面向AD进行性神经改变的脑功能网络演化建模与神经功能评估方法研究

Aiming at the complexity and uncertainty progressive neurological changes after AD and the issues encountered in the diagnosis and treatment of AD,this project makes use of information theory, complex network theory and computational experiments method to investigate modeling approaches and analytical methods of functional brain network, the mechanism of progressive neurological changes after AD,the early diagnosis of AD, and the evaluation of neurological function after AD. According to our experimental paradigm designed, the resting-state fMRI data derived from each period of AD will be acquired. Based on information theory, we explore new modeling and analysis methods of functional brain network which are applied to establish functional brain network with high test-retest reliability and better approximation to the actual mechanism of brain network. Afterwards, we will explore novel algorithm of network modularity and new definition of Hub nodes which is more in line with neurophysiology. On the basis of computational experiments, functional brain network evolution model will be built in order to simulate the dynamic progressive neurological process after AD at the brain network level. Then, we will get more comprehensive knowledge and understanding on the AD.Based on the investigations above, a quantitative model will be built for early diagnosis and neurological function evaluation of AD according to the scale of brain network.Our study, providing new methods and technical support for AD diagnosis and clinical treatment, have potential prospects for clinical applications prospect.It is of significance to extend the research methods and ideas in this project for the study of other neurological diseases.

针对AD进行性神经改变的复杂性、不确定性等特点，围绕AD临床诊治中遇到的问题，运用信息论、复杂网络理论、计算实验等理论和方法，对脑功能网络建模与分析方法、AD进行性神经改变机制、以及AD早期诊断及神经功能评价等问题进行研究：根据实验范式设计，采集AD不同阶段静息态功能磁共振影像；研究新的基于信息论的脑功能网络建模与分析方法，以建立高重测信度、更加逼近大脑实际工作机制的脑功能网络，探索新的更符合神经生理学的网络模块化算法及Hub节点定义；建立基于计算实验的AD脑功能网络演化模型，以模拟脑网络层面AD进行性神经改变的动态演化过程，获得对AD神经病变进程更完整、更全面的认识和理解；基于上述研究，构建基于大脑网络尺度的AD早期诊断及神经功能评价的量化模型，为AD辅助诊断与临床治疗提供新的方法和技术支持，具有潜在的临床应用前景。本项目的研究方法和思路可以推广到其它神经疾病的研究，具有广泛的研究意义。

利用复杂网络、信息论、计算实验等理论和方法，围绕AD脑功能网络建模与分析、计算机辅助诊断与神经功能评估进行深入研究，取得了如下研究成果：在AD脑功能网络建模与分析方面，提出了基于滑窗-子网投票的脑功能网络建模方法，具有很好的鲁棒性，显著提高了网络拓扑属性的组内一致性和组间差异性；采用jPCA算法进行静息态功能磁共振数据信息约简，发现其动力学运动轨迹呈现顺时针类圆形旋转，证明了静息态是一个低频率、长周期的基本生理活动状态；提出了基于相似性和标签传播的分步模块发现算法、基于一致性的模块发现算法、以及基于LEGClust的层次模块化结构发现算法，研究了AD脑功能网络的动态组织模式及层次性模块化结构改变。在面向AD进行性神经改变的脑功能网络演化建模方面，研究了AD的神经系统改变，提出了一种AD脑功能网络演化模型，有效模拟了脑网络水平健康人到AD的动态病变过程，很好地捕获了AD病变过程中网络拓扑特性的动态变化，为探索AD可能的病理机制提供了一种新视角；在AD计算机辅助诊断及神经功能评估方面，提出了基于子空间对齐的迁移学习方法，显著提高了超小样本集识别的准确率，有效解决了计算机辅助医学诊断中超小样本集的学习及辨识问题；提出了基于区域二值化协方差特征的3D-PCANet方法，在具有很好的旋转/尺度不变性、自适应性、以及抗噪能力的同时，避免了编码过程中信息的损失，获得很好的识别效果；比较了多种不同模式分类方法，证实了支持向量机在AD辨识精度上明显优于其它分类器，为后续AD辅助诊断提供了参考；研究了NC、EMCI、LMCI、以及AD四个阶段脑功能网络拓扑属性的改变，通过抽取合理的指标，构建了脑功能网络水平的AD神经功能评分模型，统计分析验证了模型合理性。本项目的研究方法和思路可以推广到其它神经疾病的研究，具有广泛的研究意义。