姬笑楠，朱玉穎，吳亞東

(1.西南科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川 綿陽 621010；2.中國科學(xué)技術(shù)大學(xué) 中科大醫(yī)學(xué)影像中心，合肥 230026；3.四川輕化工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川 自貢 643002)

0 引言

近些年，對于人腦的研究逐漸成為一個(gè)熱點(diǎn)課題。對于人腦的研究其核心是大腦中的神經(jīng)連接，針對這一問題，大腦連接組學(xué)應(yīng)運(yùn)而生[1]。連接組學(xué)研究的目的是通過了解大腦的接線機(jī)制[2]來創(chuàng)建腦功能網(wǎng)絡(luò)連接的完整表示。連接組的表示可以幫助人們增加對大腦功能連接的認(rèn)識，以及大腦狀態(tài)是如何從其潛在的結(jié)構(gòu)中出現(xiàn)的[3]。

在研究中發(fā)現(xiàn)，被試者的腦網(wǎng)絡(luò)連通性通常會受到諸如年齡、性別、受教育程度、遺傳病史和疾病狀態(tài)等各種因素的影響。例如在阿茲海默綜合癥患者中，與記憶相關(guān)區(qū)域的連接水平明顯低于相匹配的健康對照組[4]。研究這些連接特征的差異可以提高對人腦功能連接的了解，并且在疾病預(yù)測、基因工程和許多其他相關(guān)方面的應(yīng)用中也都有重大意義。然而想要完全掌握人腦的功能連接，是一項(xiàng)異常艱巨的任務(wù)。首先，需要高質(zhì)量和大規(guī)模的腦網(wǎng)絡(luò)測量數(shù)據(jù)，因?yàn)榇竽X各區(qū)域之間的網(wǎng)絡(luò)連通性特征都是非常高維的，當(dāng)數(shù)據(jù)量不夠多、被試者人數(shù)很少時(shí)，很可能會導(dǎo)致過擬合，這將致使產(chǎn)生的結(jié)果不可靠；其次，在復(fù)雜的腦網(wǎng)絡(luò)研究中，對領(lǐng)域?qū)＜宜岢龅谋姸嘤?jì)算模型的驗(yàn)證也是花費(fèi)巨大的。

然而，可視化工具可以用于解決高維連接模式下的腦網(wǎng)絡(luò)比較問題。一方面，可視化工具提供了一個(gè)可以融合多個(gè)腦網(wǎng)絡(luò)以及多名被試者數(shù)據(jù)的交互式平臺；另一方面，可視化可以對數(shù)據(jù)進(jìn)行針對性的展示，幫助領(lǐng)域?qū)＜疫M(jìn)行分析和比較，能夠快速、有效地對數(shù)據(jù)進(jìn)行評估。

1 相關(guān)研究

Xia等人開發(fā)了可視分析工具BrainNet Viewer[5]用于研究人腦功能網(wǎng)絡(luò)，該工具使用節(jié)點(diǎn)鏈路模型來展示各腦區(qū)之間的功能鏈接，保留了人腦中腦區(qū)的真實(shí)位置，提供了拖拽、旋轉(zhuǎn)等基本的交互功能。但是在數(shù)據(jù)量比較大時(shí)，該工具會產(chǎn)生嚴(yán)重的視覺混亂及遮擋，同時(shí)又缺少提示，大大增加了對于有用信息的獲取難度。Laplante等人提出并開發(fā)了可視化工具Connectome Visualization Utility(CVU)[6]，CVU基于人腦的塊狀結(jié)構(gòu)，能夠?qū)蝹€(gè)模塊進(jìn)行識別和可視化，并增強(qiáng)了交互功能，使信息獲取更加容易，但是它缺乏對模塊間以及整體的功能分析。

