静息态fMRI网络模块动态交互及其对抑郁症治疗的评估

发布时间：2020-07-30 08:58

【摘要】：抑郁症是一类常见的精神障碍类疾病。疾病伴有高致残率,会对患者身心造成严重危害。但疾病的病理机制未知,抗抑郁药物对病人的治愈率不高。在既往的静息态功能核磁共振研究中,对抑郁症治疗评估的大部分研究都假设信号是近似平稳的,鲜有人研究信号的动态属性在治疗评估中的作用。基于此,本文主要围绕基于社区探测算法的动态模块化展开,从脑区自身的动态属性和脑区间的动态相关性的不同角度分别设计特征。同时,论文进一步研究了特殊时间段下这两类特征的分析方法。最后,我们分析这些特征在治疗评估中的作用,旨在为抑郁症治疗的临床评估提供更有效的辅助依据。具体内容概况如下:1.利用动态模块化特征评估抑郁症治疗前后的脑网络的改变。基于社区化探测算法,分别计算抑郁症患者治疗前后和健康对照组的的动态模块化矩阵以及对应的模块化状态转变特征灵活度(flexibility)。特征灵活度较好的表征了单个区域在模块化中的状态转变的活跃程度。用置换检验或配对置换检验统计灵活度在3组之间的差异。发现治疗后和健康人无显著差异,治疗前和健康人在默认模式网络和认知控制网络有显著差异。治疗8周实验组治疗前和治疗后在默认模式网络有显著差异,治疗3个月组治疗前和治疗后在默认模式网络和认知控制网络都存在显著差异。且患者治疗前后默认模式网络和认知控制网络的灵活度值与患者的汉密尔顿17项抑郁量表总分存在显著线性相关性。所以,灵活度相对之前研究的绝大多数指标,从信号动态属性的角度更好的阐述了抑郁症治疗前后患者脑网络改变的差异。2.利用就医但未治疗抑郁症患者的动态模块化特征预测患者艾司西酞普兰治疗的早期效应。模块忠诚度矩阵(Module allegiance matrix)矩阵表征动态模块化矩阵中各区域间的相关性。跳跃矩阵(Jump matrix)表征动态模块化矩阵中各区域间相关性的变化活跃程度。在原有灵活度,模块忠诚度矩阵等特征的基础上,引入跳变矩阵的方法,探求脑区间在相邻时间窗内的非绑定关系对药物早期疗效的预测效果。基于支持向量机分类器,上述指标被用于预测就医但未治疗的抑郁症患者艾司西酞普兰治疗的早期效应。结果显示,抑郁症患者就医但未治疗状态下的灵活度和跳变矩阵预测患者未来接受艾司西酞普兰治疗早期效应的准确率都达到了79.41%,并且结果鲁棒。分类器使用灵活度区分早期治疗起效组和无效组发现的差异在脑区水平,而跳变矩阵的差异在网络水平。同时,模块忠诚度矩阵进一步研究了灵活度发现的差异脑区,找到了其中更重要的核心脑区。所有以上特征从动态的不同角度共同为就医但未治疗的患者合适服用艾司西酞普兰提供了有效的辅助依据。3.利用特殊时间段内动态模块化特征预测就医但未治疗抑郁症患者接受艾司西酞普兰治疗的早期效应。分析模块化矩阵在全时长上灵活度和跳跃矩阵值的分布,我们发现灵活度和跳跃矩阵的值主要集中在少数时间窗内。这说明脑区自身的动态活跃程度和脑区间相关性变化的活跃程度在全时长上是不稳定的,主要集中于少数时间段内。本章先研究了治疗有效组和无效组在稳定性上的差异,发现2组有着相似的不稳定模式。随后,本章分别研究2组在全脑灵活度最强的k个时间窗内的差异和全脑跳跃矩阵跳变最剧烈的k个时间窗内的差异。结果表明,灵活度属性的前2~5个状态转变最剧烈的相邻时间窗内预测患者使用艾司西酞普兰治疗起效的分类效果达到80%以上,最高分类效率有88.24%。同步收集的两个外中心的测试集结果上也分别得到了86.49%和85.29%的识别准确率。同时,跳变矩阵在前3~5个跳变最剧烈的相邻时间窗内存在较好的结果,最高分类准确率有94.12%。外中心的测试集也分别得到了81.08%和82.35%的识别准确率。所以,全脑特殊时间段内的动态特征能更有效的反映个体脑活动水平的差异,为服用艾司西酞普兰提供了更有效的辅助依据。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R445.2;R749.4
【图文】：

模型图,模型,隐藏层,递归神经网络

图1.1（A）表示递归神经网络簇的响应模型。所有递归神经网络通过两个非线性的隐藏层和一个线性输出层处理特征序列。图 1.1（B）表示递归神经网络非线性隐藏层的细节结构。L-10/50/10 表示隐藏层中分别有 10，50 或 100 个长期短期记忆单元，G-10/50/10表示隐藏层中分别有 10,50 或 100 个门控循环单元。图中方块表示非线性映射，圆圈表示对信息流的门控逻辑。图 1.1(C)表示对比的岭回归簇响应模型。所有的岭回归模型通过一个线性层处理特征序列。但是不同的岭回归簇在解释血流动力学延迟方面有所不同。其中，ridge regression 模型同步了刺激和反应 BOLD 信号，regression family 模型延迟了 3 秒~6 秒的反应 BOLD 信号。

动态模块,功能连接,时间窗

东南大学硕士学位论文用了窗口傅里叶变换和主成分分析结合的方法来实现分析[32]。2 基于 rsfMRI 动态功能连接的动态模块化建模研究设置合适参数计算的动态功能连接可以较好描述 rsfMRI 功能连接的动态变化。上，有相关研究使用 k 均值聚类算法进一步评估全脑动态功能连接模块化过程动力学特性[19]。方法的具体过程如图 1.3 所示。该研究使用了 405 位年轻成年RI 数据。研究者使用滑动时间窗度量空间独立分析提取信号的动态功能连接。然时间窗内脑区间的动态功能连接都被作为聚类的特征进行 k 均值聚类分析。研信号包括 50 个独立分析后的成分。所以，每一个时间窗有 50×（50-1）/2=能连接。这 1225 条功能连接作为 1225 维特征进行 k 均值聚类。聚类的结果展在扫描过程中所属状态随时间变化的过程。所以，基于 k 均值聚类算法的研究步的分析神经系统之间功能协调的动力学特征。

流程图,算法分析,社区,流程图

图 1.4 社区探测算法分析流程图[35]于社区探测算法本身的缺陷，社区探测算法只能发现脑网络模块化状态归了改变，但无法具体分析模块化的各个状态。于 rsfMRI 动态模块化的隐马尔科夫模型模型研究于聚类算法的动态模块化研究基础上，有研究进一步提出了基于隐马尔科状态转变特征计算框架。该计算框架由三个步骤组成，具体如下[36]：（1能连接。研究提取了 rsfMRI 的 BOLD 信号时间序列，再在时间序列上使计算动态功能连接。（2）计算动态模块化归属。研究使用分层聚类算法块化归属。聚类的距离使用欧几里德距离来测量。（3）分析动态模块化研究将计算得到的大脑动态模块化过程视为状态的观察序列，使用隐马尔学习状态的隐藏序列。研究使用 Baum-Welch 算法估计隐变量，使用前向-学习到的隐马尔科夫模型序列与给定的观察序列的匹配程度。，该框架被用于评估健康被试和创伤后应激障碍被试这两个类别之间隐马藏序列的差异。结果表明，隐马尔科夫模型模型的隐藏序列能较好区分创和健康被试[36]。

【相似文献】