本文描述了如何使用超高分辨率的磁共振成像来构建亚区水平的海马结构统计图谱。使用定制的硬件以0.13 mm的各向同性分辨率(平均)对 15个尸检样本进行扫描。使用专门为这项研究设计的序列，图像被手动分割成13个不同的海马亚区。除了亚区外，使用全脑(分辨率为1 mm)T1加权MRI活体扫描数据集，手动标注邻近结构(例如杏仁核)。利用一种基于贝叶斯推理的图谱构建算法，将来自尸体和活体数据的手动标签组合成单一的海马结构计算图谱。所得到的图谱可以用来自动分割结构MRI图像中的海马亚区，使用算法可以分析多模态数据，并适应由于采集硬件或脉冲序列的不同引起的MRI对比度的变化。该图谱将作为Freesurfer(版本6.0)的一部分发布，通过在三个具有不同MRI对比度的公开数据集来证明。结果表明，该图谱及其配套的分割方法：2)基于高分辨率T2数据复制了对轻度认知障碍患者分类的结果；3)在标准分辨率(1 mm)T1数据上，能够以88%的准确率区分阿尔茨海默病患者和老年对照组，显著优于Freesurfer版本5.3的图谱(86%的准确率)和基于海马整体体积的分类(82%的准确率)。本文发表在Neuroimage杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）。海马是在陈述性和情景记忆中具有关键作用的脑区，也是正常衰老和癫痫、阿尔茨海默病(AD)等疾病相关的关键脑区。海马结构由许多不同的、相互作用的亚区组成。尽管海马内部复杂，但MRI分辨率的限制迫使研究人员在研究中将海马建模为单一的、同质的结构。尽管这些研究显示，从MRI数据自动或手动分割获得的整个海马也可以作为AD生物标记物，但将海马视为单个实体忽略了关于亚区的潜在有用信息。动物研究表明，这些亚区具有不同的记忆功能。在人类中，它们也被认为在记忆和学习中扮演不同的角色，并且在AD和正常衰老中是有差异的。对海马样本的组织学研究的如果激发了人们用MRI研究活体海马亚区的兴趣。用活体MRI表征正常衰老和AD的神经成像研究，大多数依赖于对海马结构的T2加权MRI数据进行手动分割。T2图像通常是各向异性的，沿海马主轴方向的分辨率被降低，以获得每个冠状切面内更高的平面分辨率，这是由海马的内部结构驱动的：类似于瑞士卷，其螺旋结构沿其主轴变化较慢，几乎与前后方向平行。在活体T2加权数据中，螺旋的一部分变为低信号带，与放射层、腔隙分子、海马沟和齿状回分子层相对应。这些层将海马体与齿状回分开。此后，为便于书写，我们将该带称为“分子层”。高分辨率活体海马亚区的手动分割MRI数据往往严重依赖于这一分子层，这是MRI中可见的海马内部区域最显著的特征。然而，在这些高分辨率图像中手动划分亚区是非常费力的-每个案例大约50小时。目前，很少有实验室拥有开展此类研究所需的神经解剖学专业知识和人员配备方面的资源。即使在这些实验室内，可用于一项研究的病例数量也受到手动分割亚区耗时的限制，这反过来又限制了分析的统计能力。可以通过使用自动算法来克服以上限制。到目前为止，已经有两种主要的自动和半自动海马区分割方法。Yushkevich等人结合了多图谱分割、相似度加权投票和基于学习的标签偏差校正技术，以几乎自动的方式进行亚区分割。用户需要将MRI切片初始划分为海马头、海马体和海马尾。我们小组开发了一种基于海马解剖统计图谱和MRI数据生成模型的全自动方法。这两种方法从参数和非参数两个不同的角度来处理分割问题。我们开发的算法遵循生成性、参数化的方法，专注于对海马亚区和周围大脑结构(即潜在的分割)的空间分布进行建模，这是从有标记的训练数据中学习的。分割是模型中的隐藏变量，通过图像形成的生成过程关联到观察到的图像数据，而不对MRI采集做出任何假设。这确实是该算法的强项，因为它适用于任何MRI脉冲序列和分辨率-即使是多模态的。