人脑白质功能网络的证据外文翻译资料

 2021-12-20 09:12

英语原文共 14 页

人脑白质功能网络的证据

研究人脑皮层的功能宏观组织是现代神经科学的基础。尽管很多研究已经证明了灰质中存在相互连接的功能网络，但是对白质功能组织的研究是有限的。最近的一些研究证明白质表现出与灰质相似的血样水平依赖性信号波动。我们通过对176名受试者（男女都包括）的静息态功能核磁共振成像（RSfMRI）的数据进行聚类分析，研究白质是否被组织成功能网络。分析结果表明，人脑中存在12个对称的白质功能网络，与扩散张量成像识别的结构白质束相对应。其中有六个网络包括穿过胼胝体的半球间连合桥。白质网络中的信号与灰质功能网络中的信号相关，从而为这些分布式网络如何进行远距离通信提供了理论基础。以上结果在一个独立的受试者组中可重复，并得到群组和个体的种子分析验证。已识别的白质功能图谱和分析代码可在http://mind.huji.ac.il/white-matter.aspx查得。我们的研究结果表明，利用RSfMRI技术，白质作为功能模块的交互网络表现出一个内在的功能组织，并且与灰质相似。白质的功能网络的发现可以为认知神经科学和临床神经系统交叉学的研究开辟新途径。

关键词：BOLD；聚类；fMRI；功能连接；静息态；神经纤维束

意义陈述

近些年来，功能核磁共振成像（fMRI）因其能够识别人脑的功能模块和网络从而彻底改革了神经科学的所有领域。然而，大部分fMRI的研究忽略了大脑中的白质，将其视为噪声丢弃了该信号。本课题中我们通过统计分析176名被试者的静息态功能成像，证明了人脑白质的信号存在有意义。我们识别出了由白质纤维束之间长距离关联组成的12个功能网络。此外，我们还发现这些功能网络与静息态下的灰质网络高度相关。我们的研究结果能够重新解释许多现有的fMRI数据集，并提出了一种新的方法来探索白质在认知中的作用及其在神经精神疾病中的干扰。

介绍

由不同的相互作用的“模块”组成的灰质功能网络是认知神经科学和临床神经心理学的基石。近些年来，静息态功能核磁共振成像技术已经逐渐发展成为了一项研究人类大脑皮质功能结构的主要技术。其通过测量不同皮质区域的fMRI信号波动之间的相关性，识别出不同的网络，从而洞察这些区域的协调活动。然而，白质成分之间的相互作用只能使用结构方法如扩散张量成像（DTI）来探究。尽管这些方法可以揭开白质结构中的细节组成，但是却不能直接证明白质之间存在功能连接并且不能直接记录人体内白质的活动。

最近的一些研究表明白质也携带功能信息。因为不同的白质束在响应知觉和运动任务时表现出被激活的状态，因此由功能磁共振成像技术检测到了白质也携带了功能信息。此外，白质中的活动与任务需求相对应，例如部分胼胝体在大脑半球间转移任务中是活跃的，而内囊在运动活动的任务中是活跃的。尽管这些活动比灰质弱（可能是因为白质中的血管密度比灰质中的血管密度低5到7倍），但是它在个体被试中仍然是可靠的测量。这些研究证实了白质中存在功能性活动，并表明了功能性磁共振成像是研究体内白质功能的一种很有前景的探究技术。

近期的一些研究进一步利用静息态功能核磁共振成像探索了白质功能活动。静息态下的血氧依赖的白质信号的聚类得出了类似于白质纤维束的模式。然而这些聚类分析没有探究白质和灰质之间的关系。另外两项研究表明，在静息状态下，沿特定白质束的功能磁共振成像的信号活性是高度均匀的，并且这些白质信号具有与神经活动相关的血流动力学变化的特征，在执行语言任务时也会发生变化。最近发表的一项研究使用了独立成分分析和层次聚类证明了白质中存在相关活性簇。该研究进一步证明，与静息态相比，当受试者观看电影时，枕叶白质团簇的连通性发生了变化，为这些信号的功能特性提供了证据支持。然而这些研究都主要集中在特定的白质连接的方法上，使用的样本量相对较小，并且没有描述白质信号与大脑的灰质静息状态网络、结构白质束之间的对应关系。

为了找到大规模下白质功能网络的特点，我们通过对一个大样本如176个被试的静息态功能核磁共振成像的数据进行聚类分析，并且对生成的功能网络结果与扩散张量成像识别出的白质束结构和已知的灰质的功能网络进行对比。

材料和方法

被试和MRI采集：采集的176名健康被试的静息态数据来自NKI/Rocket。所有的被试都使用3T核磁共振仪器进行扫描。被试包括十分钟的睁开眼睛的静息态EPI扫描（38切片，TR=2.5s，每个体素333mm，反转角度80度，260图层，交错切片）和一个磁化准备的快速采集梯度回波序列自动扫描（111mm）。其他数据是来自剑桥巴克纳合作的连接项目中的1000个数据。该数据集（94名受试者，平均年龄21.4plusmn;3岁）包括6个国家的调查数据（47层，TR=3s，119图像，交错切片）和磁化准备的快速采集梯度回波序列解剖扫描。

