DTI腦連接組在大腦疾病方面的研究進展

林嵐，付振榮，張柏雯，賓光宇，高宏建，吳水才

北京工業大學 生命科學與生物工程學院，北京100124

DTI腦連接組在大腦疾病方面的研究進展

林嵐，付振榮，張柏雯，賓光宇，高宏建，吳水才

北京工業大學 生命科學與生物工程學院，北京100124

DTI腦連接組分析通過集成DTI成像技術、圖像處理方法和網絡理論，使得我們可以通過DTI磁共振成像更真實地接近大腦網絡的拓撲結構，幫助我們進一步了解腦組織結構和人類行為及認知間的關系。本文首先討論了網絡構建中的基本元素：DTI數據采集與處理、網絡節點定義、網絡中邊的定義，以及網絡分析的基本方法。隨后本文就當前DTI腦連接組在一些腦部臨床疾病（老年癡呆癥、精神分裂癥、多發性硬化癥等）上的基本應用展開討論。

磁共振成像；腦連接組；彌散張量成像；圖論分析

專欄——腦連接組方法在健康老年人大腦認知中的研究

編者按：醫學影像學、計算機技術和用于網絡分析的數學工具近年來的飛速發展，使得我們可以在系統級別研究大腦的組成。Sporns 和Hagmann于2005年分別獨立提出了腦連接組這個概念。所謂腦連接組是指從宏觀（大腦腦區）到微觀（單個神經元）各個層次上，與大腦結構連接或功能連接有關的（信息）匯集、映射和分析，可廣泛用于大腦神經組織之間的相互作用的研究中。總投資4000萬美元，用于研究1200名健康成年人的人腦連接組項目被2012年的《科學》雜志譽為2013年最值得關注六大科學領域之一。人腦的不同區域具有相對不同的功能，但要完成任何一項，哪怕是最簡單的任務，也總是需要人腦多個不同的功能區域相互作用、互相協調，共同構成一個網絡來發揮其功能。因此，從網絡的角度來研究人腦的功能是極為必要的。現代腦成像技術和統計物理學，尤其是復雜網絡理論的發展為人腦連接組的研究提供了必要的工具和分析的手段。本期專欄通過介紹DTI影像在大腦連接組研究中的進展，探究不同分析尺度對腦連接組分析結果的影響，建立大腦結構網絡，從而分析年齡、疾病對大腦連接的影響等問題，并近一步探討腦連接組方法在健康老年人大腦認知中的應用。

欄目主編：林嵐

林嵐，北京工業大學生物醫學工程系副教授。從事運用神經影像學方法，研究與年齡相關的大腦認知退化方面的研究工作。2006年于美國亞利桑那州立大學獲得生物工程博士學位。2006～2011年在美國亞利桑那州立大學和亞利桑那大學從事神經影像學方面的研究工作。運用現代神經圖像處理與分析方法對健康人大腦的認知儲備及阿茲海默癥的發生、發展過程進行研究。2012年加入北京工業大學生物醫學工程系。共發表科技論文60余篇，其中14篇文章被SCI/EI檢索收錄。現系[美]神經科學學會會員、[美] McKnight大腦研究學會會員。多年來還作為課題負責人和主要參與者完成了一項北京市自然科學基金，兩項亞利桑那州基金，多項NIA(美國國家老年研究院基金)項目和NIH(美國國家衛生研究院基金)項目。

0 前言

在人類大腦的老化過程中，可能會受到各種類型的神經退行性疾病的傷害。不同類型的神經退行性疾病的病變部位和病因雖各不相同，但它們或多或少會導致腦組織的病變，并可以通過改變髓鞘或軸突變性對軸突的連接造成影響。對于此類相關疾病損傷的分析，一般可以通過感興趣區的分析或者基于體素的形態學分析等方法，來對損傷的軸突區域進行確定，但這些方法無法確定疾病對腦白質網絡的影響。人類大腦是宇宙中最為復雜的物質結構之一，它是由上百億個神經元和與之相對應的更多的神經突觸構成，想要了解它的微觀連接與構造是十分困難的。Hagmann[1]和Sporns等[2]分別于2005年獨立提出了腦連接組的概念。這一概念的提出，為人類探索大腦奧秘的過程提供了一個必不可少的基礎。

