DTI腦網絡中樞節點識別方法的比較

靳聰1，林嵐1，張柏雯1，趙一平2，吳水才1

DTI腦網絡中樞節點識別方法的比較

靳聰1，林嵐1，張柏雯1，趙一平2，吳水才1

Hub已成為腦網絡分析中一個熱點。通過圖論分析，可以獲取腦網絡的拓撲結構特征，并依據這些特征進行hub識別。在對Hub的識別中，識別方法（即網絡拓撲特征）的選取是其中的關鍵的一步。由于全局網絡參數不能反映個體節點對于整體網絡的貢獻，因此局部特征參數被廣泛應用于hub識別。當前，有多種hub識別方法在腦網絡分析中被應用，但這些方法彼此間的關系還沒有確定性的結論。Sporns等人在對動物的研究［8］中采用了模塊團、節點度、中心介數、中心度等網絡參數。結果顯示，獼猴腦網絡的hub主要位于V4,FEF,46,7a,TF,5和7b等區域，而貓腦網絡的hub主要位于CGp,35,AES,Ia,20a和EPp等區域。他們同時發現，模塊團、節點度、中心介數、中心度等識別方法之間存在一定的相關關系。雖然前人對動物hub識別方法的相互關系進行了前期探索，但對于人腦這方面研究還比較少。基于上述研究背景，本研究從hub識別參數的選擇入手，探究多種hub識別參數間的關系。

1　實驗對象與方法

1.1實驗對象與MRI數據采集

75例健康的右利手老年人被用于本研究,他們在實驗前均簽署知情同意書。受試者年齡范圍在50歲至70歲之間，39名女性，36名男性。受試者納入標準：無精神異常史及其他影響中樞神經系統的疾病，簡易精神狀態量表（Minimum Mental State Examination，MMSE）檢查評分均≥25分，漢密爾頓抑郁評定量表（Hamilton Depression Scale，HAMD）≤10分，實驗對象具體特征如表1所示。

表1　實驗對象特征表

所有的磁共振成像數據都是采用3T 高場強GE Signa Excite scanner （General Electric，Milwaukee，WI）掃描獲得。數據采集于美國亞利桑那大學附屬醫院。基于三維擾相梯度回波序列（3D-SPGR）采集204張連續冠狀面T1加權像，掃描參數如下：TR 5.3 ms，TE 2.0 ms，TI 500ms，翻轉角15°，矩陣：256 x 256，FOV = 256 x 256 mm2，層厚 1mm。DTI掃描采用單次激發自旋回波平面成像（echo-planar imaging, EPI）序列，掃描參數為：8個方向無擴散敏感梯度b值為0 s/mm2，51個方向施加擴散敏感梯度b值為1000 s/mm2，TR 12500ms，TE 71 ms，矩陣：128 x 128，FOV = 250 x 250 mm2，層厚2.6mm。

1.2腦網絡構建

在本研究中，我們采用AAL（Anatomical Automatic Labeling，AAL）模板，共劃分90個功能區域，每個區域為一個網絡節點。DTI影像的預處理及大腦結構網絡構建過程通過PANDA軟件（a Pipeline for Analysing braiN Diffusion images，http：//www.nitrc.org/projects/panda/）實現［9］。首先通過正向和反向配準將AAL模板配準到個體腦空間，完成個體腦網絡節點的定義。隨后，選用確定性纖維追蹤［10］進行纖維束追蹤。當FA值＞0.2時，纖維束追蹤開始計算，當角度閾值（angle threshold）＜45°或FA值＜0.2時追蹤停止［11］。個體空間下模板分割后的AAL影像與白質纖維束進行纖維網絡構建，得到二值化的纖維數量連接矩陣［12,13］。大腦白質纖維網絡構建基本處理流程如圖1所示。

1.3Hub識別

1.3.1Hub識別參數選擇

節點度直接反映了和該節點相關聯的節點的連接情況。腦網絡中的絕大多數節點只有少數連接，而少數節點卻可以擁有比較多的連接。節點度較高的節點在很大概率上會是腦網絡中的重要的‘交通樞紐’，承擔大量的信息傳遞和轉換工作，因而是應用頻率較高的hub識別參數。中心介數計算經過某個節點的最短路徑的個數，揭示該腦區節點在整個網絡的信息傳遞過程中的重要性，可以從側面反映出大腦的運行效率，因而是測量節點重要性的另一常見指標。網絡脆弱性通過對腦區節點的潛在攻擊來衡量節點的重要性。它計算節點去除前后腦網絡的全局效率，評估去除該節點對于整個網絡影響。除上述單參數識別方法外，多參數識別方法因其全面綜合性，也正逐漸被更多的研究者采用。復合參數的構成主要考慮以下因素：（1）復合參數中包含的每一個單參數均具有較高的敏感性；（2）組合應具備綜合識別能力，可從不同方面捕捉節點對于網絡的貢獻；（3）包含的單參數自身具備較高的應用頻率。經過甄選，復合參數由節點度，中心介數，聚類系數三個參數組成。

1.3.2Hub識別參數計算

表2和圖2展示了識別參數具體的計算公式和注解。

圖1　DTI影像預處理及大腦結構網絡構建流程圖

表2　hub識別參數的計算公式及注解

復合參數中包含度、中心介數和聚類系數三個參數，其中聚類系數揭示節點的鄰接節點間的連接情況，因此聚類系數值越低的節點越可能是hub節點。復合參數值的計算中，需要對三個參數值進行加減運算，為降低由于運算引入的誤差，這里采用標準化方法對參數值進行處理。

