NeuroImage：磁共振3D梯度回波磁化转移序列同时对铁和神经黑色素进行成像—用于帕金森病生物标志物研究
《本文同步发布于“脑之说”微信公众号》
早期帕金森病(PD)的诊断仍然是临床上的一大挑战。以往的研究仅用黑质(SN)中的铁、神经肽(NM)或黑体-1(N1)征本身并不能为这些方法的临床应用提供足够高的诊断性能。本研究的目的是利用单个三维磁化传递对比(MTC)梯度回波序列提取代表整个SN的NM复合体体积、铁含量和体积，以及N1征作为潜在的互补成像生物标志物，并评估它们在早期PD中的诊断性能和临床相关性。对40例早期特发性帕金森病患者和40例年龄、性别匹配的健康对照(HCS)进行3T扫描。使用动态编程(DP)边界检测算法半自动地确定NM边界(代表SN部致密区(SNPC)和脑桥臂旁色素神经核)和铁边界(代表总SN(SNPC和SN网状部))。受试者操作特性分析用于评估这些成像生物标志物在早期帕金森病诊断中的作用。应用相关分析研究这些影像指标与临床评分的关系。我们还引入了NM和总铁重叠体积的概念，以证明NM相对于含铁SN的损失。此外，所有80例患者均独立评估N1征象。PD组SN中NM和SN体积低于HCS组，而SN中铁含量高于HCS组。有趣的是，双侧N1信号缺失的帕金森病患者的铁含量最高。单项测量的两个半球的平均值的曲线下面积(AUC)值为：NM复合体体积为0.960；SN总体积为0.788；SN铁含量为0.740；N1标志为0.891。通过二元Logistic回归将NM复合体体积与以下测量中的每一项相结合，得到了右侧和左侧的平均0AUC值：总铁含量为0.976；总SN体积为0.969，重叠体积为0.965，N1符号为0.983。我们发现SN体积与UPDRS-III呈负相关(R2=0.22，p=0.002)。虽然N1标志表现良好，但它不包含任何有关铁含量或NM数量的信息，因此，将该标志与NM和RON测量结合起来，可以更好地解释当N1标志在PD受试者中消失时发生的情况。总之，从单个MTC序列得出的NM复合体体积、SN体积、铁含量和N1征的组合为理解和诊断早期PD提供了补充信息。
简述
帕金森病(Parkinson's disease，PD)是世界上发展最快的神经退行性疾病之一，也是导致残疾的主要原因。早期帕金森病的诊断仍然具有挑战性，并促使对非侵入性成像生物标记物的需求不断增加。虽然DaTscan可以用作诊断PD的绝对排除标准，但它不是广泛可用的，它很昂贵，而且它使用放射性同位素。
帕金森病的典型运动特征是由黑质致密部(SNPC)多巴胺能神经元早期死亡所导致。SNPC(指SN的背侧部分)和SN的网状部(SNPR，指SN的腹侧部分)在解剖学和功能上是不同的(有关更多的解剖学细节，请参阅补充部分S1)。在正常人中，SNPR的铁含量高于SNPC，而SNPC中含有丰富的多巴胺能神经元，已知这些神经元积累了中枢黑素(NM)。因此，在大多数先前的神经成像研究中，SNPR通常被检测到由于铁含量高而被检测为T2∗W高信号区，而SNPC既有高铁的高信号区，又有NM-1 NM富集区(由于其高T2∗值和较低的铁含量)，这在NM敏感的磁共振成像(NM-MRI)中得到了证实，而SNPR通常被检测到是T2高信号区，而SNPC既有高铁的高信号区，也有像NM-1 NM富集区这样的高信号区(由于其高T2 MRI值和较低的铁含量)。因此，虽然SNPC以NM含量为特征，但SNPr通常是SN中铁含量区域性较高的原因。实际上，MRI很难区分SNPR和SNPC。然而，与大脑的其他主要深层灰质核相似，并使问题复杂化的是，SN中的总铁含量随着年龄的增加而增加，值的差异相对较大。
