基于靜息態功能連接的杏仁核譜聚類研究

田洪君，高全勝，高軍峰，竇順陽

基于靜息態功能連接的杏仁核譜聚類研究

田洪君1，高全勝2*，高軍峰3，4，竇順陽5

目的 研究根據全腦各體素的功能連接模式的相似性，以譜聚類的方式對杏仁核腦區進行分割的可行性。材料與方法 通過靜息態功能成像，根據特定腦區內各體素全腦功能連接模式的相似性，以譜聚類對杏仁核腦區進行分割。結果 右側中央內側核(centromedial，CM)亞區分割結果與圖譜最接近，右側淺表核(superficial，SF)腦區亞區與譜圖相似度較低。聚類組的穩定性分析結果顯示在信噪比大于70 db的情況下，各子區都保持了近乎與沒有加入噪聲的結果100%的相似性，在10 db的低信噪比下各區皮爾森相關系數也能保持0.7左右。結論 本研究的聚類結果和julich圖譜具有高度一致性，表明這一方法在可行性、穩定性和抗干擾性方面也取得了滿意結果，相對于傳統手動分割方法，本研究的聚類方法簡單、高效、可重復性高。

杏仁核；磁共振成像；功能連接；譜聚類

Key words Amygdala; Magnetic resonance imaging; Functional connectivity; Spectral clustering

杏仁核是人類情緒記憶網絡中最為核心的腦區，它在情緒的產生和表達、社會判斷和面孔識別等認知活動中扮演了重要的角色。它位于內側顳葉，是一個雙側結構，每個腦半球包含一個杏仁核。杏仁核接受視覺、聽覺、其他感覺和痛覺的輸入，并將不同的刺激和這些刺激造成的結果聯系起來，然后發送信息至其他情緒相關腦區[1]。杏仁核結構和功能的異常會引起孤獨癥、抑郁癥、帕金森癥等精神疾病[2-3]，它已經成為神經病理學研究的熱點，但目前國內外對杏仁核內部結構和功能的細化研究相對較少，如何快速精確自動化對杏仁核腦區進行劃分已經顯得尤為重要。人腦是中樞神經系統最高級的部分，它是由140億個神經細胞構成的具有高度組織性的器官，且具有相似功能的細胞團體其活動具有顯著的一致性，同樣，在杏仁核內部，具有相同功能的細胞核團其功能也會體現出某種程度上的一致性。杏仁核中具有相同功能的細胞核團，其靜息態功能也具有高度的相似性。基于這樣的理論基礎，本文通過靜息態功能成像，根據特定腦區內各體素全腦的功能連接模式的相似性，以譜聚類對杏仁核腦區進行分割，驗證提出的分割方法的有效性和穩定性，為杏仁核腦區分割方法提供新的策略。

1 材料與方法

1.1 研究對象與采集參數

采用千人功能連接組腦計劃(1000 Functional Connectomes Project)和國際影像數據聯盟(International Neuroimaging Data-Sharing Initiative)提供的靜息態數據，選取其中內森克萊研究中心(Nathan Kline Institute，NKI)研究組的數據，該數據包含大量的志愿者，年齡跨度大(4～85歲)，靜息態數據采集過程中志愿者被要求閉眼休息但不能睡著，本文選取其中年齡在19～29歲的30名志愿者[18名男性和12名女性，年齡(23.2±6.4)歲]的靜息態數據來進行腦區分割。志愿者在試驗前對其交代了試驗完成過程，簽署了試驗協議，同意進行本試驗，并通過了西安交通大學倫理委員會審查。

磁共振數據使用西門子3.0 T核磁共振設備采取。結構像采集參數如下：掃描矩陣為256×256×176，體素大小為1 mm×1 mm×1 mm。功能像掃描參數如下：TR=2 s，體素大小為3 mm×3 mm×4 mm，掃描矩陣為64×64，持續時間465 s，采集順序為倒序采集，采集幀數(volume)為200。考慮到功能磁共振成像信號達到穩定和志愿者對環境的適應需要一定的時間，前5個volume在數據發布的時候已經去除，層數設置為34層以覆蓋全腦。

