= 230 mm × 230 mm；體素 = 2.0 mm × 2.0 mm × 2.0 mm；矩陣 = 128 × 128；掃描層數 = 45；DTI 序列的掃描時間是 6 min。高分辨 T1 圖像采用三維磁化準備快速梯度回波（three-dimensional magnetization prepared rapid acquisition gradient echo，3D MP-RAGE）序列來采集，一共含有 176 層，TR/TE = 1 900 ms/2.5 ms，翻轉角度是 9°，層厚為 1.0 mm，體素大小為 1.0 mm × 1.0 mm × 1.0 mm，矩陣為 256 × 256，FOV = 256 mm × 256 mm，掃描時間約 5 min。
1.3 圖像處理
利用 FMRIB （software library，FSL）軟件包（Linux，英國）對所采集的 DTI 和 T1 圖像數據進行預處理。首先，采用 FSL 5.0 對數據進行渦流矯正和頭動偽影矯正，同時采用剝腦（BET brain extraction）模塊進行剝腦處理，即去掉大腦以外的其它非腦組織區域。最后得到 DTI 評價大腦微結構的參數：平均擴散系數（mean diffusivity，MD），各向異性分數（fractional anisotropy，FA）（符號記為：FA）以及用于纖維追蹤的擴散張量，如圖 1 所示第 4 步。
圖1
腦結構網絡構建流程圖
Figure1.
The flow chart of brain structure network construction
如圖 1 所示，第 1、2 步是空間標準化的過程。首先利用自定義 T1 模式成像降低圖像配準和模板選擇偏差可能帶來的誤差。具體包括兩個步驟：① 將每一個結構 MRI 進行以蒙特利爾神經病學研究所（Montreal neurological institute，MNI）ICBM152 模板為標準的空間標準化，所用方法為 12 個參數的仿射變換。② 用 8 mm 全寬的半最大化高斯內核對 T1 加權成像進行平均和平滑處理，創建自定義模板。接下來以歸一化互信息作為成本函數對 T1 加權成像和無擴散核磁成像進行圖像融合。并利用 12 個參數的仿射變換和非線性彎配準融合過的 T1 加權成像轉換到自定義 T1 模板的立體定位空間中。將提取的空間變換參數反轉，同時利用近鄰取樣插入法將自動解剖標定（automated anatomical labeling，AAL）模板從 MNI 空間中逆變換到擴散圖像原始空間中，如圖 1 所示第 3 步。同時，計算第 3 步中變換到個體空間中 AAL 模板每個分區的體積，并提取相應分區內體素的平均 MD 值。
1.4 結構網絡構建
用 AAL 模板把整個大腦的灰質區域劃標定成 90 個解剖區域，即結構網絡的 90 個節點，左右兩個對稱的大腦半球各有 45 個區域（如圖 1 所示第 3 步）。為了確認節點之間邊的信息，提取并處理 DTI 數據以得到重建結果，需要采用擴散磁共振數據流水線處理軟件 PANDA 1.31（PANDA，中國）的纖維追蹤與網絡構建功能，進行基于 DTI 數據的全腦纖維追蹤，并基于纖維跟蹤的結果得到結構連接網絡。纖維追蹤是在纖維構建的過程中計算每一個體素的確定性纖維方向，最后重新構建出三維白質纖維連接的空間軌跡和分布（如圖 1 所示第 5 步）。纖維追蹤的過程為：把每個體素視為一個種子點，從中心出發，當體素對應的 FA 值小于 0.1 或者空間角度變化大于 60 度時，停止追蹤，否則繼續追蹤。對任意兩個大腦分區，纖維兩端的體素若分別處于這兩個腦區中，那么認為這兩個腦區由該纖維所連接，而且不同腦區之間的纖維連接數量（fiber number，FN）（符號記為：FN）不同，它反映了結構連接的強度。FA 值也是評估纖維完整性的重要參數，它與大腦的傳導性有高度的一致性。FA 的值越大，那么兩個腦區間的連接強度也就越大（如圖 1 所示第 6 步）。
進行確定性纖維追蹤與確定性網絡構建后即可得到 2 個加權連接矩陣：FA 加權矩陣和 FN 加權矩陣。這些矩陣的每行或者每列均代表某一個節點，行列對應即構成兩個節點之間的連接。FN 矩陣和 FA 矩陣所對應的值分別代表著兩對節點間的纖維連接數量和所連接纖維經過所有體素的平均 FA 值。當 FN ≥ 1 且 FA ≥ 0.15 時，則認為此連接存在，反之則認為不存在連接，由此可構建二值化的連接網絡。如圖 2 所示，展示了兩組受試者在組水平下的二值化結構網絡。用皮質區域之間結構連接的平均 FA 值和平均 FN 值來判別有效結構連接，當 FN 值相同時，連接的強度則由 FA 值決定。
圖2
組水平的結構網絡
Figure2.
