基于靜息態(tài)功能連接的杏仁核譜聚類研究

田洪君，高全勝，高軍峰，竇順陽(yáng)

基于靜息態(tài)功能連接的杏仁核譜聚類研究

田洪君1，高全勝2*，高軍峰3，4，竇順陽(yáng)5

目的 研究根據(jù)全腦各體素的功能連接模式的相似性，以譜聚類的方式對(duì)杏仁核腦區(qū)進(jìn)行分割的可行性。材料與方法 通過靜息態(tài)功能成像，根據(jù)特定腦區(qū)內(nèi)各體素全腦功能連接模式的相似性，以譜聚類對(duì)杏仁核腦區(qū)進(jìn)行分割。結(jié)果 右側(cè)中央內(nèi)側(cè)核(centromedial，CM)亞區(qū)分割結(jié)果與圖譜最接近，右側(cè)淺表核(superficial，SF)腦區(qū)亞區(qū)與譜圖相似度較低。聚類組的穩(wěn)定性分析結(jié)果顯示在信噪比大于70 db的情況下，各子區(qū)都保持了近乎與沒有加入噪聲的結(jié)果100%的相似性，在10 db的低信噪比下各區(qū)皮爾森相關(guān)系數(shù)也能保持0.7左右。結(jié)論 本研究的聚類結(jié)果和julich圖譜具有高度一致性，表明這一方法在可行性、穩(wěn)定性和抗干擾性方面也取得了滿意結(jié)果，相對(duì)于傳統(tǒng)手動(dòng)分割方法，本研究的聚類方法簡(jiǎn)單、高效、可重復(fù)性高。

杏仁核；磁共振成像；功能連接；譜聚類

Key words Amygdala; Magnetic resonance imaging; Functional connectivity; Spectral clustering

杏仁核是人類情緒記憶網(wǎng)絡(luò)中最為核心的腦區(qū)，它在情緒的產(chǎn)生和表達(dá)、社會(huì)判斷和面孔識(shí)別等認(rèn)知活動(dòng)中扮演了重要的角色。它位于內(nèi)側(cè)顳葉，是一個(gè)雙側(cè)結(jié)構(gòu)，每個(gè)腦半球包含一個(gè)杏仁核。杏仁核接受視覺、聽覺、其他感覺和痛覺的輸入，并將不同的刺激和這些刺激造成的結(jié)果聯(lián)系起來(lái)，然后發(fā)送信息至其他情緒相關(guān)腦區(qū)[1]。杏仁核結(jié)構(gòu)和功能的異常會(huì)引起孤獨(dú)癥、抑郁癥、帕金森癥等精神疾病[2-3]，它已經(jīng)成為神經(jīng)病理學(xué)研究的熱點(diǎn)，但目前國(guó)內(nèi)外對(duì)杏仁核內(nèi)部結(jié)構(gòu)和功能的細(xì)化研究相對(duì)較少，如何快速精確自動(dòng)化對(duì)杏仁核腦區(qū)進(jìn)行劃分已經(jīng)顯得尤為重要。人腦是中樞神經(jīng)系統(tǒng)最高級(jí)的部分，它是由140億個(gè)神經(jīng)細(xì)胞構(gòu)成的具有高度組織性的器官，且具有相似功能的細(xì)胞團(tuán)體其活動(dòng)具有顯著的一致性，同樣，在杏仁核內(nèi)部，具有相同功能的細(xì)胞核團(tuán)其功能也會(huì)體現(xiàn)出某種程度上的一致性。杏仁核中具有相同功能的細(xì)胞核團(tuán)，其靜息態(tài)功能也具有高度的相似性?；谶@樣的理論基礎(chǔ)，本文通過靜息態(tài)功能成像，根據(jù)特定腦區(qū)內(nèi)各體素全腦的功能連接模式的相似性，以譜聚類對(duì)杏仁核腦區(qū)進(jìn)行分割，驗(yàn)證提出的分割方法的有效性和穩(wěn)定性，為杏仁核腦區(qū)分割方法提供新的策略。

1 材料與方法

1.1 研究對(duì)象與采集參數(shù)

