張振興，吳亞東，廖 競，王 嬌

(1.西南科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，四川 綿陽 621010; 2.四川輕化工大學(xué) 計算機科學(xué)與工程學(xué)院,四川 自貢 643000;3.西南科技大學(xué) 信息工程學(xué)院，四川 綿陽 621010)

0 引言

人腦的功能和結(jié)構(gòu)極其復(fù)雜，理解大腦的運轉(zhuǎn)機制，是人類當(dāng)前面臨的巨大挑戰(zhàn)之一。近年來，研究人員將fMRI(功能性核磁共振成像)構(gòu)建成功能性腦網(wǎng)絡(luò)進行分析。功能性腦網(wǎng)絡(luò)是大腦連接的一種簡單表示，大腦可以按功能分為不同的腦區(qū)，這些腦區(qū)被定義為功能性腦網(wǎng)絡(luò)中的節(jié)點；腦區(qū)之間存在功能上的關(guān)聯(lián)，這種功能連接被定義為功能性腦網(wǎng)絡(luò)中的邊。對于阿爾默茨海默癥等精神疾病而言，其病理基礎(chǔ)不只涉及單一的腦區(qū)，而是大腦多個區(qū)域間的協(xié)同工作出現(xiàn)問題。因此將復(fù)雜網(wǎng)絡(luò)理論應(yīng)用到大腦研究中，可以從全腦不同腦區(qū)間的交互去分析患者大腦機制，從網(wǎng)絡(luò)的角度來研究其大腦的運轉(zhuǎn)[1,2]。

在神經(jīng)科學(xué)領(lǐng)域，對功能性腦網(wǎng)絡(luò)常用的研究思路是基于特定假設(shè)驅(qū)動的群組差異性分析。研究人員對患有疾病的被試者與健康狀態(tài)下的被試者進行對照，揭示患者和健康人群之間的功能性連接差異[3]和腦網(wǎng)絡(luò)特征參數(shù)差異[4]，探索其在疾病狀態(tài)下的變化規(guī)律，尋找客觀的影像學(xué)指標(biāo)以輔助臨床診斷。此外,功能性腦網(wǎng)絡(luò)具有模塊化結(jié)構(gòu)[5],這種模塊化結(jié)構(gòu)是根據(jù)腦區(qū)間的協(xié)同工作，將腦網(wǎng)絡(luò)分成不同的具有自相似性的若干個模塊，具有不同功能的模塊之間通過有效的功能整合來維持正常的人腦功能。

因此，在神經(jīng)科學(xué)領(lǐng)域中不同狀態(tài)間功能性腦網(wǎng)絡(luò)的模塊化結(jié)構(gòu)差異、功能性連接差異和網(wǎng)絡(luò)特征參數(shù)差異是當(dāng)前的熱點問題，研究人員常用統(tǒng)計模型和深度學(xué)習(xí)方法對上述內(nèi)容進行分析，然而這些方法只能尋找支持某種驅(qū)動假設(shè)的證據(jù)。并且現(xiàn)有的可視化工具也主要用于傳達科學(xué)發(fā)現(xiàn)，功能較為單一。為解決以上問題，我們開發(fā)了用于fMRI的交互式可視分析系統(tǒng)——BrainDVis。BrainDVis將降維視圖、網(wǎng)絡(luò)特征參數(shù)分析視圖、GIB布局視圖和鄰接矩陣視圖相關(guān)聯(lián)，研究人員在沒有明確的解決方案時依賴多種交互實現(xiàn)自動分析，結(jié)合可視化視圖尋找差異，由系統(tǒng)產(chǎn)生的視覺反饋來制定早期的理論方案或拒絕假設(shè)。