在解剖学上，含NM的多巴胺能神经元并不局限于SNPC区。根据组织学研究，中脑中的多巴胺能神经元位于三个不同的组，分别为A8、A9和A10。除SNPC(A9组)外，整个腹侧被盖区(VTA)(位于A8和A10)含有多巴胺能神经元。臂旁色素核(PBP)或SN背部(SNPD)位于红核和SNPC之间的腹内侧至背侧，而VTA核位于PBP腹内侧界的RN的腹内侧部(VTA核)，臂旁色素核(PBP)或SN背侧部(SNPD)位于红核和SNPC之间的腹内侧至背侧，而VTA核位于PBP腹内侧限的RN的腹侧。PBP与中线VTA核一起构成中脑多巴胺能神经元的背层。由于整个VTA区域的解剖学和神经化学特性的多样性，在MR图像上很难将SNPC和整个VTA区域在组织学和活体图像上分开。然而，使用多对比MRI，特别是使用QSM，可以将SNPC与整个VTA区域作为一个整体区分开来。图1显示了总结这些结构的中脑示意图。
人们认为，SNPC中的多巴胺能神经元死亡之后，NM脱色，留下铁，然后被吞噬细胞，并在MRI中可见。因此，最有希望的临床MR生物标记物是R2MRI或定量磁化率图和NM-∗测量的NM中的铁含量。QSM提供了总SN中铁的定量测量，包括SNPC和SNPR，而NM-MRI中看到的高信号与SNPC和包括SNPD在内的整个VTA区域以及尸检组织学研究中看到的NM在空间上相关。研究表明，NM的MRI表示与PET中看到的多巴胺能区域相匹配，MRI中NM信号的强度与多巴胺释放能力相关。文献普遍支持这样的概念，即PD受试者的SNPC中铁含量预计会增加，而PD受试者的NM预计会减少。另一种方法不是测量整个SN的NM，而是只对Nigroome-1(N1)区域的NM敏感，作为区分PD受试者和健康对照(HC)的可能手段也得到了推广。N1标志的消失是苏罗盖特标志着NM整体的丧失以及当地铁含量的增加，但这种方法并不能从ACTU的角度定量测量NM或铁含量。然而，SN中的NM、铁或N1征象的敏感性和特异性可能不足以使它们本身具备诊断生物标志物的资格。
一些研究结合了NM和铁的措施，但它们使用了两种不同的序列，这需要共同注册和数据内插，有时还需要使用NM模板掩模。只有一组人使用单一的双回波2D梯度回波(GRE)序列来研究NM和敏感性加权成像(SWI)。除了PD神经影像研究中常用的SN或NM的体积和强度测量外，先前的一项研究表明，R2∗图所确定的铁含量与SNPC的神经黑色素面罩之间的重叠为区分PD和HC提供了良好的诊断性能。此外，在过去的几年中，通常通过3D SWI扫描成像的N1征兆作为帕金森病患者病理生理变化的潜在成像生物标志物正受到人们的关注。我们的假设是，这些成像方法的结合将全面了解帕金森病潜在的SN的病理生理变化，并优于每一种单独的方法。因此，我们的目标是使用单个序列来评估四个指标作为区分早期PD患者和HCS的成像生物标志物：NM复合波体积(SNPC+PBP)、SN体积(SNPC+SNPR)、SN铁含量(使用QSM中的磁化率测量)和N1征象。这一创新方法使用3D多回声、磁化传递对比(MTC)GRE序列，可在临床环境中运行不到5分钟。
材料和方法
2.1 被试
这项研究得到了瑞金医院当地伦理委员会的批准，所有受试者都签署了同意书。自2018年5月至2019年1月在瑞金市运动障碍门诊和当地广告中复查40例早期特发性帕金森病患者和40例性别、年龄匹配的原发性帕金森病患者。
图1.SN中的黑色素、铁和N1由MTC幅度、MTC-QSM和MTC-tSWI数据表示。从左到右，前三列显示了63岁健康对照组的连续四个切片，随后是不同中脑结构的示意图，最后三列显示了62岁帕金森病受试者的相同对比。顶行和底行分别显示最顶端和最尾端的切片。代表NM复合体的红色感兴趣区被绘制在MTC震级数据上，然后叠加在相应的MTC-QSM和MTC-tSWI数据集上。应当注意的是，在HC受试者中，NM复合体和含铁SN(即，对照中的SNPC)之间的重叠朝向尾部切片增加，而在PD受试者中，该区域在逐个切片的基础上实质上较小。第二列和第三列中的黄色箭头表示N1区域位于NM复合体的腹侧侧面，而右列中的黄色箭头表示NM丢失(和重叠)的方向，从腹侧层开始，一直到SNPC的背侧层。如QSM数据中突出显示的，由NM边界显示但位于SN之外的区域表示PBP(也称为SNPD)。示意图中突出显示的区域代表：绿色：乳头体；粉红色：小脑上茎；红色：红色核，橙色：黑体-1区；黄色：SN网状部(SNPR)；蓝色：SN致密部(SNPC)；浅灰色：SN背侧部(SNPD)/臂旁色素核(PBP)；深灰色：腹侧被盖区(VTA)核。
