杏仁核由多个核团组成,与边缘系统以及大脑其他部分具有独特的功能和连接。然而,将杏仁核自动分割成多个核团的标准体内神经成像工具仍然很少。本文在7 T 场强 (n = 10) 下以高分辨率 (100–150 µm) 扫描死后标本,可视化并标记九个杏仁核核团(杏仁核前部、皮质杏仁核过渡区;基底核、外侧核、副基底核、中央核、皮质内侧核,旁层核)。本文使用最近开发的基于贝叶斯推理的图谱构建算法用这些标签创建了一个图谱。该图谱将作为 FreeSurfer 的一部分发布,可用于从标准分辨率结构 MRI 图像中自动分割出九个杏仁核核团。我们将此图谱应用于两个具有标准分辨率 T1 数据的公开可用数据集(ADNI 和 ABIDE),使用个体的杏仁核核团体积数据作为度量标准,发现我们的图谱 :i) 区分阿尔茨海默病和年龄匹配的对照组,具有84%的准确率 (AUC=0.915),ii) 区分自闭症个体和年龄、性别和智商匹配的神经发育正常的对照组,准确率为59.5% (AUC=0.59)。对于这两个数据集,新的离体图谱显著优于(所有的 p < .05)从FreeSurfer 5.1 中的分割得出的整个杏仁核的估计(ADNI:75%,ABIDE:54% 准确度)。并且基于杏仁核体积表现出更好的分类效果(使用所有杏仁核团体积的总和;ADNI:81%,ABIDE:55% 准确度)。使用新图谱和分割工具将为神经影像学研究人员提供探索人类杏仁核核团功能和连通性的能力,并为研究健康成年人以及患有神经发育和神经退行性疾病的人的大脑提供前所未有的细节。本文发表在NeuroImage期刊上。
前言
杏仁核主要由独特的细胞结构、神经递质和连接模式所定义的异质核团组成,对啮齿动物和非人类灵长类动物的研究加深了我们对个体核团的理解。例如,外侧核(La)和基底核(Ba)主要通过与眶额区域的连接参与更新当前刺激值关联,中央核(Ce)被认为通过与下丘脑、基底前脑和脑干的连接来调节对潜在有害刺激和恐惧感知的行为反应。杏仁核作为一个整体在人类情绪和社会认知过程中具有关键作用。因此,它的功能障碍与精神病理学有关,例如情绪障碍、焦虑症和发育障碍。此外,一些尸检研究表明,杏仁核是轻度认知障碍和阿尔茨海默病以及路易体痴呆中神经原纤维缠结和老年斑的常见部位。
然而,在健康和疾病方面,人类不同核团的结构和功能之间的关系在很大程度上仍然未知。杏仁核核团的小尺寸使得使用标准神经成像分辨率在体内大脑中非侵入性地研究这种结构变得困难。先前对杏仁核的分割研究使用了(i)基于单一个体组织学图谱的视觉近似;(ii) 基于体内神经成像的手动分割;(iii) 概率图谱的标准化和应用;(iv) 基于扩散加权成像的分割。前两种方法是劳动密集型的,容易出现人为错误。使用 MNI单个个体的参考空间,在分割中的适用性有限,原因有两个:首先,由于分区是在组织学上进行的,可能导致概率图模糊和空间标准化不准确;其次,概率图的直接扭曲以获得分割极大地受到配准错误的影响。此外,这些先前的方法已经将杏仁核分割成 2-4个核团。由于自动化和个体内分割(而不是标准化为模板)的可能性,使用扩散加权成像分割杏仁核变得富有吸引力,杏仁核内的纤维方向已被用于将结构分为两个子区域,中央内侧和基底外侧。然而,这种方法与之前的其他方法一样,对标准化为模板大脑的图像进行分析,并且仅分割为两个子区域。基于先前的动物文献使用特定核团的连接模式,使用扩散连接模式将个体的杏仁核划分为四个核团。虽然这种方法提供了更多的核团(分成 4 个),但核团取决于每个人的连接模式,在一些患者群体中连接模式受到损害。因此,一种独立于连通性且具有更精细细节(即核团而不是子区域)的分割方法可以更好地理解杏仁核的单个核团。
如果没有一种易于使用的技术来分割杏仁核,就很难阐明人类杏仁核的不同作用,以及个体差异对核团结构和功能的影响。此外,在可以在体内探索这些结构之前,功能障碍和异常发育的机制理论的进展将仍然受到阻碍。
本文使用来自尸检大脑的离体MRI数据来描绘杏仁核,并使用一种新算法构建杏仁核结构的概率图谱,该算法将作为FreeSurfer软件的一部分发布。我们的体外成像协议产生的图像具有极高的分辨率和信噪比,显著高于体内成像,这有助于我们使用专门为此研究设计的分割算法准确识别更多的核团。
我们定义了九个杏仁核,它们是人类和动物组织学文献中杏仁核的主要子区,其边界在离体图像中清晰可见。这种分割聚焦于内侧颞叶中的主要杏仁核,而不是扩展的杏仁核。我们之前的工作(离体海马图谱)使用生成建模框架直接分割目标空间中个体受试者体内MRI 数据,由此产生的分割算法可用于分析具有不同图像对比度和强度分布的标准体内 MRI 扫描,并产生了比直接配准到参考空间更清晰和更准确的标签后验概率。本文使用这种方法并将其扩展到杏仁核。我们还将此图谱应用于两个具有标准分辨率 T1 数据的公开可用数据集,并评估由此产生的杏仁核分割体积对 i) 患有阿尔茨海默病的个体和老年对照组以及 ii) 患有自闭症的个体和年龄匹配的对照组的分类效果。