The structure network on group level
1.5 模式識別分析
如圖 3 所示，模式識別過程采用基于 SVM 的網狀交叉驗證（nested cross validation，nested CV），即包括內（inner CV）、外（outer CV）兩個交叉驗證嵌套環節，inner CV 的主要目的是 SVM 的核函數參數優化，outer CV 的目的是測試。交叉驗證均采用留一法，將其中一個受試者作為測試集，其余樣本作為訓練集。訓練集首先通過 SVM 的遞歸特征篩選算法（SVM-recursive feature elimination，SVM-RFE）基于特征對于分類貢獻大小進行排序。然后從最高開始，依次選擇不同維度的特征子集，用 SVM 建立分類器并通過留一法交叉驗證得到該特征子集下的訓練樣本集的分類正確率。這里嵌套一個梯度循環，尋找最優的 SVM 分類器參數，確保分類器的最佳性能。在所有特征子集分類正確率的結果上，選擇具有最高正確率（若具有多個最高正確率，取最少特征維度）的子集作為最優特征子集，相應的分類器為最優分類器。得到最優分類器之后，用它對測試集進行預測，得到相應的測試正確率。循環以上過程，直到每個樣本都被測試過。最后將所有循環得到的訓練正確率和測試正確率取均值作為最終的訓練/測試正確率。同時，對所有循環得到的最優特征集進行計數統計，得到每個特征的計數總和，除以特征數量，得到歸一化的權值。
圖3
模式識別流程圖
Figure3.
The flow chart of pattern recognition
2 結果
2.1 基于圖論的分析
采用 FA × FN 的值作為連接的權值，對網絡矩陣進行評估，提取網絡節點的參數：節點度（degree）［符號記為：CD（i）］、節點強度（strength）［符號記為：CS（i）］、節點效率（efficiency）［符號記為：Elocal（i）］、節點中介中心度（betweenness）［符號記為：CB（i）］的組水平等級來識別定義一個網絡的核心節點。計算公式如式（1）～式（3）所示：
 |
 |
其中，i 代表第 i 個節點，Aij 和 Sij 分別代表二值化網絡和加權網絡的連接節點 i 和節點 j 的邊。
 |
其中，Gi 代表由與節點 i 直接相連的其它節點構成的子網絡，NGi 則代表子網絡 Gi 內節點總數，Lj，k 代表節點 j 與節點 k 之間的最短路徑。節點 i 的中介中心度 CB（i），需要計算連接節點 j 和 h 的最短路徑經過 i 的比例，如式（4）所示：
 |
通過四個節點參數之和的排序，取高于組內均值以上一個標準差的節點作為組水平網絡的核心節點[10]。之所以用該方法來定義中樞節點是由于無法利用單一參數來確定中樞節點，例如：一個高中心度的節點可能會具有較低的連接強度或者較小的中介中心度。以多個參數為基礎對節點進行等級評分的方法則更加可靠準確。
如圖 4 所示，其中紅球代表核心節點，藍球代表其它一般節點，球的直徑大小代表該節點成為核心節點的相對程度，直徑越大表示更重要的核心節點地位。在選定一定閾值后，兩種不同方法（基于灰質特征分析、基于白質特征分析）得到的核心節點具有高度的一致性。同時也明顯看到 AD 患者結構網絡確存在有中樞節點缺失的現象，具體有：枕中回、顳下回、頂上回、背外側額上回以及內側額上回等中樞節點，主要分布于前額葉區和頂葉區，如表 2 所示。
表2
高得分的節點
Table2.
High-weighted nodes
圖4
核心節點分布
Figure4.
