人類的大腦皮質由相互連接的神經元構成，它們通過高度的折疊來增加大腦皮質的表麵積，從而顯著地提升了神經元的數量。這種折疊形式在大腦顱骨下以帶狀分布，體現為大腦中溝回的組織形式，它們的平均厚度約為2.5mm，在不同部位的厚度存在一定變化，但基本在1~4.5mm之間。

        不同大腦部位的皮質有著相對局部的皮質表征，它們不僅表現為構築細胞的差異，同時也體現在其厚度在個體終生的變化和不同個體的差異性上。因此，了解大腦的皮質厚度信息對於理解皮質變化與個體差異、年齡老化以及腦疾病之間的關係至關重要。過去40年裏，結構磁共振成像(structuralmagneticresonanceimaging，sMRI)技術取得了飛速的進展，獲得大腦皮質信息的能力得到顯著提高。

        用於研究神經解剖的磁共振計算方法、新型量化技術和後處理技術也不斷湧現。在癲癇外科領域，磁共振成像技術徹底改變了臨床醫師發現致癇灶的能力，並將研究領域從解剖-電-臨床關係轉向多學科研究。既往研究認為結構磁共振上清晰的致癇灶陽性發現是臨床良好預後的關鍵因素，跟顱內腫瘤、血管畸形的病理不同，癲癇外科常見的皮質發育不良(focalcorticaldysplasia，FCD)和海馬硬化(hippocampalsclerosis，HS)等在磁共振上往往隱蔽或者“陰性”，給臨床工作帶來了巨大挑戰。

        雖然神經影像後處理方法的發展從不同方麵提高了研究者對這些視覺上隱蔽或者較難發現的組織信息的探測能力，但目前這些神經影像技術的進步和發展未能係統地轉化為臨床應用，因此本文將針對目前癲癇外科結構磁共振常用的分析方法、計算模型和統計應用進行綜述。

1.分析方法

        1.1體素水平(voxel-based)分析

        基於體素的形態測量(voxelbasedmorphometry，VBM)較早由Ashburner和Friston在2000年提出，該方法的基本思想是通過在逐個體素(voxel)上比較兩組受試者的灰質密度來探測不同組別被試存在差異的區域。

        該方法的基本步驟為：(1)將每個被試的高分辨率磁共振解剖T1加權圖形空間歸一化到相同的立體定位空間，如蒙特利爾標準空間;(2)在每個圖像中分割灰質、白質和腦脊液;(3)使用高斯核函數(平均灰質密度)平滑圖像;(4)使用體素水平的參數或非參數方法來比較兩組灰質密度的差異或尋找與臨床或認知變量的顯著關聯。

        VBM方法在早期的癲癇腦成像研究中取得許多成果，並隨著研究方法的更新，已經延伸出不同的影像後處理方法，如形態分析程序(morphometricanalysisprogram，MAP)。該方法基於體素的形態定量評估皮質解剖，逐體素定量地比較個體患者的灰質概率圖與正常數據庫中的平均灰質圖像，既往學者應用MAP技術有效提高了磁共振陰性致癇灶的檢出率。其他方法還有如PET的統計參數映射(statisticalparametricmapping-PET，SPM-PET)等。

        1.2表麵水平(surface-based)分析

        基於表麵形態分析(surface-basedmorphometry，SBM)較早由Besson等在2008年提出，是紋理分析(textureanalysis)的進階，其基本過程是通過重建大腦皮質的三維表麵，並提取代表大腦皮質形態學特征，實現精確判定大腦皮質麵數據網格點(vertex)解剖區域定位和組間差異分析的計算。

        其基本計算過程如下：(1)對個體T1影像進行密度標準化和射頻偏壓場不均性校正;(2)在個體空間圖像分割灰質、白質和腦脊液，估計不同組織邊界;(3)進行皮質重建，通過半球分離、曲麵細分及圖像變形使灰質/白質交界和軟腦膜表麵網格化，重建出白質表麵(whitemattersurfaces)和軟腦膜表麵(pialsurfaces);(4)拓撲結構修正以及基於皮質水平的配準，空間平滑;(5)在“vertex”層麵進行組間被試全腦範圍的參數檢驗或非參數檢驗。

        在表麵分析中，常用的指標包括皮質厚度、表麵積以及複雜度等。相對VBM方法容易受到腦成像腦溝影響對檢測皮質異常的靈敏度有限、Voxel-wise的平滑會降低皮質間改變的特異度和增加了部分容積效應等問題，SBM方法能有效克服這些不足，其對皮質特征測量的優勢使其在癲癇、退行性疾病等逐漸成為主流。

