基于Python語(yǔ)言的海馬結(jié)構(gòu)分析軟件的設(shè)計(jì)及驗(yàn)證*

牛敏，李淑宇△,李瓊玲，李欣蔚，王雪彤

(1.北京航空航天大學(xué)生物與醫(yī)學(xué)工程學(xué)院 北京 100083；2. 北京航空航天大學(xué)生物醫(yī)學(xué)工程高精尖創(chuàng)新中心，北京 100083)

1 引 言

海馬位于顳葉的內(nèi)側(cè)，在人類(lèi)的學(xué)習(xí)和記憶中扮演著重要的角色。在許多神經(jīng)精神疾病中，海馬的結(jié)構(gòu)和功能都極易受到損傷。目前用于海馬分割的軟件，主要有ITK-SNAP[1],FSL[2],FreeSufer[3]等。鑒于目前用于海馬研究的軟件功能不能完全滿(mǎn)足臨床分析的需要，且可操作性較差，本研究基于Python語(yǔ)言，自主開(kāi)發(fā)了一款界面友好，功能齊全的海馬自動(dòng)分析軟件。主要功能包括：結(jié)構(gòu)磁共振圖像的可視化、預(yù)處理、海馬結(jié)構(gòu)的自動(dòng)分割，構(gòu)建海馬結(jié)構(gòu)共變網(wǎng)絡(luò)，統(tǒng)計(jì)分析等，這些功能已在ADNI公共數(shù)據(jù)庫(kù)上驗(yàn)證了其有效性，為科研工作者和臨床醫(yī)生提供了海馬形態(tài)學(xué)研究的重要工具。

2 海馬分析軟件設(shè)計(jì)與實(shí)現(xiàn)

軟件采用分層和模塊化設(shè)計(jì)方式，分為界面設(shè)計(jì)層、軟件功能層。遵循高內(nèi)聚-低耦合的設(shè)計(jì)原則，封裝好的模塊之間采用接口連接，以提高軟件的可擴(kuò)展性與可維護(hù)性。主要實(shí)現(xiàn)的功能包括：醫(yī)學(xué)圖像顯示、結(jié)構(gòu)磁共振圖像預(yù)處理、海馬結(jié)構(gòu)的自動(dòng)分割、基于海馬的結(jié)構(gòu)網(wǎng)絡(luò)連接、統(tǒng)計(jì)分析。軟件結(jié)構(gòu)框圖見(jiàn)圖1(a)。海馬分析軟件界面設(shè)計(jì)見(jiàn)圖1(b)。

圖1 (a).軟件架構(gòu)圖;(b).海馬分析軟件界面設(shè)計(jì)

Fig1 (a).Softwarearchitecture;(b).HippocampusanalysisGUIpanel

2.1 海馬結(jié)構(gòu)的自動(dòng)分割

對(duì)于預(yù)處理后的MRI圖像,采取一種改進(jìn)的基于多圖譜分割方法進(jìn)行海馬的自動(dòng)分割，該方法由本課題組自主開(kāi)發(fā)并已發(fā)表[4]，該方法的核心是對(duì)多圖譜分割方法中的標(biāo)簽融合步驟進(jìn)行改進(jìn)，利用基于圖像塊的流行學(xué)習(xí)方法計(jì)算圖譜圖像塊在低維坐標(biāo)空間里的權(quán)重值，加權(quán)融合后得到目標(biāo)圖像的分割結(jié)果。簡(jiǎn)稱(chēng)為基于多圖譜的流行學(xué)習(xí)海馬分割方法(local manifold learning,LML)。用戶(hù)可以自己選擇如下六個(gè)參數(shù)，具體步驟見(jiàn)圖2(a)。

圖2 (a).海馬結(jié)構(gòu)自動(dòng)分割；(b).構(gòu)建海馬的結(jié)構(gòu)共變網(wǎng)絡(luò)

Fig2 (a).Hippocampusauto-segmentation；(b).Constructhippo-basedstructuralcovariancenetworks

2.2 基于海馬的結(jié)構(gòu)共變網(wǎng)絡(luò)連接

結(jié)構(gòu)共變網(wǎng)絡(luò)提供了一種利用結(jié)構(gòu)磁共振影像探索腦結(jié)構(gòu)網(wǎng)絡(luò)的有效方法，該方法可以描述腦區(qū)之間灰質(zhì)形態(tài)學(xué)度量的結(jié)構(gòu)共變模式[5-7]。基于海馬的結(jié)構(gòu)共變網(wǎng)絡(luò)連接包括預(yù)處理、定義海馬種子點(diǎn)、構(gòu)建結(jié)構(gòu)共變網(wǎng)絡(luò)。