材料和方法:
尸检脑样本和离体MRI采集
离体扫描数据集包括来自马萨诸塞州总医院尸检服务处(马萨诸塞州波士顿马萨诸塞州总医院)和弗雷明汉心脏研究和波士顿大学阿尔茨海默病中心(马萨诸塞州贝德福德退伍军人管理局医疗中心)的 10 个尸检大脑半球,9 例无任何神经系统疾病,1 例轻度 AD,由 5个右半脑和5个左半脑(或包含杏仁核的脑块)组成。表 1 列出了个体的人口统计学信息。简而言之,受试者平均死亡年龄为 68 岁。2名女性,死后间隔不超过24小时。请注意,我们使用术语“案例(case)”来指代大脑半球。我们使用这个术语来确保每个案例代表单个个体的一个半球(而不是5 个个体的 10 个半球)。
从每个离体样本中,切除杏仁核周围的一块组织,首先用浓度10%的福尔马林固定,然后转移到高碘酸盐-赖氨酸-多聚甲醛 (PLP) 中。根据其大小,将其放置在塑料圆柱形离心管(60 ml,直径3 cm)或装满 PLP 的塑料密封袋内。在后一种情况下,使用针头和真空泵将空气抽出,以最大限度地减少样品中气泡的数量和大小。随后在7 T 西门子扫描仪中使用 TR = 60 ms、TE = 30 ms、α= 20°的3D FLASH 序列扫描组织团块。六个样品以 0.1 mm 各向同性分辨率扫描(三个TE=12.8 ms和TR=40 ms;三个TE1=10.75 ms,TE2=25.5 ms 和TR=45 ms,α= 35°),三个是 0.1 毫米各向同性分辨率,另一个是 0.15 毫米各向同性分辨率。根据样本大小使用射频线圈进行采集:或者使用4匝螺线管线圈(内径28.5毫米,长度44毫米),或者用4通道相控阵(环形线圈元件的线性阵列,每个都有5厘米的线圈直径、相邻元件之间1.5厘米的的重叠、16厘米的长度)。尽管使用不同的线圈来扫描不同的样本,但输出图像的质量相当。整个流程前获得了IRB的批准。
表1:本研究中使用的大脑样本的基本人口统计和诊断信息。
缩写:AD,阿尔茨海默病;h,小时;m,男;f,女性;PMI,尸检间隔;n/a,数据不可用。
体外MRI数据的手动分割:解剖学定义
J.C.A.、Z.M.S.和D.K.基于多种组织学和形态计量学来源开发了杏仁核分割协议(我们还调查了猴子杏仁核分割作为附加指南,但把人类文献作为我们分割的主要来源)。杏仁核分区见表2:外侧核、基底核、副基底核、中央核、内侧核、皮质核,杏仁核前区、皮质杏仁核过渡区(CAT)和旁层核。在人类中,CAT相当于动物中杏仁核周围皮质(PAC)除去PAC-3(皮质核的一部分)的部分。尽管已经在组织学准备中描述了杏仁核的其他几个核团(例如,闰核或每个核的细分),但我们只标记了离体MRI对比可见的核团。请注意,这些描述不是基于组织学,而是主要基于在体外 MRI 数据中可见的边界处的对比度。我们根据体外数据中可见的对比度详细描述了手动标记协议。
三个手动评估者(Z.M.S.、D.K. 和 E.B.)将开发的协议独立地应用于十个离体半脑。每个半脑都需要数周(平均 4 周)来分割,并随着图像质量(由于人脑组织的差异)和由此产生的图像对比度而略有不同。尽管整体图像对比度因半脑而异,但每个半脑都具有足够的图像质量,能够确定核团之间的边界并根据边界处的对比度标记这些核团。由于扫描的高分辨率,在冠状方向上包含杏仁核的切片数量为133个 (SD: 28.1),而标准的体内 T1结构像 (1mm分辨率) 通常包含约18个杏仁核切片。我们使用Freeview(一种FreeSurfer 中的可视化工具)手动标记杏仁核。大多数 MRI图像需要轻微旋转,将脑组织与冠状视图对齐,并使正交平面标准化以进行标记。在罕见的 MRI图像上出现气泡或组织损伤的情况下(2 例,仅扩散所有切片的一小部分),我们根据 i) 未受影响组织周围的核团以及 ii) 从前到后核团的外观标记受影响的体素。
一般来说,分割是在冠状视图中进行的。并结合轴向和矢状视图指导子区的描绘,这些额外的视图(以及MRI的3D特性)有助于更好地定义核团对比度和边界。请注意,主要在冠状视图中进行分割的策略会导致其他两个视图中的边界略微参差不齐。然而,这种效果在降采样和构建图谱的过程中被平均化了。为了最大限度地提高评估者的解剖学一致性,J.C.A.建议根据核团之间的 MRI 边界对比度对轮廓同时进行监督和细化。神经解剖学家的目的是验证标记是否与MRI对比度一致,以确保标记质量而不影响标记本身。
