基于時空雙稀疏表示的成人ADHD 腦網(wǎng)絡(luò)檢測與分析

龔軍輝 劉小燕 周建松 孫剛

注意力缺陷多動障礙(Attention deficit hyperactivity disorder,ADHD)是一種常見的精神障礙疾病,主要表現(xiàn)為與發(fā)育程度(年齡)不相符的注意力分散、多動和沖動[1],這種疾病往往開始于童年并可能持續(xù)到成年.研究表明,成人ADHD 的患病率仍高達3.4%[2].ADHD 患者的多動問題會隨著年齡的增長而好轉(zhuǎn),但行為控制和注意力集中仍困難,這將對他們的生活和學(xué)習(xí)產(chǎn)生不利的影響,且成人ADHD 患者更易引發(fā)其他的精神障礙與犯罪行為,因而是一個重要的公共衛(wèi)生問題[3].

靜息態(tài)功能核磁共振成像(Resting-state functional magnetic resonance imaging,rsfMRI)由于操作易、耗時短、性價比高等優(yōu)點,廣泛應(yīng)用于探索青少年和成人ADHD 患者的腦功能異常[4?12].傳統(tǒng)的ADHD 靜息態(tài)功能核磁共振成像研究主要分為兩類:1)一些學(xué)者采用局部一致性、低頻振蕩等基于體素的指標分析了rsfMRI 數(shù)據(jù),認為ADHD患者存在一些異常腦區(qū),例如運動感知腦區(qū)[4],前額、前扣帶回和丘腦[5],枕葉視覺信息處理等腦區(qū)[5].2)另一些學(xué)者則從各腦區(qū)(或體素)之間的功能連接角度出發(fā)對ADHD 靜息態(tài)fMRI 數(shù)據(jù)進行了分析,發(fā)現(xiàn)ADHD 患者的前島葉與楔前葉、中央前回、顳下回等腦區(qū)的連接有異常[8],左羅蘭迪克島蓋區(qū)、腦島、殼核、蒼白球等腦區(qū)所在的一些功能連接子網(wǎng)絡(luò)有異常[9],額頂葉、小腦腦區(qū)的功能連接有增強[10],小腦、右下額、左軀體感知腦區(qū)之間的功能連接增強[12].雖然上述研究發(fā)現(xiàn)了一些與ADHD 相關(guān)的腦區(qū)或腦區(qū)間的功能連接,但是ADHD 的潛在神經(jīng)機制目前仍不完全明了,需進一步研究驗證[10].

近年來,一些學(xué)者采用獨立成分分析(Independent component analysis,ICA)方法和雙回歸分析方法,提取出靜息態(tài)腦網(wǎng)絡(luò)(Resting-state brain network,RSN)來研究精神障礙疾病的神經(jīng)生理機制[13?14].與基于腦區(qū)或腦區(qū)間功能連接的研究方法相比,采用RSN 可以從大尺度腦網(wǎng)絡(luò)級角度來探索精神障礙疾病的生理機制,具有較大優(yōu)勢.這是因為,一個RSN 往往包含多個腦區(qū)且多個腦區(qū)之間存在有功能連接,腦區(qū)的異常或腦區(qū)間功能連接的異常最終都會導(dǎo)致所涉及的RSN 的異常.為探索一些感興趣的RSN 在ADHD 組中是否有異常,Mostert 等[11]采用組ICA 及雙回歸分析方法,從靜息態(tài)fMRI 數(shù)據(jù)提取了數(shù)十個并發(fā)的RSN,并選取了其中感興趣的6 個網(wǎng)絡(luò)(小腦網(wǎng)絡(luò)、兩個默認網(wǎng)絡(luò)、執(zhí)行控制網(wǎng)絡(luò)、左、右額頂網(wǎng)絡(luò));針對每個感興趣的網(wǎng)絡(luò),采用基于體素的統(tǒng)計檢驗方法推斷ADHD 組與正常人組之間是否有差異.實驗結(jié)果表明,ADHD 患者的執(zhí)行控制網(wǎng)絡(luò)和小腦網(wǎng)絡(luò)存在異常.然而,從數(shù)十個腦網(wǎng)絡(luò)中確定少數(shù)的感興趣網(wǎng)絡(luò),需要一定的先驗知識.而且,在數(shù)萬個體素(高維)幾十個樣本(少樣本)上采用體素級的統(tǒng)計檢驗及體素簇推斷時,會產(chǎn)生較高的假陽性結(jié)果[15].此外,在采用ICA 方法的fMRI 研究中,假設(shè)fMRI信號時域或空域的源成分統(tǒng)計獨立,而這一假設(shè),目前還缺乏神經(jīng)和生理學(xué)基礎(chǔ)[16?17].

