多模態腦功能複雜網路分析方法及套用研究

《多模態腦功能複雜網路分析方法及套用研究》是依託太原理工大學，由相潔擔任項目負責人的面上項目。

基本介紹

• 中文名：多模態腦功能複雜網路分析方法及套用研究
• 項目類別：面上項目
• 項目負責人：相潔
• 依託單位：太原理工大學

項目摘要

人腦是大量神經元、神經元集群或者腦區相互作用的複雜網路，利用複雜網路理論研究腦網路可以為理解精神類疾病的病理機制提供了新視角，也有望從腦網路角度為疾病的早期診斷提供生物標記。本項目探討包括靜息態、任務態功能網路、神經纖維與解剖結構等多模態腦網路構建方法及評價體系，完成多模態腦網路的構建；在此基礎上，利用複雜網路理論，完善和發展包括基於複雜網路理論的腦網路分析方法，引進包括網路信息熵等分析指標，改進腦網路拓撲結構靜態特徵提取和社團結構發現算法；探索結構腦網路及功能腦網路的關聯性；利用機器學習算法，結合腦網路特徵，建立分類模型；進一步利用抑鬱症作為疾病模型驗證上述方法的臨床可用性，從全局屬性、局部屬性、社團化分析等多角度網路水平上發現抑鬱症早期診斷的影像學標誌。本項目是計算機科學、信息科學、神經科學和臨床醫學等多學科綜合交叉，與解決重大腦疾病的早期診斷和干預這一國家重大需求緊密結合。

結題摘要

本項目研究重點是多模態腦網路的構建方法，利用複雜網路技術分析腦網路，將其套用於探索抑鬱症等腦疾病狀態下腦網路的變化規律，力求發現重大腦疾病早期診斷的影像學標誌，為建立輔助診斷模型提供基礎。 項目組首先分析了靜息態與任務態、結構影像與功能影像、核磁數據與腦電數據等不同腦影像數據特點，針對腦網路構建中節點和邊的定義等關鍵問題，對比了不同腦膜板以及皮爾遜相關、非線性連線同步似然、相位滯後對腦網路構建的影響，同時也對濾波頻段和網路稀疏度閾值的設定進行了研究。針對無向無權腦網路，項目組利用跨稀疏度網路屬性及腦網路社團化差異分析等技術，從全局屬性、局部屬性、社團化分析等多角度，完成腦網路拓撲屬性分析，深入挖掘腦網路屬性表征，最大化腦疾病狀態下拓撲屬性組間特徵差異。為了減少稀疏度選取帶來的弊端，利用Kruskal算法，構建了具有最小總權重且不構成環路的加權無向子圖（即最小生成樹）。對於任務態MRI數據，使用PPI來構建任務態腦網路，探討特定腦區不同認知狀態的功能連線差異。針對大腦偏側化現象，探討了腦網路偏側化現象。項目組將以上腦網路構建及分析技術套用在抑鬱症、AD等腦疾病中，發現了患者異常的腦網路模式。除此之外，項目組還將排列熵、模糊熵、樣本熵等複雜度指標以及Reho、fALFF、ALFF等指標套用於腦疾病患者的fMRI分析，發現患者在這些指標在某些腦區存在異常表現，且不同指標之間存在一定程度的相關。 項目組對比了常見的特徵選擇算法，包括主成分分析、顯著性分析、logistic回歸分析和ROC曲線分析等，提出了一種基於引力搜尋的特徵選擇算法。另外，項目組對比了常見的分類算法，為了減少特徵選擇對後續分類過程的影響，項目組提出基於PCA的集成分類學習算法。通過主成分分析得到不同能量的特徵子集，用這些子集訓練線性分類器，作為弱分類器，通過投票方式得到分類結果。結果表明該算法可以提高分類準確率。根據抑鬱症多側面異常特徵，項目組開發了抑鬱症影像學輔助診斷原型，該原型系統具有多模態影像數據導入及預處理、腦網路構建、腦網路屬性計算、統計檢驗、分類模型訓練與保存、預測診斷等功能。