The distribution of hub nodes
2.2 網絡節點的模式識別分析
基于節點特征（MD 和灰質體積）得到的訓練和測試正確率分別為：93.34% 和 88.33%。如圖 5 所示，給出了對最優特征統計得到的 90 個節點的投票得分權值（節點半徑大小），節點半徑越大則權值越高（得分越高），表示該節點對分類具有更重要的作用。如表 2 中第 2 行所示，給出了高得分節點（大于均值加標準差）。
圖5
模式識別的特征優化結果
Figure5.
The weighted scores of optimized features from pattern recognition
2.3 網絡連接的模式識別分析
基于連接特征（FN 和 FA）得到的訓練和測試正確率分別為：98.19% 和 83.34%。統計最優特征集對所有的連接進行投標，如圖 5 所示，以其分值作為連接的權值，其權值大小即對分類的重要性。連接受損區域主要集中在額葉和顳葉內部，以及腦區之間的長連接上。通過此網絡連接分析得到的加權網絡，可計算相應的表征腦區或節點異常情況的核心節點，如表 2 中第 3 行所示。
3 討論
AD 的自動診斷技術一直是研究的熱點，無論是對其病理進行研究還是對疾病的早期診斷都有重要的意義。本文提出的基于腦結構網絡來分析大腦灰質區域的方法，訓練正確率和測試正確率的結果均可以達到 80% 以上，表現較好。但是基于網絡連接的訓練正確率和測試正確率的差更大，說明基于網絡連接特征的模型很可能出現了一定程度的過擬合。一種可能的原因是網絡連接的特征維度遠大于節點的特征維度，也同時大于樣本的數量。但是兩種特征集的訓練、測試正確率都達到了一定水平，而且網絡所具有的復雜的二值化和加權連接模式更加能反映結構異常的信息，也側面印證了 AD 引起大腦結構的變化不僅限于灰質皮層，反而白質異常可能占據更重要的地位。事實上結構連接已經作為 AD 診斷強有力的生物標記，例如：前扣帶和旁扣帶腦回與楔前葉、中央旁小葉和補充運動區、眶內額上回和回直肌、顳上回和眶內額上回等纖維連接[11-12]。
大腦結構網絡是大腦信息傳遞溝通的載體，其連接模式體現在節點上，反映著節點的重要性。占據核心地位的節點也叫樞紐節點，對網絡的正常運轉起主導作用。一旦核心節點發生異常，則會引起嚴重的影響。如圖 4 所示，能看到 AD 組的額葉、頂葉和枕葉的核心節點發生異常，而這些區域也是報道最多的 AD 患者大腦異常區域[13]。采用基于節點（皮層分區）特征的分析方法能夠獲得與大腦解剖區域直接對應的異常信息，利于病理生理的理解。本文采用節點特征的模式識別和特征篩選，得到異常的灰質區域，如表 2 中第 2 行所示，其中海馬、枕下回、顳下回等都是重要的結構網絡核心節點區域[14]。但是基于節點特征（MD 和灰質體積）的分析僅僅是節點解剖區域的微結構特征，并未考慮到網絡結構信息。而結構網絡的連接模式信息對大腦的正常運作十分重要，對疾病的異常也十分敏感[6, 11-15]。
以結構連接特征進行模式識別和特征篩選，得到的異常連接反映了 AD 相關的纖維失連接狀況。纖維失連接在 AD 患者的大腦中普遍存在，而且以長連接先發生異常為特點。如圖 5 所示，網絡間的結構連接普遍存在異常，而且顳葉、額葉網絡內的連接也發生明顯異常。而通過分析異常連接高度相連的節點（如表 2 所示），發現這些節點與核心節點以及灰質異常的節點有著一致性。例如顳下回、枕上回和背外側額上回等。這說明白質纖維失連接與其灰質結構異常存在一定的關聯性，或者存在某種程度的并發性[15-17]。同時，其結果的不一致性，也說明了方法的差異和優勢。基于異常連接的分析是通過失連接分布模式分析得到灰質的異常區域，而節點分析是直接獲取灰質皮層的結構特征，如體積信息和平均擴散特征。而且如表 2 中第 3 行所示，異常連接反映的異常腦區更多地集中在顳葉和額葉上，這些區域是 AD 早期病變的高發區域，具有較強的早期診斷價值[16-18]。
本文基于結構網絡連接特征的模式識別的方法分析灰質異常區域，其結果證實優于直接分析灰質特征的方法，更有助于 AD 疾病的早期診斷研究。同時本文通過比較節點和連接的分析結果，證實了 AD 患者大腦中結構失連接的空間分布與灰質結構的改變存在內在聯系，這為病理機制的研究提供了重要依據，更進一步顯示了基于結構連接的模式分析在早期病理及診斷中的潛力。今后的研究可采用更加精確的結構網絡檢測和構建方法，例如：高角度分辨率擴散成像（high angular resolution diffusion imaging，HARDI）或者擴散譜成像（diffusion spectrum imaging，DSI）等進行 AD 以及早期 AD 結構網絡的模式識別分析，或許能得到更有價值的結果。