近20 年來,稀疏表示成為信號分析領(lǐng)域一個引人關(guān)注的研究方向,在機器學(xué)習(xí)和模式識別領(lǐng)域有很多成功的應(yīng)用[18?20].稀疏表示的目的是在已設(shè)定或?qū)W習(xí)獲得的字典中,用盡可能少的源成分來最優(yōu)地表示觀測的信號,從而更容易獲取信號中所蘊含的信息.稀疏假設(shè)在神經(jīng)和腦科學(xué)上有相應(yīng)的解釋和意義[21?22],近年來稀疏表示在fMRI 個體腦網(wǎng)絡(luò)的提取中也獲得了成功的應(yīng)用[23?24].在我們前期工作中,提出了一種基于時空雙稀疏表示(Dual temporal and spatial sparse representation,DTSSR)的fMRI 數(shù)據(jù)分析方法[25]:個體的fMRI 信號經(jīng)過頭動校正、空域濾波、去線性漂移、時域濾波預(yù)處理后,首先采用在線稀疏表示算法對個體時域的血氧水平依賴(Blood oxygenation level-dependent,BOLD)信號矩陣進行稀疏分解,得到具有個體特性的腦功能網(wǎng)絡(luò)(Brain functional network,BFN)然后采用在線稀疏字典學(xué)習(xí)算法,對空間標準化后的個體特性BFN 矩陣進行非負矩陣稀疏分解,自動提取出具有組共性的群組RSN 及具有個體特性的耦合參數(shù).實驗結(jié)果表明,采用DTSSR 所提取出的群組RSN 在不同的數(shù)據(jù)集中具有高可重現(xiàn)性;與其他方法相比,DTSSR 能同時獲得個體特性RSN 和具有組共性的群組RSN,這有利于fMRI 數(shù)據(jù)后續(xù)的組分析.此外,DTSSR 方法還可以獲得群組RSN在不同個體中“能量”特性的耦合參數(shù),由此,通過對耦合參數(shù)的分析,可以從群組RSN 角度來描述個體的腦功能特性,這有利于從大尺度腦網(wǎng)絡(luò)角度來探索精神障礙疾病的潛在神經(jīng)機制.

本文以成人ADHD 為研究對象(后續(xù)部分的ADHD,如非特別標明都指成人ADHD),首先采用DTSSR 方法提取出個體功能腦網(wǎng)絡(luò)BFN、群組RSN 及耦合參數(shù);在此基礎(chǔ)上將群組RSN 在個體功能網(wǎng)絡(luò)中的耦合參數(shù)均值池化作為該腦網(wǎng)絡(luò)在個體上的活躍度指標;然后將獲得的活躍度指標與ADHD 量表分進行Spearman 相關(guān)性分析,最終檢測出與ADHD 相關(guān)的RSN(簡稱ADHD-RSN).該方法是一種基于數(shù)據(jù)驅(qū)動的檢測方法,不需要先驗知識(如感興趣腦網(wǎng)絡(luò)、靜息態(tài)腦網(wǎng)絡(luò)模板、種子點等);此外,這種從大尺度上腦網(wǎng)絡(luò)級對ADHD-RSN進行的分析檢測方法,避免了由于在高維少樣本體素上進行統(tǒng)計推斷而造成的假陽性結(jié)果.

1 數(shù)據(jù)采集與預(yù)處理

1.1 數(shù)據(jù)采集

本文所采用的ADHD 靜息態(tài)fMRI 數(shù)據(jù)及相應(yīng)的量表評估分數(shù)據(jù)下載于公開數(shù)據(jù)庫1 000 functional connectomes project(http://fcon-1000.projects.nitrc.org/fcpClassic/FcpTable.html).數(shù)據(jù)庫中有25 名ADHD 患者數(shù)據(jù),其影像數(shù)據(jù)包括功能像和結(jié)構(gòu)像,由Siemens Allegra 3.0 Tesla 核磁共振掃描儀采集獲得.功能像采用EPI 序列成像,采集時間點數(shù)為192,主要成像參數(shù):TR=2 000 ms,TE=25 ms,Flip angle=90?,39 層,matrix=64×64,FOV=192 mm.T1 加權(quán)結(jié)構(gòu)像采用GE 序列成像,主要成像參數(shù)為:TR=2 500 ms,TE=4.35 ms,T1=900 ms,Flip angle=8?,176 層,FOV=256 mm.掃描期間,要求患者保持眼睛睜開,盡量放松.

