DTI脑连接组分析中关键技术的研究

发布时间：2017-07-14 03:19

  本文关键词：DTI脑连接组分析中关键技术的研究

  更多相关文章： Diffusion Tensor Imaging(DTI) 脑连接组 分割模板 hub 小世界属性评估指标

【摘要】：人类的大脑是人体活动的中枢,也是人体最为复杂的器官之一。它由大约1011个神经元以及1015个突触通过错综复杂的连接组成,是控制人类思维、交流、运动、计算等活动的中枢。Diffusion Tensor Imaging(DTI)是一种描述大脑结构的新方法,可以无创记录大脑内部白质纤维束的连接情况。DTI脑连接组是在DTI影像基础之上构建出的由节点和边组成的脑网络。脑连接组分析从网络的角度对大脑进行研究,可以更加真实地接近大脑网络的拓扑结构,揭示大脑内部的工作机制。本文主要研究DTI脑连接组分析中的一些关键技术。从脑区划分,hub识别和小世界属性的评估三个方面着手,研究了分割模板对DTI脑连接组分析的影响,DTI脑连接组的hub识别和DTI脑连接组的小世界属性评估指标。主要研究内容如下:(1)分割模板对DTI脑连接组分析影响的研究。基于75例健康中老年人(50-70岁)DTI数据,固定图像采集方式,纤维束追踪算法,连接矩阵类型等研究因素,采用5个分割模板(AAL、HOA、UPA32、UPA128和UPA512)划分脑区,创建DTI脑连接组。通过对网络特征参数值的定量计算和分类比较,发现分割模板对于模块化结构影响较小,对于网络特征值和网络特征的敏感性有直接影响,但是不影响脑网络的小世界属性。结合本章实验结果,建议使用尺度适中的解剖型分割模板AAL或随机型分割模板UPA128进行DTI脑连接组分析。(2)DTI脑网络中hub识别的研究。本章围绕网络类型、识别阈值和识别方法三个方面对hub识别结果的影响展开研究。脑网络类型包含由AAL,HOA构建的解剖型脑网络和由UPA模板构建的随机分割型脑网络。结果显示,网络类型对hub的识别结果有直接影响。当选用同种脑网络类型、不同识别参数时,识别出的hub一致性较高;而选用不同脑网络类型、相同识别参数时,识别出的hub间存在明显差异。识别阈值的范围选定在5%-50%之间,结果显示,识别阈值对于随机分割型脑网络的hub识别结果有直接影响,而对解剖型脑网络的hub结果影响不大。在识别方法的研究中,选择节点度、中心介数、网络脆弱性和复合参数为识别参数,研究得出识别参数之间存在相关性,但相关性的强弱受到网络类型的影响。综合以上结论,结合hub分类研究结果发现,节点度适用于provincial hub的分类识别,本章提出的复合参数适用于connector hub的分类识别。(3)DTI脑连接组小世界属性评估指标的研究。小世界网络特征是DTI脑连接组的关键网络属性之一,目前不存在理想的评估指标。本章基于网络效率提出一个新的DTI脑连接组小世界属性评估指标:标准化网络效率(E),对脑网络的小世界属性进行量化评估,并从多个方面对评估指标E进行验证。结果显示,小世界属性的量化指标E受模板选择影响较小;可以较敏感的检测仿真网络和真实网络的随机化变化;与多个认知参数间存在显著相关;在多方面优于现有的评估指标σ,因而可以在大脑老化和脑疾病的相关研究中加以使用和推广。
【关键词】：Diffusion Tensor Imaging(DTI) 脑连接组 分割模板 hub 小世界属性评估指标
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R338
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-18
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-16
• 1.2.1 DTI脑网络构建和分割模板的研究11-14
• 1.2.2 DTI脑网络中的hub节点及其识别的研究14-15
• 1.2.3 DTI脑连接组小世界属性评估指标的研究15-16
• 1.3 本文主要研究内容及章节安排16-18
• 第2章 分割模板对DTI脑连接组分析影响的研究18-36
• 2.1 引言18-19
• 2.2 分割模板19-21
• 2.3 DTI脑连接组的构建21-23
• 2.3.1 研究对象和数据来源21-22
• 2.3.2 DTI脑网络的构建22-23
• 2.4 脑网络特征参数23-25
• 2.5 研究结果25-32
• 2.5.1 随机分割型脑网络之间网络特征的差异25-28
• 2.5.2 解剖型与随机分割型脑网络特征的差异28-31
• 2.5.3 分割模板对脑网络全局参数敏感性的研究31-32
• 2.6 讨论32-34
• 2.7 本章小结34-36
• 第3章 DTI脑网络中hub识别的研究36-54
• 3.1 引言36
• 3.2 Hub识别36-42
• 3.2.1 Hub识别方法37-38
• 3.2.2 脑网络中节点的排序38-42
• 3.2.3 Hub识别阈值42
• 3.3 识别方法的相关性研究42-43
• 3.4 Hub分类43-44
• 3.4.1 Provincial hub和connector hub的计算43-44
• 3.4.2 识别参数在hub分类识别中的计算44
• 3.5 研究结果44-50
• 3.5.1 识别方法与脑网络类型对hub识别结果的影响44-45
• 3.5.2 识别阈值与网络类型对于hub识别结果的影响45-46
• 3.5.3 识别方法的整体比较46-48
• 3.5.4 Hub分类48-50
• 3.6 讨论50-52
• 3.7 本章小结52-54
• 第4章 DTI脑连接组小世界属性评估指标的研究54-70
• 4.1 引言54-57
• 4.2 小世界属性的评估指标57-59
• 4.3 小世界属性评估的新指标59-60
• 4.3.1 评估新指标的定义59-60
• 4.3.2 小世界网络的仿真60
• 4.4 研究成果60-68
• 4.4.1 标准化网络效率对DTI脑网络的评估60-62
• 4.4.2 标准化网络效率对仿真随机化脑网络的评估62-64
• 4.4.3 标准化网络效率对仿真失连接脑网络的评估64-66
• 4.4.4 标准化网络效率在大脑认知能力评估中的应用66-68
• 4.5 讨论68-69
• 4.6 本章小结69-70
• 结论与展望70-72
• 参考文献72-80
• 攻读硕士学位期间所发表的学术论文80-82
• 致谢82

【相似文献】

中国期刊全文数据库 前1条

1 文路;汤富酬;;单细胞转录组分析研究进展[J];生命科学;2014年03期

中国重要会议论文全文数据库 前3条

1 唐惠儒;;生物代谢组分析[A];第十六届全国波谱学学术会议论文摘要集[C];2010年

2 杨志凯;官远芳;杨维东;刘洁生;吕颂辉;李宏业;;高通量转录组分析三角褐指藻氮代谢影响脂质累积的分子机制[A];中国藻类学会第八次会员代表大会暨第十六次学术讨论会论文摘要集[C];2011年

3 文路;汤富酬;;单细胞转录组分析研究进展[A];生命科学——专题：RNA研究的新技术和新方法（第26卷第3期）[C];2014年

中国硕士学位论文全文数据库 前1条

1 靳聪;DTI脑连接组分析中关键技术的研究[D];北京工业大学;2016年

，

本文编号：539469