并且目前用于人腦功能網(wǎng)絡(luò)比較的視覺表示方法中，常用節(jié)點(diǎn)鏈路圖的表示方法和關(guān)系矩陣的表示方法，這兩種方法都具有非常低的任務(wù)準(zhǔn)確性和較差的時(shí)間效率。為了解決這一問題，時(shí)磊等人[7]將Henry等人[8]提出的NodeTrix表示方法運(yùn)用到了大腦網(wǎng)絡(luò)連接中，它考慮了人腦網(wǎng)絡(luò)中固有的功能塊結(jié)構(gòu)，將上述兩種傳統(tǒng)的方法結(jié)合，通過模塊化腦網(wǎng)絡(luò)來進(jìn)行可視分析。此方法相較于傳統(tǒng)的節(jié)點(diǎn)鏈路圖和關(guān)系矩陣圖，結(jié)合了感興趣區(qū)域(ROI，region of interest)的塊結(jié)構(gòu)以提高人類大腦網(wǎng)絡(luò)分類的預(yù)測性能，在低級檢測和高級檢索的鏈接任務(wù)中，NodeTrix方法的性能明顯優(yōu)于節(jié)點(diǎn)鏈路表示法和關(guān)系矩陣表示法，提高了檢索任務(wù)的準(zhǔn)確性和完成時(shí)間。

但是在領(lǐng)域?qū)＜易铌P(guān)注的差異性表示上，現(xiàn)有的可視分析工具與方法，并不能高效地表現(xiàn)出病人與正常人腦功能網(wǎng)絡(luò)之間的差異性。

為了解決這些問題，本文開發(fā)了一個(gè)用于腦絡(luò)連接加權(quán)圖比較的可視分析系統(tǒng)，這項(xiàng)工作的主要貢獻(xiàn)如下所示：

1)提出了一個(gè)新的可視方法。不同于傳統(tǒng)的雙視圖并列展示的方式，基于NodeTrix設(shè)計(jì)了一定的規(guī)則，將患者與正常人的數(shù)據(jù)疊加到同一視圖中對數(shù)據(jù)進(jìn)行展示，以突出差異。

2)使用聚類算法對腦區(qū)進(jìn)行再聚類。對病人與正常人數(shù)據(jù)分別進(jìn)行聚類，以兩次聚類結(jié)果為依據(jù)，突出其模塊化差異。

3)使用力導(dǎo)向邊綁定算法來綁定視圖中的連線，以減少視覺混亂。此外，增加了一系列的交互設(shè)計(jì)，以更直觀、簡單、有效的方式呈現(xiàn)患者與正常人的差異，加強(qiáng)理解。

4)進(jìn)行了一組對照試驗(yàn)，以驗(yàn)證所開發(fā)的系統(tǒng)在大腦功能網(wǎng)絡(luò)比較任務(wù)中的有用性。并使用兩個(gè)真實(shí)數(shù)據(jù)集來做案例分析:一個(gè)比較阿爾茨海默病患者與健康對照組，另一個(gè)比較正常人和抑郁癥患者的平均腦網(wǎng)絡(luò)。

2 整體架構(gòu)

2.1 系統(tǒng)整體架構(gòu)

本文用于腦絡(luò)連接加權(quán)圖比較的可視分析系統(tǒng)，其框架如圖1所示。系統(tǒng)采用B/S的架構(gòu)，使用Vue+Three.js作為系統(tǒng)框架，將預(yù)處理完的功能磁共振(fMRI，functional magnetic resonance imaging)圖像數(shù)據(jù)存入MySql作為后臺數(shù)據(jù)庫。

2.2 腦網(wǎng)絡(luò)鏈接加權(quán)圖的構(gòu)建

將fMRI圖像構(gòu)建成腦網(wǎng)絡(luò)鏈接加權(quán)圖的方法通過3個(gè)步驟完成[9]。

1)使用專門用于fMRI影像數(shù)據(jù)處理的工具SPM(statistical parametric mapping)分別對影像數(shù)據(jù)進(jìn)行時(shí)間層校正、頭動校正、空間標(biāo)準(zhǔn)化、去線性漂移、濾波、空間平滑處理，得到全腦的時(shí)間序列數(shù)據(jù)，處理完之后的圖像由約四十萬的體素點(diǎn)構(gòu)成，將這些體素點(diǎn)按照在生物學(xué)中應(yīng)用較廣的AAL(anatomical automatic labeling)模板歸類到具體的90個(gè)感興趣區(qū)域ROI(region of interest)中。

2)以ROI為單位，計(jì)算各時(shí)間序列下，ROI內(nèi)體素所對應(yīng)的血氧依賴數(shù)值的平均值?；诖酥涤?jì)算各ROI之間的Pearson相關(guān)系數(shù)，公式如下：