所有患者經(jīng)定式訪談診斷,符合DSM-IV (Diagnostic and statistical manual of mental disorders)[1]的ADHD 診斷準則.采用SCL-90-R(Symptom checklist-90-revised)對參與者進行了篩選,篩選內(nèi)容包括:既往的精神障礙、雙相障礙及物質(zhì)濫用障礙病史;當前的心情、精神障礙、焦慮及物質(zhì)濫用障礙狀況;既往的精神疾病治療史;神經(jīng)疾病和慢性疾病治療史.最后參與的ADHD 患者均無并發(fā)癥,且未服用其他精神類藥物.所有患者為右利手、智力正常,在掃描前24 小時之內(nèi),未進行藥物和刺激治療.所有患者簽署了由紐約大學(xué)倫理委員會提供的知情書.每位患者的量表分采用ASRS (Adult ADHD self-report scal)[26]量表評估獲得.ASRS 量表由世界衛(wèi)生組織與來自于紐約大學(xué)醫(yī)學(xué)院和哈佛大學(xué)醫(yī)學(xué)院的成人ADHD 研究專家組成的研究小組共同研制,在多個研究中作為描述ADHD 癥狀的基準分[6,27].

1.2 靜息態(tài)fMRI 數(shù)據(jù)預(yù)處理

采用核磁共振掃描儀獲得的腦體素腦血氧水平依賴(BOLD)信號,記錄了體素因神經(jīng)活動而引起的血氧飽和濃度的變化.在數(shù)十個體、數(shù)萬個腦體素、上百個時間點上采集的BOLD 信號包含生理心理噪聲,同時采集過程中易受個體頭動的影響,是一個高維高噪的信號集,因此數(shù)據(jù)分析前需進行一些頭動校正、時空域濾波等數(shù)據(jù)預(yù)處理,具體步驟為:頭動校正(放棄頭動過1.5?和1.5 mm 的患者數(shù)據(jù))、空域平滑(高斯核的FWHM 為6 mm)、去線性漂移、時域濾波(0.01～0.08 Hz 帶通濾波)、獲得個體特性RSN 后進行空間標準化(體素大小設(shè)置為3 mm×3 mm×3 mm).分析軟件主要包括MATLAB、Spm、DPRASF、FSL 等.在數(shù)據(jù)預(yù)處理后,放棄了2 名因頭動過大患者的數(shù)據(jù)和1 名無ADHD 量表分的患者的數(shù)據(jù),最終獲得的群組人口學(xué)特征統(tǒng)計如表1.

表1 ADHD 組人口統(tǒng)計學(xué)特性Table 1 Demographic of the ADHD group

2 基于DTSSR 的ADHD-RSN 檢測方法

2.1 方法框圖

所提方法包括基于DTSSR 的靜息態(tài)fMRI 數(shù)據(jù)分析、ADHD-RSN 檢測兩個大模塊(圖1).在第1 個模塊中,經(jīng)個體BOLD 信號的稀疏表示、BFN的稀疏表示之后,獲得了組RSN 及耦合參數(shù)矩陣;在第2 個模塊中,由耦合參數(shù)計算獲得了組RSN在個體上的活躍度指標、再由腦網(wǎng)絡(luò)活躍度指標與ADHD 量表分值的Spearman 相關(guān)分析、相關(guān)系數(shù)顯著性檢驗,最終獲得ADHD-RSN.下面將對各模塊流程進行詳細闡述.

2.2 基于DTSSR 的靜息態(tài)fMRI 數(shù)據(jù)分析

2.2.1 個體BOLD 信號的稀疏表示

設(shè)sx為體素x上經(jīng)過預(yù)處理后的BOLD 信號,由BOLD 信號為多個源成分線性和稀疏組合的假設(shè)[23?24,28?29],sx可以表示為

其中,D=[d1,d2,···,dk1]∈Rt×k1表示預(yù)設(shè)源成分數(shù)為k1的字典矩陣;t為時間點數(shù);ax與ex分別代表源成分系數(shù)與噪聲.為獲得sx最優(yōu)的稀疏分解,sx的價值損失函數(shù)(sx,D)定義為

其中,λ1為懲罰參數(shù),用于調(diào)整回歸殘余項與稀疏項的比例.價值損失函數(shù)(sx,D)越小表示字典D在稀疏條件下越能較優(yōu)地表示體素的BOLD 信號sx.對于字典矩陣的列向量d1,d2,···,dk中可能出現(xiàn)的任意極大值,將采用式(3)進行抑制.