相反，Yushkevich开发的算法依赖于基于配准的多图谱算法(非参数方法)和机器学习技术的组合，方法的两个部分都有效地利用了从训练数据导出的图像强度分布的先验知识，而我们的方法忽略了这些信息。虽然当测试与训练数据的MRI脉冲序列相匹配时，使用先验知识是有利的，但这种方法不可能分割具有不同对比度的MRI图像。我们最初的亚区分割方法是作为Freesurfer开源软件包 (5.3版)的一部分公开提供的，它基于0.38×0.38×0.8 mm分辨率获取的活体MRI数据构建的概率图谱。此后，我们将该图谱称为“活体图谱”(Freesurferv5.3)。此图谱的分辨率仅足以产生标准分辨率MRI中的亚区的粗略分割(即1 mm)；需要更精确的解剖学模型来分析更新的、更高分辨率的数据。具体地说，FreesurferV5.3中的图谱存在三个缺陷。首先，图像分辨率不足以完全区分亚区，严重依赖几何标准来追踪边界，影响了标注的准确性。特别是分子层没有标记。第二，该方案是为海马体设计的，没有很好地分割海马头或海马尾，因此，第三个问题是亚区的体积与组织学研究的体积不太一致。本文，我们使用新的算法和来自尸检大脑的离体MRI数据，开发了新版本(FreesurferV6.0)中的海马图谱。在对尸检样本进行成像时，可以进行更长时间的MRI采集，因此图像具有极高的分辨率和信噪比。与Yushkevich的图谱(简称“UPenn图谱”)相比，我们的图谱具有以下优势：1.以更高的分辨率构建(平均为0.13 mm各向同性，而不是0.2 mm)；4.除了海马亚区之外，还对周围的结构进行建模，使得它能够用于生成性建模框架中，以直接分割不同对比度的活体MRI数据。为了将相邻结构包括在图谱中，我们开发了一种新的图谱构建算法，该算法将尸体数据与整个大脑的活体扫描的标准分辨率数据集相结合。我们把这个图谱称为“体外图谱”(Freesurfer v6.0)，除此之外，采用活体数据来建立海马周围结构的模型。本研究中还提出了一种分割算法，用于分析活体图谱中的MRI扫描。需要强调的是，使用体外数据推断活体结构需要一种能够适应不同强度分布的方法。体外扫描是在具有与活体组织显著不同对比度特性的固定组织上获得的，显著缩短了T1，体外扫描很大程度上是T2*加权的。即使活体和体外的采集序列是匹配的，所得到的图像也将具有显著不同的强度特征。因此必须使用不需要与活体扫描中相同强度特征的分割方法。本文安排如下。第2节描述了用于建立统计图谱的MRI数据、分割方案和数学框架，显示了所产生的图谱，并将其产生的亚区体积与来自UPenn图谱和来自两项组织学研究的体积进行了比较。第3节详细介绍了使用该图谱分割活体MRI数据的算法，并给出了在三个不同分辨率和不同类型MRI对比度的数据集上的结果。最后，第4节对文章进行了总结。体外数据包括15个尸检大脑。其中10名没有任何神经疾病，4名患有轻度阿尔茨海默病，1名患有轻度认知障碍(MCI)。人口学特征如下：死亡年龄为78.6±11.9岁，女性占35.7%，左半球占53.3%，死亡间隔均小于24小时。从每个样本中切除包括海马体在内的一块组织。根据大小放在一个塑料圆柱形离心管(60毫升，直径3厘米)中，如果不合适，就放在一个装满PLP的袋子里密封。在后一种情况下，使用针头和真空泵抽出空气，以最大限度地减少样品中气泡的数量和大小。随后在7T西门子扫描仪中使用TR=50毫秒、TE=25毫秒、α=20º的3D FLASH序列扫描。其中2个样本以0.1 mm各向同性分辨率扫描，7个样本以0.12 mm分辨率扫描，5个样本以0.15 mm分辨率扫描，1个样本以0.2 mm分辨率扫描。使用了三种不同的线圈，以适应样品大小的变化。图1显示了示例切片。
