论文部分内容阅读
摘 要：大脑在静息状态下仍存在许多重要的神经活动，脑区之间仍存在不间断的信息传递，构成功能连接并由此构成脑网络。静息态脑功能网络分析，由其具有相对简单的计算且具有重大临床意义，已广泛应用于多种脑疾病的研究中。本文从信息计算的角度，总结了近年来静息态脑网络研究中的经典算法。
关键词：功能磁共振成像;静息态;脑网络
大脑是极为高效和精密的信息处理系统，不仅掌握语言、思维、情绪等高级活动，也是信息储存、加工和整合的中枢。神经元是大脑活动的基本单元，通过神经突触的彼此连接形成神经通路，完成对信息的加工处理[1]。在此过程中，神经元之间或神经元集群之间的连接模式构成了脑网络，掌握脑网络的连接模式对于理解大脑的运转机制具有重要意义。影像学技术的发展应用极大丰富了科研人员的脑网络研究手段。近年来，静息状态下脑功能网络的研究受到广泛关注。相较于任务态，静息态可避免由被试完成任务的差异性所导致的结果不可靠。因此，越来越多的学者开始关注静息态下脑功能网络的活动模式。本文主要针对静息态下脑功能网络的研究方法进行综述。
一、基于种子点的功能连接分析方法
该方法是一种模型依赖方法（modelbased），通常首先选择特定脑区作为感兴趣区域（region of interest，ROI），即种子点。然后计算该种子点与其他脑区的血氧水平依赖信号之间的时间相关性。如计算出某个脑区与该种子点之间的血氧水平依赖信号时间相关性较强，则可认为该脑区与种子点之间存在功能连接[2]。基于种子点的功能连接分析方法得到的结果易于理解，但种子点的选择没有固定标准，具体的选择过程很大程度取决于实验设计人员，通常依据先验知识或功能定位来选定。种子点的选择至关重要，研究者选择的偏向性将直接影响研究结果。
二、独立成分分析方法
独立成分分析方法（independent component analysis，ICA）是一种无模型依赖方法（modelfree），由信号盲源分离技术发展而来[3]。该方法不依赖于先验知识，是一种基于数据驱动的多变量分析方法，可将静息态功能磁共振数据分解为一系列空间上互相独立的成分[4]。根据分解目的不同（时间序列独立性或空间分布模式独立性），ICA方法又可分为空间ICA方法（spatial ICA，SICA）和时间ICA（temporal ICA，TICA）方法。其中，空间ICA方法可有效去除脑功能活动的噪音，提高信号提取的有效性。实际应用中通常采用空间ICA方法[56]。
三、图论
脑功能分化和脑功能整合是大脑工作的基本原则[78]，相应地，脑功能网络也具备分化属性及整合属性，以保证局部及全局信息的交流能力[9]。依据分化属性及整合属性的强弱，网络可大体分为规则网络、随机网络及小世界网络。其中，小世界网络兼具规则网络及随机网络的特点，可有效兼顾网络中局部信息分化及全局信息整合的能力[10]。脑功能网络已被证实具有介于随机网络及规律网络之间的网络形态，具有小世界特性[1112]。作为分析网络属性的得力工具，图论研究定义了一系列网絡测度用以度量网络的局部属性和整体属性[13]。静息态脑功能网络研究中常用的网络测度主要有度（degree）、聚类系数（clustering coefficient）、网络密度（density）、特征路径长度（path length）、小世界属性（small world）、全局效率（global efficiency）等[14]。
四、动态连接分析方法
大部分静息态脑功能连接研究方法通常假定图像采集阶段的脑血氧水平依赖信号保持恒定不变，因此本质上是对脑网络静态特性的研究，而忽略了脑功能活动时间维度上的信息。实际上，大脑本身是一个实时变化的、复杂的动态系统，脑功能活动无时无刻都在发生变化。已有研究表明，即使处于静息态下，大脑多个脑区间的功能连接仍表现出随时间变化的动态特性[1516]。由此，近年来对功能网络动态特性的研究逐渐成为了脑网络研究的热点，提出了一系列动态连接分析方法，如滑动时间窗口算法、隐马尔可夫模型算法及小波相关法等[1719]。其中，基于滑动时间窗口技术的脑功能网络动态特性分析方法由其原理简单，已得到广泛应用[2021]。
五、相关关系统计量
相关关系统计量主要用于描述时间相关性，在脑功能网络中主要有如下两种计算方式，分别是皮尔逊（Pearson）相关系数及偏相关（partial correlations）系数等[2223]。皮尔逊相关系数主要针对两个变量的线性相关性进行度量，反映了变量的线性相关程度。当变量之间的关系较为复杂时，简单的相关系数可能并不能够真实反应变量之间的关系，此时可采用偏相关分析。偏相关分析是在排除其他变量的影响下分析两个变量的相关性。
参考文献：
[1]薛婷.基于磁共振成像的无先兆偏头痛患者大脑静息状态异常模式研究[D].西安电子科技大学，2013.
