扩散张量成像数据分析方法概述#

1、中国科技论文在线扩散张量成像数据分析方法概述基金项目：高等学校博士学科点专项科研基金博导类资助课题（20134433110012）；国家自然科学基金项目（61372063） 李永欣1，刘哲星2，黄文华1作者简介：李永欣（1982-），男，博士后，主要从事核磁共振成像数据处理方法的研究和应用通信联系人：黄文华（1970-），男，教授，主要从事与骨损伤修复相关的临床应用解剖学、医学生物力学、医学图像处理及数字化医学研究. E-mail: huangwenhua2001.51.5Institute of Clinical Anatomy, School of Basic Medi

2、cal Sciences, Southern Medical University;School of Biomedical Engineering, Southern Medical University;Institute of Clinical Anatomy, School of Basic Medical Sciences, Southern Medical University南方医科大学基础医学院临床解剖学研究所;南方医科大学生物医学工程学院;南方医科大学基础医学院临床解剖学研究所510515;51051513570968876;1382223274913570968876;13

3、822232749广东省广州市广州大道北1838号南方医科大学;广东省广州市广州大道北1838号南方医科大学yxin-li;liuzhexing;huangwenhua2009李永欣（1982-），男，博士后，主要从事核磁共振成像数据处理方法的研究和应用;黄文华（1970-），男，教授，主要从事与骨损伤修复相关的临床应用解剖学、医学生物力学、医学图像处理及数字化医学研究李永欣;刘哲星;黄文华LI Yongxin;LIU Zhexing;HUANG Wenhua黄文华高等学校博士学科点专项科研基金博导类资助课题（20134433110012）；国家自然科学基金项目（61372063）1.51.5

4、1.51*|*期刊*|*Le Bihan D, Mangin JF, Poupon C, et al. Diffusion tensor imaging: concepts and applicationsJ. Journal of Magnetic Resonance Imaging, 2001, 13(4): 534-546.<CR>2*|*期刊*|*Mukherjee P, Berman J, Chung S, et al. Diffusion tensor MR imaging and fiber tractograph

5、y: theoretic underpinningsJ. American journal of neuroradiology, 2008, 29(4): 632-641.<CR>3*|*期刊*|*Basser PJ, Jones DK. Diffusiontensor MRI: theory, experimental design and data analysisa technical reviewJ. NMR in Biomedicine, 2002, 15(78): 456-467.<CR>4*|*期刊*|*Le Bihan D, Johansen-Berg

6、H. Diffusion MRI at 25: Exploring brain tissue structure and functionJ. NeuroImage, 2012, 61(2): 324-341.<CR>5*|*期刊*|*Mori S, Zhang J. Principles of diffusion tensor imaging and its applications to basic neuroscience researchJ. Neuron, 2006, 51(5): 527-539.<CR>6*|*期刊*|*Basser PJ, Mattiel

7、lo J, LeBihan D. MR diffusion tensor spectroscopy and imagingJ. Biophysical Journal, 1994, 66(1): 259-267.<CR>7*|*专著*|*Johansen-Berg H, Behrens TE. Diffusion MRI: From quantitative measurement to in-vivo neuroanatomyM. London: Academic Press, 2009.<CR>8*|*期刊*|*Jones DK, Knösche TR,

8、Turner R. White matter integrity, fiber count, and other fallacies: the do's and don'ts of diffusion MRIJ. Neuroimage, 2013, 73239-254.<CR>9*|*期刊*|*Moseley ME, Kucharczyk J, Asgari HS, et al. Anisotropy in diffusionweighted MRIJ. Magnetic Resonance in Medicine, 1991, 19(2): 321-326.<

9、;CR>10*|*期刊*|*Basser PJ, Pierpaoli C. Microstructural and physiological features of tissues elucidated by quantitative-diffusion-tensor MRIJ. Journal of Magnetic Resonance. Series B, 1996, 111(3): 209-219.<CR>11*|*期刊*|*Pierpaoli C, Basser PJ. Toward a quantitative assessment of diffusion an