圖1 基于DTSSR 的ADHD-RSN 的檢測方法整體框圖Fig.1 The framework for detecting adult ADHD-RSN using DTSSR

對于有n個體素的個體大腦,其BOLD 信號矩陣為S=[s1,s2,···,sx,···,sn]∈Rt×n.根據(jù)式(1),個體全腦體素BOLD 信號矩陣S的稀疏表示模型為

其中,A=[a1,a2,···,an]∈Rk1×n為字典中源成分的系數(shù)矩陣;E=[e1,e2,···,en]∈Rt×n是噪聲矩陣.為獲得S的最優(yōu)稀疏分解,定義S的經(jīng)驗價值函數(shù)為n個體素價值損失函數(shù)的平均值,表達式為

對源成分字典D而言,經(jīng)驗價值函數(shù)fn(D)的最優(yōu)化是非凸的,為此,需將S的最優(yōu)稀疏分解轉(zhuǎn)化式(6)中D和A兩個變量的聯(lián)合優(yōu)化問題,即當其中一個變量固定不變時,對另一個變量尋求最優(yōu)

由于在線字典學(xué)習(xí)算法在處理大數(shù)據(jù)時具有優(yōu)越性能[11,24,28?29],本文采用該算法解決式(6)的優(yōu)化問題.

總之,通過對個體全腦體素的BOLD 信號矩陣S的最優(yōu)稀疏表示,可獲得一個源成分字典矩陣D和一個系數(shù)矩陣A(如圖2 所示).這里字典矩陣D的每一列表示體素BOLD 信號的一個源成分,而系數(shù)矩陣的每一行表示同一源成分的系數(shù),按體素索引映射回個體腦空間后作為一個BFN[11,24,28?29].

2.2.2 腦功能網(wǎng)絡(luò)的稀疏表示

采用上一節(jié)方法,從靜息態(tài)fMRI 數(shù)據(jù)集中提取了數(shù)千個BFN,這些網(wǎng)絡(luò)具有較大的差異性.如果沒有任何時域或空域的先驗知識,很難從數(shù)千個個體BFN 中找出具有群組一致的BFN.根據(jù)最近的腦科學(xué)研究成果[30],一個BFN 可以被合理地假設(shè)為多個組RSN 與一個噪聲網(wǎng)絡(luò)的耦合,這種耦合機制可以簡化為一個線性組合模型來描述[25]

其中,gy為第y個BFN,I=[i1,i2,···,ik2]∈Rp×k2是一個群組RSN 字典矩陣;k2為預(yù)設(shè)的群組RSN數(shù);by=[by1,by2,···,byk2]T∈Rk2是RSN 的耦合參數(shù),其絕對值大于或等于0 (0 表示相應(yīng)的RSN與gy無關(guān));εy為噪聲網(wǎng)絡(luò).所有個體的BFN 經(jīng)空間標準化后,按體素索引轉(zhuǎn)化為一組列向量,組成了一個群組腦網(wǎng)絡(luò)矩陣G=[g1,g2,···,gy,···,gq]∈Rp×q,其中p為空間標準化后的腦體素數(shù),q=L ×k1為獲得的BFN 總數(shù),L為群組中的個體數(shù).根據(jù)式(7),BFN 矩陣G可表示為

其中,耦合參數(shù)矩陣B為[b1,b2,···,by···,bq]∈Rk2×q,噪聲腦網(wǎng)絡(luò)矩陣E為[ε1,ε2,···,εy···,εq]∈Rp×q.為了在耦合參數(shù)大于或等于0 情況下獲得gy的最優(yōu)稀疏分解I和B,將gy的價值損失函數(shù)(gy,I)、抑制條件集合及目標函數(shù)分別定義為

采用在線字典學(xué)習(xí)算法的稀疏表示,可將BFN矩陣G分解為最優(yōu)的群組RSN 矩陣I及相應(yīng)的耦合參數(shù)矩陣B.將I的每一列按體素索引映射回標準腦空間,獲得組RSN (如圖3 所示).