        VBM和SBM都同屬計算神經解剖學，是通過各種測度來測量腦皮質形狀和密度信息的影像後處理方法。VBM能夠全腦定量測量腦組織成分的局部體積和密度信息，從而刻畫局部腦區的特征和病理變化，但其體素信息是總體結果，不能厘清皮質厚度、麵積、皺褶度等內在屬性對測量的影響。

        而SBM采用網格化表麵的分析方法，采用的空間是一個基於表麵的球麵二維空間而非傳統的三維Talairach坐標空間，更符合大腦皮質本質上是一張二維薄層的客觀事實，能夠更真實反映大腦皮質結構的內在拓撲本質。但也存在無法評估皮質下及白質形態等問題。就目前為止，基於體素的形態測量仍舊在評估灰質體積的總體變化方麵具有優勢，但是灰質體積可由兩種改變引起，即皮質厚度和皮質表麵積。

        這兩種變化反映了人類皮質的不同結構特征，並且可能受到不同細胞因素的驅動(即皮質表麵積的皮質微柱數和皮質厚度內微柱的細胞數)。鑒於灰質體積與皮質表麵積而非厚度有更密切的聯係，因此還需要更多的研究來闡明這VBM和SBM這兩種技術之間的關係，但在癲癇疾病中皮質厚度的測量方法比體積研究所獲得的結果更為具體。

        此外，皮質厚度提供了一個不易受個體位置變化影響的皮質形態的直接指標，因為無論位置差異，提取灰質都遵循灰質表麵，尤其是在基線和隨訪的受試者內部比較中。因此，在未來的研究中，SBM方法將成為灰質研究的主要方法。

2.統計應用

        在比較患者和健康對照組腦結構差異時，往往涉及不同的比較過程，並且在具體研究中由於研究假設的不同，研究者往往需要選擇合適的統計檢驗方法。如對不同組被試的腦結構數據或者同一組被試前後測的腦結構數據的比較往往涉及正態分布先驗下的t檢驗，而對個體變異更感興趣的研究則更多地使用相關或者回歸方法來進行統計。

        由於腦結構數據的高維特性，以及相關研究往往在小樣本情況下進行，因此，嚴格地使用先驗假設的統計方法對於研究結果的可靠性和魯棒性都極為重要。本部分將結合具體問題來簡要介紹在癲癇的結構影響數據中常用的統計方法，並且對這些方法的適用情況進行討論。

        2.1差異驅動統計

        基於體素的兩樣本t檢驗較常用於表麵分析的組間比較中，其在單一體素水平生成一個t值，是組間對比效應量的主要步驟，P值後續根據研究設計(探索性研究或驗證性研究)決定是否進行多重比較校正。Hotelling’st2檢驗是兩組間t檢驗進行多元分析的延伸，是多元分析中用於組間均向量的比較。

        比如神經影像分析可測量出多種形態特征(皮質厚度、溝回深度、溝回曲率等)，單變量t檢驗僅能進行單獨分析，而Hotelling’st2檢驗能綜合所有形態學的信息進行結果解讀，適用於在多變量的研究當中。

        2.2協變驅動統計

        相關分析是影像量化特征和臨床信息之間相關關係的統計指標，如癲癇病程對皮質厚度的影響等。常用的有Pearson相關和Spearman相關，前者強調兩個連續變量之間的線性關係，即當一個變量增加時，另一個變量增加一致量，這形成了一種遞增直線關係;而後者強調兩個連續變量之間的單調關係，即一個變量在另一個變量增加時增加，但數量不一致。

        另外，當考慮一個變量和多個變量存在相關(如皮質厚度可能與疾病病程和發作頻率同時存在相關關係)可用複相關。而如當考慮其他變量對試驗有影響，需要進行變量控製的情況(如皮質厚度和疾病病程相關，但是患者的年齡、大腦容積可能是混雜因素，需要控製)，可使用偏相關。

        回歸分析是對具有相關關係的兩個或以上變量之間的共變關係進行測定，以確立相應的數學表達式，從一個已知量來推測另一個未知量。相關分析是回歸分析的基礎，回歸分析是相關分析的深入，在用於根據影像特征對疾病自動分類中存在潛在價值例如提取海馬硬化相關影像特征，對其進行自動識別。

        這裏需提醒兩個容易混淆的概念——協方差(covariance)和協方差分析，並且有必要對協方差分析和偏相關分析進行區分：協方差表示的是兩個變量總體誤差的期望，一般表示兩個變量之間的相關關係，而相關係數(correlation)是協方差的歸一化(normalization)，消除了兩個變量量綱/變化幅度不同的影響，能夠單純反映兩個變量在每單位變化的相似程度。