(1)

3)相關(guān)系數(shù)的值用來表示兩個(gè)ROI之間的功能鏈接強(qiáng)度，相關(guān)系數(shù)的絕對值越接近1，則相關(guān)性越強(qiáng)，相關(guān)系數(shù)越接近于0，則相關(guān)性越弱。再對某一被試群組計(jì)算平均值，即為平均腦網(wǎng)絡(luò)。

3 可視化系統(tǒng)設(shè)計(jì)

本文設(shè)計(jì)并實(shí)現(xiàn)的可視分析系統(tǒng)主要有4部分組成：(A)三維視圖，(B)并置NodeTrix視圖，(C)疊加NodeTrix視圖及差異參數(shù)，(D)控制面板。在控制面板中選取某一界面，頁面即可跳轉(zhuǎn)到相應(yīng)界面，并將控制面板收起在右上角。如圖2所示。

圖2 可視分析系統(tǒng)示意圖

3.1 加權(quán)圖比較視圖

Alper[10]等人的研究表明，在腦功能網(wǎng)絡(luò)的對比中，疊加視圖比并置視圖更能突出群組之間的差異。于是，在NodeTrix的基礎(chǔ)上添加了一些規(guī)則，提出了一種新的疊加NodeTrix可視方法用于該可視分析系統(tǒng)。

圖3描繪了使用NodeTrix結(jié)合疊加設(shè)計(jì)展示塊狀腦網(wǎng)絡(luò)比較的實(shí)例。在這個(gè)腦網(wǎng)絡(luò)中，每個(gè)矩陣對應(yīng)的是人腦中的腦葉，例如在圖2中左半腦從上至下的矩陣分別代表左額葉、左邊緣葉、左顳葉、左頂葉、左枕葉。矩陣中的每個(gè)行/列表示單個(gè)ROI，例如最上方的兩個(gè)矩陣為左右額葉，每個(gè)額葉包含12個(gè)ROI。ROI的編號和名字與AAL模板保持一致，例如圖3中鼠標(biāo)懸停位置代表左額葉關(guān)系矩陣中11號ROI(島蓋部額下回)與13號ROI(三角部額下回)的關(guān)系單元。

圖3 疊加視圖對比腦功能網(wǎng)絡(luò)

在每個(gè)矩陣內(nèi)部，用顏色編碼內(nèi)部ROI連接，色彩的飽和度用于表示每個(gè)功能連接的強(qiáng)度，顏色越飽和，連接強(qiáng)度越高。大的單元格是由病人數(shù)據(jù)所映射的，每個(gè)關(guān)系單元格內(nèi)都嵌套了一個(gè)更小的單元格，更小的單元格是由正常對照組的數(shù)據(jù)所映射的。每個(gè)大的單元格和他內(nèi)部的小單元格，表示的是相同的兩個(gè)ROI之間病人和正常人的連接強(qiáng)度關(guān)系數(shù)據(jù)。矩陣內(nèi)部權(quán)重編碼規(guī)則如圖4所示。

圖4 矩陣內(nèi)部權(quán)重編碼規(guī)則

在矩陣之間的功能連接，即各個(gè)腦葉間ROI的功能連接，結(jié)合節(jié)點(diǎn)鏈路與疊加表示來呈現(xiàn)。在矩陣之間繪制彎曲邊緣，其中兩個(gè)端點(diǎn)位于源和目標(biāo)ROI行/列的邊緣上。彎曲邊緣采用的顏色編碼方式為對應(yīng)腦區(qū)正常對照組數(shù)據(jù)減去對應(yīng)腦區(qū)病人數(shù)據(jù)，用差值編碼顏色的飽和度。矩陣之間權(quán)重編碼規(guī)則如圖5所示。

圖5 矩陣之間權(quán)重編碼規(guī)則

3.2 三維視圖

系統(tǒng)在將腦功能網(wǎng)絡(luò)之間的差異更直觀二維展示的同時(shí)，也提供了三維化的選項(xiàng)。參考球棍模型的方式，保留各腦區(qū)位置信息的同時(shí)，將他們之間的功能鏈接用連線的方式予以表現(xiàn)，其中顏色的深淺表明鏈接的強(qiáng)弱。

