在经历过不良童年经历的女性的大脑皮层区域中，N-乙酰天冬氨酰半胱氨酸（N-Acetylaspartyglutamate）、肌醇（myo-inositol）和西洛醇（syllo-inositol）的水平有所下降

《Magnetic Resonance Imaging》：Decreased levels of N-Acetylaspartyglutamate, myo-inositol, and syllo-inositol, in cortical brain regions of women exposed to adverse childhood experiences

氧提取分数（OEF）定量评估新方法在脑小血管病变（SVD）中的应用研究，采用APART-QSM分离磁化率，与传统QSM对比发现其OEF值显著更低（p<0.05），但未在SVD患者与健康对照组间显示差异，验证了该方法在减少铁血红蛋白氧合状态干扰方面的潜力。

　　

周文宇|罗丹|陈浩|王美玲|李永梅

上海海洋大学工程科学与技术学院，中国上海市南汇新城沪城环路999号，201306

摘要

背景

氧提取分数（OEF）是脑代谢的关键参数，也是脑小血管疾病（SVD）的潜在生物标志物。定量磁化率成像（QSM）可以实现无创的OEF成像，但受到脱氧血红蛋白和氧合血红蛋白相反磁化率的干扰。我们评估了一种新方法，该方法可以分离出用于OEF估计的顺磁磁化率成分，并将其与常规QSM在SVD患者和健康对照组（HC）中进行了比较。

方法

27名SVD患者和23名HC接受了多回波GRE MRI以进行QSM重建。使用APART-QSM分离出顺磁磁化率成分。通过常规QSM和顺磁磁化率分别对直窦（SS）和上矢状窦（SSS）进行分割，以计算区域OEF。统计比较采用了Welch的t检验。

结果

顺磁磁化率显著高于总磁化率（p < 0.05），而基于顺磁磁化率得出的OEF显著较低（p < 0.05）。基于顺磁磁化率得出的OEF值（HC：SS中为22.5 ± 4.8%，SSS中为19.3 ± 4.6%；SVD：SS中为23.4 ± 5.1%，SSS中为19.0 ± 4.5%）显著低于通过常规QSM得到的值（HC：SS中为29.0 ± 3.5%，SSS中为26.8 ± 3.3%；SVD：SS中为29.8 ± 3.8%，SSS中为26.5 ± 3.2%）。在分析的静脉区域，HC和SVD组之间没有发现显著的OEF差异。

结论

本研究证明了通过APART-QSM分离顺磁磁化率成分以进行定量OEF估计的可行性。虽然基于顺磁磁化率得出的OEF值低于常规QSM，但该方法理论上通过区分脱氧驱动的磁化率和抗磁干扰，提高了特异性，显示出作为脑氧代谢精细生物标志物的潜力，有待进一步优化。

引言

持续的氧气供应对于维持正常的脑功能和生存至关重要。尽管大脑仅占体重的约2%，但它消耗了全身约20%的氧气[1]。值得注意的是，大脑储存氧气的能力非常有限；相反，其氧气利用主要依赖于从流入的动脉血液中实时提取。作为反映脑能量代谢的关键生理参数，氧提取分数（OEF）已被提出作为一系列神经系统和系统性疾病（包括镰状细胞病[SCD][2,3]、阿尔茨海默病[AD][4,5]、多发性硬化症[MS][6]、脑肿瘤[7,8]和其他神经系统疾病[9][10][11]）的潜在生物标志物。虽然针对这些疾病的研究取得了显著进展，但专注于脑小血管疾病（SVD）的研究仍然相对较少。SVD是一组异质性的脑血管疾病，其特征是大脑内的小动脉、毛细血管和静脉发生病理改变。其临床表现包括腔隙性梗死、白质高信号和脑微出血，所有这些都会导致认知障碍、步态障碍和中风风险增加[12]。在SVD患者中，毛细血管功能障碍会损害脑的自动调节能力，从而导致脑血流量（CBF）减少[13]。多项研究表明，为了维持稳定的脑代谢氧需求（CMRO?），大脑会通过上调OEF来补偿[14][15][16]。这种补偿机制表明，OEF可能成为区分SVD患者和健康对照组（HC）的潜在生物标志物。

目前量化OEF的方法在准确性、侵入性和临床可行性之间存在固有的权衡。金标准技术——氧-15正电子发射断层扫描（1?O-PET）可以直接量化OEF[17][18][19][20]。然而，它依赖于电离辐射和放射示踪剂的侵入性给药，严重限制了其临床应用，特别是在纵向监测和易感人群中的使用[21]。这些限制推动了基于磁共振成像（MRI）的无创替代方法的发展。在脑毛细血管中，血红蛋白沿着氧扩散梯度向周围组织释放氧气，从氧合状态转变为脱氧状态。这种转变不仅促进了氧的输送，还改变了血红蛋白中铁的磁性质：抗磁的氧合血红蛋白失去氧气并转化为顺磁的脱氧血红蛋白。MRI利用这种磁化率差异来量化OEF，T?-自旋标记下的松弛（TRUST）技术就是一个成熟的例子[22]。TRUST避免了1?O-PET所固有的电离辐射和侵入性，使其更适合重复测量和纵向研究[19]。然而，TRUST的一个关键局限性是其信号主要来自上矢状窦这一较大的表层静脉结构。对于较小的静脉血管，TRUST的低信噪比（SNR）会导致较大的估计误差，使其不适用于全局OEF评估。为了将氧合量化扩展到其他特定血管，Krishnamurthy等人开发了T?-自旋标记下的相位对比（trupc）技术[23]。该方法结合了T?松弛测量和相位对比速度编码，实现了特定血管的OEF评估，为全局窦状窦测量提供了更灵活的替代方案。然而，对于需要高分辨率映射整个脑实质的应用来说，这种方法仍有局限性。

