共振峰分析

共振峰分析（精选3篇）

共振峰分析 篇1

摘要：该文采用实验语音学的方法,通过对比分析美国英语不同方言区主要元音在共振峰上差异和联系,研究美国英语不同方言区发音上的区别特征,并在TIMIT语音数据库给出美国英语方言主要元音的统计特性,计算出不同方言区域不同元音之间的距离关系,并根据美国英语方言间的差异指导英语的学习。

关键词：美国英语方言,共振峰

在英语国家,除了标准英语,还存在很多方言。在国际交往日益频繁的今天,仅仅能够理解标准英语显然已经不够,熟悉英语国家的方言语音特点将可以帮助我们达成更为完美的交际。

本文着重从共振峰特征入手,分析美国英语几个代表方言区域的典型元音特点,并以TIMIT语音库为实验的材料,统计不同方言元音的前三个共振峰的平均值,计算出不同方言元音在共振峰的特征空间内的距离相似性,探讨美国英语不同方言在元音共振峰上的规律性特征。

1 美国英语方言划分

17世纪英国人发现了北美新大陆,带着英国各地方言的开拓者分散定居在美洲各地,英语开始这美洲大陆传播[1],然后这些人们陆续向内地迁移,随着时间的推移和社会的变化,这些移民的语言产生演变发展。另外一些非英语语言移民的大量迁入,也促使美国英语从语音到词汇和语法都发生了巨大的变化,于是美国英语方言形成了今天丰富多样的现状。

早期语言学家曾把美国东海岸从北到南划分为18个方言区[2]。美国侨治亚大学教授韦罗格博士,纽约大学英语教授丹尼尔博士等语言学家认为,根据当初移民经由4条路线的情况,可以把18个方言区缩减为4个大方言区域,即北部方言区、中东部地区、中南部地区、南部方言区等。此外,美国英语方言还可以根据代表性城市的特点分为新英格兰方言(以波士顿口音为代表)、纽约方言、南方方言、中大西洋沿岸方言、中西部方言、西部方言(以加州口音为代表)等。

2 实验设计

2.1 实验的可行性

美国英语方言的语音区别主要体现在元音系统上,而共振峰是区别元音特性的重要声学参数[3]。共振峰,即声道的共鸣频率,前三个共振峰,即F1、F2、F3,与发音时声腔的形状有着直接关系。共振峰频率的位置和共振峰频带宽度决定元音类别,也就是说不同的元音对应着一组不同的共振峰参数。F1频率与舌位高低直接相关,频率越高,开口度越大,舌位越低。F2频率与舌位前后密切相关:舌位靠前,F2高,舌位靠后,F2低。另外F2还与唇形圆展有关。F3易受舌尖活动的影响,舌尖抬高卷起时,F3会明显下降[5]。

英语的音素一般有48个,其中单元音有12个[2],双元音8个。对于12个单元音的语音性质和发音方法,语音学家们已有详细的分析和定量的描述[4],但是从实验语音学的角度,对美国英语方言的元音系统做定量的对比分析的文献还较少,本文拟选取美国英语方言的代表元音作为研究对象,通过统计其共振峰的参数对比分析美国英语方言的区别和联系,并衡量不同方言元音之间的相似性[5,6]。

2.2 实验材料

实验语料主要采用国际上语音识别和音素识别研究通用的TIMIT语音数据库,这个数据库中包括美国8种方言数据,即新英格兰、北部、南部、中部北部、中部南部、南部、纽约、西部等。语音库中共630个发音人,每个人采集10句话,语音的采样频率为16000赫兹,16比特量化。本文主要选取其中的四种方言分析,有北部、南部、西部和纽约,后文以DR1、DR2、DR3和DR4来表示,每个方言区分别选取男女各10人的数据。

TIMTI语音库中以TIMITBET符号来标注,这种标注符号借鉴了ARPABET标注的特点,主要适应于计算机的处理需要,本文选取了aa、er、iy、ow和uh等5个元音音素作为分析对象,其对应的例子和国际音标如表1所示。