10、isotropyJ. Magnetic resonance in Medicine, 1996, 36(6): 893-906.<CR>12*|*期刊*|*Han Z, Ma Y, Gong G, et al. White matter structural connectivity underlying semantic processing: evidence from brain damaged patientsJ. Brain, 2013, 136(Pt 10): 2952-2965.<CR>13*|*期刊*|*Tseng BY, Gundapuneedi T,

11、 Khan MA, et al. White matter integrity in physically fit older adultsJ. Neuroimage, 2013, 82510-516.<CR>14*|*期刊*|*Zatorre RJ, Fields RD, Johansen-Berg H. Plasticity in gray and white: neuroimaging changes in brain structure during learningJ. Nature Neuroscience, 2012, 15(4): 528-536.<CR>

12、;15*|*期刊*|*Johansen-Berg H. Behavioural relevance of variation in white matter microstructureJ. Current Opinion in Neurology, 2010, 23(4): 351-358.<CR>16*|*期刊*|*Shinoura N, Suzuki Y, Tsukada M, et al. Impairment of inferior longitudinal fasciculus plays a role in visual memory disturbanceJ. Ne

13、urocase, 2007, 13(2): 127-130.<CR>17*|*期刊*|*Oakes TR, Fox AS, Johnstone T, et al. Integrating VBM into the general linear model with voxelwise anatomical covariatesJ. Neuroimage, 2007, 34(2): 500-508.<CR>18*|*期刊*|*Chu Z, Wilde E, Hunter J, et al. Voxel-based analysis of diffusion tensor

14、imaging in mild traumatic brain injury in adolescentsJ. American journal of neuroradiology, 2010, 31(2): 340-346.<CR>19*|*期刊*|*Seok J-H, Park H-J, Chun J-W, et al. White matter abnormalities associated with auditory hallucinations in schizophrenia: a combined study of voxel-based analyses of d

15、iffusion tensor imaging and structural magnetic resonance imagingJ. Psychiatry Research: Neuroimaging, 2007, 156(2): 93-104.<CR>20*|*期刊*|*Snook L, Plewes C, Beaulieu C. Voxel based versus region of interest analysis in diffusion tensor imaging of neurodevelopmentJ. Neuroimage, 2007, 34(1): 243

16、-252.<CR>21*|*期刊*|*Friston KJ, Holmes AP, Worsley KJ, et al. Statistical parametric maps in functional imaging: a general linear approachJ. Human brain mapping, 1994, 2(4): 189-210.<CR>22*|*期刊*|*Smith SM, Jenkinson M, Johansen-Berg H, et al. Tract-based spatial statistics: voxelwise anal

17、ysis of multi-subject diffusion dataJ. Neuroimage, 2006, 31(4): 1487-1505.<CR>23*|*期刊*|*Jones DK, Symms MR, Cercignani M, et al. The effect of filter size on VBM analyses of DT-MRI dataJ. Neuroimage, 2005, 26(2): 546-554.<CR>24*|*期刊*|*Simon TJ, Ding L, Bish JP, et al. Volumetric, connect

18、ive, and morphologic changes in the brains of children with chromosome 22q11. 2 deletion syndrome: an integrative studyJ. Neuroimage, 2005, 25(1): 169-180.<CR>25*|*期刊*|*Smith SM, Johansen-Berg H, Jenkinson M, et al. Acquisition and voxelwise analysis of multi-subject diffusion data with tract-

19、based spatial statisticsJ. Nature protocols, 2007, 2(3): 499-503.<CR>26*|*期刊*|*Jbabdi S, Johansen-Berg H. Tractography: where do we go from here?J. Brain Connectivity, 2011, 1(3): 169-183.<CR>27*|*学位论文*|*方鹏. 弥散张量成像的脑连接模式分析D. 长沙: 国防科学技术大学, 2011.<CR>28*|*期刊*|*姚旭峰, 宋志坚. 磁共振弥散张量成像纤维束追踪