目前，人腦連接組可以在三個不同的空間尺度上進行研究。它們分別是微尺度：指單獨的神經元和突觸；中尺度：指神經元集群和它們的連接模式；大尺度：指大腦腦區和它們的連接路徑。雖然人的基因組在一出生就被決定了，但是人腦的連接組在人的整個生命周期中卻在不斷發生著變化。大腦連接組可以看作是由眾多神經元、神經元集群或者多個腦區相互連接構成的復雜網絡，并通過它們之間的相互作用完成各種認知功能。我們對于大腦神經系統疾病的研究不再僅僅局限于發病的具體腦區，而是逐漸開始關注神經纖維的連接通路、子網絡和網絡社區的連接以及大腦網絡拓撲結構等問題與相關疾病的聯系。大腦的認知基礎是通過不同的神經網絡相互交互構成的，所以從網絡角度對各類疾病進行研究，可以幫助我們更好地認識各類大腦神經系統疾病的本質。

彌散張量成像（Diffusion Densor Imaging，DTI）是以水分子的彌散在不同的傳播介質中呈現不同的方向和速率的原理為成像基礎的成像方法[3]。它可定性定量地分析神經纖維的細微變化，直觀地顯示顱內病變與白質纖維之間的關系，在研究腦區間的連接以及白質纖維束的病理狀態方面具有較大優勢[4]。由于在腦組織內，水分子沿白質纖維走行方向的彌散速度快于垂直于白質的方向。基于此原理的DTI纖維追蹤技術，可以無創性地顯示出完整的大腦白質纖維束。

本文從彌散張量成像的基本原理出發，結合腦區分割和纖維追蹤技術進行腦網絡的構建，并進一步闡述了DTI腦連接組技術在多種腦疾病中的臨床應用。

1 方法與技術

1.1 DTI影像

彌散是分子等微觀顆粒由高濃度區向低濃度區的隨機微觀移動。在均勻介質中，分子可以自由彌散，這種彌散方式被稱為各向同性。如圖1所示，在腦脊液及大腦灰質中，由于組織結構的阻礙較少，水分子的彌散近似各向同性，向量分布軌跡成球形。但在大腦白質中，彌散各向異性，即垂直于神經纖維束走行方向的彌散最弱，而平行于神經纖維束的方向上的彌散是最強的，向量分布軌跡成橢球形。DTI就是基于此原理，通過測量生物組織結構中水分子的擴散速率，進而有效觀察和追蹤腦白質纖維束。目前常用的DTI成像技術是在自旋回波序列中180°脈沖兩側對稱地各施加彌散敏感的梯度磁場。對于靜止的水分子，第一個梯度脈沖所致的質子自旋散相會被第二個梯度脈沖重新匯聚，信號不降低。而當水分子沿梯度場進行彌散運動時，由于其自旋頻率發生改變，相位分散不再被聚焦，信號降低。用相同的成像參數兩次成像，分別使用和不用對彌散敏感的梯度脈沖，兩次相減就剩下做彌散運動的質子在梯度脈沖方向上引起的信號下降的成分。

圖1 灰質和白質的彌散描述（上圖為灰質，下圖為白質，從左到右分別為彌散軌跡、彌散橢圓和彌散張量）

張量是一個橢球形數學結構，有三維空間，各向異性有3×3個二級分量。彌散張量公式為：

2018年8月24日，中汽公益聯盟愛心代表團隊一行14人，自費前往“吉林省四平市梨樹縣林海鎮王局子村希望小學”參加希望小學落成剪彩儀式。這是中汽公益聯盟捐助的第四所中汽公益聯盟希望小學。

A為敏感梯度施加方向上的圖像強度，A0為未施加敏感梯度的圖像強度，b為彌散敏感系數，D為彌散張量。通過反解(1)式可以求出彌散張量D的9個分量（3個分量是相同的，對稱性）。對張量矩陣對角化可以獲得3個特征值以及特征值對應的特征向量。特征值反應出橢球形的外形，大小與方向無關。主向量方向通常被作為張量所在體素的纖維走向。