引言
阿爾茨海默病（Alzheimer’s disease，AD）是一種慢性神經退行性疾病，大腦腦區出現淀粉樣斑塊沉積以及白質纖維纏結，進而引起的灰質神經元缺失和白質纖維失連接是其主要的發病機制。隨著社會老齡化程度的加劇，與年齡高度相關的 AD 人群也快速增長。僅 2015 年，全球就有將近 1 000 萬的新增病例[1]。在早期的研究中，需要對患者尸體大腦結構進行解剖性分析才能夠確診 AD[1-2]。因而如果能在 AD 病情惡化之前，甚至于 AD 發病的早期進行準確診斷，就可提前實施有效預防措施，有利于患者病情的緩解或治療。傳統磁共振成像（magnetic resonance imaging，MRI）只能對宏觀形態學結構進行檢測，對于神經纖維這些組織微觀結構無法進行有效檢測[3]。而大腦是一個具有復雜結構連接的網絡系統，從結構網絡的角度對 AD 進行診斷研究具有十分重要的意義。
基于白質纖維束的連接是構建結構網絡的基礎，在 AD 的研究中，白質纖維束的改變是一個重要的特征。擴散磁共振成像（diffusion magnetic resonance imaging，dMRI）能夠反映出組織中水分子的擴散規律，從而或可檢出傳統 MRI 所不能檢測到的微觀結構信息[4]。擴散張量成像（diffusion tensor imaging，DTI）是其中最主要的一種方法，可以有效地進行大腦白質纖維的檢測[4]。以 dMRI 為基礎對 AD 診斷的創新研究也層出不窮。文獻[5]提出，利用纖維網絡追蹤提取不同腦區之間的纖維連接作為大腦特征，即建立白質網絡來研究 AD 患者的大腦特性。文獻[6]在基于 DTI 纖維追蹤構建 AD 大腦網絡之外，又提出了基于流的網絡連接的構建和分析。有研究者以 AD 患者的 DTI 數據為研究對象，發現早期 AD 患者大腦白質連接發生了變異現象，主要分布在后扣帶回、胼胝體、顳葉、頂骨葉等腦區，并發現這種白質異常受損現象的出現要早于灰質神經元數量的減退[7]。
近年來，基于支持向量機（support vector machine，SVM）的機器學習算法在醫學影像診斷中的應用越來越多。文獻[8]利用貝葉斯分類器與 SVM 對 AD 患者組和健康對照（normal control，NC）組進行分類建模。對比過后，得出 SVM 具有更高的準確率。SVM 是一種學習如何將標簽分配給分類對象的模式識別算法，現已成功地應用于神經科學領域。它能夠實現對多特征的聯合分析，以及對目標的建模和識別。文獻[9]將從解剖圖像提取的大腦灰質萎縮特征與 DTI 的各向異性值結合起來作為特征參數，利用 SVM 對輕度認知障礙（mild cognitive impairment，MCI）及 NC 組共兩組樣本進行分類訓練建模，以實現 AD 的早期診斷。以上研究說明，基于 SVM 并結合灰質特征與白質特征，能夠實現對 AD 更準確的診斷。但是，現有的灰白質特征聯合分析，并沒有建立起灰白質之間的聯系，特別是忽略了結構網絡的特征。
本文基于模式識別算法，提出了一種研究 AD 大腦結構損傷空間模式的新方法。該方法能夠通過結構網絡的結構連接特征分析，反映灰質皮層的病理改變。該方法通過構建大腦的結構網絡，采用 SVM 模式識別算法進行特征篩選并對 AD 患者的患病腦區自動識別。通過大腦灰質節點和白質連接的異常信息，以及異常的分布規律，共同揭示與 AD 病理發生發展模式吻合的機制。通過該方法，研究大腦結構網絡的白質連接異常與灰質異常的一致性，本文這一研究對于 AD 的發病以及發展機制探索奠定了一定的基礎。
1 材料與方法
1.1 試驗對象
