估计尸检间隔是法医学中一项基本但具有挑战性的任务。为此，法医从业者需要通过多种不同的方法评估尸检变化，其中大多数方法本质上是定性的，从而提供广泛的时间间隔，而不是精确的确定。环境因素的影响使这个具有挑战性的问题变得更加复杂，环境因素会改变死后变化的时间动态，有时以相当不可预测的方式。在这种情况下，非常需要寻找尸检变化的定量和客观描述符。在这项研究中，我们使用计算机断层扫描（CT）来评估四具尸体大脑中死后0-4天时间间隔内发生的死后解剖学改变。我们的结果表明，CT脑切片的分形分析提供了一组定量描述符，能够映射整个大脑随时间推移的死后变化。虽然无法直接估计PMI，但这些描述符可以与其他更成熟的方法结合使用，以提高 PMI 测定的准确性和可靠性。

数字法医虚拟解剖解决方案

该研究共纳入四具尸体，死亡时平均年龄为53.7岁（SD=11.61），平均BMI为20.9（SD= 1.65）。所有受试者均为男性（表1）。纳入标准是白天发生的确定的死亡时间点，有目击者（如医生报告）且年龄在18岁以上。用于将大脑排除在研究之外的标准是存在脑器质性疾病和/或其他创伤性损伤。在尸检之前，每具尸体都接受了连续的PMCT扫描。尸体以仰卧位放置在水平CT台上，手臂放在身体两侧。他们衣衫褴褛，裹在尸袋里。检查是使用Somatom Scope 16层CT扫描仪（Siemens Healthineers，意大利）使用配备H31S内核的头区协议进行的，标称光束能量为130kVp，工作负载为150mAs。512×512像素的图像以2.4mm的切片厚度采集>512×512像素的图像以2.4mm的切片厚度采集。获得了颅脑和全身CT扫描（从颅顶到允许的最远端点，最大约2000毫米）。该程序未使用造影剂。进行了两组扫描：一组从颅骨顶点到胸骨切迹（1毫米重建），另一组从颅骨顶点到脚部以外（1.5毫米重建）。如果存在伪影，则重复扫描。在每种情况下，第一次 PMCT 检查在死后24小时进行，最后一次在死后96小时进行；每24小时采集一次图像，持续4天，每个身体总共产生4次PMCT扫描。这种连续PMCT扫描技术使我们能够比较不同验尸时间相同结构的图像。图1A-B。

表1  研究病例的详细列表，包括基线参数（性别、年龄）、死因以及第一次和最后一次PMCT扫描之间的时间间隔

图1

在研究中包含的受试者之一在不同PMT下获得的代表性CT脑切片，即第1天（A）、第2天（B）、第3天（C）和第4天（D)

尸体在整个过程中（从第一次扫描到最后一次扫描）保持在同一位置，以提供可靠和可重复的结果。CT室温度保持在18 °C，空气湿度设置为49%。在整个检查过程中，尸体都被保存在上述房间里。在初始 PMCT 评估时，所有尸体的直肠温度为18 °C；这个温度在整个检查期间都保持着。PMCT检查后，对尸体进行尸检，并进行组织学/毒理学分析。

• 图像和统计分析

四具分析尸体的图像是使用 Siemens Sensation CT 扫描仪获得的。提取脑区切片并存储在单个图像堆栈中，用于后续图像处理。根据解剖结构进行切片选择，考虑整个颅内区域（图2A）。图像分割是使用 ImageJ Segmentation Editor 内部插件执行的，如下所述（图2B）。使用魔术棒工具自动选择第一个轮廓区域，根据将 Hounsfield 单位设置为−5到65。然后对每个轮廓区域进行手动细化。考虑到所提出的技术的潜在实际应用，值得评论一下图像分析所需的时间。对于每个脑力堆栈的分割，可以估计1到几个小时之间的时间间隔。所得切片被二值化，存储在图像堆栈中，并用作掩码来隔离后续分析中使用的脑放射密度图。在此步骤中，原始堆栈乘以掩码（图2B），并且在去除第1个和第99个百分位数的像素后，全局直方图的结果像素值被均衡（图2C），然后将其转换为8位图像序列（图2D），如中所述。然后使用自制的ImageJ宏处理获得的堆栈，该宏用于在图像阈值后计算分形维数（FD）（图2E）使用在 ImageJ 中实现的盒子计数方法对每张图像进行计数（图2D）。采用的ImageJ内部工具应用覆盖方块（边值分别为2、3、4、6、8、12、16、32和64像素）以覆盖整个图像，然后绘制覆盖二值化图像边缘所需的最小方块数的对数-对数图（在图2 中称为“数字”）与采用的边值（在图2中称为“Cn”）的对比。与第一个分割步骤不同，这一阶段的分析几乎可以通过应用上述ImageJ宏实时进行。到目前为止执行的所有图像分析步骤都已示意性地总结在图2A-F。