采用千人功能連接組腦計(jì)劃(1000 Functional Connectomes Project)和國(guó)際影像數(shù)據(jù)聯(lián)盟(International Neuroimaging Data-Sharing Initiative)提供的靜息態(tài)數(shù)據(jù)，選取其中內(nèi)森克萊研究中心(Nathan Kline Institute，NKI)研究組的數(shù)據(jù)，該數(shù)據(jù)包含大量的志愿者，年齡跨度大(4～85歲)，靜息態(tài)數(shù)據(jù)采集過程中志愿者被要求閉眼休息但不能睡著，本文選取其中年齡在19～29歲的30名志愿者[18名男性和12名女性，年齡(23.2±6.4)歲]的靜息態(tài)數(shù)據(jù)來(lái)進(jìn)行腦區(qū)分割。志愿者在試驗(yàn)前對(duì)其交代了試驗(yàn)完成過程，簽署了試驗(yàn)協(xié)議，同意進(jìn)行本試驗(yàn)，并通過了西安交通大學(xué)倫理委員會(huì)審查。

磁共振數(shù)據(jù)使用西門子3.0 T核磁共振設(shè)備采取。結(jié)構(gòu)像采集參數(shù)如下：掃描矩陣為256×256×176，體素大小為1 mm×1 mm×1 mm。功能像掃描參數(shù)如下：TR=2 s，體素大小為3 mm×3 mm×4 mm，掃描矩陣為64×64，持續(xù)時(shí)間465 s，采集順序?yàn)榈剐虿杉?，采集幀?shù)(volume)為200?？紤]到功能磁共振成像信號(hào)達(dá)到穩(wěn)定和志愿者對(duì)環(huán)境的適應(yīng)需要一定的時(shí)間，前5個(gè)volume在數(shù)據(jù)發(fā)布的時(shí)候已經(jīng)去除，層數(shù)設(shè)置為34層以覆蓋全腦。

1.2 研究方法

1.2.1 杏仁核腦區(qū)分割方法

杏仁核是人腦邊緣系統(tǒng)的核心腦區(qū)，對(duì)于情緒處理具有極其重要的作用。但目前對(duì)該腦區(qū)內(nèi)部功能和結(jié)構(gòu)方面的研究很少，杏仁核內(nèi)部分區(qū)的研究對(duì)于了解該腦區(qū)神經(jīng)機(jī)制以及抑郁癥等精神疾病的預(yù)防和治療有著重要意義。基于靜息態(tài)功能磁共振成像[4]對(duì)杏仁核進(jìn)行譜聚類分割的算法流程如圖1所示。首先采用自動(dòng)解剖標(biāo)記(automated anatomical labeling，AAL)模板將皮層和皮層下的灰質(zhì)劃分成90個(gè)腦區(qū)。左右杏仁核分別為41和42號(hào)腦區(qū)，將杏仁核感興趣區(qū)域(region of interest，ROI)以及單個(gè)志愿者的靜息態(tài)數(shù)據(jù)都配準(zhǔn)到MNI空間。對(duì)于志愿者的靜息態(tài)磁共振圖像數(shù)據(jù)進(jìn)行測(cè)試，表明一致性和重復(fù)性良好。通過計(jì)算杏仁核中每個(gè)體素的全腦連接模式，進(jìn)而得到每?jī)蓚€(gè)體素之間的全腦連接模式相似度矩陣，以此矩陣進(jìn)行子區(qū)劃分。具體做法是首先提取杏仁核每個(gè)體素的時(shí)間序列信號(hào)，對(duì)其他88個(gè)腦區(qū)的靜息態(tài)信號(hào)采用腦區(qū)內(nèi)所有體素信號(hào)平均的方式提取。然后通過計(jì)算每個(gè)杏仁核內(nèi)部的體素信號(hào)與其他88個(gè)腦區(qū)的信號(hào)之間的相關(guān)系數(shù)，得到杏仁核體素的全腦連接矩陣[5-8]M，其中元素(i，j)表示第i個(gè)杏仁核體素到第j個(gè)腦區(qū)的功能連接強(qiáng)度。該矩陣的每一行描述了一個(gè)杏仁核體素在靜息態(tài)下和全腦其他腦區(qū)之間的連接模式，值越接近1，相關(guān)性越大。最后計(jì)算每?jī)尚羞B接模式之間的相關(guān)系數(shù)就可以度量?jī)蓚€(gè)體素在全腦功能連接模式上的相似度，記為相似度矩陣N，其中每個(gè)元素表示杏仁核第i個(gè)體素和第j個(gè)體素在全腦功能連接模式上的相似度。在此相似度矩陣的基礎(chǔ)上，本文就可以采用聚類算法對(duì)杏仁核的體素進(jìn)行譜聚類研究[9]。

