基于磁共振成像的前额叶皮层分割研究

摘要

目的：
　　本研究采用弥散张量成像（diffusion tensor imaging, DTI）和静息态功能磁共振成像（functional MRI, fMRI）两种技术，并结合基于人脑连接模式的分析方法，阐明正常额极皮层（frontal pole，FP）是否存在不同亚区结构。
　　材料与方法：
　　本研究共招募两组不同被试：其一，选择符合入组标准的健康青年志愿者12例（其中，男性5例），平均年龄：25.5±2.5岁，并利用GE3.0T Signa HDX磁共振扫描仪对这些被试者进行静息态 fMRI、结构像和 DTI数据的采集；其二，选择符合入组标准的健康青年志愿者8例（其中，男性3例），平均年龄：22.3±2.5岁，并采用不同扫描参数对这些被试者进行结构像和DTI数据采集，以验证基于DTI技术的皮层亚区分割方法的可靠性。
　　数据处理采用FSL和基于Matlab平台的SPM8软件和DPARSF对DTI和静息态fMRI数据进行预处理。剥脑后的T1图像与每个个体的b0像进行配准，再将弥散空间的T1图像配准到MNI（Montreal Neurological Institute, MNI）标准空间，并获得配准参数。然后利用该配准参数的逆变换，将 MNI空间的 FP种子区反配到个体弥散空间。基于概率性纤维追踪方法，计算FP种子区内的每个体素与全脑其他体素的连接概率，并以此生成个体解剖连接矩阵，再进行变换得到种子区交互相关矩阵，通过边加权的谱聚类算法将连接模式类似的体素分割到一个子区。根据动物纤维示踪剂和解剖连接研究，定义六个同侧半球的目标区，使用类似的方法的将MNI空间的目标区反配到个体弥散空间，基于概率性纤维追踪方法，计算 FP种子区内的每个体素与目标区体素的解剖连接概率，得到指纹图。然后我们对各个子区的功能连接模式进行了分析。
　　结果：
　　1、本研究通过概率性纤维追踪和边加权的谱聚类的方法揭示了人脑右侧FP分为眶部（orbital, FPo）、外侧部（lateral, FPl）和内侧部（medial, FPm）三个亚区。另外，FP的分割结果在同一批数据的左侧大脑半球FP和另一批独立数据的右侧大脑半球FP均得到了验证；
　　2、本研究发现了FPo与社会情感网络（social emotion network，SEN）相关的眶额皮层、颞极和杏仁核等脑区的解剖连接较强；FPl与认知处理网络（cognitive processing network, CPN）相关的背外侧前额叶皮层解剖连接较强；FPm与默认网络（default mode network, DMN）相关的前扣带皮层和内侧前额叶皮层的解剖连接较强；
　　3、本研究也发现了FP每个亚区的静息态功能连接模式与解剖连接模式类似，FPo主要与SEN呈明显相关；FPl主要与CPN明显相关；FPm主要与DMN明显相关。
　　结论：
　　我们首次利用DTI技术，基于解剖连接模式将人脑 FP细分为三个亚区：眶部亚区、外侧部亚区和内侧亚区；并从亚区水平阐述了FP的解剖和功能连接模式。FP的三个亚区分别参与三个不同的网络，SEN、CPN和DMN，主要的功能为处理社会情感信息、认知和自我参照。人脑 FP是这三个脑网络的整合节点，其内的三个亚区间连接紧密以允许不同网络间信息的快速交换。
　　目的：
　　本研究采用无磁敏感伪影的高空间分辨率结构像技术，结合基于人脑灰质体积（gray matter volume, GMV）共变模式的分析方法，阐明正常眶额皮层（orbitofrontal cortex，OFC）是否存在不同亚区结构。
　　材料与方法：
　　在数据采集方面，本研究选择符合入组标准的健康青年志愿者321例，平均年龄：22.7±2.5岁；男性157例。入组的男、女性志愿者的年龄之间不存在统计学差异（P<0.05）。利用GE3.0T Signa HDX磁共振扫描仪对所有入组的被试者进行高空间分辨率结构像的数据采集。在数据处理方面，本研究采用基于Matlab平台的SPM8软件及其插件包VBM8对高空间分辨率的结构像进行预数据处理，具体过程包括：灰、白质分割、空间标准化及空间平滑，以获得全脑每个体素的 GMV值。然后，通过自动解剖标记(automated anatomical labeling, AAL)图谱提取OFC种子区。随后，通过上述模板分别计算OFC内每一体素与全脑其它皮层内每一体素的 GMV之间跨被试的共变系数，并构建共变矩阵。最后，通过谱聚类算法将OFC内GMV共变模式一致的体素归为一类以获得该皮层内的亚区分布模式，并对OFC亚区的全脑GMV共变模式进行分析。根据OFC亚区的全脑GMV共变模式，定义双侧大脑半球的14个脑区作为目标区，分别计算OFC亚区与目标区之间的GMV共变值，得到指纹图。使用Williams T检验比较每一组OFC亚区与目标区之间GMV共变值的差异。另外，本研究还探讨了性别对基于 GMV共变模式的眶额分割结果的影响，以及性别和侧化两个因素对每个OFC亚区与目标区之间GMV共变系数的影响。
　　结果：
　　1、本研究通过基于GMV共变模式的分割方法揭示了人脑OFC包含前部（anterior, OFCa）、内侧部（medial, OFCm）、后部（posterior, OFCp）、中间部（intermediate, OFCi）,和外侧部（lateral, OFCl）五个皮层亚区。另外，OFC的分割结果在同一批数据的左侧OFC和男、女亚组的双侧OFC均得到了验证；
　　2、本研究结果也发现了OFC亚区主要与前额叶皮层、颞叶皮层、扣带皮层和杏仁核的 GMV存在共变关系。除外侧部亚区以外，绝大部分的眶额亚区与全脑其它脑区的GMV的共变关系都没有受到性别和侧化因素的影响。
　　结论：
　　本研究首次采用利用高空间分辨率结构成像技术，通过基于GMV共变模式的分析方法，揭示了一套针对人脑OFC亚区分割的分析流程。通过上述方法，本研究将OFC分为五个亚区，即前部、内侧部、后部、中间部和外侧部亚区。本研究有助于从亚区水平来研究活体内OFC的活动，并促进对人脑OFC亚区的理解和认识。

目录

封面

声明

中文摘要

英文摘要

目录

缩略语/符号说明

前言

研究背景和现状

研究目的

一、利用弥散张量成像方法基于连接模式的人脑额极分割

1.1 对象和方法

1.2 结果

1.3 讨论

1.4 本章小结

二、基于灰质体积共变模式的人脑眶额皮层分割研究

2.1 对象和方法

2.2 结果

2.3 讨论

2.4 本章小结

全文结论

论文创新点

参考文献

发表论文和参加科研情况说明

综述: 基于连接模式构建脑图谱的研究进展

致谢

个人简介