所有受试者都在服药。两位神经科医生根据运动障碍协会(MDS)PD标准、Hoehn&Yahr(H&Y)分期和MDS统一帕金森氏病评定量表第三部分(UPDRS-III)对运动症状的诊断和严重程度进行了评估。排除PD的标准如下：(1)H&Y评分大于2.5分；(2)简易精神状态检查(MMSE)评分小于24分；(3)有脑血管疾病、脑肿瘤、脑外伤或任何其他类型的精神疾病史；(4)已知可导致帕金森氏症或影响临床评估的药物史；(5)有禁忌症。(3)有脑血管疾病、脑肿瘤、脑外伤或任何其他类型的精神疾病史；(4)已知可导致帕金森氏症或影响临床评估的药物史；(5)有禁忌症的病史。(3)脑血管疾病、脑肿瘤、脑外伤或任何其他类型的精神疾病史；(4)已知可导致帕金森病或影响临床评估的用药史；(5)禁忌症。入选标准如下：(1)无运动障碍家族史；(2)无神经或精神障碍；(3)MMSE评分至少24分；(4)40岁以上。一年后对帕金森病患者进行评估，以确认诊断，使用与帕金森病诊断基线相同的MDS-PD诊断标准。
2.2 MRI数据收集
所有数据在3T Ingenia扫描仪(飞利浦保健，荷兰)上使用15通道磁头线圈收集。扫描条件为：TE=7.5ms，ΔTE=7.5ms，TR=62ms，翻转角=30˚，像素带宽=174HZ/像素，矩阵大小=384×144，层厚=2 mm，面内分辨率=0.67 mm×1.34 mm，总扫描时间=4min 47s，64层螺旋CT扫描序列为：TE=7.5ms，TR=62ms，像素带宽=174hz/像素，矩阵大小=384×144，层厚=2 mm，面内分辨率=0.67 mm×1.34 mm，总扫描时间=4min 47s。MTC脉冲是开共振90°翻转角，具有3个1.91ms的块脉冲，这是飞利浦产品序列的一部分。为了确认来自MTC扫描的相位图像也可以提供非QSM数据，作为战略性获取的梯度回波(STAGE)协议的一部分，采集了单独的多回波SWI序列使用：TES=7.5和17.5ms，TR=25ms，翻转角度=6nd24o，像素带宽=220 Hz/像素，成像矩阵大小=384×144，层厚=2 mm，面内分辨率=0.67 mm×1.34 mm，对于64个层扫描，扫描时间为1分53秒。在这两种情况下，图像都被插值到0.67 mm×0.67 mm的平面内分辨率。所有扫描的轴位定位均为前连合至后连合(ACPC)线。
2.3 数据处理与分析
2.3.1MTC和QSM数据
从MTC数据的第一次回波(TE=7.5ms)评估NM信号，而使用第二次回波(TE=15ms)数据计算敏感度图(表示为MTC-QSM)，以避免在较长回波时间时出现更严重的混叠。MTC-QSM过程包括以下步骤：使用第一回波磁数据应用脑提取工具(阈值=0.2，侵蚀=4，岛=2000)Smith(2002)；使用3D相位展开算法(按沿非连续路径的可靠性进行3D排序或3DSRNCP)展开原始相位数据；使用复杂的谐波伪影减少(SHARP)去除不需要的背景场。并且使用基于截断k空间划分的逆滤波技术(阈值=0.1)和迭代方法(迭代阈值=0.1和迭代次数=4)来重建敏感性图。使用相同的QSM处理流水线从阶段序列重建第二回波(TE=17.5ms)数据，表示为阶段-QSM。最后，使用MTC-QSM和第二回波的幅度图像来创建用于N1符号检测的真实SWI(TSWI)数据。
2.3.2 确定NM和铁的边界，并量化体积和磁化率