2.3 实验方案

首先根据TIMIT数据库的标注文件,把连续的语音分割成若干音素片段,提取不同方言区对应的元音语音数据,按照性别的不同分别存放在不同文件下。

其次提取元音的共振峰特征,本文主要采取基于线性预测的方法提取元音语音的前三条共振峰轨迹,求每个音素各条共振峰的平均值作为其共振峰值。

然后统计四种方言男女的每个音素前三个共振峰值平均值,以此分析不同方言在元音上的特点和相互关系。

最后计算四种英语方言在3维的共振峰空间的平均距离相似性,寻找四种方言在元音发音上的相近性,分析四种方言间元音系统间相互关系和演化规律。

所有以上的实验过程都是在MATLAB语音平台下编程实现分析的。

3 实验结果分析

表2是四种美国英语方言中的元音前三个共振峰的平均值(发音人为男性)。从各元音共振峰的综合情况可以看出,在第一共振峰上,DR2对应的值较低,而DR4较高,说明DR2发音舌位偏高,DR4则相反,在第二共振峰上同样DR2对应的值较低,DR4较高,说明DR2舌位靠后,而且圆唇现象明显,在第三共振峰上DR1偏低,说明这种方言有明显的卷舌现象。在具体的元音音素上,DR2发aa音时舌位显著较高靠后。DR1发er舌位较高偏前,DR3发uh音时,舌位较低,而且偏后,当然在表中还可以不同方言在不同的音素上或多或少存在一定的差异。

女性发元音时前三个共振峰的平均值见表3。从表3中的综合情况可以看出,在对应共振峰的关系和表二有明显的区别。第一共振峰上,DR4对应的值较低,DR3偏较高,DR4发音舌位偏高,DR3则相反,在第二共振峰上DR1对应的值较低,DR2较高,DR2舌位靠前,在第三共振峰上DR3叫高,说明这种方言无明显的卷舌现象。在具体的元音音素上,DR3发aa音和er音时,舌位都具有显著偏低靠后现象。DR4发uh音时,舌位较高,而且偏前。

由表2和表3还可以看出,不论哪种方言区域,女性的共振峰值都要大于男性的共振峰值,这符合不同性别发音的特点。

在以上分析的基础上,我们进一步计算不同方言区不同性别对应的元音因素在三维共振峰空间的欧式距离,根据这些数据我们分析不同方言间对应元音发音的异同。表4和表5分别对应的是不同方言音素间的距离,表格最上表示的是不同方言之间的对应。从表4可以看出,美国四地男性方言在对应的五个元音音素间距离最小的分别为DR3-DR4、DR1-DR4、DR3-DR4、DR2-D R4和DR1-DR2,其中DR3-DR4之间音素的相似度较大。

表5显示的是美国四地的女性方言元音音素间的距离,从表5中可以看出,不同地方的女性在对应的五个元音音素间距离最小的分别为DR2-DR4、DR1-DR3、DR2-DR3、DR1-DR4和DR1-DR3,这说明这些地区的女性在这些元音的发音非常相似,而其中DR1-DR3之间音素的相似度则较大,这说明这两地区在元音er的发音上区别性较大。

4 结束语

本文以TIMTI数据库为依据,统计美国英语四种方言对应元音前三个共振峰的平均数据,以此分析了不同方言不同性别人群英语发音的总体特点,同时还针对具体的元音发音给出了一些分析。在此基础上,本文在共振峰的特征空间,计算不同方言对特定元音的距离相似性,分析不同方言间的亲疏关系。

本文的研究有助于帮助我们分析美国英语方言的相互关系和演化规律,这项研究不但可以满足二语习得和国际交流的需要,而且对英语的语音识别、语音合成、计算机语言辅助学习和发音标准评测等语音技术提供有力的支持。

参考文献

[1]于崇洛.英语方言产生的原因[J].外语教学,1988.