1 相關(guān)研究

由于功能性腦網(wǎng)絡(luò)的高維度性，神經(jīng)學(xué)家需要一個有效的可視分析工具用于探索其數(shù)據(jù)。對功能性腦網(wǎng)絡(luò)進行可視化研究是為了觀察腦區(qū)間的連通性和相互作用，進而用于比較不同狀態(tài)下被試者功能性連接的差異，探究疾病帶來的功能性連接變化。Xia等人開發(fā)了專用于研究功能性腦網(wǎng)絡(luò)的可視分析工具BrainNet Viewer[6]，其使用球棍模型展示功能性腦網(wǎng)絡(luò)腦區(qū)間的功能性連接，保留了腦區(qū)在大腦空間的真實位置，提供基本的交互功能。但是這種可視化布局會導(dǎo)致混亂和遮擋，影響視覺效果。時磊等人使用NodeTrix可視化方法展示功能性腦網(wǎng)絡(luò)[7]，這是一種結(jié)合節(jié)點鏈接圖和矩陣的混合可視化方法，該方法極大的降低了功能性腦網(wǎng)絡(luò)的視覺復(fù)雜性。

但是要對功能性腦網(wǎng)絡(luò)進行更深入的探索，還需要對其模塊化結(jié)構(gòu)進行詳細(xì)的分析。復(fù)雜網(wǎng)絡(luò)有一個共同的性質(zhì)——模塊化結(jié)構(gòu)，模塊化結(jié)構(gòu)也稱為社團結(jié)構(gòu)。社團是網(wǎng)絡(luò)中節(jié)點的集合，一個復(fù)雜網(wǎng)絡(luò)是由若干社團構(gòu)成的。功能性腦網(wǎng)絡(luò)是一種典型的復(fù)雜網(wǎng)絡(luò)，研究其模塊化結(jié)構(gòu)對分析各腦區(qū)功能之間的協(xié)作關(guān)系有非常重要的意義。Connectome Visualization Utility(CVU)是用于探索功能性腦網(wǎng)絡(luò)模塊化結(jié)構(gòu)的工具[8]。但是，CVU僅限于在單個規(guī)模/級別上識別和可視化模塊化結(jié)構(gòu)，沒有對模塊間的協(xié)作進行分析。總體來說當(dāng)前關(guān)于功能性腦網(wǎng)絡(luò)模塊化結(jié)構(gòu)的可視分析系統(tǒng)研究進展甚微。

基于此，本文專注于解決目前沒有可視化系統(tǒng)可以同時對功能性腦網(wǎng)絡(luò)進行模塊化差異分析和功能性連接差異分析的問題，開發(fā)了一個可視分析系統(tǒng)——BrainDVis。

2 可視化任務(wù)描述與系統(tǒng)架構(gòu)

2.1 可視化任務(wù)

通過與神經(jīng)學(xué)家的交流，總結(jié)出BrainDVis系統(tǒng)的設(shè)計思路，具體如下。

T1:不同狀態(tài)的功能性腦網(wǎng)絡(luò)是否存在較大的差異？因此對多個被試間的功能性腦網(wǎng)絡(luò)差異要有整體直觀的感知。

T2: 疾病是否會讓功能性腦網(wǎng)絡(luò)的網(wǎng)絡(luò)特征參數(shù)發(fā)生改變？變化規(guī)律是怎樣的？因此要對不同狀態(tài)下功能性腦網(wǎng)絡(luò)的網(wǎng)絡(luò)特征參數(shù)進行分析與對比。

T3:疾病是否會導(dǎo)致功能性腦網(wǎng)絡(luò)的模塊化結(jié)構(gòu)發(fā)生改變？因此需要一個直觀的方式對功能性腦網(wǎng)絡(luò)的模塊化結(jié)構(gòu)進行展示，并需要一種準(zhǔn)確的方法對變化程度進行評估。

T4:某種疾病給功能性連接帶來什么變化？需要一種直觀的方式來展現(xiàn)功能性連接變化最大的是哪幾個腦區(qū)。

T5:為了更好地結(jié)合神經(jīng)學(xué)家的先驗知識，系統(tǒng)應(yīng)該具有多視圖協(xié)同交互能力支持他們自由探索。

2.2 系統(tǒng)整體架構(gòu)

本文的探索功能性腦網(wǎng)絡(luò)差異分析框架如圖1所示。系統(tǒng)采用B/S架構(gòu)，使用Vue + D3 +Echarts作為系統(tǒng)框架，以Mysql作為后臺數(shù)據(jù)庫。共有3大模塊，分別是可視分析視圖模塊、數(shù)據(jù)的處理與計算模塊以及存儲模塊。