分别勾勒出两组感兴趣区(ROI)，一组是MTC图像上的NM，另一组是MTC-QSM图像上的铁。这些图像被放大了4倍，以便更容易、更准确地画出NM和Iron的边界。基于铁的SN感兴趣区(SN ROI)追踪从丘脑底核可见的最靠近颅骨的下方的一片开始，持续4~5个连续切片至最尾部切片。然而，从最后一个尾部切片(对应于显示SN中铁含量的最靠近尾部切片)开始，从CRA-5个切片开始追踪NM边界，直到NM不再可见，如图1所示。本研究中使用的NM复合体被定义为在中脑显示NM对比区但不包括中线VTA核的区域(如图1第四栏中央暗灰色区域所示)。寻找最终边界的过程分两步完成。首先，所有的初始输入边界由三个评分员审核，然后协商一致地选择一组中间边界。这些边界最初是在任何评分员手动绘制的几个像素之外绘制的，同时避开了期望的最终ROI之外的高信号结构，如静脉。其次，为了完全消除人为因素，使用了动态规划算法来确定最终边界 (有关更多细节，请参见补充部分S2和补充图3)。这种半自动方法提供了一种生成数学确定的用户独立边界的方法。在达成共识之前，与来自评分者的不同结果集相关联的骰子相似系数被计算为：在HC和PD受试者中，SN VOL和MTC分别为0.89和0.84，SNVOL和QSM分别为0.91和0.88。对NM、QSM和重叠分数数据进行最尾部层面的部分容积校正。部分容积效应
是基于最大尾部切片和第二和第三最尾部切片的对比度通过以下方式计算的：
使用覆盖NM和含铁SN的所有切片的边界进行体积分析。然后比较PD组和HC组之间以及每组的两个半球之间的NM复合体和含铁SN总体积的结果。通过将MTC和MTC-QSM数据中的两个ROI分别叠加，评估了NM复合物体积(SNPC+PBP)和含铁SN体积(SNPC+SNPR)之间的重叠。这种重叠通过含铁SN体积产生重叠分数测量来归一化，该重叠分数测量基本上表示相对于整个SN体积的SNPC分数(图1)，如下所示：
为了便于参考，在下文中，我们将SNVOL，MTC定义为从以mm 3为单位的MTC数据测量的SNPC加PBP体积；SNVOL，QSM为在MTC-QSM上以毫米3为单位测量的总SN体积(SNPC+SNPr)；SNΔ휒为来自MTC-QSM的体
积平均磁化率(以ppb为单位)；以及SN重叠作为SN VOL、MTC和SN VOL的交点，QSM归一化为SNVOL，QSM以百分比为单位。
测量并比较两组大鼠双侧大脑半球SN的平均敏感度。根据刘等人建立的正常人群的相应基线，将这些全局值绘制为年龄的函数。为了证明MTC-QSM和标准的Stage-QSM(没有MT脉冲)是等价的，将MTC-QSM上描绘的相同SN边界叠加到HCS的Stage-QSM数据上。以相同的分辨率和脑覆盖年龄获取两个数据集，并使用SPM软件将量值图像对齐，然后根据几何位移矩阵对QSM数据进行转换。对每个病例，从整个3D ROI中提取平均敏感度，并在两个半球上求平均敏感度。应用线性回归模型评估所有HCS和PD受试者这两个序列之间的平均易感性之间的相关性。(见补充部分S3)
为了评估容积分析对两个队列中的脑组织萎缩和数据扩散的潜在依赖性，通过手动跟踪第一回波幅度数据上的3D边界，将SNVOL，MTC和SNVOL，QSM归一化到整个中脑体积。(见补充部分S6)
2.3.3 N1征象评估
N1征象的评估(无损失、单侧损失或双边损失)分别使用MTC-tSWI数据(在以前的工作中已被发现是显示N1征象的最佳方式和MTC-QSM数据分别由两位评价者以盲目方式进行。然后，两位评论家的共识结果被用来进行最终分析。为了验证数据的解释，将发现N1征的每个切片与MTC数据的边界进行比较，以确保N1征的解释是正确的，因为它位于NM复合体的腹侧。这在以前仅使用QSM本身是不可能的，因为N1符号通常是通过燕尾或卵形符号以及留在里面的高信号区域来识别的。使用MTC边界可确保正确解释数据。
2.3.4 统计分析
