多模态神经影像学习班

1、多模态神经影像学习班第1页，共51页，2022年，5月20日，23点11分，星期二会议简介人脑连接组学（Human Connectome）已成为当前神经科学领域最受关注的研究热点和前沿方向之一，目前采用不同模态的神经成像技术，提取活体人脑的全脑结构与功能连接模式，运用图论分析法揭示脑网络组织形式及其拓扑属性。这种计算和分析框架可以用于神经发育、老化及神经精神等疾病的研究 第2页，共51页，2022年，5月20日，23点11分，星期二参会目的基于多模态神经影像与脑连接组研究具备巨大科研价值和应用潜力，同时由于该类研究属于交叉学科，需要研究者具备多个学科的基础和背景知识，所以作为临床医疗机构，本实

2、验室需要参加此类会议以实现诸多繁琐的计算方法和步骤，从而最终达到提高本实验室的神经科学研究水平的目的 第3页，共51页，2022年，5月20日，23点11分，星期二课程设置4.16 注册、领取材料、软件安装等。（脑成像中心）4.17-01 人脑连接组学研究概况 02 图论知识基础 03 磁共振成像基本原理、数据采集及注意事项 04 DTI的脑结构连接组学计算方法与应用研究 05 脑结构连接组学分析软件PANDA详解4.18-01 fMRI的脑功能连接组学计算方法与应用研究 02 fNIRS的脑功能连接组学计算方法与应用研究 03 脑功能连接组学分析软件Gretna详解4.19-01 基于结构M

3、RI的脑连接组学计算方法与应用 02 神经影像连接组学相关文章撰写与评审 03 脑连接组学可视化软件Brainnet Viewer详解与实例操作第4页，共51页，2022年，5月20日，23点11分，星期二人脑连接组学研究概况2005年，印第安娜大学Olaf Sporns教授正式提出“Connectome”概念。将其定义并描述为大脑内神经连接网络的“地图” 2009年，美国国立卫生研究院（NIH）正式宣布实施“人脑连接组学计划”（Human Connectome Progect,HCP） 第5页，共51页，2022年，5月20日，23点11分，星期二 图论分析法Graph theoretica

4、l analysis第6页，共51页，2022年，5月20日，23点11分，星期二图论知识基础Application of Graph theoretical analysis in Human connectome 图论分析法在脑连接组学中的应用第7页，共51页，2022年，5月20日，23点11分，星期二图论分析法的由来图论分析法（Graph theoretical analysis）是源自瑞士数学家欧拉的哥尼斯堡七桥理论，这个理论不仅解决了当地居民关于能否在不重复走同一座桥的前提下一次性走完哥尼斯堡七桥的困扰，同时开创了数学领域的全新分支图论和几何拓扑 第8页，共51页，2022年，5月

5、20日，23点11分，星期二什么是“网络”？ 网络是由相互分离的多重元素组成，但相互联系并且协同工作的系统 Network is a system consists of multiple elements which are connected and operated together 第9页，共51页，2022年，5月20日，23点11分，星期二网络图论在图论分析法中构成网络的最基本元素为“点”（Nodes）和连接点的“边”(Edges) Graph is made up of nodes and lines called edges that connect them 第10页，共51

6、页，2022年，5月20日，23点11分，星期二衡量网络属性的指标全局度量 （Global metrics）稀疏度 （Sparsity）平均路径长度 (Average path length)丛集系数 (Clustering coefficient)全局效率 (Global efficiency)局部效率 (Local efficiency)节点度量 (Nodal metrics)度 (Degree)度分布 (Degree distribution)介数 (Betweenness)节点效率 (Nodal efficiency)第11页，共51页，2022年，5月20日，23点11分，星期二复杂