并使用Louvain社區(qū)聚類算法對被試組的腦區(qū)進(jìn)行聚類。由于兩組被試組的腦功能鏈接不同，最終聚類結(jié)果必然不同。在三維視圖中，將歸為同一類的腦區(qū)用同一種顏色進(jìn)行渲染，便可以直觀的從可視分析系統(tǒng)中觀測出兩組被試組中差異大的腦區(qū)。公式如下所示[11]：

(2)

∑Cin表示社區(qū)C內(nèi)部鏈接的權(quán)值總和，∑Ctot表示連接到社區(qū)C內(nèi)部的權(quán)值總和，ki所有連接到節(jié)點(diǎn)i的鏈接的權(quán)值總和，ki，in表示C內(nèi)部點(diǎn)連接到i的鏈接的權(quán)值總和，m表示所有鏈接的權(quán)值總和。當(dāng)所求得的值大于0時(shí)，表示節(jié)點(diǎn)i應(yīng)與社區(qū)C聚為一類。

如圖6所示，為阿爾茨海默患者與正常對照組在可視分析系統(tǒng)中的三維視圖。聚類結(jié)果如圖中所示，正常人的腦區(qū)聚成三類，而阿爾茨海默患者腦區(qū)聚成一類。

圖6 基于Louvain聚類算法的三維分析視圖

3.3 腦連接邊綁定

為了緩解由于ROI之間關(guān)系緊密、連線數(shù)量多而造成的視覺混亂現(xiàn)象，在可視化中加入了力導(dǎo)向的邊綁定算法，將這些邊緣捆綁在一起。該算法參考力學(xué)中引力與斥力的概念，為每條邊選擇適當(dāng)?shù)目刂泣c(diǎn)，將所有連線的控制點(diǎn)朝控制點(diǎn)更集中的方向移動，在視覺上將邊綁定在了一起，從而減少了視覺混亂。本文中使用了Holten和Wijk等人[12]的力導(dǎo)向算法，由以下公式得出:

(3)

Ce=Ca·Cs·Cp

(4)

其中:Dist0表示兩個(gè)控制點(diǎn)之間的初始距離。Ca,Cs,Cp分別表示基于這兩個(gè)控制點(diǎn)的角度相容性，長度相容性與距離相容性。

3.4 交互設(shè)計(jì)

在可視分析系統(tǒng)中，加入了一套交互設(shè)計(jì)以促進(jìn)用戶在大腦網(wǎng)絡(luò)上的視覺比較任務(wù)。基本的交互包括，將鼠標(biāo)放到對應(yīng)矩陣內(nèi)單元格，或矩陣間連線上，會在鼠標(biāo)懸停位置處彈出提示框，提示框內(nèi)容包括所處腦區(qū)名字、源ROI、目標(biāo)ROI以及相對應(yīng)的連接強(qiáng)度值。當(dāng)點(diǎn)擊一個(gè)或多個(gè)ROI可以實(shí)現(xiàn)對這些ROI的突出顯示，即圖中只顯示與所選ROI有直接聯(lián)系的功能連接，以此來滿足某些針對性的任務(wù)或者用戶的個(gè)性化需求。并且還加入了連接強(qiáng)度過濾選項(xiàng)，調(diào)節(jié)過濾器可以實(shí)現(xiàn)對視圖中連接強(qiáng)度數(shù)據(jù)的過濾，將低于設(shè)定值的數(shù)據(jù)予以隱藏。對于同一個(gè)疾病，不同的病人之間可能存在個(gè)性的問題導(dǎo)致所呈現(xiàn)的腦功能連接圖存在差異，所以在交互面板中，可以選擇加載單個(gè)病人的數(shù)據(jù)，以此來突顯這個(gè)病人可能存在的個(gè)性化問題。