表2:手动标记协议的解剖边界和地标概述。
模板创建
在这项研究中,我们将杏仁核和周围组织的解剖变异性编码到统计图谱中。根据 Van Leemput的研究,该图谱可由一个四面体网格表示,该网格覆盖了典型空间中的杏仁核(和周围结构)。网格中的每个顶点都有一个相关的标签概率向量,它包含了在每个位置观察到的每个神经解剖标签的相对频率。这些概率是使用重心插值在非顶点位置估计的。该网格具有变形模型,使其能够覆盖训练数据群中的解剖变异谱。该模型无限惩罚了四面体的折叠或塌陷,并有效地保留了变形时网格的拓扑结构。
给定一些训练好的手动分割图像,构建图谱需要估计每个顶点的标签概率和网格拓扑。本文使用Van Leemput 算法的修改版本,我们整合使用不同协议标记的训练数据集,以便结合体外数据(杏仁核的核团的手动分割)和体内扫描(整个杏仁核和周围结构)。这两个数据集是互补的:前者为图谱提供了有关杏仁核内部结构的信息,而后者提供了有关杏仁核外部轮廓及其周围结构的信息。
训练过程基于贝叶斯推理,即回答以下问题:“最有可能生成手动分割的统计图谱是什么?”该算法相当于使用高密度四面体网格对手动分割进行组间配准,然后进行网格简化过程。简化使用贝叶斯模型选择算法,该算法自动编码每个区域中的标签不确定性:在训练数据中卷积区域被小四面体覆盖,而平坦区域被较大的四面体覆盖。图谱表示的更多细节可以在Van Leemput和Iglesias et al等人的文章中找到。带有和不带有四面体网格的图谱的冠状剖面如图3所示。
体内MRI数据的分割
在 MRI 图像的生成模型中,数据的分割被视为贝叶斯推理问题。该模型假设:(i) 首先根据变形模型对图谱进行扭曲;(ii) 然后从标签概率进行采样分割;(iii) 每个体素的图像强度从高斯分布中采样,其均值和方差取决于体素的标签(组织类型)。在这个模型中,分割的估计再次作为贝叶斯推理问题提出:“给定图谱和图像强度,最可能的分割是什么?”
找到最相似的分割需要最小化两项代价函数:一个是编码图谱变形的先验代价,以及一个与给定分割观察图像强度的概率相关的似然项。分割算法通过交替优化图谱网格的变形和高斯参数(均值和方差)来最小化成本函数。事实上,这些均值和方差是直接从MRI扫描估计以进行分析(而不是在先前的编码中)使得该算法对 MRI 对比度的变化具有鲁棒性。更多细节可以在Van Leemput等人(2009)以及Van Leemput(2009)和Iglesias(2015)的文章中找到。
体内MRI训练数据
为了使分割中可用,我们的概率图谱不仅需要描述杏仁核,还需要描述周围解剖结构(例如海马、皮质等)的统计分布。这种分布是从一个单独的数据集中学习的,该数据集包含 39 个体内脑 T1 MRI 扫描(19名男性,20名女性,平均年龄:56.3岁,29名对照,10名轻度痴呆),在结构水平手动标记(如整个杏仁核,整个海马体等)。这是用于估计主要的 FreeSurfer “recon-all”流程中的概率图谱的数据集(Fischl 等人,2002;Fischl 等人,2004)。使用 Iglesias 等人描述的技术,我们将体内和体外的描述组合成一个概率图谱,包括杏仁核和周围结构。
体内MRI数据(定量测试集)
我们进一步测试了概率图谱是否不仅可以在体内扫描的个体标准解剖中一致地识别杏仁核,而且还测试了杏仁核的信息是否可以可靠地区分神经病理学和神经典型组。为此,我们将两个神经病理学组与匹配的对照组进行了比较,从粗略到精细地估计组间差异。
第一次比较是基于阿尔茨海默病神经影像学倡议(ADNI)数据库(adni.loni.usc.edu)。AD在内侧颞叶结构(包括杏仁核)中显示出大量的神经病理学特征。
第二次组间比较,我们选择了自闭症人群,其杏仁核神经病理学更加多样化且尚未形成明确的共识。我们比较了年龄、性别、智商匹配的典型健康对照样本和自闭症谱系障碍 (ASD)。数据取自Autism Brain Imaging Data Exchange Initiative (ABIDE, http://fcon_1000.projects.nitrc.org/indi/abide/, Di Martino et al., 2014)。两个数据集均使用 FreeSurfer 5.1 版进行处理。
关于体内样本 ADNI 的信息