7、网络小世界网络 (Small-world network)无标度网络 (Scale-free network)第12页，共51页，2022年，5月20日，23点11分，星期二小世界网络小世界网络（Small-world network）具有较高的全局效率和局部效率，是网络信息传递效率最高的网络形式。而经研究证明人脑网络符合小世界网络属性 第13页，共51页，2022年，5月20日，23点11分，星期二复杂网络的拓扑特性模块化（Module）分布相对稀疏但是联系十分紧密的节点集团即为模块化第14页，共51页，2022年，5月20日，23点11分，星期二 层级性（Hierarchy）各个节点集团之

8、间存在明显的层级关系，上下级之间联系紧密，信息传递效率极高，但不同层级之间只能通过更高层次的节点相互联系，信息传递效率较低第15页，共51页，2022年，5月20日，23点11分，星期二 枢纽中心节点（Rich club ，huds）网络中存在一些与其他诸多节点联系非常机密，在整个网络信息传输中起到关键作用的节点，类似与交通网络中的枢纽第16页，共51页，2022年，5月20日，23点11分，星期二网络图论的应用利用网络的模块化、层级性和中心节点等属性，定义功能节点和感兴趣区，再通过计算机数据分析构建脑网络，从而可以直观的呈现出脑网络结构特性。为进一步的疾病脑网络异常分析提供有效依据 模块定义

9、 (Module Definition) 根据研究目的定义研究模块及感兴趣区 第17页，共51页，2022年，5月20日，23点11分，星期二 数据采集（Data Acquisition）利用磁共振采集数据，设置相关序列及参数 第18页，共51页，2022年，5月20日，23点11分，星期二 网络构建(Constrution of network) 将磁共振采集的数据利用Matlab、GRETNA、PANDA等软件进行处理，生成相关数据矩阵 第19页，共51页，2022年，5月20日，23点11分，星期二 网络可视化（Network Visulization）利用Brainnet Viewer

10、、Tracvis等软件将数据矩阵转换成可视化图片，可以直观的反映网络形式 第20页，共51页，2022年，5月20日，23点11分，星期二相关软件数据处理相关Matlab、GRETNA、PANDA、Brainnet Viewer、Trackvis等软件具体操作过程暂不赘述。第21页，共51页，2022年，5月20日，23点11分，星期二 基于DTI的脑白质网络计算方法及应用研究第22页，共51页，2022年，5月20日，23点11分，星期二基于DTI的脑白质网络计算方法传统脑白质研究方法示踪剂追踪（Axonal tracing） 缺点：有创性，操作复杂，只能用于活体动物实验，追踪纤维有限，同一

11、个体难以多次追踪外科解剖剥离(Surgical dissection) 缺点：只能用于尸体解剖和动物实验，仅能够分离出粗大明显的纤维束第23页，共51页，2022年，5月20日，23点11分，星期二基于弥散张量成像（DTI）研究白质纤维弥散张量成像（Diffusion tensor imaging,DTI）利用水分子在脑白质中的异向性扩散特性来追踪重建白质纤维走向 优点：无创，可直接用于活体人类，操作相对简单，能够得到具体的网络拓扑属性数据，成像质量可靠，可广泛用于各种疾病的研究第24页，共51页，2022年，5月20日，23点11分，星期二DTI纤维追踪原理计算机利用DTI数据把大脑分成无数

12、个体素，并且建立每个体素内的水分子弥散张量模型，通过模型内各个方向的异向性系数估计纤维走向。第25页，共51页，2022年，5月20日，23点11分，星期二DTI的两种追踪方法确定性纤维追踪 (Deterministic Fiber Tracking) 优点：计算消耗时间短，纤维成像清晰 缺点：无法解决纤维交叉问题第26页，共51页，2022年，5月20日，23点11分，星期二 概率性纤维追踪 (Probabilistic Fiber Tracking) 优点：可以有效解决纤维交叉问题 缺点：计算耗时，结果是一种概率性估计，成像效果不及确定性追踪，追踪纤维走向扔有待进一步解剖验证第27页，共5