[2]VAN DEN HEUVEL M P，HULSHOFF POL H E.Exploring the brain network：A review on restingstate fMRI functional connectivity[J].European Neuropsychopharmacology，2010，20（8）：51934.
[3]杨福生，洪波.独立分量分析的原理与应用[M].清华大学出版社，2006.
[4]BECKMANN C，DELUCA M，DEVLIN J，et al.Investigations into restingstate connectivity using Independent Component Analysis[J].Philosophical transactions of the Royal Society of London Series B，Biological sciences，2005，360：100113. [5]BECKMANN C F，SMITH S M.Probabilistic independent component analysis for functional magnetic resonance imaging[J].IEEE transactions on medical imaging，2004，23（2）：13752.
[6]BECKMANN C，CE M，FILIPPINI N，et al.Group Comparison of RestingState FMRI Data Using MultiSubject ICA and Dual Regression[J].Neuroimage，2009，47（148）.
[7]TONONI G，EDELMAN G M，SPORNS O.Complexity and coherency：integrating information in the brain[J].Trends in Cognitive Sciences，1998，2（12）：47484.
[8]FRISTON K.Functional integration and inference in the brain[J].Progress in Neurobiology，2002，68（2）：11343.
[9]SPORNS O.The human connectome：Origins and challenges[J].NeuroImage，2013，80：5361.
[10]WATTS D J，STROGATZ S H.Collective dynamics of ‘smallworld’ networks[J].Nature，1998，393（6684）：4402.
[11]SALVADOR R，SUCKLING J，COLEMAN M R，et al.Neurophysiological Architecture of Functional Magnetic Resonance Images of Human Brain[J].Cerebral Cortex，2005，15（9）：133242.
[12]VAN DEN HEUVEL M P，STAM C J，BOERSMA M，et al.Smallworld and scalefree organization of voxelbased restingstate functional connectivity in the human brain[J].NeuroImage，2008，43（3）：52839.
[13]COSTA L D F，RODRIGUES F A，TRAVIESO G，et al.Characterization of complex networks：A survey of measurements[J].Advances in Physics，2007，56（1）：167242.
[14]LEMING M，SU L，CHATTOPADHYAY S，et al.Normative pathways in the functional connectome[J].NeuroImage，2019，184：31734.
[15]HUDETZ A G，LIU X，PILLAY S.Dynamic repertoire of intrinsic brain states is reduced in propofolinduced unconsciousness[J].Brain connectivity，2015，5（1）：1022.
[16]DOUW L，WAKEMAN D G，TANAKA N，et al.Statedependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility[J].Neuroscience，2016，339：1221.
[17]ALLEN E A，DAMARAJU E，PLIS S M，et al.Tracking WholeBrain Connectivity Dynamics in the Resting State[J].Cerebral Cortex，2012，24（3）：66376.
[18]RYALI S，SUPEKAR K，CHEN T，et al.Temporal Dynamics and Developmental Maturation of Salience，Default and CentralExecutive Network Interactions Revealed by Variational Bayes Hidden Markov Modeling[J].PLoS Comput Biol，2016，12（12）：e1005138e.
[19]BETZEL R F，SATTERTHWAITE T D，GOLD J I，et al.Positive affect，surprise，and fatigue are correlates of network flexibility[J].Scientific Reports，2017，7（1）：520.
[20]CUI Q，SHENG W，CHEN Y，et al.Dynamic changes of amplitude of lowfrequency fluctuations in patients with generalized anxiety disorder[J].Human Brain Mapping，2020，41（6）：166776.
[21]LOTTMAN K K，KRAGULJAC N V，WHITE D M，et al.Risperidone Effects on Brain Dynamic ConnectivityA Prospective RestingState fMRI Study in Schizophrenia[J].Front Psychiatry，2017，8：14.
[22]SUN F T，MILLER L M，D′ESPOSITO M.Measuring interregional functional connectivity using coherence and partial coherence analyses of fMRI data[J].NeuroImage，2004，21（2）：64758.
[23]XIAO L，WANG J，KASSANI P H，et al.MultiHypergraph LearningBased Brain Functional Connectivity Analysis in fMRI Data[J].IEEE transactions on medical imaging，2020，39（5）：174658.