ADNI数据集选择了213名AD个体和161名年龄匹配的健康对照参与者(AD:76.04(SD 5.42),CNT:75.58(SD 7.37),t(372)= .7,p = .48)。ADNI 于2003 年由美国国家老龄化研究所、美国国家生物医学成像和生物工程研究所、食品和药物管理局、私营制药公司和非营利组织以6000万美元、为期 5 年的公私合作伙伴关系发起。ADNI 的主要目标是测试是否可以结合MRI、正电子发射断层扫描 (PET) 等生物标志物以及临床和神经心理学评估来分析轻度认知障碍(MCI)和早期 AD 的发展。AD早期进展的标志物可以帮助研究人员和临床医生开发新的治疗方法并监测其有效性,以及减少临床试验的时间和成本。
该计划的首席研究员是弗吉尼亚大学医学中心和加州大学旧金山分校的医学博士 Michael W. Weiner。ADNI来自工业界和学术界的研究人员的共同努力。受试者从美国和加拿大的50多个站点招募。ADNI的最初目标是招募800名受试者,但ADNI之后还有ADNI-GO和ADNI-2。这三个方案已经招募了1500多名成年人(55-90岁)参与研究,包括认知正常的老年人、早期或晚期 MCI患者以及早期AD患者。每组的随访时间在ADNI-1、ADNI-2 和 ADNI-GO的相应协议中指定。最初在ADNI-1和ADNI-GO招募的受试者可以选择在ADNI-2中跟踪。有关最新信息,请参阅 http://www.adni-info.org。MRI图像为T1加权,各向同性分辨率为1mm。确切的采集参数取决于采集数据的站点,更多详细信息可在adni-info.org中找到。
ABIDE
ABIDE数据集选择了131名自闭症患者和131名神经发育正常的对照组(NT)作为分析的先验。从完整数据集中选择数据的动机如下:首先,通过视觉检查3D图像对FreeSurfer处理的杏仁核分割进行定性评估。第二,仅选择智商超过 90 的成年人(年龄>18岁),进一步减少了被试数量。第三,通过排除对照组内智商最高的被试,我们减少了对照组被试的数量,使每组中受试者数量相等。结果导致年龄匹配的组(ASD:26.4(SD 8.88),NT:25.95(SD:6.99),t(260)= .43,p = .67),FIQ(ASD:111.87,NT:11179,t(260) = .07, p = .95) 和性别(ASD:16 名女性,NT:18 名女性)。
判别分析
在这项工作中,我们使用核团体积作为分割质量的代表进行组别分类,为了确保判别的准确性主要取决于输入特征的质量(即核团体积)而不是分类器的波动,我们使用简单线性判别分析。更具体地说,对于每个个体,我们使用留一法,利用所有其他个体计算最能区分两个类别的方向,然后评估手头个体在该方向上的投影以计算标量分数。一旦我们获得了所有个体的分数,我们就会进行两次分析。首先,我们使用非参数统计检验(Wilcoxon 秩和)计算两组分数的的p值。其次,我们构建了受试者操作特征 (ROC) 曲线,并计算了最佳操作点(“肘部”)的辨别精度以及曲线下面积(AUC)。为了在统计上比较两个图谱的性能,我们使用配对的 DeLong 检验比较对应 ROC 曲线下的面积。这种比较测试了信息是否来自新图谱,无论是使用所有核团的总和还是使用所有的核团体积作为多维输入,在与 LDA 同时使用时,是否会优于整个杏仁核的现有分割(FreeSurfer分割)。
半球、性别和年龄对核团体积的分析
我们进行进一步的分析以检验体内测试集(ABIDE 和 ADNI)中年龄、半球和性别对核团体积的影响。我们使用重复测量方差分析测试了半球和性别差异,将组别(ASD 与 CNT)作为受试者间因素,将核团(La、Ba、AB、Ce、Me、Co、CAT、AAA、PL)、半球(左、右)或性别(男性、女性)作为受试者内因素。ICV作为协变量添加到所有方差分析中。为了检验年龄对核团体积的影响,在两个测试数据集中,我们将ICV作为协变量进行了偏相关。并使用Fisher r-z变换来测试组间相关性的差异。鉴于没有半球差异(见结果),核团体积在两个半球上取平均值。针对核团数量对p 值进行多重比较校正,即在事后测试或相关性中调整后的p值为 0.0055 (.050/9)。
结果:
离体手动标记的评分间的可靠性和核团体积