1.2 研究方法

1.2.1 杏仁核腦區分割方法

杏仁核是人腦邊緣系統的核心腦區，對于情緒處理具有極其重要的作用。但目前對該腦區內部功能和結構方面的研究很少，杏仁核內部分區的研究對于了解該腦區神經機制以及抑郁癥等精神疾病的預防和治療有著重要意義。基于靜息態功能磁共振成像[4]對杏仁核進行譜聚類分割的算法流程如圖1所示。首先采用自動解剖標記(automated anatomical labeling，AAL)模板將皮層和皮層下的灰質劃分成90個腦區。左右杏仁核分別為41和42號腦區，將杏仁核感興趣區域(region of interest，ROI)以及單個志愿者的靜息態數據都配準到MNI空間。對于志愿者的靜息態磁共振圖像數據進行測試，表明一致性和重復性良好。通過計算杏仁核中每個體素的全腦連接模式，進而得到每兩個體素之間的全腦連接模式相似度矩陣，以此矩陣進行子區劃分。具體做法是首先提取杏仁核每個體素的時間序列信號，對其他88個腦區的靜息態信號采用腦區內所有體素信號平均的方式提取。然后通過計算每個杏仁核內部的體素信號與其他88個腦區的信號之間的相關系數，得到杏仁核體素的全腦連接矩陣[5-8]M，其中元素(i，j)表示第i個杏仁核體素到第j個腦區的功能連接強度。該矩陣的每一行描述了一個杏仁核體素在靜息態下和全腦其他腦區之間的連接模式，值越接近1，相關性越大。最后計算每兩行連接模式之間的相關系數就可以度量兩個體素在全腦功能連接模式上的相似度，記為相似度矩陣N，其中每個元素表示杏仁核第i個體素和第j個體素在全腦功能連接模式上的相似度。在此相似度矩陣的基礎上，本文就可以采用聚類算法對杏仁核的體素進行譜聚類研究[9]。

1.2.2 算法實現

整個分割算法編程基于python 2.7語言實現，它是一種面向對象、解釋型計算機程序設計語言，由Guido van Rossum于1989年發明，Python具有豐富和強大的庫來滿足各種開發需求，本算法科學計算部分主要使用numpy (Numeric Python)模塊實現，對磁共振數據的讀取和寫入則依賴NiBabel模塊，NiBabel提供了對常見醫學影像數據格式讀取的接口。而聚類算法則使用SciKit-Learn模塊，SciKit-Learn是一個基于NumPy，SciPy，Matplotlib的開源機器學習工具包。

1.2.3 組分析方法

本文采用最大概率圖譜法(maximum probabilistic map，MPM)對單個志愿者杏仁核腦區的分割結果進行組分析。MPM計算是基于MATLAB中Anatomy 1.7工具箱實現的，其過程是先將所有分割結果配準到MNI空間，然后以將每個像素分配給最可能屬于的分割子區域為原則來計算最大概率圖譜，如果某些特殊像素屬于兩個不同子分割區域的概率相等，則這個像素會分給與之相鄰的26個像素以求出平均概率更高的那個子區域。

2 結果

根據Amunts等[10]在2005年基于細胞構筑的研究，Julich圖譜計算并構建了這些杏仁核亞區的概率模板。該圖譜將杏仁核分成了3個子區域，分別為基底外側核(laterobasal，LB)、淺表核(superficial，SF)和中央內側核(centromedial，CM)分別對應圖2A中藍色、綠色和紅色腦區。LB包括副層狀核、底內側核、基底外側核和外側核，CM由內側核和中央核組成，SF包括杏仁核梨狀皮質移行區、杏仁前區、杏仁核-海馬區以及腹側和后側皮質核。圖2A中Julich圖譜顯示出杏仁核子區域的空間位置關系，圖2B為本文基于杏仁核內部體素與其他各腦區功能連接進行譜聚類對杏仁核劃分的結果，二者進行對比可發現本文的聚類結果和圖譜具有高度一致性，表明這一方法的可行

圖1 應用譜聚類對杏仁核進行分割的算法流程Fig. 1 Algorithm fow of applying spectral clustering algorithm for segmentation of the amygdala.

