【摘要】：人腦擁有1000億個(gè)神經(jīng)元和100萬億個(gè)神經(jīng)突觸,是宇宙中已知的最為復(fù)雜的系統(tǒng)。多時(shí)空尺度的信息調(diào)和是腦功能支撐所有認(rèn)知和行為的先決條件。因此,為了系統(tǒng)全面準(zhǔn)確地探索大腦的工作機(jī)制,腦科學(xué)與認(rèn)知神經(jīng)科學(xué)研究須從連接和網(wǎng)絡(luò)的層面進(jìn)行。功能磁共振成像(functional magnetic resonance imaging,f MRI)作為一種非侵入性活體腦功能成像方法,具有較高的時(shí)空分辨率,為研究大尺度人腦功能網(wǎng)絡(luò)提供了強(qiáng)有力的手段。本文以靜息態(tài)f MRI為主要成像方法,進(jìn)行了自發(fā)頭動(dòng)的神經(jīng)網(wǎng)絡(luò)機(jī)制和自發(fā)神經(jīng)活動(dòng)的時(shí)空動(dòng)態(tài)特性等基礎(chǔ)問題研究,以及基于功能連接磁共振成像(functional connectivity MRI,fc MRI)的腦狀態(tài)有監(jiān)督和無監(jiān)督模式分析的方法學(xué)和相關(guān)應(yīng)用問題研究。論文工作主要包括以下四個(gè)方面的內(nèi)容:腦成像過程中自發(fā)頭動(dòng)的神經(jīng)網(wǎng)絡(luò)機(jī)制。腦指標(biāo)的個(gè)體差異,特別是采用f MRI度量的功能連接,與數(shù)據(jù)采集過程中的頭動(dòng)差異具有相關(guān)性。這一結(jié)果的前提是,頭動(dòng)偽跡引起的連接差異被完全校正。本文第二章提出,腦連接差異也可能是預(yù)測(cè)頭動(dòng)差異的神經(jīng)生物學(xué)特性。我們采用個(gè)體間和個(gè)體內(nèi)的大頭動(dòng)數(shù)據(jù)和小頭動(dòng)數(shù)據(jù)的比較分析來支持這一論述。個(gè)體間分析找到了頭動(dòng)的生物學(xué)標(biāo)記,即大頭動(dòng)被試默認(rèn)網(wǎng)絡(luò)內(nèi)的遠(yuǎn)程功能連接減弱。在個(gè)體內(nèi)的分析中則沒有觀察到相似的連接差異。相反,這一生物學(xué)標(biāo)記在個(gè)體內(nèi)具有很好的穩(wěn)定性。這些發(fā)現(xiàn)表明,腦連接的差異不能簡單地認(rèn)為是頭動(dòng)偽跡效應(yīng),也有可能反映的是功能組織的個(gè)體差異。將疾病的生物學(xué)標(biāo)記從本文報(bào)道的頭動(dòng)生物學(xué)標(biāo)記區(qū)分開,可能對(duì)于確定治療靶標(biāo)和改進(jìn)治療方案具有重要意義。基于全腦靜息fc MRI的重癥抑郁癥鑒別。本文第三章論證了基于全腦靜息fc MRI的有監(jiān)督模式分析方法鑒別重癥抑郁癥患者的可行性,結(jié)果證明基于全腦靜息fc MRI的有監(jiān)督分類方法可以以94.3%的分類精度將重癥抑郁癥患者從健康對(duì)照中鑒別出來。最具有區(qū)分能力的功能連接主要分布在默認(rèn)網(wǎng)絡(luò)、情感網(wǎng)絡(luò)、視皮層區(qū)域和小腦內(nèi)部或之間,表明這些與疾病相關(guān)的靜息網(wǎng)絡(luò)可能是引起重癥抑郁癥患者情感和認(rèn)知紊亂的重要原因。此外,杏仁核、前扣帶皮層、海馬旁回和海馬可能在抑郁癥病理中扮演了重要角色。這些結(jié)果表明全腦靜息fc MRI可以作為抑郁癥診斷的潛在生物學(xué)標(biāo)記�；陟o息fc MRI的無監(jiān)督腦網(wǎng)絡(luò)模式分類框架。當(dāng)前的精神疾病包括抑郁癥的診斷都是基于病人自述癥狀及臨床表現(xiàn)的,因此可能會(huì)受病人的當(dāng)前行為和醫(yī)生的偏見的影響。本文第四章提出基于靜息fc MRI的無監(jiān)督腦網(wǎng)絡(luò)模式分類框架,在不利用診斷類別標(biāo)簽信息的情況下,采用fc MRI數(shù)據(jù)的無監(jiān)督聚類分析鑒別抑郁癥。我們采用靜息功能連接在膝部扣帶皮層內(nèi)定義了兩個(gè)亞區(qū):膝下區(qū)和膝前區(qū)�；谙ハ聟^(qū)的功能連接圖譜,最大間隔聚類算法可以將抑郁癥患者從健康被試中鑒別出來,組水平聚類正確率和個(gè)體水平分類正確率均達(dá)到92.5%。此外,最具區(qū)分能力的膝下扣帶功能連接網(wǎng)絡(luò)包括腹外側(cè)和腹內(nèi)側(cè)前額葉、顳上回和邊緣區(qū)域,這些連接可能在抑郁癥的病理中扮演了重要角色。該研究表明,膝下扣帶功能連接網(wǎng)絡(luò)特性可以為重癥抑郁癥的診斷提供理想的客觀的生物學(xué)標(biāo)記,也表明基于最大間隔聚類的無監(jiān)督機(jī)器學(xué)習(xí)方法在臨床實(shí)踐和輔助精神疾病研究中的潛能。人腦自發(fā)神經(jīng)活動(dòng)的時(shí)空動(dòng)態(tài)特性。默認(rèn)網(wǎng)絡(luò)和注意網(wǎng)絡(luò)在多個(gè)維度上的對(duì)立可能暗示了大腦組織的一個(gè)特征,即目標(biāo)競爭的認(rèn)知處理不僅在空間上是分離的,在時(shí)間上也可能是分離的。本文第五章通過單個(gè)BOLD(blood oxygenation level dependent,血氧水平依賴)-f MRI時(shí)間相位的共活動(dòng)模式聚類得到了腦狀態(tài)的瞬時(shí)合成與分解,顯示了大腦活動(dòng)在時(shí)域上由多個(gè)相互競爭的空間翻轉(zhuǎn)模式所構(gòu)成。這些活動(dòng)模式與經(jīng)典的功能網(wǎng)絡(luò)關(guān)系是不一樣的,并且在腦區(qū)內(nèi)部可以在時(shí)域上動(dòng)態(tài)地遵循截然不同的組織邊界和功能邊界。腦活動(dòng)狀態(tài)間的遷移是高度對(duì)稱的,特別地,對(duì)立腦狀態(tài)間的遷移概率是極低的。在執(zhí)行語義分類任務(wù)時(shí),這些空間模式的時(shí)域組織規(guī)律是相似的,與任務(wù)相關(guān)的狀態(tài)在靜息態(tài)下也可以觀察得到,只是在任務(wù)態(tài)下有選擇性地出現(xiàn)而已�？傊�,這些結(jié)果表明,在靜息狀態(tài)下,人腦活動(dòng)在時(shí)域上表現(xiàn)為動(dòng)態(tài)地在固定的功能模式劇目間切換,而這個(gè)劇目是由一些對(duì)立的活動(dòng)模式對(duì)所主導(dǎo)的。通過提高對(duì)大腦固定的功能劇目屬性的認(rèn)識(shí)(包括確定它們潛在的電生理相關(guān)性),瞬時(shí)狀態(tài)可能更好地揭示持續(xù)進(jìn)行的認(rèn)知處理過程,提供一個(gè)行為變化的指標(biāo),并作為疾病的潛在的生物學(xué)標(biāo)記。