图2

图像分析步骤的示意图可视化。代表性图像堆栈（A）。图像分割（B）。分段堆栈和异常值删除（C）。8位转换后获得的代表性分段CT切片（D）。在0.55阈值级别（E）下，图像相同。用于计算FD（F）和整个堆栈平均值的计数图。

使用此方法计算的FD在很大程度上取决于用于图像二值化的阈值。因此，我们在0.1到0.8的不同阈值水平上以0.05的递增步长测试了FD。对于每个受试者、每个阈值和每个时间点，FD以SEM的平均±形式报告，在整个堆栈上计算（图3）。

图3

不同的二值化输出作为所采用的阈值的函数。例如，阈值0.2表示直方图的1−0.2=80%设置为1（白色）

在本节中，我们研究了CT脑切片的分形分析是否可以提供一组定量描述符（即，随着时间的推移的形态学变化，例如脑卷积和心室容积的进行性损失），能够映射整个大脑的死后变化。

在图1，我们描述了在研究中包括的受试者之一上获得的四个代表性CT切片在4天内的时间演变。图1的目视检查。图1揭示了脑卷积随着时间的推移而逐渐丧失，这可能与所选解剖区域的周长/面积比的变化有关。我们采用了分形维度 （FD），在切片分割和二值化后，可以使用 ImageJ 中实现的盒计数方法为每个切片推导出分形维数（FD），以定量监测这些随时间的变化。所利用的图像分析算法在 材料和方法中进行了描述，并在图1中进行了总结。

简而言之，选择了相关的切片（图2 A）;每个切片都被分割成一个二进制掩码，然后将其应用于原始图像（图2B）。删除异常值，过滤位于整个分割堆栈计算的第 1-99 个百分位范围之外的胡值（图2C）。随后，分割的切片被转换为 8位格式（图2D）并应用阈值。图2E显示了一个代表性图像，其中55%的分析像素设置为白色，其余像素设置为黑色（0.55阈值水平）。使用 ImageJ 中实现的盒计数方法计算每个切片的分形维数 （FD），然后对整个堆栈上获得的值进行平均（图2F）。图2F 显示了一个具有代表性的盒数图，它显示了覆盖二值化图像边缘所需的最小方格数（Log（number））与相同方格的边值（log（Cn））的对数-对数图。在此表示中，FD对应于线性拟合中的斜率模量（图2F）。最佳回归线与相应的95% CI一起报告。

关于FD参数的一个主要问题是它与为分析图像设置的阈值水平密切相关。为了解释这种依赖性，我们决定计算从0.1到0.8的不同阈值水平下的平均FD（图3） 并研究其作为阈值函数的演变。此外，由于单个切片并不代表整个大脑的行为;我们将这种方法应用于每个受试者在给定时间点的每个脑切片，并计算每个阈值水平的平均FD值。

在图4，我们显示了整个图像堆栈上平均的FD值的行为，作为研究中招募的所有病例（即病例1）的阈值水平的函数（图4A）、情况2（图4B），情况3（图4C） 和情况4（图4D）。绘制每个受试者死后不同时间（从第1天到第4天）的不同曲线。可以注意到，每条计算出的曲线都显示出类似的行为，从低阈值的平台开始，然后随着阈值的增加而单调下降。这种定性行为是高度保守的，与主题和特定时间点无关。观察不同时间的 FD 与阈值曲线，从第 1 天到第 4 天可以观察到初始平台区域的单调缩短。我们使用S形玻尔兹曼函数（FD={A}_{2}+\frac{\left（{A}_{1}-{A}_{2}\right）}{1+{e}^{x-{x}_{0}/dx}}）量化了这种行为，其中x是阈值水平，A1、A2、x0和 dx 是拟合参数。对于每个数据集，可以观察到现象模型（虚线）和实验点之间的良好一致性， R2值接近1。在图5，我们研究了使用上述拟合参数作为定量标记来监测死后变化的可能性。为了清楚起见，我们以图形方式展示了这些参数如何使用模拟数据帮助确定曲线的形状（图5A）。同样，为了更好地阐明这些参数的含义，在图5B-D中，我们展示了一组模拟曲线，其中一次只有一个参数发生变化。