2.2.3 稀疏表示參數(shù)設(shè)置

字典尺寸和稀疏抑制水平是稀疏表示的兩個重要參數(shù),采用稀疏表示分析個體fMRI 數(shù)據(jù)的BOLD 信號時,根據(jù)文獻[24,29,31],稀疏抑制水平λ1和字典尺寸k1分別設(shè)置為0.15 和250;采用稀疏表示分析組BFN 時,稀疏抑制水平λ2和字典尺寸k2的設(shè)定并沒有一個黃金準則,根據(jù)文獻[25]的方法以及在實驗數(shù)據(jù)上的測試結(jié)果(腦網(wǎng)絡(luò)空間分布是否有意義),將稀疏抑制水平λ2和字典尺寸k2的初始值設(shè)置為0.2 和20.最終從組fMRI 數(shù)據(jù)集中獲得的20 個組RSN,編號為RSN#1,RSN#2,···,RSN#20.

圖2 個體全腦BOLD 信號的稀疏表示Fig.2 Sparse representation for whole-brain BOLD signals

圖3 功能腦網(wǎng)絡(luò)的稀疏表示Fig.3 Sparse representation for brain functional networks

2.3 ADHD 相關(guān)靜息態(tài)腦網(wǎng)絡(luò)的檢測

采用DTSSR 對經(jīng)過預(yù)處理的fMRI 數(shù)據(jù)進行分析后,獲得了個體BFN (標號為1,2,···,k1)、組RSN (標號為1,2,···,k2)及相應(yīng)的耦合參數(shù).對于同一個組RSN,在不同的個體BFN 中具有不同的耦合參數(shù),由耦合參數(shù)(稀疏表示系數(shù))在稀疏表示中的意義可知,耦合參數(shù)絕對值越大表示組RSN在相應(yīng)的個體BFN 中的“能量”越大,意味著該組RSN 在相應(yīng)的BFN 中比較活躍.由于個體的差異性,同一組RSN 可能隨機活躍在個體不同標號、不同數(shù)量的BFN 中.為此,本文提出將組RSN 在個體BFN 上的耦合參數(shù)均值池化作為一個指標來描述組RSN 在個體上的活躍特性.在Zubair 等[32]的研究中將音頻信號經(jīng)過稀疏表示后,也采用了將稀疏表示系數(shù)均值池化作為音頻信號的特征指標,隨后輸入支持向量機對音頻信號進行分類,取得了較高的分類結(jié)果.類似的池化稀疏系數(shù)的方法在一些正交匹配追蹤、軟閾值編碼研究中也有應(yīng)用[33?34].基于上述原因,本文將耦合參數(shù)的絕對值均值池化作為衡量組RSN 在個體大腦中的活躍度指標,其中耦合參數(shù)均值池化計算如下:

其中,RSN-A為RSN 的活躍度指標,l表示個體標號,m表示組RSN 標號.通過采用網(wǎng)絡(luò)活躍度指標RSNA檢測ADHD-RSN 方法示例如圖4:首先將組靜息態(tài)網(wǎng)絡(luò)RSN#1 的耦合參數(shù)(耦合參數(shù)矩陣的第1 行)按個體均值池化,獲得RSN#1 的活躍度指標向量RSN-A1,-隨后計算RSN--A1與ADHD 量表分值的Spearman 等級相關(guān)系數(shù),并對相關(guān)系數(shù)作顯著性檢驗(H0:相關(guān)系數(shù)為0),最終由計算的P-value檢測出ADHDRSN.

2.4 腦網(wǎng)絡(luò)空間相關(guān)性的量化比較

為評估不同腦網(wǎng)絡(luò)zu和zv在空間分布上是否相關(guān),本文采用空間相關(guān)系數(shù)[25]來作為兩個腦網(wǎng)絡(luò)的量化評估指標,空間相關(guān)系數(shù)ruv定義為

圖4 通過耦合參數(shù)識別ADHD-RSN 示例圖(RSN#1 為例)Fig.4 Illustration of identifying ADHD-RSN by use of coupling parameters (RSN#1 as the example)