[2]Carver C M.American regional dialects:A word geography[M].Ann Arbor:University of Michigan Press,1987.

[3]吴宗济,林茂灿.实验语音学概要[M].北京:高等教育出版社,1989.

[4]Miller D R,Trischitta J.Statistical dialect classification basedon mean phonetic features.Proc[C].ICSLP,2025–2027.1996.

[5]Adank P,Smits R,van Hout R.A comparison of vowel nor-malization procedures for language variation research[J].Jour-nal of the Acoustical Society of America,2004(116):3099-3107.

[6]Huckvale M.ACCDIST:a Metric for Comparing Speakers’Ac-cent.Proc.On spoken Language Processing[C].ICSLP,2004.

共振峰分析 篇2

共振峰是表征语音信号特征的基本参数之一,它在语音信号合成、语音识别和语音编码等方面起着重要作用[1]。共振峰可以等效为声道系统函数的复极点对,由于人的声道平均长度约为17cm,而语音信号的能量主要集中在0-5kHz,因此语音通常包含4到5个稳定的幅度较强的共振峰[2]。要精确估计这些共振峰频率很困难,因为产生语音信号的生理过程非常复杂[3]。目前,线性预测分析(LPC)法仍然是计算速度比较快而又极为有效的共振峰频率估计方法之一。LPC方法的不足之处主要在于某些情况下会出现共振峰丢失或合并。针对这些不足,人们已经提出一些改进方法,例如离轴谱变换法[4],但是改善效果不是很明显。

也有研究者提出[5],先利用语音的FFT谱初步估计出共振峰频率,然后利用中心频率分别为各个共振峰频率的带通滤波器分离语音中的共振峰分量,继而根据线谱对系数(LSP)确定出共振峰的中心频率。但是该方法相对LPC分析法来说运算复杂,且利用FFT谱来初步估计共振峰本身就会带来误差。

随着语音技术的发展,近年来也提出了一些新的共振峰参数提取技术与方法,例如基于声道激励信号解卷积的倒谱分析法,基于逆滤波器的共振峰提取方法[6]。此外,还有基于语音非线性模型的共振峰估计方法,例如将语音信号分解为调制成分的频域线性预测算法[7],基于Hilbert-Huang变换的共振峰参数估计方法[8],等等。这些方法要么分析计算过程复杂,实时性不足,要么许多参数需要根据人的主观经验确定,往往造成人为的不确定误差。

本文在分析语音信号级联无损声管模型和Levinson-Durbin算法的基础上,提出一种基于共振峰增强的共振峰频率估计方法。实验表明该方法较好地克服了传统LPC分析方法的不足,能够准确快速地提取出语音浊音段的共振峰频率。

1 LPC方法提取共振峰的不足

声道的系统函数可以由一组LPC预测系数唯一确定,因此通过LPC分析能估计出声道调制的效果,即获得共振峰参数。当然,LPC分析阶数P的选择很重要,它近视等于语音信号的抽样频率,这是因为语音谱一般可用每1kHz具有1对共轭极点的平均密度来表示声道造成的响应,于是采样频率为Fs(kHz)的语音信号的LPC谱大约有Fs个极点。LPC分析在大多数情况下能成功提取语音的共振峰参数,但是在某些情况下会发生下述现象,从而造成共振峰频率的误判或漏判。

(1)假峰干扰语音信号的LPC谱峰一般是由共振峰引起的,但有时也会出现假峰。例如,为近视声门、唇辐射和鼻腔的谱效应,通常会在LPC模型中附加2-4个极点,这就有可能在LPC频谱上造成假峰。当我们附加4个极点时,在有些情况下第二共振峰会分裂(如第二共振峰的带宽较大时),其中带宽较大的一个就是假峰。这个假峰有时会被当作共振峰,从而引起第1、第2共振峰的误判。虽然共振峰的带宽比较窄(一般小于250Hz)[9],可以设置门限来排除假峰,但由于LPC算法对共振峰带宽的估计并不精确,所以效果不甚理想。