20、算法的研究进展J. 医学研究杂志, 2012, 41(6): 174-176.<CR>29*|*期刊*|*Behrens T, Berg HJ, Jbabdi S, et al. Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?J. Neuroimage, 2007, 34(1): 144-155.<CR>30*|*期刊*|*Mori S, van Zijl P. Fiber tracking: principles and strategie

21、sa technical reviewJ. NMR in Biomedicine, 2002, 15(78): 468-480.<CR>31*|*期刊*|*Jiang H, van Zijl P, Kim J, et al. DtiStudio: resource program for diffusion tensor computation and fiber bundle trackingJ. Computer Methods and Programs in Biomedicine, 2006, 81(2): 106-116.<CR>32*|*期刊*|*Touss

22、aint N, Souplet J-C, Fillard P. MedINRIA: Medical image navigation and research tool by INRIAJ. Proc. of MICCAI, Vol. 7, 2007.<CR>33*|*期刊*|*Fedorov A, Beichel R, Kalpathy-Cramer J, et al. 3D Slicer as an image computing platform for the Quantitative Imaging NetworkJ. Magnetic resonance imaging

23、, 2012, 30(9): 1323-1341.<CR>34*|*期刊*|*Wang R, Benner T, Sorensen A, et al. Diffusion toolkit: a software package for diffusion imaging data processing and tractographyJ. Proc Intl Soc Mag Reson Med, Vol. 15, 2007: 3720.<CR>35*|*期刊*|*Behrens T, Woolrich M, Jenkinson M, et al. Characteriz

24、ation and propagation of uncertainty in diffusionweighted MR imagingJ. Magnetic Resonance in Medicine, 2003, 50(5): 1077-1088.<CR>36*|*期刊*|*Peled S, Friman O, Jolesz F, et al. Geometrically constrained two-tensor model for crossing tracts in DWIJ. Magnetic resonance imaging, 2006, 24(9): 1263-

25、1270.<CR>37*|*期刊*|*Dyrby TB, Søgaard LV, Parker GJ, et al. Validation of in vitro probabilistic tractographyJ. Neuroimage, 2007, 37(4): 1267-1277.<CR>38*|*期刊*|*Suchan J, Umarova R, Schnell S, et al. Fiber pathways connecting cortical areas relevant for spatial orienting and explorat

26、ionJ. Human Brain Mapping, 2013.<CR>39*|*期刊*|*Jbabdi S, Sotiropoulos SN, Savio AM, et al. Modelbased analysis of multishell diffusion MR data for tractography: How to get over fitting problemsJ. Magnetic Resonance in Medicine, 2012, 68(6): 1846-1855.<CR>40*|*期刊*|*Rykhlevskaia E, Uddin LQ

27、, Kondos L, et al. Neuroanatomical correlates of developmental dyscalculia: combined evidence from morphometry and tractographyJ. Frontiers in Human Neuroscience, 2009, 3.<CR>41*|*期刊*|*Cohen MX, Schoene-Bake J-C, Elger CE, et al. Connectivity-based segregation of the human striatum predicts pe

28、rsonality characteristicsJ. Nature neuroscience, 2009, 12(1).<CR>42*|*期刊*|*Li Y, Hu Y, Wang Y, et al. Individual structural differences in left inferior parietal area are associated with schoolchildrens arithmetic scoresJ. Frontiers in Human Neuroscience, 2013, 7844.<CR>43*|*学位论文*|*刘薇. 磁

29、共振弥散张量成像中的失真伪影校正及其相关算法研究D. 上海: 华东师范大学, 2011.<CR>44*|*期刊*|*Chang LC, Jones DK, Pierpaoli C. RESTORE: robust estimation of tensors by outlier rejectionJ. Magnetic Resonance in Medicine, 2005, 53(5): 1088-1095.<CR>45*|*期刊*|*Chang LC, Jones DK, Pierpaoli C. RESTORE: robust estimation of tens

30、ors by outlier rejectionJ. Magnetic Resonance in Medicine, 2005, 53(5): 1088-1095.<CR>46*|*期刊*|*Liu Z, Wang Y, Gerig G, et al. Quality control of diffusion weighted imagesJ. SPIE Medical Imaging: International Society for Optics and Photonics, 2010: 76280J-76280J-76289.<CR>47*|*期刊*|*Hone