作者簡介：薛婷（1982— ），女，安徽马鞍山人，博士研究生，讲师，研究方向：医学图像处理、神经影像数据分析。
关键词：功能磁共振成像;静息态;脑网络
大脑是极为高效和精密的信息处理系统，不仅掌握语言、思维、情绪等高级活动，也是信息储存、加工和整合的中枢。神经元是大脑活动的基本单元，通过神经突触的彼此连接形成神经通路，完成对信息的加工处理[1]。在此过程中，神经元之间或神经元集群之间的连接模式构成了脑网络，掌握脑网络的连接模式对于理解大脑的运转机制具有重要意义。影像学技术的发展应用极大丰富了科研人员的脑网络研究手段。近年来，静息状态下脑功能网络的研究受到广泛关注。相较于任务态，静息态可避免由被试完成任务的差异性所导致的结果不可靠。因此，越来越多的学者开始关注静息态下脑功能网络的活动模式。本文主要针对静息态下脑功能网络的研究方法进行综述。
一、基于种子点的功能连接分析方法
该方法是一种模型依赖方法（modelbased），通常首先选择特定脑区作为感兴趣区域（region of interest，ROI），即种子点。然后计算该种子点与其他脑区的血氧水平依赖信号之间的时间相关性。如计算出某个脑区与该种子点之间的血氧水平依赖信号时间相关性较强，则可认为该脑区与种子点之间存在功能连接[2]。基于种子点的功能连接分析方法得到的结果易于理解，但种子点的选择没有固定标准，具体的选择过程很大程度取决于实验设计人员，通常依据先验知识或功能定位来选定。种子点的选择至关重要，研究者选择的偏向性将直接影响研究结果。
二、独立成分分析方法
独立成分分析方法（independent component analysis，ICA）是一种无模型依赖方法（modelfree），由信号盲源分离技术发展而来[3]。该方法不依赖于先验知识，是一种基于数据驱动的多变量分析方法，可将静息态功能磁共振数据分解为一系列空间上互相独立的成分[4]。根据分解目的不同（时间序列独立性或空间分布模式独立性），ICA方法又可分为空间ICA方法（spatial ICA，SICA）和时间ICA（temporal ICA，TICA）方法。其中，空间ICA方法可有效去除脑功能活动的噪音，提高信号提取的有效性。实际应用中通常采用空间ICA方法[56]。
三、图论
脑功能分化和脑功能整合是大脑工作的基本原则[78]，相应地，脑功能网络也具备分化属性及整合属性，以保证局部及全局信息的交流能力[9]。依据分化属性及整合属性的强弱，网络可大体分为规则网络、随机网络及小世界网络。其中，小世界网络兼具规则网络及随机网络的特点，可有效兼顾网络中局部信息分化及全局信息整合的能力[10]。脑功能网络已被证实具有介于随机网络及规律网络之间的网络形态，具有小世界特性[1112]。作为分析网络属性的得力工具，图论研究定义了一系列网絡测度用以度量网络的局部属性和整体属性[13]。静息态脑功能网络研究中常用的网络测度主要有度（degree）、聚类系数（clustering coefficient）、网络密度（density）、特征路径长度（path length）、小世界属性（small world）、全局效率（global efficiency）等[14]。
四、动态连接分析方法
大部分静息态脑功能连接研究方法通常假定图像采集阶段的脑血氧水平依赖信号保持恒定不变，因此本质上是对脑网络静态特性的研究，而忽略了脑功能活动时间维度上的信息。实际上，大脑本身是一个实时变化的、复杂的动态系统，脑功能活动无时无刻都在发生变化。已有研究表明，即使处于静息态下，大脑多个脑区间的功能连接仍表现出随时间变化的动态特性[1516]。由此，近年来对功能网络动态特性的研究逐渐成为了脑网络研究的热点，提出了一系列动态连接分析方法，如滑动时间窗口算法、隐马尔可夫模型算法及小波相关法等[1719]。其中，基于滑动时间窗口技术的脑功能网络动态特性分析方法由其原理简单，已得到广泛应用[2021]。
五、相关关系统计量
相关关系统计量主要用于描述时间相关性，在脑功能网络中主要有如下两种计算方式，分别是皮尔逊（Pearson）相关系数及偏相关（partial correlations）系数等[2223]。皮尔逊相关系数主要针对两个变量的线性相关性进行度量，反映了变量的线性相关程度。当变量之间的关系较为复杂时，简单的相关系数可能并不能够真实反应变量之间的关系，此时可采用偏相关分析。偏相关分析是在排除其他变量的影响下分析两个变量的相关性。
参考文献：
[1]薛婷.基于磁共振成像的无先兆偏头痛患者大脑静息状态异常模式研究[D].西安电子科技大学，2013.