我们根据在7 T收集的高分辨率离体图像上清晰可见的9个核团的边界标记了10个死后半脑(图1)。评分者间可靠性计算为Dice系数(两个独立标记的半脑之间的重叠体素除以体素的联合)。Z.M.S.和D.K.两个人完整地标记了半脑 #1,可靠性非常高:La 0.85;AB 0.76; Ba 0.73;Me 0.68;Ce 0.60;CAT 0.59;AAA 0.46;Co 0.44;PL 0.41(图2)。其他半脑均由一个人完整标记,每个半脑的18个切片(6个连续的后部切片、6个连续的中间切片和6个连续的前部切片)由其他两个标记者标记,以计算所有三个标记者在每个半脑之间的重叠测量(所有半脑的 Dice 系数平均值 ± 标准误为:La 0.83±0.02;AB 0.73±0.02;Ba 0.73±0.02;Me 0.34±0.06;Ce 0.54±0.03;CAT 0.61±0.03;AAA 0.38±0.06;Co 0.45±0.05;PL 0.35±0.04)。
图1. 离体MRI的冠状图像(半脑7)
九个杏仁核的边界在左侧中清晰可见,用于手动标记核团。产生的核团标签显示在右侧。切片从杏仁核前部延伸到后部(从顶部到底部的板块)。
La:外侧核;Ba:基底核;AB:副基底核;Ce:中央核;Me:内侧核;Co:皮质核;CAT:皮质-杏仁核过渡区;AAA:杏仁核前区;PL:旁层核;Ot:视束(作为地标)。
冠状切片(图1)主要用于确定标记,但矢状和轴向视图也用于可视化边界,并且对于 Me、Ce 和 Co 核团的标记尤其有用,因为它们在这些视图中呈细长状(图 2)。其中一个离体半脑的 3D渲染说明了不同方向的椭圆形与球形的核团,还说明了一些核团是如何交织在一起的(AB和Ce;CAT和Me;图4)。它还捕获了核团之间的体积差异,La、Ba、AB和CAT占据了杏仁核的大部分体积。表3详细说明了所有被标记的半脑(十个半脑)的每个核团的平均体积。
图2. 核团标签的评分者间比较(半脑1)。描绘了没有任何标签(左列)和由两个评分者(中列和右列)手动标记核团的MRI对比的另一个示例离体半脑。两个独立评分者之间核团的位置和空间范围相似。标签主要基于冠状切片上可视的边界,但另外两个方向(轴向和矢状)对于检查在这些方向上拉长的核团边界特别有用,例如Co、CAT、Ce和Me核团。
表3:用于创建图谱的所有半脑的离体核团的平均体积(平均 mm3 +/se)。
图谱生成及其在体内 MRI 中的应用
从体外尸检手动标签(参见方法和图 3)生成图谱,并应用于两个公共数据集中的标准体内MR图像:ADNI和ABIDE。这些是通过MPRAGE序列以1 mm各向同性分辨率扫描获得的。MRI 数据通过标准 FreeSurfer流程进行处理,包括当前的自动杏仁核分割,这对于比较体内图谱和体外图谱产生的整个杏仁核的分割是有用的。未手动编辑来自离体图谱的分割结果。
图3. 概率图谱的冠状剖面,带有(A)和不带有(B)四面体网格。每个体素的颜色是不同标签颜色的组合,由每个位置的对应概率加权得到。不同颜色代表特定核团:深蓝色:CAT,橙色:AB,红色:Ba,浅蓝色:LA,绿松石:PL
ADNI数据集
我们计算了离体分割如何根据核团体积将AD与对照组分开来。以留一法计算准确率和曲线下面积 (AUC)(所有分析均针对年龄、性别和ICV进行了校正)。体外图谱在区分AD和对照组方面非常准确;使用杏仁核体积的总和作为区分特征产生了81.46%的准确度(AUC=0.89;p = 7.65 × 10−41 AD vs对照组),并且显著优于FreeSurfer v5.1(配对 DeLong)中整个杏仁核图谱。(新图谱与FreeSurfer v5.1图谱Delong测试下的 AUC:p = 1.8 × 10−6)。同时使用当前研究中的所有的杏仁核核团体积区分 AD 与对照组也非常准确,准确率为 84.07%(AUC = 0.9154;p = 2.80 × 10−44),并且与先前的FreeSurfer 图谱(DeLong 测试 p = 9.9×10-6)和 (ii) 使用当前新图谱中所有核团体积的总和(DeLong 测试 p = 1.6 ×10-2)有了显著的提高(参见表 4)。
表4:区分 ADNI 数据集中的 AD 与对照组的准确度和曲线下面积。
ABIDE数据集
我们还将离体分割图谱应用于自闭症和对照组的另一个公共数据集(ABIDE;图5),并根据核团体积进行区分。众所周知,ASD文献表明其神经影像学差异和影响效应非常小。我们想知道 :i) 杏仁核核团体积区分 ASD 和对照组的表现如何,以及 ii) 分类效果是否会明显优于使用整个杏仁核(由图谱得出的所有核团体积的总和),且优于标准 FreeSurfer 分割的整个杏仁核体积。准确度和AUC的计算方式与ADNI数据集完全相同;请注意,我们没有将年龄作为协变量进行控制,因为各组在这个变量上非常匹配。之前的 FreeSurfer图谱未能区分ASD与对照组(p = 0.16,准确率为 54.05%,AUC = 0.449;表5)。