注意缺陷多动障碍（Attention-Deficit Hyperactivity Disorder,ADHD）是最常见的神经发育障碍之一。尽管症状通常开始于儿童时期,但有大部分的患者在成年期也会受到影响,表现出持续存在的社会功能问题、较低的学术成就和较高的精神问题风险。ADHD作为一种神经发育性疾病很难对其症状进行界定,但通常伴随着脑网络的改变,通过研究ADHD脑网络可以探索其发病机制。结构脑网络可以描述大脑区域之间的物理连接,可以更加精确的对大脑网络进行研究。大脑结构很大程度上与心理过程和认知过程,包括记忆、学习、视觉和运动控制有关。结构脑网络的改变会影响人的认知行为能力,像一些脑疾病患者通常都伴随着结构脑网络的改变。从结构脑网络的角度研究ADHD可以发现患者的大脑特征,从而对ADHD患者的界定起到帮助。模块是复杂网络的基本特征,且在脑网络中也发现具有很好的模块化组织,模块在大脑中的研究变得极为广泛。社区检测算法可以从网络内部连接结构出发,将复杂的结构脑网络快速划分为几个模块,其模块内连接密集,模块间连接稀疏。ADHD以往模块化的研究主要集中在功能脑网络上,而忽略了其结构脑网络上模块的变化。因此本研究希望通过社区检测算法研究ADHD结构脑网络模块化。主要研究内容如下:（1）基于社区检测算法的模块划分本文对ADHD患者和健康人的DTI进行预处理和网络构建,得到确定性脑网络和概率性脑网络。在众多社区检测算法中,近年来脑网络研究使用最为广泛的为Gen Louvain社区检测算法和Louvain社区检测算法。为了确定本研究的模块划分方案,将两种社区检测算法进行模块质量比较,结果发现Gen Louvain算法在本研究模块划分的质量更高,因此本研究使用Gen Louvain算法来进行模块划分。（2）基于确定性脑网络的ADHD模块化研究本研究对ADHD确定性脑网络基于AAL和BN两种模板进行研究,在对网络进行模块划分之后,通过全脑、模块和脑区三种层面分析ADHD组与健康组模块化差异,并对ADHD的临床特征与其模块化做相关分析。结果表明ADHD在确定性脑网络中模块隔离度下降,其中下降的区域主要负责运动、记忆、语言和注意力的功能,这些区域主要位于默认模式网络和左脑。在相关分析中同时发现ADHD的模块隔离度与其临床特征相关。（3）基于概率性脑网络的ADHD模块化研究针对概率性脑网络的特征,对概率性脑网络进行阈值化,在对每个阈值网络进行模块划分之后,分析所有阈值下ADHD全脑上的模块化,再对稀疏和密集阈值下的网络分析患者模块以及脑区上的差异。结果与确定性脑网络得到的结论相一致,都表明ADHD结构脑网络的模块隔离度下降,并且下降的区域主要位于默认模式网络与左脑,且模块化改变与其临床特征有关。综上所述,本研究首次使用Gen Louvain算法将ADHD结构脑网络进行模块划分,得到稳定的结构脑网络模块结构,并将ADHD结构网络模块与具体功能相对应,挖掘了ADHD结构网络模块化与其临床特征和大脑功能之间的相关性。研究发现ADHD模块隔离度下降,下降的区域主要负责运动、语言、记忆和注意力,主要位于默认模式网络和左脑,且模块隔离度的改变与患者的临床特征呈显著相关。