靜息態(tài)腦網(wǎng)絡(luò)構(gòu)建的靜息態(tài)功能磁共振成像研究

靜息態(tài)腦網(wǎng)絡(luò)構(gòu)建的靜息態(tài)功能磁共振成像研究

臨床靜息狀態(tài)下的功能磁共振（mri）技術(shù)不需要測試完成特定的認知任務(wù)。實驗操作相對簡單，特別于臨床研究。一直以來，大多數(shù)功能磁共振研究都是基于特定的特定任務(wù)進行的。在這種情況下，靜息狀態(tài)通常被視為線性狀態(tài)，而不是線性狀態(tài)。隨著研究的深入，biswal等人發(fā)現(xiàn)，在靜息狀態(tài)下，一些腦區(qū)之間存在同步低頻變化的信號（低frecenomicform，lffs，f.0.1hz）。這種波動與同步的神經(jīng)活動有關(guān)。rail等人在靜息狀態(tài)下發(fā)現(xiàn)并證明mcn中存在一個公認的網(wǎng)絡(luò)（mn）。當無外部邊件刺激時，vmn中的腦區(qū)域之間存在一個非常強的同步低頻變化。在基本情況下，vmn的腦區(qū)域非?；钴S，在某些認知任務(wù)的情況下，這些腦區(qū)域的活動顯著減少。上述研究表明，在靜態(tài)殘缺狀態(tài)下，大腦中的一些腦區(qū)域相對活躍，它們的活動是有組織的，維持著大腦的活動機制。大腦是目前所知的最為復雜、最為完善的信息處理系統(tǒng).迄今為止,雖然證實了靜息狀態(tài)下大腦確實存在著某種功能活動,但對它的生理機制尚不是十分清楚.復雜網(wǎng)絡(luò)是一種基于拓撲結(jié)構(gòu)的研究復雜性系統(tǒng)的方法,它的發(fā)展為生物網(wǎng)絡(luò)研究提供了新平臺.本文基于復雜網(wǎng)絡(luò)理論和方法建立靜息狀態(tài)下腦網(wǎng)絡(luò)模型,在種子相關(guān)分析方法中設(shè)定閾值遵循網(wǎng)絡(luò)的整體性和小世界性原則,避免了閾值設(shè)定的隨意性大問題,獲得一個最能代表實際腦網(wǎng)絡(luò)系統(tǒng)的模型.在此基礎(chǔ)上對功能連接特性分析,并通過分析網(wǎng)絡(luò)中心化指標推測出后扣帶回等腦區(qū)是靜息狀態(tài)下最為活躍的腦區(qū),在腦網(wǎng)絡(luò)的神經(jīng)活動中起到至關(guān)重要的作用.1數(shù)據(jù)收集和預處理1.1圖像結(jié)構(gòu)像采集參加實驗的健康被試共20人,男女比例1∶1,年齡為20～30歲,均為右利手.儀器采用GE(generalelectric,USA)1.5-Tesla磁共振成像掃描儀;在采集數(shù)據(jù)的過程中被試不執(zhí)行任何特定的認知任務(wù),只需安靜平臥,閉上雙眼,平靜呼吸,且保持清醒,為防止被試頭動,采用海綿墊固定頭部.相關(guān)掃描序列及參數(shù)如下:1)結(jié)構(gòu)像定位.重復時間(TR)=1924ms,回波時間(TE)=7.5ms,視野范圍(FOV)=24cm,旋轉(zhuǎn)角度(FA)=90°,matrix=256×256,層厚(slicethickness)=5mm,層間距(gap)=1mm.2)功能像定位.TR=2000ms,TE=40ms,FOV=24cm,FA=90°,matrix=64×64,slicethickness=5mm,gap=1mm,共20層軸狀面圖像覆蓋大腦皮層和小腦.