精细空间尺度下的静息态功能脑网络分析方法研究

随着人们对静息状态脑功能网络研究的逐步深入，探索不同空间尺度下，尤其是高分辨率精细空间尺度下功能脑区之间的连接关系以及脑网络的组织结构变的十分必要和迫切。本项目针对传统分析方法在提取精细空间尺度下的静息态脑网络方面存在的局限性，依据脑功能区的局部一致性原则和静息状态功能相似脑区的BOLD信号的低频振荡同步性原则，结合图像处理中的双边滤波思想和多元统计量RV系数，设计并构建一套用于精细空间尺度下静息态脑网络分析的多元统计算法流程。该分析方法建立在严格的理论论证和仿真实验的有效性分析基础上，并应用于静息状态面孔认知脑功能网络的分析。本研究将为静息态脑网络这一当前认知神经科学的热点问题提供适合的分析工具和寻求新的科学依据。

到目前为止，该项目指标已按照项目申请书所提的计划和目标顺利完成。 首先，我们按照项目规划提出并构建了一套用于精细空间尺度下静息态脑网络分析的多元统计算法流程。对于静息态fMRI数据结构的特点, 我们提出首先采用K最近邻(K-nearest neighbors，KNN) 算法来对种子区域进行分类和提纯；其次，采用基于RV系数的多元功能连接度计算框架，将图像处理中的双边滤波思想和度量多元相似性的统计量RV系数巧妙结合，在最大限度去除空间噪声的同时有效的保持空间特征信息，获取精细尺度空间下的静息态功能连接度图谱；另外，针对多元相RV关系数显著性检验计算难度大的问题，我们提出采用连续函数逼近的方法解决RV系数连接度图谱的假设检验问题。我们开发了基于matlab 和R的算法平台；最后，我们将这一分析方法应用于精细空间尺度下静息态面孔认知脑网络的分析中, 我们的实验结果表明，静息状态下，存在一个包括FFA (Fusiform face area,梭状回面孔加工区)，OFA（occipital face are，枕叶面孔加工区），STS （superior temporal sulcus, 颞上沟）在内的核心面孔加工脑网络,这暗示了即使在不受任何外界刺激的静息状态下，一些与面孔认知相关的脑区仍然存在表明它们有连接关系的自发同步低频振荡。除此之外，前额叶和顶叶的部分脑区也包含在该静息态面孔加工脑网络中。我们的结论为当前认知神经科学热点问题静息态脑网络的研究提供了适合的分析工具和科学依据。. 在学术研究方面，我们共发表文章4篇SCI或EI检索文章，其中1篇发表在认知神经科学高水平杂志NeuroImage（IF=6.252）上,另有3篇发表在该领域有影响力的国际会议上。. 在国际交流与合作方面，我们在该项目的资助下多次参加与本领域相关的国际会议和学术研讨会，与同领域专家学者积极交流互动，探讨该领域的发展方向和前沿成果。