多模态脑功能复杂网络分析方法及应用研究

The human brain is a complex network with interactions by numerous neurons, clusters of neurons, or various brain regions. The research on the brain network by the complex network theory is not only provide a new perspective for understanding the pathological mechanisms of mental diseases, but also expected to provide biomarkers for the early diagnosis of diseases from the perspective of the brain network. This project explores the multi-modal brain network construction methods and evaluation systems such as resting state, function network in task state, nerve fibers, and anatomical structure, in order to establish a multi-modal brain network. Then using the complex network theory, improving and developing brain network analysis methods, introducing analysis indicators including network information entropy, and improving the static features extraction and societies discovery algorism of the brain network topology. It explores the relevance between the structural brain network and the function brain network. It establishes classification modal using machine learning algorisms combined with the features of brain network. It further verifies the clinical availability of the method by using depression as a disease modal, finding imaging signs of depression in early diagnosis from multi-angel network level as global properties, local properties, and society analysis. This project is combined with computer science, information science, neuroscience and clinical medicine, and closely integrated with resolving early diagnosis and intervention of major brain diseases, a major national demand.

人脑是大量神经元、神经元集群或者脑区相互作用的复杂网络，利用复杂网络理论研究脑网络可以为理解精神类疾病的病理机制提供了新视角，也有望从脑网络角度为疾病的早期诊断提供生物标记。本项目探讨包括静息态、任务态功能网络、神经纤维与解剖结构等多模态脑网络构建方法及评价体系，完成多模态脑网络的构建；在此基础上，利用复杂网络理论，完善和发展包括基于复杂网络理论的脑网络分析方法，引进包括网络信息熵等分析指标，改进脑网络拓扑结构静态特征提取和社团结构发现算法；探索结构脑网络及功能脑网络的关联性；利用机器学习算法，结合脑网络特征，建立分类模型；进一步利用抑郁症作为疾病模型验证上述方法的临床可用性，从全局属性、局部属性、社团化分析等多角度网络水平上发现抑郁症早期诊断的影像学标志。本项目是计算机科学、信息科学、神经科学和临床医学等多学科综合交叉，与解决重大脑疾病的早期诊断和干预这一国家重大需求紧密结合。

本项目研究重点是多模态脑网络的构建方法，利用复杂网络技术分析脑网络，将其应用于探索抑郁症等脑疾病状态下脑网络的变化规律，力求发现重大脑疾病早期诊断的影像学标志，为建立辅助诊断模型提供基础。.项目组首先分析了静息态与任务态、结构影像与功能影像、核磁数据与脑电数据等不同脑影像数据特点，针对脑网络构建中节点和边的定义等关键问题，对比了不同脑膜板以及皮尔逊相关、非线性连接同步似然、相位滞后对脑网络构建的影响，同时也对滤波频段和网络稀疏度阈值的设置进行了研究。针对无向无权脑网络，项目组利用跨稀疏度网络属性及脑网络社团化差异分析等技术，从全局属性、局部属性、社团化分析等多角度，完成脑网络拓扑属性分析，深入挖掘脑网络属性表征，最大化脑疾病状态下拓扑属性组间特征差异。为了减少稀疏度选取带来的弊端，利用Kruskal算法，构建了具有最小总权重且不构成环路的加权无向子图（即最小生成树）。对于任务态MRI数据，使用PPI来构建任务态脑网络，探讨特定脑区不同认知状态的功能连接差异。针对大脑偏侧化现象，探讨了脑网络偏侧化现象。项目组将以上脑网络构建及分析技术应用在抑郁症、AD等脑疾病中，发现了患者异常的脑网络模式。除此之外，项目组还将排列熵、模糊熵、样本熵等复杂度指标以及Reho、fALFF、ALFF等指标应用于脑疾病患者的fMRI分析，发现患者在这些指标在某些脑区存在异常表现，且不同指标之间存在一定程度的相关。.项目组对比了常见的特征选择算法，包括主成分分析、显著性分析、logistic回归分析和ROC曲线分析等，提出了一种基于引力搜索的特征选择算法。另外，项目组对比了常见的分类算法，为了减少特征选择对后续分类过程的影响，项目组提出基于PCA的集成分类学习算法。通过主成分分析得到不同能量的特征子集，用这些子集训练线性分类器，作为弱分类器，通过投票方式得到分类结果。结果表明该算法可以提高分类准确率。根据抑郁症多侧面异常特征，项目组开发了抑郁症影像学辅助诊断原型，该原型系统具有多模态影像数据导入及预处理、脑网络构建、脑网络属性计算、统计检验、分类模型训练与保存、预测诊断等功能。