這個張量是對稱的（Dij=Dji，i, j=x, y, z）

此時：

bij為彌散敏感系數矩陣中的元素。

DTI的影像研究需要我們了解磁共振成像采集技術、產生的偽影以及如何對它們進行處理。DTI數據采集中產生的偽影主要與梯度硬件系統、脈沖序列、采集策略和頭部運動有關。DTI信號具有低信噪比和低分辨率和對頭部運動敏感的特征。為了減少運動偽影的影響，需要減少掃描時間。常用的采集序列包括單次回波平面成像、快速自旋回波序列、線掃描擴散張量成像等，當然它們還存在各自的問題。由于張量元素對稱性的特點，只需要六個不共線方向上的組織彌散系數，就可以求出張量的元素值。但在實際應用中，為了保證數據的可靠性，往往會選擇更多不共線的梯度方向，然后使用最小二乘法求解。研究顯示30個彌散梯度方向的編碼圖像在圖像質量和采集時間上提供了一個較好的平衡[5]。采集過程中產生的偽影一般通過DTI圖像預處理消除。預處理過程隨所使用的處理流程不同而存在一定差異，但一般包括格式轉換、頭動和渦流校正、非腦組織去除和張量估計等。

定量計算可以從張量矩陣D中導出表示腦白質形態結構的標量信息。這些信息的定義和描述均是基于張量矩陣的特征值。主要包括：彌散張量軌跡、平均彌散率、相對各項異性、各向異性分數（Fractional Anisotropy，FA）、容積比等。根據主特征向量方向的不同，可將各個像素點賦予不同的顏色。彩色強度代表異向性的程度，顏色代表方向性。紅色代表左右方向，綠色代表前后方向，藍色代表上下方向的白質纖維（圖2）。

圖2 DTI的顏色編碼圖

1.2 DTI腦網絡構建

神經元間的結構性連接是腦功能連接的物質基礎。通過高分辨率T1加權成像和DTI成像，我們可以構建大腦的結構連接網絡，這種網絡是一種宏觀尺度的網絡。腦網絡構建中最基本的兩個問題是如何定義網絡節點以及如何定義邊連接這些節點。大腦網絡的節點往往根據腦功能區的劃分確定。邊一般為這些功能區間的相互關聯程度[6]。各個功能區間的連接強度往往通過計算皮層厚度(或體積)的相關矩陣[7]或采用DTI纖維追蹤算法提取連接各個腦區的神經纖維束[8]來確定。構建完成后的腦網絡可以采用復雜網絡的基本原理，通過兩類度量指標（針對局部節點屬性和針對總體組織屬性的網絡指標）分析，以期發現網絡基本屬性及節點間潛在的拓撲關系。

節點是網絡模型中非常重要的組成部分，目前網絡模型分析主要采用的是大尺度的腦網絡。在大腦連接組的研究中，目前主要的方法就是利用一些比較成熟的大腦解剖或者功能圖譜，如自動解剖標定（AAL）[9]、Harvard-Oxford 圖譜（HOA）[10]、LONI 概率腦圖譜（LPBA40）[11]等圖譜進行感興趣區分割，將該感興趣區定義為網絡的節點，它更多表現了節點間的關聯性。然而，這種節點定義方法存在的問題是盡管多種方法被用于腦區劃分，但還不存在金標準。不同腦區劃分所取得的網絡分析結果存在難以相互比較的問題[12]，見圖3。另一種定義節點的方法是拋開先驗的結構信息，在不同的空間尺度上進行定義節點。它保持節點總體覆蓋全腦，并定義具有相同體素數量的節點集合。該方法的關鍵問題為網絡節點的數目。大量研究結果顯示網絡節點的數目會直接影響腦網絡拓撲結構的描述，特別是和小世界相關的各種特性[13-14]。這種節點定義方法更多的體現了節點的獨立性。

