磁共振高阶弥散模型
Hi there, what’s up? 又到了日山给大家分享的时刻了，说起来真有点小激动。
“我是日山，就是每周日爬一次白云山的赵日山。”
上期给大家分享了HARFI技术，那是一种使用弥散后处理方法分析BOLD像的技术，其中提到了弥散的常见模态。鉴于很多小可爱们非常关心弥散各个高阶模型之间的异同、以及各自的后处理方法，日山作为痴迷Neural的Scientist，本次分享先满足大家第一个好奇心和求知欲，以后会不断地扩展介绍。
磁共振弥散成像技术是目前在活体上测量水分子弥散运动与成像的唯一方法，其中最常见的是弥散加权成像（Diffusion Weighted Imaging, DWI），相信大家都不陌生。所以今天重点介绍一些常见或备受关注的高阶弥散模型，包括DTI、DKI、DSI、HARDI、NODDI、IVIM。
下图是弥散核磁发展的概述图，可以首先大体地、直观地，了解弥散的发展。（此图来源：懋式百科全书）基础理论本期不介绍，直接上干货。
1.DTI
弥散张量成像（Diffusion Tensor imaging, DTI）是弥散加权成像（Diffusion Weighted Imaging, DWI）的最常用的高阶弥散模型，同时也是当前有效观察和追踪脑白质纤维束的非侵入性检查方法，可以很好的重现神经纤维束走向信息。DTI主要研究高斯扩散，以三个本征向量代表扩散的三个方向分量，主方向分量是沿神经纤维走向的切向方向，其余两个是法向方向，以此来描绘水分子受限于白质区神经突触的扩散规律，进而区分脑脊液和突触内区域，然而对灰质区域不是很敏感。就脑神经纤维束而言，DTI已经成为了主流手段（其实内脏神经也可以做，但这是后话）。不过DTI有个很严重的短板，就是由于技术手段的局限性，它无法在一个体素内识别多个纤维方向。在更复杂的神经系统研究中，如果我们不能探索神经方向及其复杂性，就并不能满足我们对探索未知的需求。对此，我们有其他模型可供选择，比如……
2.DKI
没错，我们还有弥散峰度成像（Diffusion Kurtosis imaging, DKI）。峰度，又叫峰度系数，表征概率密度分布曲线在平均值处峰值高低的特征数。直观来看，峰度反映了峰部的尖度，被定义为四阶累积量除以二阶累积量的平方，它等于四阶中心矩除以概率分布方差的平方再减去3，这也叫做超值峰度（减去3是为了让高斯分布的峰度为0）。上图依旧来自懋式百科全书。DTI的理论基础是假设生物组织内水分子扩散为各向异性或各向同性高斯随机分布的，因此可以显示结构较统一的白质（前文提到，对灰质不是很敏感，因为灰质区的神经纤维方向性更为复杂）。然而实际上，仅用简单的各向同性或各向异性难以表达人体复杂的系统特性，高斯模型的单指数扩散张量模型难以获得精准的组织结构特性，为了更准确地揭示组织的微观结构特性，研究微观结构的扩散模型就要在向高阶复杂化方向发展。就脑组织而言，水分子的扩散实际上是非高斯分布的，尤其是对于高度复杂的脑灰质结构。如上图所示，有些概率密度分布曲线的峰比较高尖，比较瘦，两边往中间收拢；有些概率密度分布曲线的峰比较钝圆，比较宽，往两边散开。峰度体现了神经纤维结构的复杂程度（DTI只反映了方向性），峰度越高，神经纤维结构越复杂，非高斯分布的水分子扩散受限就越是显著。DKI能够更好的反映具有复杂方向性的神经纤维结构，在一定程度上弥补了DTI的不足。
3.DSI