圖1 探索功能性腦網(wǎng)絡(luò)差異分析框架

數(shù)據(jù)的預(yù)處理及存儲模塊是將功能性核磁共振數(shù)據(jù)轉(zhuǎn)化為計算機可以識別的數(shù)值型數(shù)據(jù)，再存儲在數(shù)據(jù)庫中。數(shù)據(jù)的處理與計算是將表示功能性腦網(wǎng)絡(luò)的矩陣數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化的數(shù)據(jù)，便于可視化算法、計算復(fù)雜網(wǎng)絡(luò)參數(shù)和相似度度量算法的輸入。可視化模塊將數(shù)據(jù)映射為可視化視圖，展示被試間的多方面差異，并提供點擊、框選等交互操作。

2.3 數(shù)據(jù)預(yù)處理

將fMRI圖像構(gòu)建成功能性腦網(wǎng)絡(luò)，分為以下3個步驟[9]，如圖2所示。

圖2 數(shù)據(jù)處理流程圖

網(wǎng)絡(luò)構(gòu)建詳細(xì)步驟描述如下：

1)數(shù)據(jù)預(yù)處理：采用SPM(statistical parametric mapping)對影像數(shù)據(jù)進行時間校正、空間配準(zhǔn)、標(biāo)準(zhǔn)化、平滑等預(yù)處理，通過濾波處理最后得到全腦時間序列數(shù)據(jù)。預(yù)處理后的fMRI圖像都會產(chǎn)生數(shù)十萬個體素點，對這些體素點按標(biāo)準(zhǔn)坐標(biāo)歸類到具體的某一腦區(qū)。

2)相關(guān)分析：以標(biāo)準(zhǔn)腦模板分割出來的腦區(qū)為單位，計算腦區(qū)內(nèi)體素對應(yīng)的時間序列的平均值，用來表示該腦區(qū)的時間序列和腦活動功能屬性。腦區(qū)時間序列間的同步性表示腦區(qū)之間的功能連接關(guān)系，計算各腦區(qū)的相關(guān)性的方法是Pearson相關(guān)系數(shù)，公式為：

3)功能性腦網(wǎng)絡(luò)的構(gòu)建：相關(guān)系數(shù)用來判斷腦功能網(wǎng)絡(luò)的兩個腦區(qū)節(jié)點間是否存在連接邊。如果兩個腦區(qū)間的相關(guān)值大于閾值時，在對應(yīng)的節(jié)點間建立連接邊；反之則不建立連接邊。

4)平均功能性腦網(wǎng)絡(luò)的計算：本文需要用到被試組的平均功能性腦網(wǎng)絡(luò)。計算每個被試組內(nèi)所有被試90個腦區(qū)的每個腦區(qū)的相關(guān)系數(shù)求平均值，繼而得到每個被試組的均值相關(guān)矩陣，通過該矩陣可以構(gòu)建平均功能性腦網(wǎng)絡(luò)。

3 可視化系統(tǒng)實現(xiàn)

BrainDVis可視分析系統(tǒng)包含以下6個部分：(A)降維視圖;(B)控制面板;(C)功能性腦網(wǎng)絡(luò)特征參數(shù)分析視圖;(D)鄰接矩陣視圖;(E)group-in-a-box分析視圖;(F)微社區(qū)分析視圖。

3.1 降維視圖

由于功能性腦網(wǎng)絡(luò)的高維復(fù)雜性，研究人員難以找到一種直觀準(zhǔn)確的方法比較大量被試間功能性腦網(wǎng)絡(luò)的差異。他們常用的方法是將所有被試按照實驗任務(wù)劃分為兩個被試組，對兩組的平均功能性腦網(wǎng)絡(luò)進行對比，尋找差異。但是被試組的平均腦網(wǎng)絡(luò)會掩蓋個體的特殊性，讓我們忽略其中潛在的發(fā)現(xiàn)。

