论文部分内容阅读
脑图谱依照细胞类型、解剖结构和功能相似性等将人脑划分成不同的子区,是大脑作为高级智能系统的重要体现。脑图谱的精准构建不仅是认识和理解大脑的重要途径,亦是脑部相关疾病机理研究、疾病诊断和临床治疗的迫切需求,并引导和推动类脑智能技术的发展。基于静息态功能磁共振成像（resting-state functional Magnetic Resonance Imaging,rs-fMRI）的脑区划分技术可以非侵入性地揭示大脑的基本组织原理,是脑功能图谱研究的一个重要方向。然而,目前的脑功能图谱主要基于健康人群的数据,采用静态线性连接特征进行构建,忽略了疾病影响、个体差异以及大脑作为非线性动态系统的本质。针对上述问题,本文从疾病特异性图谱、个体化脑分区、非线性特征提取和动态网络分区出发,开展了以下研究工作:（1）采用 PPMI（Parkinson’s Progression Markers Initiative）数据库的 1 86 名患者的rs-fMRI数据,基于边界映射方法构建了首个帕金森病（Parkinson’s Disease,PD）特异性皮层图谱（PD186图谱）,并在三个独立的被试队列中进行了验证和探索。结果表明,相比于健康人群,PD186图谱在PD人群中具有更高的边界相似性和分区同质性,即更好地代表了疾病群体。对于空间拓扑分布,PD186图谱感觉运动网络（手）的子区数量较少,而视觉网络子区数量较多。初级视觉皮层的中央子区大小与疾病严重程度呈负相关。此外,相比于健康对照,PD患者表现出较低的功能同质性,特别是在感觉运动区和视觉区,并与疾病的严重程度负相关。上述结果验证并强调了开发疾病特异性图谱的必要性。PD186图谱揭示了PD患者感觉运动区和视觉区的空间拓扑和功能活动的改变,提供了疾病诊断和评估的潜在标记物,将促进未来PD的机制研究和临床探索。（2）提出了一个高效灵活的个体化大脑皮层分区框架。该框架使用先验脑图谱初始化种子点,基于区域生长算法,将未分配的顶点和其邻近的具有最高相关性的子区迭代合并。算法既考虑了先验图谱的功能组织分布,又兼顾了个体分区的功能同质性。将提出的框架基于HCP（Human Connectome Project）数据库的100个不相关的健康被试进行功能同质性比较和个体识别,并应用于PPMI的186名PD患者进行症状预测。结果表明,该框架在功能同质性方面优于其他方法,提供了 100%的个体识别准确率。此外,默认网络（default mode network,DMN）表现出更高的功能同质性、子区重复性和个体识别准确性,而感觉运动网络则相反。相关分析表明,个体分区和健康人群图谱的相似性与疾病严重程度呈负相关。基于个体空间拓扑特征的机器学习模型可以准确预测疾病症状。上述结果证明DMN是静息态下最具代表性、最稳定和最具辨识度的网络。提出的框架不仅改善了分区的功能同质性,而且还捕捉到了个体化的以及与疾病相关的空间拓扑特征,为未来大脑功能和疾病的研究提供高效个体化分区工具。（3）提出了基于深度嵌入连接的脑分区框架来充分利用深层次非线性特征构建脑区精细图谱。该框架首次引入深度神经网络,基于FCP（Functional Connec-tomes Project）数据库的150名健康被试,使用rs-fMRI连接特征进行个体和组的纹状体分区。深度神经网络由堆叠自编码器和聚类模块组成,在无监督情况下同时进行非线性特征的提取和子区划分。结果表明,与三种典型的聚类技术及它们与线性降维结合的方法相比,所提出框架在个体内、个体间和组间均表现出更高的分区可重复性。随后,本研究将图谱应用于采集的PD rs-fMRI数据中（23名患者和27名健康对照）,精细的分区进一步将疾病损伤定位于壳核子区,特别是后侧/尾侧壳核。壳核子区与大脑其他区域间较弱的耦合可能是皮质—纹状体—丘脑—皮质回路改变的神经影像学表现,并与疾病严重程度呈负相关。上述结果验证了基于深度嵌入连接分区框架的可靠性,表明了非线性特征对图谱鲁棒性的提升作用。临床疾病的应用表明精细图谱能更准确地定位损伤区域,壳核子区的异常连接有望成为PD的影像学标记物。（4）基于动态功能连接研究疾病下大脑的动态网络分区。本研究采用自闭症谱系障碍（Autism Spectrum Disorder,ASD）的 ABIDE（Autism Brain Imaging Data Exchange）数据库的125名被试（62名ASD儿童和63名健康对照）,使用滑动窗方法结合聚类和社区检测技术,构建动态连接下的代表性脑网络分区,并基于连接时间变异性和分区状态配置来研究疾病的神经机制。结果表明,ASD儿童的后扣带回和颞中极以及后扣带回和额下回岛盖部之间的功能连接时变性更高,后者与疾病严重程度呈正相关。此外,动态网络划分出一个异常的DMN联合分区,该分区合并了 DMN、感觉运动网络和中央执行网络,对应着全脑超连接模式。ASD儿童在该分区具有更高的转换概率和更长的平均停留时间。上述结果证明动态功能连接包含静态连接未提供的更全面信息,有望成为更敏感的ASD疾病标记物。此外,相比于健康对照,ASD儿童大脑状态更偏向于超连接模式衍生的DMN联合分区,这为理解大脑分区和ASD神经机制提供了新的见解。综上所述,本文提出了一系列机器学习框架来弥补当前脑图谱构建的不足,在提高脑区划分鲁棒性和同质性的同时,亦推动了其向疾病化、个体化和动态化发展。脑区划分与疾病的紧密结合也为疾病研究提供了新的视角,促进了对其神经生理学机制的探索,有望在疾病的预测评估和诊断治疗中发挥重要作用。