近年来，定量磁化率成像（QSM）作为一种基于MRI的OEF量化技术脱颖而出[24]。与传统MRI序列不同，QSM提供了组织磁化率的体素级定量测量，这对全局OEF评估非常有利[25]。一些研究将QSM与气体挑战协议结合使用来测量OEF，这可以实现全局评估，但需要复杂的气体吸入控制和长时间的扫描过程[26][27][28]。为了解决这一限制，张等人提出了一种无挑战的方法：假设CMRO?在气体处理前后保持最小局部方差，他们从基线QSM和通过动脉自旋标记（ASL）获得的CBF数据中推导出OEF图[29]。尽管这些方法具有创新性，但它们依赖于一些假设——最显著的是，CMRO?在气体处理前后保持不变，以及脑血容量（CBV）和CBF之间存在固定的线性关系[30,31]。此外，将低分辨率的EPI基ASL图像与高分辨率的GRE基QSM图像进行配准会引入配准误差，这些误差会传播并扭曲最终的OEF计算[26]。无挑战的QQ（QSM + qBOLD）方法整合了相位和幅度信息，实现了体素级的OEF映射，避免了气体挑战和多模态配准的复杂性[20,32]。然而，这种方法仍然容易受到噪声的影响，并依赖于可能在病变组织中不成立的理想化生理假设。

MRI硬件和重建算法的进步提高了QSM的空间分辨率，使得可以使用大型脑静脉结构直接测量OEF。这些方法只需要一次静态MRI采集，无需气体挑战，并且不受CBF波动的影响——使其更符合常规临床MRI工作流程[15,16,28][33][34][35]。然而，一个关键挑战仍然存在：虽然QSM中的磁化率信号主要由脱氧血红蛋白的强顺磁性主导，但静脉血液中也含有大量弱抗磁的氧合血红蛋白[36]。这两种物质经常在同一体素中共存，导致它们的相反磁化率信号部分抵消。传统的QSM方法仅提供体素平均磁化率值，无法区分具有相反符号的体素内磁化率来源。为此，已经开发了先进的磁化率分离技术来分离QSM图像中的顺磁和抗磁成分[37]。值得注意的是，文献中的氧合血红蛋白磁化率值存在相当大的变异性[36,38,39]。这种变异性，加上静脉血液中抗磁磁化率成分本身较小的幅度，使得基于抗磁成分的OEF估计容易受到残余分离噪声和系统偏差的影响。相比之下，顺磁磁化率成分由更强的脱氧血红蛋白信号主导，并且有更确定的磁化率常数支持，为OEF量化提供了更可靠的基础，因为它最小化了误差放大并更好地反映了脱氧驱动的磁化率变化。因此，本研究重点使用通过APART-QSM分离出的顺磁成分来量化OEF。

因此，本研究旨在使用通过磁化率分离得到的顺磁成分来量化OEF。

本研究的具体目标如下：(1)

评估从顺磁磁化率成分获得的OEF估计的可行性和潜力，作为一种有前景的定量脑氧合评估技术，并系统地将其性能和数值特征与常规QSM获得的性能和特征进行比较。

(2)

比较SVD患者和HC之间的OEF值，并验证OEF作为SVD鉴别生物标志物的潜力。

部分摘录

方法

本研究得到了重庆医科大学第一附属医院机构审查委员会的批准，并从每位参与者处获得了书面知情同意。

结果

表1总结了HC和SVD组在SS和SSS中的磁化率和OEF估计的定量结果，主要使用标准化参数$\Delta {\chi }_{\mathrm{do}}=0.27$ ppm。图2中的代表性图表直观地展示了QSM和${\chi }_{\mathrm{para}}$方法之间的对比，同时也强调了参数选择（$\Delta {\chi }_{\mathrm{do}}$= 0.27 vs. 0.18 ppm）对OEF量化的影响[36]。从${\chi }_{\mathrm{para}}$得出的平均磁化率一致

讨论

在这项研究中，我们成功应用了APART-QSM流程，使用总磁化率和顺磁磁化率来估计SS和SSS中的OEF。我们的结果表明，虽然通过常规QSM获得的OEF值通常处于报告的生理范围（29.4%–52.0%）的较低范围内[28,55]，但专门从顺磁磁化率得出的OEF估计值系统性地较低。为了更好地理解这些发现并验证其可靠性

结论

本研究探讨了通过APART-QSM分离顺磁磁化率成分以进行定量OEF估计的可行性和潜力。虽然从顺磁成分得出的绝对OEF估计值低于常规QSM和标准生理范围——这一发现可能归因于STAR-QSM重建算法的系统特性——但该方法理论上通过旨在区分

CRediT作者贡献声明

周文宇：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法学，概念化。罗丹：撰写 – 审稿与编辑，撰写 – 原稿，可视化，资源，方法学，调查，数据管理，概念化。陈浩：撰写 – 审稿与编辑，监督，项目管理，方法学，资金获取，概念化。王美玲：撰写 – 审稿与编辑，监督，项目

写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了ChatGPT和DeepSeek来提高语言和可读性。使用这些工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。

资助

本研究得到了国家科技创新2030重大项目（项目编号：2022ZD0208605）的支持。

未引用的参考文献

[54]

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。