基于动态连接特性的功能脑区划分及其在帕金森病研究中的应用

With the development of brain connectivity network studies, data-driven connectivity-based brain region parcellation approaches have been of great interest. However, although they have largely improved the functional homogeneity of the estimated brain ROIs, most current methods are based on the static assumption, which neglects the possibility that the spatial patterns of ROIs may change over time. Previous studies have demonstrated that the temporal properties of voxels within each brain region are evolving over time, and the distribution of the brain regions is dependent on the cognitive states. Combining the additional dynamic connectivity patterns therefore is important in the brain ROI parcellation, which would define the dynamic connectivity consistent brain regions. The dynamic patterns of brain functional subunits would extend our understanding on the brain organization and the temporal-spatial patterns of ROIs themselves may shed new lights on brain functions. We would further apply the proposed methods in Parkinson’s Disease studies, investigating the spatial-temporal patterns of habitual movement control related striatum subunits.

近年来，基于连接特性的功能脑区划分极大地促进了脑科学的研究。然而，现有的基于连接特性的脑区划分算法主要依赖于静态连接特征，尚未考虑到大脑活动的动态特性，忽略了大脑的动态系统本质，因此结合大脑的动态连接特征进行功能区域划分，是亟待解决的问题。在本课题中，我们将从两个不同的角度对动态大脑功能区域划分展开全方位地探索，一方面使用外部参考脑区的动态连接特征估计更为精细的功能区域；另一方面研究多状态联合的动态大脑功能区域划分，学习不同状态下的大脑功能亚区变化。我们将通过设计、融合和改进新颖的机器学习算法，为动态大脑功能区域划分研究提供有效的解决方案，并进一步将提出的算法应用于帕金森病纹状体区域内两种运动环路相关的大脑功能亚区的学习，从而揭示帕金森病对习惯性运动功能相关大脑亚区的影响。该研究的展开可以进一步加深我们对大脑的认识，为相关脑部疾病的研究提供新的方法和视角。

基于连接特性的功能脑区划分弥补了传统大脑分区的不足，进一步加深了我们对大脑功能和结构的认识，是研究大脑功能分化和整合的基础，也为研究疾病对大脑功能的影响提供了支持和帮助。然而目前基于连接特性的功能脑区划分忽视了大脑活动的动态性，针对这个问题，本项目开展了基于动态连接特性的大脑功能分区和特性的研究，提出了联合时序分割算法，估计了时序稳定的功能子区，并将其应用于帕金森病人壳核区域的功能划分，发现了帕金森影响下壳核不同区域表现出了显著下降的功能特异性；提出了状态相关的动态联合盲源分离算法，是联合盲源分离算法的新探索，解决了多数据集多维信号的动态联合分析问题；提出了基于联合盲源分离的功能子区活动表征和大脑连接估计的新方法，弥补了目前功能区域活动表征研究的匮乏；基于动态连接特性，探索了其作为帕金森病生物标志物的可能性，为帕金森病的诊断、评估和治疗提供了有潜力的影像学指标。在本项目的支持下，研究团队还探索了非侵入式前庭电刺激对大脑功能区域活动和连接的影响，开展了其作为帕金森病运动障碍改善的可能方法，开展了基于深度学习的生理医学数据模型和方法的研究，为医学人工智能的研究奠定了基础。综上所述，在项目执行期间，项目团队建立了生理医学数据预处理的标准流程，具备了对大量脑影像和电生理数据处理的能力，按计划开展了对大脑功能分区和动态连接特性的研究，开发了适用于生理医学信号分析的人工智能算法。在本项目的支持下，共发表高水平SCI期刊论文11篇(其中项目负责人第一/通讯作者论文9篇)，相关成果在国内外同行中产生了积极的影响。此外，申请了国家发明专利7项(授权1项)，培养研究生8名。项目组成员积极与国内外的高校和医学研究中心开展了紧密的合作和广泛的学术交流，努力推动将研究成果转化于临床研究和应用中。