主要是基于组织和形态学，Duvernoy图谱也被用作辅助工具。表2描述了标注的标签及其标注方案（见原文）。由于体外MRI数据分辨率较高(100µm)，可以看到大部分的亚区边界，但是细微之处仍很难区分。体外MRI标记和组织学的另一个不同之处在于，许多边界与成像平面是倾斜的(而不是垂直的)。尽管如此，我们使用解剖学结果进行指导，还使用特定层次的神经解剖学知识来识别边界。由于缺乏图像对比度，下托、CA1、CA2和CA3之间的边界区分比较困难，我们使用锥体层厚度和锥体层强度来区分，还结合位置和锥体层厚度来确定亚区：下托最宽，CA1比下托薄，CA2比CA1薄，CA3是最薄。由J.C.A.监督的七个手动标记器使用表2的方案标注15个体外扫描样本的亚区。标注是使用Freeview创建的。首先旋转MRI图像，使海马长轴与冠状图的垂直方向对齐，后对亚区进行标记。标注是在冠状图中进行的，同时使用来自其他两个视图(矢状图和横断图)来指导。标注以及亚区的颜色编码(可视化)如图2所示。
从体外数据中了解到，需要手动描绘海马周围的邻近结构。即使可以在超高分辨率的体外MRI数据上获得这些结构，但这不是必须的。首先，只需要提供上下文来辅助相邻结构的亚区分割，因此不需要超高分辨率，以标准分辨率(即~1 mm)进行标记足够了。其次，已经有一些公开的和专门的活体数据集，这些结构已经被手动标记。全脑MRI数据集包括39名被试的T1加权扫描，使用1.5T的MP-RAGE序列，参数如下：TR=9.7ms，TE=4ms，TI=20ms，翻转角=10º，1 mm各向同性分辨率。手动标记36个结构，包括整个左侧和右侧海马（图3），与体外标注方案进行比较。
图3 MRI数据集以及与体外图像的对比
如果您对脑结构及其他脑影像数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第八届磁共振ASL数据处理班（上海，3.1-4）
第十四届脑影像机器学习班（重庆，3.12-17）
第三十八届脑影像基础班（南京，2.23-28）
2.4 一种图谱构建算法
首先描述基于四面体网格（编者注:这属于对有限元实体进行数字建模时重要的表示方法，主要为四面体网格划分和六面体网格划分，四面体网格划分方法简单，边界适应性强，适合各种复杂几何模型；尤其对于海马这种存在内部折叠的几何结构而言，四面体网格具有更强的表示能力）表示的底层模型。然后假设网格的拓扑是固定的，使用贝叶斯推理从手动标注的数据中学习网格的参数。最后，引入贝叶斯算法来优化网格的拓扑结构。本节的其余部分中，假设所有训练样本都对应于左侧海马；右侧海马的样本在构建前翻转即可。
底层模型：为了从体外和活体数据建立海马概率图谱，基于以前方法进行推广。该算法旨在生成紧凑的四面体网格，每个顶点都具有不同海马亚区和周围结构的相关概率向量。网格的拓扑和分辨率与每个解剖区域的形状是局部自适应的。与原始方法的不同之处在于不再假设训练数据集的所有标签都是现成的：对于体外数据，没有给出周围结构的标签；对于活体数据，没有海马亚区的标签。取而代之的是，一些标签集以确定性的方式被分解成更一般的标签。
具体地说，假设有M个带标签的脑区Cm，每个有I个体素，其中每个体素具有属于P个可能的类别之一，如图4所示通过以下步骤生成标签。
（a）定义四面体网格，该网格由其N个顶点的位置及其连接性来描述。
（b）M个变形网格是通过从以下概率分布中采样M次获得的：
这种变形模型允许网格描述广泛的海马形状，同时防止每个四面体变形的雅可比行列式变为零或负，确保了网格的拓扑被保留。（c）在每个变形的网格中，通过从网格给出的标签概率中采样，为每个体素i生成潜在标签。在非顶点位置，使用重心插值计算这些概率在网格变形的情况下，假设体素之间标签的条件独立性，因此有：
（d）最后得到观察到的标签
给定该概率模型，图谱的构建等同于解决以下逆问题：给定一组标签数据，根据该模型搜索最可能生成它们的图谱。使用贝叶斯推理来寻找答案。