被试特征用平均数±平均数标准差(SEM)表示。两组间比较采用双样本t检验，PD组组内比较采用双侧t检验，组内比较采用双侧t检验，对侧组间比较采用配对t检验，组内比较采用双侧t检验，对侧组间比较采用配对t检验，组内比较采用双样本t检验，组内比较采用双样本t检验，对侧比较采用配对t检验。计算受试者工作特征分析的曲线下面积，评价SNΔᵪ、SNVOL、QSM、SNVOL、MTC和SN重叠作为独立预测指标的总体诊断性能。然后，用De-Long检验比较了两种方法对PD的诊断性能。二元Logistic回归被用来整合来自这些测量的不同组合的信息，以产生相关的ROC曲线。我们使用年龄和性别作为协变量，进行偏相关分析以探索每个影像特征与临床变量(病程和UPDRS-III)之间的关系。使用IBM SPSS Statistics version25(国际商业机器公司，Armonk，NY，USA)执行所有统计分析。对于双侧测试，p值<0.05被认为是显著的。在相关分析(p值阈值为0.006)和ROC比较(p值阈值为0.003)中使用多重比较时，采用Bonferroni校正来校正部分相关性。在相关分析(p值阈值显著性：0.006)和ROC比较(p值阈值显著性：0.003)中，使用Bonferroni校正来校正部分相关性。
结果
人口学和临床特征如表1所示。两组在性别和年龄上没有显著差异。对于本文讨论的任何成像方法，PD组的同侧和对侧之间或HC组的左侧和右侧之间没有显著差异。
3.1 早期帕金森病患者与健康对照组NM波群及含铁SN体积的比较
图1中图形化地显示了所评估的切片的示例集合。这些边界用于计算SN VOL、MTC和SNVOL、QSM。HC组和PD组左右半球SN VOL、MTC值分别为(322.85±4.72)mm3和(234.58±6.2 2)mm3。这个例子还强调了这样一个事实，即在尾部切片中显示的N1标志位于NM边界的腹侧层内。PD组的NM复合体体积明显小于HC组(p<0.001)。两组SNVOL、MTC与年龄均无明显相关性。HC组和PD组左右半球SN VOL和QSM分别为(477.53±12.63)mm3和(395.38±9.61)mm3，PD组体积较小(P<0.001)。SNVOL、QSM随年龄增加呈下降趋势(补充图6)，对PD有显著意义(p=.001)，对HCS无显著意义(p=.070)。HC组和PD组左右半球SN平均重叠值分别为(39.96±1.05)%和(36.49±1.29)%，PD组重叠率较低(p=0.040)(补充表1)。男性和女性之间在任何一项测量结果上都没有显著差异(p>0.050)。
值表示平均值±标准差[范围]。UPDRS-III是在受试者处于服药状态时服用的。
采用独立t检验进行显著性差异检验。
图2A-C分别给出了SNVOL、MTC与SN重叠、SNVOL、QSM和SNΔᵪ的散点图。图2A示出了NM和SN都存在的所有4到5个切片中的SNVOL、MTC作为SN重叠的函数。然而，与SNVOL、MTC和SNΔᵪ(图2C)相比，SNVOL、MTC与SN重叠或SVOL、QSM(图2A和图2B)之间的PD和HC病例有更大的重叠。与其他两个指标相比，与SNVOL、MTC和SNΔᵪ(图2C)之间的关系相关的敏感性、特异性和准确性在分离两个队列方面提供了略好的表现，尽管在统计学上不显著。(SNVOL、MTC /SNΔᵪ与SN VOL比较P=.292，MTC/SN重叠；SNVOL、MTC/SNΔᵪ与SNVOL、MTC/SNVOL、QSM比较P=0.470)。
3.2 在PD病人中，用MTC-QSM法定量测定铁
两种QSM方法之间的HCS关系如补充部分S3中的补充图4和5所示。结果表明，MTC-QSM与标准期-QSM之间有很强的正相关关系(R2=0.751，p<0.001，斜率=1.11，p<0.001)，说明MTC-QSM与标准期-QSM提供了相似的敏感值，因此MTC-QSM适合于估计局部脑铁水平。
3.3 SN中的铁沉积
使用MTC-QSM，早期PD受试者的铁含量高于HCS患者(p<0.001)。SN敏感性分析的数据叠加在相应的敏感性-年龄基线上(Liu等人，2016年)如图3所示。HC组和PD组左右半球SNΔᵪ分别为(132.12±4.0 1)ppb和(155.30±4.0 9)ppb，PD组SNΔᵪ较高(P<0.0 0 1)。PD组不仅表现出较高的铁含量，在PD组中，双侧N1征的丢失在铁含量最高的病例中最为明显。具体地说，右侧25例PD病例中共有21例，左侧15例中有14例位于铁分布的95%置信区间以上，双侧N1征丢失(图3)。我们还注意到，越是尾部的切片，NM与铁(代表SNPC)重叠的越多，直到最后一片，它几乎完全重叠，表明SN在尾部主要是SNPC(见图1)。