首先使用在MATLAB中運(yùn)行的SPM8(http://www.fil.ion.ucl.ac.uk/spm/)軟件里的VBM8(http://www.neuro.uni-jena.de/vbm/)工具包對(duì)數(shù)據(jù)進(jìn)行基于體素的形態(tài)學(xué)(voxel-based morphometry, VBM)[8]的處理。從FSL軟件提供的Harvard-Oxford皮層下結(jié)構(gòu)圖譜中提取出左右海馬，作為種子點(diǎn)[9]。針對(duì)每個(gè)樣本，使用MarsBarROI工具箱(http://marsbar.sourceforge.net/) 從灰質(zhì)圖像中計(jì)算出左右海馬的平均灰質(zhì)體積。

基于平滑和調(diào)制后的灰質(zhì)圖像，使用線(xiàn)性回歸模型分析左右海馬的結(jié)構(gòu)共變模式。以左右兩個(gè)海馬為種子點(diǎn)計(jì)算與全腦灰質(zhì)體積的相關(guān)，確定與種子點(diǎn)具有正相關(guān)連接的體素。具體步驟見(jiàn)圖2(b)。

2.3 統(tǒng)計(jì)分析

把經(jīng)過(guò)分割得到的海馬體積進(jìn)行統(tǒng)計(jì)分析，采用雙樣本t檢驗(yàn)，觀(guān)察兩組數(shù)據(jù)是否有顯著性差異。為了研究不同組之間海馬與其他腦區(qū)的結(jié)構(gòu)連接強(qiáng)度的差異，我們進(jìn)一步對(duì)兩組數(shù)據(jù)進(jìn)行組間比較。這種結(jié)構(gòu)共變連接的差異可以反映為海馬種子點(diǎn)和其他區(qū)域間的回歸線(xiàn)斜率的差異，可通過(guò)一個(gè)典型的交互線(xiàn)性模型進(jìn)行分析[10]。最終生成所有回歸項(xiàng)系數(shù)和統(tǒng)計(jì)激活圖像。

3 軟件驗(yàn)證

為測(cè)試該軟件系統(tǒng)的可靠性和有效性，進(jìn)行海馬分割、基于海馬的結(jié)構(gòu)共變網(wǎng)絡(luò)連接及統(tǒng)計(jì)分析實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)為ADNI 3.0T數(shù)據(jù)集，22個(gè)正常人，23個(gè)阿爾茲海默癥患者，選擇由EADC項(xiàng)目[11]提供的海馬手動(dòng)分割結(jié)果作為自動(dòng)分割方法的準(zhǔn)確性驗(yàn)證標(biāo)準(zhǔn)。

3.1 海馬結(jié)構(gòu)的自動(dòng)分割

將本軟件LML方法用于ADNI3.0T數(shù)據(jù)集的海馬分割，并與Freesurfer和FSL-FIRST兩種軟件海馬分割結(jié)果進(jìn)行比較，用Dice系數(shù)作為海馬分割準(zhǔn)確性的定量指標(biāo)，定義如下：

其中S1表示手動(dòng)分割結(jié)果；S2表示自動(dòng)分割結(jié)果；(S1∩S2)代表兩個(gè)分割區(qū)域的重復(fù)部分；V(X)表示分割區(qū)域X的體積。此外，我們進(jìn)行了三種軟件分割后海馬體積的測(cè)量分析和三種軟件分割時(shí)間的比較。實(shí)驗(yàn)結(jié)果見(jiàn)表1。

表1 三種軟件進(jìn)行的海馬分割性能比較

附注1：表中顯示了Dice相似指數(shù)的平均數(shù)±標(biāo)準(zhǔn)方差；海馬體積的平均數(shù)±標(biāo)準(zhǔn)方差；分割時(shí)間比較；*AD組與NC組存在顯著性差異(P<0.05,GRF校正)；L-HP:Left-hippocampus左海馬；R-HP:Right-hippocampus右海馬；NC:正常人；AD:阿爾茲海默癥患者。

由實(shí)驗(yàn)結(jié)果看出，該軟件的LML方法的分割準(zhǔn)確性明顯優(yōu)于Freesurfer和FSL-FIRST,并且由海馬體積分析可檢測(cè)出NC和AD兩組之間的顯著性差異；且該軟件的LML方法分割速度快于其他兩種分割方法。從而證明了該軟件的有效性和可靠性。