圖3 二分圖用于比較不同模板劃分的高階空間關系（左邊為AAL模板，右邊為HOA模板）

與網絡中節點的定義一樣，網絡中邊的定義也會對網絡產生影響。在腦網絡分析中，對于邊的定義也有多種選擇，連接的定義有有向和無向、有權和無權等多種方法。基于不同種類的影像數據，其邊的定義方式也不同。從結構的角度來看，通過DTI可以重建不同腦區之間的白質纖維束，根據白質纖維的連接數量、長短、密度、強度以及局部特征（如FA等）可以定義連接的權重。纖維追蹤算法通過挖掘DTI數據集中的張量信息來完整準確地追蹤出纖維的走向。目前纖維追蹤算法主要有確定性算法和概率性算法兩大類。確定性算法主要通過局部張量信息進行纖維追蹤來描繪白質纖維的走行方向。最初的纖維追蹤是以種子點為起始點開始跟蹤，根據該點的彌散信息確定纖維走向，沿該方向以一定步長進行延伸，以軌跡上另一點為種子點進行追蹤，重復該步驟，直到滿足終止條件。目前常用的確定性算法有纖維聯絡連續追蹤算法[15]、張量彎曲算法[16]等。這些算法計算量小，主要不同點在于纖維延伸方向的確定。但由于使用的是不連續的張量域，經過不斷積累，容易造成較大誤差，出現追蹤偏離纖維的真實走行方向。而且由于一個體素里面只有一條纖維，只能以一個彌散方向進行延伸，不能處理纖維分叉的問題。與確定性算法不同，概率纖維束跟蹤算法[17]是在信號模型的基礎上，將一個張量看作是各向異性與各向同性模型的合成形式，通過引入相關的概率算法完成張量求解。纖維束分叉計算的精確度取決于概率密度函數、體素是否相連等因素以及追蹤模型。概率性算法的優點是其精度高于確定性算法，可以減少噪聲和部分容積效應的影響，進行纖維束分叉的計算。其缺點為計算量大，不可避免地產生偽連接，在交叉上還需要進一步研究，而且數據獲取的方式對交叉纖維束的追蹤結果有一定影響。近幾年來，隨著數據采集新方法和圖像處理新理論的出現，基于高角分辨率彌散成像（High Angular Resolution Diffusion Imaging，HARDI）[18-19]數據的跟蹤算法成為該領域新的研究熱點。HARDI 模型假設水分子彌散位移服從高斯分布，體素內水分子位移過程被描述為混合高斯模型，即不同成分的水分子彌散過程可由各自的張量表示，通過計算得到各成分彌散張量的本征方向和本征值。HARDI技術利用更多的成像時間來獲取更精細的空間角度信息，它的突出特點是多梯度（至少40個以上的梯度）、大b值（實驗室常用3000 s/mm3），成像時常采用多張量模型和Q-ball imaging技術。HARDI技術可選多個方向，并采用現有的各種算法進行追蹤，能夠對諸如交叉、分叉、扇型等復雜結構的纖維束較準確成像。

圖論分析為大腦網絡分析提供了一個強大的工具。通過圖論，復雜的大腦系統可以被抽象成節點以及節點之間的關系。小世界模型是理解大腦結構組織機制的第一步，越來越多的定量網絡拓撲分析指標被引入到腦網絡的研究之中。腦網絡拓撲指標主要包括整體和局部屬性。整體屬性主要有：最短路徑長度、全局效率、聚類系數、模塊性、網絡彈性、大腦核心節點等；而局部節點的屬性主要有節點中心度、度、介數中心度等。

2 DTI連接組在神經和精神疾病中的臨床研究

2.1 輕度認知障礙和阿爾茨海默病

阿爾茨海默病（Alzheimer’s disease， AD）是一種起病隱匿的進行性發展的神經退行性疾病，臨床表現為記憶、注意力、語言能力和一些高級認知功能下降及不斷惡化。特征性病理改變為β淀粉樣蛋白沉積形成的細胞外老年斑和τ蛋白過度磷酸化形成的神經細胞內神經原纖維纏結，以及神經元丟失伴膠質細胞增生等。在老齡化日趨顯著的今天，AD已成為嚴重的社會公共衛生問題。在AD發病前，常會出現以記憶力喪失為特征的輕度認知障礙（Mild Cognitive Impairment，MCI）。MCI被認為是正常衰老和AD間的中間階段。Lo等[20]認為，AD患者的白質網絡具有小世界特征。相對于健康人，AD患者腦網絡的特征路徑長度增加，全局效率下降。同時，在AD患者的額葉區，網絡的節點效率下降。AD患者腦區間特征路徑長度的增加被認為是由于較遠腦區間通訊效率降低造成的。而這種網絡拓撲結構的大規模改變會損害人腦的高級認知功能。Shu等[21]通過對MCI患者的大腦網絡進行分析，發現網絡的拓撲特征和認知功能間存在顯著相關。這表明認知功能的下降可能與特征路徑長度的增加和網絡拓撲結構的改變有關。Bai等[22]的研究表明，MCI患者的腦網絡呈現出網絡強度降低、全局效率下降、最短路徑增加等一些特征。Prescott等[23]一項針對DTI腦網絡的研究表明，AD患者腦網絡拓撲結構的改變和大腦內β淀粉樣蛋白的增加高度相關，并且這種相關早在AD的臨床前階段就出現了。總之，DTI腦網絡分析技術可以作為傳統臨床診斷的一種重要補充，提高對早期AD的診斷率。