3.4 N1征象上的附加信息
N1分析结果显示，40例HC病例中有36例出现双侧N1，而40例PD病例中有34例单侧或双侧N1缺失。图2中包含的N1征信息表明，一些出现在HC区的PD病例实际上是双侧N1征的丢失，从而有可能将它们从HC区中移除，从而进一步提高NM和SN体积的敏感性。N1征本身表现相当好(Auc=.891)，但与SNVOL、MTC合并时显著改善(Auc=.979；p<0.001)，与SNΔᵪ合并时略有改善(Auc=0.953；p=0.056)。然而，当N1符号与SNVOL，MTC和SNVOL，QSM合并时，获得最高的Auc为0.983(p=0.003)。
3.5 早期帕金森病的诊断性能
与左右半球平均值相关的AUC值分别为：SNVOL，MTC为.960；SNVOL，QSM为.788；SNΔᵪ为.740，SN重叠为.629。然而，将SNVOL、QSM和SNΔᵪ这两个与QSM相关的测量组合在一起，得到的AUC值为.859，添加SN重叠后，这些值为.911。将SNVOL、MTC和SNVOL、QSM体积归一化到整个中脑体积并不能改善与任何测量值相关的分类性能。为了支持这一主张，与SNVOL、MTC与SNVOL、QSM、SNΔᵪ和SN重叠中的每一个的组合相对应的非归一化与归一化ROC曲线相关联的p值分别为0.38、0.36和0.49，表明归一化数据与非归一化数据相比没有显著改善(见补充部分S6和附图9)。与SNVOL、MTC、SNVOL、QSM、SNΔᵪ和SN重叠相关的ROC曲线如图4A所示。如图所示，就上述AUC值而言，在不同早期PD和HCS受试者中，SNVOL、MTC分别比SNVOL、QSM、SNΔᵪ或SN重叠的AUC值高得多(均p<0.001)(图4A)。在不同的早期PD受试者中，SNVOL、MTC值显著高于SNVOL、QSM、SNVOL、QSM或SN重叠的AUC值(图4A)。与SNVOL、MTC和其他三种测量相结合的ROC曲线如图4B所示。SNVOL、MTC和SNVOL组合的AUC值分别为0.969，SNVOL、MTC和SN重叠的AUC值分别为0.965，左右半球平均值的SNVOL、MTC和SNΔᵪ的AUC值分别为0.976。与所有测量组合相关的AUC显示在补充表2中。虽然我们获得的AUC值高于任何单独测量，但与SNᵪ相比，差异并不显著(p=.222)，但与其他单独测量相比，差异非常显著(p<0.001)，但与其他单独测量相比，差异并不显著(p=0.222)，但与其他单独测量相比，差异非常显著(p<0.001)。此外，结合SNΔᵪ和SNVOL，QSM测量得出的AUC值显示，与单独使用SNVOL相比，AUC值较低，为0.020，但还不足以达到0.003的显著水平(见补充表3)。
3.5 影像特征与临床评分的相关性分析
随着UPDRS-III评分的增加，SNVOL、QSM显著减少(R2=0.22，p=0.002)(图5A)。全组SNΔ휒与病程无显著相关性(R2=0.12，p=0.0 2 7)(图5B)，但在病程小于或等于5年的PD患者中，SNΔᵪ与病程呈正相关(R2=.32，p<0.0 0 1)，为早期PD。在临床规模方面，与任何其他定量MRI指标没有其他显著的相关性。
讨论和结论