优化模型参数-网格变形和图谱概率：假设已知网格连接性和参考位置，则要解决的问题是：
网格拓扑优化-模型选择：到目前为止，我们假设网格连通性和参考位置是固定的。优化网格拓扑是重要的，以避免由于被试之间的神经解剖学的巨大变异性而对训练数据过度拟合。这个问题可以通过平滑图谱来部分解决。我们通过评估所谓的证据来比较不同拓扑的网格，这些证据表示观察到的训练数据对每个网格拓扑的可能性有多大。模型证据为：
为了使用上式计算最可能的连通性和参考位置，首先用高分辨率规则网格初始化这些变量。然后，通过求解方程3中的问题来优化网格参数。最后，通过重复访问每条边(按随机顺序)，比较在保持边的同时优化两个节点在其末端的参考位置对证据的影响，或者将边折叠成单个节点并优化其参考位置，从而对网格参数进行优化。数据预处理：要建立图谱，所有训练标签体必须在相同的坐标空间中。为此，执行了以下预处理：1.手动旋转FreeSurfer的全脑图谱，使得左侧海马的长轴与前后轴对齐；2.从图谱中提取对应于左侧海马是其最可能标记的体素的二进制mask；4.使用平方和度量，将训练数据(使用二元海马mask)仿射共同配准到旋转的FreeSurfer图谱的左侧海马；5.重采样至0.25 mm分辨率(其高于当前可用活体脑MRI扫描的极限)；6.在海马周围裁剪边界，相对于由FreeSurfer图谱定义的边界留下10 mm的边缘。标签的重采样是用三次插值分别对每个标签的二进制mask进行重采样，并在每个体素处取具有最大值的标签来实现。
2.5 统计图集：分区和样本切片体积
图5显示了来自所得到的统计图谱的冠状切片。该图谱共有18,417个顶点，因此等于非线性变形的自由度数的维数大约是该值的三倍，即约55,000。图5还显示了当前随Freesurfer发布的图谱，以供比较。体外图谱更精确地遵循海马的内部结构，而活体版本更依赖几何特征-例如图5中CA1的垂直边界(红色)。事实上，活体图谱没有描述分子层(深棕色)，这是可以从高分辨率MRI数据中分割海马的主要特征。该图还显示了UPenn图谱，其分辨率低于所展示的体外图谱，具有更少的亚区，并且没有对周围(海马外)结构进行建模。
对于FreeSurfer图谱，每个体素上的颜色是分配给子结构的颜色的线性组合，由相应的概率加权。对于UPenn图谱，颜色对应于每个位置概率最高的标签。海马各亚区颜色图示与图2相同。活体图谱使用灰质、白质和脑脊液结构的通用标签。体外图谱精确度的提高也反映在亚区的体积上。表3显示了活体(Freesurfer V5.3)和体外图谱(Freesurfer V6.0)、UPenn图谱以及先前两个不同组织学研究的平均亚区体积。与活体图谱相比，体外图谱模拟了更多的亚区，也产生了CA1和(特别是)CA2/3的体积，与参考的组织学研究报告的体积非常接近。宾夕法尼亚大学的图谱给出了CA4的准确体积(与我们的体外图谱非常吻合)，但低估了CA2/3的体积，并在很大程度上高估了CA1的体积。与组织学研究相比，我们的体外图谱和宾夕法尼亚大学的图谱都高估了齿状回的体积。
在这一节中，首先介绍一种使用所提出的统计图谱分割活体MRI数据的算法。随后，给出了三个不同公开数据集上的分割结果，以说明算法适应不同MRI扫描协议和不同硬件平台采集数据的能力。最后，自动分割AD被试和老年对照组的1 mm各向同性T1扫描，以计算在分类实验中用作特征的体积。生成模型：使用图6中显示的生成模型，所构建的图谱可用于分割先前未见的、具有任何类型MRI对比度(单模或多模态)的数据。模型的第一层与图4中相同：获得具有空间中标签出现的先验概率的图谱，然后在每个体素位置对标签进行采样。不同之处在于，该分割通过似然项与图像强度相关联，对于该似然项，我们假设高斯分布与每个标签相关联。
图6 生成模型流程