圖2 杏仁核生理解剖圖譜與本文譜聚類分割結果對比。藍色、綠色和紅色腦區分別為LB、SF和CM子腦區Fig. 2 Comparison of the physiological anatomy of the amygdala and the results of this paper. Blue, green and read brain regions denote LB, SF and CM subregions, respectively.

圖3 譜聚類分割杏仁核結果與Julich圖譜相似度Fig. 3 Similarity between spectral clustering segmentation of amygdala and Julich patterns.

圖4 單個志愿者與左右側杏仁核組分析結果空間相關系數分布圖Fig. 4 Spatial correlation coefficient distribution of single and left and right amygdala group.

圖5 健壯性分析：疊加噪聲到杏仁核體素的時間序列中的譜聚類腦區劃分。藍色、綠色和紅色腦區分別為LB、SF和CM子區Fig. 5 Robustness analysis: spectral clustering time series of brain regions when adding noise into amygdala. Blue, green and read brain regions denote LB, SF and CM subregions, respectively.

圖6 加入噪聲對基于功能連接和基于血氧水平依賴信號分割結果的影響Fig. 6 Effects of adding noise on the functional connectivity and blood oxygen level dependent-based signal segmentation results.

卡爾?皮爾遜基于弗朗西斯?高爾頓的算法提出了皮爾遜線性相關系數[11]，通常該相關系數也被稱作“皮爾森相關系數”(pearson's linear correlation)。相關系數ρ考察兩個變量的相關程度，取值范圍在-1～1之間，其中1表示變量完全正相關，0表示無關，-1表示完全負相關。

式中p(X,Y)：變量X和Y的相關系數；cov(X,Y)：變量X和Y的協方差；：變量X的標準差；：變量Y的標準差；μx：變量X的均值；μy：變量Y的均值。

本文將大小m×n×o的待測三維圖像A和參考圖像B看作為隨機變量，則兩個圖像之間的相關系數為：

式中A表示待評價三維圖像，B表示參考圖像，Ai,j,k表示待測圖像中的像素點，Bi,j,k表示參考圖像中的像素點，表示圖像A的均值，表示圖像B的均值，m表示圖像行數，n表示圖像的列數，o表示圖像高度。圖像A和B的相關系數越小(越接近0)，說明圖像A和B的相似度越小；相關系數越大(越接近1)，說明圖像A和B的相似度越大。

本文的聚類組分析結果分別與Julich圖譜對應的杏仁核子區域的皮爾森相關系數如圖3所示，結果越接近1表示二者空間分布越相似。由圖3可知右側CM亞區分割結果與圖譜最接近(CC=0.78)，右側SF亞區與圖譜相似度較低(CC=0.65)。

本文將每個志愿者杏仁核亞區的分割結果與該數據集的組分析結果進行空間相關，以各子區域與組分析結果的空間相似度的變化劇烈程度來反映本文分割算法的穩定性，圖4描述了左側和右側杏仁核子區單個志愿者與組分析結果的重疊情況，通過計算右側CM空間相關系數的方差為0.0303(最大)，表明該亞區分割的結果穩定性比較差，而右側LB腦區空間相關系數的方差為0.0017(最小)，說明這個腦區聚類算法的分割結果可重復性(最高)，穩定性也最好(其他腦區的方差分別為var (CML)=0.0041，var (LBL)=0.0185，var (SFR)=0.0098，var (SFL)=0.0194)。

