薛婷 唐俊 李明昕 陶占龍
摘 要:大腦在靜息狀態(tài)下仍存在許多重要的神經(jīng)活動(dòng),腦區(qū)之間仍存在不間斷的信息傳遞,構(gòu)成功能連接并由此構(gòu)成腦網(wǎng)絡(luò)。靜息態(tài)腦功能網(wǎng)絡(luò)分析,由其具有相對(duì)簡(jiǎn)單的計(jì)算且具有重大臨床意義,已廣泛應(yīng)用于多種腦疾病的研究中。本文從信息計(jì)算的角度,總結(jié)了近年來靜息態(tài)腦網(wǎng)絡(luò)研究中的經(jīng)典算法。
關(guān)鍵詞:功能磁共振成像;靜息態(tài);腦網(wǎng)絡(luò)
大腦是極為高效和精密的信息處理系統(tǒng),不僅掌握語(yǔ)言、思維、情緒等高級(jí)活動(dòng),也是信息儲(chǔ)存、加工和整合的中樞。神經(jīng)元是大腦活動(dòng)的基本單元,通過神經(jīng)突觸的彼此連接形成神經(jīng)通路,完成對(duì)信息的加工處理[1]。在此過程中,神經(jīng)元之間或神經(jīng)元集群之間的連接模式構(gòu)成了腦網(wǎng)絡(luò),掌握腦網(wǎng)絡(luò)的連接模式對(duì)于理解大腦的運(yùn)轉(zhuǎn)機(jī)制具有重要意義。影像學(xué)技術(shù)的發(fā)展應(yīng)用極大豐富了科研人員的腦網(wǎng)絡(luò)研究手段。近年來,靜息狀態(tài)下腦功能網(wǎng)絡(luò)的研究受到廣泛關(guān)注。相較于任務(wù)態(tài),靜息態(tài)可避免由被試完成任務(wù)的差異性所導(dǎo)致的結(jié)果不可靠。因此,越來越多的學(xué)者開始關(guān)注靜息態(tài)下腦功能網(wǎng)絡(luò)的活動(dòng)模式。本文主要針對(duì)靜息態(tài)下腦功能網(wǎng)絡(luò)的研究方法進(jìn)行綜述。
一、基于種子點(diǎn)的功能連接分析方法
該方法是一種模型依賴方法(modelbased),通常首先選擇特定腦區(qū)作為感興趣區(qū)域(region of interest,ROI),即種子點(diǎn)。然后計(jì)算該種子點(diǎn)與其他腦區(qū)的血氧水平依賴信號(hào)之間的時(shí)間相關(guān)性。如計(jì)算出某個(gè)腦區(qū)與該種子點(diǎn)之間的血氧水平依賴信號(hào)時(shí)間相關(guān)性較強(qiáng),則可認(rèn)為該腦區(qū)與種子點(diǎn)之間存在功能連接[2]?;诜N子點(diǎn)的功能連接分析方法得到的結(jié)果易于理解,但種子點(diǎn)的選擇沒有固定標(biāo)準(zhǔn),具體的選擇過程很大程度取決于實(shí)驗(yàn)設(shè)計(jì)人員,通常依據(jù)先驗(yàn)知識(shí)或功能定位來選定。種子點(diǎn)的選擇至關(guān)重要,研究者選擇的偏向性將直接影響研究結(jié)果。
二、獨(dú)立成分分析方法
獨(dú)立成分分析方法(independent component analysis,ICA)是一種無模型依賴方法(modelfree),由信號(hào)盲源分離技術(shù)發(fā)展而來[3]。該方法不依賴于先驗(yàn)知識(shí),是一種基于數(shù)據(jù)驅(qū)動(dòng)的多變量分析方法,可將靜息態(tài)功能磁共振數(shù)據(jù)分解為一系列空間上互相獨(dú)立的成分[4]。根據(jù)分解目的不同(時(shí)間序列獨(dú)立性或空間分布模式獨(dú)立性),ICA方法又可分為空間ICA方法(spatial ICA,SICA)和時(shí)間ICA(temporal ICA,TICA)方法。其中,空間ICA方法可有效去除腦功能活動(dòng)的噪音,提高信號(hào)提取的有效性。實(shí)際應(yīng)用中通常采用空間ICA方法[56]。
三、圖論