3 結(jié)果與分析

3.1 群組RSN 提取結(jié)果與分析

圖5 為采用DTSSR 從ADHD 靜息態(tài)fMRI 數(shù)據(jù)中提取的20 個組RSN 的空間分布圖(“激活”體素的推斷由FSL 的工具包MELODIC 完成).可以明顯看出,正常人組中常見的RSN[36?37],在ADHD組結(jié)果中有相對應(yīng)的相似網(wǎng)絡(luò),這些網(wǎng)絡(luò)包括:三個視覺信息處理相關(guān)網(wǎng)絡(luò)(RSN#7,RSN#17 和RSN#19)、聽覺信息處理網(wǎng)絡(luò)(RSN#5)、運動感知網(wǎng)絡(luò)(RSN#8)、背側(cè)注意網(wǎng)絡(luò)(RSN#6)、執(zhí)行控制網(wǎng)絡(luò)(RSN#11)、默認網(wǎng)絡(luò)(RSN#4)、小腦網(wǎng)絡(luò)(RSN#18)及與高級認知相關(guān)的左右額頂網(wǎng)絡(luò)(RSN#3 和RSN#12).將ADHD 數(shù)據(jù)上提取的RSN 與文獻[36?37]中正常人組的RSN 對比,可以發(fā)現(xiàn),這些常見RSN 在ADHD 中并沒有缺失.

圖5 采用DTSSR 從ADHD 組fMRI 數(shù)據(jù)集中提取組RSN (“激活”體素采用MELODIC 推斷獲得)Fig.5 The inferred group-wise RSNs with DTSSR from the ADHD dataset(The“activated”voxels were inferred by MELODIC)

采用第2.4 節(jié)腦網(wǎng)絡(luò)空間相關(guān)的量化分析方法,將文獻[37]中正常人組的RSN 與對應(yīng)的相似網(wǎng)絡(luò)(RSN#7,RSN#17,RSN#19,RSN#4,RSN#18,RSN#8,RSN#5,RSN#11,RSN#3 和RSN#12)進行了腦網(wǎng)絡(luò)空間相關(guān)的量化分析,獲得的相關(guān)系數(shù)分別為0.85,0.74,0.66,0.79,0.58,0.60,0.71,0.59,0.64,0.68.這些從高維(數(shù)萬個體素)的腦網(wǎng)絡(luò)上獲得的空間相關(guān)系數(shù),即使是最小值0.58 (小腦網(wǎng)絡(luò)RSN#18),網(wǎng)絡(luò)的“激活”體素在空間分布上也展現(xiàn)了較高的相似性(如圖6).而且,在文獻[37]中的相似腦網(wǎng)絡(luò)對(都來自于正常人組),空間相關(guān)系數(shù)最小值為0.25,相比而言,0.58 這個值也是令人滿意的.另外,對這些相關(guān)系數(shù)進行顯著性檢驗(H0:相關(guān)系數(shù)為0)和Bonferroni 校正后,所獲得的P-value均小于10?5.上述這些都表明,正常人組RSN 與ADHD 組對應(yīng)的RSN 具有較高相關(guān)性系數(shù)和顯著的相關(guān)性,“激活”體素的空間分布上也顯示了高度的相似性.

通過ADHD 數(shù)據(jù)上提取的RSN 與正常人組常見RSN 在空間分布上的視覺對比和量化評估后發(fā)現(xiàn):一些常見的RSN 在ADHD 組上都能找出相應(yīng)的RSN;這些對應(yīng)的RSN 之間具有較高的相關(guān)性系數(shù)和顯著相關(guān)性,“激活”體素的空間分布上展現(xiàn)出了高度的相似性.因此,難以從空間分布上檢測出ADHD-RSN.

3.2 ADHD 相關(guān)RSN 檢測結(jié)果與分析

表2 給出了ADHD 量表分以及采用本文方法得出的組RSN 在個體上的活躍度指標值(k2=20,λ2=0.2)、指標值與ADHD 量表分的Spearman 等級相關(guān)系數(shù)、P-value、FDR (False discovery rate)校正、ADHD 相關(guān)網(wǎng)絡(luò)的結(jié)果.從相關(guān)系數(shù)來看,RSN#6 (背側(cè)注意網(wǎng)絡(luò),空間分布如圖7(a)所示)及RSN#11 (執(zhí)行控制網(wǎng)絡(luò),空間分布如圖7(b)所示)的活躍度指標與ADHD-RS 分值相關(guān)系數(shù)較高,分別為0.56 及0.57,這兩相關(guān)系數(shù)的顯著性檢驗(H0:相關(guān)系數(shù)為0)的P-value均小于0.01.更進一步,本文采用常用的FDR 方法對P-value進行了校正,結(jié)果如表2 所示.從表中可以看出,與其他18 個RSN 相比,RSN#6 及RSN#11 校正后的Pvalue仍為最低(0.06),即拒絕原假設(shè)為真,出錯的概率為6%.雖然該數(shù)值與統(tǒng)計上常設(shè)的顯著性水平0.05 (拒絕原假設(shè)為真,出錯的概率為5%)相比,略顯偏大,但是,由于獲得的腦網(wǎng)絡(luò)之間相關(guān)等原因,不同腦網(wǎng)絡(luò)之間的活躍度指標有較強的相關(guān)性(最高值為0.83),這可能導(dǎo)致FDR 校正值偏大[38].因此,本文認為RSN#6、RSN#11 與ADHD 量表分值之間仍具有顯著相關(guān)性.