2.2 精神分裂癥

精神分裂癥（Schizophrenia，SCHZ）是一種常見的重性精神病，它的病因較為復雜，多起病于青壯年，終身患病率大概為3.8‰～8.4‰。患者一般意識清楚，智能基本正常，臨床上往往表現為感知、思維、情感、意志行為等多方面障礙，精神活動與周圍環境和內心體驗不協調。基于SCHZ的大腦失連接假說被提出已有一個世紀了[24]，神經影像學的不斷發展，為證明這一假說提供了可能性。大腦的主要腦區都被卷入SCHZ的病理學中[25]，應用腦連接組方法對其進行研究可進一步揭示疾病的發病機理。van den Heuvel等[26]的研究發現，SCHZ會影響額葉和顳葉腦區間的網絡連通性。此外，病人額葉中心腦區的中央樞紐功能顯著降低。Wang等[27]發現SCHZ會改變病人腦網絡的拓撲結構屬性，表現為網絡的全局效率下降。在額葉聯合皮層區、大腦的邊緣系統和旁邊緣系統區域以及皮層下結構腦區的中心腦區都出現局部網絡效率下降。這些結果都可以支持失連接假說，表明疾病對大腦信息處理能力的損傷。

2.3 多發性硬化癥

多發性硬化癥（Multiple sclerosis，MS）[27]是一種慢性、炎癥性、脫髓鞘的中樞神經系統疾病。MS逐漸造成大腦和脊髓的斑塊性的脫髓鞘，影響神經軸突的信號傳遞，導致多部位的僵硬或功能喪失。MRI影像對于MS疾病管理非常有效[28]。Shu等[29]的研究顯示MS患者的腦網絡表現出節點強度、全局和局部網絡效率的下降。網絡效率的下降和白質損傷的程度以及病程顯著相關。腦網絡的損傷在感覺運動區、視覺區、默認模式網絡區和語言區域更為明顯。Li等[30]的研究發現MS患者和健康人在信息傳輸效率上的變化規律。其中左丘腦、殼核、胼胝體和扣帶的信息傳輸效率的上升可能是大腦網絡對疾病的一種補償作用。

2.4 其它疾病

DTI腦連接組分析還被運用到多種其它疾病的研究之中。癲癇是大腦神經元突發性異常放電，導致短暫的大腦功能障礙的一種慢性疾病。腦電圖一般在癲癇的診斷中起著重要的作用。圖論分析結果顯示癲癇病人的功能與結構的連接網絡失去了最佳拓撲結構[31]。肌萎縮側索硬化（Amyotrophic Lateral Sclerosis，ALS）也叫運動神經元病，是一種嚴重的神經退行性疾病。它有選擇性地影響上運動神經元和下運動神經元，導致包括球部、四肢、軀干、胸部、腹部的肌肉逐漸無力和萎縮。研究發現ALS患者的聚類系數和全局效率呈現減小的趨勢，疾病主要針對運動神經的連接[32]。抑郁狂躁型憂郁癥患者腦部運作方式和精神分裂類似，以分散無連續性的思維為主要癥狀之一。研究顯示抑郁狂躁型憂郁癥患者具有較長的特征路徑長度、較低的聚類系數和全局效率[33]。對外傷性腦損傷的研究發現，病人的節點中心度、特征路徑長度上升，而網絡局部效率下降[34]。