在討論了分割算法的精確性和穩定性的基礎上，疊加不同強度的噪聲到杏仁核體素的時間序列中再進行腦區劃分來考察本文算法的健壯性，過程如圖5所示。首先將杏仁核左右腦區各體素的時間序列提取出來，將信噪比分別為10～90 db的高斯白噪聲疊加到各時間序列中，然后基于譜聚類進行杏仁核子區域分割，整個實驗仿真過程在python 2.7平臺實現。

疊加噪聲后杏仁核6個亞區的聚類分割如圖6所示，圖6反映了不同噪聲下基于ROI體素時間序列與AAL模板其余88個腦區平均序列計算的功能連接矩陣進行分割的結果與沒有加入噪聲的情況下各子區空間相似性的變化情況。由圖6可知不同信噪比的圖像數據均取得了比較滿意的分割結果，在信噪比大于70 db的情況下，各子區都保持了近乎與沒有加入噪聲的結果100%的相似性，在10 db的低信噪比下各區皮爾森相關系數也能保持在0.7左右。

3 總結

本文提出了一種基于靜息態功能成像的杏仁核譜聚類分割方法，即一種基于譜聚類算法，根據杏仁核內部體素功能的相似性對該腦區進行自動化高效率劃分的方法，先對靜息態磁共振數據預處理、再對杏仁核腦區提取、然后對杏仁核內部體素全腦功能連接計算以及最后對功能連接矩陣進行譜聚類分割。本文提出的自動分割算法與杏仁核臨床解剖結果取得很大程度的一致性，并且在穩定性和抗噪聲干擾方面也取得較滿意的結果，相對于傳統手動分割方法，具有更加簡單、方便、高效、可重復性高等多方面的優點。

[References]

[1] Uwano T, Nishijo H, Ono T, et al. Neuronal responsiveness to various sensory stimuli, and associative learning in the rat amygdala. Neuroscience, 1995, 68(2): 339-361.

[2] Chen Y, Xu JM, Feng GS, et al. Volume MRI analysis if the amygdala and the hippocampus in patients with post-stroke depression. Radiology Practice, 2009, 24(6): 603-606．

陳宇, 徐堅民, 馮敢生, 等. 腦梗死后抑郁癥患者海馬及杏仁核體積的MRI研究. 放射學實踐, 2009, 24(6): 603-606．

[3] Duan XJ. The relationship between changes of white-matter in limbic system and depression in patients with Parkinson's disease. Zhengzhou: Zhengzhou University, 2015.

段曉佳. 邊緣系統白質微結構的改變與帕金森病抑郁的關系. 鄭州: 鄭州大學, 2015.

[4] Schmid F, Wachsmuth L, Albers F, et al. True and apparent optogenetic BOLD fMRI signals. Magnetic resonance in medicine, 2016, 35(4): 491-499.

[5] Markov NT, Ercseyravasz MM, Ribeiro Gomes AR, et al. A weighted and directed interareal connectivity matrix for macaque cerebral cortex. Cerebral Cortex, 2014, 24(1): 17-36.

[6] Ji GJ, Liao W, Zhang ZQ, et al. Resting-state functional connectivity in patients with generalized tonic-clonic seizures. Chin J Magn Reson Imaging, 2013, 4(1): 8-12.

季公俊, 廖偉, 張志強, 等. 全面強直陣攣癲癇靜息態功能連接腦網絡研究. 磁共振成像, 2013, 4(1): 8-12.

[7] Liu Y, Li YM, Zeng C, et al. The study of resting state functional magnetic resonance and fber tracking in multiple sclerosis patients with simple spinal cord involvement. Chin J Magn Reson Imaging, 2015, 6(6): 416-421.

劉義, 李詠梅, 曾春, 等. 息態功能磁共振和纖維追蹤技術在單純脊髓受累型多發性硬化患者的臨床應用. 磁共振成像, 2015, 6(6): 416-421.