為了突出疊加對比的效果，支持將正常對照組數(shù)據(jù)與病人數(shù)據(jù)左右并置的NodeTrix表示，或者將兩組數(shù)據(jù)疊加展示的選項(xiàng)。同時(shí)還加入了三維展示腦功能連接的選項(xiàng)。最重要的是加入了對比度過濾選項(xiàng)，其中對比度的概念是指正常對照組連接強(qiáng)度數(shù)據(jù)減去對應(yīng)腦區(qū)病人連接強(qiáng)度數(shù)據(jù)。調(diào)節(jié)交互面板中的對比度，圖中顯示出來的就是兩組數(shù)據(jù)中差異值大于設(shè)定對比度的腦區(qū)，從高往低調(diào)節(jié)對比度，可以直接顯示出兩組數(shù)據(jù)中差異最大的一個(gè)或者幾個(gè)腦區(qū)。

4 評估

進(jìn)行了一項(xiàng)對照試驗(yàn)，比較了并置NodeTrix設(shè)計(jì)(圖7)與疊加NodeTrix設(shè)計(jì)(圖3)兩種可視化方法，以驗(yàn)證疊加NodeTrix表示法在進(jìn)行腦功能網(wǎng)絡(luò)比較任務(wù)中的有用性。

圖7 并置NodeTrix表示法比較腦功能網(wǎng)絡(luò)

4.1 用戶任務(wù)評估

實(shí)驗(yàn)設(shè)計(jì)：招募了8名擁有數(shù)據(jù)可視化經(jīng)驗(yàn)的計(jì)算機(jī)專業(yè)研究生，其中6名男生，2名女生。本實(shí)驗(yàn)將所有的可視化設(shè)計(jì)對測試者進(jìn)行測試。實(shí)驗(yàn)分為對可視化的訓(xùn)練課程和測試課程。在訓(xùn)練課程中，通過指導(dǎo)用戶了解系統(tǒng)以及在預(yù)先設(shè)置的閾值上完成簡單的對比任務(wù)來進(jìn)行預(yù)熱訓(xùn)練(例如，相對較少的節(jié)點(diǎn)以及連接下進(jìn)行比較)。為確保測試者了解該系統(tǒng)，在進(jìn)行下一步之前，檢查了每個(gè)訓(xùn)練任務(wù)的結(jié)果并解決了所有問題。

任務(wù)：下面列出的4項(xiàng)任務(wù)都是在141名受試者(包括95名AIDS患者和46名正常對照組)的腦功能網(wǎng)絡(luò)加權(quán)圖上進(jìn)行的，用以比較腦網(wǎng)絡(luò)間的差異。

T1(局部連接)：與AIDS患者相比，右額葉內(nèi)部的整體聯(lián)系是增加或減少？

T2(腦葉—腦葉連接)：與AIDS患者相比，右顳葉和右頂葉的整體邊緣權(quán)重是增加或減少？

T3(腦葉—ROI連接)：與AIDS患者相比，額葉和其他所有ROI之間的整體邊緣權(quán)重是增加或減少？

T4(ROI連接檢索)：識別一個(gè)ROI在兩個(gè)腦網(wǎng)絡(luò)，是否具有較大的整體權(quán)重差異？

對于每個(gè)可視化任務(wù)，控制比較中的難度差異，保證同一任務(wù)在兩種表示方法中對每個(gè)被測者都難度相當(dāng)。對于每項(xiàng)任務(wù)，記錄測試的結(jié)果和完成時(shí)間。在受試者閱讀問題之后才開始計(jì)算時(shí)間，以此來消除因測試者閱讀能力的不同而對測試結(jié)果產(chǎn)生影響。

4.2 評估結(jié)果

將從任務(wù)準(zhǔn)確性和完成時(shí)間兩方面分別討論結(jié)果。

任務(wù)準(zhǔn)確性：每項(xiàng)任務(wù)用戶完成的準(zhǔn)確性總結(jié)如圖8(a)所示。對于T1，即局部連接對比任務(wù)，并置表示法與疊加表示發(fā)都有著相當(dāng)高的精度(并置表示法：0.90，疊加表示法0.92)，兩者之間的差異微乎其微。對于T2，即腦葉—腦葉的連接對比任務(wù)，疊加表示法(0.94)比并置表示法(0.80)的精度更高，這是因?yàn)樵趥€(gè)別對照數(shù)據(jù)中，存在某兩個(gè)腦葉間連接強(qiáng)度基本一致的情況，顧左右并置視圖很難比較出兩者之間的差異，而疊加視圖可以同看觀察連接的連接線的顏色很容易地辨別出兩者差異。對于T3，即腦葉—ROI的連接對比任務(wù)，疊加表示法(0.90)比并置表示法(0.86)有更高的平均準(zhǔn)確性。對于T4，針對單個(gè)ROI連接的檢索任務(wù)，并置表示法(0.90)相比于并置表示法(0.66)要有明顯的精度提升，原因是因?yàn)?，腦葉內(nèi)部的連接能夠通過對比單元格和其內(nèi)部更小的單元格的顏色飽和度來判斷兩者的差異，腦葉之間的連線其顏色、飽和度是通過對兩份數(shù)據(jù)之差來進(jìn)行編碼的，所以能直接通過顏色以及飽和度來獲取差異信息，從而使任務(wù)更容易完成。