1.2.2 算法實(shí)現(xiàn)

整個(gè)分割算法編程基于python 2.7語(yǔ)言實(shí)現(xiàn)，它是一種面向?qū)ο?、解釋型?jì)算機(jī)程序設(shè)計(jì)語(yǔ)言，由Guido van Rossum于1989年發(fā)明，Python具有豐富和強(qiáng)大的庫(kù)來(lái)滿足各種開發(fā)需求，本算法科學(xué)計(jì)算部分主要使用numpy (Numeric Python)模塊實(shí)現(xiàn)，對(duì)磁共振數(shù)據(jù)的讀取和寫入則依賴NiBabel模塊，NiBabel提供了對(duì)常見醫(yī)學(xué)影像數(shù)據(jù)格式讀取的接口。而聚類算法則使用SciKit-Learn模塊，SciKit-Learn是一個(gè)基于NumPy，SciPy，Matplotlib的開源機(jī)器學(xué)習(xí)工具包。

1.2.3 組分析方法

本文采用最大概率圖譜法(maximum probabilistic map，MPM)對(duì)單個(gè)志愿者杏仁核腦區(qū)的分割結(jié)果進(jìn)行組分析。MPM計(jì)算是基于MATLAB中Anatomy 1.7工具箱實(shí)現(xiàn)的，其過程是先將所有分割結(jié)果配準(zhǔn)到MNI空間，然后以將每個(gè)像素分配給最可能屬于的分割子區(qū)域?yàn)樵瓌t來(lái)計(jì)算最大概率圖譜，如果某些特殊像素屬于兩個(gè)不同子分割區(qū)域的概率相等，則這個(gè)像素會(huì)分給與之相鄰的26個(gè)像素以求出平均概率更高的那個(gè)子區(qū)域。

2 結(jié)果

根據(jù)Amunts等[10]在2005年基于細(xì)胞構(gòu)筑的研究，Julich圖譜計(jì)算并構(gòu)建了這些杏仁核亞區(qū)的概率模板。該圖譜將杏仁核分成了3個(gè)子區(qū)域，分別為基底外側(cè)核(laterobasal，LB)、淺表核(superficial，SF)和中央內(nèi)側(cè)核(centromedial，CM)分別對(duì)應(yīng)圖2A中藍(lán)色、綠色和紅色腦區(qū)。LB包括副層狀核、底內(nèi)側(cè)核、基底外側(cè)核和外側(cè)核，CM由內(nèi)側(cè)核和中央核組成，SF包括杏仁核梨狀皮質(zhì)移行區(qū)、杏仁前區(qū)、杏仁核-海馬區(qū)以及腹側(cè)和后側(cè)皮質(zhì)核。圖2A中Julich圖譜顯示出杏仁核子區(qū)域的空間位置關(guān)系，圖2B為本文基于杏仁核內(nèi)部體素與其他各腦區(qū)功能連接進(jìn)行譜聚類對(duì)杏仁核劃分的結(jié)果，二者進(jìn)行對(duì)比可發(fā)現(xiàn)本文的聚類結(jié)果和圖譜具有高度一致性，表明這一方法的可行

圖1 應(yīng)用譜聚類對(duì)杏仁核進(jìn)行分割的算法流程Fig. 1 Algorithm fow of applying spectral clustering algorithm for segmentation of the amygdala.

圖2 杏仁核生理解剖圖譜與本文譜聚類分割結(jié)果對(duì)比。藍(lán)色、綠色和紅色腦區(qū)分別為L(zhǎng)B、SF和CM子腦區(qū)Fig. 2 Comparison of the physiological anatomy of the amygdala and the results of this paper. Blue, green and read brain regions denote LB, SF and CM subregions, respectively.

圖3 譜聚類分割杏仁核結(jié)果與Julich圖譜相似度Fig. 3 Similarity between spectral clustering segmentation of amygdala and Julich patterns.

圖4 單個(gè)志愿者與左右側(cè)杏仁核組分析結(jié)果空間相關(guān)系數(shù)分布圖Fig. 4 Spatial correlation coefficient distribution of single and left and right amygdala group.

