文摘
复杂网络的许多相互关联的大脑区域中,有一些中心地区扮演关键角色在人类大脑结构网络基于T1和扩散张量成像(DTI)技术。由于大多数研究中心定位方法在整个人类大脑网络主要是关心每一个节点的局部属性而不是全局属性的所有直接连接节点,基于全球重要性的小说中心位置方法贡献评价指标提出了研究。流线的数量(NoS)融合归一化分数各向异性(FA)大脑信息学手段更加全面。大脑区域重要贡献矩阵构造和信息传递效率值,分别,然后通过结合这两个因素在一起我们可以计算每个节点的重要性和定位中心。得益于这两个节点的局部和全局特征和人类大脑的multi-information融合生物,实验结果表明,该方法可以更准确地检测大脑中心和与其他合理方法。此外,该定位方法在大脑受损的集线器连接分析精神分裂症患者,与先前的研究结果一致。
1。介绍
人的大脑是世界上最复杂的系统之一。人类大脑重建的技术基于核磁共振成像(MRI)提供了一个研究大脑结构的有力工具。人类大脑网络的建设可能在三个层次:意识到微尺度(神经元),小规模(神经集群),和大规模的(大脑区域)1]。由于人类大脑的物理特殊性和磁共振(MR)的限制数据收集技术,大规模的大脑区域网络仍然是当前研究的重点,以大脑皮层的不同地区为节点和具体两个脑区之间的连接网络的边缘。这些研究基于大规模人类大脑网络可以帮助人们研究人脑系统的总体结构和运行机制,因为它可以利用图理论和复杂网络理论的2]。大脑中心指的现象,存在一些人类大脑结构网络的中心节点,与其他地区有大量的连接和网络拓扑中扮演关键角色1,3]。最近的研究表明这些中心的大脑网络的重要性。少量的中心扮演着一个重要的角色在人类大脑的信息传输(4],这种损伤的中心也将造成毁灭性影响整个人类的大脑网络(5]。研究中心是有利于诊断和治疗常见的脑部疾病,如阿尔茨海默氏症和精神分裂症6];此外,定位大脑网络的中心节点,然后将它们映射到相对应的大脑解剖地区神经外科手术导航的一个重要临床价值避免重要的大脑功能区域障碍(7]。
在研究大脑中心位置的方法,一个方法使用峰会提出了定义中心节点连接系数(8)和它之间的对比实验验证了精神分裂症患者和健康人(9]。基于学位中心枢纽的定义方法,介数中心,和亲密的中心节点被用来识别人类的大脑网络的中心节点和结果的影响进行了分析比较这三种不同的中心索引(10]。另一个中心检测方法提出了从功能的角度来看地区,而认为子网的节点参与许多潜在的中心,然后从这些潜在识别真正的中心枢纽节点与空间位置信息(11]。
目前在认知科学的研究和大脑疾病,使用最广泛的大脑中心位置的方法几乎是基于介数中心和中心。与中间性中心枢纽识别方法的基础上,支持向量机算法用于分类的精神分裂症患者正常的人12]。峰会连接系数与学位中心的定义和核心精神分裂症患者的大脑区域之间的联系被发现比正常更稀疏的,因为价值明显减少(13]。通过比较中间性的中心位于中心价值,那些重度抑郁障碍患者显示异常变化与健康人相比,大脑结构网络(14]。
本研究的目的是开发一个框架,用于评估的重要性地区人类大脑结构网络基于T1和DTI数据。局限于节点局部性质,最中心位置等方法只使用一个索引节点度中心或中间性中心定义一个大脑区域网络的重要性,但作为一个复杂的系统的一部分,全球整个大脑网络中的一个节点的性能比其本地性能更重要。在这部作品中,许多脑区之间的白质简化(NoS)是作为重量加权邻接矩阵与原始人类大脑网络。更精确的描述大脑至关重要的生物属性,各向异性分数(FA)值是正确的融合权重值偏差;然后大脑新的加权邻接矩阵构建叫做NoS-FA矩阵。考虑节点的本地和全局属性,大脑区域重要贡献矩阵构造和信息传输效率值,分别基于NoS-FA矩阵。最后这两个因素一起使用,用于为每个节点一个重要指标,然后可以位于中心根据价值。
三个实验设计和成品来验证我们的方法。中心评估性能对比实验的结果表明,该方法具有更好的可区别性和合理性。脆弱性分析实验结果展览中心获得使用此方法有更多的不同的影响人类的大脑网络的整体密度和效率时受损。当这种方法申请中心定位在精神分裂症患者中,兄弟姐妹,和健康的人来说,实验结果表明,合理的差异存在于这些三组按照先前的研究。这项工作可能的方法系统分析提供了新的见解的大脑区域,能够概括的研究如何找到在其他类似网络中心节点。
