Transforming MRI volumes with Space-Filling Curves reveals Multifractal Signatures of Ageing and Dementia Progression

技术摘要：通过空间填充曲线转化 MRI 体积数据，揭示衰老与痴呆进展中的多重分形特征

问题陈述

阿尔茨海默病（AD）的检测与监测目前面临重大挑战。虽然存在如淀粉样蛋白 PET 和脑脊液（CSF）检测等生物标志物，但这些手段具有侵入性、成本高昂或可扩展性有限等缺点。结构化 MRI 虽然广泛应用，但在临床实践中往往缺乏稳健且常规的量化方法。现有的神经影像机器学习（ML）方法通常存在“黑箱”性质，缺乏可解释性，并因数据稀缺性和多样性而难以实现泛化。此外，神经科学中的传统分形分析主要局限于计算分形维数（FD），这仅能捕捉线性依赖关系，无法量化多维脑数据中固有的复杂、无标度及非线性相关性。因此，迫切需要一种透明、可解释的方法论，能够分析多维神经影像数据，以捕捉线性与非线性组织特性。

方法论：多重分形空间填充曲线分析 (MFSCA)

作者提出了多重分形空间填充曲线分析（MFSCA），这是一种两阶段方法论，旨在通过将多维数据转化为一维时间序列，同时保留局部和远程组织特性，从而量化多维数据的相关结构。

1. 通过空间填充曲线（SFC）进行降维：

   • 将多维 MRI 体积（具体为 T1 加权切片）转换为一维信号。
   • 采用 希尔伯特曲线（Hilbert curve） 作为空间填充机制。选择该曲线是因为其具有 Hölder 连续性，确保了沿曲线的距离（$|x-y|$）与嵌入空间中的欧几里得距离（$\|f(x)-f(y)\|$）相关，从而保留了体素强度的局部空间结构。
   • 沿希尔伯特曲线遍历顺序排列的体素强度构成了每个切片的一维时间序列。

2. 通过 MFDFA 进行多重分形分析：

   • 使用 多重分形去趋势波动分析（MFDFA） 对生成的一维信号进行分析。
   • 该过程计算广义 Hurst 指数 $h(q)$ 和多重分形谱 $f(\alpha)$。
   • 每个切片提取的关键指标包括：
     • Hurst 指数 ($H$)： $h(2)$ 的值，表示长程相关性。
     • 谱宽 ($\Delta\alpha$)： 最大与最小奇异强度之差（$\alpha_{max} - \alpha_{min}$），量化多重分形程度和非线性程度。谱宽越宽，表示非线性相关性越强。
     • 谱不对称性 ($A$)： 表明相关结构是由小波动还是大波动主导。

3. 统计框架：

   • 研究利用 OASIS-1 数据库数据，将受试者分为五个队列：青年对照组 (YC)、中年对照组 (MAC)、老年对照组 (EC)、早期轻度认知障碍 (EMCI) 和轻度认知障碍 (MCI)。
   • 采用 池化分层广义加性模型 (GAM) 来分析 $H$、$\Delta\alpha$ 和 $A$ 的逐切片剖面。该模型调整了人口统计学协变量（年龄、性别、教育、eTIV），并利用 AR1 残差结构考虑了沿切片轴的受试者内依赖性。
   • 结合主成分分析 (PCA) 的 线性判别分析 (LDA) 被用于评估特征重要性和队列可分性，将高维特征空间（约 777 个特征）降维以识别具有辨别力的指标。

主要贡献

• 新颖的方法论： 引入了 MFSCA 作为一个通用的框架，用于将多重分形分析应用于多维数据，克服了标准 2D/3D 多重分形方法的局限性。
• 合成数据验证： 该方法通过确定性二维多重分形级联进行了验证。分析确认 MFSCA 能够准确恢复理论上的多重分形谱，并能区分具有保留线性相关性的数据（单分形代理数据）与具有非线性结构的数据。
• 全面剖析： 生成了跨解剖轴（x, y, z）映射多重分形指标的“大脑剖面图”，用于不同年龄和疾病队列，从而实现空间定位的变化分析。

结果

• 合成数据验证： MFSCA 成功恢复了确定性级联的理论多重分形谱宽和最大位置。当应用于傅里叶代理数据（即移除了非线性相关性的数据）时，该方法正确识别出了谱宽的变窄，证实了其对非线性组织的敏感性。
• 衰老效应（健康受试者）：
  • Hurst 指数 ($H$)： 观察到随着年龄增长（对比 25 岁与 75 岁），$H$ 值呈现普遍下降趋势，特别是在侧脑室周围区域。这表明老年大脑的长程相关性减弱，并向类白噪声行为转变。
  • 多重分形谱 ($\Delta\alpha$)： 在局部区域，谱宽随年龄增长普遍下降，表明从多重分形向单分形的转变（异质性标度的丧失）。然而，这些变化具有空间结构性和方向依赖性，某些区域显示出谱宽增加。
• 痴呆进展（EC vs. EMCI vs. MCI）：
  • Hurst 指数： 与老年对照组 (EC) 和 EMCI 相比，MCI 组表现出显著较低的 $H$ 值，尤其是在中央和后部区域。EMCI 组与对照组基本无法区分，仅在极小段落存在差异。
  • 谱宽： 在特定区域，MCI 受试者的谱宽明显比 EC 和 EMCI 更窄，进一步证实了非线性复杂度降低的发现。
  • 向单分形的转变： 研究观察到在衰老过程（青年对照组 vs. 老年对照组）和疾病进展（EMCI vs. MCI）中均存在从多重分形向单分形的转变。这表明脑结构异质性空间组织的退化，转变为更趋同、弱相关的状态。
• 特征重要性： 降维分析（t-SNE 和 LDA）表明，多重分形特征（特别是不对称性和谱宽）包含足够的有效信息来区分不同队列，包括区分年龄相近的群体（例如，老年对照组 vs. EMCI）。

意义与主张

本文主张，通过测量脑结构空间组织程度的多重分形特性，可以反映出随着年龄增长和痴呆发展，这种组织结构在逐渐削弱。本研究的主要意义在于证明了：

1. 多重分形作为标志物： MRI 数据中的多重分形是结构性脑变化的敏感标志物，能够捕捉线性方法或简单分形维数可能遗漏的关键组织特性。
2. 可解释性： 与“黑箱”机器学习模型不同，MFSCA 提供了一个有理论依据、透明的框架，其中各项指标的物理意义（相关强度、非线性）是清晰明确的。
3. 方法论效用： 提出的 MFSCA 框架有效地弥合了多维神经影像数据与高级多重分形分析之间的鸿沟，为研究神经科学中的复杂系统提供了一个稳健的工具。

作者对临床部署保持审慎态度，指出了局限性，如 OASIS-1 数据集的横断面性质（无法区分出生队列效应与衰老效应）、缺乏 APOE $\epsilon$4 基因型数据，以及老年受试者可能存在的运动伪影。他们将这些发现定位为该方法效用的展示，并作为开发更简单、常规且稳健的 MRI 分析方法以用于 AD 预后的一种尝试。