影像学技术在中枢神经系统中的研究进展

陈冲，王健

1.华中科技大学同济医学院附属协和医院放射科，湖北 武汉 430022；2.华中科技大学同济医学院附属协和医院检验科，湖北 武汉 430022；*通信作者 王健 jianwang_wh@hust.edu.cn

神经系统对生理活动的调节发挥主导作用，主要功能包括传递、储存及加工信息，调节心理活动并支配人体全部自主与非自主行为。神经系统主要由神经组织构成，分为中枢神经系统和周围神经系统。随着脑科学与类脑科学研究计划的提出，对于解密大脑认知功能和攻克大脑神经疾病的研究已提高到一个新的层次，该研究领域已成为未来发展的重大科研方向[1]。这对神经组织的成像技术提出更高的要求，需要从解剖学、神经电生理学以及神经功能学等多个维度对神经系统进行研究。目前应用于神经组织的影像学技术主要包括两大类：一类是在MR基础上发展而来的多种成像方式，包括扩散加权成像（diffusion weighted imaging，DWI）、扩散张量成像（diffusion tensor imaging，DTI）、扩散频谱成像（diffusion spectrum imaging，DSI）和神经突方向离散度和密度成像（neurite orientation dispersion and density imaging，NODDI）等；另一类是基于脑电的多模态神经功能成像，包括脑电-功能磁共振成像（electroencephalogramfunctional magnetic resonance imaging，EEG-fMRI）、脑电-近红外光谱成像（electroencephalogram-near infrared spectroscopy，EEG-NIRS）和脑电-经颅聚焦超声成像（electroencephalogram-transcranial focused ultrasound，EEG-tFUS）等。

本文综述影像学技术在中枢神经系统成像中的研究现状，以5种神经成像技术为代表，重点介绍神经组织成像的技术原理、临床应用研究以及不足之处，加深人们对神经成像技术的了解与探索兴趣。

1 DWI

DWI是一种广泛应用于神经组织的传统成像方法，其根据人体中水分子的自由扩散运动这一原理进行显像[2]。DWI选用单指数模型，水分子于脑组织中的扩散信号（强度）与扩散敏感因子b值呈线性衰减关系[3]。施加一对梯度脉冲（方向和大小相同）在MRI自旋回波序列180°脉冲的两侧，其中一个梯度脉冲的目的是加速质子的自旋并引起相位的改变，另一个梯度脉冲则引起相位重聚。在这一过程中，无法完全重聚的相位会引起信号下降。神经组织内水分子的扩散因受组织微结构与异质性的影响，呈现不同的扩散信号，从而对其进行显像。

DWI广泛应用于缺血性脑卒中的成像中，诊断急性患者的敏感度和特异度为90%以上[4]。然而，对于脑血流量<35 ml/（100 g·min）引起的脑缺血以及缺血性卒中，DWI无法准确识别，容易漏诊[5]。此外，DWI在诊断颅内原发肿瘤以及颅内感染性疾病中也具有重要作用。Meyer等[6]报道72%的颅内转移灶表观扩散系数<0.9×10-3mm2/s。近年，DWI进一步应用于肿瘤及部分囊性病灶的鉴别与判断[7]，并广泛应用于前列腺疾病、乳腺疾病、肾缺血性疾病及肿瘤等相关疾病的诊断[8]。DWI在临床上常规应用于颅脑疾病的诊断和研究，随着MR软硬件技术的革新，全身DWI逐渐成为MRI技术的研究热点，并逐步在临床上使用，其在评估恶性肿瘤的全身转移方面具有重要的应用潜力。

尽管DWI可以对中枢神经组织中的一些隐匿性病灶进行准确的识别，但是其单指数模式的成像原理主要检测均匀介质中水分子的扩散运动，而真实的神经组织具有成分多样、结构复杂的特点，是一种非均匀介质环境，会影响DWI的准确性。