[2]VAN DEN HEUVEL M P，HULSHOFF POL H E.Exploring the brain network：A review on restingstate fMRI functional connectivity[J].European Neuropsychopharmacology，2010，20（8）：51934.
[3]杨福生，洪波.独立分量分析的原理与应用[M].清华大学出版社，2006.
[4]BECKMANN C，DELUCA M，DEVLIN J，et al.Investigations into restingstate connectivity using Independent Component Analysis[J].Philosophical transactions of the Royal Society of London Series B，Biological sciences，2005，360：100113. [5]BECKMANN C F，SMITH S M.Probabilistic independent component analysis for functional magnetic resonance imaging[J].IEEE transactions on medical imaging，2004，23（2）：13752.
[6]BECKMANN C，CE M，FILIPPINI N，et al.Group Comparison of RestingState FMRI Data Using MultiSubject ICA and Dual Regression[J].Neuroimage，2009，47（148）.
[7]TONONI G，EDELMAN G M，SPORNS O.Complexity and coherency：integrating information in the brain[J].Trends in Cognitive Sciences，1998，2（12）：47484.
[8]FRISTON K.Functional integration and inference in the brain[J].Progress in Neurobiology，2002，68（2）：11343.
[9]SPORNS O.The human connectome：Origins and challenges[J].NeuroImage，2013，80：5361.
[10]WATTS D J，STROGATZ S H.Collective dynamics of ‘smallworld’ networks[J].Nature，1998，393（6684）：4402.
[11]SALVADOR R，SUCKLING J，COLEMAN M R，et al.Neurophysiological Architecture of Functional Magnetic Resonance Images of Human Brain[J].Cerebral Cortex，2005，15（9）：133242.
[12]VAN DEN HEUVEL M P，STAM C J，BOERSMA M，et al.Smallworld and scalefree organization of voxelbased restingstate functional connectivity in the human brain[J].NeuroImage，2008，43（3）：52839.
[13]COSTA L D F，RODRIGUES F A，TRAVIESO G，et al.Characterization of complex networks：A survey of measurements[J].Advances in Physics，2007，56（1）：167242.
[14]LEMING M，SU L，CHATTOPADHYAY S，et al.Normative pathways in the functional connectome[J].NeuroImage，2019，184：31734.
[15]HUDETZ A G，LIU X，PILLAY S.Dynamic repertoire of intrinsic brain states is reduced in propofolinduced unconsciousness[J].Brain connectivity，2015，5（1）：1022.
[16]DOUW L，WAKEMAN D G，TANAKA N，et al.Statedependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility[J].Neuroscience，2016，339：1221.
[17]ALLEN E A，DAMARAJU E，PLIS S M，et al.Tracking WholeBrain Connectivity Dynamics in the Resting State[J].Cerebral Cortex，2012，24（3）：66376.
[18]RYALI S，SUPEKAR K，CHEN T，et al.Temporal Dynamics and Developmental Maturation of Salience，Default and CentralExecutive Network Interactions Revealed by Variational Bayes Hidden Markov Modeling[J].PLoS Comput Biol，2016，12（12）：e1005138e.
[19]BETZEL R F，SATTERTHWAITE T D，GOLD J I，et al.Positive affect，surprise，and fatigue are correlates of network flexibility[J].Scientific Reports，2017，7（1）：520.
[20]CUI Q，SHENG W，CHEN Y，et al.Dynamic changes of amplitude of lowfrequency fluctuations in patients with generalized anxiety disorder[J].Human Brain Mapping，2020，41（6）：166776.
[21]LOTTMAN K K，KRAGULJAC N V，WHITE D M，et al.Risperidone Effects on Brain Dynamic ConnectivityA Prospective RestingState fMRI Study in Schizophrenia[J].Front Psychiatry，2017，8：14.
[22]SUN F T，MILLER L M，D′ESPOSITO M.Measuring interregional functional connectivity using coherence and partial coherence analyses of fMRI data[J].NeuroImage，2004，21（2）：64758.
[23]XIAO L，WANG J，KASSANI P H，et al.MultiHypergraph LearningBased Brain Functional Connectivity Analysis in fMRI Data[J].IEEE transactions on medical imaging，2020，39（5）：174658.
作者簡介：薛婷（1982— ），女，安徽马鞍山人，博士研究生，讲师，研究方向：医学图像处理、神经影像数据分析。