[8] Zhong YX, Zhao JN, Zhou ZM, et al. The preliminary study of resting-state functional magnetic resonance in patients with leukoaraiosis. Chin J Magn Reson Imaging, 2015, 6(6): 411-415.

鐘毅欣, 趙建農, 周治明, 等. 腦白質疏松癥患者靜息態功能磁共振成像的初步研究. 磁共振成像, 2015, 6(6): 411-415.

[9] Craddock RC, James GA, Holtzheimer PE, et al. A whole brain fMRI atlas generated via spatially constrained spectral clustering. Human brain mapping, 2012, 33(8): 1914-1928.

[10] Amunts K, Kedo O, Kindler M, et al. Cytoarchitectonic mapping of the human amygdala, hippocampal region and entorhinal cortex: intersubject variability and probability maps. Anatomy and Embryology, 2006, 210(5-6): 343-352.

[11] Wang J, Zheng N. Measures of linear correlation for multiple variables. Spectroscopy & Spectral Analysis, 2014, 34(4): 869-873.

Study on spectral clustering of amygdala using resting state functional connectivity

TIAN Hong-jun1, Gao Quan-sheng2*, GAO Jun-feng3,4, Dou Shun-yang51Shenzhen Basda Medical Apparatus Co., Ltd., Shenzhen 518172, China
2Laboratory of the Animal Center, Academy of Military Medical Sciences, Beijing 100850, China
3Key Laboratory of Cognitive Science of State Ethnic Affairs Commission, College of Biomedical Engineering, South-Central University for Nationalities, Wuhan 430074, China
4School of Life Science and Technology, University of Electronic Science and Technology, Chengdu 610054, China
5Institute of Biomedical Engineering, Xi’an Jiaotong University, Xi’an 710049, China

Objective: According to the similarity of the functional connectivity pattern of the whole brain, the feasibility of using spectral clustering to segment the brain regions of the amygdala was studied. Materials and Methods: By resting state functional imaging according to the functional connectivity pattern of each voxel in a specifc brain region, spectral clustering was performed to segment the amygdala region. Results: The segmentation results of subregion on the right side of the central medial nucleus (CM) were similar to that of the map, and the results of subregion on the right superficial nuclei (SF) were relatively less similar to the spectra. Cluster analysis results of the stability analysis results showed that the signal-to-noise ratio was more than 70 db, each subregion maintained 100% similarity to the results without adding noise, the pearson correlation coeffcient could be kept about 0.7 in the low signal-to-noise ratio of 10 db. Conclusion: The clustering results and JULICH maps were highly consistent, which indicated the feasibility of this method. In addition, satisfactory results were also obtained in terms of stability and anti-interference. Compared with the traditional manual segmentation method, the clustering segmentation method proposed in this paper had the advantages of simplicity, high effciency, and high repeatability.

國家自然科學基金(編號：81271659，81171385)；中國博士后科學基金資助(編號：2014M552346)

1.深圳市貝斯達醫療股份有限公司，深圳 518172

2.解放軍軍事醫學科學院實驗動物中心，北京 100850

3.中南民族大學認知科學國家民委重點實驗室，武漢 430074

4.電子科技大學生命科學與技術學院，成都 610054

5.西安交通大學生命科學與技術學院，西安 710049

高全勝，E-mail：13691251828@163. com

2016-08-20

接受日期：2016-09-25

R445.2；R338.2

A

10.12015/issn.1674-8034.2016.10.010田洪君, 高全勝, 高軍峰, 等. 基于靜息態功能連接的杏仁核譜聚類研究. 磁共振成像, 2016, 7(10): 769-774.

*Correspondence to: Gao QS, E-mail: 13691251828@163.com

Received 20 Aug 2016, Accepted 25 Sep 2016

ACKNOWLEDGMENTS The work was supported by the National Nature Science Foundation of China (No. 81271659, 81171385) and the China Postdoctoral Science Foundation (No. 2014M552346).