本研究內容由天津市第一中心醫院倫理委員會審查通過，并已確保受試者和家屬的知情權。本研究從天津市第一中心醫院放射科采集 AD 患者數據并招募年齡匹配的 NC 組數據，并對受試者進行基本信息和臨床病史的詢問以及精神學量表的測試。本研究所用到的精神量表包括臨床癡呆分級（clinical dementia rating，CDR）（符號記為：CDR）、簡易智能量表（mini-mental state examination，MMSE）（符號記為：MMSE）、蒙特利爾認知評估（montreal cognitive assessment，MOCA）（符號記為：MOCA）、漢密爾頓抑郁量表（Hamilton depression scale，HAMD）（符號記為：HAMD）以及漢密爾頓焦慮量表（Hamilton anxiety scale，HAMA）（符號記為：HAMA）等。其中，HAMD 和 HAMA 分別用來對抑郁和焦慮患者進行排除。同時，本研究用缺血指數（Hachinski）來診斷和排除混合型以及血管性的癡呆患者。
受試對象入組的標準為：AD 患者首先要求符合美國國立神經病、語言交流障礙和卒中研究所—老年性癡呆及相關疾病學會（the national institute of neurology，speech communication disorders and stroke-Alzheimer's disease and related diseases society，NINCDS-ADRDA）的診斷標準，并且符合：CDR ≥ 1 分，18 分 ≤ MMSE < 24 分，MOCA < 26 分，HAMD < 7 分，HAMA < 6 分，缺血指數 < 4 分。同時，NC 組入組標準為：CDR = 0 分，MMSE ≥ 27 分，MOCA ≥ 26 分，HAMD < 7 分，HAMA < 6 分，缺血指數 < 4 分。
受試者均為右利手，沒有頭部外傷，也沒有神經性精神疾病史；同時，所有受試者大腦在常規核磁共振序列中也并沒有發現異常現象。本研究采集的所有樣本數據除去分類有異議和數據不全樣本，最終獲得一共 60 人的樣本集；其中 AD 組 29 人，NC 組 31 人，受試者的信息如表 1 所示。
表1
受試者信息統計
Table1.
Basic information of subjects
1.2 數據采集
所有數據使用西門子 3.0 T 成像系統（Siemens Trio + Tim，德國）及 32 通道頭線圈進行采集。主要包括 DTI 數據和高分辨解剖（T1）圖像數據。DTI 采用單次激發自旋回波—平面回波序列（single shot spin echo-echo planar imaging，SE-EPI），掃描層面與前后連合線平行。取兩個擴散敏感因子 b 值：參考基準 b = 0 和 b = 1 000 s/mm2，設置擴散梯度方向 30 個，重復時間（repetition time，TR）（符號記為：TR）/回波時間（echo time，TE）（符號記為：TE）= 10 500 ms/110 ms；視野（field of view，FOV）（符號記為：FOV）= 230 mm × 230 mm；體素 = 2.0 mm × 2.0 mm × 2.0 mm；矩陣 = 128 × 128；掃描層數 = 45；DTI 序列的掃描時間是 6 min。高分辨 T1 圖像采用三維磁化準備快速梯度回波（three-dimensional magnetization prepared rapid acquisition gradient echo，3D MP-RAGE）序列來采集，一共含有 176 層，TR/TE = 1 900 ms/2.5 ms，翻轉角度是 9°，層厚為 1.0 mm，體素大小為 1.0 mm × 1.0 mm × 1.0 mm，矩陣為 256 × 256，FOV = 256 mm × 256 mm，掃描時間約 5 min。
1.3 圖像處理
利用 FMRIB （software library，FSL）軟件包（Linux，英國）對所采集的 DTI 和 T1 圖像數據進行預處理。首先，采用 FSL 5.0 對數據進行渦流矯正和頭動偽影矯正，同時采用剝腦（BET brain extraction）模塊進行剝腦處理，即去掉大腦以外的其它非腦組織區域。最后得到 DTI 評價大腦微結構的參數：平均擴散系數（mean diffusivity，MD），各向異性分數（fractional anisotropy，FA）（符號記為：FA）以及用于纖維追蹤的擴散張量，如圖 1 所示第 4 步。
圖1
腦結構網絡構建流程圖
Figure1.