31、y CJ, Sporns O, Cammoun L, et al. Predicting human resting-state functional connectivity from structural connectivityJ. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(6): 2035-2040.<CR>48*|*期刊*|*Uddin LQ. Complex relationships between structural and

32、functional brain connectivityJ. Trends in Cognitive Sciences, 2013, 17(12): 600-602.<CR>49*|*期刊*|*Hagmann P, Kurant M, Gigandet X, et al. Mapping human whole-brain structural networks with diffusion MRIJ. PLoS One, 2007, 2(7): e597.<CR>50*|*期刊*|*Gong G, He Y, Concha L, et al. Mapping ana

33、tomical connectivity patterns of human cerebral cortex using in vivo diffusion tensor imaging tractographyJ. Cereb Cortex, 2009, 19(3): 524-536.|1|李永欣|LI Yongxin|南方医科大学基础医学院临床解剖学研究所|Institute of Clinical Anatomy, School of Basic Medical Sciences, Southern Medical University|李永欣（1982-），男，博士后，主要从事核磁共振

34、成像数据处理方法的研究和应用|广东省广州市广州大道北1838号南方医科大学|510515|yxin-li13570968876<CR>|2|刘哲星|LIU Zhexing|南方医科大学生物医学工程学院|School of Biomedical Engineering, Southern Medical University|liuzhexing|<CR>*|3|黄文华|HUANG Wenhua|南方医科大学基础医学院临床解剖学研究所|Institute of Clinical Anatomy, School of Basic Medical S

35、ciences, Southern Medical University|黄文华（1970-），男，教授，主要从事与骨损伤修复相关的临床应用解剖学、医学生物力学、医学图像处理及数字化医学研究|广东省广州市广州大道北1838号南方医科大学|510515|huangwenhua200913822232749扩散张量成像数据分析方法概述|Analysis methods review of diffusion tensor MR imaging|高等学校博士学科点专项科研基金博导类资助课题（20134433110012）；国家自然科学基金项目（61372063）- 8 -（

36、1. 南方医科大学基础医学院临床解剖学研究所；2. 南方医科大学生物医学工程学院）摘要：扩散张量成像作为唯一的可在活体显示脑白质纤维束的无创成像方法，利用组织内水分子扩散的各向异性特征进行成像。文章以扩散张量成像基本原理为出发点，对扩散张量成像的主要研究方向和数据分析方法进行总结，指出当前该领域存在的关键问题并进行讨论。关键词：扩散张量成像；各向异性；脑白质纤维束；定量分析法；纤维追踪中图分类号：R445.2 Analysis methods review of diffusion tensor MR imagingLI Yongxin1, LIU Zhexing2, HUANG Wenhua

37、1(1. Institute of Clinical Anatomy, School of Basic Medical Sciences, Southern Medical University;2. School of Biomedical Engineering, Southern Medical University)Abstract: Diffusion tensor imaging (DTI) is a kind of non-invasive method that makes use of the anisotrophy of water molecules in the tis

38、sue to explore the microstructure of the brain. It can reveal abnormalities in white matter fiber structure and provide outstanding maps of brain connectivity. The paper reviews the principle of DTI, the main research directions and data analysis methods. It also describes current research limitatio

39、ns and makes a further discussion.Key words: Diffusion tensor imaging; anisotropy; white matter fiber bundles; quantitative analysis method; fiber tracking method0 引言扩散张量成像(diffusion tensor imaging，DTI)，是在扩散加权成像（diffusion weighted imaging, DWI)基础上迅速发展而来的磁共振成像(magnetic resonance imaging，MRI)新技术1,2。DT

