DTI脑网络中枢节点识别方法的比较

靳聪1，林岚1，张柏雯1，赵一平2，吴水才1

DTI脑网络中枢节点识别方法的比较

靳聪1，林岚1，张柏雯1，赵一平2，吴水才1

Hub已成为脑网络分析中一个热点。通过图论分析，可以获取脑网络的拓扑结构特征，并依据这些特征进行hub识别。在对Hub的识别中，识别方法（即网络拓扑特征）的选取是其中的关键的一步。由于全局网络参数不能反映个体节点对于整体网络的贡献，因此局部特征参数被广泛应用于hub识别。当前，有多种hub识别方法在脑网络分析中被应用，但这些方法彼此间的关系还没有确定性的结论。Sporns等人在对动物的研究［8］中采用了模块团、节点度、中心介数、中心度等网络参数。结果显示，猕猴脑网络的hub主要位于V4,FEF,46,7a,TF,5和7b等区域，而猫脑网络的hub主要位于CGp,35,AES,Ia,20a和EPp等区域。他们同时发现，模块团、节点度、中心介数、中心度等识别方法之间存在一定的相关关系。虽然前人对动物hub识别方法的相互关系进行了前期探索，但对于人脑这方面研究还比较少。基于上述研究背景，本研究从hub识别参数的选择入手，探究多种hub识别参数间的关系。

1　实验对象与方法

1.1实验对象与MRI数据采集

75例健康的右利手老年人被用于本研究,他们在实验前均签署知情同意书。受试者年龄范围在50岁至70岁之间，39名女性，36名男性。受试者纳入标准：无精神异常史及其他影响中枢神经系统的疾病，简易精神状态量表（Minimum Mental State Examination，MMSE）检查评分均≥25分，汉密尔顿抑郁评定量表（Hamilton Depression Scale，HAMD）≤10分，实验对象具体特征如表1所示。

表1　实验对象特征表

所有的磁共振成像数据都是采用3T 高场强GE Signa Excite scanner （General Electric，Milwaukee，WI）扫描获得。数据采集于美国亚利桑那大学附属医院。基于三维扰相梯度回波序列（3D-SPGR）采集204张连续冠状面T1加权像，扫描参数如下：TR 5.3 ms，TE 2.0 ms，TI 500ms，翻转角15°，矩阵：256 x 256，FOV = 256 x 256 mm2，层厚 1mm。DTI扫描采用单次激发自旋回波平面成像（echo-planar imaging, EPI）序列，扫描参数为：8个方向无扩散敏感梯度b值为0 s/mm2，51个方向施加扩散敏感梯度b值为1000 s/mm2，TR 12500ms，TE 71 ms，矩阵：128 x 128，FOV = 250 x 250 mm2，层厚2.6mm。

1.2脑网络构建

在本研究中，我们采用AAL（Anatomical Automatic Labeling，AAL）模板，共划分90个功能区域，每个区域为一个网络节点。DTI影像的预处理及大脑结构网络构建过程通过PANDA软件（a Pipeline for Analysing braiN Diffusion images，http：//www.nitrc.org/projects/panda/）实现［9］。首先通过正向和反向配准将AAL模板配准到个体脑空间，完成个体脑网络节点的定义。随后，选用确定性纤维追踪［10］进行纤维束追踪。当FA值＞0.2时，纤维束追踪开始计算，当角度阈值（angle threshold）＜45°或FA值＜0.2时追踪停止［11］。个体空间下模板分割后的AAL影像与白质纤维束进行纤维网络构建，得到二值化的纤维数量连接矩阵［12,13］。大脑白质纤维网络构建基本处理流程如图1所示。