(2)共振峰丢失有些语音信号的共振峰强度较弱,带宽较大;或者由于鼻腔的影响,共振峰的强度被削弱,这种情况经常发生在第二共振峰上。这时从频谱上看不到明显的峰,即使通过求根法求出相应的极点,也会因其Q值过小而被丢弃。

(3)共振峰合并有时侯两个共振峰靠得很近,如果它们的强度相近而带宽又较大,就会合并成一个峰;如果其中一个强度较强而另一个较弱的话,那么较弱的一个就会被较强的一个所掩盖,或发生“骑峰”现象。这在通过寻找频谱上的极值来估计共振峰频率时将引起共振峰的误判。

2 无损声管模型与LPC的关系

2.1 无损声管数字模型

由于人发音的生理过程相当复杂,要建立一个十分精确的发音模型非常困难。目前被广泛应用的无损声管模型主要基于如下3个基本假设:(1)人的发声系统是线性的;(2)语音信号是短时平稳的;(3)人的声道可以用M个横截面均匀的等长度的无损声管的级联来表示。基于上述假设,声道的形状在短时间内近视稳定,若假定声管的第0,1,2,…,M-1级依次对应于从嘴唇到声门的整个声道,并把声波在唇端的体积速度与声源体积速度的比值定义为声道的系统函数V(z),则有[4]:

其中,G为模型增益,在声道谱分析中可以视为常数1;μm是第m节声管的反射系数:

Am+1和Am分别为第m+1节声管和第m节声管的截面积;μG和μo分别是声门及唇处的反射系数;分母D(z)展开后具有如下形式(其中am是常系数):

由此可见,在无损声管模型的假设前提下,声道可以用一个短时稳定的全极点(AR)数字滤波器模型来表示,这些极点确定了声道的谐振频率,即共振峰。

2.2 LPC分析的Levinson-Durbin算法

P阶LPC分析对应的全极点模型为:

其中,A(z)称为逆滤波器,P是LPC分析的阶数,{aj}为预测系数。若以预测误差的均方误差最小为原则,则可以从式(3)推导出一组关于{aj}的线性方程,求解这些方程就能得到预测系数{aj}。采用自相关法求解这些方程的Levinson-Durbin递推算法[2]如下:

其中,N (j)为LPC预测输出的N点序列{xi}的自相关函数的估计量:

算法开始时,p=0,,a0=1,逐步递推出,i=1,2},;直到,其中,运算过程中出现的{k1,k2,…,kP},即各阶预测系数的最末一个值{}被定义为偏相关系数(PARCOR)。可以证明,|ki|<1,(1≤i≤P)是系统稳定的充分必要条件。

2.3 反射系数和偏相关系数的关系

当μG=1(即假设声门处的声阻抗为∞)时,从式(1)可以得到如下递推关系,其中,m=1,…,M:

对于逆滤波器A(z),根据Levinson-Durbin算法可以得到如下递推关系,其中,m=1,…,P:

对比式(5)和式(6)可以看出,P阶线性预测分析得到的系统函数和P节无损声管模型的系统函数具有相同的形式。令D(z)=A(z),则:

3 共振峰增强

LPC法估计共振峰的不足主要是由于LPC谱中共振峰的Q值不够高、带宽过宽造成的。Q值较低的共振峰容易被丢失,或者发生合并,也有可能分裂。从发声机理来看,这主要是因为声波在声道中传播时存在能量损耗,而LPC分析并未对此加以补偿。能量损耗的原因主要有两个:一是声波在传播时因声管壁的振动、粘滞损耗、热传导等所引起的损耗;另一方面,也是能量损耗的主要方面,则是由于在嘴唇处存在声辐射而导致的能量泄漏。

为把第一种损耗引入声管模型,一个最简单的方法是假定每节声管中声波传播时有相同的衰减量,即用时延衰减因子b/z代替V(z)中的延时因子1/z,这其实就是离轴谱算法[4]。如果能够估计出适当的衰减因子b,就能对第一种能量损耗进行补偿。但在实际分析中,对各种情况都要作出适当的衰减估计很困难,而且由于损耗的主要部分来源于嘴唇处的声辐射,所以用离轴谱算法得到的改善不是很明显。