40、I图像是由一组不同方向信息的DWI计算得到,不仅可以提供脑白质组织的标量信息,还可以提供脑白质走行方向(纤维束)的矢量信息。DTI成像技术是目前唯一可在活体显示脑白质纤维束的无创成像方法3。该技术可通过量化每个体素水分子扩散运动来定量分析大脑的微细结构；同时通过后处理技术建立大脑白质纤维束扩散示踪图，可以直接观测大脑神经纤维的走向和完整性。基于DTI成像技术的这些优势，目前研究者将这种技术多应用于临床疾病的病灶探测和大脑结构网络等领域的研究4,5。本文以DTI成像基本原理为出发点，综述当前DTI数据常用的分析方法，指出当前该领域中存在的关键问题并进行展望。1 扩散张量成像基本原理对DTI的原理

41、介绍之前我们首先要理解扩散的概念。扩散运动，又称布朗运动，指水分子的随机不规则运动，是体内的物质转运方式之一1。在均质介质中水分子的运动是无序随机运动，即向各个方向运动的几率是相同的，具有各向同性。在人体组织中，水分子的运动由于受到组织细胞结构的影响，在各个方向扩散程度是不同的，具有方向依赖性，即各向异性。DTI技术正是基于人体组织中水分子的这种微观运动特性，来探测人体组织的微观结构。在人体组织中要描述水分子的空间扩散情况，需要引入张量的概念。如脑白质中每个体素的各向异性扩散过程就可以用一个二阶张量D表示，这个二阶张量可近似描述不同方向上分子的迁移率。均质介质中水分子在各个方向上的扩散强度大小

42、一致，扩散张量D描述为球形，三个主坐标轴方向上的特征值分别为123，如人脑中的脑脊液和灰质。而在人脑的白质中，由于髓鞘的阻挡，水分子的扩散被限制在与纤维走行一致的方向上，具有较高的各向异性，此时扩散张量可表示为椭球形，其特征值1>>23，最大特征值对应的方向与经过该体素的纤维束走行平行。在这一基础上，DTI利用扩散张量场中各向异性扩散的方向信息来追踪神经通路的走行，从而得到脑白质中神经纤维束的走行方向和立体形态。二阶张量具有空间对称性(Dij=Dji)，所以在张量成像中只需要计算6个变量值(Dxx,Dyy,Dzz,Dxy,Dyz,Dzx)，其方法是至少在6个不同非共线方向上施加敏感

43、梯度，另外再采集一幅具有相同参数而未施加敏感梯度的图像。从扩散加权和非扩散加权像的信号强度衰减差异中可以得到6幅表观扩散系数图，得到一个六元一次方程组，最后可求得每个体素的有效扩散张量D6。在实际应用中，为了提高图像的信噪比，DTI数据采集中的扩散梯度方向往往大于，这样采集的数据三维空间分布更均匀，从而计算的数据更准确。2 扩散张量成像主要数据分析方法目前DTI主要的数据分析方法分为两大类：扩散各向异性定量参数研究和纤维束追踪技术。2.1 扩散各向异性定量参数研究在脑白质中，影响表观扩散张量形状的因素有：纤维密度、形成髓鞘的程度、平均纤维直径以及体素内纤维方向的一致性等。扩散张量成像技术可实现

44、对体素内各向异性扩散的定量描述7，常用的量化参数包括：平均扩散率(MD)，各向异性系数(FA)，径向扩散系数(AD)和横向扩散系数(RD)等8，其中最常用的指标是MD和FA 9,10,11。MD反映扩散运动的快慢而忽略扩散各向异性,代表着分子的整体扩散水平(平均椭球体的大小)和存在的全部扩散障碍,计算公式如下：FA指扩散张量的各向异性部分占整个扩散张量的比例，FA值的大小代表水分子扩散的各向异性程度，取值范围为0-1：FA值越大说明各项异性越高，即水分子朝某个方向扩散的自由度远远高于其他方向，在神经纤维走行方向一致性高、排列致密的脑区如白质就存在这样的特性；反之，FA越小说明水分子朝各个方向的