相比之下,在同时使用所有的核团时,离体图谱在区分 ASD和对照组方面非常准确(p = .0122),但在使用所有核团体积之和时则不然(p = 0.078;有关准确性和AUC,请参见表5)。同时使用所有核团产生了59.46% 的准确度,AUC = 0.5902,与(i)使用来自FreeSurfer自动分割的整个杏仁核体积(DeLong 测试p = 1.7x10-2) (ii) 使用当前图谱中所有核团体积的总和(DeLong 测试 p = 9.1x10-3)相比,分类效果有了显著提升。使用FreeSurfer 5.1的整个杏仁核与当前新图谱的总体积之间的AUC差异不显著(DeLong 检验 p = 0.65)。因此,尽管杏仁核的内部边界缺乏对比,但核团体积携带了整个杏仁核体积中并不存在的额外信息。
图5. 叠加在标准T1加权解剖MRI图像杏仁核的体内分割(来自ABIDE数据集)。
(A) 冠状、(B)矢状和(C)轴向视图。
面板A中没有标记任何核团的MR图像,方便可视化质量对比。不同颜色代表特定核团:绿色:Me,深蓝色:CAT,橙色:AB,红色:Ba,紫色:Ce,灰白色:Co,黄色:AAA,浅蓝色:La,绿松石:PL。
表5 :ABIDE 数据集中区分 ASD 与对照组的准确度和曲线下面积。
半球、性别和年龄的额外分析
核团体积的半球差异
重复测量方差分析(组间因素:ASD或AD与CNT,半球内部因素:左脑、右脑与核团:La、Ba、AB、Ce、Me、Co、CAT、AAA, PL)。对于两个体内测试数据集没有显示出半球的主效应或半球与核团的相互作用(半球的主要影响:ABIDE:p > .3,ADNI:p > .06;半球和核团的相互作用:ABIDE:p > .5,ADNI p > .23)。
虽然核团是否受半球差异影响不是我们的主要问题的核心,但为了完整起见,我们在这里也报告了完整的ANOVA结果。对于ADNI数据集,发现了核团的主效应(F(1.3,380) = 23.42, p = 1.7×10−7 , η= .058, Greenhouse-Geisser校正), 组间效应 (F(1.,380) = 282.2, p = 9.2×10−48, η= .43) 以及核团与组别的显著交互作用 (F(1.3,380) = 193.2, p = 5.2×10−44, η= .34, Greenhouse- Geisser校正),进一步复制了上述的初始预测分析。协变量的影响是显著的 (F(1.3,380) = 98.6, p = 8.2×10−22, η= .21),并且与半球 (F(1,380) = 6.69, p = .01, η= .017,Greenhouse-Geisser校正)和核团(F(1.3,380) = 89.05,p = 3.1−23,η= .19,Greenhouse-Geisser 校正)存在交互作用。
对于ABIDE数据集,发现了核团(F(1.4,256) = 211.3, p = 6.5×10−47,η= .45, Greenhouse-Geisser 校正),协变量 ICV (F(1,256) = 101.96 , p = 2.1×10−20,η= .29) 的主效应,以及核团和ICV之间的显著相互作用 (F(1,256) = 85.7, p = 1.5×10−122,η= 85.6, Greenhouse-Geisser 校正)。
核团体积的性别差异
在 ADNI 数据集中,重复测量方差分析(组间因素:ASD vs CNT和性别、组内因素:核团、协变量ICV)揭示了显著的性别主效应(F(1.378)= 8.9,p = . 003,η= .02,Greenhouse-Geisser校正),以及性别和核团之间的显著交互作用(F(1.3) = 9.4,p = 9.8−4,η= .02,Greenhouse-Geisser校正)。事后单向方差分析分别检验了每个核团的性别差异。当控制ICV作为协变量,仅在La中表现出半脑之间的差异(F(1,382)= 11.6,p = .0018,η= .025,进行了多重比较校正)。剩余的所有核团都表现出男性更大的核团体积(AAA:p = .028,AB:p = .027,Ba:p = .020,CAT:p = .036,Ce:0.13,Me:p = . 055,Co:p = .017,PL:p = .022)。