MDS降維算法[10]可以將高維度的功能性腦網(wǎng)絡(luò)映射到低維空間中，使高維空間結(jié)構(gòu)在低維空間得以保持。差異較大的功能性腦網(wǎng)絡(luò)在低維空間下的映射點距離也較大，反之較小，即可以通過降維將被試之間的腦網(wǎng)絡(luò)差異投射到低維空間。本文結(jié)合MDS降維算法，提出了一種功能性腦網(wǎng)絡(luò)相似度度量方法。首先將所有的功能性腦網(wǎng)絡(luò)矩陣A1,A2,…,An轉(zhuǎn)換為向量X1,X2,…,Xn,然后計算向量兩兩之間的歐式距離，得出一個距離矩陣D,通過MDS算法計算出功能性腦網(wǎng)絡(luò)在二維平面上的坐標(biāo)。

MDS算法流程:

1)計算原始空間中數(shù)據(jù)點的距離矩陣。

2)計算內(nèi)積矩陣B。

3)對矩陣B進行特征值分解，獲得特征值矩陣Λ和特征向量矩陣V。

圖3 降維視圖

如圖3所示，MDS算法計算出所有被試個體在二維空間上的坐標(biāo)后，以點的形式映射在二維平面上，每個節(jié)點都代表一個被試，節(jié)點的顏色代表被試所屬的組別，圖中節(jié)點間的距離代表被試間功能性腦網(wǎng)絡(luò)差異的大小。如果被試間具有組內(nèi)差異小和組間差異大的特征，說明組內(nèi)被試個體的功能性腦網(wǎng)絡(luò)具有相似性，而組間被試個體的差異性較大?？梢酝茢嗉膊?dǎo)致功能性腦網(wǎng)絡(luò)發(fā)生改變。

3.2 功能性腦網(wǎng)絡(luò)特征參數(shù)分析視圖

研究人員利用降維視圖從整體上對比被試間功能性腦網(wǎng)絡(luò)的差異后，還需要挖掘產(chǎn)生差異的潛在因素。復(fù)雜網(wǎng)絡(luò)理論提供的網(wǎng)絡(luò)特征參數(shù)可以從不同角度對網(wǎng)絡(luò)的拓?fù)鋵傩赃M行分析。BrainDVis系統(tǒng)對功能性腦網(wǎng)絡(luò)的特征參數(shù)進行了對比分析，使用到的特征參數(shù)包括：

1)小世界網(wǎng)絡(luò)(δ)：研究表明大腦具有“小世界”拓?fù)浣Y(jié)構(gòu)[4]。

2)平均最短路徑(Lp)：平均最短路徑越短，在一定程度上可以表明整個網(wǎng)絡(luò)之間信息傳遞的效率越高[11]。

3)平均聚類系數(shù)(Cp)：整個網(wǎng)絡(luò)的聚類系數(shù)定義為各個節(jié)點的聚類系數(shù)的均值，它可以描述網(wǎng)絡(luò)中節(jié)點之間的連接緊密程度[11]。

4)同配系數(shù)(Ap)：網(wǎng)絡(luò)中連接度大的結(jié)點總是傾向于與連接度大的結(jié)點相連，那么稱該網(wǎng)絡(luò)為同配網(wǎng)絡(luò)。

為了便于挖掘不同狀態(tài)下被試個體功能性腦網(wǎng)絡(luò)特征參數(shù)的異同，我們設(shè)計了良好的交互功能。如圖4(a)所示，點擊控制面板的brush按鈕，降維視圖中出現(xiàn)一個隨鼠標(biāo)操作而改變大小和位置的選擇框。當(dāng)選擇框選中降維視圖中一個或多個節(jié)點時，可以在數(shù)據(jù)表格中看到所選被試的特征參數(shù)和基本信息。

圖4 功能性腦網(wǎng)絡(luò)參數(shù)分析視圖

在操作面板點擊parallel后，數(shù)據(jù)表格轉(zhuǎn)換為平行坐標(biāo)視圖。和上面的交互方法一致，在降維視圖中選擇感興趣的被試，所選被試的數(shù)據(jù)將被加載到平行坐標(biāo)圖中。如圖4(b)所示，每一個被試在平行坐標(biāo)圖中用一條折線所表示，折線顏色代表所屬組別。用戶根據(jù)分析需要，對維度軸中的屬性值進行刷選，選擇感興趣的數(shù)據(jù)區(qū)域，對特征參數(shù)的差異做出進一步探究。在平行坐標(biāo)上完成各維度軸的刷選后，系統(tǒng)會統(tǒng)計該數(shù)據(jù)區(qū)域中各組被試的數(shù)量。

