【摘要】：網(wǎng)絡(luò)連接為理解大腦的復雜功能系統(tǒng)提供了重要的研究手段。如何準確地構(gòu)造腦功能網(wǎng)絡(luò)并刻畫其潛在的網(wǎng)絡(luò)結(jié)構(gòu)已成為神經(jīng)科學領(lǐng)域的核心問題之一。功能磁共振成像(functional magnetic resonance imaging,fMRI)等無創(chuàng)的神經(jīng)成像技術(shù)為研究大腦功能提供了有效的手段。然而,由于神經(jīng)成像數(shù)據(jù)通常具有較高的時空復雜性以及較低的信噪比,針對腦功能網(wǎng)絡(luò)的研究仍極具挑戰(zhàn)性。因此,為腦功能網(wǎng)絡(luò)的構(gòu)建和分析提出有效的新方法具有十分重要的意義。數(shù)據(jù)驅(qū)動的方法為腦功能網(wǎng)絡(luò)的研究開辟了全新的領(lǐng)域,本文引入基于數(shù)據(jù)驅(qū)動的多種模式分解(pattern decomposition)技術(shù),以靜息態(tài)fMRI數(shù)據(jù)為載體,進行腦功能網(wǎng)絡(luò)的研究。具體地說,基于模式分解技術(shù),本文提出了構(gòu)建腦功能網(wǎng)絡(luò)和進行網(wǎng)絡(luò)結(jié)構(gòu)分析的新方法,并對腦功能網(wǎng)絡(luò)的社團結(jié)構(gòu)進行了從非重疊到重疊、從個體水平到跨被試水平的研究。此外,還將這些方法應用于疾病人群的腦功能網(wǎng)絡(luò)及其社團結(jié)構(gòu)的研究中。本文主要進行了以下四方面的研究:1.針對腦功能網(wǎng)絡(luò)的構(gòu)造,提出了基于稀疏表示和聚類的功能連接計算與分析方法。本文將自適應稀疏表示(adaptive sparse representation,ASR)這種模式分解技術(shù)應用于功能連接的計算,更準確地構(gòu)造腦功能網(wǎng)絡(luò),并應用近鄰傳播(affinity propagation,AP)聚類算法檢測腦功能網(wǎng)絡(luò)的非重疊社團結(jié)構(gòu)�；谀MfMRI數(shù)據(jù)的實驗結(jié)果表明,ASR方法計算功能連接的敏感度高達90.6%,且基于ASR與AP算法的社團結(jié)構(gòu)檢測準確率達到74.8%,優(yōu)于其他對比算法�；谡鎸峟MRI數(shù)據(jù)的實驗結(jié)果表明,利用ASR方法構(gòu)造的腦功能網(wǎng)絡(luò)具有更高的重測可靠性和模塊性,并且其社團結(jié)構(gòu)具有較高的聚類質(zhì)量和較強的可解釋性,進一步體現(xiàn)了ASR方法在刻畫腦功能網(wǎng)絡(luò)結(jié)構(gòu)上的有效性和合理性。2.針對腦功能網(wǎng)絡(luò)的社團檢測,提出了基于非負矩陣分解的重疊社團結(jié)構(gòu)檢測方法。本文基于對稱非負矩陣分解(symmetric non-negative matrix factoriztion,symNMF)這一模式分解技術(shù),通過增加?_1范數(shù)正則項形式的稀疏約束提出了稀疏對稱非負矩陣分解(sparse symmetric non-negative matrix factorization,ssNMF)方法,用于檢測腦功能網(wǎng)絡(luò)中的重疊社團結(jié)構(gòu)。同時,通過對ASR算法增加非負約束提出了非負自適應稀疏表示法(non-negative adaptive sparse representation,NASR),進一步明確所計算的功能連接的物理意義。模擬實驗結(jié)果表明,對于具有重疊或非重疊社團結(jié)構(gòu)的腦功能網(wǎng)絡(luò),ssNMF方法均能夠更準確地檢測其社團結(jié)構(gòu),且所得的社團結(jié)構(gòu)具有更高的穩(wěn)定性�；谡鎸峟MRI數(shù)據(jù)的實驗結(jié)果表明,ssNMF檢測的重疊社團具有較高的可重復性和良好的神經(jīng)生理學意義,且與之前研究發(fā)現(xiàn)的靜息態(tài)子網(wǎng)絡(luò)具有較好的一致性,進一步體現(xiàn)了ssNMF方法在重疊社團結(jié)構(gòu)檢測上的有效性和合理性。3.針對跨被試水平重疊社團結(jié)構(gòu)的檢測,提出了基于聚集方式的檢測方法。本文提出了聚集稀疏對稱非負矩陣分解方法(collective sparse symmetric NMF,cssNMF),在檢測所有被試共同擁有的組水平重疊社團結(jié)構(gòu)的同時,將被試間個體差異以社團強度的形式加以保留。模擬實驗結(jié)果表明,cssNMF在組水平重疊社團結(jié)構(gòu)的檢測上達到了94.4%的準確率,遠優(yōu)于其它對比算法。同時,cssNMF刻畫的社團強度與真實標準相比能達到90.0%以上的相似度,表明cssNMF能夠有效地保留個體差異�；谡鎸峟MRI數(shù)據(jù)的實驗結(jié)果表明,cssNMF所檢測的社團結(jié)構(gòu)具有較高的跨時段、跨被試及跨數(shù)據(jù)集穩(wěn)定性,并且具有良好的神經(jīng)生理學意義。其檢測的重疊節(jié)點主要位于額葉、頂葉及額頂網(wǎng)絡(luò)中,與之前研究具有較好的一致性。另外,cssNMF在個體水平檢測的社團強度具有良好的重測可靠性。這些結(jié)果證明了cssNMF方法在重疊社團檢測上的有效性和在個體識別上的潛在應用價值。4.為阿爾茲海默癥(Alzheimer’s disease,AD)腦功能網(wǎng)絡(luò)社團結(jié)構(gòu)的研究提供了新的研究框架,并構(gòu)建了個體水平的AD檢測模型。本文基于NASR構(gòu)造腦功能網(wǎng)絡(luò),結(jié)合cssNMF與凝聚層次聚類(agglomerative hierarchical clustering),在組水平上研究了AD病人與健康被試在不同尺度的重疊社團結(jié)構(gòu)與社團層級結(jié)構(gòu)上的差異。同時,基于cssNMF獲得的社團強度在個體水平上構(gòu)建了AD檢測模型。組水平的比較發(fā)現(xiàn),AD病人不同尺度的重疊社團結(jié)構(gòu)與社團層級結(jié)構(gòu)存在明顯改變,且其重疊社團結(jié)構(gòu)在精細尺度下的穩(wěn)定性、腦功能網(wǎng)絡(luò)功能分化能力與節(jié)點的功能多樣性均明顯下降。此外,基底神經(jīng)節(jié)-丘腦及默認模式網(wǎng)絡(luò)這兩個社團的社團強度與認知能力存在顯著的正相關(guān)關(guān)系。而在個體水平上,基于社團強度構(gòu)造的AD檢測模型能夠?qū)D病人進行有效識別。通過使用最近鄰分類器并將低維的社團強度作為分類特征,該AD檢測模型的分類準確率、敏感度和特異度分別可達到64.7%、70.0%和60.0%,且其分類準確率具有顯著的統(tǒng)計學意義(p0.05)。這些實驗結(jié)果為AD生物學標記的確立提供了補充依據(jù)。
【圖文】：