[Abstract]:The human brain, with 100 billion neurons and 100 billion synapses, is the most complex system known in the universe. Information reconciliation at multiple spatial and temporal scales is a prerequisite for brain function to support all cognition and behavior. Functional magnetic resonance imaging (f MRI), as a non-invasive in vivo brain functional imaging method, has a high spatial-temporal resolution and provides a powerful means for the study of large-scale human brain functional networks. The basic research on the neural network mechanism of head movement and the spatiotemporal dynamic characteristics of spontaneous nerve activity, as well as the methodologies and related applications of supervised and unsupervised mode analysis of brain state based on functional connectivity MRI (fc MRI). The work of this paper mainly includes the following four aspects Rong: Neural network mechanism of spontaneous head movement in brain imaging. Individual differences in brain indices, especially functional connectivity measured by F MRI, are correlated with head movement differences in data acquisition. The premise of this result is that the connection differences caused by head motion artifacts are corrected completely. In the second chapter of this paper, it is proposed that brain connection differences may also be possible. It is a neurobiological feature that predicts head movement differences. We support this argument by comparing the large head motion data and the small head motion data between individuals and individuals. Inter-individual analysis found the biological marker of head movement, i.e. the weakening of long-range functional connectivity in the default network of the large head motion subjects. In intra-individual analysis, this was not the case. Similar junctional differences were observed. On the contrary, this biomarker was very stable in individuals. These findings suggest that differences in brain junctions can not be simply considered as head-movement artifacts, but may also reflect individual differences in functional tissues. The third chapter demonstrates the feasibility of supervised pattern analysis based on whole brain resting FC MRI in differentiating patients with severe depression. The results demonstrate the supervised classification based on whole brain resting FC MRI. The most discriminatory functional connections were found in the default network, the emotional network, the visual cortex and the cerebellum, indicating that these resting networks associated with disease may be responsible for the emotional and cognitive development of patients with major depression. In addition, the amygdala, anterior cingulate