The flow chart of brain structure network construction
如圖 1 所示，第 1、2 步是空間標準化的過程。首先利用自定義 T1 模式成像降低圖像配準和模板選擇偏差可能帶來的誤差。具體包括兩個步驟：① 將每一個結構 MRI 進行以蒙特利爾神經病學研究所（Montreal neurological institute，MNI）ICBM152 模板為標準的空間標準化，所用方法為 12 個參數的仿射變換。② 用 8 mm 全寬的半最大化高斯內核對 T1 加權成像進行平均和平滑處理，創建自定義模板。接下來以歸一化互信息作為成本函數對 T1 加權成像和無擴散核磁成像進行圖像融合。并利用 12 個參數的仿射變換和非線性彎配準融合過的 T1 加權成像轉換到自定義 T1 模板的立體定位空間中。將提取的空間變換參數反轉，同時利用近鄰取樣插入法將自動解剖標定（automated anatomical labeling，AAL）模板從 MNI 空間中逆變換到擴散圖像原始空間中，如圖 1 所示第 3 步。同時，計算第 3 步中變換到個體空間中 AAL 模板每個分區的體積，并提取相應分區內體素的平均 MD 值。
1.4 結構網絡構建
用 AAL 模板把整個大腦的灰質區域劃標定成 90 個解剖區域，即結構網絡的 90 個節點，左右兩個對稱的大腦半球各有 45 個區域（如圖 1 所示第 3 步）。為了確認節點之間邊的信息，提取并處理 DTI 數據以得到重建結果，需要采用擴散磁共振數據流水線處理軟件 PANDA 1.31（PANDA，中國）的纖維追蹤與網絡構建功能，進行基于 DTI 數據的全腦纖維追蹤，并基于纖維跟蹤的結果得到結構連接網絡。纖維追蹤是在纖維構建的過程中計算每一個體素的確定性纖維方向，最后重新構建出三維白質纖維連接的空間軌跡和分布（如圖 1 所示第 5 步）。纖維追蹤的過程為：把每個體素視為一個種子點，從中心出發，當體素對應的 FA 值小于 0.1 或者空間角度變化大于 60 度時，停止追蹤，否則繼續追蹤。對任意兩個大腦分區，纖維兩端的體素若分別處于這兩個腦區中，那么認為這兩個腦區由該纖維所連接，而且不同腦區之間的纖維連接數量（fiber number，FN）（符號記為：FN）不同，它反映了結構連接的強度。FA 值也是評估纖維完整性的重要參數，它與大腦的傳導性有高度的一致性。FA 的值越大，那么兩個腦區間的連接強度也就越大（如圖 1 所示第 6 步）。
進行確定性纖維追蹤與確定性網絡構建后即可得到 2 個加權連接矩陣：FA 加權矩陣和 FN 加權矩陣。這些矩陣的每行或者每列均代表某一個節點，行列對應即構成兩個節點之間的連接。FN 矩陣和 FA 矩陣所對應的值分別代表著兩對節點間的纖維連接數量和所連接纖維經過所有體素的平均 FA 值。當 FN ≥ 1 且 FA ≥ 0.15 時，則認為此連接存在，反之則認為不存在連接，由此可構建二值化的連接網絡。如圖 2 所示，展示了兩組受試者在組水平下的二值化結構網絡。用皮質區域之間結構連接的平均 FA 值和平均 FN 值來判別有效結構連接，當 FN 值相同時，連接的強度則由 FA 值決定。
圖2
組水平的結構網絡
Figure2.