2。重建NoS-FA加权大脑结构网络
2.1。工作流人类大脑结构网络的重建
数据获得在1.5特斯拉先生GE扫描仪使用正交线圈和数据采集包括解剖DTI和T1加权图像。采集参数DTI-MR如下:高角组梯度的15个不同加权方向和1未加权的b0扫描;TR = 11000毫秒,TE = 74.7毫秒;b加权1000 s /毫米2;矩阵大小= 128×128;视野= 240毫米×240毫米;切片厚度= 4毫米;片空白= 0毫米;35片覆盖整个大脑为每个单独的主题。
几个步骤是必要的构建人类的大脑结构网络从T1和扩散磁共振成像数据如图1。首先T1和DTI图像数据需要被收购。那么数据需要预处理,包括原始数据的格式转换,调整,涡流失真,和其他必要的处理。分割的大脑白质、灰色物质,与脑脊液(CSF) T1加权图像需要被执行,并在此基础上,大脑皮层分为83个大脑区域通过使用自动化的解剖标记(AAL)模板与FreeSurfer皮质分割15),这将成为以后83个节点的大脑结构网络。和DTI图像数据扩散信息的intravoxel重建需要做足总数量和纤维跟踪需要执行与Tractography技术简化之间的大脑区域的数量。这些可以被定义为边缘大脑结构网络的权重系数(16]。连接矩阵是通过注册这两个图像空间(形态和扩散)。我们可以使用加权人类大脑网络邻接矩阵来表示加权人类大脑结构网络。每个区域的颜色从蓝色变为红色的矩阵,代表不同的连接性的优势从最低到最高。与连接体映射的所有步骤处理工具箱(17]。
2.2。融合NoS-FA加权矩阵的方法
当使用图论的研究,人类大脑加权网络可以用一个无向图表示 ,包括节点和边缘。在这里 代表了节点和的集合 代表了人类大脑网络的边缘。
加权网络的连接矩阵吗和用于表示节点之间的权重值和节点。由于扩散是一个对称的过程和两个脑区之间的连接被认为是无向,是一个对称矩阵;也就是说, 。
大脑区域之间的流线相邻节点之间的连接强度和,这始终是一个积极的价值(18),边缘的重量值的邻接矩阵
流线连接两个地区的数量是一个简单和直接的连接,但Tractography的过程中,存在大量的白质纤维交叉,收敛,分支在一个单一的体素(19]。因为每个大脑区域的大小是不同的,面积较大的地区将访问更多的纤维连接比越小。结果,来简化获得的大脑区域之间的神经纤维束造影的数字有一些偏差。
为了减少上述偏差的影响,我们提出一种加权相邻矩阵施工技术融合了部分各向异性指数与流线的数量。分数各向异性值是基于特征值的归一化方差及其范围在0和1之间(0 =各向同性扩散,1 =高定向)。不同组织的物理特性在大脑中,相同的FA值对象是可比性在不同的时间,不同的对象,不同的成像设备20.,21]。足总可以给信息扩散张量在每个体素的形状,它是一种大脑中的水分子的扩散特性,所以它可以用来描述每一对大脑区域之间的连接强度。
首先,为了消除不同的物理变量的影响,英足总加权相邻矩阵归一化如下:
然后作为修正参数,每个元素邻接矩阵结合这个值,以得到一个融合NoS-FA加权邻接矩阵这是定义为
这种网络不仅包括两个连接大脑区域之间的纤维连接强度而且每个地区固有的物理性质,所以它可以显示生物信息学手段的大脑更全面,我们将把它作为我们的研究在这个工作的基础。
3所示。人类大脑中心位置方法基于NoS-FA矩阵
3.1。大脑区域建设重要性评价矩阵
就像其他复杂网络,人类的大脑网络节点和边的集成,以及每个节点的重要性将受到所有这些连接的影响。这意味着当变化发生在一个节点,它将导致整个网络的障碍或崩溃22]。的关系与其他大脑区域对节点性能的影响非常重要,它并不足以描述拓扑关系的复杂性,只有当地的大脑区域的特征。根据文献[23),无向节点重要性的贡献矩阵学位和未加权的网络,提出了枢纽评价方法与加权重要性贡献矩阵提出了我们的工作。在这种方法中,一个大脑区域的贡献对于其他连接在整个大脑的大脑区域网络和信息传递能力的大脑区域被认为是一起有效地发现大脑网络的枢纽。