3.3 功能性腦網(wǎng)絡(luò)模塊化分析

系統(tǒng)從模塊劃分和微社區(qū)兩個層面上幫助研究人員對功能性腦網(wǎng)絡(luò)模塊化結(jié)構(gòu)進行探索。

3.3.1 模塊化結(jié)構(gòu)分析視圖

為解決節(jié)點和邊緣數(shù)量過多時帶來的視覺混亂問題，系統(tǒng)采用了Chaturvedi等人提出的GIB(group-in-a-box)可視化布局[12]，GIB布局算法實現(xiàn)流程：

1)完成社區(qū)劃分后，先使用treemap空間填充技術(shù)[13]為每個模塊繪制一個單獨的區(qū)域框，用于顯示各個模塊，矩形的面積由該模塊內(nèi)包含的節(jié)點數(shù)量來確定。

2)然后在每個矩形框內(nèi)，使用力導(dǎo)向布局算法對模塊內(nèi)部節(jié)點進行布局；

3)添加圖中的點和邊。

如圖5所示，利用Louvain算法[14]將功能性腦網(wǎng)絡(luò)劃分為多個模塊，通過GIB布局將每個模塊內(nèi)的腦區(qū)節(jié)點放在同一個矩形框內(nèi)，不同模塊具有不同的顏色。這種布局方式保持了模塊間的視覺距離，并且避免了由于腦區(qū)節(jié)點和功能連接數(shù)量過多而隱藏每個模塊內(nèi)部的網(wǎng)絡(luò)結(jié)構(gòu)，便于研究人員觀察功能性腦網(wǎng)絡(luò)每個模塊內(nèi)部的網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 基于GIB布局的模塊劃分視圖

3.3.2 微社區(qū)分析視圖

為了進一步探究疾病帶給功能性腦網(wǎng)絡(luò)的模塊化結(jié)構(gòu)的變化，本文提出了“微社區(qū)”和“連接比率”的概念，對不同狀態(tài)下模塊化結(jié)構(gòu)的差異進行評估。

定義1 (微社區(qū))：對不同的腦網(wǎng)絡(luò)運用同種模塊劃分算法，若某些腦區(qū)節(jié)點的組合同時出現(xiàn)在各個被試腦網(wǎng)絡(luò)的某個模塊中，那么我們把這些腦區(qū)節(jié)點的集合定義為微社區(qū)。如G1表示的節(jié)點組合同時出現(xiàn)在健康組模塊二和抑郁癥組模塊二中，或G2表示的節(jié)點組合同時出現(xiàn)在健康組模塊二和抑郁癥組模塊六中，我們定義G1和G2為微社區(qū)。

“連接比率”用于分析微社區(qū)之間的關(guān)系，連接比率的數(shù)學(xué)定義為：

Cij代表微社區(qū)i與微社區(qū)j之間所存在的實際邊數(shù)。Mij為微社區(qū)i與微社區(qū)j之間的理論最大連邊數(shù)。連接比率反映了兩個微社區(qū)之間的緊密程度，3個微社區(qū)N1、N2、N3，如果存在I12>I13，即N1與N2的連接比率高于N1與N3的連接比率，因此我們認(rèn)為N1與N2之間的關(guān)系比N1與N3更為緊密。

我們可以通過微社區(qū)和連接比率的概念間接分析各被試組模塊化結(jié)構(gòu)間的差異。載入多組被試組數(shù)據(jù)后，系統(tǒng)將計算出所有的微社區(qū)，并在列表中顯示，如圖6所示。當(dāng)點擊列表中的微社區(qū)后，被選中的微社區(qū)將被計算兩兩間的連接比率。節(jié)點代表所選微社區(qū)，邊緣的厚度代表了微社區(qū)間連接比率的強弱。

