基于静息态功能磁共振成像的脑网络多尺度拓扑映射与分析方法研究

The human brain is inherently a complex dynamic system. Characterized by spatially interconnecting and temporally varying at different scales, the brain is therefore versatile and able to perform diverse functions. Studying functional networks of the brain from different scales and levels, we can better understand how the brain networks are organized locally and globally, and how the information is transferred, coordinated and integrated among the networks. This project aims to study interconnections of brain functional networks and reveal or map the topological architecture of such connections using functional magnetic resonance imaging under resting state. We first propose a new algorithm based on Partner Matching and Independent Component Analysis (PM-ICA), to detect reliable independent components, each of which represents a functionally connected network that is spatially isolated from the other networks. Then, we introduce a nonlinear Granger causality model to investigate causal influence between the isolated functional networks. Furthermore, in the mesoscale model, a new framework, "ICA-PGCA-SEM", is designed to explore the interactions of sub-network in the brain. Finally, at the large scale, we propose a novel method to investigate the whole brain network based on partial correlation analysis of time series. Then the community structure of functional network was detected by using the different community detecting algorithm, which helps us explore the neural mechanisms. This project is of crucial importance in understanding theoretical basis of brain network algorithms as well as prevention and treatment of mental disease in clinical.

大脑是一个复杂动力学系统，多层次的神经元网络结构和动态特征，造就大脑在功能上的复杂性。从不同尺度来研究脑功能网络，更容易把握人脑网络的特性，更好地了解信息流在大脑中的流向、整合和协调方式。本课题拟从不同尺度来研究静息态fMRI脑功能网络的连接，构建不同层次的有向网络。首先，提出一种PM-sICA算法来解决传统ICA分析中的一些问题，为脑功能网络研究提供技术保障；其次，引入非线性Granger因果模型，研究基于ROI的小尺度脑功能网络的线性和非线性因果关系；再次，提出一种中尺度脑网络连接的ICA-PGCA-SEM分析框架，研究内在连接子网络之间的相互作用及关联模式；最后，提出一种基于时间序列偏相关分析的大尺度脑网络分析方法，研究全脑功能网络的社团结构特性，理解全局网络属性及全脑信息流协调方式。本项目的研究成果无论是在脑功能网络的算法研究中还是在临床脑部疾病的预防和治疗上都具有重要的意义。

大脑是一个复杂动力学系统，多层次的神经元网络结构和动态特征，造就大脑在功能上的复杂性。为了能更好地从不同尺度来研究脑功能网络，把握人脑网络的特性，本课题首先建立了一套标准化的fMRI数据分析平台（ezfMRI），它由三大处理模块MDTP（MRI Data Transferring and Preprocessing）、FDTP（fMRI Data Transformation and Processing）和FDMA（fMRI Data Model-based Analysis）组成。该分析平台已成为哥伦比亚大学医学中心人脑影像实验室（Brain Imaging Lab）针对fMRI数据分析的标准化处理平台；其次，提出的PM-sICA算法较好地解决了传统ICA分析估计中模型阶数估计和独立成分选择问题，为脑功能网络研究提供技术保障；再次，引入SVM-RFE算法和非线性Granger因果模型，研究小尺度脑功能网络的线性和非线性因果关系；并在PM-sICA算法的基础上，提出一种中尺度脑网络连接的ICA-PGCA-SEM分析框架，研究内在连接子网络之间的相互作用及关联模式；提出基于L1-norm优化的神经网络模型GMFNN（Generalized Minimum Fuel Neural Network），为人脑BOLD-fMRI数据中包含outliers、spiking或者非高斯噪声时，提供一个鲁棒的稀疏的解决方案；然后，通过fMRI数据分析平台，研究多动症青少年患者经过颅神经微电流刺激疗法（Cranial Electrotherapy Stimulation）治疗前后的脑部网络连接的变化，以检验PM-sICA算法及非线性Granger因果模型的有效性；最后，根据基于时间序列偏相关分析的大尺度脑网络分析方法，开发了一套rsfMRI脑网络数据分析平台（rsfMRI data Analysis of Brain Networks, FABN），利用多种社团划分算法，研究全脑功能网络的社团结构特性，理解全局网络属性及全脑信息流协调方式。