多模態(tài)神經(jīng)影像學(xué)習(xí)班

1、多模態(tài)神經(jīng)影像學(xué)習(xí)班第1頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二會(huì)議簡(jiǎn)介人腦連接組學(xué)（Human Connectome）已成為當(dāng)前神經(jīng)科學(xué)領(lǐng)域最受關(guān)注的研究熱點(diǎn)和前沿方向之一，目前采用不同模態(tài)的神經(jīng)成像技術(shù)，提取活體人腦的全腦結(jié)構(gòu)與功能連接模式，運(yùn)用圖論分析法揭示腦網(wǎng)絡(luò)組織形式及其拓?fù)鋵傩?。這種計(jì)算和分析框架可以用于神經(jīng)發(fā)育、老化及神經(jīng)精神等疾病的研究 第2頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二參會(huì)目的基于多模態(tài)神經(jīng)影像與腦連接組研究具備巨大科研價(jià)值和應(yīng)用潛力，同時(shí)由于該類研究屬于交叉學(xué)科，需要研究者具備多個(gè)學(xué)科的基礎(chǔ)和背景知識(shí)，所以作為臨床醫(yī)療機(jī)構(gòu)，本實(shí)

2、驗(yàn)室需要參加此類會(huì)議以實(shí)現(xiàn)諸多繁瑣的計(jì)算方法和步驟，從而最終達(dá)到提高本實(shí)驗(yàn)室的神經(jīng)科學(xué)研究水平的目的 第3頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二課程設(shè)置4.16 注冊(cè)、領(lǐng)取材料、軟件安裝等。（腦成像中心）4.17-01 人腦連接組學(xué)研究概況 02 圖論知識(shí)基礎(chǔ) 03 磁共振成像基本原理、數(shù)據(jù)采集及注意事項(xiàng) 04 DTI的腦結(jié)構(gòu)連接組學(xué)計(jì)算方法與應(yīng)用研究 05 腦結(jié)構(gòu)連接組學(xué)分析軟件PANDA詳解4.18-01 fMRI的腦功能連接組學(xué)計(jì)算方法與應(yīng)用研究 02 fNIRS的腦功能連接組學(xué)計(jì)算方法與應(yīng)用研究 03 腦功能連接組學(xué)分析軟件Gretna詳解4.19-01 基于結(jié)構(gòu)M

3、RI的腦連接組學(xué)計(jì)算方法與應(yīng)用 02 神經(jīng)影像連接組學(xué)相關(guān)文章撰寫與評(píng)審 03 腦連接組學(xué)可視化軟件Brainnet Viewer詳解與實(shí)例操作第4頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二人腦連接組學(xué)研究概況2005年，印第安娜大學(xué)Olaf Sporns教授正式提出“Connectome”概念。將其定義并描述為大腦內(nèi)神經(jīng)連接網(wǎng)絡(luò)的“地圖” 2009年，美國國立衛(wèi)生研究院（NIH）正式宣布實(shí)施“人腦連接組學(xué)計(jì)劃”（Human Connectome Progect,HCP） 第5頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 圖論分析法Graph theoretica

4、l analysis第6頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二圖論知識(shí)基礎(chǔ)Application of Graph theoretical analysis in Human connectome 圖論分析法在腦連接組學(xué)中的應(yīng)用第7頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二圖論分析法的由來圖論分析法（Graph theoretical analysis）是源自瑞士數(shù)學(xué)家歐拉的哥尼斯堡七橋理論，這個(gè)理論不僅解決了當(dāng)?shù)鼐用耜P(guān)于能否在不重復(fù)走同一座橋的前提下一次性走完哥尼斯堡七橋的困擾，同時(shí)開創(chuàng)了數(shù)學(xué)領(lǐng)域的全新分支圖論和幾何拓?fù)?第8頁，共51頁，2022年，5月