3 結論

DTI成像和圖論分析方法的最新進展，使得我們可以從復雜網絡這個新的角度分析和理解大腦。本文討論了DTI連接組的發展現狀和存在的一些問題，DTI連接組可以幫助我們從一個新的視角理解多種神經疾病的病理和生理機制。人腦是一個高效復雜的“小世界”網絡，不同的狀態或疾病都會導致網絡屬性異常。通過對多種疾病的比較，我們發現它們都有著相似的全局網絡特性，如網絡全局效率的下降和特征路徑長度的加長。而這往往也代表著認知能力的下降。各類神經疾病與腦網絡的異常拓撲結構變化間，存在著廣泛的聯系。腦網絡作為一種重要的分析手段，為神經疾病的診斷提供了新的視腳。當然，DTI腦連接組是一個仍然在發展的科學領域，分析方法和分析結果還存在一些不夠成熟的地方。包括節點及邊的合理定義、腦網絡的可解釋性以及腦網絡的比較等。目前，腦功能和結構網絡之間關系的研究結果表明，存在結構連接的腦區間存在功能連接的概率也比較高，但是反過來，存在功能連接的腦區間同時存在結構連接的概率則不那么高。那么結構腦網絡是如何塑造功能網絡的？未來，我們認為DTI大腦連接組可以用來進一步分析疾病對腦局部網絡、功能區域的影響，并作為一種重要的影像標志物用來監控疾病的嚴重程度、治療效果以及早期預測。

[1] Hagmann P．From Diffusion MRI to Brain Connectomics[D]．Lausanne:Ecole Polytechnique Fédérale de Lausanne (EPFL),2005．

[2] Sporns O,Tononi G,K?tter R．The human connectome:a structural description of the human brain[J]．PLoS Comput Biol,2005,1(4): e42．

[3] Le Bihan D,Mangin JF,Poupon C,et al．Diffusion Tensor Imaging:Concepts and Applications[J]．J Magn Reson Imaging, 2001,13(4):534-546．

[4] 陳美玲,許秀峰,程宇琪等彌散張量成像在神經科學領域的應用[J]．國際精神病學雜志,2009,(3):171-174．

[5] Jones DK．The effect of gradient sampling schemes on measures derived from diffusion tensor MRI:a Monte Carlo study[J]．Magn Reson Med,2004,51(4):807-815．

[6] Bullmore E,Sporns O．Complex brain networks:graph theoretical analysis of structural and functional systems[J]．Nat Rev Neurosci, 2009,10(3):186-198．

[7] He Y,Chen ZJ,Evans AC．Small-world anatomical networks in the human brain revealed by cortical thickness from MRI[J]．Cereb Cortex,2007,17(10):2407-2419．

[8] Jones DK．Studying connections in the living human brain with diffusion MRI[J]．Cortex,2008,44(8):936-952．

[9] Tzourio-Mazoyer N,Landeau B,Papathanassiou D,et al．Automated Anatomical Labeling of activations in SPM using a Macroscopic Anatomical Parcellation of the MNI MRI single-subject brain[J]．NeuroImage,2002,15(1):273-289．

[10] Desikan RS,Ségonne F,Fischl B,et al．An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest[J]．Neuroimage,2006,31(3): 968-980．

[11] Shattuck DW,Mirza M,Adisetiyo V,et al．Construction of a 3D probabilistic atlas of human cortical structures[J]．Neuroimage, 2008,39(3):1064-1080．

[12] Bohland JW,Bokil H,Allen C B,et al．The Brain Atlas Concordance Problem:Quantitative Comparison of Anatomical Parcellations[J]．PLoS One,2009,4(9):e7200．

[13] Romero-Garcia R,Atienza M,Clemmensen LH,et al．Effects of network resolution on topological properties of human neocortex[J]．Neuroimage,2012,59(4):3522-3532．

[14] Zalesky A,Fornito A,Harding IH,et al．Whole-brain anatomical networks:does the choice of nodes matter?[J]．Neuroimage, 2010,50(3):970-983．

[15] Mori S,Crain BJ,Chacko VP,et al．Three-dimensional tracking of axonal projections in the brain by magnetic resonance imaging[J]．Ann Neurol,1999,45(2):265-269．

[16] Chou MC,Wu ML,Chen CY,et al．Tensor deflection (TEND) tractography with adaptive subvoxel stepping[J]．J Magn Reson Imaging,2006,24(2):451-458．

[17] Yamada K,Sakai K,Akazawa K,et al．MR tractography:a review of its clinical applications[J]．Magn Reson Med Sci,2009,165-174．

[18] Xie S,Zuo N,Shang L,et al．How Does B-Value Affect HARDI Reconstruction Using Clinical Diffusion MRI Data?[J]．PLoS One,2015,10(3):e0120773．

[19] Dudink J,Pieterman K,Leemans A,et al．Recent advancements in diffusion MRI for investigating cortical development after preterm birth-potential and pitfalls[J]．Front Hum Neurosci,2015,8:1066．

