人类的大脑是人体活动的中枢,也是人体最为复杂的器官之一。它由大约1011个神经元以及1015个突触通过错综复杂的连接组成,是控制人类思维、交流、运动、计算等活动的中枢。Diffusion Tensor Imaging(DTI)是一种描述大脑结构的新方法,可以无创记录大脑内部白质纤维束的连接情况。DTI脑连接组是在DTI影像基础之上构建出的由节点和边组成的脑网络。脑连接组分析从网络的角度对大脑进行研究,可以更加真实地接近大脑网络的拓扑结构,揭示大脑内部的工作机制。本文主要研究DTI脑连接组分析中的一些关键技术。从脑区划分,hub识别和小世界属性的评估三个方面着手,研究了分割模板对DTI脑连接组分析的影响,DTI脑连接组的hub识别和DTI脑连接组的小世界属性评估指标。主要研究内容如下:(1)分割模板对DTI脑连接组分析影响的研究。基于75例健康中老年人(50-70岁)DTI数据,固定图像采集方式,纤维束追踪算法,连接矩阵类型等研究因素,采用5个分割模板(AAL、HOA、UPA32、UPA128和UPA512)划分脑区,创建DTI脑连接组。通过对网络特征参数值的定量计算和分类比较,发现分割模板对于模块化结构影响较小,对于网络特征值和网络特征的敏感性有直接影响,但是不影响脑网络的小世界属性。结合本章实验结果,建议使用尺度适中的解剖型分割模板AAL或随机型分割模板UPA128进行DTI脑连接组分析。(2)DTI脑网络中hub识别的研究。本章围绕网络类型、识别阈值和识别方法三个方面对hub识别结果的影响展开研究。脑网络类型包含由AAL,HOA构建的解剖型脑网络和由UPA模板构建的随机分割型脑网络。结果显示,网络类型对hub的识别结果有直接影响。当选用同种脑网络类型、不同识别参数时,识别出的hub一致性较高;而选用不同脑网络类型、相同识别参数时,识别出的hub间存在明显差异。识别阈值的范围选定在5%-50%之间,结果显示,识别阈值对于随机分割型脑网络的hub识别结果有直接影响,而对解剖型脑网络的hub结果影响不大。在识别方法的研究中,选择节点度、中心介数、网络脆弱性和复合参数为识别参数,研究得出识别参数之间存在相关性,但相关性的强弱受到网络类型的影响。综合以上结论,结合hub分类研究结果发现,节点度适用于provincial hub的分类识别,本章提出的复合参数适用于connector hub的分类识别。(3)DTI脑连接组小世界属性评估指标的研究。小世界网络特征是DTI脑连接组的关键网络属性之一,目前不存在理想的评估指标。本章基于网络效率提出一个新的DTI脑连接组小世界属性评估指标:标准化网络效率(E),对脑网络的小世界属性进行量化评估,并从多个方面对评估指标E进行验证。结果显示,小世界属性的量化指标E受模板选择影响较小;可以较敏感的检测仿真网络和真实网络的随机化变化;与多个认知参数间存在显著相关;在多方面优于现有的评估指标σ,因而可以在大脑老化和脑疾病的相关研究中加以使用和推广。