45、扩散差不多，在脑脊液和灰质中即这样的特性。在许多研究中发现一些脑区FA值的大小与行为指标具有相关性，可以很好的预测疾病和指导训练等12,13,14,15。DTI图像数据定量研究中常用的分析方法有三类：基于感兴趣区的分析法、基于体素的逐点分析法和基于纤维束的分析法。2.1.1 基于感兴趣区的分析法这种分析方法一般是指一些有临床背景和丰富的研究经验的研究者，在DTI参数图像上人工勾画出感兴趣区，然后对区域内的参数值进行分析，找出研究对象（如疾病患者）与正常被试间的差异16。基于人工感兴趣区定义的DTI组间比较分析还是一种粗糙的方法，主要依赖已有的医学假说，只能在大体上分析区域DTI的特性，不能进行

46、局部、更加精细的分析和发现并提出新的医学假说。而且大脑白质由许多方向不同的纤维束构成，在不同部位的脑白质参数值也不同，脑形状的差异会导致手画感兴趣区所在的大脑白质纤维束不同，使得被试间横向比较会产生较大的误差。并且人工感兴趣区方法需要大量的人工参与，不同人手画感兴趣区也存在一定的误差，使得此方法受主观因素的影响较大，造成结果的重复性和可靠性不高，造成假阴性结果的出现。特别是当涉及到大型的临床试验研究时，由于它巨大的人工成本和低下的人工操作的一致性，这种方法变得无法接受。2.1.2 基于体素的逐点分析法为了弥补基于感兴趣区分析法的缺陷，一些研究者提出了用基于体素逐点分析的方法，可用来检测人们不曾

47、预料到的神经解剖学的区域17。常用的分析软件如德国Jena大学精神病学系Christian Gaser 开发的VBM工具包（http:/dbm.neuro.uni-jena.de/vbm/）等。这类分析方法操作简便，自动化，不受主观因素的影响，不需要先验信息，对脑损伤18、精神类疾病19、大脑发育和老化20等方面的研究具有独特的优势。在实际应用中主要使用统计参数图21进行全脑的无偏差统计分析。然而这种分析法在设计中由于没有考虑到特殊张量特性数据的情况，存在许多缺陷22。如这种分析法中假设数据分布满足高斯随机场分布统计模型，对于非正态分布的DTI数据，即使对数据进行平滑也不能满足模型假

48、设条件。另外这种分析法需要对DTI数据进行平滑，平滑核大小的选择会对最后的统计结果产生重要的影响23。这种方法由于被试间颅内体积、形状、结构旋转等解剖差异性使得在图像配准方面存在挑战，造成统计结果存在偏差，出现假阳性结果24。2.1.3 基于纤维束的分析法基于纤维束的分析法是一种自动化的分析方法，可对整个大脑的白质组间扩散指标变化进行统计分析22。一般使用 FSL 提供的基于神经纤维束的空间统计（Tract-Based Spatial Statistics， TBSS，http:/fsl.fmrib.ox.ac.uk/fsl/fslwiki/TBSS）工具包进行分析。这种方法不需要进行平滑处理

49、，很好的解决了基于体素的逐点分析方法面临的问题。TBSS的处理思路如下25：所有参加实验的被试的FA图像合并生成FA的平均图像，应用标准图像处理技术把平均FA图像骨架化，使其代表这些被试的主要纤维束分布；再把每个被试标准化后的FA图像投射到这个平均骨架模板上，从这个模板中提取的FA值即代表每个被试主要纤维束的各项异性系数；最后把这些骨架化后的每个被试图像进行广义模型建模，进行统计分析。2.2 纤维束追踪技术DTI数据的每个体素都对应一个二阶张量，如何从这些张量信息中得到神经纤维的走向和分布，此即白质纤维束追踪的主要研究问题26。纤维追踪技术使用连续的曲线拟合来描述白质纤维的走向和分布，可以形象