圖6 微社區(qū)分析視圖

3.4 鄰接矩陣視圖

鄰接矩陣視圖用于描述腦區(qū)之間如何相互關(guān)聯(lián)，用于快速評估功能性腦網(wǎng)絡(luò)的連接情況。如圖7所示，鄰接矩陣表示90個腦區(qū)之間的功能性連接情況。矩陣中的(i,j)位置表示腦區(qū)i與腦區(qū)j的功能性連接，第i行/第j列所對應(yīng)元素如果具有顏色映射，則代表第i個腦區(qū)和第j個腦區(qū)之間具有功能性連接，且連接強度由顏色編碼。

圖7 鄰接矩陣視圖

3.5 功能性連接差異分析視圖

大腦功能性連接用于衡量腦區(qū)之間的相關(guān)性。如果兩個腦區(qū)之間的功能性連接系數(shù)越高，那么這兩個腦區(qū)間的相關(guān)性也就越高。神經(jīng)學(xué)家對特定原因造成的功能性連接變化非常感興趣，比如隨著年齡的增長或身體損傷，腦功能性連接是如何變化的。系統(tǒng)使用了GIB視圖分析腦功能性連接的差異/變化，推測由疾病導(dǎo)致的功能性腦網(wǎng)絡(luò)交互異常。

此時在GIB視圖中關(guān)注的是功能性連接差異，當(dāng)分析健康狀態(tài)和疾病狀態(tài)下功能連接差異時，GIB視圖中的模塊結(jié)構(gòu)是疾病狀態(tài)下的，節(jié)點間邊的系數(shù)是疾病狀態(tài)和健康狀態(tài)下對應(yīng)邊系數(shù)的差值。如圖8所示，如果邊為紅色，說明疾病狀態(tài)較正常狀態(tài)，功能性連接得到了增強。系統(tǒng)設(shè)置了閾值來尋找兩者之間功能連接變化最顯著的區(qū)域，即受疾病影響最大的腦區(qū)。對threshold進行調(diào)節(jié)，步長為0.01，此時視圖中只顯示功能性連接系數(shù)差值大于threshold的邊。

圖8 被試間功能性腦連接差異視圖

4 系統(tǒng)應(yīng)用

4.1 數(shù)據(jù)描述

本文采用的實驗數(shù)據(jù)均來自LONI Image Data Archive (IDA)。在實驗1中，我們使用了30例被試的靜息態(tài)功能磁共振數(shù)據(jù)(resting-state fMRI)，數(shù)據(jù)分為兩個類別，其中健康被試(HC1)為 15例，阿爾茨海默病被試(AD)為15例。實驗2使用了30例被試的靜息態(tài)功能磁共振數(shù)據(jù)，其中健康被試 (HC2) 為 15例，抑郁癥被試(MDD)為15例。所有數(shù)據(jù)都在3.0T Philips Achieva 掃描儀采集獲得。兩組被試在性別、年齡上沒有顯著差異。兩組被試詳細(xì)的基本信息見表1。

表1 被試者基本信息

4.2 阿爾莫茨海默癥患者與健康者的差異

研究人員通過BrainDVis系統(tǒng)尋找AD癥患者和健康者(HC1)間功能性腦網(wǎng)絡(luò)的差異，用于發(fā)現(xiàn)AD癥對大腦產(chǎn)生的影響。首先，使用降維視圖從整體上對大量被試間的功能性腦網(wǎng)絡(luò)差異進行分析。如圖9(a)所示，降維視圖中紅色節(jié)點傾向于視圖上方，而綠色節(jié)點在視圖下方，形成了較為顯著的聚類結(jié)構(gòu)，具有組內(nèi)被試差異小，組間被試差異大的特征。根據(jù)這種現(xiàn)象，研究人員驗證了AD癥導(dǎo)致患者大腦發(fā)生改變的結(jié)論。

如圖9(b)所示，紅色折線代表AD組，藍色折線代表HC1組。可以發(fā)現(xiàn)無論是AD組還是HC1組，參數(shù)都為True。說明無論是否患病，腦網(wǎng)絡(luò)都具有小世界性，這與已有的研究結(jié)果一致[7]。還可以發(fā)現(xiàn)AD患者的Lp、Cp、Ap三個參數(shù)均高于HC1組，說明雖然AD患者的小世界屬性沒有改變，但其功能性腦網(wǎng)絡(luò)的內(nèi)部特征發(fā)生改變。