        而協方差分析實際是方差分析的引申和擴大，基本原理是將線性回歸與方差分析結合起來，檢驗和控製協變量(不可控因素)在方差分析中的影響;偏相關分析是測量排除不可控因素(數值變量)外的變量之間的相關程度。

        2.3計算模型

        一般線性模型(generallinearmodels，GLM)由於廣泛應用於神經影像學統計分析，其能對“voxel”或“vertex”的數據進行線性回歸，以確定數據是否具有顯著性。分析時根據數據類型和先驗假設選擇不同模型進行統計計算，簡單的包括簡單回歸(simpleregression)、方差分析(analysisofvariance，ANOVA)和多重回歸(multipleregression)。GLM還包含其他形式，如混合效應模型(mixedeffectsmodels)、層級模型(hierarchicalmodels)、時間序列模型(timeseriesmodels)、穩健回歸(robustmodels)以及正則化回歸模型(penalizedregressionmodels)(套索回歸LASSO、嶺回歸Ridge等)。最後還有一種廣義線性模型(generalizedlinearmodels)，它包含了非正態誤差(non-normalerrors)、不同誤差分布和邏輯回歸(logisticregression)。

3.影像分析麵臨的問題

        3.1效能分析

        效能分析(poweranalysis)通過估計試驗樣本量從而增加統計結論的可信力和可解釋性。其通過檢驗統計量和效能設置，對樣本量進行估計。

        3.2選擇合適的統計模型

        對於臨床研究，研究者往往從患者和匹配的對照組之間是否存在腦結構差異的假設出發來設計研究方案。在這種假設下，往往討論兩組被試或者多組被試間的差異。雖然在參數檢驗框架下一個很重要的步驟是檢驗數據是否符合要執行的檢驗對樣本數據分布的要求，但是由於在實際統計時是基於體素(voxel/vertex)來逐個檢驗組間差異的，受到巨大數據量的影響，很難一一檢驗這些比較中的數據是否符合某種具體的先驗分布，因此，在樣本量足夠大的情況下，往往默認這種情況，並執行參數檢驗。但是，有許多小樣本研究也忽略此問題，而直接使用參數檢驗，這可能提升此類研究第一類錯誤的發生率。

        3.3檢驗統計量

        檢驗統計量(teststatistic)用以測量零假設(nullhypothesis)和數據之間的一致性，通過計算檢驗統計量以及對應的P值來決定是否否定零假設。神經影像的組分析一般使用t值作為檢驗統計量，但Cohen’sd值(組間均數差除以合並標準差)也常使用。

        3.4多重校正

        多重比較校正(multiplecomparisoncorrection)在腦成像領域是一個重要的統計問題。在進行組間統計時，需針對每一體素(voxel/vertex)逐一進行分析，如果直接進行檢驗，出現統計學顯著的簇(cluster)很可能是假陽性的結果，量化假陽性可能性的方法包括：錯誤發現率(falsediscoveryrate，FDR)，它控製了所有被拒絕的檢驗中假陽性的比例;整體錯誤率(family-wise-errorrate，FWER)，它指的是多重比較時，出現假陽性的可能性。因此需要引入多重校正方法，目前常用的包括FDR校正、Bonferroni校正、FWE校正、置換(permutation)校正和Cluster校正。

        3.4.1FDR校正

        這種方法控製所有陽性結果中假陽性的比例。將所有(N個)體素(voxel/vertex)計算的P值進行從小到大排序，找到第n個P值大於0.05n/N。

        3.4.2Bonferroni校正

        此方法是用指定顯著水平(一般是0.05)除去多重比較的數目，得到一個比較低的閾限。但是這種方法往往比較苛刻，隻在比較數目比較少的時候適用。麵對神經影像的數據，Bonferroni校正顯得不太合適，因為其服從一個基本假設是每次實驗是否獨立，但像神經影像這樣鄰近體素(voxel/vertex)的信號往往具有高相關性。

        3.4.3FWE校正

        FEW校正直接控製整體犯錯誤概率。人們常選用隨機場理論(randomfieldtheory，RFT)進行FWE校正，其基本假設就是空間鄰近的體素(voxel/vertex)具有相關性(也可以說是存在由空間平滑造成的相關)，則在檢驗前，先估算數據的平滑程度，再基於這一指標計算某個體素不是由隨機因素引起顯著的概率。其假設要求平滑程度至少要為數據最小空間分辨率的2~3倍(而且平滑程度越大，檢驗效果越寬鬆)。

        3.4.4Permutation校正

        對原始數據進行多次(1000次或以上)隨機化/置換迭代，得到的將是一個隨機的零分布，考察真實數據在這一分布中的位置，然後進行一次排序(permutation)，如果在分布的兩級(單側5%或雙側2.5%)，則認為真實數據不屬於隨機的零分布，而是符合預期的假設。