据我们所知，结合NM、铁、铁-NM重叠和来自单个序列的N1信号来区分早期PD和健康对照还没有文献报道。在本研究中，SNVOL，MTC提供了最高的单项诊断准确率，而N1征则提供了第二高的诊断性能。将SNVOL、MTC和SNVOL、QSM与N1符号合并，在所有单一预报因子和所有预报因子组合中产生最高的AUC。PD患者出现临床症状后的前5年，SNVOL、QSM与UPDRS-Ⅲ呈负相关，SNΔᵪ随病程延长而增加。以前的研究表明，单个测量(NM对比度、SNVOL、MTC、SNΔᵪ和SNPC宽度)的诊断AUC值可以从0.65到0.92变化；而我们对SNVOL、MTC、SNVOL、QSM、SNΔᵪ和N1征象的组合结果产生了高达0.98的AUC值。这种单一MTC序列方法的主要优点包括：同时获得NM和铁含量信息；快速采集时间(不到5分钟)；不需要共同配准或创建模板；以及对边界检测至关重要的高对比度数据。此外，我们在这项研究中使用的半自动DP边界检测方法使评分者追踪的边界彼此一致。这种同时获得铁和NM信息的快速方法为其在临床环境中的潜在实际应用打开了大门。
图2.使用NM复合体体积和其他三个指标区分两组。作为(A)SN重叠、(B) SNVOL、QSM和©SNΔᵪ函数的SN VOL、MTC体积。这些数据表明，两组的N1都有所下降。还显示了每个曲线图的灵敏度(SENS)、特异度(SPEC)和准确度(ACC)值。
图3.本研究中的大量正常人群以及HC和帕金森氏症患者的平均易感性与年龄的关系。HC和帕金森病组SN半球铁含量与(A)右半球和(B)左半球相关。还显示了每组的双侧、单侧和无黑色素体-1丢失情况。将这些数据叠加到刘等人建立的相应正常基线上。用开放的圆圈表示。实线和虚线分别表示与正常基线及其对应的95%预测区间相关的线性回归模型。
图4.使用不同的神经成像测量对诊断性能进行ROC分析。(A)对各个测量的NM复合体体积(SNVOL，MTC)、SN体积(SNVOL，QSM)、全球平均铁含量(SNΔᵪ，)和重叠分数(SN重叠)的不同组合进行ROC分析。(B)通过二元Logistic回归分析计算NM复合波体积与其他三项指标的组合。数据在两个半球上取平均值。
这项研究的结果显示，SNQSM和SNVOL，Δᵪ的AUC值(均来源于QSM数据)在区分早期PD患者和HCS方面的AUC值为0.859。Takahashi等人使用了一种类似的方法来比较NM和QSM数据(但源自两个序列)。使用QSM和SNVOL，MTC源自SNPC成分(去除VTA体积)；在两项研究中都发现AUC为0.86。SN重叠本身表现不佳，可能是因为SNVOL、MTC和SNVOL、QSM都可以减小，而保持重叠比例不变。另一方面，值得注意的是，即使在正常情况下，在描绘SNPC的最尾部薄片上，SNVOL、MTC和SNVOL、QSM之间几乎完全重叠，PD患者的NM丢失似乎主要发生在解剖上N1区域所在的SNPC的后外侧。
图5.黑质体积和铁含量与帕金森氏病临床特征的相关性。(A)SN VOL、QSM(两个半球的平均值)与UPDRS-III。随着UPDRS-III的增加，SN VOL、QSM显著降低(p=0.002)。(B)经Bonferroni校正后，PD患者SNΔ휒(两个半球的平均值)与病程之间的相关性(p=0.027)并不显著(显著性的p值阈值：0.0125)。铁含量在前5年呈快速上升趋势(y=11.8x+133.4，R2=0.32，p<0.001)，然后在早期帕金森病组趋于平稳。
先前的研究表明，N1征象可以相当准确地用于区分PD和HCS。虽然这种方法因其在图像中的视觉特性而很有吸引力，但它并不是微不足道的，因为PD受试者和HCS之间仍然存在N1征象的重叠，而且到目前为止引入的方法中没有一种将N1征象的体积计算在内。本研究首次将N1征与SNVOL、MTC、 SNVOL、QSM、SN重叠、SNΔᵪ等定量指标相结合，对PD的病理变化进行了综合分析。尽管N1手势本身表现良好(AUC=0.891)，类似于cheng等人，但通过将这些数据与SNVOL、MTC、 SNVOL、QSM或SNΔᵪ相结合，可以改进N1征象。这并不令人惊讶，因为N1征象的检测并不是万无一失的。此外，尽管缺少铁有助于定义N1征象的外观，但N1征象并不能定量地表示铁或NM。我们注意到那些铁含量很高的帕金森病患者最终表现为双侧N1征象消失。这也不足为奇，因为N1征象的消失通常被认为意味着该地区的铁含量更高。在上述讨论的基础上，有必要了解这些潜在的生物标志物各自的作用。理想情况下，在未来的研究中，人们可以利用所有这些互补信息来更全面地了解帕金森病患者中脑实际发生的体积变化、N1丢失和铁沉积背后的病理情况。