反映部分節(jié)點間的功能連接模式，因此其適用性比較有限。而基于所有節(jié)點的神經(jīng)成像信號構(gòu)造的全腦功能網(wǎng)絡(luò)，則可以全面地反映所有節(jié)點之間的相互作用。結(jié)合圖論與數(shù)據(jù)驅(qū)動等方法進行全腦功能網(wǎng)絡(luò)研究的經(jīng)典框架如圖1.1所示。以 fMRI 信號為例，首先，根據(jù)解剖學模板或使用數(shù)據(jù)驅(qū)動等方式，在大腦皮層上定義一定數(shù)量的感興趣區(qū)域作為腦網(wǎng)絡(luò)的節(jié)點，并提取節(jié)點的 fMRI 時間序列。其次，計算節(jié)點之間的功能連接作為腦網(wǎng)絡(luò)的邊，從而完成腦功能網(wǎng)絡(luò)的構(gòu)建。這種腦功能連接網(wǎng)絡(luò)常用關(guān)聯(lián)矩陣（associationmatrix）表示，其中每一個元素代表兩個節(jié)點之間的功能連接值。然后，使用圖論及數(shù)據(jù)驅(qū)動等方法分析腦功能網(wǎng)絡(luò)的拓撲屬性。最后，基于功能連接及腦網(wǎng)絡(luò)拓撲屬性等特征

1.7 本文的主要工作本文基于 fMRI 數(shù)據(jù)和模式分解技術(shù)，圍繞腦功能網(wǎng)絡(luò)主要進行了以下四個方面的研究，如圖1.2所示：1. 研究一，針對腦功能網(wǎng)絡(luò)的構(gòu)造，提出基于 ASR 的功能連接計算方法。在腦功能網(wǎng)絡(luò)的構(gòu)造中，相關(guān)法作為常用的功能連接計算方法，通常僅關(guān)注兩兩節(jié)點間的關(guān)聯(lián)而不考慮其余節(jié)點的影響，且其構(gòu)造的腦網(wǎng)絡(luò)較稠密并常包含負值。在第二章中，，本文提出了應用 ASR 計算功能連接的新方法，并將 ASR 與皮爾遜相關(guān)法和偏相關(guān)系數(shù)法進行對比。在方法驗證中，分別基于模擬 fMRI 數(shù)據(jù)和真實的靜息態(tài) fMRI 數(shù)據(jù)構(gòu)造腦功能網(wǎng)絡(luò)，并使用多種指標對各功能連接計算方法進行對比。另外，應用近鄰傳播（affinitypropagation，AP）聚類算法檢測腦功能網(wǎng)絡(luò)的非重疊社團結(jié)構(gòu)
【學位授予單位】：東南大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：O157.5;R338

【相似文獻】

相關(guān)期刊論文 前10條

1 董朝菊;;多吃莓類水果有助于提高大腦功能[J];中國果業(yè)信息;2010年11期

2 范基公;用腦類型測試·腦功能測量·腦功能開發(fā)[J];北京教育;1996年11期

3 何益龍;腦功能的開發(fā)與音樂的選擇[J];北京教育;1997年05期

4 盧紫欣;謝飛;呂寶北;趙鵬翔;商蕾;馬雪梅;;失重或模擬失重對大腦功能的影響研究進展[J];生物技術(shù)進展;2017年03期

5 金鑫;陰育紅;;腦功能(障礙)治療儀對腦梗死后失眠的臨床效果的探討[J];中外醫(yī)療;2015年01期

6 楊蕾;;運動對兒童腦功能發(fā)育的影響研究綜述[J];休閑;2019年06期

7 環(huán)科;;夢是大腦功能的副產(chǎn)品[J];科學大觀園;2017年18期

8 李皖生;;足量飲水帶給你的10個變化[J];科學養(yǎng)生;2017年09期

9 強U

本文編號：2664095