AD患者的功能性腦網(wǎng)絡(luò)平均聚類系數(shù)和平均路徑長度均顯著高于正常人，這意味著AD患者遠(yuǎn)距離腦區(qū)之間的整合能力降低，信息傳遞能力下降，這可能是AD患者大腦反應(yīng)遲鈍的重要原因之一。我們的結(jié)果與He等對AD患者功能性腦網(wǎng)絡(luò)的研究結(jié)果一致[11]。盡管相配系數(shù)均為正數(shù)，我們的結(jié)果顯示AD患者的相配系數(shù)均高于HC1組的相配系數(shù)。這表明AD患者功能性腦網(wǎng)絡(luò)中節(jié)點度較大節(jié)點間的耦合更加緊密，即大腦在病變的過程中，關(guān)鍵節(jié)點間的耦合變得比正常人更加緊密。

最后研究人員利用功能性連接差異分析視圖尋找受AD癥影響最大的腦區(qū)。如圖9(c)所示，針對AD癥被試組和HC1被試組的均值功能性連接差值，將閾值調(diào)高，發(fā)現(xiàn)左顳上回腦區(qū)與其他幾個腦區(qū)連接依然存在且為紅色，說明左顳上回腦區(qū)的功能性連接強度比HC1組有顯著增強。顳上回腦區(qū)主要參與聽覺的處理、語言接收和自我監(jiān)控[15]。有研究指出AD患者功能連接的增強是認(rèn)知功能的補償性重新分配或者補充[16]，研究人員推測AD患者顳上回功能連接的增強暗示了語言理解和自我監(jiān)控功能的受損和補償。

圖9 AD癥患者與健康者的差異性對比

4.3 抑郁癥患者與正常人差異

研究人員通過分析抑郁癥患者組(MDD)和健康組(HC2)組間的模塊化差異，探究MDD癥給功能性腦網(wǎng)絡(luò)帶來的變化。

點擊操作面板中的Group鍵，系統(tǒng)計算兩組的平均功能性腦網(wǎng)絡(luò)后，將其載入到模塊化分析視圖中。如圖10(a),(b)所示，抑郁癥組和對照組的功能性腦網(wǎng)絡(luò)都被分成了6個模塊,由節(jié)點的顏色和數(shù)量可以發(fā)現(xiàn)，疾病使大腦模塊劃分發(fā)生了改變。

根據(jù)微社區(qū)概念，計算出兩組平均腦網(wǎng)絡(luò)包含10個微社區(qū)?；谝钟舭Y的患病機理和現(xiàn)有研究結(jié)論，研究人員選擇了五個微社區(qū)進行分析，這些微社區(qū)包含的腦區(qū)涉及情感、意識和知覺等。如圖10(c),(d)，從對五個微社區(qū)的分析中，我們可以看到HC2組中微社區(qū)5和微社區(qū)7的連接比率顯著高于MDD組相應(yīng)的連接比率。微社區(qū)5主要包括的腦區(qū)有海馬、杏仁核等，其涉及的功能主要是情感和記憶。微社區(qū)7的腦區(qū)主要牽涉到情感強化表達等。說明抑郁癥患者這部分腦區(qū)間的交流減少，信息傳導(dǎo)不暢，從而導(dǎo)致了患者在情感方面的障礙。

圖10 MDD癥患者組與HC2組模塊分析展示

5 結(jié)束語

本文基于功能性核磁共振數(shù)據(jù)，結(jié)合多種算法與可視分析方法,設(shè)計并實現(xiàn)了探究不同狀態(tài)間功能性腦網(wǎng)絡(luò)差異的可視分析系統(tǒng)BrainDVis，解決了現(xiàn)有工具功能單一的問題。最后通過與神經(jīng)學(xué)家合作的兩個案例證明，BrainDVis可以滿足研究人員的分析需求，這種綜合性的分析工具提高了他們探索功能性腦網(wǎng)絡(luò)的能力。隨著人類對大腦研究的不斷深入，這種基于交互式的可視分析工具會越來越重要。