2 DTI

DTI是在DWI的基础上逐渐演化而来的一种成像方法，其利用水分子在不同方向上布朗运动信号的差异而成像[9]。在神经束的不同方向，水分子的扩散具有方向特异性，如与神经束走向相同时，扩散最快，受限最小；而与神经束垂直方向时，扩散最慢，受限最大。基于此，DTI可以在每一个体素中创建一个扩散张量反映水分子在其中的扩散特点。DTI可以从方向上定量显示中枢神经组织纤维的微结构，而病变部位的组织微结构改变会引起水分扩散特性的变化，从而对病灶部位进行显像[10]。

由于可以定量显像和分析中枢神经系统的微结构，DTI在脑外伤、脑梗死、脑肿瘤等疾病的诊断中发挥重要作用[11]。视神经具有典型的白质纤维传导束，DTI在青光眼、视神经炎、缺血性视神经病变以及压迫性视神经病变的诊断中具有重要价值[12]。Tao等[13]采用DTI检查7例视力下降的眼眶肿瘤时，发现视神经常规MRI正常，但是DTI却显示明显异常，提示DTI对视神经早期损伤的识别更加敏感。此外，在诊断臂丛相关神经损伤时，如急性臂丛神经损伤、腕管综合征、尺神经卡压及肿瘤性疾病，DTI同样具有较高的敏感度和准确度[14]。

DTI对神经纤维束的定量研究大部分采用ROI法，导致研究者的主观因素对测试结果影响过大，使其临床推广应用受到限制[15]。此外，DTI重建后的自动追踪法可以评价一整段神经纤维束，但是无法对神经纤维束上的单独位点进行评估。

3 DSI

DSI是一种多方向多b值的q空间显像技术[16]，用于探究中枢神经组织内交叉环绕和复杂走向的纤维束，在对神经组织微结构的可视化研究上具有显著优势。为了解决DTI和扩散峰度成像在描述颅内组织多纤维束走向、交叉、缠绕与弯曲等情况时，出现空间分辨率和算法不足以及部分容积效应突出的问题[17]，DSI应用而生。该技术运用概率密度函数描绘处于非高斯分布水分子的扩散信号，获取六维的扩散影像数据，同时从高的角度分辨率准确地显像复杂走向的纤维束。Glenn等[18]探究DSI、扩散峰度成像和DTI在映射神经组织白质方向上的差别时，证实DSI对纤维束方向的显像更准确。

DSI可以准确地显示中枢神经组织的微观解剖结构，在颅内肿瘤部位的辨别以及多种神经相关疾病的诊断中具有潜在的应用价值。Chiang等[19]研究发现：在注意缺陷多动症患者的左侧额叶弓形束、上纵束以及纹状体束等结构，其广义各向异性分数显著小于健康人。DSI可用于特发性常压脑积水患者皮质脊髓束的扩散光谱成像[20]。此外，DSI广泛应用于阿尔茨海默病、听觉言语幻觉障碍、弱视和精神分裂等疾病的研究中。Griffa等[21]采用DSI成功揭示精神分裂患者脑区存在的最短纤维路径的再布局以及随后产生的更扩散的网络结构。DSI是一种用于描述人体纤维走行的MRI技术，特别是对于颅内走行复杂纤维束的可视化成像具有巨大的优势，显著弥补了其他成像技术的不足。

鉴于采集数据的体量，DSI需要更长的采集时间，即使运用3.0T MRI，仍需16分钟的采样时间，因此患者耐受性较差[22]。此外，过长的梯度场持续时间和扩散时间会延长回波时间，影响信噪比，显著降低图片质量。DSI需要的高磁场强度也对硬件设备提出更高的要求，增加检测成本。