此外,采用本文方法檢測出的RSN#6 和RSN#11 的兩個網(wǎng)絡(luò)從腦科學(xué)角度能有合理的解釋,所涉及的腦區(qū),在很多前期的研究中都能找出相應(yīng)的支持依據(jù).檢測出的RSN#6 (背側(cè)注意網(wǎng)絡(luò))涉及到頂上回、枕中回、中央后回、顳中回、額中回、緣上回、顳中回、顳極等腦區(qū),主要提供自上而下的注意控制機制.在執(zhí)行持續(xù)的任務(wù)期間,背側(cè)注意網(wǎng)絡(luò)的持續(xù)活動會使大腦處于一種高度專注的高效率狀態(tài),以保證任務(wù)的完成[39].部分學(xué)者在前期研究中也檢測出ADHD 背側(cè)注意網(wǎng)絡(luò)及相關(guān)腦區(qū)有異常,與本文結(jié)論一致.例如,Sokunbi 等[40]發(fā)現(xiàn)了ADHD 患者在顳中回,額中回,中央后回等腦區(qū)與ADHD 癥狀分值有顯著的負相關(guān);Schneider等[41]發(fā)現(xiàn)ADHD 患者的背側(cè)注意網(wǎng)絡(luò)的頂葉腦區(qū)有異常,而這部分腦區(qū)在背側(cè)注意網(wǎng)絡(luò)中有重要作用[42].

本文檢測出的RSN#11 網(wǎng)絡(luò)稱為執(zhí)行控制網(wǎng)絡(luò)或中央控制網(wǎng)絡(luò),主要腦區(qū)包括:內(nèi)則和旁扣帶回、腦島、背外側(cè)額上回、緣上回、中央前回等,該網(wǎng)絡(luò)涉及到認知、行為抑制、情緒等腦功能[37].執(zhí)行控制網(wǎng)絡(luò)多次出現(xiàn)在一些前期ADHD 研究的結(jié)果中[43?44],而執(zhí)行控制網(wǎng)絡(luò)的前扣帶回,也頻繁地出現(xiàn)在一些ADHD 研究的結(jié)果中,如Wang 等[6]報道了前扣帶回和小腦的連接在成人ADHD 中表現(xiàn)出增強的功能連接;Francx 等[45]在對兒童和青少年ADHD 研究中也發(fā)現(xiàn)前扣帶回連接強度與ADHD 癥狀相關(guān).

圖6 小腦網(wǎng)絡(luò)的空間分布圖(“激活”體素采用MELODIC 推斷獲得)((a)正常人組的小腦網(wǎng)絡(luò)[37];(b)采用DTSSR 提取出ADHD 組的小腦網(wǎng)絡(luò)(RSN#18))Fig.6 The spatial maps of cerebellum network (The“activated”voxels are inferred by MELODIC)((a)The cerebellum network of healthy group[37];(b)The obtained cerebellum network (RSN#18)with DTSSR)

表2 ADHD 組量表分、腦網(wǎng)絡(luò)活躍程度指標、相關(guān)系數(shù)、P-value 及ADHD-RSN 檢測結(jié)果Table 2 The obtained ADHD-RSN,indexes for activity of brain networks,correlation coefficients, P-value and ADHD-RSN

另外,有研究指出[11],ADHD 可能具有廣泛神經(jīng)紊亂的特性,與傳統(tǒng)的基于腦區(qū)或腦區(qū)間功能連接的研究方法相比,本文方法從大尺度網(wǎng)絡(luò)對ADHD 進行分析,更能描述ADHD 神經(jīng)紊亂特性.