[20] Lo CY,Wang PN,Chou KH,et al．Diffusion tensor tractography reveals abnormal topological organization in structural cortical networks in Alzheimer's disease[J]．J Neurosci,2010,30(50): 16876-16885．

[21] Shu N,Liang Y,Li H,et al．Disrupted topological organization in white matter structural networks in amnestic mild cognitive impairment:relationship to subtype[J]．Radiology,2012,265(2): 518-527．

[22] Bai F,Shu N,Yuan Y,et al．Topologically convergent and divergent structural connectivity patterns between patients with remitted geriatric depression and amnestic mild cognitive impairment[J]．J Neurosci,2012,32(12):4307-4318．

[23] Prescott JW,Guidon A,Doraiswamy PM,et al．The Alzheimer structural connectome:changes in cortical network topology with increased amyloid plaque burden[J]．Radiology,2014,273 (1):175-184．

[24] Friston KJ．The disconnection hypothesis[J]．Schizophr Res, 1998,30(2):115-125．

[25] Shenton ME,Dickey CC,Frumin M,et al．A review of MRI findings in schizophrenia[J]．Schizophr Res,2001,49(1):1-52．

[26] van den Heuvel MP,Mandl RC,Stam CJ,et al．Aberrant frontal and temporal complex network structure in schizophrenia:a graph theoretical analysis[J]．J Neurosci,2010,30(47):15915-15926．

[27] Wang Q,Su TP,Zhou Y,et al．Anatomical insights into disrupted small-world networks in schizophrenia[J]．Neuroimage, 2012,59(2):1085-1093．

[28] Compston A,Coles A．Multiple sclerosis[J]．Lancet,2008,372 (9648):1502-1517．

[29] Shu N,Liu Y,Li K,et al．Diffusion tensor tractography reveals disrupted topological efficiency in white matter structural networks in multiple sclerosis[J]．Cereb Cortex,2011,21(11): 2565-2577．

[30] Li Y,Jewells V,Kim M,et al．Diffusion tensor imaging based network analysis detects alterations of neuroconnectivity in patients with clinically early relapsing-remitting multiple sclerosis[J]．Hum Brain Mapp,2013,34(12):3376-3391．

[31] Zhang Z,Liao W,Chen H,et al．Altered functional-structural coupling of large-scale brain networks in idiopathic generalized epilepsy[J]．Brain,2011,134(Pt 10):2912-2928．

[32] Verstraete E,Veldink JH,Mandl RC,et al．Impaired structural motor connectome in amyotrophic lateral sclerosis[J]．PLoS One,2011,6(9):e24239．

[33] Leow A,Ajilore O,Zhan L,et al．Impaired inter-hemispheric integration in bipolar disorder revealed with brain network analyses[J]．Biol Psychiatry,2013,73(2):183-193．

[34] Caeyenberghs K,Leemans A,De Decker C,et al．Brain connectivity and postural control in young traumatic brain injury patients:a diffusion MRI based network analysis[J]．Neuroimage,2012,1(1): 106-115．

Recent Advances in DTI Connectomes of Brain Diseases

LIN Lan, FU Zhen-rong, ZHANG Bai-wen, Bin Guang-yu, GAO Hong-jian, WU Shui-cai
College of Life Science and Bioengineering, Beijing University of Technology, Beijing 100124, China

Analyzing the DTI (Diffusion Tensor Imaging) connectomes in vivo has become feasible through the integration of DTI imaging techniques, image processing, and network theory, which brings DTI brain imaging closer to the topology of brain network and helps us to learn more about the relationship among the brain structure, human behavior and cognition. In this review, the basic elements for the brain network are fi rstly discussed: DTI data acquisition and processing, the de fi nition of network nodes and edges, as well as the network analysis method. Then, application of DTI connectomes in several clinical brain diseases (Alzheimer’s disease, schizophrenia, multiple sclerosis, etc) are explored.

MRI; connectomes; diffusion tensor imaging; graph theory

R197.39

A

10.3969/j.issn.1674-1633.2015.06.001

1674-1633(2015)06-0001-06

2015-03-05

北京市自然科學基金（7143171）資助。

林嵐，副教授 。

通訊作者郵箱：lanlin@bjut．edu．cn