腦功能分化和腦功能整合是大腦工作的基本原則[78],相應(yīng)地,腦功能網(wǎng)絡(luò)也具備分化屬性及整合屬性,以保證局部及全局信息的交流能力[9]。依據(jù)分化屬性及整合屬性的強(qiáng)弱,網(wǎng)絡(luò)可大體分為規(guī)則網(wǎng)絡(luò)、隨機(jī)網(wǎng)絡(luò)及小世界網(wǎng)絡(luò)。其中,小世界網(wǎng)絡(luò)兼具規(guī)則網(wǎng)絡(luò)及隨機(jī)網(wǎng)絡(luò)的特點(diǎn),可有效兼顧網(wǎng)絡(luò)中局部信息分化及全局信息整合的能力[10]。腦功能網(wǎng)絡(luò)已被證實(shí)具有介于隨機(jī)網(wǎng)絡(luò)及規(guī)律網(wǎng)絡(luò)之間的網(wǎng)絡(luò)形態(tài),具有小世界特性[1112]。作為分析網(wǎng)絡(luò)屬性的得力工具,圖論研究定義了一系列網(wǎng)絡(luò)測(cè)度用以度量網(wǎng)絡(luò)的局部屬性和整體屬性[13]。靜息態(tài)腦功能網(wǎng)絡(luò)研究中常用的網(wǎng)絡(luò)測(cè)度主要有度(degree)、聚類系數(shù)(clustering coefficient)、網(wǎng)絡(luò)密度(density)、特征路徑長(zhǎng)度(path length)、小世界屬性(small world)、全局效率(global efficiency)等[14]。
四、動(dòng)態(tài)連接分析方法
大部分靜息態(tài)腦功能連接研究方法通常假定圖像采集階段的腦血氧水平依賴信號(hào)保持恒定不變,因此本質(zhì)上是對(duì)腦網(wǎng)絡(luò)靜態(tài)特性的研究,而忽略了腦功能活動(dòng)時(shí)間維度上的信息。實(shí)際上,大腦本身是一個(gè)實(shí)時(shí)變化的、復(fù)雜的動(dòng)態(tài)系統(tǒng),腦功能活動(dòng)無時(shí)無刻都在發(fā)生變化。已有研究表明,即使處于靜息態(tài)下,大腦多個(gè)腦區(qū)間的功能連接仍表現(xiàn)出隨時(shí)間變化的動(dòng)態(tài)特性[1516]。由此,近年來對(duì)功能網(wǎng)絡(luò)動(dòng)態(tài)特性的研究逐漸成為了腦網(wǎng)絡(luò)研究的熱點(diǎn),提出了一系列動(dòng)態(tài)連接分析方法,如滑動(dòng)時(shí)間窗口算法、隱馬爾可夫模型算法及小波相關(guān)法等[1719]。其中,基于滑動(dòng)時(shí)間窗口技術(shù)的腦功能網(wǎng)絡(luò)動(dòng)態(tài)特性分析方法由其原理簡(jiǎn)單,已得到廣泛應(yīng)用[2021]。
五、相關(guān)關(guān)系統(tǒng)計(jì)量
相關(guān)關(guān)系統(tǒng)計(jì)量主要用于描述時(shí)間相關(guān)性,在腦功能網(wǎng)絡(luò)中主要有如下兩種計(jì)算方式,分別是皮爾遜(Pearson)相關(guān)系數(shù)及偏相關(guān)(partial correlations)系數(shù)等[2223]。皮爾遜相關(guān)系數(shù)主要針對(duì)兩個(gè)變量的線性相關(guān)性進(jìn)行度量,反映了變量的線性相關(guān)程度。當(dāng)變量之間的關(guān)系較為復(fù)雜時(shí),簡(jiǎn)單的相關(guān)系數(shù)可能并不能夠真實(shí)反應(yīng)變量之間的關(guān)系,此時(shí)可采用偏相關(guān)分析。偏相關(guān)分析是在排除其他變量的影響下分析兩個(gè)變量的相關(guān)性。
參考文獻(xiàn):
[1]薛婷.基于磁共振成像的無先兆偏頭痛患者大腦靜息狀態(tài)異常模式研究[D].西安電子科技大學(xué),2013.
[2]VAN DEN HEUVEL M P,HULSHOFF POL H E.Exploring the brain network:A review on restingstate fMRI functional connectivity[J].European Neuropsychopharmacology,2010,20(8):51934.