DTI: 12名受试者（8名男性，年龄38.1plusmn;13.57岁）在哈达萨希伯来大学医学中心使用3T扫描仪（西门子医疗设备）进行扫描。所有受试者均无神经或精神障碍病史，结构核磁共振成像结果正常。DTI参数如下：单发、自旋回波扩散方案、TE=94ms、TR=7127–8224ms、FOV=260260mm、矩阵=128128、52–60轴向切片、2mm层厚、b=0和b=1000 s/。通过沿64个不同的扩散方向（包括两个平均值）应用梯度得到高b值。所有参与者都给出了书面的知情同意书，该研究得到了哈达萨希伯来大学医学中心伦理委员会的批准。

功能和核磁共振成像预处理：预处理主要使用SPM8、DPARSFA和MATLAB的内部脚本。利用SPM8的新分割算法将解剖成像分成白质、灰质和脑脊液。时间层矫正用6自由度三线插值法对平均函数图像进行运动校正，并且与解剖图像一起对准。被试的最大运动如果超过3mm，将会剔除在进一步的分析中，本来采集了204个被试最后只剩余176个被试。其他的预处理包括去除线性漂移，以便纠正信号偏移，并使用0.01-0.15Hz的带通滤波器进行滤波，以减少对大幅度波动的非神经元活动的影响。为了将被试的活动对功能连接的影响减到最小，我们对24个运动参数进行了多重回归。为了进一步减少运动的影响，运动“峰值”也包括在单独的回归量中（通过1mm的框位移识别），在不改变相关值的情况下，有效地消除（删减）峰值处的数据。最后，平均脑脊液信号的回归也被作为一个干扰源。为了避免消除感兴趣的信号，将不包括白质和全脑信号作为回归量。

接下来的预处理的步骤包括：图像空间上的平滑处理[4mm半峰全宽，等方向的]，其中，对每个受试者的白质和灰质分别进行平滑处理，以避免混淆其信号。为了分开平滑，我们使用每个受试者的分割结果来识别白质或灰质体素（使用SPM8的组织分割阈值0.5来识别）。然后，我们从原始功能数据中创建了两个功能序列的图像，一个只包含白质体素的数据，另一个只包含灰质体素的数据（通过将未分别标识为白质或灰质的任何体素归零）。然后将SPM8（FWHM =4 mm）平滑算法应用于两组图像。最后，我们将这两个图像组合成完整的功能图像，分别使用来自白质和灰质体素的平滑数据。经过平滑处理后，所有大脑图像都利用DARTEL算法空间标准化。（使用的是蒙特利尔神经研究所EPI模板，重新采样到3 mm立方体素）

为了测量不同预处理选项对数据的影响，尝试完全删除（删减）高运动时间点，而不是使用运动尖峰回归器。我们还尝试使用DPARSFA软件在干扰协变量去除阶段使用平均全局信号回归。

创建群体白质和灰质掩模。为了获得用于在整个组中进行聚类的体素选择的掩模，我们使用了每个被试的T1分割图像结果。对于每个体素，我们分别根据三个分割图像的最大概率将其识别为白质、灰质或脑脊液。当60%的受试者将体素识别为白质时候，我们将其识别为白质。当20%的受试者的体素被识别为灰质时，我们将其识别为灰质。然后就得到了灰质和白质的掩模。我们将得到的掩模与功能数据进行比较，去除没有被鉴定为白质或灰质的体素。

生成特定被试和组平均相关矩阵。为了从每个受试者中创建聚类数据，我们计算了每个白质体素和其他白质体素之间的皮尔逊相关系数。为了降低后续聚类的计算复杂度，我们使用一个交换网格对白质掩模进行了子采样，沿着图像行和列提取任意第二个体素，并在切片之间将其移动1，以避免丢失整个数据列。对于每个白质体素，计算与所有子采样掩模节点的相关性，从而得出每个体素的整个大脑相关性模式。计算每个受试者的相关矩阵，然后对所有176名受试者进行平均，以获得一个群组相关矩阵。

基于连接模式的体素聚类。为了识别白质和灰质功能网络，我们在静息态下的相关矩阵上使用了聚类算法。对2到22之间的所有簇数（k）进行聚类，以获得粗粒度和细粒度的分割结果。对一半受试者获得的连通矩阵、稳定性分析以及不同大小的随机子群进行聚类。（n=80，70，60，50，40，30，20，10，5和1个被试；每种尺寸随机选择10组）。

为了确定最稳定的网络数，我们测量了从2到22的每个集群的稳定性。将全连通矩阵随机分为四个子集，每个子集包含所有体素与四分之一次采样掩模的相关性（白质为200591249个体素，灰质为420441161个体素）。对于每一个k值，分别对其四个子集中的平均相关矩阵进行聚类；根据不同的特征进行聚类而得到相似性最大的结果代表了最稳定的聚类网络。为了测量聚类解之间的相似性，我们计算了每个解之间的一个邻接矩阵（其中每个单元格表示该解中的两个体素是否属于同一个聚类），并使用DICE系数对这些邻接矩阵进行比较。对于每个簇数，将四个邻接矩阵进行比较，得到平均的DICE系数。尽管聚类相似性随着聚类数量的增加而自然降低，但是绘制DICE系数可以将高度稳定的解识别为最稳定的结果。

