数据—模型相结合的大脑功能网络连接特征分析

发布时间：2018-03-12 14:52

本文选题：功能磁共振成像　切入点：数据模型　出处：《常州大学》2017年硕士论文　论文类型：学位论文

【摘要】：脑功能网络的研究是近年来的一项研究热点,大部分研究采用数据和模型相分离的分析方法。医学数据的诊断在疾病特征明显时比较有帮助,在疾病特征不明显时诊断效果不明显,例如抑郁症、自闭症等。模型方法的研究偏向于方法的复杂程度,脱离了对医学数据本身特性上的分析。因此本文采用了数据模型相结合的方法来分析脑功能网络所具有的连接特征,数据模型相结合的方法不仅重视了医学数据本身所具有的的疾病特征,而且有助于在方法模型上探索疾病的内在规律。本文主要以正常人和脑疾病患者的静息态功能磁共振成像数据为研究载体,以活跃度、复杂网络、搜索算法和相关性分析为模型对度、聚类系数、网络直径、小世界特性等节点和网络的连接特征进行分析。本文以数据模型相结合的方法为研究内容,主要分为以下三个部分:(1)大脑功能网络节点的活跃度特性分析。提出了一种基于节点活跃度模型的大脑活跃程度判断方法,用于研究大脑功能网络的节点和网络连接特征。首先,利用功能性磁共振成像(fMRI,functional Magnetic Resonance Imaging)数据构建脑疾病患者的大脑功能网络,计算节点度、聚类系数和平均距离,并将这些指标与正常被试指标进行对比分析,比较其异同点。其次,在上述网络基础理论的基础上提出活跃度模型,并将其应用于大脑功能网络的节点和网络连接特征分析。最后,通过脑功能网络节点的活跃度分析各大脑区域的活跃程度分布及其在脑结构中的连接状态,刻画真实脑网络节点的活动状态及其连接情况。分别测定正常被试与脑卒中患者相关脑区的低频振幅(ALFF,Amplitude of Low Frequency Fluctuation)值,比较和判断对应节点的活跃程度,结果进一步验证了用节点活跃度模型分析大脑功能连接特征的可行性。(2)大脑默认模式网络(DMN, Default Mode Network)的哈密顿路径研究。应用哈密顿路径模型研究大脑默认模式网络的功能连接特征。首先,以静息态功能磁共振数据为基础构建大脑默认模式网络,采用迪杰斯特拉算法模型计算代表各脑区的网络节点的最短路径长度。其次,通过改进的自适应蚁群算法模型对默认网络的哈密顿路径距离进行求解。最后,采用复杂网络模型研究正常人与脑卒中患者大脑功能连接的节点属性和网络属性并将其进行对比分析。结果表明,脑卒中患者和正常人的默认模式网络功能连接特征存在着明显的差异性,尤其在其哈密顿路径距离上表现特别显著,从另一方面也验证了应用哈密顿路径模型研究大脑默认模式网络功能连接的有效性。(3)脑功能网络个体差异性分析。应用相关性模型研究脑功能连接之间的异同点。首先,根据fMRI数据构建个体脑功能网络和脑数据均值网络。其次,计算个体脑功能网络和脑数据均值网络的度、聚类系数、网络直径等节点和网络属性的特征值。最后,应用相关性模型分别比较个体脑功能网络之间及其与脑数据均值网络之间在上述特征方面的关联程度。研究发现,脑疾病大脑功能网络的个体间和整个大脑功能网络的平均在上述特性方面具有明显的差异性,而个体脑功能网络相互之间在上述特性却存在较大的相似性。本文将正常人、脑卒中、自闭症的fMRI数据与活跃度模型、蚁群算法模型、相关性模型相结合,分析了其脑功能网络的连接特征。分析发现,脑卒中和自闭症的fMRI数据与正常人fMRI数据的连接特征具有差异性,同时疾病内在连接特征具有相似性,为临床辅助诊断提供了一定的科学依据。
[Abstract]:......
【学位授予单位】：常州大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R741.04;TP18;O157.5

【参考文献】