        3.4.5Cluster校正

        這種方法以顯著差異的簇為校正單位，較Voxel或Vertex-wise的校正寬鬆。首先需要定義團塊：設置校正前閾值(cluster-definingthreshold，CDT)(包括檢驗統計量或P值)，滿足該閾值的空間上相鄰的體素組成一個團塊，全腦內將形成大小各異的簇。然後根據分析自由度和一般線性模型殘差的空間自相關的近似水平，對簇大小與利用高斯隨機場理論(Gaussian-RFT)或置換檢驗下預期簇大小的零分布進行比較，最後選擇閾值。

        所以體素(voxel/vertex)有一個閾限設定，簇也有一個閾限設定，隨後也能進行P值的多重校正。既往研究認為基於簇的校正方法的假陽性錯誤率明顯高於基於體素的校正方法，這可能是由於基於簇的校正方法還須假定空間自相關函數具有高斯形狀，這一特定假設可能不符合實際。

        目前正在發展的方法是無閾值簇群增強校正(threshold-freeclusterenhancement，TFCE)，這是一種將結合強度(intensity)(檢驗統計量)和空間擴展度(spatialextensity)整合為一體的方法，或者說這種方法結合了簇的強度和大小的信息，把統計值積分再乘以其閾上的麵積，該方法的應用越來越廣泛。

        總體而言，沒有任何一種統計校正方法是完美的，在實際應用中應根據研究目的及數據實際情況平衡檢出率和假陽性率兩個方麵，基於體素的校正方法假陽性率低，但檢出率也相對較低，更適合差異顯著的情況;而基於簇的校正方法檢出率高，但假陽性率也相對較高，更適合差異不顯著情況。

        3.5可重複性分析

        可重複性分析(reproducibilityanalysis)可進一步增加統計分析的可靠性，一般可利用Bootstrap方法估測組間對比的一致性，通過進行兩組間多次(1000次或以上)隨機重采樣，進行相同的統計分析和多重校正，最後可得出1000次隨機迭代的概率結果，使結果解讀更具科學性和魯棒性。

4.小結

        本文重點闡述癲癇外科結構磁共振科研工作中較常遇到的分析方法、計算模型和統計應用等方麵進行全麵的闡述，如分析方法中介紹了目前科研方向，包括VBM、SBM分析方法，以及常用的統計軟件和可視化工具包;計算模型介紹了現在常用的不同驅動目的的分析方法和GLM模型，後者內含多種形式，根據數據和先驗假設進行不同的選擇;而統計方法是本文的重點闡述部分，其中包括統計方法選擇、檢驗統計量解釋、多重校正介紹以及增加實驗可信度的方法。

        基於體素分析方法的創建和發展，成為了現代計算神經影像學的理論基礎和重要基石，SPM和Fsl等軟件包的推出使得分析過程更加規範和便捷。除此以外，在體素水平上進一步研發的表麵水平分析方法目前成為了研究熱點，尤其在獲取皮質折疊、溝回信息等方麵。

        在選定好分析方法後，對統計應用的選擇也異常重要，根據具體場景，選擇差異驅動或協變驅動的統計方法，而且根據數據分布和類型選擇合適的分析方法，如參數或非參的選擇。此外，神經影像學統計和臨床變量統計不全一樣，前者常設計多重校正的問題，本文也介紹了多種多重校正的方法，引入了檢驗統計量的描述，並且建議使用可重複性分析，使結果更有說服力。

        本文介紹的統計分析從最常用的結構磁共振影像入手，未覆蓋目前常見的其他模態如斷層神經成像(computedtomography，CT)、功能磁共振(functionalmagneticresonanceimaging，fMRI)、磁共振張量成像(diffusiontensorimaging，DTI)、磁共振波譜分析(magneticresonancespectroscopy，MRS)和代謝成像(positronemissiontomography，PET)等，個別模態的處理細節未展開敘述，但是神經影像統計分析的思維和方法是相通的，可以相互借鑒和運用。

        隨著顯著增加的跨尺度多模態成像數據的增加，挖掘影像表型特征複雜度和多樣性的提高，未來神經成像研究的模型建立、統計分析、特征描述可能依賴更先進的計算設備和算法，以及強大的儲存、管理和可視化複雜數據的新技術。同時，新發現的再重複性驗證需要大量公開的、合作的共享數據和詳細的分析流程，才能更好地促進科研成果向臨床轉化。

        來源：莫嘉傑,張建國,胡文瀚,張凱.癲癇外科結構磁共振常見分析方法研究進展[J].北京生物醫學工程,2022,41(01):97-103.