The structure network on group level
1.5 模式識別分析
如圖 3 所示，模式識別過程采用基于 SVM 的網狀交叉驗證（nested cross validation，nested CV），即包括內（inner CV）、外（outer CV）兩個交叉驗證嵌套環節，inner CV 的主要目的是 SVM 的核函數參數優化，outer CV 的目的是測試。交叉驗證均采用留一法，將其中一個受試者作為測試集，其余樣本作為訓練集。訓練集首先通過 SVM 的遞歸特征篩選算法（SVM-recursive feature elimination，SVM-RFE）基于特征對于分類貢獻大小進行排序。然后從最高開始，依次選擇不同維度的特征子集，用 SVM 建立分類器并通過留一法交叉驗證得到該特征子集下的訓練樣本集的分類正確率。這里嵌套一個梯度循環，尋找最優的 SVM 分類器參數，確保分類器的最佳性能。在所有特征子集分類正確率的結果上，選擇具有最高正確率（若具有多個最高正確率，取最少特征維度）的子集作為最優特征子集，相應的分類器為最優分類器。得到最優分類器之后，用它對測試集進行預測，得到相應的測試正確率。循環以上過程，直到每個樣本都被測試過。最后將所有循環得到的訓練正確率和測試正確率取均值作為最終的訓練/測試正確率。同時，對所有循環得到的最優特征集進行計數統計，得到每個特征的計數總和，除以特征數量，得到歸一化的權值。
圖3
模式識別流程圖
Figure3.
The flow chart of pattern recognition
2 結果
2.1 基于圖論的分析
采用 FA × FN 的值作為連接的權值，對網絡矩陣進行評估，提取網絡節點的參數：節點度（degree）［符號記為：CD（i）］、節點強度（strength）［符號記為：CS（i）］、節點效率（efficiency）［符號記為：Elocal（i）］、節點中介中心度（betweenness）［符號記為：CB（i）］的組水平等級來識別定義一個網絡的核心節點。計算公式如式（1）～式（3）所示：
|
|
其中，i 代表第 i 個節點，Aij 和 Sij 分別代表二值化網絡和加權網絡的連接節點 i 和節點 j 的邊。
|
其中，Gi 代表由與節點 i 直接相連的其它節點構成的子網絡，NGi 則代表子網絡 Gi 內節點總數，Lj，k 代表節點 j 與節點 k 之間的最短路徑。節點 i 的中介中心度 CB（i），需要計算連接節點 j 和 h 的最短路徑經過 i 的比例，如式（4）所示：
|
通過四個節點參數之和的排序，取高于組內均值以上一個標準差的節點作為組水平網絡的核心節點[10]。之所以用該方法來定義中樞節點是由于無法利用單一參數來確定中樞節點，例如：一個高中心度的節點可能會具有較低的連接強度或者較小的中介中心度。以多個參數為基礎對節點進行等級評分的方法則更加可靠準確。
如圖 4 所示，其中紅球代表核心節點，藍球代表其它一般節點，球的直徑大小代表該節點成為核心節點的相對程度，直徑越大表示更重要的核心節點地位。在選定一定閾值后，兩種不同方法（基于灰質特征分析、基于白質特征分析）得到的核心節點具有高度的一致性。同時也明顯看到 AD 患者結構網絡確存在有中樞節點缺失的現象，具體有：枕中回、顳下回、頂上回、背外側額上回以及內側額上回等中樞節點，主要分布于前額葉區和頂葉區，如表 2 所示。
表2
高得分的節點
Table2.
High-weighted nodes
圖4
核心節點分布
Figure4.
The distribution of hub nodes
2.2 網絡節點的模式識別分析
基于節點特征（MD 和灰質體積）得到的訓練和測試正確率分別為：93.34% 和 88.33%。如圖 5 所示，給出了對最優特征統計得到的 90 個節點的投票得分權值（節點半徑大小），節點半徑越大則權值越高（得分越高），表示該節點對分類具有更重要的作用。如表 2 中第 2 行所示，給出了高得分節點（大于均值加標準差）。
圖5
模式識別的特征優化結果
Figure5.