圖8 兩種方法的用戶評估結(jié)果

完成時(shí)間：用戶在各項(xiàng)任務(wù)的完成時(shí)間在圖8(b)中。對于T1，疊加表示法(5.0 s)和并置表示法(4.8 s)在完成任務(wù)中花費(fèi)的時(shí)間基本一致，差異不明顯。對于T2，T3，疊加表示法完成任務(wù)消耗的時(shí)間比并置表示法消耗的時(shí)間略少，但基本一致。對于T4，針對單個(gè)ROI連接的檢索任務(wù)，并置表示法(22.0 s)花費(fèi)的時(shí)間明顯比疊加表示法(13.0 s)要高，原因是因?yàn)榧幢銓τ诤唵蔚谋容^任務(wù)而言，并置視圖要覆蓋的距離也要遠(yuǎn)遠(yuǎn)高于疊加視圖。并且隨著圖形變大，差異會顯著增加，花費(fèi)的時(shí)間就越多，而疊加視圖省掉了這些時(shí)間。

4.3 小結(jié)

用戶實(shí)驗(yàn)結(jié)果表明，不論是在低級檢測還是高級檢索的連接對比任務(wù)中，疊加NodeTrix設(shè)計(jì)在任務(wù)準(zhǔn)確性以及任務(wù)完成時(shí)間上都要優(yōu)于并置NodeTrix表示。特別是針對T4的高級檢索任務(wù)中，疊加NodeTrix表示法明顯要優(yōu)于并置NodeTrix表示法。這證明了疊加NodeTrix表示法在進(jìn)行加權(quán)圖對比任務(wù)中的優(yōu)越性，同時(shí)也證明了整個(gè)可視分析系統(tǒng)的有用性。

5 案例分析

將兩組真實(shí)的大腦網(wǎng)絡(luò)數(shù)據(jù)應(yīng)用在所設(shè)計(jì)的可視分析系統(tǒng)中進(jìn)行評估。實(shí)驗(yàn)中所使用的fMRI數(shù)據(jù)均來自美國阿爾茨海默病公開數(shù)據(jù)庫(ADNI，alzheimer′s disease neuroimaging initiative)，ADNI收集了超過 800名來自全球59個(gè)地區(qū)的測試者，為阿爾茲海默癥(AD,alzheimer disease)的研究提供了豐富的數(shù)據(jù)支持。

第一組數(shù)據(jù)為阿爾茨海默病患者與正常對照組數(shù)據(jù)，使用了50例被試的fMRI圖像，被試人員年齡介于55～90歲之間，其中阿爾茨海默病患者26名，正常對照人員24名?；贏AL模板，將原始腦網(wǎng)絡(luò)劃分為116個(gè)ROI，使用疊加NodeTrix可視化系統(tǒng)對這26名AD患者和24名對照者的平均腦網(wǎng)絡(luò)進(jìn)行了分析，將連接強(qiáng)度閾值設(shè)置為0.8過濾掉強(qiáng)度較低的連接，以減少連線較多所帶來的視覺上的混亂。然后切換到疊加NodeTrix模式，調(diào)整對比度滑塊來過濾掉兩個(gè)群體中數(shù)據(jù)差異低于設(shè)定值的連接。結(jié)果如圖9所示，可以快速地識別出AD患者與對照組腦連接差異主要集中在左半腦。正如Daianu等人[12]和Thompson等人[13]所研究的結(jié)果，AD患者的大腦網(wǎng)絡(luò)傾向于以不對稱的方式退化，并且主要是在左半球，此外，Buckner等人[14]對1 138名受試者進(jìn)行的5項(xiàng)研究結(jié)果也表明，阿爾茨海默病在左半球后皮層區(qū)域退化更顯著。實(shí)驗(yàn)結(jié)果與他們的研究結(jié)果相一致。并且還觀察到兩個(gè)群體之間的差異大多數(shù)位于左頂葉、左額葉對其他葉片之間的連接，這一觀察結(jié)果仍有待驗(yàn)證。