为消除声辐射损耗,我们设想将声管的唇端封闭,使声波无法向外辐射,则模型就不存在声辐射能量损失,这时声道谐振峰的Q值必然会有很大提高,而且因为声道的整体结构并没有发生变化,其谐振频率则基本保持不变。唇端封闭对应于声管在唇处的开口面积Ao=0,由声管反射系数um的定义可知,此节声管的反射系数为-1。这样,我们可以根据式(7)在Levinson-Durbin算法中修改最后一阶预测器的偏相关系数,使之为1,就能够得到唇端封闭的声道的共振峰增强谱。我们把偏相关系数的修正值定义为共振峰增强系数u。考虑到系统的稳定性要求,实际计算时u可取一个接近于1但小于1的正数。

4 共振峰频率估计

用LPC分析共振峰频率有两种方法。一种是通过求解逆滤波器A(z)的分母多项式的复根来得到共振峰。但是,高阶多项式的根无统一表达式,只能用近似法(例如牛顿法、林士鄂一赵访熊法等)求解,因而该方法的运算量较大,且求根的递归过程有可能发散;另一种是峰值检测法,即利用LPC系数求出声道系统函数的LPC谱,然后通过搜索LPC谱中的峰值来得到共振峰频率。由于共振峰增强后谱峰已经很尖锐,因此我们选择峰值检测法。

此外,由于两个共振峰的间距大于50Hz,所以在找峰值时可以采用两次搜索的办法。首先以50Hz为间隔搜索极大值,然后在得到的极大值的相邻50Hz内以5Hz为精度作第二次搜索。实验显示这样运算速度大约能提高7倍。

5 共振峰提取实验

我们用采样频率为11.025kHz的语音信号进行前5个共振峰频率轨迹的提取实验。图1和图2分别显示了共振峰增强系数取0(表示不增强)、0.9和0.95时,汉语单元音[a]和[i]的短时LPC谱和共振峰增强谱。可见,[a]的第1和第2共振峰发生明显的“骑峰”,[i]音的第4和第5共振峰之间存在不太明显的“骑峰”,而LPC增强谱的共振峰则很突出,且其位置与LPC谱峰的位置相吻合。

分别用LPC方法和共振峰增强方法(u=0.9)提取汉语单元音([a/o/e/i/u/ü])的前5个共振峰轨迹,实验结果如图3所示,为了对比两种方法的提取效果,这里的提取结果都没有做任何平滑处理。从图中可见,LPC分析提取的共振峰频率存在漏检,例如[o]音中段的第1、第2共振峰合并,[ü]音的第1共振峰未能检出,等等。

相比之下,共振峰增强后提取的各阶共振峰的轨迹都非常平滑,不存在漏检错误。最终分析得到的前5个共振峰频率的平均值如表1所示。

6 结论

共振峰增强谱中各个共振峰的幅度都得到了加强,同时共振峰频率的位置基本保持不变,因此可以不用附加其它复杂的判决算法或加标记技术[4]就能准确提取出语音信号中的共振峰轨迹。实验表明该方法不但克服了传统LPC分析方法的不足,而且实时性能更好。

摘要：针对线性预测方法提取语音信号共振峰频率的不足，提出了一种基于共振峰增强的共振峰频率估计算法，从而在不增加运算量的情况下使共振峰频率的提取更加准确。实验结果表明，该算法在5kHz内提取前五个共振峰的性能都很好。

关键词：语音信号,共振峰增强,线性预测

参考文献

[1]张家騄．论语音技术的发展[J]．声学学报，2004，29(3)：193 -199．

[2]朱民雄．计算机语音技术[M]．修订版．北京：北京航空航天大学出版社，2002．

[3]Sadaoki Furui.Digital Speech Processing,Synthesis,and Recognition [M]Second Edition.New York:Marcel Dekker,Inc,2001.

