扩散加权磁共振成像（dMRI）是一种用于研究脑组织微结构的敏感工具，在探测神经退行性疾病效应方面展现了巨大的潜力。现有方法通常基于扩散张量成像（DTI）指标，例如分数各向异性（FA）和平均扩散率（MD），但这些指标通常在大范围脑区内平均，忽视了纤维几何形态的潜在影响。本研究提出了一种名为“宏观结构信息指导的规范化束形测量”（MINT）的新框架，该框架通过结合白质微结构和宏观结构的联合建模，以精细解析阿尔茨海默病（AD）及轻度认知障碍（MCI）患者的白质束异常。

研究使用了来自两个多站点队列的数据，即北美地区的阿尔茨海默病神经影像倡议（ADNI）和印度国家精神卫生与神经科学研究所（NIMHANS）。研究总共纳入了1032名受试者，其中包括认知正常（CN）个体570名，MCI患者303名，以及痴呆患者159名。两组数据经过统一的预处理流程，包括去噪、去伪影、运动校正和偏场校正，并应用束形分析框架（BUAN）提取了30条白质束的特征。

图1：研究使用的白质束分割和特征提取框架

结果显示，MCI和痴呆患者的扩散指标整体表现为扩散率升高（如MD、RD增加）和各向异性降低（FA降低）。异常主要集中在颞叶通路（如内侧纵束、钩状束和弓状束）及胼胝体中部。通过MINT模型，研究发现宏观结构变化（如纤维形状的几何畸变）显著影响了微观扩散指标，特别是在纤维交叉区域（如冠状辐射）和长投射通路中。与传统DTI方法相比，MINT模型可以更好地解析疾病相关的微观和宏观结构变异。在ADNI队列中，MINT衍生的MD和RD指标与临床评估量表（如CDR）的相关性优于传统DTI指标；在NIMHANS队列中，MAE-MD和MAE-RD在关联记忆评估（如WLDR）上表现出更强的统计显著性。尽管ADNI和NIMHANS队列在样本特征（如年龄和文化背景）上存在差异，两组数据中痴呆患者的扩散指标变化模式总体一致。

图2：MINT框架的工作流程，包括健康个体的预训练、白质束分割、数据标准化和疾病组的特征偏差计算

研究结果表明，MINT模型通过联合建模白质束的形态和微结构，可以更准确地解释神经退行性疾病对脑结构的影响。特别是对于包含复杂纤维交叉区域的白质束，MINT模型能够有效区分宏观几何变异与微观扩散变化。此外，研究还指出传统的FA、RD等指标在某些区域可能受到纤维交叉的混淆，而MINT模型能够缓解这一问题。然而，研究也发现部分白质束（如穹隆）难以通过自动化方法准确重建，需进一步改进。未来研究应探索更多复杂扩散指标（如自由水模型）在MINT框架中的应用，以更好地解析疾病相关的信号来源，并验证其在更大规模、多样化人群中的适用性。

原始出处：

Feng Y, Chandio BQ, Villalon-Reina JE, et al. Microstructural mapping of neural pathways in Alzheimer's disease using macrostructure-informed normative tractometry. Alzheimer’s Dement. 2025;21:1–18. https://doi.org/10.1002/alz.14371.

Tags： Alzheimer's & Dementia： 白质束形态与微观扩散特性：MINT模型揭示阿尔茨海默病的深层机制