基于多尺度、多模态脑影像数据的融合研究

Brain imaging data has multiple scales, such as: image scale, clinical behavior scale. It has multiple modalities, such as: function magnetic resonance imaging, structure magnetic resonance imaging, diffusion tensor imaging. It has a great variety of sources of data as well. The multi-scale, multi-modal brain image data provides a different perspective on the study of brain function and structure. It is useful for us to understand the pathogenic mechanism if we integrate all these data together and maximize the use of existing data information. The project intends to study the contents of the following aspects: (1) By integrating the image data and clinical data, we can construct the multi-scale dynamic network model with the stratification method. (2) By integrating the image data and the symptom score together, we can study the sub-class of schizophrenia which is consistent with the clinical judgment. (3) By integrating the image data and the symptom score together, we seek for the connectivity circuit with most significant difference, which is correlated with the symptom score as well. (4) By integrating the multi-modal MRI data, we can find the biological marker that spans multiple modes with random field theory, which can improve the efficiency of the multiple tests. Finally, we apply the above methods to the multi-source public data with Meta-analysis, to test the robustness of the method.

脑影像数据有多尺度（影像尺度、临床行为尺度等）、多模态（功能磁共振成像、结构磁共振成像、弥散张量成像等）、还有多种数据来源。这些多尺度、多模态的数据提供了关于脑功能和结构研究的不同视角，将这些数据融合起来进行分析，最大程度利用现有数据的各种信息，有利于深入了解精神疾病的致病机理。本项目的研究内容：（1）将影像数据和临床行为数据融合起来，考虑患者个体特异性，利用层化研究法构建患者多尺度动力学网络模型；（2）将影像数据和临床症状得分融合起来，利用模块化方法进行分析，得到理论和临床一致的精神分裂症子类划分；（3）将影像数据和症状得分融合起来，寻找差异最显著的连接回路，该回路和症状存在显著关联；（4）将多模态数据融合起来，利用随机场理论寻找横跨多模态的生物标记，由于大脑具有空间相关性，该方法可以提高多重比较的检验功效。最后利用Meta分析将上述方法应用于多源的公共数据，以检验方法的稳健性。

本项目的研究内容是基于多尺度、多模态的脑影像数据融合分析。脑影像数据有多尺度（影像尺度、临床行为尺度等）、多模态（功能磁共振成像、结构磁共振成像、弥散张量成像等）、还有多种数据来源。这些多尺度、多模态的数据提供了关于脑功能和结构研究的不同视角，将这些数据融合起来进行分析，最大程度利用现有数据的各种信息，有利于深入了解精神疾病的致病机理。基于中南大学湘雅医院、台湾台大医院、以及一些公开的数据集，我们进行了下列几个方面进行研究，基本完成了预定的研究任务。（1）将影像数据和临床行为数据融合起来，考虑患者个体特异性，构建患者多尺度动力学网络模型，研究大脑网络的动态特征；（2）将影像数据和临床症状得分以及认知行为数据融合起来，进行影像-行为关联分析，寻找差异最显著的连接回路；(3）将多模态数据融合起来，寻找横跨多模态的影像学标志物，并分析不同模态之下，影像学标志物之间的一致性; 同时利用Meta分析研究跨中心数据集的稳健的影像标志物；（4）针对2020年出现的新冠疫情，本团队在第一时间和一线医务人员合作，对新冠病毒肺炎危重症患者精建立死亡预测模型。