抑郁症是一种较为常见的情绪障碍,但目前具体的病理机制尚未完全清楚。在既往的神经影像学研究中,抑郁症患者被证明在脑功能和结构方面存在着诸多异常。一些结合DTI技术和图论方法的研究发现,抑郁症患者的脑区间存在大量的失连接,并且网络的全局整合性也有所降低。在抗抑郁药物治疗的观测性研究中,大多探测到在大脑活动、局部体积、FA值等的组间差异,却鲜有研究来探讨抗抑郁药物对脑网络中信息通讯分化和整合功能的影响。鉴于此,本文的工作主要围绕脑网络信息通讯分化和整合功能的角度进行,通过不同的分析方法,来研究抑郁症患者在治疗下其脑结构网络的拓扑属性变化,以及这些变化与临床现象间的关系。内容概括如下：1.采用模块化的方法,分别探究抑郁症患者组、治疗后抑郁症患者组、健康对照组的模块结构,发现治疗前后的抑郁症患者的模块结构发生了重构；其次,通过模块化指标临床相关分析,发现注意网络,默认网络,视觉注意网络中的特定脑区模块化指标与临床量表存在显著性相关。2.从脑网络结构的经济性角度,探究核心rich club组织在抑郁症患者治疗前后的结构变化,发现rich club脑区与普通脑区之间的feeder连接受损,且与病程存在显著负相关。在结合k-core分解的分析中,发现抑郁症患者rich club网络中的壳核、楔前叶、海马、丘脑与普通节点之间的信息调控和传递能力下降；而治疗后多项指标恢复正常,但部分脑区的损伤仍未完全恢复。3.在上一章的基础上,以rich club结构对网络进行分层,提取分层后连接的拓扑属性指标作为特征,采用支持向量机分类器对治疗前后的抑郁症患者组和健康对照组之间识别。结果表明,有rich club结构信息的特征集具有较高的分类性能,可见基于rich club的分层网络在抑郁症的诊断识别中有着潜在价值和重要意义。