掃描時間為6min,每個被試共采集180幀功能像.1.2spm預處理FMRI數(shù)據(jù)處理采用統(tǒng)計參數(shù)映射軟件包SPM(statisticalparametricmapping)來完成.為了消除掃描初期磁飽和影響,刪除前5幀圖像,余下175幀圖像進一步進行預處理.SPM預處理過程主要包括頭動較正、空間標準化、高斯平滑.頭動校正,也稱配準,將序列中的每一幀圖像都和該序列中的第一幀圖像對齊,以矯正頭動,放棄頭動幅度較大的數(shù)據(jù);空間標準化處理是為了避免不同被試的大腦解剖結(jié)構(gòu)存在的差異,將不同被試的大腦圖像轉(zhuǎn)化成與SPM提供的T1模板方向和大小都相同的標準化圖像;采用半高寬(FWHM)為4mm的高斯函數(shù)作為核函數(shù),對經(jīng)過標準化的圖像進行平滑,消除圖像重建時和被試腦結(jié)構(gòu)差異所產(chǎn)生的誤差,以提高圖像信噪比.為去除高頻生理噪音和低頻漂移,對預處理數(shù)據(jù)進行低頻濾過,濾波帶寬為0.01～0.08Hz.2確定網(wǎng)絡(luò)中節(jié)點之間的連邊經(jīng)過預處理后腦內(nèi)體素為N=5143個.每個體素看作網(wǎng)絡(luò)中的節(jié)點,進一步判定體素之間的功能連接關(guān)系繼而確定網(wǎng)絡(luò)中節(jié)點之間的連邊.規(guī)定當兩體素之間存在功能連接時,對應到網(wǎng)絡(luò)中兩節(jié)點之間存在一條邊.2.1閾值選取原則種子相關(guān)分析法是靜息狀態(tài)下腦功能連接最常用的一種分析方法.一般情況下先選取某一感興趣區(qū)作為種子區(qū),得到該區(qū)域的平均時間序列.由體素點i與體素點j的時間序列求得它們的相關(guān)系數(shù)C(i,j),計算公式如下:C(i,j)=∑(ri-ˉri)(rj-ˉrj)√∑(ri-ˉrj)2√∑(rj--rj)(1)C(i,j)=∑(ri?rˉi)(rj?rˉj)∑(ri?rˉj)2√∑(rj?rj?)√(1)式中:ri和rj分別為體素i和j所對應的時間序列,ˉrrˉi和ˉrrˉj分別為時間序列ri和rj的均值,即ˉri=1nn∑i=1ri-rj=1nn∑j=1rjrˉi=1n∑i=1nrirj?=1n∑j=1nrj當C(i,j)大于指定的閾值T時則認為i和j之間存在功能連接關(guān)系,由此確定一個相關(guān)系數(shù)矩陣A.閾值的選取直接影響著腦網(wǎng)絡(luò)的統(tǒng)計特性和拓撲結(jié)構(gòu).本文引入兩條原則來設(shè)定閾值T,描述如下:1)閾值選取范圍應保證網(wǎng)絡(luò)的完整性;2)閾值選取范圍應保證網(wǎng)絡(luò)的小世界性.第一個原則一方面要求閾值盡可能地高,以保證相連接的兩個節(jié)點具有較高的時間行為相似性,另一方面要求閾值又不能過高,以保證網(wǎng)絡(luò)的相對完整.第二個原則是為了使腦網(wǎng)絡(luò)與等價的隨機網(wǎng)絡(luò)比較,具有較低的整體效率和較高的局部效率,故將閾值限定在小世界范圍內(nèi).2.2顯著性閾值分析用單樣本t檢驗法對種子相關(guān)分析法所確定的相關(guān)系數(shù)矩陣A中元素aij進行統(tǒng)計分析,檢測體素i與體素j之間功能連接的顯著性.在矩陣A中,aij表示體素i與體素j的相關(guān)系數(shù),則20個被試相關(guān)系數(shù)矩陣中,aij共20個樣本,即(aij,1,aij,2,…,aij,20).