全脑功能连接模式分析研究及临床应用进展

全脑功能连接模式分析研究及临床应用进展

目录

• 全脑功能连接模式分析研究及临床应用进展
• Basic information
• Contents
  • Background
  • Concepts
  • Key points
  • Future considerations

Basic information

中国介入影像与治疗学 2021年 第18卷 第7期

Contents

Background

• 目前仅有少数研究尝试定量预测个体水平智力评分。
• 全脑功能连接(functional connectivity,FC)模式是fMRI研究的焦点，可通过线性(如pearson相关)和非线性方法(如同步似然性)加以度量。

Concepts

• 基于fMRI获得的反映脑功能的指标包括FC、局部一致性和低频振幅等。
• FC可反映不同脑区间神经生理活动的相关关系，而脑区之间自发活动随时间变化的相关程度亦可反映其间FC强度。
• 与BOLD信号呈正相关的脑区之间表现为功能协同，而呈负相关的脑区之间表现为功能拮抗。
• 个体全脑FC模式也可用于预测流体智力水平。
• 抑郁症为全脑异常疾病。
• SVM(support machine)算法：给定一度特征(如FC)和标签(如疾病和健康)，基于训练数据集训练SVM，该数据集将该组特征映射到其各自的标签，以寻找能最大限度区分训练数据的最佳超平面；当给定一个特征数据集时，可以训练SVM模型来预测新的数据集。
• CPM(connectome-based predictive modeling)算法：将受试者整个大脑的FC数据及其行为变量作为输入，通过选择相关FC建立一般线性模型来预测个体行为特征，再以另一受试者的FC特征预测其相关行为特征，从而建立基于影像学数据的行为学预测模型。

Key points

• 人类的FC模式具有单一性，在每个个体中均独一无二。

• 无论是任务还是静息状态下，全脑FC模式均有助于识别个体特征，为内在固有的、具有高度特异性的个体影像学特征，与临床、行为学等信息密切相关。

• FCM(functional cnnectivity matrix)基于全脑水平构建，通过现有脑图谱分割全脑获得不同区域，可计算图谱内每对脑区之间的相关系数，最终以脑区为节点、以脑区之间的FC为边，获得反映全脑FC状态的矩阵。

• 基于fMRI构建全脑FC模式流程：

  1. 对fMRI数据进行预处理，包括将DICOM数据转换为NIFTI数据、去除最初n个时间点、时间校正及头动校正等；

  2. 根据脑图谱(如AAL-116模板等)将每一受试者的大脑分割成多个区域作为ROI，即网络节点；

  3. 将每个ROI内所有体素的时间序列进行加权平均，得到各区域内的平均时间序列，而后计算区域间的Pearson相关系数，作为脑网络图中节点的边，从而得到一个M×M对称连接矩阵，即该受试者的全脑FCM(其中M表示不同大脑区域或节点数量，矩阵的每个元素表示两个节点之间的FC强度)；

  4. 对被试的全脑FCM进行Fisher's r-to-z变换操作，使其时间相关系数更符合正态分布。

     

Future considerations

• 未来需要更多大样本、跨数据库的研究。
• 目前缺乏基于静息状态下的动态FC模式以及基于任务态的FC模式的相关研究。
• 更高效、优秀的ML(machine learning)算法等待思考开发。