3.2 基于海馬的結(jié)構(gòu)共變網(wǎng)絡(luò)連接

將得到的平滑之后的全腦灰質(zhì)圖像作為圖2(b)Group images輸入，海馬平均灰質(zhì)體積作為seeds variate輸入，將海馬平均灰質(zhì)體積與全腦其他腦區(qū)進(jìn)行相關(guān)性分析，即可得到結(jié)構(gòu)共變網(wǎng)絡(luò)，為了定性比較正常人和阿爾茲海默癥的結(jié)構(gòu)共變網(wǎng)絡(luò)，得到的統(tǒng)計(jì)激活圖像用DPABI[12]軟件顯示在一個(gè)標(biāo)準(zhǔn)模板上。正常人組和阿爾茲海默癥患者中左海馬和右海馬的共變網(wǎng)絡(luò)見(jiàn)圖3。

圖3AD和NC兩組左右海馬的結(jié)構(gòu)共變網(wǎng)絡(luò)

Fig3HippocampusstructuralcovariancenetworksinADandNC

用DPABI軟件對(duì)統(tǒng)計(jì)激活圖像進(jìn)行高斯平滑場(chǎng)(Gaussian random field)多重比較校正，體素水平p<0.01,組水平p<0.05被認(rèn)為是統(tǒng)計(jì)顯著的。用DPABI或XJVIEW顯示顯著性區(qū)域見(jiàn)圖4右，用MarsbarROI工具箱做以該區(qū)域峰值為中心半徑為4 mm 小球，然后用MarsBarROI計(jì)算出每個(gè)樣本該顯著性區(qū)域的平均灰質(zhì)體積，以該顯著性區(qū)域的平均灰質(zhì)體積做縱坐標(biāo)，左右海馬的平均灰質(zhì)體積做橫坐標(biāo)，繪制相關(guān)性曲線(xiàn)。結(jié)果見(jiàn)圖4左。

圖4海馬結(jié)構(gòu)共變網(wǎng)絡(luò)的組間差異

Fig4Significancedifferencehippocampusstructuralcovariancenetworksbetweengroups

由于目前缺乏權(quán)威公認(rèn)的用于構(gòu)建結(jié)構(gòu)共變網(wǎng)絡(luò)軟件，無(wú)法進(jìn)行分析比較實(shí)驗(yàn)，我們用ADNI3.0T NC和AD兩組數(shù)據(jù)來(lái)驗(yàn)證軟件的有效性和可靠性。從兩組的組間差異可以看出阿爾茲海默癥患者左海馬與前額葉的連接比正常人增強(qiáng)，而左海馬與右側(cè)顳葉、右側(cè)海馬旁回連接都是減弱的。右海馬與右楔前葉連接也是減弱的，這與之前的結(jié)構(gòu)共變網(wǎng)絡(luò)[13-16]的研究結(jié)果大體一致。且NC和AD兩組存在明顯的組間差異，證明了該軟件的有效性和可靠性。

4 結(jié)論

該軟件通過(guò)對(duì)MRI圖像可視化、預(yù)處理、海馬結(jié)構(gòu)的自動(dòng)分割，基于海馬的結(jié)構(gòu)網(wǎng)絡(luò)連接、統(tǒng)計(jì)分析等功能設(shè)計(jì)，實(shí)現(xiàn)了對(duì)海馬形態(tài)學(xué)的系統(tǒng)分析。并在ADNI數(shù)據(jù)中驗(yàn)證了軟件的有效性。該軟件提供的海馬分割算法具有分割準(zhǔn)確性高，耗時(shí)短的優(yōu)勢(shì)。本研究為科研工作者和臨床醫(yī)生提供了海馬形態(tài)學(xué)研究的重要工具。

但是該軟件還存在一些不足。該軟件只針對(duì)腦結(jié)構(gòu)磁共振圖像的海馬分析，而不支持腦功能圖像的海馬分析。未來(lái)工作中可補(bǔ)充海馬亞區(qū)的功能分割，海馬亞區(qū)的功能網(wǎng)絡(luò)連接等功能，使海馬分析軟件功能更加齊全。因該軟件在Linux平臺(tái)下開(kāi)發(fā)，調(diào)用了大量的圖像處理軟件庫(kù)，所以在使用該軟件時(shí)，必須配置相關(guān)的軟件，如FSL, SPM, MATLAB, ITK, Anaconda等。未來(lái)工作中，可以解決軟件庫(kù)依賴(lài)問(wèn)題，為用戶(hù)提供更加方便的海馬分析軟件。