4 NODDI

NODDI是一种多隔室扩散成像模型，用于定量分析神经纤维方向离散度和神经突密度，从而评估神经组织微观结构的病理改变[23]。神经组织内水分子的扩散在细胞内外具备不同的特征，如细胞内呈现非高斯位移分布的受限扩散，而细胞外为高斯位移分布的受阻扩散，在此基础上加上水分子在脑脊液隔室呈现同性水分子的自由扩散特征，共同构成了NODDI成像的基础[24]。NODDI可以区分神经突密度和纤维方向离散度——这两种影响各向异性分数的因素，并进行单因素分析。

NODDI具有特异性检测神经突密度和纤维方向离散度的优势，在生长发育与老化、脑卒中、多发性硬化症、神经退行性疾病以及精神类疾病研究方面具有独特的价值。Kodiweera等[25]和Genc等[26]采用NODDI发现纤维方向离散度指数随着受试者年龄的增加而增加，而神经突密度指数与年龄无相关性。Andica等[27]研究发现：帕金森病患者对侧黑质纹状体远端通路的神经突密度指数显著降低，提示多巴胺神经元的退行性病变，NODDI结果与病理学结果高度一致。王敏等[28]研究表明，NODDI在脑胶质瘤的诊断和肿瘤分级中具有重要的应用价值，可用于鉴别高、低级别恶性脑胶质瘤。此外，NODDI可有效评估肝豆状核变性患者脑部铜沉积引起微结构和代谢的改变，在评估肝豆状核变性的病情方面具有重要的应用价值[29]。总之，NODDI是一种新兴的MR扩散成像技术，能准确描述与神经突起相关的微结构，较DTI获取的定量指标特异性更强、优势显著。

5 基于脑电的多模态神经功能成像

基于头皮脑电的神经功能成像具有高时空分辨率、易于获取和直接体现大脑神经活动等优势，将其与单模式神经功能成像相耦合，逐步形成EEG-fMRI、EEG-tFUS和EEG-NIRS等多模态神经功能成像。

神经功能成像主要分为两大类[30]，一类基于神经生理活动产生的电磁信号改变进行神经功能成像，如EEG与脑磁图；另一类基于神经活动造成的血流与代谢改变进行神经功能成像，如fMRI、功能红外光谱成像（functional near infrared spectroscopy，fNIRS）及正电子发射断层成像等[31-32]。多模态神经功能成像在脑功能影像信息获取、数据融合、交叉验证及联合分析等方面更具优势，逐渐成为主流趋势。Bagarinao等[33]研究发现：同步EEG-fMRI可在癫痫活动期准确辨别出癫痫病灶。Khan等[34]在实验中运用EEG-fNIRS成功解码多种不同动作的EEG信号，表明该技术在脑信号解码中具有重要的研究价值。

基于脑电的多模态神经功能成像在一定程度上兼具时间与空间上的分辨率，但是仍然存在不足。如EEG-fMRI的同步采集设备在兼容上存在局限性，且不易携带；EEG-fNIRS存在信号匹配度低等缺点。人工智能对于大型数据集和高维度数据集的处理与运算具有独特的优势，基于深度学习的神经功能成像技术可显著提高结果的一致性[35]，表明人工智能在多模态神经功能成像方面具有较大的应用潜力。此外，随着工程技术革新和软硬件系统的升级，多模态神经功能成像有望得到进一步发展。尽管神经功能成像离临床应用仍有较长一段距离，但是该技术对于目前脑科学的研究前沿——脑功能解析和脑机接口的研发，具有非常重要的价值和科学意义。

综上所述，MRI随着算法的改进和硬件的升级，已开发出多种高阶成像方式，在神经组织微结构成像、急慢性神经损伤、神经退行性病变及精神类疾病的诊断中具有重要价值。基于脑电的多模态神经功能成像能以高时间和空间分辨率进行显像，在神经功能检测与解码、神经疾病的鉴别诊断及神经认知研究领域展示出独特的优势。随着工程技术的发展，硬件系统性能及集成度的提升，多种成像技术的整合能更加全面地呈现神经组织的全貌，有望成为神经成像技术的发展趋势。