图4

对于整个可用数据集，第1天（灰色圆圈）、第2天（红色方块）、第3天（蓝色大菱鲆）和第4天（绿色六边形）的FD数据作为阈值的函数。案例1、2、3 和4分别在面板 A、B、C和D中表示。玻尔兹曼S形函数拟合到每个实验趋势。

图5

使用模拟曲线（A）以图形方式可视化玻尔兹曼函数的拟合参数的含义。模拟数据显示玻尔兹曼函数如何随跨度（B）、中心x的变化而变化0(C）和常数dx（D）进行匹配。从图1中数据的S形拟合中检索到的四个主要拟合参数的散点图4，即：跨度A1 − A2(E）、中心、x0 (F）、常数dx（G）和斜率（H）。不同的主题用不同的颜色和符号表示。

在图5E-H，我们展示了从图5中检索到的实验拟合参数的行为。4作为每个对象死后时间的函数，即A1 − A2（图5E）、x0（图5F）、dx（图5G）和斜率（图5 对于每个分析的受试者，拟合参数在绝对值方面显示出很强的相互独立变异性，但在分析的四天内表现出相似的时间趋势。具体而言，基线差异 A1−一个2随着时间的推移，轻度和单调地减少，而x0, dx,和slope随时间增加。

近年来，CT已被用作尸检的补充工具，在法医学领域的重要性越来越大。尽管如此，尽管具有多种法医应用，但尸检CT主要用作确定死因的方法;如果我们考虑我们所生活的历史时期，则尤其如此。虽然这并不适用于所有法医机构，但出于安全原因，其中许多机构在大流行期间减少了尸检次数;在这种情况下，尸检CT再次被证明是一种有用的诊断和筛查工具。然而，关于PMI的测定，文献中只有少数研究侧重于尸检CT的使用。毫无疑问，在过去的几年里，包括我们的研究团队在内的法医界一直在努力寻找有助于确定死亡时间的方法，例如人体组织转录组的研究、肌肉蛋白降解、基因表达模式、眼部变化、代谢组学，使用超声剪切波弹性成像（US SWE）或原子力显微镜（AFM）研究尸僵。然而，据我们所知，还没有关于将分形分析应用于尸检CT扫描以确定PMI的研究。

由于其解剖结构和有限的访问，因为它被封闭在脑膜中，大脑代表了研究此类问题的非常重要的器官。大脑各种结构中气体的出现以及白质和灰质之间分化的丧失通常是影响大脑的首发死后改变。关于我们的实验，它证明了大脑形态的时间演变，它源于心室容积和灰质折叠结构的进行性丧失。尽管这些方面可以定性地观察，但在法医学中，迫切需要建立新的定量参数。出于这个原因，我们调查了平均FD值的时间变化，该值是根据4名已知死亡时间的受试者的大脑计算的。

在每个脑切片上计算的平均FD在受试者之间显示出一致的趋势，因此显示出用于定量监测死后随时间变化的潜力。由于FD对应用于二值化图像的阈值敏感，我们通过研究采用的不同阈值水平随时间变化的函数变化来扩展分析。对于每个时间点，我们研究了曲线的整个行为作为阈值的函数，与单个阈值分析相比，这是一种信息量更大的方法。特别是，我们证明了具有阈值的FD趋势与递减的S形函数兼容，该函数适合所有不同时间的所有主题数据。从这个功能中，可以推断出定量参数，这些参数可能与大脑形态随时间的变化有关。特别是，这项对四个受试者进行的研究的初步结果表明，从S形回归中获得的两个参数对时间变化特别敏感。

在目前状态下，这是一项初步研究，因为我们的样本人群仅由四名受试者组成;当然，这并不允许我们获得显着的结果，而只允许我们报告观察到的发现和变化。因此，虽然我们的研究为许多新的研究可能性打开了大门，但未来的研究无疑应该对更多的病例进行，评估更长的时间间隔，特别是参考前24小时的初始阶段，然后延长到4天的限制之外。还值得注意的是，在成像方式方面，与CT相比，MRI具有卓越的诊断能力，尤其是在分析软组织和器官（如大脑）方面。因此，未来的研究应考虑采用这种成像技术。关于获得的结果，确定的值不足以追溯到死亡时间; 然而，我们已经证明，通过使用这种方法，人们可以获得一组有效的定量参数，在关于尸体降解过程的早期和晚期的更详细研究中，这些参数可能与死亡时间有关。

来源：国际法律医学杂志136，719–727（2022）

法比奥·德乔治,加布里埃尔·西亚斯卡,Gennaro Fecondo,阿尔贝托·马志尼,里卡多·迪·桑托,马可·德·斯皮里托 & 文森佐·帕斯卡利

原文链接：https://link.springer.com/article/10.1007/s00414-022-02801-5