cortex, parahippocampal gyrus and hippocampus may play important roles in the pathology of depression. These results suggest that resting FC MRI may be a potential biological marker for the diagnosis of depression. The diagnosis of depression is based on the patient's self-reported symptoms and clinical manifestations, so it may be influenced by the patient's current behavior and doctor's prejudice. In chapter 4, we propose an unsupervised brain network pattern classification framework based on resting FC MRI, which uses unsupervised clustering of FC MRI data without using the label information of diagnostic categories. We defined two sub-regions in the knee cingulate cortex: the subgenu and the anterior genu. Based on the functional connectivity map of the subgenu, the maximum interval clustering algorithm can distinguish the depressive patients from the healthy subjects. Both the group level clustering accuracy and the individual level classification accuracy are achieved. 92.5%. In addition, the most differentiated subgenicular cingulate functional connectivity networks include the ventrolateral and ventromedial prefrontal lobes, superior temporal gyrus, and marginal regions, which may play an important role in the pathology of depression. This study suggests that the subgenicular cingulate functional connectivity network characteristics can provide ideal and objective information for the diagnosis of major depression. Biological markers also indicate the potential of unsupervised machine learning based on maximum-interval clustering in clinical practice and in assistant psychiatric research. Spatiotemporal dynamics of spontaneous neural activity in the human brain. In the fifth chapter, the instantaneous synthesis and decomposition of brain states are obtained by clustering the co-activity patterns of a single BOLD (blood oxygenation level dependence) and the time phase of F MRI, showing that brain activities compete with each other in the time domain. These patterns are different from the classical functional networks and can dynamically follow distinct organizational and functional boundaries within the brain area in time domain. When performing semantic classification tasks, the temporal organization of these spatial patterns is similar. Task-related states can be observed in resting state, but selectively appear in task state. In short, these results indicate that human brain activities in resting state are dynamically fixed in the temporal domain. Transient states may better reveal ongoing cognitive processing, provide an indicator of behavioral change, and serve as a guide to behavioral change by increasing awareness of the brain's fixed functional repertoire attributes (including determining their potential electrophysiological correlations). Potential biomarkers of disease.
【學(xué)位授予單位】：國防科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類號(hào)】：R445.2;R338