[4]马卡尔．语音信号线性预测[M]．北京：中国铁道出版社，1987．

[5]三星电子株式会社．使用共振峰增强对话的方法和装置[P]．中国：CN1619646，2005-5-25．

[6]Watanabe A.Forrnant estimation method using inverse-filter control[J]. IEEE Transactions on Speech and Audio Processing,2001,9(4):317 -326.

[7]Rao P,Barman A D.Speech formant frequency estimation:evaluating a nonstationary analysis method[J].Signal Processing,2000,80(8): 1655-1667.

[8]黄海，陈祥献．基于Hilbert-Huang变换的语音信号共振峰频率估计[J]．浙江大学学报：工学版，2006，11：1926-1930．

共振峰分析 篇3

关键词：脑星形细胞瘤,扩散峰度成像,分级,增殖细胞核抗原

脑星形细胞瘤是成人最常见的脑原发肿瘤, 脑星形细胞瘤的术前分级对肿瘤治疗方案的制定及预后评估尤为关键。MRI新技术可以提供肿瘤病理生理学信息, 是常规MRI的重要补充。磁共振扩散峰度成像 (diffusion kurtosis imaging, DKI) 是反映非高斯水扩散特性的新技术, 是扩散张量成像 (diffusion tensor imaging, DTI) 技术的扩展[1]。DKI除了能提供常规DTI参数包括弥散各向异性 (fractional anisotropy, FA) 、平均弥散系数 (aean diffusivity, MD) , 还能提供平均弥散峰度 (mean kurtosis, MK) 、轴向弥散峰度 (axial kurtosis, Ka) 、径向弥散峰度 (radial kurtosis, Kr) [2], 这些峰度参数对大脑灰白质微结构的变化比DTI参数更为敏感[2]。

脑星形细胞瘤在组织恶性程度增加过程中, 肿瘤细胞核异型性、细胞密度、新生血管、囊变及坏死等病理改变也会相应增多[3], Van Cauter等[4]及Raab等[5]研究显示DKI参数可以反映脑星形细胞瘤等级病理结构的变化。增殖细胞核抗原 (proliferating cell nuclear antigen, PCNA) 表达程度能反映原发性脑肿瘤的恶性程度、增殖能力, 是临床与病理评价原发性脑肿瘤生物学行为及临床预后的参考指标[6]。笔者旨在研究DKI峰度参数在脑星形细胞瘤分级的诊断价值, 初步探讨各参数值与PCNA的相关性。

1 资料与方法

1.1 临床资料

收集我院2012年1月—2014年5月经手术病理证实脑星形细胞瘤60例。根据WHO2007年中枢神经系统肿瘤分类标准, 分为两组:低级别组 (WHOIⅡ级) 25例;高级别组 (WHOⅢ~Ⅳ级) 35例。

1.2 检查方法

使用GE 3.0T超导型MRI仪, 采用八通道头颈联合拓扑相控阵线圈进行MRI扫描。行常规MRI扫描 (T1WI、T2WI、T2FLAIR及T1WI增强扫描) , 及DKI扫描。常规MRI序列参数:T1WI及T1WI

增强扫描序列参数 (TR:1676ms, TE:24ms, FOV:4.8cm, 层厚:6.0 mm) ;T2WI序列参数 (TR:6 800ms, TE:107ms, FOV=24cm, 层厚:6.0mm) ;T2WI-FLAIR序列参数 (TR:8 002 ms, TE:127.8 ms, FOV=24cm, 层厚:6.0mm) 。马根维显 (0.1mmol/kg) 用于T1WI增强扫描。DKI扫描序列采用平面回波 (echo planar imaging EPI) 序列, 扫描参数:TR:6 500ms, TE:115ms, FOV=24cm, 层厚:6.0mm, 30个扩散敏感梯度场, b值分别为0、1 000s/mm2、2 000s/mm2。