发现了核团主效应(F(1.3,380) = 32.8, p = 5.8×10−10, η = .08, Greenhouse-Geisser校正),组别主效应 (F(1.3,380) = 282.5, p = 9.2× 10−48, η = .43) 以及核团和组别之间显著的交互作用 (F(1.3,. 380) = 193.4, p = 3.1×10−44, η = .34, Greenhouse-Geisser校正),再次复制了上述的初步预测分析。协变量的影响是显着的(F(1.3,380) = 38.8, p = 1.3×10−9 , η = .09),并且与核团之间存在显著交互作用 (F(1.3,380) = 33.5 p = 3.8×10−10 ,η = .081,Greenhouse-Geisser校正)。
鉴于在 ABIDE 数据集中的匹配的女性数量非常少(ASD:n = 16,CNT:n = 18),我们没有在 ABIDE 数据集中测试性别的影响。
年龄对核团体积的影响
对于ADNI数据集,在控制ICV以及进行多重比较校正后,偏相关揭示了年龄对每组和两组中几乎所有核团的显著影响。整体而言,核团体积随年龄显著下降(如表6所示)。
对于ABIDE数据集,控制ICV的条件下,两组中AB、CAT、PL和Co与年龄显著相关,在ASD组中有三个核团(AB、CAT、Co)也发现了这种效应,但对照组中没有分析可以通过多重比较校正检验(如表6所示)。
对于任意一个数据集,经过多重比较校正后,核团体积和年龄之间的关系没有表现出显著的组间差异(见表6)。
表6:每个体内数据集(ADNI、ABIDE)中所有被试,疾病组,对照组年龄与核团体积的相关性以及组间相关性的比较。缩写:Ncl,核团;p,显著性值;r,皮尔逊相关系数。
讨论:
本文表明我们可以使用高分辨率离体MRI数据可视化9个杏仁核核团的边界。核团在半脑和评估者之间是一致的。在离体 MRI 数据中手动标记核团作为构建杏仁核核团统计图谱的基础。该杏仁核图谱应用于两个公开可用数据集(ADNI 和 ABIDE)中的体内MRI 数据。因此,我们确定了该图谱是否可用于在不同MRI对比度的标准分辨率T1数据中分割杏仁核。此外,本文还展示了该图谱在区分阿尔茨海默病被试与对照组(ADNI数据集),以及自闭症被试和年龄匹配对照的个体(ABIDE数据集)的效果。我们计划在下一个版本中将离体杏仁核图谱作为公开可用的FreeSurfer 软件的一部分,从而在典型和非典型人群中开辟多种多模态应用程序,并使研究人员以比以前更大的特异性探索杏仁核的功能和结构。
杏仁核是动物和人类认知的重要结构,是皮层、皮层下和边缘连接的重要枢纽。来自动物文献和尸检人体研究的广泛研究表明,杏仁核由几个神经元亚群组成,然而,其确切功能仍有待详细定义。
目前,没有可用的体内分割方法能够对源自基础解剖结构和标准成像协议的九个杏仁核核进行自动分割。先前研究使用体内成像,其分辨率仅仅将杏仁核分成 2-4个区域。标准分辨率的T1加权扫描(0.75–1 mm 体素大小)不能提供人眼足够可辨别的整体图像对比度来区分杏仁核。从扩散加权成像数据中分割杏仁核是可能的,但同样,核团通常被分组为更大的子区域(例如,基底外侧核而不是基底核和外侧核)。与旨在估计参考空间中的概率图的方法相比,所提出的方法考虑了个体潜在的解剖结构,从而提供更大的空间灵敏度。
与以前的工作相比,本研究提供了四个主要创新和优势:
(i)更高的(100-150 µm 各向同性)分辨率,并且由于这种高分辨率;
(ii)最大数量的杏仁核核被解析、标记,然后在个体原始空间建模(九个核团),
(iii) 基于 n=10个半脑的图谱,允许跨半脑建模的差异性,以及 (iv) 使用最近的建模技术,该技术可以将整个杏仁核的大量现成体内分割纳入图谱中。特别是,该模型的生成特性使其与成像对比度的细节无关,因此允许使用超高分辨率的离体训练数据。这与需要在训练和测试数据之间进行强度匹配的技术形成对比,后者本质上迫使训练数据在体内采集,因此分辨率和整体图像对比度显着降低。
在模板大脑空间中定义的传统概率图谱中,通常的过程是将灰质模板配准到测试扫描图像,并使用生成的变换矩阵来传播标签概率。相比之下,基于生成模型的图谱,如本文的图谱,配准图谱仅代表先验,它与特定个体的似然模型(与 MRI 对比无关)相结合,以产生后验分布,从而产生个体原始空间的分割结果。因此,该方法适用于任何 MRI对比度,并且由于先验和似然模型不断更新,它可以基于后验而不是单独的先验生成更清晰的分割。
本文介绍的图谱很容易适用于标准的解剖MRI数据,并将在FreeSurfer 软件的未来版本中实施。FreeSurfer是一种开源且广泛使用的大脑数据分析软件,我们希望新图谱将显著影响未来的研究,以促进我们对人脑杏仁核功能的理解。