節點排序完成后，將前5%、25%和50%節點挑選出，識別為hub節點。

2　結果

圖2　參數解釋

圖3為大腦網絡中的hub分布圖。從左到右分別為節點度、中心介數、網絡脆弱性和復合參數識別出的hub腦區。紅色節點代表5%閾值下識別出的hub腦區，黃色節點代表5%～25%閾值下識別出的hub腦區，藍色節點代表25～50%閾值下識別出的hub腦區。結果顯示，4種識別方法識別出的hub腦區較為一致。4種識別方法可以將一些關鍵的hub腦區一致性的識別出來，這說明識別方法的差異并不會對hub識別結果造成嚴重影響。

圖3　Hub分布的腦皮層圖

我們進一步對不同識別方法識別出的腦區進行排序，圖4為不同識別方法識別出的節點的排列順序。圖（a）～圖（d）分別對應于節點度、中心介數、網絡脆弱性和復合參數計算下的排列情況。

圖4 不同識別方法的節點排列

排列結果顯示，4種不同的Hub識別方法的結果存在高度的相似性。圖5為識別結果的一致性。其中D&B表示節點度與中心介數；D&C表示節點度與復合參數；D&V表示節點度與網絡脆弱性；B&C表示中心介數與復合參數；B&V表示中心介數與網絡脆弱性；V&C表示網絡脆弱性與復合參數。

3　結論

圖5　識別結果的一致性

我們選取的4個識別方法各有其代表性。節點度為最常用的hub識別方法，中心介數能夠衡量節點在腦網絡信息傳遞中的重要作用，網絡脆弱性的應用頻率低于節點度和中心介數，但能夠從網絡效率的角度評估個體節點對于整個網絡功能的貢獻。此外，我們引入的復合參數，集節點度、中心介數和聚類系數于一體，能夠從多特征的角度進行綜合性節點重要性的評估。前人的動物實驗中，發現了腦連接組hub不同識別方法識別結果的相關性。本章的實驗在驗證前人研究結果的同時，發現人腦網絡特征參數具有更高相關性。在4個識別參數之中，中心介數和復合參數在不同閾值下整體相關性較高，節點度和中心介數在不同閾值下整體相關性較低。我們認為，盡管這些識別參數從數學上并不存在直接關系，但腦網絡的腦區劃分是依據大腦的解剖結構而實現的。為了實現腦網絡的高效性能，Hub節點可能同時具有我們Hub識別的多個特性。Hub節點的重要性并不會由于識別方法的改變而出現大的改變。研究中，不同識別方法識別出的Hub腦區在一定程度上存在可比性。本文研究結果為后人在腦網絡Hub方面的進一步研究提供重要的參考依據。

圖4　不同識別方法的節點排列

［1］林嵐,付振榮,張柏雯等. DTI腦連接組在大腦疾病方面的研究進展［J］. 中國醫療設備, 2015, 30（6）： 1-6.

［2］FELLEMAN D J, VAN ESSEN D C. Distributed hierarchical processing in the primate cerebral cortex［J］. Cerebral Cortex, 1991, 1（1）： 1-47.

［3］MESULAM M M. From sensation to cognition［J］. Brain A Journal of Neurology, 1998, 121 （6）： 1013-1052.

［4］MEYER K, DAMASIO A. Convergence and divergence in a neural architecture for recognition and memory［J］. Trends in Neurosciences, 2009, 32（7）： 376-382.

［5］HEUVEL M P, VAN DEN, OLAF S. Rich-club organization of the human connectome［J］. Journal of Neuroscience the Official Journal ofthe Society for Neuroscience, 2011, 31（44）： 15775-15786.

［6］CROSSLEY N A, ANDREA M, JESSICA S, et al. The hubs of the human connectome are generally implicated in the anatomy of brain disorders［J］. Brain, 2014, 137（Pt 8）： 2382-95.

［7］ALBET R, JEONG N, BARABASI A L. Error and attack tolerance of complex networks［J］. Crucitti P, Latora V, Marchiori M, et al. Error and attack tolerance of complex networks［J］. Nature, 2004, 340（1-3）：388-394.

［8］SPORNS O, HONEY C J, K TTER R. Identification and Classification of Hubs in Brain Networks［J］. Plos One, 2007, 2（10）： e1049-e1049.

［9］CUI Z, ZHONG S, XU P, et al. PANDA： a pipeline toolbox for analyzing brain diffusion images［J］. Frontiers in Human Neuroscience, 2013, 7（6）： 42.

［10］MORI S, VAN Zijl P. Fiber tracking： principles and strategies - a technical review［J］. NMR in Biomedicine, 2002, 15（7-8）： 468-480.

［11］MORI S, KAUFMANN W E, DAVATZIKOS C, et al. Imaging cortical association using diffusion tensor based tracts in the human brain axonal tracking［J］. Magnetic Resonance in Medicine, 2002, 47（2）： 215-223.

［12］林嵐,靳聰,付振榮,x等. 健康老年人腦年齡預測：基于尺度子配置模型的大腦連接組分析［J］. 北京工業大學學報, 2015, 41（6）：955-960.

［13］Lin L, Jin C, Fu Z,et al. Predicting healthy older adult’s brain age based on structural connectivity networks using artificial neural networks［J］. Comput Methods Programs Biomed., 2016 125： 8-17.