海马亚区的结构与功能连接方法的研究及在轻度认知障碍疾病中的应用

The human hippocampal formation (HF) is a complex and inhomogeneous anatomical region in the medial temporal lobe that is essential in the learning and memory and affected easily by multiple neuropsychiatric diseases. HF is divided into different subfields according to the different cytoarchetecture, and each subfield has been implicated in different neural circuit. The ability to reliably and efficiently detect the volume, shape and connectivity of these subfields using in vivo neuroimaging is of great potential value for both basic neuroscience and clinical research. However, the existing methods don't be well applied in the images acquired by the clinical MRI sequences. It is largely unknown on the anatomical and functional connectivities of hippocampal subfields with other brain regions. Thus, the aims of this project are 1) to develop an automatic segmentation of hippocampal subfields under the multi-atlas framework, and the atlases are constructed by combining the shape information of ultra high field strength and clinical MRI images with the accurate hippocampal probabilistic atlas; 2) to explore the brain connectivities of hippocampal subfields with other brain regions on the basis of the segmented subfields and provide a new approach to discover the mechanism of brain connectivity and pathophysiology.

海马组织是大脑内侧颞叶的灰质核团，在学习和记忆中起着关键作用，在多种神经精神疾病中海马都易受到损伤。海马根据细胞构筑不同可分为一些亚区，每个亚区与周围皮质以不同的方式连接，研究海马不同亚区的体积、形状及与其它脑区的连接模式对深入认识海马亚区的功能，及疾病的发病机制有重要的学术意义和临床价值。然而目前还没有针对临床MRI常规成像序列图像的海马亚区的自动分区方法，关于海马亚区解剖和功能连接的研究也较少。因此，本项目一是将依据精确的海马亚区数字概率图谱，联合超高场强MRI图像和常规临床MRI图像构建多图集，对两种模态的图像的形状信息建立耦合模型，在基于多图集分割的框架下，建立海马亚区的自动分区方法，为脑结构的亚区自动分区领域提出一种新的思路，具有重要的科学意义；二是在准确划分出海马亚区的基础上，探索MCI病人海马亚区与大脑其它区域的网络连接关系，为揭示脑区的连接机制和疾病病理生理学提供新的途径。

本项目基于多模态磁共振图像，建立了海马及海马亚区自动分割方法，从而为神经精神类疾病中海马的定量分析提供依据。本项目开展了：1）海马自动分割方法的研究，提出了一种基于多图谱的方法对海马进行自动分割，针对多图谱分割中标签融合的问题，提出使用流行学习算法在低维空间中进行图谱的标签融合，实现了海马的快速准确自动分割。此外，针对医学图像分割存在的问题，基于现有深度学习模型框架，提出使用少降采样层和密集感受野分布的卷积神经网络结构，使用随机裁剪方法扩增训练数据，并使用密集连接模块和瓶颈层大幅减少模型参数量，实现了成人及婴儿海马的自动分割，分割的准确性和速度都优于当前方法。并且利用超高分辨率MRI的特征提高了常规分辨率MRI的海马自动分割准确性。2）海马亚区自动分割方法研究，提出对多图谱分割框架的标签融合步骤进行改进，利用基于局部图像块的流行学习方法，计算图谱图像块在低维坐标空间里的权重值，加权融合后得到目标图像的分割结果，实现了海马亚区有效准确的分割。此外，采用了基于多模态图像的半密集三维集成全卷积神经网络对海马亚区进行分割，使用三维全连接条件随机场进一步结合更大范围的语义信息来修正网络的假阳性输出，提高了分割结果的准确率。3）海马亚区连接异常模式及可塑性的研究，从结构共变的角度，研究了正常老化和音乐训练对前海马和后海马结构连接的影响，以及轻度认知障碍对不同海马亚区与全脑结构连接的影响；从功能网络的角度，研究了精神分裂症对前海马和后海马功能连接的影响。4）开发了一款针对海马研究且功能齐全的分析软件，该软件具有结构磁共振图像可视化、预处理、海马自动分割、构建海马结构共变网络，统计分析、海马功能磁共振预处理、基于种子点功能连接的海马亚区分割等功能，实现对海马结构形态学和功能的系列分析。