与旨在估计参考空间中的概率图的方法相比。本方法考虑了个体的潜在解剖结构,提供了更大的空间敏感性。虽然先前的研究贡献了较大的样本量,但本研究利用概率建模(即贝叶斯建模)的最新进展来考虑个体解剖结构,以分割杏仁核的核团。未来的工作还可以将本文图谱与其他分割组核团的图谱(而不是当前图谱中的个体核团)进行定量比较,以确定针对不同研究问题的最佳图谱。不过要注意,不同图谱的比较将在很大程度上取决于配准的质量,输入图谱之间的图像对比度差异会极大地影响配准质量。当这些模板空间图谱的配准不佳时,会导致由不同图谱和不同空间(即个体原始空间与模板/组空间)分割的子区域之间的重叠不良。
本文表明,由图谱获得的杏仁核的新信息可以可靠地区分两个不同人群中的病理解剖和正常解剖,其准确性高于整个杏仁核的总体积。对于ADNI数据集,考虑到AD和MCI的神经病理学特性,我们预计病理组和对照组之间存在解剖学差异。相比之下,我们预计ABIDE组间比较的差异相当小(如果有的话)。杏仁核的确切结构神经病理学在ASD中不太清楚,仅发现杏仁核作为一个整体结构发现存在异质性。ASD在临床上是一种非常异质的疾病,因此可能具有异质和复杂的潜在生物学。重要的是,在ADNI数据集 (p= 9.9×10-6 )和ABIDE 数据集(p=1.7×10-2 )中,基于新图谱的分类准确性优于之前杏仁核总体积的结果。虽然基于ABIDE区分的准确率总体上不是很高,但使用当前图谱仍然可以显着提高判别准确率。此外,ASD辨别的准确性低于阿尔茨海默氏症辨别的发现是本分析的另一个重要方面。虽然ADNI比较扩展了先前关于AD和年龄匹配的对照参与者之间杏仁核体积差异的研究结果,但ASD的研究结果显示了未来研究应用的潜力:使用与行为特征相关的杏仁核解剖变化的信息可能比杏仁核作为一种同质结构更敏感。我们预计这个新工具将支持神经影像学研究人员发现 ASD和对照组之间的可复制和稳健的差异,其准确性比基于整个杏仁核更高。我们将这些结果作为一个潜在应用的例子提供给神经病理学不太清楚的临床人群,并鼓励其他研究人员分别在不同的 ASD和其他精神病样本中测试和扩展这一发现。例如,单个杏仁核的估计和定义(或划分为其他有意义的子区,例如基底外侧/中央复合体)可以作为与任务相关的功能性MRI研究的感兴趣区域;或作为无任务 fMRI数据中连通性分析的种子区域。
半球、性别和年龄对体内数据集中核团体积影响的额外探索性分析强调了在比较不同的群体(特别是在老年人样本中)时,仔细匹配群体年龄和性别的重要性。以前将杏仁核作为一个整体进行分割的研究存在差异,一些研究组报告了更大的右侧杏仁核或没有不对称性。本研究发现两个数据集不存在半球差异,这对进一步研究有影响(例如,可以平均体积),但根据以往的文献,未来的研究应该仔细检查半球差异。另一个潜在的应用可能是研究发育过程中的体积和连通性变化。例如,最近的一项研究表明,大多数杏仁核亚区域(中央、基底和外侧)的连通性在5-30岁之间持续变化。然而,这些区域是根据连接图谱确定的,并且该研究仅限于杏仁核的更粗略的分割。这里确定的九个核团的结构(例如体积或连接性)和功能发展轨迹仍有待探索。
限制:
本研究的一些局限性是我们没有标记杏仁核的精细划分(即每个核的腹侧、背侧、内侧、外侧部分),并且我们没有在十个半脑中标记“扩展杏仁核”。内侧核和中央核有时被认为为扩展杏仁核的一部分,所以也许我们包括了扩展杏仁核的一部分;其他人认为这些核团是基底神经节的一部分,因为它们具有抑制性。还值得注意的是,不同的群体区分中央核团的边界有很大的不同。这种差异可能是由于中央核团的两个核(背内侧核和腹外侧核)染色完全不同。Amunts 及其同事的研究囊括了一个更大的中央核分割,可能强调该区域的扩展杏仁核概念。本文我们主要标记中央核的内侧部分(即背内侧),而不是中央核的外侧部分(即腹外侧),这与中央核的许多定义一致,其中一些有髓纤维将其与杏仁核的主要部分分开。当直接比较不同的图谱时,不同组之间的核团定义之间的差异也很重要。杏仁核在其结构、功能和连通性方面的多样性长期以来一直存在争议。未来的研究可以阐明不同核团作为杏仁核、腹侧苍白球、基底前脑或海马体一部分的作用。
结论:
在本文中,我们使用超高分辨率离体成像可视化了九个杏仁核核边界(杏仁核前区、皮质-杏仁核过渡区、基底核、外侧核、副基底核、中央核、皮质核、内侧核、旁层核)。核团在半脑和评估者之间是一致的,生成的图谱将在FreeSurfer软件中发布。杏仁核图谱被应用于两个数据集,证明了与以前的杏仁核分割方法相比,对阿尔茨海默病和自闭症谱系障碍具有更高的辨别力。该杏仁核图谱将为神经影像学研究人员提供在体内测试核团功能的能力,并且在人脑中具有更大的空间特异性。