圖5 健壯性分析：疊加噪聲到杏仁核體素的時(shí)間序列中的譜聚類腦區(qū)劃分。藍(lán)色、綠色和紅色腦區(qū)分別為L(zhǎng)B、SF和CM子區(qū)Fig. 5 Robustness analysis: spectral clustering time series of brain regions when adding noise into amygdala. Blue, green and read brain regions denote LB, SF and CM subregions, respectively.

圖6 加入噪聲對(duì)基于功能連接和基于血氧水平依賴信號(hào)分割結(jié)果的影響Fig. 6 Effects of adding noise on the functional connectivity and blood oxygen level dependent-based signal segmentation results.

卡爾?皮爾遜基于弗朗西斯?高爾頓的算法提出了皮爾遜線性相關(guān)系數(shù)[11]，通常該相關(guān)系數(shù)也被稱作“皮爾森相關(guān)系數(shù)”(pearson's linear correlation)。相關(guān)系數(shù)ρ考察兩個(gè)變量的相關(guān)程度，取值范圍在-1～1之間，其中1表示變量完全正相關(guān)，0表示無(wú)關(guān)，-1表示完全負(fù)相關(guān)。

式中p(X,Y)：變量X和Y的相關(guān)系數(shù)；cov(X,Y)：變量X和Y的協(xié)方差；：變量X的標(biāo)準(zhǔn)差；：變量Y的標(biāo)準(zhǔn)差；μx：變量X的均值；μy：變量Y的均值。

本文將大小m×n×o的待測(cè)三維圖像A和參考圖像B看作為隨機(jī)變量，則兩個(gè)圖像之間的相關(guān)系數(shù)為：

式中A表示待評(píng)價(jià)三維圖像，B表示參考圖像，Ai,j,k表示待測(cè)圖像中的像素點(diǎn)，Bi,j,k表示參考圖像中的像素點(diǎn)，表示圖像A的均值，表示圖像B的均值，m表示圖像行數(shù)，n表示圖像的列數(shù)，o表示圖像高度。圖像A和B的相關(guān)系數(shù)越小(越接近0)，說明圖像A和B的相似度越小；相關(guān)系數(shù)越大(越接近1)，說明圖像A和B的相似度越大。

本文的聚類組分析結(jié)果分別與Julich圖譜對(duì)應(yīng)的杏仁核子區(qū)域的皮爾森相關(guān)系數(shù)如圖3所示，結(jié)果越接近1表示二者空間分布越相似。由圖3可知右側(cè)CM亞區(qū)分割結(jié)果與圖譜最接近(CC=0.78)，右側(cè)SF亞區(qū)與圖譜相似度較低(CC=0.65)。

本文將每個(gè)志愿者杏仁核亞區(qū)的分割結(jié)果與該數(shù)據(jù)集的組分析結(jié)果進(jìn)行空間相關(guān)，以各子區(qū)域與組分析結(jié)果的空間相似度的變化劇烈程度來(lái)反映本文分割算法的穩(wěn)定性，圖4描述了左側(cè)和右側(cè)杏仁核子區(qū)單個(gè)志愿者與組分析結(jié)果的重疊情況，通過計(jì)算右側(cè)CM空間相關(guān)系數(shù)的方差為0.0303(最大)，表明該亞區(qū)分割的結(jié)果穩(wěn)定性比較差，而右側(cè)LB腦區(qū)空間相關(guān)系數(shù)的方差為0.0017(最小)，說明這個(gè)腦區(qū)聚類算法的分割結(jié)果可重復(fù)性(最高)，穩(wěn)定性也最好(其他腦區(qū)的方差分別為var (CML)=0.0041，var (LBL)=0.0185，var (SFR)=0.0098，var (SFL)=0.0194)。

在討論了分割算法的精確性和穩(wěn)定性的基礎(chǔ)上，疊加不同強(qiáng)度的噪聲到杏仁核體素的時(shí)間序列中再進(jìn)行腦區(qū)劃分來(lái)考察本文算法的健壯性，過程如圖5所示。首先將杏仁核左右腦區(qū)各體素的時(shí)間序列提取出來(lái)，將信噪比分別為10～90 db的高斯白噪聲疊加到各時(shí)間序列中，然后基于譜聚類進(jìn)行杏仁核子區(qū)域分割，整個(gè)實(shí)驗(yàn)仿真過程在python 2.7平臺(tái)實(shí)現(xiàn)。

