基于解剖距离及节点相似度的多尺度脑功能网络建模方法研究

Recently, due to the tireless efforts of scholars, the research of brain networks have scored remarkable achievements. There are still many unsolved issues to be explored. Especially the computational cost of large-scale brain networks construction is so enormous. If the process of connection generation could be stimulated by prediction, it would reduce greatly the computational cost. The research will have the extremely vital practical significance.. In response to the problems and deficiencies of extant research, New study ideas are proposed in this project. The main research contents are included as follows: Firstly, the project will apply the link prediction method in resting state functional brain network modeling and propose a novel remodeling method based on nodal similarity and anatomical distance to establish the brain connections generation function which is continuously optimized to achieve the best fit. We then confirm the clinical availability of major depressive disorder (MDD) as a disease model. Secondly, five different percolations resolutions will be defined and the difference of network scaling effects between normal controls and MDDs in graph analytic studies will be investigated. Finally, the project will adjust network model continuously to highlighted the network topology properties between groups. And then aided diagnosis model of MDD using a machine learning algorithm would be constructed which could be helpful in clinical applications.

近年来，脑网络的研究已经取得令人瞩目的成就，但目前该领域仍然存在许多亟待解决的问题。特别是大尺度节点规模的网络构建，其计算成本的消耗十分巨大，如果能够通过预测的方法，实现连接的模拟，从而降低网络构建及分析所需的计算成本，将具有十分重要的现实意义。 . 本项目紧紧围绕着脑网络建模这一国际热点前沿研究领域，针对当前研究的现有问题，开展脑网络建模研究。项目将基于局部信息的链路预测方法引入脑网络建模研究中，提出基于解剖距离及节点相似度的多尺度脑网络建模方法，建立脑连接的生成函数，并不断优化以实现最优拟合。并以抑郁症为疾病模型验证方法的可用性，分别探讨正常人与抑郁症患者不同节点规模尺度下，解剖距离与局部信息对网络拓扑属性的影响。同时，利用优化模型，强化网络差异指标，优化特征选择过程，以构建分类模型，辅助临床诊断。

人脑是现实世界中最为复杂的网络系统之一。近年来，将复杂网络理论应用在神经认知科学中，利用复杂网络基本原理等方法进行属性分析，以期发现网络基本属性及节点间潜在的拓扑关系，为人脑的研究提供了一个新的方向。.本研究基于复杂网络理论，探讨不同尺度规模的节点定义方法；分析不同尺度规模的节点定义在正常人及精神疾病患者中对网络指标的影响差异；提出基于解剖距离和节点相似度的多尺度脑网络建模方法； 提出脑网络多维时空复杂效应分析及建模方法；针对多种网络模型，提取网络表征并构建分类模型，以辅助临床诊断应用。.研究主要创新工作包括有：.（1）不同尺度规模对脑网络拓扑属性组间差异影响分析.研究建立了五种不同尺度节点定义，并计算了图论分析研究中最基本的网络拓扑属性。定量的分析节点规模对于上述拓扑指标的影响，并且比较其在正常人及脑疾病患者中的相似性及差异性。为今后在进行组间指标差异分析时，对于节点尺度的选择提供重要的参考依据。.（2）提出基于局部信息方法的静息态功能脑网络建模技术.研究将局部信息引入功能脑网络建模。结果表明，解剖距离和网络结构相似性的结合很好的实现了网络仿真。不同的局部信息指标仿真效果各有差异，一定程度上反映了脑网络的不同特征。.（3）提出基于动态功能连接的高序脑网络时间效应分析模型.传统的功能连接网络忽略了大脑区域之间功能连接的动态变化，研究提出了一种构建高序功能连接网络的方法。采用滑动时间窗方法，构建高序功能连接网络，以表达功能连接的动态时间信息，将其应用于脑疾病的诊断，得到良好的分类效果。.（4）多特征融合的脑网络特征提取技术.为了解决传统单一特征提取方法所带来的拓扑结构信息丢失问题，研究提出了一种基于多特征融合的功能网络磁共振影像数据分类研究。将脑区特征和子图特征进行融合，并采用多核支持向量机进行分类。