圖9 阿爾茨海默病案例

第二組數(shù)據(jù)為抑郁癥患者和正常對照組數(shù)據(jù)。使用30例被試者的fMRI圖像集，其中抑郁癥患者15名，正常對照組15名，他們的年齡介于18～26歲之間。目前對于抑郁癥的精神病理機(jī)制研究，主要定位于邊緣系統(tǒng)—皮層—紋狀體—蒼白球—丘腦神經(jīng)環(huán)路(LCSPT,limbic-cortical-striatal-pallidal-thaiamic)[15]，這一結(jié)論得到廣泛認(rèn)可，已有大量的研究表明，抑郁癥與LCSPT有密切聯(lián)系，如患者前額葉皮質(zhì)、前扣帶回、基底節(jié)區(qū)、丘腦、海馬、杏仁體體積減少[16-18]，左側(cè)島葉皮質(zhì)和扣帶回激活反應(yīng)明顯增強(qiáng)[19]，同樣發(fā)現(xiàn)LCSPT相關(guān)區(qū)域連接異常，如前扣帶回與海馬、杏仁核及島葉的功能連接降低[20-21]。經(jīng)過對比度過濾后，結(jié)果如圖10所示，可以看出，對照組腦區(qū)連接強(qiáng)度總體高于抑郁癥患者，其中左右前額葉內(nèi)部的連接尤為明顯，實(shí)驗(yàn)結(jié)果與這些研究基本一致，再次驗(yàn)證了這些發(fā)現(xiàn)，并且證明了疊加NodeTrix表示法的有用性。

圖10 抑郁癥案例

6 結(jié)束語

針對人腦功能網(wǎng)絡(luò)加權(quán)圖的比較任務(wù)進(jìn)行了可視化的設(shè)計(jì)。這是一項(xiàng)與臨床研究高度相關(guān)的任務(wù)，旨在對人腦網(wǎng)絡(luò)進(jìn)行直觀的可視分析。當(dāng)比較緊密互聯(lián)的真實(shí)腦網(wǎng)絡(luò)時(shí)，節(jié)點(diǎn)鏈路圖和關(guān)系矩陣的精度較低，而左右并置的表示法在時(shí)間效率上又存在較大問題。于是提出了疊加的NodeTrix表示法來解決這個(gè)問題。并設(shè)計(jì)了一套定制的交互，用來提升用戶的信息獲取速度。通過加入力導(dǎo)向邊綁定算法來減少視覺上的混亂。最后通過用戶實(shí)驗(yàn)以及真實(shí)腦網(wǎng)絡(luò)的案例分析，證明了方法在塊狀腦網(wǎng)絡(luò)比較中的有效性。但由于現(xiàn)實(shí)世界人腦網(wǎng)絡(luò)的巨大復(fù)雜性和不確定性，仍有很多未解決的挑戰(zhàn)。當(dāng)前的設(shè)計(jì)支持腦葉和腦葉之間兩級網(wǎng)絡(luò)層次結(jié)構(gòu)，而高分辨率的人腦連接需要更多層次結(jié)構(gòu)，從塊和ROI級別上升到體素和神經(jīng)元級別。未來的工作將放在探索新的可視化和交互設(shè)計(jì)，以應(yīng)對這一實(shí)際挑戰(zhàn)。其次，所提出的疊加NodeTrix方法關(guān)注的是個(gè)體腦網(wǎng)絡(luò)內(nèi)部的可視分析，我們計(jì)劃擴(kuò)展上升到以個(gè)體為基本單位，尋求個(gè)體與個(gè)體之間的差異性，從而幫助生物學(xué)家或醫(yī)學(xué)家進(jìn)行研究。