疊加噪聲后杏仁核6個(gè)亞區(qū)的聚類分割如圖6所示，圖6反映了不同噪聲下基于ROI體素時(shí)間序列與AAL模板其余88個(gè)腦區(qū)平均序列計(jì)算的功能連接矩陣進(jìn)行分割的結(jié)果與沒有加入噪聲的情況下各子區(qū)空間相似性的變化情況。由圖6可知不同信噪比的圖像數(shù)據(jù)均取得了比較滿意的分割結(jié)果，在信噪比大于70 db的情況下，各子區(qū)都保持了近乎與沒有加入噪聲的結(jié)果100%的相似性，在10 db的低信噪比下各區(qū)皮爾森相關(guān)系數(shù)也能保持在0.7左右。

3 總結(jié)

本文提出了一種基于靜息態(tài)功能成像的杏仁核譜聚類分割方法，即一種基于譜聚類算法，根據(jù)杏仁核內(nèi)部體素功能的相似性對(duì)該腦區(qū)進(jìn)行自動(dòng)化高效率劃分的方法，先對(duì)靜息態(tài)磁共振數(shù)據(jù)預(yù)處理、再對(duì)杏仁核腦區(qū)提取、然后對(duì)杏仁核內(nèi)部體素全腦功能連接計(jì)算以及最后對(duì)功能連接矩陣進(jìn)行譜聚類分割。本文提出的自動(dòng)分割算法與杏仁核臨床解剖結(jié)果取得很大程度的一致性，并且在穩(wěn)定性和抗噪聲干擾方面也取得較滿意的結(jié)果，相對(duì)于傳統(tǒng)手動(dòng)分割方法，具有更加簡(jiǎn)單、方便、高效、可重復(fù)性高等多方面的優(yōu)點(diǎn)。

[References]

[1] Uwano T, Nishijo H, Ono T, et al. Neuronal responsiveness to various sensory stimuli, and associative learning in the rat amygdala. Neuroscience, 1995, 68(2): 339-361.

[2] Chen Y, Xu JM, Feng GS, et al. Volume MRI analysis if the amygdala and the hippocampus in patients with post-stroke depression. Radiology Practice, 2009, 24(6): 603-606．

陳宇, 徐堅(jiān)民, 馮敢生, 等. 腦梗死后抑郁癥患者海馬及杏仁核體積的MRI研究. 放射學(xué)實(shí)踐, 2009, 24(6): 603-606．

[3] Duan XJ. The relationship between changes of white-matter in limbic system and depression in patients with Parkinson's disease. Zhengzhou: Zhengzhou University, 2015.

段曉佳. 邊緣系統(tǒng)白質(zhì)微結(jié)構(gòu)的改變與帕金森病抑郁的關(guān)系. 鄭州: 鄭州大學(xué), 2015.

[4] Schmid F, Wachsmuth L, Albers F, et al. True and apparent optogenetic BOLD fMRI signals. Magnetic resonance in medicine, 2016, 35(4): 491-499.

[5] Markov NT, Ercseyravasz MM, Ribeiro Gomes AR, et al. A weighted and directed interareal connectivity matrix for macaque cerebral cortex. Cerebral Cortex, 2014, 24(1): 17-36.

[6] Ji GJ, Liao W, Zhang ZQ, et al. Resting-state functional connectivity in patients with generalized tonic-clonic seizures. Chin J Magn Reson Imaging, 2013, 4(1): 8-12.

季公俊, 廖偉, 張志強(qiáng), 等. 全面強(qiáng)直陣攣癲癇靜息態(tài)功能連接腦網(wǎng)絡(luò)研究. 磁共振成像, 2013, 4(1): 8-12.

[7] Liu Y, Li YM, Zeng C, et al. The study of resting state functional magnetic resonance and fber tracking in multiple sclerosis patients with simple spinal cord involvement. Chin J Magn Reson Imaging, 2015, 6(6): 416-421.

劉義, 李詠梅, 曾春, 等. 息態(tài)功能磁共振和纖維追蹤技術(shù)在單純脊髓受累型多發(fā)性硬化患者的臨床應(yīng)用. 磁共振成像, 2015, 6(6): 416-421.

