药物过度使用性头痛中基于三维纹理分析的全脑灰质纹理特征改变

DOI: https://doi.org/10.1186/s10194-017-0820-4

摘要总结 影像处理包括两个步骤：灰质（灰度图像）分割和三维纹理特征映射。

采用基于体素的灰度共生矩阵（VGLCM）方法，测量包括对比度（Contrast）、相关性（Correlation）、能量（Energy）、熵（Entropy）和逆差矩（IDM）在内的纹理参数映射。

与正常对照（NC）相比，MOH患者小脑蚓部的纹理参数表现为对比度和熵增加、能量和逆差矩降低。

相关性增加的区域位于左侧背外侧导水管周围灰质（L-dlPAG）、右侧海马旁回（R-PHG）和左侧额中回（L-MFG），相关性降低的区域位于右侧顶上小叶（R-SPL）。

灰质中与疼痛辨别和调制、情感和认知处理相关的纹理改变有助于理解MOH的发病机制。

采用VGLCM方法的纹理分析是一种灵敏且高效的方法，可检测MOH中细微的灰质变化。

补充说明：MOH患者小脑蚓部对比度和熵增加、能量和逆差矩降低的纹理参数，表明MOH患者蚓部在MR T1图像中的纹理特征更加异质和复杂。采用改进的VGLCM方法进行纹理分析，对检测MOH全脑细微结构变化具有高灵敏度和高效性。

背景 近期研究表明，纹理分析已广泛用于临床实践，如直肠癌[574, 575]、肝血管瘤[576]、轻度认知障碍[577]、胶质母细胞瘤[578]等。在我们先前的研究[579]中，

3.5 药物过度使用与成瘾

593

我们采用二维灰度共生矩阵（2D-GLCM）对导水管周围灰质（PAG）进行了初步纹理特征分析，初步结果提示MOH患者中对比度增加。

在近期的文献[580, 581]中，三维纹理分析技术被报道，并具有一些有价值的优点，如基于体素的全脑分析，且不受大小和方向的影响。

三维纹理计算的优化将提高该纹理技术的临床应用价值。

我们假设MOH患者的灰质存在纹理特征改变。

生成了五个纹理特征图，并在全脑范围内进行基于体素的分析，以识别MOH中纹理异常改变的脑区。

方法 纹理图计算的关键设置为每个体素周围球形感兴趣区的半径R和纹理点之间的最大距离d。

将阳性聚类保存为掩模以提取纹理值，然后与临床变量（包括VAS评分、病程、HAMA评分、HAMD评分、MoCA评分）进行相关性分析。

符合正态分布的数据以均值±标准差描述，并进行独立两样本t检验和Pearson相关分析；不符合正态分布的数据以中位数（P25, P75）描述，并进行Mann-Whitney U检验和Spearman相关分析。

在全脑范围内进行基于体素的纹理特征分析，在MOH与正常对照之间采用两样本t检验设计模型，以识别MOH中纹理特征显著改变的脑区。

结果 与正常对照相比，MOH患者的HAMA和HAMD评分显著升高，MoCA评分显著降低（P < 0.05）。

MOH中没有发现对比度降低的脑区。

讨论 本研究中的纹理图分析揭示了小脑蚓部、左侧小脑、左侧背外侧导水管周围灰质（L-dlPAG）、右侧海马旁回（R-PHG）、左侧额中回（L-MFG）和右侧顶上小叶（R-SPL）的纹理特征改变。

MOH患者小脑蚓部对比度和熵增加、能量和逆差矩降低的纹理参数，表明MOH患者蚓部在MR T1图像中的纹理特征更加异质和复杂。

本研究发现MOH患者的HAMD评分显著升高，且R-PHG的相关性值与HAMD评分呈负相关，这进一步证实了MOH患者情绪变化和依赖行为的可能解剖学基础。

594

3 诊断

本研究仅计算了五个纹理特征，未来可考虑更多纹理特征以筛选MOH患者的显著纹理特征。

结论 本研究揭示了MOH患者多个脑区的纹理特征改变，这可能反映了MOH中疼痛辨别和调制、情感和认知处理的神经可塑性，有助于理解MOH的发病机制。

采用改进的VGLCM方法进行纹理分析，对检测MOH全脑细微结构变化具有高灵敏度和高效性。

致谢 本摘要基于Chen, Zhiye; Chen, Xiaoyan; Chen, Zhiqiang; Liu, Mengqi; He, Huiguang; Ma, Lin; Yu, Shengyuan. 2017年发表于The Journal of Headache and Pain的论文由机器生成。

FRAMES方案与简单建议用于药物过度使用性头痛：一项前瞻性、随机、对照临床试验