3.3 不同字典尺寸下ADHD 相關(guān)RSN 檢測結(jié)果

圖7 ADHDRSN 空間分布圖(“激活”體素采用MELODIC 推斷)((a)背側(cè)注意網(wǎng)絡(luò)(RSN#6);(b)執(zhí)行控制網(wǎng)絡(luò)(RSN#11))Fig.7 The spatial maps of the ADHD-RSN (The“activated”voxels were inferred by MELODIC)((a)dorsal attention network (RSN#6);(b)executive control network (RSN#11))

已有的研究表明[24?25,29],相對于稀疏抑制水平,字典尺寸對腦網(wǎng)絡(luò)的提取結(jié)果影響更大.為探討不同字典尺寸k2對檢測結(jié)果的影響,首先將稀疏抑制水平λ2固定設(shè)置為0.2,字典尺寸k2從20 開始以步長為40 依次增大至180,檢測出了共5 個字典尺寸下相應(yīng)的ADHD RSN;隨后以k2為20 時獲得的組RSN 為模板網(wǎng)絡(luò)(20 個模板網(wǎng)絡(luò)),采用第2.4 節(jié)的方法,計算每一個字典尺寸下檢測出的ADHD RSN 與模板網(wǎng)絡(luò)的空間相關(guān)系數(shù),以確定檢測出的ADHD RSN 與模板網(wǎng)絡(luò)的關(guān)系.圖8(a)為模板網(wǎng)絡(luò)的背側(cè)注意網(wǎng)絡(luò)RSN#6,圖8(b)～8(e)為在字典尺寸60～180 時,通過計算獲得的與RSN#6 空間相關(guān)的ADHD RSN.可以明顯看出,在不同字典尺寸下,獲得的這些ADHD-RSN 在空間分布上高度隸屬于RSN#6.

表3 給出了字典尺寸k2=60～300時與各模板網(wǎng)絡(luò)空間相關(guān)的ADHD-RSN的統(tǒng)計結(jié)果.從表中可以看出,本文方法在7 個不同的字典尺寸時檢測出的ADHD-RSN,都有與模板網(wǎng)絡(luò)背側(cè)注意網(wǎng)絡(luò)(RSN#6)和執(zhí)行控網(wǎng)絡(luò)(RSN#11)空間相關(guān)的子網(wǎng)絡(luò).這表明,采用本文方法和指標獲得的結(jié)果,在不同字典尺寸下具有較高的穩(wěn)定性.

4 結(jié)束語

本文采用時空雙稀疏表示方法(DTSSR),從ADHD 的靜息態(tài)fMRI 數(shù)據(jù)中提取出群組靜息態(tài)網(wǎng)絡(luò),在此基礎(chǔ)上,提出了一種新穎的腦網(wǎng)絡(luò)活躍度指標RSN-A;采用該指標,從大尺度腦網(wǎng)絡(luò)角度探討成人ADHD 潛在的神經(jīng)機制,主要結(jié)論和發(fā)現(xiàn)有:

1)一些正常人組上常見的RSN,在采用DTSSR 從ADHD 組靜息態(tài)fMRI 數(shù)據(jù)獲得的RSN 中,并不缺失,且兩者相對應(yīng)的RSN 之間具有顯著相關(guān)性,在空間分布上也具有高度相似性.

2)將腦網(wǎng)絡(luò)活躍度指標與ADHD 量表分進行Spearman 相關(guān)性分析,結(jié)果表明,背側(cè)注意網(wǎng)絡(luò)和執(zhí)行控制網(wǎng)絡(luò)與ADHD 顯著相關(guān).這個結(jié)果從腦科學(xué)角度有合理的解釋,在前期的研究中也能找到相應(yīng)的支持依據(jù).

3)采用本文所提方法和指標獲得的背側(cè)注意網(wǎng)絡(luò)和執(zhí)行控制網(wǎng)絡(luò),在不同字典尺寸下具有較高的穩(wěn)定性.

表3 不同字典尺寸下與各模板網(wǎng)絡(luò)空間相關(guān)的ADHD-RSN 統(tǒng)計Table 3 The count of the ADHD RSN with each template in different dictionary sizes

4)本文所提方法屬于數(shù)據(jù)驅(qū)動的分析方法,與傳統(tǒng)方法相比,本方法不需要先驗知識(例如,感興趣腦網(wǎng)絡(luò)、空域靜息態(tài)腦網(wǎng)絡(luò)模板、種子點等).

需要指出的是,ADHD 是一種復(fù)雜的混合型精神障礙,其潛在神經(jīng)機制較為復(fù)雜,本文研究中沒有對ADHD 亞型患者進行區(qū)分,這將是我們下一步的研究重點.

圖8 不同字典尺寸下與背側(cè)注意網(wǎng)絡(luò)空間相關(guān)的ADHD-RSNFig.8 The detected ADHDRSNs is correlated to dorsal attention network in different dictionary sizes