此處,只考慮連接正相關(guān),在顯著性水平α下,設(shè)Η0:μ≤ΤΗ1:μ＞ΤH0:μ≤TH1:μ＞T式中:μ為樣本均值,T為指定相關(guān)系數(shù)閾值.使用t=ˉX-ΤS/√nt=Xˉˉˉ?TS/n√為檢驗統(tǒng)計量,H0的拒絕域為t=ˉX-ΤS/√n≥tα(n-1)(2)t=Xˉˉˉ?TS/n√≥tα(n?1)(2)當t落在拒絕域,說明體素i與體素j之間功能連接強度顯著大于T,對應到網(wǎng)絡(luò)中節(jié)點i和節(jié)點j有邊相連.否則接受原假設(shè)H0,說明體素i與體素j之間功能連接性小于等于T,相應地節(jié)點i和節(jié)點j之間無邊相連.由此,構(gòu)建出不同閾值下對應的靜息狀態(tài)腦功能網(wǎng)絡(luò).3相同規(guī)模隨機網(wǎng)絡(luò)聚類分析靜息狀態(tài)的腦功能網(wǎng)絡(luò)由N個節(jié)點和E條無向邊構(gòu)成.在顯著性水平α=0.001下對體素之間的功能連接強度顯著性進行判斷,構(gòu)建無向圖.使用一系列閾值(Tmin≤T≤Tmax)對每個被試的功能連接矩陣構(gòu)建腦功能網(wǎng)絡(luò),得到不同閾值下的鄰接矩陣,計算網(wǎng)絡(luò)的聚類系數(shù)Cnet、平均特征路徑長度Lnet.這里T的最小值Tmin等于0,T的最大值Tmax等于N的自然對數(shù),遞增量為0.05.從圖1和圖2可以看出,隨閾值T增大,網(wǎng)絡(luò)中節(jié)點連邊的數(shù)量減少,網(wǎng)絡(luò)平均度〈k〉逐漸降低.當閾值過高時,〈k〉值很小,網(wǎng)絡(luò)中的孤立節(jié)點數(shù)增多,將影響到網(wǎng)絡(luò)的小世界特性,故而網(wǎng)絡(luò)的平均度不能小于網(wǎng)絡(luò)節(jié)點數(shù)N的自然對數(shù)(ln(5143)≈8.5454).復雜網(wǎng)絡(luò)的主要統(tǒng)計特性包括:網(wǎng)絡(luò)平均度〈k〉、聚類系數(shù)Cnet、平均特征路徑長度Lnet.為檢測靜息狀態(tài)下的功能網(wǎng)絡(luò)小世界特性,還計算了相同規(guī)模隨機網(wǎng)絡(luò)(即相同節(jié)點數(shù)目和相同邊數(shù))的聚類系數(shù)Crand和平均特征路徑長度Lrand.當γ=Cnet/Cland?1(3)λ=Lnet/Lrand~1(4)成立時,認為該網(wǎng)絡(luò)具有γ小世界特性.圖3描述了不同閾值下組平均的兩個統(tǒng)計特性變化及相同規(guī)模隨機網(wǎng)絡(luò)Crand和Lrand分布.在一系列閾值T下,Cnet明顯大于Crand,說明靜息狀態(tài)腦網(wǎng)絡(luò)呈現(xiàn)出高聚類的特點.同時比率γ隨T值增大而變大;Lnet隨T值升高而增大且稍高于Lrand,而比率λ隨T值變化不大,其值在1附近波動.該結(jié)果充分說明靜息狀態(tài)下的腦功能網(wǎng)絡(luò)具有顯著的小世界特性.建立靜息狀態(tài)下腦功能網(wǎng)絡(luò)時閾值的選取遵循上述兩個基本原則,不僅保證了腦網(wǎng)絡(luò)信息的完整性,而且與等價隨機網(wǎng)絡(luò)相比時可得到理想的效率,使該網(wǎng)絡(luò)最能體現(xiàn)實際腦系統(tǒng)特性,為進一步準確分析該網(wǎng)絡(luò)提供了可靠依據(jù).