5、20日，23點(diǎn)11分，星期二什么是“網(wǎng)絡(luò)”？ 網(wǎng)絡(luò)是由相互分離的多重元素組成，但相互聯(lián)系并且協(xié)同工作的系統(tǒng) Network is a system consists of multiple elements which are connected and operated together 第9頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二網(wǎng)絡(luò)圖論在圖論分析法中構(gòu)成網(wǎng)絡(luò)的最基本元素為“點(diǎn)”（Nodes）和連接點(diǎn)的“邊”(Edges) Graph is made up of nodes and lines called edges that connect them 第10頁，共51

6、頁，2022年，5月20日，23點(diǎn)11分，星期二衡量網(wǎng)絡(luò)屬性的指標(biāo)全局度量 （Global metrics）稀疏度 （Sparsity）平均路徑長(zhǎng)度 (Average path length)叢集系數(shù) (Clustering coefficient)全局效率 (Global efficiency)局部效率 (Local efficiency)節(jié)點(diǎn)度量 (Nodal metrics)度 (Degree)度分布 (Degree distribution)介數(shù) (Betweenness)節(jié)點(diǎn)效率 (Nodal efficiency)第11頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二復(fù)雜

7、網(wǎng)絡(luò)小世界網(wǎng)絡(luò) (Small-world network)無標(biāo)度網(wǎng)絡(luò) (Scale-free network)第12頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二小世界網(wǎng)絡(luò)小世界網(wǎng)絡(luò)（Small-world network）具有較高的全局效率和局部效率，是網(wǎng)絡(luò)信息傳遞效率最高的網(wǎng)絡(luò)形式。而經(jīng)研究證明人腦網(wǎng)絡(luò)符合小世界網(wǎng)絡(luò)屬性 第13頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二復(fù)雜網(wǎng)絡(luò)的拓?fù)涮匦阅K化（Module）分布相對(duì)稀疏但是聯(lián)系十分緊密的節(jié)點(diǎn)集團(tuán)即為模塊化第14頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 層級(jí)性（Hierarchy）各個(gè)節(jié)點(diǎn)集團(tuán)之

8、間存在明顯的層級(jí)關(guān)系，上下級(jí)之間聯(lián)系緊密，信息傳遞效率極高，但不同層級(jí)之間只能通過更高層次的節(jié)點(diǎn)相互聯(lián)系，信息傳遞效率較低第15頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 樞紐中心節(jié)點(diǎn)（Rich club ，huds）網(wǎng)絡(luò)中存在一些與其他諸多節(jié)點(diǎn)聯(lián)系非常機(jī)密，在整個(gè)網(wǎng)絡(luò)信息傳輸中起到關(guān)鍵作用的節(jié)點(diǎn)，類似與交通網(wǎng)絡(luò)中的樞紐第16頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二網(wǎng)絡(luò)圖論的應(yīng)用利用網(wǎng)絡(luò)的模塊化、層級(jí)性和中心節(jié)點(diǎn)等屬性，定義功能節(jié)點(diǎn)和感興趣區(qū)，再通過計(jì)算機(jī)數(shù)據(jù)分析構(gòu)建腦網(wǎng)絡(luò)，從而可以直觀的呈現(xiàn)出腦網(wǎng)絡(luò)結(jié)構(gòu)特性。為進(jìn)一步的疾病腦網(wǎng)絡(luò)異常分析提供有效依據(jù) 模塊定義

9、 (Module Definition) 根據(jù)研究目的定義研究模塊及感興趣區(qū) 第17頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 數(shù)據(jù)采集（Data Acquisition）利用磁共振采集數(shù)據(jù)，設(shè)置相關(guān)序列及參數(shù) 第18頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 網(wǎng)絡(luò)構(gòu)建(Constrution of network) 將磁共振采集的數(shù)據(jù)利用Matlab、GRETNA、PANDA等軟件進(jìn)行處理，生成相關(guān)數(shù)據(jù)矩陣 第19頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 網(wǎng)絡(luò)可視化（Network Visulization）利用Brainnet Viewer