50、的演示脑白质的细节信息，是目前为止应用最广泛的白质纤维可视化方法。当前追踪的方法按照算法的不同主要分为两大类：确定性追踪和概率性追踪26,27。确定性追踪算法依据体素所含的张量信息来表示纤维束的走行方向，然后根据设定的追踪策略来连接相邻体素，而概率性追踪算法则试图在感兴趣区中建立连接的空间分布度28,29。2.2.1 确定性追踪在确定性纤维追踪算法中，利用最大本征1对应纤维束传导方向将大脑中神经纤维束轨迹描出来，实现在活体中查看和研究神经通路的连接和连续性30。这种方法的实现需要有三个重要步骤。首先，提取每个体素中的纤维走向，一般使用1进行纤维方向的估计。第二步，选取种子点，从种子点向与1平行

51、的两个方向进行双向追踪。这时追踪的结果是基于每个体素的从而是离散的路径，但一般都认为纤维是非常平滑的。因此我们将离散体素内的分段路径转换为连续的追踪轨线。第三步，终止扩展路径条件的选取。终止扩展路径通常有两个条件：当路径追踪到分数各向异性值较低区域则追踪停止(通常选择一个阈值来区分脑白质和灰质，如FA<0.2)，另一种为当追踪路径出现锐弯时(如角度阈值大于450)则终止。目前各个实验室都在积极开发程序，进行确定性追踪方法的应用，譬如DTI Studio 31， MedINRIA 32, 3D Slice 33， TrackVis 34。这些计算软件为扩散张量图像计算、纤维走向图像及其可视

52、化提供了有效的工具。然而确定性追踪方法不能有效的解决白质纤维交叉等问题，并且由于DTI数据采集过程中噪声和部分容积的影响，追踪精度和稳定性上有待提高；更重要的是虽然确定性追踪方法能成功的追踪到粗大脑白质纤维束，但是不能给重构脑白质纤维提供一个可信的测量方法，也不能计算FA较低的灰质脑区之间的解剖连接。2.2.2 概率性追踪由于DTI数据存在测量噪声、被试头动和图像伪影，扩散主方向和纤维方向估计中存在着不确定性，这是确定性追踪算法不能解决的问题。概率性纤维追踪算法将可能走向的分布加入到追踪算法中来，这就使得每条纤维轨线都有测量置信度35。确定性追踪算法只在每个种子体素中重构一条或多条线性路径36

53、，概率性追踪算法多采用概率密度函数来评价每个体素的不确定性以及多条纤维束方向，使用张量模型来估计每个体素的最大可能纤维束走形方向。通过计算概率密度函数，评价体素的连接进行追踪。在种子体素中扩展大量的路径，在脑区间可生成纤维连接的概率分布图29,37。概率性追踪是估计从体素中出发流线的空间分布，流线再生性越强，则流线反映组织的真实结构特征的概率就越高。基于体素的连接不仅可以反映脑白质纤维的完整性和一致性，同时也可以反映纤维几何结构和长度8,26。概率性追踪一个主要的特点是在分数各向异性值较低区域如灰质中也能够重构纤维轨迹，这是确定性追踪不能实现的。由于确定性追踪使用分数各向异性和角度微分的阈值来

54、确定追踪终止条件，而概率性追踪算法则使用两连续步骤间的角度微分，因此可以实现FA值较低的灰质间的解剖连接26,38。概率追踪另外的一个特点是追踪结果对噪声更加稳定，由于估计纤维走向的不确定性，一定程度上解决了纤维交叉问题29,39。鉴于概率性追踪的优越性，这种追踪方法已广泛应用到认知心理学研究和疾病诊疗中40,41,42。当前研究中使用的软件为牛津大学功能磁共振与大脑研究中心开发的FDT工具包（http:/fsl.fmrib.ox.ac.uk/fsl/fslwiki/）。但这种追踪方法对数据的要求比较高，比如要求采集较多梯度方向的DTI数据。另外数据处理过程时间比较长，需借助高性能的多CPU计