我们发现SNVOL、QSM和UPDRS-III总分之间存在显著的相关性。一些研究还表明，UPDRS-III与SNVOL、MTC面积和宽度等临床指标之间存在负相关。应该注意的是，从病理学的角度来看，SNPC中着色神经元的丢失与PD的病程和严重程度有关，检测到对侧SNPC的萎缩可能会使PET纵向研究建议的早期诊断。因此，预期这种临床相关性与SNVOL、QSM是合理的。在整个PD组中，总体铁含量与病程之间的相关性不显着，但仅在病程前5年的亚组中相关显着。铁含量的增加最有可能是因为至少失去了N1征，而该地区的铁含量增加了。
而少数其他文献未能找到与NM体积有任何临床相关性。几项病理研究表明，在PD受试者中，随着疾病的严重程度或疾病的发展，NM的丢失。这些发现与作为PD患者SN病理变化的代表的NM的丢失是一致的。另一方面，虽然其他研究表明UPDRS-III评分与NM信号面积或NM体积之间的相关性较弱或中等，但另一篇论文显示NM含量与上述任何临床评分都没有相关性。因此，鉴于我们在PD受试者的早期阶段的样本量相对较小，并且这些临床表现在不同的人群中可能有所不同，因此我们没有看到这种相关性也就不足为奇了。(见补充部分S4)我们在这项研究中没有发现QSM值与UPDRS-III之间的相关性，尽管这种相关性在以前的文献中已经看到。然而，在一般研究中，报告了不一致的结果，一些人报告QSM值与UPDRS-III没有相关性。由于UPDRS-III在检查时测量运动性能，不同研究之间QSM值和UPDRS-III分数之间相关性的这种差异可能部分是由运动检查时的残余治疗影响造成的。
本研究中使用的半自动DP方法为NM复合体和SN提供了一种使用不同初始ROI获得一致最终边界的方法。但是，应该注意的是，任何自动或半自动方法仍然具有与其相关的某些约束，这些约束可能会导致体积结果发生变化。具体地说，Ogisu等人的一项研究。研究发现，通过使用区域生长的半自动技术，随着阈值的增加，NM体积可以显著减少，导致在较低阈值下PD和HC之间的分离较差。考虑到与MTC和QSM图像相关的CNR以及这里使用的DP算法的性质，该技术倾向于产生接近于全宽半最大值的界限和体积，因此，与使用低或高阈值的方法相比，该技术将具有中等体积。我们还检查了DP边界，以确保边界中没有出现伪影或错误。考虑到初始边界是手动绘制的，这是不太可能的。有关不同方法和不同论文中比较的体积测量的更深入讨论，请参阅补充材料(特别是补充部分S7)。
这项工作有一些局限性。首先，神经病理评估缺乏明确的诊断确认是一个潜在的限制。然而，所有的帕金森病患者都被临床随访了至少12个月，并确认了临床诊断。其次，样本量相对较小，临床采用这种方法需要更多的受试者。第三，为了准确地定义最终感兴趣区域之外的初始边界，本研究提出的DP算法需要了解中脑结构的先验知识。第四，人们可以使用更高的面内分辨率来更好地定义ROI的边界，但这将以增加扫描时间、降低信噪比以及增加患者运动的潜力为代价。第五，本研究仅侧重于早期PD患者与HCS的鉴别，而对临床上更具挑战性的帕金森病的鉴别诊断不够深入。在未来，使用这种方法研究PD和非典型帕金森综合征之间的鉴别诊断性能将是很有意义的。
综上所述，我们介绍了一种利用半自动边界检测算法同时检测纳米金属退化和铁沉积的快速三维成像方法。虽然SNVOL、MTC是单项指标中AUC最高的，其次是N1征，AUC次之，但在评估PD时， SNVOL、QSM与UPDRS-III具有互补作用。这种方法为鉴别早期PD和HCS提供了一种实用的磁共振成像方法，AUC高达0.98。只需对序列设计稍作改动，这种基于GRE的多对比度单一MRI序列就有可能在所有主要制造商的设备上实施，总采集时间约为5分钟。