10、、Tracvis等軟件將數(shù)據(jù)矩陣轉(zhuǎn)換成可視化圖片，可以直觀的反映網(wǎng)絡(luò)形式 第20頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二相關(guān)軟件數(shù)據(jù)處理相關(guān)Matlab、GRETNA、PANDA、Brainnet Viewer、Trackvis等軟件具體操作過程暫不贅述。第21頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 基于DTI的腦白質(zhì)網(wǎng)絡(luò)計(jì)算方法及應(yīng)用研究第22頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二基于DTI的腦白質(zhì)網(wǎng)絡(luò)計(jì)算方法傳統(tǒng)腦白質(zhì)研究方法示蹤劑追蹤（Axonal tracing） 缺點(diǎn)：有創(chuàng)性，操作復(fù)雜，只能用于活體動(dòng)物實(shí)驗(yàn)，追蹤纖維有限，同一

11、個(gè)體難以多次追蹤外科解剖剝離(Surgical dissection) 缺點(diǎn)：只能用于尸體解剖和動(dòng)物實(shí)驗(yàn)，僅能夠分離出粗大明顯的纖維束第23頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二基于彌散張量成像（DTI）研究白質(zhì)纖維彌散張量成像（Diffusion tensor imaging,DTI）利用水分子在腦白質(zhì)中的異向性擴(kuò)散特性來追蹤重建白質(zhì)纖維走向 優(yōu)點(diǎn)：無創(chuàng)，可直接用于活體人類，操作相對(duì)簡(jiǎn)單，能夠得到具體的網(wǎng)絡(luò)拓?fù)鋵傩詳?shù)據(jù)，成像質(zhì)量可靠，可廣泛用于各種疾病的研究第24頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二DTI纖維追蹤原理計(jì)算機(jī)利用DTI數(shù)據(jù)把大腦分成無數(shù)

12、個(gè)體素，并且建立每個(gè)體素內(nèi)的水分子彌散張量模型，通過模型內(nèi)各個(gè)方向的異向性系數(shù)估計(jì)纖維走向。第25頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二DTI的兩種追蹤方法確定性纖維追蹤 (Deterministic Fiber Tracking) 優(yōu)點(diǎn)：計(jì)算消耗時(shí)間短，纖維成像清晰 缺點(diǎn)：無法解決纖維交叉問題第26頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 概率性纖維追蹤 (Probabilistic Fiber Tracking) 優(yōu)點(diǎn)：可以有效解決纖維交叉問題 缺點(diǎn)：計(jì)算耗時(shí)，結(jié)果是一種概率性估計(jì)，成像效果不及確定性追蹤，追蹤纖維走向扔有待進(jìn)一步解剖驗(yàn)證第27頁，共5

13、1頁，2022年，5月20日，23點(diǎn)11分，星期二基于DTI的腦白質(zhì)纖維網(wǎng)絡(luò)構(gòu)建基本流程第一步：分別采集DTI和結(jié)構(gòu)像數(shù)據(jù)第二步：用PANDA軟件處理DTI數(shù)據(jù)，得出全腦纖維網(wǎng)絡(luò)第三步：運(yùn)用GRATNA軟件將全腦纖維網(wǎng)絡(luò)數(shù)據(jù)和結(jié)構(gòu)像數(shù)據(jù)相配對(duì)，并選取ROI 節(jié)點(diǎn)，進(jìn)行特征化處理第四步：分別用以上方法處理所有病人組和對(duì)照組數(shù)據(jù)，再做統(tǒng)計(jì)學(xué)檢驗(yàn)，最后通過Brainnet Viewer或Trackvis軟件生成纖維網(wǎng)絡(luò)圖及相關(guān)復(fù)雜網(wǎng)絡(luò)拓?fù)鋵傩灾笜?biāo)統(tǒng)計(jì)數(shù)據(jù)第五步：綜合數(shù)據(jù)分析討論 第28頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 基本流程示意圖（單個(gè)數(shù)據(jù)纖維追蹤和特征化處理）第29頁，