除了根据不同特征集的聚类稳定性对聚类解进行评价外，还对不同主题集的聚类稳定性进行了评价。将受试者随机分为两组，每组88名受试者，计算各组的全组平均相关矩阵（每组200594998矩阵）在每个受试者组的完整连通性矩阵上分别进行聚类。如前所述，使用DICE系数对每个簇数的两个解进行比较。

我们的白质聚类结果表明，在2、5、8和12个聚类中，有几个稳定的白质聚类解决方案。在本文中，我们选择了对12个功能网络最详细的描述，尽管如此，集群的其他成员也可能感兴趣，并可能在未来的工作中被描述。

对称性计算。为了测量已识别白质功能网络的对称性，我们使用已有的聚类解，并沿中矢面翻转一半的数据，得到两半球的聚类解。然后，我们分别计算每个半球聚类解决方案的邻接矩阵（如“网络最稳定数的标识”中所述）。使用DICE系数比较两个半球之间的相似性。为了测量对称值的重要性，我们使用置换测试，其中每个半球的邻接矩阵随机排列100次。在每次迭代中计算两个排列邻接矩阵的DICE系数，然后将非排列结果与得到的排列分布进行比较。

使用相关转换验证网络边界。为了验证聚类结果的有效性，我们搜索了相关网络之间的急剧转换，以识别功能网络之间的边界。对于每个白质体素，我们计算了其信号与周围555个体素框中所有白质体素信号的时间相关性（使用每个受试者自己的白质掩模进行体素选择，以避免与灰质信号混合）。位于不同功能网络之间边界的体素与周围体素的平均相关性较低。为了将这些结果与12个网络聚类解决方案进行比较，我们计算了每个体素周围的555个体素框中包含多少不同的网络（聚类），并将这些值与之前计算的相邻体素值的相关性相结合。

白质束的DTI预处理和识别。为了获得平均白质束，我们使用了来自不同受试者组的数据（见上文“被试者”）。使用mrvista软件执行DTI预处理，并且包括消除涡流畸变和物体运动。数据通过信息算法注册并与T1图像对齐。

为了识别平均白质束，我们使用了最新开发的AFQ算法，该算法根据JHU白质束图集自动识别每个受试者的20个主要纤维束。白质束包括双侧皮质脊髓束、丘脑前辐射、扣带回（扣带回和海马部分）、大钳、小钳、前枕下腹肌、下纵筋膜、上纵筋膜（主、颞部）和无钩筋膜。

在进行白质束识别后，我们使用每个受试者的解剖T1加权图像和SPM8将其解剖和白质束数据标准化为MNI空间。

白质功能网络与DTI的对应关系。将来自两个半球的解剖DTI束结合起来，与双侧功能网络进行比较。为了测量每个白质功能网络和每个解剖DTI束之间的相似性，我们计算了被识别为属于该束的功能网络中体素的百分比。值得注意的是，这一比较并不完整，因为所有已识别的白质束仅覆盖受试者平均白质掩模的45%，而功能连接聚类则应用于整个掩模。

灰质与白质功能网络的比较。为了测量灰质和白质功能网络之间的关系，我们通过对每个网络的所有体素进行平均，分别提取了每个受试者白质和灰质网络信号时间的进程并且进行了平均。使用傅立叶变换（matlab的fft函数）提取每个白质和灰质网络中频率的信号振幅然后平均，并对平均结果图进行线性拟合。此外，我们还计算了所有白质和灰质网络时间进程之间的皮尔逊相关性。这些相关值在受试者之间进行平均，从而获得了灰质和白质网络之间的组级矩阵。为了测量这些结果的一致性，我们还对来自整个组的两个独立样本（每个88名受试者）进行了相同步骤的分析，并测量了每个相关矩阵之间的绝对差异（相关值）。

基于种子的分析。对于12个已识别的白质功能网络中的每一个网络，我们定义了5个种子，每个种子包含10个空间上相邻的体素。通过设置一个大小为666个体素的盒子，并在图像上随机移动它，直到找到一个包含至少10个属于所需网络的体素的位置（如整个组中的定义：N=176个受试者）。确定好位置后，、我们提取种子的时间进程，并将其与相应受试者的所有其他白质体素的时间进程进行相关性统计分析。为了测量基于种子的分析在功能网络的研究中是否可靠，我们计算了与种子相关的、属于定义种子的同一网络的体素百分比（使用阈值rlt;0.4）。

功能性白质网络的可视化。使用ITK-SNAP和Paraview软件包对功能网络进行可视化。为了达到可视化的目的，使用拉普拉斯滤波器（迭代100次）对三维图像进行平滑处理。

实验

资料编号：[4293]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章