由圖3可知,當閾值T=0.35時,網(wǎng)絡(luò)的平均度〈k〉是15.2956,略大于8.5454.此時,網(wǎng)絡(luò)聚類系數(shù)Cnet=0.3005,與相同規(guī)模的隨機網(wǎng)絡(luò)聚類系數(shù)比值最高(γ=77.0513);特征路徑長度Lnet=5.6358,與相同規(guī)模的隨機網(wǎng)絡(luò)的特征路徑的比值接近1.由此可知,閾值為0.35時對應的腦網(wǎng)絡(luò)具有顯著的小世界特性且功能連接性也十分顯著,滿足了上述的兩條基本原則.本文后續(xù)重點研究閾值T=0.35對應的靜息狀態(tài)腦功能網(wǎng)絡(luò)特性.圖4描述了閾值T=0.35時對應的靜息狀態(tài)腦功能網(wǎng)絡(luò)的度分布情況.由圖4可以看出,度分布在對數(shù)坐標系下表現(xiàn)為向右傾斜的曲線且?guī)в幸粋€較大的尾部,近似服從冪率分布P(k)～k-β(β=1.67),這說明該網(wǎng)絡(luò)中大多數(shù)節(jié)點的度較小,只有少部分節(jié)點有較高的度值,且這些度值高的節(jié)點與網(wǎng)絡(luò)中的其他節(jié)點有較為緊密的連接關(guān)系,在整個網(wǎng)絡(luò)中占據(jù)重要地位.通過衡量網(wǎng)絡(luò)中心化程度來尋找靜息狀態(tài)下的關(guān)鍵腦區(qū).中心化指標包括節(jié)點的度(degree)和介數(shù)(betweenness),度值高的節(jié)點與網(wǎng)絡(luò)中許多節(jié)點都有邊相連,在網(wǎng)絡(luò)中具有網(wǎng)絡(luò)集線器(hub)功能.節(jié)點的介數(shù)是指網(wǎng)絡(luò)中任兩節(jié)點之間最短路徑經(jīng)過該節(jié)點的次數(shù),節(jié)點介數(shù)值越大,則說明該節(jié)點在網(wǎng)絡(luò)信息傳遞中起關(guān)鍵作用.計算靜息狀態(tài)下腦功能網(wǎng)絡(luò)中度值最高的節(jié)點與介值最大的節(jié)點,并將它們對應到大腦中具體解剖位置,結(jié)果顯示在表1中.然后,對網(wǎng)絡(luò)中所有節(jié)點的度值由高到低排序,提取度值最高的前100個節(jié)點,并分析確定了這些節(jié)點在腦內(nèi)的解剖位置(腦區(qū)),從而找到靜息狀態(tài)下腦網(wǎng)絡(luò)中與信息調(diào)度及傳遞相關(guān)的關(guān)鍵腦區(qū).從表1中數(shù)據(jù)可知,扣帶回、楔前葉、楔葉以及頂下小葉等與網(wǎng)絡(luò)中其他節(jié)點存在廣泛的連接,在靜息狀態(tài)腦功能網(wǎng)絡(luò)中起到重要的作用.4靜息狀態(tài)下腦功能網(wǎng)絡(luò)估計和識別靜息狀態(tài)下,一些腦區(qū)存在較強的低頻同步波動,它蘊含的生理意義對人腦維持正常的腦功能具有重要意義.針對靜息狀態(tài)下一組正常被試的功能磁共振數(shù)據(jù),結(jié)合復雜網(wǎng)絡(luò)理論和方法,建立腦功能網(wǎng)絡(luò)模型.在建模過程中,采用以0.05為間隔設(shè)定閾值并計算腦網(wǎng)絡(luò)的統(tǒng)計特性,同時閾值的選取遵循網(wǎng)絡(luò)的整體性和小世界特性原則,從而保證建立起的腦功能網(wǎng)絡(luò)最能代表實際腦系統(tǒng)的特性.進一步分析了腦網(wǎng)絡(luò)功能連接