14、共51頁，2022年，5月20日，23點(diǎn)11分，星期二 基本流程示意圖（數(shù)據(jù)總體處理步驟）第30頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 基本流程示意圖（復(fù)雜網(wǎng)絡(luò)拓?fù)鋵傩越y(tǒng)計(jì)檢驗(yàn)）第31頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 基本流程示意圖（數(shù)據(jù)結(jié)果生成）第32頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二基于DTI研究腦白質(zhì)纖維網(wǎng)絡(luò)的問題與挑戰(zhàn)腦節(jié)點(diǎn)選取方案無同一標(biāo)準(zhǔn)第33頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 邊權(quán)重的定義概念模糊，難以標(biāo)準(zhǔn)化第34頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 網(wǎng)絡(luò)參數(shù)是否可

15、重復(fù)？個(gè)體差異第35頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二基于DTI的腦白質(zhì)網(wǎng)絡(luò)的應(yīng)用研究復(fù)雜網(wǎng)絡(luò)的拓?fù)鋵傩悦枋龅?6頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 大腦正常發(fā)育研究 正常發(fā)育研究發(fā)現(xiàn)between-module strength在0-20歲研究組內(nèi)隨年齡增長(zhǎng)而增強(qiáng)，支持大腦發(fā)育的表現(xiàn)第37頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 正常發(fā)育研究發(fā)現(xiàn)結(jié)構(gòu)連接（SC）和功能連接(FC)兩者的相關(guān)性（Correlation）在0-20歲組內(nèi)隨年齡增長(zhǎng)而加強(qiáng)第38頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二智力水平相關(guān)性研

16、究正常智力水平研究組，全局效率（Global Efficiency）隨著IQ值得增加而增長(zhǎng)，支持智力水平高者腦信息處理的高效率。第39頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二神經(jīng)系統(tǒng)疾病研究Alzheimers Disease病人在全局效率、相關(guān)hubs的度及介數(shù)等拓?fù)鋵傩灾笜?biāo)和健康人相比成下降趨勢(shì)，支持AD病人大腦認(rèn)知功能下降的臨床表現(xiàn)第40頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 精神分裂癥（Schizophrenia）與Health controls 相比，Rich-club level呈下降趨勢(shì)，支持該類患者認(rèn)知功能下降，并且存在結(jié)構(gòu)連接和功能連接相

17、關(guān)性（SC-FC Coupling）下降的現(xiàn)象第41頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二 功能性近紅外光譜成像在腦連接組學(xué)中的研究 Functional Near Infrared Spectroscopy(fNRIS) Imaging第42頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二功能性近紅外光譜成像在腦連接組學(xué)中的研究Functional Near Infrared Spectroscopy(fNRIS) Imaging.第43頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二什么是近紅外線？ 近紅外線波長(zhǎng)長(zhǎng)，穿透力好,不易被組織吸收，反射量大

18、第44頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二fNRIS的構(gòu)成發(fā)射源：發(fā)射近紅光 探頭：接收組織發(fā)射回的近紅光計(jì)算機(jī)：數(shù)據(jù)處理分析第45頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二多通道fNRIS機(jī) 探頭的數(shù)量可以根據(jù)研究實(shí)際人為的減少或增加，可操作性強(qiáng)第46頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二fNRIS工作原理 激活的腦區(qū)脫氧血紅蛋白含量增高，對(duì)近紅光的吸收增加，反射量減少，從而產(chǎn)生信號(hào)差異第47頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二fNRIS與fMRI相比的優(yōu)缺點(diǎn) 第48頁，共51頁，2022年，5月20日，23點(diǎn)11分，星期二fNRIS用于靜息態(tài)功能連接（RSFC）的研究方法根據(jù)光密度的改變分析Oxy-Hb和Deoxy-Hb的含量差異，識(shí)別出激活腦區(qū)，最后做相關(guān)分析第49頁，