1、多模态神经影像与脑连接组学专题会议 Special sessions for Multi-modeling imaging and Human connectome,会议时间：2015-04-17 04-19 会议地点：北京师范大学认知神经科学与学习 国家重点实验室/麦戈文脑研究院 参会人员：夏春生 张栋,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
2、,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,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
3、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MRI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,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）,图论分析法 Graph theoretical analysis,
4、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,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,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 elemen
5、ts which are connected and operated together,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,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 (Lo
6、cal efficiency) 节点度量 (Nodal metrics) 度 (Degree) 度分布 (Degree distribution) 介数 (Betweenness) 节点效率 (Nodal efficiency),复杂网络,小世界网络 (Small-world network) 无标度网络 (Scale-free network),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,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
7、为模块化,层级性（Hierarchy）各个节点集团之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,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,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 (Module Definition) 根据研究目的定义研究模块及感兴
8、趣区,数据采集（Data Acquisition）利用磁共振采集数据，设置相关序列及参数,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,网络可视化（Network Visulization）利用Brainnet Viewer、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,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。,基于DTI的脑白质网络计算方法及应用研究,基于DTI的脑
9、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,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,DTI纤维追踪原理,计算机
10、利用DTI数据把大脑分成无数个体素，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。,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,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,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
11、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,基本流程示意图（单个数据纤维追踪和特征化处理）,基本流程示意图（数据总体处理步骤）,基本流程示意图（复杂网络拓扑属性统计检验）,基本流程示意图（数据结果生成）,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,边权重的定义概念模糊，难以标准化,网络参数是否
12、可重复？个体差异,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,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,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,智力水平相关性研究,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。,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
13、比成下降趋势，支持AD病人大脑认知功能下降的临床表现,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关性（SC-FC Coupling）下降的现象,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,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.,什么是近红外线？,近红外线
14、波长长，穿透力好,不易被组织吸收，反射量大,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,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,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,fNRIS与fMRI相比的优缺点,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,fNRIS研究结果与fMRI相比具有一致性,根据相关对比研究证明fNRIS同样可以用于网络属性分析,展望与希冀,fNRIS与fMRI相比具有相似的功能，同时又具有价格便宜，操作简便，高时间分辨率、设备无噪音，头动要求低，患者被试易合作，婴幼儿和体内金属植入者都可以使用等明显优势。目前国内此领域研究刚刚起步，只有极少数医院引进此类设备，希望我科室能够引起足够重视，可作为科研设备或者常规检查仪器引入,