我们假设海马伞和大脑白质属于一类白质，用单一的高斯分布来描述。同样，大脑皮层、杏仁核和海马灰质结构也被认为是灰质的一部分，脑脊液(CSF)也是同一类。间脑、丘脑、苍白球、壳核和脉络丛有独立的强度等级。海马槽和分子层原则上可以是白质的一部分；但是，由于形状很薄，所以允许它们有自己的高斯参数。假设观察到的MRI强度图像Y是通过对每个体素i处的高斯分布进行采样而生成的，该高斯分布由对应于其全局类别的均值和协方差参数化：
图像预处理、算法初始化和超参数计算：为了初始化分割算法并计算超参数，我们使用标准FreeSurfer处理方法(“recon-all”)的结果，产生一个颅骨剥离的、偏场校正的大脑，将其用作海马分割算法输入的T1成分。它还将整个大脑分割成36个脑区。如果有额外的数据(如高分辨率T2)可用，则使用互信息与T1配准(Freesurfer的mri_robust_register)。所产生的变换用于将(颅骨剥离、偏场校正)T1数据及其自动分割映射到附加扫描的空间。然后，将来自的预处理数据重采样到希望计算分割的体素大小。通过将图谱模型的长方体区域进行定位，用仿射、基于平方和的配准算法(mri_robust_register)分割的图像来定位该长方体区域。该算法使用来自Freesurfer的二值海马作为目标图像，以参考位置的网格计算出的整个海马的概率图作为配准的源图像。此后，将长方体所覆盖的区域称为“图谱感兴趣区域(ROI)”。分割算法不考虑图谱ROI之外的体素。除了对输入数据进行预处理和计算图谱ROI外，还使用将大脑分割成的36个结构来计算超参数：对于每个全局类G，首先找出由Freesurfer分割成这种结构的所有体素。接下来，设置MG为该结构的模态中值强度。然后，设置用于估计中值的体素数量。使用来自整个大脑的分割改进高斯参数的估计，特别是当给定类别的体素在图谱ROI内的数量较小时。然而，有四类超参数是以不同的方式计算的：灰质、白质、海马槽和分子层。对于灰质和白质，由于在整个大脑中有如此多的体素被标记为灰质和白质，只使用来自海马体和每个半球的邻近区域的体素。对于白质，使用相应大脑半球的枕上回、额下回的眶额部和额下回的盖部。对于灰质，使用海马旁、内嗅觉和梭形皮质，以及相应半球的整个海马和杏仁核。以不同的方式计算海马槽和分子层的超参数，因为由于它们的形状较薄，通过模拟部分容积效应来计算这些结构的超参数。首先在初始位置以原始分辨率(0.25 mm各向同性)栅格化网格。接下来对每个体素处的标签进行采样。然后为每个体素分配相应标记的平均强度，同时假设海马槽和分子层属于全局白质类。然后将每个方向上的FHWM设置为该方向上的测试扫描的体素大小除以图集的原生体素大小(0.25 mm)，用将该合成图像的分辨率与要分割的测试扫描的分辨率相匹配的高斯核来模糊该图像。最后，Malv和MML被设置为合成图像中海马伞和分子层的中值强度，而将valv和vML设置为图谱提供的这两个结构的体积。3.2 对Winterburn等人(2013年)的高分辨率T1/T2数据的定性分割结果该数据集是在8通道头线圈的3T GE扫描仪上采集的5个被试的T1和T2加权像。T1和T2扫描均以0.6 mm各向同性分辨率采集，然后超采样至0.3 mm各向同性。作为资料库的一部分，还手工描绘了五个亚区：CA1、CA2/3、齿状回、分子层和下托。然而，由于我们的亚区标签与他们的不同，无法通过比较手动和自动分区(例如，使用DICE分数)进行直接评估。相反，我们提供的是定性结果：由于T1和T2通道均提供高分辨率图像(请参见图7中的样本切片)，因此可以比较分割算法在T1数据、T2数据以及两者的组合上生成的输出。