1.3Hub识别

1.3.1Hub识别参数选择

节点度直接反映了和该节点相关联的节点的连接情况。脑网络中的绝大多数节点只有少数连接，而少数节点却可以拥有比较多的连接。节点度较高的节点在很大概率上会是脑网络中的重要的‘交通枢纽’，承担大量的信息传递和转换工作，因而是应用频率较高的hub识别参数。中心介数计算经过某个节点的最短路径的个数，揭示该脑区节点在整个网络的信息传递过程中的重要性，可以从侧面反映出大脑的运行效率，因而是测量节点重要性的另一常见指标。网络脆弱性通过对脑区节点的潜在攻击来衡量节点的重要性。它计算节点去除前后脑网络的全局效率，评估去除该节点对于整个网络影响。除上述单参数识别方法外，多参数识别方法因其全面综合性，也正逐渐被更多的研究者采用。复合参数的构成主要考虑以下因素：（1）复合参数中包含的每一个单参数均具有较高的敏感性；（2）组合应具备综合识别能力，可从不同方面捕捉节点对于网络的贡献；（3）包含的单参数自身具备较高的应用频率。经过甄选，复合参数由节点度，中心介数，聚类系数三个参数组成。

1.3.2Hub识别参数计算

表2和图2展示了识别参数具体的计算公式和注解。

图1　DTI影像预处理及大脑结构网络构建流程图

表2　hub识别参数的计算公式及注解

复合参数中包含度、中心介数和聚类系数三个参数，其中聚类系数揭示节点的邻接节点间的连接情况，因此聚类系数值越低的节点越可能是hub节点。复合参数值的计算中，需要对三个参数值进行加减运算，为降低由于运算引入的误差，这里采用标准化方法对参数值进行处理。

节点排序完成后，将前5%、25%和50%节点挑选出，识别为hub节点。

2　结果

图2　参数解释

图3为大脑网络中的hub分布图。从左到右分别为节点度、中心介数、网络脆弱性和复合参数识别出的hub脑区。红色节点代表5%阈值下识别出的hub脑区，黄色节点代表5%～25%阈值下识别出的hub脑区，蓝色节点代表25～50%阈值下识别出的hub脑区。结果显示，4种识别方法识别出的hub脑区较为一致。4种识别方法可以将一些关键的hub脑区一致性的识别出来，这说明识别方法的差异并不会对hub识别结果造成严重影响。

图3　Hub分布的脑皮层图

我们进一步对不同识别方法识别出的脑区进行排序，图4为不同识别方法识别出的节点的排列顺序。图（a）～图（d）分别对应于节点度、中心介数、网络脆弱性和复合参数计算下的排列情况。

图4 不同识别方法的节点排列

排列结果显示，4种不同的Hub识别方法的结果存在高度的相似性。图5为识别结果的一致性。其中D&B表示节点度与中心介数；D&C表示节点度与复合参数；D&V表示节点度与网络脆弱性；B&C表示中心介数与复合参数；B&V表示中心介数与网络脆弱性；V&C表示网络脆弱性与复合参数。

3　结论

图5　识别结果的一致性

我们选取的4个识别方法各有其代表性。节点度为最常用的hub识别方法，中心介数能够衡量节点在脑网络信息传递中的重要作用，网络脆弱性的应用频率低于节点度和中心介数，但能够从网络效率的角度评估个体节点对于整个网络功能的贡献。此外，我们引入的复合参数，集节点度、中心介数和聚类系数于一体，能够从多特征的角度进行综合性节点重要性的评估。前人的动物实验中，发现了脑连接组hub不同识别方法识别结果的相关性。本章的实验在验证前人研究结果的同时，发现人脑网络特征参数具有更高相关性。在4个识别参数之中，中心介数和复合参数在不同阈值下整体相关性较高，节点度和中心介数在不同阈值下整体相关性较低。我们认为，尽管这些识别参数从数学上并不存在直接关系，但脑网络的脑区划分是依据大脑的解剖结构而实现的。为了实现脑网络的高效性能，Hub节点可能同时具有我们Hub识别的多个特性。Hub节点的重要性并不会由于识别方法的改变而出现大的改变。研究中，不同识别方法识别出的Hub脑区在一定程度上存在可比性。本文研究结果为后人在脑网络Hub方面的进一步研究提供重要的参考依据。

图4　不同识别方法的节点排列

［1］林岚,付振荣,张柏雯等. DTI脑连接组在大脑疾病方面的研究进展［J］. 中国医疗设备, 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］林岚,靳聪,付振荣,x等. 健康老年人脑年龄预测：基于尺度子配置模型的大脑连接组分析［J］. 北京工业大学学报, 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.