[8] Zhong YX, Zhao JN, Zhou ZM, et al. The preliminary study of resting-state functional magnetic resonance in patients with leukoaraiosis. Chin J Magn Reson Imaging, 2015, 6(6): 411-415.

鐘毅欣, 趙建農(nóng), 周治明, 等. 腦白質(zhì)疏松癥患者靜息態(tài)功能磁共振成像的初步研究. 磁共振成像, 2015, 6(6): 411-415.

[9] Craddock RC, James GA, Holtzheimer PE, et al. A whole brain fMRI atlas generated via spatially constrained spectral clustering. Human brain mapping, 2012, 33(8): 1914-1928.

[10] Amunts K, Kedo O, Kindler M, et al. Cytoarchitectonic mapping of the human amygdala, hippocampal region and entorhinal cortex: intersubject variability and probability maps. Anatomy and Embryology, 2006, 210(5-6): 343-352.

[11] Wang J, Zheng N. Measures of linear correlation for multiple variables. Spectroscopy & Spectral Analysis, 2014, 34(4): 869-873.

Study on spectral clustering of amygdala using resting state functional connectivity

TIAN Hong-jun1, Gao Quan-sheng2*, GAO Jun-feng3,4, Dou Shun-yang51Shenzhen Basda Medical Apparatus Co., Ltd., Shenzhen 518172, China
2Laboratory of the Animal Center, Academy of Military Medical Sciences, Beijing 100850, China
3Key Laboratory of Cognitive Science of State Ethnic Affairs Commission, College of Biomedical Engineering, South-Central University for Nationalities, Wuhan 430074, China
4School of Life Science and Technology, University of Electronic Science and Technology, Chengdu 610054, China
5Institute of Biomedical Engineering, Xi’an Jiaotong University, Xi’an 710049, China

Objective: According to the similarity of the functional connectivity pattern of the whole brain, the feasibility of using spectral clustering to segment the brain regions of the amygdala was studied. Materials and Methods: By resting state functional imaging according to the functional connectivity pattern of each voxel in a specifc brain region, spectral clustering was performed to segment the amygdala region. Results: The segmentation results of subregion on the right side of the central medial nucleus (CM) were similar to that of the map, and the results of subregion on the right superficial nuclei (SF) were relatively less similar to the spectra. Cluster analysis results of the stability analysis results showed that the signal-to-noise ratio was more than 70 db, each subregion maintained 100% similarity to the results without adding noise, the pearson correlation coeffcient could be kept about 0.7 in the low signal-to-noise ratio of 10 db. Conclusion: The clustering results and JULICH maps were highly consistent, which indicated the feasibility of this method. In addition, satisfactory results were also obtained in terms of stability and anti-interference. Compared with the traditional manual segmentation method, the clustering segmentation method proposed in this paper had the advantages of simplicity, high effciency, and high repeatability.

國(guó)家自然科學(xué)基金(編號(hào)：81271659，81171385)；中國(guó)博士后科學(xué)基金資助(編號(hào)：2014M552346)

1.深圳市貝斯達(dá)醫(yī)療股份有限公司，深圳 518172

2.解放軍軍事醫(yī)學(xué)科學(xué)院實(shí)驗(yàn)動(dòng)物中心，北京 100850

3.中南民族大學(xué)認(rèn)知科學(xué)國(guó)家民委重點(diǎn)實(shí)驗(yàn)室，武漢 430074

4.電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院，成都 610054

5.西安交通大學(xué)生命科學(xué)與技術(shù)學(xué)院，西安 710049

高全勝，E-mail：13691251828@163. com

2016-08-20

接受日期：2016-09-25

R445.2；R338.2

A

10.12015/issn.1674-8034.2016.10.010田洪君, 高全勝, 高軍峰, 等. 基于靜息態(tài)功能連接的杏仁核譜聚類研究. 磁共振成像, 2016, 7(10): 769-774.

*Correspondence to: Gao QS, E-mail: 13691251828@163.com

Received 20 Aug 2016, Accepted 25 Sep 2016

ACKNOWLEDGMENTS The work was supported by the National Nature Science Foundation of China (No. 81271659, 81171385) and the China Postdoctoral Science Foundation (No. 2014M552346).