不同于DTI无法识别特性体素内神经纤维复杂方向性，弥散谱成像（Diffusion Spectrum Imaging, DSI, 也称Q-space Imaging）可在一个体素内识别多个纤维方向。DSI并不需要基于什么计算模型，它通过弥散位移进行三维傅里叶编码，直接便可计算体素内水分扩散位移的三维概率密度分布，进而重现纤维束方向的复杂特性。DSI具有更加精确的空间分辨能力，在微观尺度和宏观尺度之间架起了桥梁，为进一步探知和统合细胞水平以及亚细胞水平的多尺度分析研究提供了可能。也就是说，DSI更适合于用在精细结构的成像研究当中。然而DSI也具有一定的缺陷：1. 采样效率低，2. 采样数据量大，3. 对b值要求高，4. 对梯度和采集时间要求高等。这些短板可能会受制于设备本身性能或者实操过程中的条件限制等，最终阻碍其临床应用。于是我们有了另一个替代品，就是HARDI。
4.HARDI
高角度分辨率扩散成像（High AngulaR Diffusion magnetic Imaging, HARDI）也同样可以体现神经纤维方向分布的复杂性。它需要比DTI更多的角度和更高的b值。虽然主要也是描绘神经纤维束的各向异性，但可以得到其方向复杂性的足够信息。类似DTI以FA（Fractional Anisotropy，各向异性分数）作为重要参量，HARDI以GFA（General Fractional Anisotropy，全局各向异性分数）作为参量，相比DTI，HARDI更适合用来研究大脑神经结构的连接性及其变化规律。HARDI作为一个弥散模型，并没有DSI那么高的要求，无非就是多了几个扫描角度，同时把b值设定高一些。
5.NODDI
前面说到的模型，要么是考虑了水分子扩散的“是否各向异性”，要么是考虑了扩散“是否满足高斯分布”。比如DTI主要研究高斯扩散，即用于区分脑脊液和突触内区域；DKI主要研究非高斯扩散，即区分脑脊液和突触外区域。神经突触方向扩撒度与密度成像（Neurite Orientation Dispersion and Density Imaging，NODDI）同时考虑了水分子扩散的“是否各向异性”以及“是否满足高斯分布”。通过区分自由扩散水分子（各向同性高斯扩散，如脑脊液，CSF）、突触内水分子扩散（各向异性非高斯扩散、受限扩散）、突触外水分子扩散（各向异性高斯扩散、阻滞扩散），可以一次性将大脑空间分为脑脊液、突触外和突触内三种子空间进行研究，并定量研究各个子空间的体积分数，因此更适合全脑空间的定量分析。NODDI和HARDI一样需要比DTI更多的扫描角度，但不同的是，HARDI需要的是高b值，NODDI需要的是多b值，其中至少有一个高b值。最终，NODDI除了体现了神经纤维的方向性，还考量了神经突触密度的变化。其中，神经方向性可以反映其连通性，而密度则反映了其复杂程度，二者在脑功能研究中各自起到了不同作用，比如复杂性可以体现随年龄增长的神经退行性变化规律，连通性则更多反应功能性病变等。
6.IVIM
前面的5个模型关注的是神经纤维的走向和复杂程度信息，体素内不相干运动成像（Intro-Voxel Incoherent Movement, IVIM）则旨在反映灌注相关疾病信息，主要应用于肝癌、肝纤维化、肾肿瘤、前列腺癌、周围型肺癌、宫颈癌、乳腺疾病，也可应用于脑胶质瘤、鼻咽癌和脑梗死等临床科研。如DKI可反映精细的神经纤维结构一般，IVIM的3个重要参数：快弥散系数（D*）反映的是微循环灌注，而慢弥散系数（D）反映的是细胞内外水分子扩散，灌输分数（f）则反应血流量。相比其他模型，IVIM对b值数量要求比较多，比如甚至可能要求b值个数有18个。在IVIM应用中，b值的个数及其大小，直接影响了最后测量结果的准确度。尽管比较苛刻，也是目前备受瞩目的临床科研手段之一。
编辑：Sabrina HAO