在大脑结构网络大脑区域,如果平均连接度的大脑区域,这表明所有连接的平均数量在人类的大脑,大脑连接强度和平均代表大脑白质纤维的平均数量在所有地区,然后一个大脑区域将有一个贡献连接大脑区域。因为NoS-FA加权邻接矩阵,每一个大脑区域的贡献其他连接大脑区域还应该考虑重量值,所以重要性矩阵的贡献人类大脑的大脑区域网络被定义为 这里的对角元素有一个贡献值1。
另一方面,为了反映一个大脑区域的能力信息处理,信息传输效率被定义为 在这里是用来表示节点之间是否有直接联系吗和,如果连接存在, ;否则, 。代表两种不同的大脑区域之间最短的加权距离,即谐波每个大脑区域的平均重量。
从定义可以看出传输效率可以反映一个大脑区域的重要性在人类大脑在信息传递过程中。如果一个大脑区域的价值是非常大的,这意味着它在信息传播中扮演更重要的角色;因此,当这个大脑区域受伤,整个大脑网络的信息传输能力将遭受更大的损失。
通过为每个大脑区域现在我们有一个当地的贡献指数和全球地产指数的重要性;那么这两个指数的值是集成到一个评价矩阵如下: 在这里 表明大脑区域的重要影响大脑区域,这不仅取决于数量的白质纤维之间和还在大脑区域的重要程度在信息传播。通过应用中心的评价矩阵,大脑区域的重要指标是表示如下:
我们可以计算的值在大脑网络,选择15个值最高的大脑区域作为人类大脑网络中心(24]。
3.2。工作流基于重要指标的中心位置
大脑中心定位算法基于重要指标认为大脑区域的全局属性和关系与其他连接的大脑区域;整个工作流程如下:(1)地区之间的白质纤维的数量是融合各向异性分数这一地区获得的价值根据(4),这是作为算法的输入数据。(2)所有大脑区域的重要性矩阵计算其他连接的大脑区域,分别根据(5)。(3)每个地区的信息传输效率值计算(6)和集成到相对重要性矩阵。(4) 值是根据计算(8)和(9),它代表着每一个大脑区域的重要性。排名的值降序排列,最高15节点与第一值视为中心在大脑结构网络。算法流程图如图所示2。
4所示。基于NoS-FA效应分析的中心位置算法矩阵
4.1。分析算法的有效性
我们使用两个加权中间性中心位置的方法是最受欢迎的方法在评估大脑中心,提出枢纽位置的方法计算每个大脑区域的重要性同样的健康人的大脑网络,结果如图3。
有三个在使用该方法的改进。首先,从这个结果,我们可以看到该地区在使用评价方法与加权中间性存在一些节点有相同的重要性。而在结果基于该方法的每个地区都有不同的价值的重要性,所以我们的方法更准确评估大脑区域的重要性。此外,它可以清楚的看到在该地区的评价结果与加权中间性法,一些大脑区域有相同的重要性的价值为零,但这是不可能没有一个区域网络中的重要性。在该方法的结果甚至是最后一个还没有零价值的重要性,所以我们的方法更合理评估大脑区域的重要性。最后在该地区与加权中间性法评价结果,重要值的分布更均匀,价值观在不同地区相互封闭。在该方法的结果看起来更清晰,分布中心和其他非核心节点之间的差异在大脑中网络更加明显。进行进一步的分析,最重要的15个大脑区域位于两个方法和相应属性排序顺序在表中列出1。
大脑中心的位置,该方法在空间如图4;可以看出,人类的大脑中心主要位于大脑额叶、顶叶、和平层组织的一部分,包括顶叶脑回,顶叶脑回、额上回、中央前回,近中心回、丘脑,壳核和脑干。受益于生物信息学手段,融合两种NoS-FA加权网络涉及的大脑更全面的信息,所以它可以区分中心节点从那些非核心节点更准确;同时,中心的排名值更合理和高度可识别的重要性。
4.2。算法的脆弱性分析和比较
为了验证的实际重要性中心,由该算法定位,脆弱性分析实验提出了我们的工作。网络中一个节点被移除时,网络的全局属性将被改变。通常网络属性的变化比之前的网络属性删除被定义为脆弱性(25]。节点有更大的漏洞,将整个网络更高的伤害,以及该节点的作用更重要。需要强调,在实验中,一个节点被删除时,所有的白质纤维,这个大脑区域相连,无效和NoS体重相关的边缘网络将是零。因此,大脑区域的脆弱性被定义为
在这里代表一种网络属性值删除节点之前,和删除后表示这个属性值。在这个研究中,全球效率和网络的网络特性密度作为脆弱性分析参数,分别显示为
网络密度的比值反映了实际数量的边缘和边缘网络可能的最大数量,和它是一个重要的属性来测试网络的大小。全球效率反映了网络的信息传输能力。