13、1页，2022年，5月20日，23点11分，星期二基于DTI的脑白质纤维网络构建基本流程第一步：分别采集DTI和结构像数据第二步：用PANDA软件处理DTI数据，得出全脑纤维网络第三步：运用GRATNA软件将全脑纤维网络数据和结构像数据相配对，并选取ROI 节点，进行特征化处理第四步：分别用以上方法处理所有病人组和对照组数据，再做统计学检验，最后通过Brainnet Viewer或Trackvis软件生成纤维网络图及相关复杂网络拓扑属性指标统计数据第五步：综合数据分析讨论 第28页，共51页，2022年，5月20日，23点11分，星期二 基本流程示意图（单个数据纤维追踪和特征化处理）第29页，

14、共51页，2022年，5月20日，23点11分，星期二 基本流程示意图（数据总体处理步骤）第30页，共51页，2022年，5月20日，23点11分，星期二 基本流程示意图（复杂网络拓扑属性统计检验）第31页，共51页，2022年，5月20日，23点11分，星期二 基本流程示意图（数据结果生成）第32页，共51页，2022年，5月20日，23点11分，星期二基于DTI研究脑白质纤维网络的问题与挑战脑节点选取方案无同一标准第33页，共51页，2022年，5月20日，23点11分，星期二 边权重的定义概念模糊，难以标准化第34页，共51页，2022年，5月20日，23点11分，星期二 网络参数是否可

15、重复？个体差异第35页，共51页，2022年，5月20日，23点11分，星期二基于DTI的脑白质网络的应用研究复杂网络的拓扑属性描述第36页，共51页，2022年，5月20日，23点11分，星期二 大脑正常发育研究 正常发育研究发现between-module strength在0-20岁研究组内随年龄增长而增强，支持大脑发育的表现第37页，共51页，2022年，5月20日，23点11分，星期二 正常发育研究发现结构连接（SC）和功能连接(FC)两者的相关性（Correlation）在0-20岁组内随年龄增长而加强第38页，共51页，2022年，5月20日，23点11分，星期二智力水平相关性研

16、究正常智力水平研究组，全局效率（Global Efficiency）随着IQ值得增加而增长，支持智力水平高者脑信息处理的高效率。第39页，共51页，2022年，5月20日，23点11分，星期二神经系统疾病研究Alzheimers Disease病人在全局效率、相关hubs的度及介数等拓扑属性指标和健康人相比成下降趋势，支持AD病人大脑认知功能下降的临床表现第40页，共51页，2022年，5月20日，23点11分，星期二 精神分裂症（Schizophrenia）与Health controls 相比，Rich-club level呈下降趋势，支持该类患者认知功能下降，并且存在结构连接和功能连接相

17、关性（SC-FC Coupling）下降的现象第41页，共51页，2022年，5月20日，23点11分，星期二 功能性近红外光谱成像在脑连接组学中的研究 Functional Near Infrared Spectroscopy(fNRIS) Imaging第42页，共51页，2022年，5月20日，23点11分，星期二功能性近红外光谱成像在脑连接组学中的研究Functional Near Infrared Spectroscopy(fNRIS) Imaging.第43页，共51页，2022年，5月20日，23点11分，星期二什么是近红外线？ 近红外线波长长，穿透力好,不易被组织吸收，反射量大

18、第44页，共51页，2022年，5月20日，23点11分，星期二fNRIS的构成发射源：发射近红光 探头：接收组织发射回的近红光计算机：数据处理分析第45页，共51页，2022年，5月20日，23点11分，星期二多通道fNRIS机 探头的数量可以根据研究实际人为的减少或增加，可操作性强第46页，共51页，2022年，5月20日，23点11分，星期二fNRIS工作原理 激活的脑区脱氧血红蛋白含量增高，对近红光的吸收增加，反射量减少，从而产生信号差异第47页，共51页，2022年，5月20日，23点11分，星期二fNRIS与fMRI相比的优缺点 第48页，共51页，2022年，5月20日，23点11分，星期二fNRIS用于静息态功能连接（RSFC）的研究方法根据光密度的改变分析Oxy-Hb和Deoxy-Hb的含量差异，识别出激活脑区，最后做相关分析第49页，