The weighted scores of optimized features from pattern recognition
2.3 網絡連接的模式識別分析
基于連接特征（FN 和 FA）得到的訓練和測試正確率分別為：98.19% 和 83.34%。統計最優特征集對所有的連接進行投標，如圖 5 所示，以其分值作為連接的權值，其權值大小即對分類的重要性。連接受損區域主要集中在額葉和顳葉內部，以及腦區之間的長連接上。通過此網絡連接分析得到的加權網絡，可計算相應的表征腦區或節點異常情況的核心節點，如表 2 中第 3 行所示。
3 討論
AD 的自動診斷技術一直是研究的熱點，無論是對其病理進行研究還是對疾病的早期診斷都有重要的意義。本文提出的基于腦結構網絡來分析大腦灰質區域的方法，訓練正確率和測試正確率的結果均可以達到 80% 以上，表現較好。但是基于網絡連接的訓練正確率和測試正確率的差更大，說明基于網絡連接特征的模型很可能出現了一定程度的過擬合。一種可能的原因是網絡連接的特征維度遠大于節點的特征維度，也同時大于樣本的數量。但是兩種特征集的訓練、測試正確率都達到了一定水平，而且網絡所具有的復雜的二值化和加權連接模式更加能反映結構異常的信息，也側面印證了 AD 引起大腦結構的變化不僅限于灰質皮層，反而白質異常可能占據更重要的地位。事實上結構連接已經作為 AD 診斷強有力的生物標記，例如：前扣帶和旁扣帶腦回與楔前葉、中央旁小葉和補充運動區、眶內額上回和回直肌、顳上回和眶內額上回等纖維連接[11-12]。
大腦結構網絡是大腦信息傳遞溝通的載體，其連接模式體現在節點上，反映著節點的重要性。占據核心地位的節點也叫樞紐節點，對網絡的正常運轉起主導作用。一旦核心節點發生異常，則會引起嚴重的影響。如圖 4 所示，能看到 AD 組的額葉、頂葉和枕葉的核心節點發生異常，而這些區域也是報道最多的 AD 患者大腦異常區域[13]。采用基于節點（皮層分區）特征的分析方法能夠獲得與大腦解剖區域直接對應的異常信息，利于病理生理的理解。本文采用節點特征的模式識別和特征篩選，得到異常的灰質區域，如表 2 中第 2 行所示，其中海馬、枕下回、顳下回等都是重要的結構網絡核心節點區域[14]。但是基于節點特征（MD 和灰質體積）的分析僅僅是節點解剖區域的微結構特征，并未考慮到網絡結構信息。而結構網絡的連接模式信息對大腦的正常運作十分重要，對疾病的異常也十分敏感[6, 11-15]。
以結構連接特征進行模式識別和特征篩選，得到的異常連接反映了 AD 相關的纖維失連接狀況。纖維失連接在 AD 患者的大腦中普遍存在，而且以長連接先發生異常為特點。如圖 5 所示，網絡間的結構連接普遍存在異常，而且顳葉、額葉網絡內的連接也發生明顯異常。而通過分析異常連接高度相連的節點（如表 2 所示），發現這些節點與核心節點以及灰質異常的節點有著一致性。例如顳下回、枕上回和背外側額上回等。這說明白質纖維失連接與其灰質結構異常存在一定的關聯性，或者存在某種程度的并發性[15-17]。同時，其結果的不一致性，也說明了方法的差異和優勢。基于異常連接的分析是通過失連接分布模式分析得到灰質的異常區域，而節點分析是直接獲取灰質皮層的結構特征，如體積信息和平均擴散特征。而且如表 2 中第 3 行所示，異常連接反映的異常腦區更多地集中在顳葉和額葉上，這些區域是 AD 早期病變的高發區域，具有較強的早期診斷價值[16-18]。
本文基于結構網絡連接特征的模式識別的方法分析灰質異常區域，其結果證實優于直接分析灰質特征的方法，更有助于 AD 疾病的早期診斷研究。同時本文通過比較節點和連接的分析結果，證實了 AD 患者大腦中結構失連接的空間分布與灰質結構的改變存在內在聯系，這為病理機制的研究提供了重要依據，更進一步顯示了基于結構連接的模式分析在早期病理及診斷中的潛力。今后的研究可采用更加精確的結構網絡檢測和構建方法，例如：高角度分辨率擴散成像（high angular resolution diffusion imaging，HARDI）或者擴散譜成像（diffusion spectrum imaging，DSI）等進行 AD 以及早期 AD 結構網絡的模式識別分析，或許能得到更有價值的結果。
