人腦功能活動在個體間存在不可忽視的差異,功能網(wǎng)絡(luò)的分布以及功能區(qū)定位在不同的被試上也存在較大變異性。個體差異現(xiàn)如今已經(jīng)成為腦成像研究中研究認(rèn)知行為神經(jīng)活動基礎(chǔ)以及疾病病理生理機制必須考慮的因素之一。靜息態(tài)磁共振（Resting-state functional magnetic resonance imaging,rfMRI）可以無創(chuàng)的觀測大腦內(nèi)在神經(jīng)活動,并且不需要任何認(rèn)知任務(wù),能夠很好的反映大腦功能活動模式以及網(wǎng)絡(luò)分布,非常適用于探究腦部疾病內(nèi)在神經(jīng)基礎(chǔ),在癲癇的研究中也已經(jīng)越來越多的被用到。但大多數(shù)的rfMRI研究分析方法多利用群組水平的圖譜,忽略了個體間差異,模糊了個體上的功能活動細(xì)節(jié)。近些年來,多種個體化方法被提出,這些方法都考慮到了個體間差異的影響,可以獲得更加貼近個體的腦功能區(qū)定位以及網(wǎng)絡(luò)劃分。并且這些方法已經(jīng)用到了精神分裂癥等精神疾病以及孤獨癥等神經(jīng)發(fā)育性障礙的研究中,但在癲癇中還尚未有相關(guān)方法的應(yīng)用。針對癲癇rfMRI個體化腦圖譜相關(guān)研究的空缺,我們利用兩種不同的個體化腦圖譜方法,對多種癲癇亞型以及匹配的健康對照識別個體化感興趣區(qū)并構(gòu)建連接矩陣,利用機器學(xué)習(xí)算法提取關(guān)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

多種功能網(wǎng)絡(luò)劃分及更加精細(xì)的功能區(qū)圖譜

第二章基于個體化功能網(wǎng)絡(luò)分割的多亞型癲癇分類152.2.4個體水平上的功能腦網(wǎng)絡(luò)分割本章中采用了DanhongWang等人于2015年提出的分割方法[30]，其主要步驟如下：（1）將Yeo等人于2011年提出的基于1000名被試大樣本皮層功能連接信息利用聚類算法得到的具有17個網(wǎng)絡(luò)[1]的功能網(wǎng)絡(luò)劃分為基礎(chǔ)，將運動區(qū)中在動手任務(wù)中激活的區(qū)域即動手區(qū)單獨列出作為一個網(wǎng)絡(luò)，由此得到一個18網(wǎng)絡(luò)的群組水平模板（圖2-1）。這18個功能網(wǎng)絡(luò)具體為：與視覺相關(guān)的邊緣視覺網(wǎng)絡(luò)（visualperipheral）以及中央視覺網(wǎng)絡(luò)（visualcentral），負(fù)責(zé)軀體感覺與負(fù)責(zé)支配運動的感覺運動網(wǎng)絡(luò)A、B區(qū)（somato-motorA;somato-motorB），背側(cè)注意網(wǎng)絡(luò)A、B區(qū)（dorsalattentionA;dorsalattentionB），腹側(cè)注意網(wǎng)絡(luò)（ventralattention），突顯網(wǎng)絡(luò)（salience），邊緣系統(tǒng)網(wǎng)絡(luò)（limbic），控制網(wǎng)絡(luò)A、B、C區(qū)（controlA;controlB;controlC），默認(rèn)模式網(wǎng)絡(luò)D區(qū)即聽覺網(wǎng)路（defaultmodeD/auditory），默認(rèn)模式網(wǎng)絡(luò)A、B、C區(qū)（defaultmodeA,defaultmodeB,defaultmodeC）。然后，將群組水平上的模板投射到所有被試BOLD信號圖像所在的fsaverage4空間，把每個功能區(qū)的信號提取出來并把該分區(qū)內(nèi)所有頂點的信號平均得到每個功能區(qū)的時間序列。所有這些功能區(qū)的時間序列在下面的分析中作為分割的起始點，且后續(xù)多項操作依賴于這些信號，我們這里稱之為“參考信號”（referencesignal）。圖2-1群組水平功能網(wǎng)絡(luò)模板注：將大腦皮層劃分為18個功能區(qū)，不同的顏色分別表示不同的功能網(wǎng)絡(luò)，其中灰色部分為皮層下網(wǎng)絡(luò)，為納入分析范圍。

電子科技大學(xué)碩士學(xué)位論文18圖2-2個體化功能網(wǎng)絡(luò)分割流程示意圖[30]注：（1）將群組水平上的具有18個功能網(wǎng)絡(luò)的模板投射到所有被試BOLD信號圖像所在的fsaverage4空間，并計算每個網(wǎng)絡(luò)的參考信號；（2）計算每個頂點與18個網(wǎng)絡(luò)的參考信號的相關(guān)系數(shù)，將分割置信度符合條件的頂點重新分配到與之相關(guān)系數(shù)最大的網(wǎng)絡(luò)，并按照新的劃分得到每個網(wǎng)絡(luò)的核心信號；（3）將核心信號與參考信號結(jié)合被試內(nèi)變異性、tSNR以及迭代次數(shù)等參數(shù)的影響加權(quán)平均，作為下一次分配過程的參考信號；（4）重復(fù)（3）中的步驟，不斷迭代；（5）當(dāng)?shù)竭_(dá)算法的終止條件時停止迭代，分割結(jié)果收斂到一個穩(wěn)定的模式，作為該被試的個體化功能網(wǎng)絡(luò)分割。步驟一：將2.2.3中獲得的個體功能網(wǎng)絡(luò)分割利用聚類算法在各個網(wǎng)絡(luò)內(nèi)分割成具有相似功能活動的小塊，這一步驟利用的是ConnectomeWorkbench軟件中的wb_command-metric-find-clusters工具，18個網(wǎng)絡(luò)共分為116個小塊。其中為了減少噪聲對匹配過程的影響，所有網(wǎng)絡(luò)在使用聚類算法分裂前都進行了平滑核sigma為1毫米的二維平面平滑。平滑的過程只在ROI匹配的過程中發(fā)揮作用，一旦功能一致性腦區(qū)全部匹配完畢，會提取未平滑的數(shù)據(jù)用于后續(xù)的分析。


本文編號：3587845