比较中心的影响可能在整个大脑网络,三个病例被认为是在这个实验中:大脑中心计算和选择与我们提出的方法,用加权中间性方法或随机。给出三种方法的脆弱性变化曲线比较,如图5。可以看出,当一个大脑区域受损,整个大脑网络的属性也发生了变化,中心通过该方法产生最大的影响在人类大脑的整体属性网络密度和效率。因为本地的特点一个大脑区域和全球贡献一个大脑区域地区被认为是其连接在一起,评估过程是基于生物信息学手段所以更全面的中心位置使用此方法将会影响人类的大脑网络更重要。
(一)脆弱的大脑网络密度的变化
(b)脆弱性变化的大脑网络效率
4.3。中心属性分析精神分裂症
该方法应用于精神分裂症的MRI数据分析人类大脑结构网络的变化。共有205人被分为三组:精神分裂症患者组(病人)62人,兄弟姐妹(兄弟姐妹)的患者有83人,和健康人组(健康人)与60人。所有的核磁共振数据根据工作流图处理1。
首先计算了三种类型的全球大脑网络属性,分别进行比较。()大脑区域连接强度 ,这是所有连接的权重值的平均值在大脑加权网络。连接强度数据的直接反映人类大脑白质纤维的网络。()全球效率 大脑的网络,这是意味着所有最短路径的倒数。效率值反映了人类大脑中的信息网络的传输速度。()聚类系数 大脑网络的聚类系数的平均值的地区。聚类系数是衡量脑网络组的程度表明网络聚类的程度。
以健康的人类大脑网络为基准,每个中心的三个局部属性值计算为每个主题:连接强度 ,当地的效率 ,聚类系数 ;然后每个组的平均值计算,分别。实验设计流程如图6和所有的计算都是由MATLAB工具箱(大脑连接执行26]。
实验结果如表所示2。全球平均属性值的大脑网络展示在表2(一);用加权平均局部属性值中间性方法展示在表2(b)和平均局部属性值和该方法展示在表2(c)。从表中的结果可以看出2全球和本地属性的病人,兄弟姐妹,和健康人组显示一些有趣的差异。
全局属性值如表所示2(一),与健康组相比,连接强度的平均值,全球效率和聚类系数的病人组下降了3.95%,2.69%,和3.55%,分别。重要命令不同,这样健康的人>兄弟姐妹>患者,被发现在两个连接强度和聚类系数,而对于全球病人组弱效率更高的价值比兄弟姐妹组但仍低于健康组。
局部属性值基于加权中间性方法如表所示2(b),序列健康人>兄弟姐妹>患者仍然可以找到但不那么显而易见在三组之间的连接强度和聚类系数。病人群的局部效率是非常接近的兄弟集团,但前者略高于后者。
基于该方法的局部属性值在表2(c),重要命令的区别是,健康的人>兄弟姐妹>患者被发现明显的连接强度,聚类系数,和当地的效率。中心的平均价值的当地效率最高的健康的人,中间的兄弟姐妹(相对于健康的人降低4.36%),和最低的病人与健康人相比降低8.44%。连接强度中心的病人与健康人相比下降了9.72%和6.55%,兄弟姐妹。聚类系数中心的病人与健康人相比下降了8.47%和4.53%,兄弟姐妹。
这些结果一致的结论13]。更重要的是,从上述分析的结果,我们可以看到,健康人的中心之间的区别,兄弟姐妹,和病人在该方法明显比加权中间状态的方法。这些结果表明,中心位置与本文方法比加权中间性更合理和准确的方法,这是最受欢迎的在寻找目前研究中心。
在此同时,方差分析(方差分析)是在我们的工作完成测试数据的区别,结果如表所示3。的价值的连接强度、聚类系数,当地的效率为8.496,5.325和5.864,每组的价值低于0.05。
5。结论
在这项工作中,我们提出了一种新颖的中心位置的方法,人类的大脑结构网络,基于核磁共振图像重建技术。一个有意义的工作是NoS权重矩阵融合生物信息学手段对FA值来得到更全面的大脑区域连接。贡献矩阵的其他有价值的工作是建设地区的重要性,这是一个指数包括当地的贡献一个地区和其他相关的大脑区域和全球传输效率这一地区的人类大脑NoS-FA加权网络。实验结果证明,该方法可以提供更精确的和合理的中心位置方法相比,最常用的加权中间性评价指标。实验结果也强调研究结果发现的其他研究;人类的大脑网络的中心在精神分裂症患者与健康人相比受损。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了国家自然科学基金(批准号61263017)。