图7 样本图像（T1和T2加权）以及被试1的手动分割图8和图9显示被试3，单独使用T1、T2以及同时使用这两种数据的分割结果。请注意，我们已经从最终分割中移除了海马以及海马槽的相邻结构；由于其薄的形状，在活体MRI中显示的对比度非常小，其自动分割通常是不可靠的。该方法有效地适应了每种情况下的MRI对比度，在所有三种情况下都成功地分割了海马。仅基于T1图像的分割准确地捕捉到海马的整体形状，但通常分割不到分子层(蓝色箭头)和CSF(红色箭头)，这在T1图像中几乎看不见。这些特征在T2图像中被正确分割，另一方面，由于灰质和白质之间的对比度较差，T2图像捕捉海马整体形状的准确性低于T1扫描(黄色箭头)。基于多模式MRI数据的结果利用来自两个模态的信息来产生更平滑、更准确的分割，该分割结合了T1和T2 MRI对比度的优势。
手动分割和自动分割之间的一致性总体上是一致的，但也有一些不同之处。首先，我们的一些标签在他们的数据中不存在。其次，尽管海马的上部一致性较好，但在下面部分可以观察到亚区定义的差异。ADNI数据库的主要目的是测试MRI、正电子发射断层扫描(PET)、其他生物标志物以及临床和神经心理学评估是否可以结合起来分析MCI和早期AD的进展情况。这些标志物可以帮助研究人员和临床医生开发新的治疗方法，监测其有效性，并减少临床试验的时间和成本。ADNI的最初目标是招募800名被试，但ADNI之后是ADNI-GO和ADNI-2。共招募了1500多名成年人(年龄55-90岁)参与研究，包括认知正常的老年人，患有早期或晚期MCI的人，以及早期AD患者。选择ADNI子集进行这项分析的动机是，这些图像与(Mueller, et al., 2013)中使用的图像完全相同，其中包括MCI分类结果，该结果来自由多种自动化和半自动方法产生的分割，以及仅考虑海马体五个冠状切片的手动分割。使用此数据集可以直接将我们的结果与(Mueller, et al., 2013)的结果进行比较。30次扫描参数如下：TR=8,020 ms，TE=50 ms，分辨率0.4×0.4×2.0 mm(冠状面)，24-30个切片，采集时间8分钟。在30例扫描中，16例对应于早期MCI患者，另外14例对应于年龄匹配的健康对照组。也可以使用相应的T1加权图像(1 mm分辨率的矢状位3D MPRAGE扫描)。图11a显示了来自ADNI的T2扫描样本冠状面，图11b显示了矢状面。
为了分割这些ADNI数据，我们不仅利用了高分辨率的T2图像，还利用了提供补充信息的1 mm各向同性T1图像。一方面，T2数据具有较好的对比度，但切片间隔大，视野窄。另一方面，T1扫描提供了整个大脑的各向同性数据-尽管很少有关于亚区的信息。因此，我们同时分割两个模态。图12显示了ADNI T1/T2数据集中一些代表性案例的自动分割切片。当扫描质量良好且分子层可见时(如图12b所示)，该模型通常会产生良好的分割效果。然而，错误有时会由于图像伪影而发生。在图12c中，CSF和白质混合在同一体素中，使其类似于灰质(部分容积效应)，从而误导了分割算法。在图12d中，运动伪影使分子层不可见。在这种情况下，海马的内部边界主要是由统计图谱(而不是图像强度)确定，其次是其他特征，如囊肿或海马裂隙。最后，图12e显示了用到较低分辨率T1时的示例，即T2扫描的视野未覆盖整个海马体的情况。在这种情况下，该算法仍然可以对整个海马结构进行无缝、平滑的分割。
图12 自动分割示例切片(来自ADNI T1/T2数据集)
我们采用间接评估方法，评估自动估计的亚区体积在群体分析框架中区分两个人群(MCI和老年对照)的能力。首先用公式9计算分区体积。然后用一般线性模型将年龄和颅内体积(ICV)的估计值做回归，从而对这些估计值进行修正。一旦计算出校正后的体积，使用未配对的双样本t检验独立地比较每个亚区的两组体积。此外，还分析了统计效力来估计样本量。表4总结了亚区体积的分组分析。我们的算法发现了左右CA1区、分子层、齿状回、CA4区和整个海马以及左侧海马伞和CA2/3区的差异。手动标注显示了CA1和齿状回的差异，而Yushkevich的半自动方法在CA1-3和CA4-DG，也是左右平均体积上产生了显著的差异。我们的结果与他们的结果一致，因为他们的方法没有考虑我们的研究中包含的较小的亚区。我们的结果与对先前使用手动和半自动分割过程的结果具有很强的一致性。此外，我们的算法还发现分子层和海马伞在统计学上有显著差异，前者的下降在左海马和右海马都显示出很大的辨别能力。