[3]楊福生,洪波.獨(dú)立分量分析的原理與應(yīng)用[M].清華大學(xué)出版社,2006.
[4]BECKMANN C,DELUCA M,DEVLIN J,et al.Investigations into restingstate connectivity using Independent Component Analysis[J].Philosophical transactions of the Royal Society of London Series B,Biological sciences,2005,360:100113.
[5]BECKMANN C F,SMITH S M.Probabilistic independent component analysis for functional magnetic resonance imaging[J].IEEE transactions on medical imaging,2004,23(2):13752.
[6]BECKMANN C,CE M,F(xiàn)ILIPPINI N,et al.Group Comparison of RestingState FMRI Data Using MultiSubject ICA and Dual Regression[J].Neuroimage,2009,47(148).
[7]TONONI G,EDELMAN G M,SPORNS O.Complexity and coherency:integrating information in the brain[J].Trends in Cognitive Sciences,1998,2(12):47484.
[8]FRISTON K.Functional integration and inference in the brain[J].Progress in Neurobiology,2002,68(2):11343.
[9]SPORNS O.The human connectome:Origins and challenges[J].NeuroImage,2013,80:5361.
[10]WATTS D J,STROGATZ S H.Collective dynamics of ‘smallworld networks[J].Nature,1998,393(6684):4402.
[11]SALVADOR R,SUCKLING J,COLEMAN M R,et al.Neurophysiological Architecture of Functional Magnetic Resonance Images of Human Brain[J].Cerebral Cortex,2005,15(9):133242.
[12]VAN DEN HEUVEL M P,STAM C J,BOERSMA M,et al.Smallworld and scalefree organization of voxelbased restingstate functional connectivity in the human brain[J].NeuroImage,2008,43(3):52839.
[13]COSTA L D F,RODRIGUES F A,TRAVIESO G,et al.Characterization of complex networks:A survey of measurements[J].Advances in Physics,2007,56(1):167242.
[14]LEMING M,SU L,CHATTOPADHYAY S,et al.Normative pathways in the functional connectome[J].NeuroImage,2019,184:31734.
[15]HUDETZ A G,LIU X,PILLAY S.Dynamic repertoire of intrinsic brain states is reduced in propofolinduced unconsciousness[J].Brain connectivity,2015,5(1):1022.
[16]DOUW L,WAKEMAN D G,TANAKA N,et al.Statedependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility[J].Neuroscience,2016,339:1221.
[17]ALLEN E A,DAMARAJU E,PLIS S M,et al.Tracking WholeBrain Connectivity Dynamics in the Resting State[J].Cerebral Cortex,2012,24(3):66376.
[18]RYALI S,SUPEKAR K,CHEN T,et al.Temporal Dynamics and Developmental Maturation of Salience,Default and CentralExecutive Network Interactions Revealed by Variational Bayes Hidden Markov Modeling[J].PLoS Comput Biol,2016,12(12):e1005138e.
[19]BETZEL R F,SATTERTHWAITE T D,GOLD J I,et al.Positive affect,surprise,and fatigue are correlates of network flexibility[J].Scientific Reports,2017,7(1):520.
[20]CUI Q,SHENG W,CHEN Y,et al.Dynamic changes of amplitude of lowfrequency fluctuations in patients with generalized anxiety disorder[J].Human Brain Mapping,2020,41(6):166776.
[21]LOTTMAN K K,KRAGULJAC N V,WHITE D M,et al.Risperidone Effects on Brain Dynamic ConnectivityA Prospective RestingState fMRI Study in Schizophrenia[J].Front Psychiatry,2017,8:14.
[22]SUN F T,MILLER L M,D′ESPOSITO M.Measuring interregional functional connectivity using coherence and partial coherence analyses of fMRI data[J].NeuroImage,2004,21(2):64758.
[23]XIAO L,WANG J,KASSANI P H,et al.MultiHypergraph LearningBased Brain Functional Connectivity Analysis in fMRI Data[J].IEEE transactions on medical imaging,2020,39(5):174658.
作者簡(jiǎn)介:薛婷(1982— ),女,安徽馬鞍山人,博士研究生,講師,研究方向:醫(yī)學(xué)圖像處理、神經(jīng)影像數(shù)據(jù)分析。