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張寶林;張輝陽;;超順磁性氧化鐵納米粒子在腦磁共振成像中的應(yīng)用[J];磁共振成像;2011年05期

2 王超;杜劍平;閆鑌;王大會(huì);史大鵬;;SPM軟件包頭動(dòng)校正原理的分析與評(píng)價(jià)[J];中國組織工程研究與臨床康復(fù);2010年52期

3 王浩;郭冰冰;陳麗峰;侯文生;陰正勤;;視覺正常人簡單圖形視覺刺激的視皮層功能定位及定量研究[J];眼科新進(jìn)展;2010年01期

4 邱文娟;李建新;閆鑌;杜劍平;史大鵬;;基于SPM5的視覺刺激3T功能磁共振成像數(shù)據(jù)處理研究[J];信息工程大學(xué)學(xué)報(bào);2010年03期

5 許守林;郭萬華;張劍戈;賈鵬;李愛梅;;PET標(biāo)準(zhǔn)腦圖譜在阿爾茨海默病早期診斷中的應(yīng)用[J];中國醫(yī)療設(shè)備;2009年10期

6 支聯(lián)合;譚素敏;杜遠(yuǎn)東;;磁共振成像技術(shù)的物理學(xué)原理[J];周口師范學(xué)院學(xué)報(bào);2008年02期

7 張艷;陳春曉;張志強(qiáng);盧光明;;基于代價(jià)函數(shù)掩模法的局部腦損傷fMRI數(shù)據(jù)處理[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2008年06期

8 郝冬梅;李瑩;李明愛;;基于功能磁共振成像的大腦運(yùn)動(dòng)皮層網(wǎng)絡(luò)連通性研究[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2009年03期

9 支聯(lián)合;王華東;張潔;;統(tǒng)計(jì)參數(shù)圖和多尺度特征提取用于事件相關(guān)fMRI分析的比較[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2011年01期

10 支聯(lián)合;譚素敏;楊建國;;基于混頻去除和矩陣算法的多尺度特征提取方法分析fMRI數(shù)據(jù)[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2012年03期

相關(guān)博士學(xué)位論文 前10條

1 朱雪玲;首發(fā)未服藥青年重性抑郁癥腦網(wǎng)絡(luò)連接的磁共振成像研究[D];中南大學(xué);2011年

2 翁曉光;靜息態(tài)腦功能磁共振數(shù)據(jù)分析方法及在弱視神經(jīng)機(jī)制中的應(yīng)用研究[D];南京航空航天大學(xué);2010年

3 柯銘;基于功能磁共振成像的腦功能網(wǎng)絡(luò)模式研究與應(yīng)用[D];蘭州理工大學(xué);2009年

4 羅英姿;冗思在青少年抑郁發(fā)展中的作用及其神經(jīng)機(jī)制[D];中南大學(xué);2009年

5 李貞晶;基于腦功能區(qū)fMRI分析的針刺效應(yīng)研究[D];黑龍江中醫(yī)藥大學(xué);2012年

6 孫金燕;利用腦電及光電聯(lián)合檢測(cè)分別研究注意中的定向和執(zhí)行控制[D];華中科技大學(xué);2013年

7 陳俊琦;針刺缺血性腦卒中病人外關(guān)穴fMRI腦功能成像研究[D];南方醫(yī)科大學(xué);2013年

8 李永欣;珠心算訓(xùn)練對(duì)兒童大腦可塑性的影響以及大腦結(jié)構(gòu)隨訓(xùn)練時(shí)間的變化[D];浙江大學(xué);2013年

9 孫金燕;利用腦電及光電聯(lián)合檢測(cè)分別研究注意中的定向和執(zhí)行控制[D];華中科技大學(xué);2013年

10 李寶娟;基于功能磁共振成像的腦連接分析[D];國防科學(xué)技術(shù)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 符靜嫣;不同基底下EEG、MEG正問題數(shù)值解比較[D];上海師范大學(xué);2011年

2 張浩;基于fMRI與EEG對(duì)癲癇病的基礎(chǔ)研究[D];南京航空航天大學(xué);2010年

3 邱文娟;腦功能磁共振成像數(shù)據(jù)的相關(guān)性研究[D];解放軍信息工程大學(xué);2011年

4 韓耀啟;磁共振DWI與DTI在腦梗死中的應(yīng)用研究[D];泰山醫(yī)學(xué)院;2009年

5 張艷;基于DCM的腦功能有效連接及在癲癇病中的應(yīng)用[D];南京航空航天大學(xué);2009年

6 王浩;視覺正常人圖形刺激的視皮層功能核磁共振定位和定量研究[D];第三軍醫(yī)大學(xué);2010年

7 王前鋒;小動(dòng)物高分辨擴(kuò)散成像方法研究[D];華東師范大學(xué);2012年

8 袁福來;灼口綜合征患者心理健康狀況及腦功能影像學(xué)研究[D];中南大學(xué);2012年

9 陳亮;大學(xué)生抑郁情緒的腦內(nèi)信息模式研究[D];大連海事大學(xué);2013年

10 王驍冠;功能磁共振成像嗅覺刺激器的設(shè)計(jì)與驗(yàn)證[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2013年

，

本文編號(hào)：2178885