1.3 数据处理

在GE Adavantage Workstation4.4工作站后处理, 得到DKI (MK、Kr、Ka) 参数图, 分别对肿瘤实质画定感兴趣区 (region of interest, ROI) , 并测定ROI的DKI (MK, Kr, Ka) 参数值, 每个ROI重复测量3次, 取平均值。

1.4 PCNA免疫组化染色分析

收集60例脑星形细胞瘤瘤体标本, 行HE染色及PCNA免疫组化染色 (兔抗人多克隆抗体’Abcam) 。于显微镜200倍视野, 分别计数100个细胞中阳性细胞数, 重复3次, 计算每个标本PCNA的平均表达率。

1.5 统计学处理

采用SPSS18.0.统计软件, 应用t检验比较组间DKI各参数值、PCNA表达水平差异, ROC曲线分析比较DKI各参数的诊断效能, Spearman相关分析研究DKI各参数值与PCNA的相关性。P<0.05差异有统计学意义。

2 结果

2.1 脑星形细胞瘤

DKI参数值, 高级别组瘤体的MK值、Kr值、Ka值明显高于低级别组 (P<0.05) 。详见表1。

2.2 ROC曲线分析

Ka值、MK值、Kr值鉴别高低级别脑星形细胞瘤的ROC曲线下面积 (AUC) 分别为0.9 2 4、0.8 7 5、0.7 9 9, 界值分别为0.4 3 4、0.4 3 7、0.433, 敏感性分别为100.0%、100.0%、94.4%, 特异性分别为87.5%、75.0%、75.0%。

2.3 脑星形细胞瘤瘤体各参数值与PCNA相关性分析

高级别组瘤体PCNA (60.8±14.5) %的表达显著高于低级别组 (25.3±8.6) % (P=0.0 0 1) 。MK值 (r=0.8 9 0;P=0.0 0 3) 、Kr值 (r=0.8 3 6;P=0.015) 及Ka值 (r=0.802;P=0.005) 。与PCNA表达水平呈显著正相关。

3 讨论

不同级别脑星形细胞瘤的治疗方法及预后有明显差异, 因此对星形细胞瘤术前准确分级尤为重要, 脑星形细胞瘤细胞增殖的快慢、组织结构的改变程度均与肿瘤恶性程度有一定相关性[3], 其内部结构的改变会导致水分子明显受限, 并偏离高斯分布。扩散峰度成像能够描述体内水分子的非高斯分布扩散, 并量化水分子真实扩散偏离高斯扩散位移的大小, 量化表征水分子扩散的不均质性及其扩散受限程度[7]。

本研究高级别组瘤体的DKI参数值:MK值、Kr值、Ka值较低级别组高, 这与Van Cauter[4]、Raab p[5]研究结果一致, 与肿瘤的病理结构有关。高级别脑星形细胞瘤的病理特点为细胞核异型性大、细胞密度增加、肿瘤血管增殖、有囊变、坏死及浸润性生长;而低级别脑星形细胞瘤的病理特点为细胞核异型性小、细胞尺寸较大、细胞密度较低[3]。这使高级别脑星形细胞瘤拥有更多的扩散屏障, 而低级别细胞瘤拥有相对较少的扩散屏障。高级别脑星形细胞瘤较低级别脑星形细胞瘤微观结构更加复杂, 扩散受限程度更明显, 偏离高斯分布位移更大, 而这种差别可以通过DKI参数值的差异体现出来。

PCNA由Miyaohi于1978年首次发现, 其表达、合成与细胞增殖周期有关[8]。PCNA表达量能客观反映脑肿瘤的增殖能力及恶性程度, 是评价脑肿瘤生物学行为、临床预后的重要指标[9,10]。较多研究发现高级别脑星形细胞瘤的PCNA较低级别显著增高[9,10]。本研究高级别组瘤体PCNA (60.8±14.5) %的表达量显著高于低级别组 (25.3±8.6) % (P=0.001) 。