皮质下血管性认知功能损害患者脑小世界网络及动态功能分布

发布时间：2017-09-06 00:27

  本文关键词：皮质下血管性认知功能损害患者脑小世界网络及动态功能分布

  更多相关文章： 图理论 脑功能网络 皮质下 血管性认知功能损害 静息态fMRI

【摘要】：背景与目的功能磁共振（functional magnetic resonance imaging,fMRI）的出现为获取大脑的信息提供了新的途径，而基于“图理论（Graph theory）”的脑网络分析方法的出现，则为全面理解大脑结构功能开创了新的思路。静息态功能磁共振（Resting-state fMRI）作为一种较新的功能态研究也成了近年来关注的热点，主要分为全脑网络和局部脑功能研究。将图理论分析方法运用于脑功能像的研究是当今脑功能全脑网络研究领域的一项前沿技术，已用于阿尔茨海默病（AD），精神分裂症，癫痫等脑临床疾病的研究。血管性痴呆(vascular dementia，VaD)作为当今仅次于AD的第二大痴呆类型，越来越受到关注和重视。皮质下血管认知功能损害（subcortical vascular cognition impairment,SVCI）作为VaD最具同质性的亚型之一，已广泛用于研究。既往已有学者对SVCI患者静息状态下脑部功能活动进行研究，发现SVCI患者前后脑区存在许多异常的功能连接，但该研究仅限于局部脑区，而对于SVCI的全脑功能连接及功能网络属性目前尚未见报道。本研究旨在通过采用图理论方法探讨SVCI患者脑功能网络拓扑特性及其与认知功能之间的关系。 材料与方法选择安徽医科大学一附院神经内科在院或门诊满足条件的SVCI患者23例及年龄和性别相匹配的正常对照组20例。所有受试者均进行3.0T功能磁共振扫描及包括简易精神状态检查（MMSE）、剑桥老年认知检查表-中国修订版（CAMCOG-C）、临床痴呆量表（CDR）等在内的一组神经心理认知功能评价。应用SPMZ(SPM8, http://www.fil.ion.ucl.ac.uk/spm)及DPARSFV (Data ProcessingAssistant for Resting-State fMRI)软件对数据进行处理，利用解剖学自动标记模板（ALL）将大脑分成90个脑区，左右半球各45个脑区，提取每个区域内所有体素的时间序列平均值，采用双变量相关分析法计算以上各个脑区间的功能连接。通过既往研究设定的矩阵稀疏度（sparsity，Sthr）确定阈值T，计算聚集系数(Cp)、路径长度(Lp)等参数，确定SVCI患者和正常被试脑功能网络是否具有“小世界”网络属性。同时观测两组受试者全脑及局部网络拓扑参数，如效率（efficiency）、模态（Modularity）、度（degree）、中间中心度（betweenness centrality）等之间的差异，并将异常的全脑或局部拓扑参数与SVCI患者的认知功能进行Pearson相关分析，确定二者有无相关。 结果SVCI患者和正常对照组脑功能网络在一定的阈值范围内（0.15Sthr0.4）均具有“小世界”特性，然而与正常对照组相比，SVCI患者全脑和局部的拓扑结构特性均有明显改变。其全局和局部效率，聚集系数，度，，中间中心度均明显降低，而局部路径长度明显增加。与正常对照组相比，SVCI降低的拓扑属性脑区主要位于额-颞叶，如双侧扣带中回及扣带旁回（DCG)、颞中回（MTG）、颞下回(STG)，而皮质下区域，如苍白球（PTU)及壳核（PAU）等脑区的节点度及中间中心度则明显增加，这可能是对脑功能网络效率降低的一种代偿，也反应了脑部神经纤维的可塑性。同时我们发现改变的全脑和局部网络特性与认知功能（CAMCOG-C评分）之间有一定的相关性。 结论与正常人群相比，SVCI患者全脑或局部功能网络拓扑特性均明显异常，这种改变表明SVCI患者各个脑区间信息传递的效率明显降低，从而导致认知功能损害。作为一种新的基于体素水平描述脑网络属性的方法，“图理论”研究可能为了解SVCI的病理机制及观察其脑功能网络属性的改变提供了一个新视角。
【关键词】：图理论 脑功能网络 皮质下 血管性认知功能损害 静息态fMRI
【学位授予单位】：安徽医科大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R445.2;R749.1
【目录】：

• 英文缩略词语5-7
• 中文摘要7-9
• Abstract9-11
• 1 前言11-14
• 2 材料与方法14-20
• 3 结果20-29
• 4 讨论29-33
• 5 结论33
• 6 参考文献33-41
• 附录41-43
• 致谢43-45
• 综述45-55
• 参考文献52-55

【共引文献】

中国期刊全文数据库 前10条

1 常文利;;Influence of Blurred Ways on Pattern Recognition of a Scale-Free Hopfield Neural Network[J];Communications in Theoretical Physics;2010年01期

2 S.Boccaletti;V.Latora;Y.Moreno;M.Chavezf;D.-U.Hwang;方爱丽;赵继军;;复杂网络:结构和动力学[J];复杂系统与复杂性科学;2007年01期

3 张方风;陈春辉;姜璐;;基于复杂网络的大脑功能连接研究[J];复杂系统与复杂性科学;2011年02期

4 孙aS

本文编号：801112