基于图论的阿尔茨海默病动态脑网络拓扑属性研究.pdfVIP

摘要 摘 要 阿尔茨海默病（Alzheimer disease ，AD ）是一种神经退行性疾病，其病因尚未明确， 是一种世界性难题，复杂网络与图论方法的结合使得从全脑分析成为可能。由于大脑的复 杂性，对大脑的量化和测量仍然是初步的。针对AD 异常脑网络及脑区的检测这一关键问 题，本文从AD 患者和健康对照者的动态功能脑网络出发，研究脑网络的动态变化，主要 工作如下： 第一，提出了一种基于局部效率的异常脑网络检测算法。首先利用组信息引导的空间 独立成分分析（Group Information Guided ICA , GIG-ICA ）算法识别空间独立成分，确定脑 网络；其次，利用滑动窗口技术以及k-means 算法分析动态脑网络的聚类状态；最后，通 过每一个状态下动态脑网络的局部效率的异常，找到发生异常的功能脑网络。研究结果表 明，对于AD 组与健康对照组，利用GIG-ICA 算法分别得到33 个独立成分以及30 个独立 成分，最终确立 12 个具有生理意义的功能脑网络，包括感觉运动网络、后突显网络、默 认模式网络、右执行控制网络、基底节网络、高视觉网络、视觉空间网络等，通过k-means 聚类算法得到六种聚类状态，两组数据聚类状态发生明显改变，通过双样本t 检验，局部 效率发生异常的脑网络有感觉运动网络、突显网络、执行控制网络、默认模式网络，这些 网络与人的情绪调节与认知功能有关，与AD 患者出现的一些症状有关，其中，默认模式 网络发挥了重要的作用。 第二，提出了一种基于非线性相关的 Spearman 异常脑区检测算法。首先对所有被试 者的数据，利用Spearman 和滑动窗口方法构建动态功能脑网络；其次，计算AD 患者与健 康对照者动态功能脑网络的拓扑属性；最后，通过拓扑属性的差异找到发生异常的脑区， 为AD 的临床诊断提供新的认识。研究结果显示，对于不同的稀疏阈值，AD 患者组与健 康对照组动态功能脑网络都具有小世界属性，即1 ，但是AD 患者组的小世界属性发生 L 明显改变。AD 患者组的最短路径长度（ ）高于健康对照组，聚类系数（ ）低于健康 C p 对照组，说明AD 患者脑区之间的信息交流速度比正常人低，造成了AD 患者认知方面发 生改变。本文通过拓扑属性节点介数来评估两组 fMRI 数据的动态功能脑网络，通过双样 本t 检验，最终确立了发生异常的脑区，中央前回（PreCG ）、眶部额上回（SFGmorb）、 中央沟盖（ROL ）、脑岛（INS ）、海马（HIP ）、海马旁回（PHIP ）、枕上回（SOG）、 梭状回（FG ）、后扣带回（PCC ）和苍白球（PAL ），这些脑区主要位于默认模式网络， 与阿尔茨海默病患者记忆丧失、认知能力下降、生活不能自理等临床症状有关，验证了本 文的结果，为AD 的脑网络研究提供新的认识。 关键词：阿尔茨海默病，静息态fMRI，独立成分分析，动态功能脑网络，图论 Ⅰ Abstract Abstract Alzheimers disease (AD) is a neurodegenerative disease, the cause of which is not yet clear, and it is a worldwide problem. The combination of complex networks and graph theory methods makes it possible to analyze from the whole brain. Due to the complexity of the brain