为了量化高分辨率T2扫描在分割中的影响，我们还比较了分区体积在使用组合的T1/T2数据和仅从T1图像的能力。表5显示了相应t检验的p值，这表明使用两种模态的测量更好地捕捉了两组之间亚区的差异。当仅使用T1扫描时，分辨率不足以区分分子层。在这种情况下，亚区的体积在很大程度上取决于整个海马体的体积和形状，这降低了单个亚区分类两组的能力。
该数据集包括400次基线T1扫描，没有高分辨率的T2数据。采用MPRAGE序列，分辨率为1 mm各向同性。MRI数据是通过标准的Freesurfer处理的，包括当前的海马子场模块，这对于比较活体图谱产生的分割和我们在研究中介绍的体外图谱产生的分割是有用的。在本实验中，计算分割的分辨率为1/3 mm。正如在第3.3节中一样，我们使用分组分析中的性能作为指标，通过比较AD患者和老年对照组的分区体积来验证分割。与上一节一样，ADNI T1扫描的分辨率不足以区分分子层，使得分割的可靠性大大降低。因此，亚区的体积在很大程度上取决于整个海马的体积，因此大多数亚区显示出很大的区分力，但亚区之间的差异很小。表6中的结果说明了这一点，用Cohen‘s d测量，即两个平均值之间的差除以数据的标准偏差。我们在这个实验中使用效应大小而不是p值，因为由于样本量大和效应强，所有的p值都非常小，对亚区的影响之间的差异更难理解。基于活体和体外图谱的分割给出的效应量大小非常相似，尽管体外图谱平均值略大一些。两个图谱结果之间的主要区别是对CA1的影响，活体版本的影响较小。
由于上述原因(即1 mm分辨率的海马缺乏内部对比度)，必须谨慎解释表6中的结果。因此，我们使用另一种方法来分类，该方法基于一个统计分类器，该分类器同时使用所有亚区体积来区分这两组人。首先，平均左右海马的亚区体积，在不影响分类器的泛化能力的情况下提高了分析的能力。随后，按照第3.3节中描述的相同方式，为每个亚区独立执行年龄和ICV的校正。然后，将每个对象的所有亚区体积连接成一个向量，并将其用作线性判别分析(LDA)分类器的输入。使用诸如LDA的简单线性分类器确保分类精度主要由输入数据的质量(即，亚区体积)决定，而不是由分类器中的随机变化决定。我们比较了新的体外图谱和FreesurferV5.3中活体图谱产生的分割的性能，使用了两个指标：曲线下面积(AUROC)和最大分类精度。使用留一法交叉验证。此外，还比较了仅基于整个海马体体积的分类，允许我们量化相对于整个海马体使用亚区体积的好处。
ROC曲线如图13所示，性能比较如表7所示。体外图谱优于活体图谱，特别是在ROC肘部附近。AUROC的增量是适中的(1.4%)，但在统计上是显著的(p<0.02)。表明，基于体外图谱的分割比基于活体版本的分割提供了更多关于体积的信息估计。活体和体外图谱均优于海马整体分割，分类准确率分别为82%和84%。体外图谱和整个海马分割之间的AUROC差异相当大(分别为5.9%和4.0%)，两种情况下的AUROC差异均有统计学意义(P<0.05)。这些结果表明，即使当图像在内部亚区边界上显示的对比度有限时，亚区体积也携带了有用的信息。测试扫描的自动分割如图14所示。
图14 自动分割的海马体亚区样本