55、算服务器实现。3 问题及展望DTI数据处理分析过程主要包括数据的预处理与质量控制，DTI图像的估计，DTI数据空间归一化与图谱构建和纤维束跟踪与重建。针对这些分析过程当前研究中存在一系列的问题：3.1 数据质量控制问题在DTI成像中,快速切换不同的梯度时,梯度场的改变会产生涡流效应,即磁场的改变在线圈中引发涡电流并产生相应的感应磁场。涡流感应磁场会使得成像磁场不再均匀,从而导致了图像的几何失真。DTI需要采集多个方向的DWI图像来估计张量数据,需要较长的扫描时间。在长时间的成像过程中,我们需要考虑一些由于肌肉运动,心脏起搏等产生的轻微头动。此外,由于被测者在不同方向的DWI数据釆集时难以保持相

56、同的位置,因此头部位置的平移及旋转是无法避免的，造成了运动伪影。由于上述罗列的实验对象、采集序列的选取和采集设备等原因，DTI数据中不可避免地存在一种或几种缺陷和伪影。因此，实际的临床研究中，无法保证所有扩散测量梯度方向的图像都是可用的，有灰度缺陷和无法校正伪影的瑕疵DWI梯度数据在DTI估计以前必须予以剔除。目前，这个步骤主要通过人工目视检查来实现。当发现有缺陷的方向DWI数据后，先删除该方向的DWI数据，然后从扩散测量梯度方向表中删除对应的梯度方向。这种主观的方法有很大的随意性，不仅耗费大量的人力资源，而且不能保证人工识别的敏感度和标准掌握的一致性。更为严重的是，剔除一定数量有质量缺陷的数

57、据以后，原有的优化DWI采集方案已经被破坏，DWI的采集方向在空间的分布不再均匀，DTI的最优化重建已经无法保证。而如何度量这种梯度方向空间分布的不均匀程度、剩余数据的梯度个数和不均匀程度对DTI估计的影响程度等问题的研究还是相对较少的43,44,45。因此DTI数据的质量控制问题是当前这个领域面临的主要问题之一。Liu等46对该问题进行了研究，开发了DTI领域第一个自动质量控制工具软件DTIPrep (/projects/dtiprep)。DTIPrep可以自动完成图像参数检查、DWI图像灰度检测、头部运动和涡流失真的校正和DTI估计重建等DTI预处理功

58、能。作者提出了在每个断层位置上，所有梯度方向的当前图像与各自上一层图像的归一化相关系数近似服从正态分布，进而实现伪影图像的自动筛查的算法。但是，DTIPrep还不完善。DTIPrep中对于可接受的有缺陷DWI梯度数据剔除数量是通过一个阈值设定的，该阈值目前还是根据具体的数据或者凭主观给定，需要进一步和DTI图像的重建质量相联系起来，实现自动优化设定。建立与DTI质量相联系的、剔除瑕疵DWI数据以后的DWI数据集的扩散梯度的数量和空间分布均匀性等评价指标，是DWI质量保证的迫切需求。3.2 DTI图像的配准和无偏图谱计算问题DTI数据实际研究中，需要实现所有样本间DTI数据在空间上的精确配准，即

59、空间归一化。因不同个体间脑的几何形状差异较大，一般的线性变换不足以实现像素级的配准精度，非线性配准方法是可实现这一目的。当前研究中DTI图像配准主要分为两类，一类是借用标量图像的配准方法得到配准参数（线性变换）或者形变位移场，再把这些数据所用于DTI图像，经过几何变换和张量重定向，最终得到配准以后的DTI图像。这种方法可以借用已有的标量图像配准的方法和软件工具，计算量较小，易于实现。缺点是没有充分利用DTI提供的高维信息来驱动形变过程，配准精度不高。另一类方法是直接对DTI图像进行配准，充分利用DTI中所包含的多维信息来驱动配准过程。这种方法的优点是配准优化过程直接面向DTI数据，高维数据提供的丰富信息可以得到更好的优化结果，其缺点是计算开销巨大。如何提高配准精度、同时提高配准的速度，是DTI配准和无偏图谱计算的核心问题。综合已出现的各类配准方法的研究，对于DTI的无偏图谱计算来说，结合标量和张量配准算法，线性和非线性的几何变换等各种方法的优点，采用先标量再张量，先线性再非线性的配准方法，优化各种已有的方法的组合，是今后