在这篇文章中，我们提出了结合体外和活体MRI数据在亚区水平上构建海马统计图谱的方法。使用一种新的算法将海马亚区(在体外图像上)和相邻结构(在活体数据上)的手动标注合并到单个图谱中。利用贝叶斯推断，所构建的图谱可用于在活体MRI扫描中自动分割海马亚区。考虑到框架的生成性，该分割方法对MRI对比度是自适应的，并且可以处理多对比度输入。分割算法在三个公开可用的具有不同MRI对比度和分辨率的数据集(Winterburn、ADNI T1/T2和ADNI T1)上得到验证。我们计划将该图谱作为Freesurfer下一版本的一部分发布，取代当前版本软件包(V5.3)中海马子区模块的活体图谱。目前的图谱在几个方向上有改进。与活体版本相比，体外图谱建立在更高分辨率的数据上，使得能够精确地追踪分子层，而对几何标准的依赖很小。因此，图谱产生的亚区体积与先前报道的组织学研究更好地匹配。与体外UPenn图谱相比，我们在四个方向上扩展了他们的工作。首先，以平均0.13毫米的各向同性分辨率扫描样本，得到的体素比他们的图谱中的体素小四倍。其次，包含了更多的海马结构(13 vs. 5)。第三，使用了更多的案例(15 vs. 5)。第四，不仅包含了海马结构，也包含了周围的结构。这是一个关键的区别，因为它使我们能够使用贝叶斯框架中的图谱来直接分割任意对比度属性的活体MRI数据。我们已经测试了基于图谱自动分割得到的体积的能力，以找出患有MCI和AD的对照组和被试之间的差异。使用高分辨率的T2数据，可以可靠地将图谱与海马的内部结构相匹配；这在之前的Freesurfer(5.3版或更早版本)图谱中是不可能的，因为它没有对分子层进行建模。在对MCI被试和对照组进行的实验中，我们的方法重现了以前手动和半自动方法的结果。此外，我们在分子层和海马伞中发现了差异，而上述方法没有对其进行分割。重要的是要注意，不能从我们的体积分析中得出结论，这是一个真实的生物过程还是运动伪影的结果。我们还使用图谱对标准分辨率(1 mm)T1数据进行了分割。在这种情况下，分子层不可见，图谱内部结构的拟合主要依赖于先验信息。因此，必须谨慎解释来自各个亚区的体积结果。尽管如此，我们假设分割将在功能和扩散MRI研究中作为种子和目标区域非常有用，在功能和扩散MRI研究中，较大的体素大小使得分析对小的分割误差不那么敏感。此外，尽管海马缺乏内部对比度，但亚区分割携带了整个分割所不能传达的有用信息。分割算法在台式计算机上运行大约20分钟，当输入两个MRI模态时，时间大约是它的两倍。这与目前在海马区分割中使用的多图谱方法形成对比，这些方法由于需要将多个图谱非线性地记录到测试扫描中而较慢(通常为10-20小时)。另一方面，我们的算法是基于已经用标准的Freesurfer进行了处理，这在单个核上大约需要10个小时。本文局限性是，即使使用超高分辨率MRI，也有一些在训练数据中看不到的边界，例如，沿着海马锥体层的CA区之间的边界或CA4/GC-DG边界。这在海马分区MRI文献中仍然是一个悬而未决的问题，在这些文献中，分区定义的差异和可变性仍然相当大。另一个潜在限制是，它只根据老年人的手工绘制而成。因此，该图谱可能包括轻微的海马萎缩，这可能会降低其在年轻人群研究中的适用性。今后工作主要有三个方向。首先，评估在1 mm数据上在扩散和功能MRI研究中的有用性。其次，计划将图谱扩展到海马尾部，以及其他皮质下结构，如丘脑和杏仁核，这将需要对尸检样本进行仔细的组织分析。第三，我们希望包括部分容积效应的显式模型，从而精确分割薄层白质结构(如海马伞和分子层)。海马在记忆和学习中具有重要作用，并且伴随着正常衰老的变化，也与神经退行性疾病，如阿尔兹海默症息息相关，有效分割海马亚区，有利于我们理解人类认知功能，衰老的进程，以及疾病的病程，有助于早期发现早期诊疗。本文在Freesurfer5.3版本的基础上，进一步优化了海马亚区分割算法，结合更高分辨率的尸检样本和活体手动标注周围结构，为我们提供了更细致的海马图谱，以及更便捷的分割算法。在实际的应用研究中，应当快速地调整海马分割方法，从而获得更好更科学的研究结果。
