基于時空雙稀疏表示的成人ADHD 腦網絡檢測與分析

龔軍輝 劉小燕 周建松 孫剛

注意力缺陷多動障礙(Attention deficit hyperactivity disorder,ADHD)是一種常見的精神障礙疾病,主要表現為與發育程度(年齡)不相符的注意力分散、多動和沖動[1],這種疾病往往開始于童年并可能持續到成年.研究表明,成人ADHD 的患病率仍高達3.4%[2].ADHD 患者的多動問題會隨著年齡的增長而好轉,但行為控制和注意力集中仍困難,這將對他們的生活和學習產生不利的影響,且成人ADHD 患者更易引發其他的精神障礙與犯罪行為,因而是一個重要的公共衛生問題[3].

靜息態功能核磁共振成像(Resting-state functional magnetic resonance imaging,rsfMRI)由于操作易、耗時短、性價比高等優點,廣泛應用于探索青少年和成人ADHD 患者的腦功能異常[4?12].傳統的ADHD 靜息態功能核磁共振成像研究主要分為兩類:1)一些學者采用局部一致性、低頻振蕩等基于體素的指標分析了rsfMRI 數據,認為ADHD患者存在一些異常腦區,例如運動感知腦區[4],前額、前扣帶回和丘腦[5],枕葉視覺信息處理等腦區[5].2)另一些學者則從各腦區(或體素)之間的功能連接角度出發對ADHD 靜息態fMRI 數據進行了分析,發現ADHD 患者的前島葉與楔前葉、中央前回、顳下回等腦區的連接有異常[8],左羅蘭迪克島蓋區、腦島、殼核、蒼白球等腦區所在的一些功能連接子網絡有異常[9],額頂葉、小腦腦區的功能連接有增強[10],小腦、右下額、左軀體感知腦區之間的功能連接增強[12].雖然上述研究發現了一些與ADHD 相關的腦區或腦區間的功能連接,但是ADHD 的潛在神經機制目前仍不完全明了,需進一步研究驗證[10].

近年來,一些學者采用獨立成分分析(Independent component analysis,ICA)方法和雙回歸分析方法,提取出靜息態腦網絡(Resting-state brain network,RSN)來研究精神障礙疾病的神經生理機制[13?14].與基于腦區或腦區間功能連接的研究方法相比,采用RSN 可以從大尺度腦網絡級角度來探索精神障礙疾病的生理機制,具有較大優勢.這是因為,一個RSN 往往包含多個腦區且多個腦區之間存在有功能連接,腦區的異常或腦區間功能連接的異常最終都會導致所涉及的RSN 的異常.為探索一些感興趣的RSN 在ADHD 組中是否有異常,Mostert 等[11]采用組ICA 及雙回歸分析方法,從靜息態fMRI 數據提取了數十個并發的RSN,并選取了其中感興趣的6 個網絡(小腦網絡、兩個默認網絡、執行控制網絡、左、右額頂網絡);針對每個感興趣的網絡,采用基于體素的統計檢驗方法推斷ADHD 組與正常人組之間是否有差異.實驗結果表明,ADHD 患者的執行控制網絡和小腦網絡存在異常.然而,從數十個腦網絡中確定少數的感興趣網絡,需要一定的先驗知識.而且,在數萬個體素(高維)幾十個樣本(少樣本)上采用體素級的統計檢驗及體素簇推斷時,會產生較高的假陽性結果[15].此外,在采用ICA 方法的fMRI 研究中,假設fMRI信號時域或空域的源成分統計獨立,而這一假設,目前還缺乏神經和生理學基礎[16?17].

近20 年來,稀疏表示成為信號分析領域一個引人關注的研究方向,在機器學習和模式識別領域有很多成功的應用[18?20].稀疏表示的目的是在已設定或學習獲得的字典中,用盡可能少的源成分來最優地表示觀測的信號,從而更容易獲取信號中所蘊含的信息.稀疏假設在神經和腦科學上有相應的解釋和意義[21?22],近年來稀疏表示在fMRI 個體腦網絡的提取中也獲得了成功的應用[23?24].在我們前期工作中,提出了一種基于時空雙稀疏表示(Dual temporal and spatial sparse representation,DTSSR)的fMRI 數據分析方法[25]:個體的fMRI 信號經過頭動校正、空域濾波、去線性漂移、時域濾波預處理后,首先采用在線稀疏表示算法對個體時域的血氧水平依賴(Blood oxygenation level-dependent,BOLD)信號矩陣進行稀疏分解,得到具有個體特性的腦功能網絡(Brain functional network,BFN)然后采用在線稀疏字典學習算法,對空間標準化后的個體特性BFN 矩陣進行非負矩陣稀疏分解,自動提取出具有組共性的群組RSN 及具有個體特性的耦合參數.實驗結果表明,采用DTSSR 所提取出的群組RSN 在不同的數據集中具有高可重現性;與其他方法相比,DTSSR 能同時獲得個體特性RSN 和具有組共性的群組RSN,這有利于fMRI 數據后續的組分析.此外,DTSSR 方法還可以獲得群組RSN在不同個體中“能量”特性的耦合參數,由此,通過對耦合參數的分析,可以從群組RSN 角度來描述個體的腦功能特性,這有利于從大尺度腦網絡角度來探索精神障礙疾病的潛在神經機制.

本文以成人ADHD 為研究對象(后續部分的ADHD,如非特別標明都指成人ADHD),首先采用DTSSR 方法提取出個體功能腦網絡BFN、群組RSN 及耦合參數;在此基礎上將群組RSN 在個體功能網絡中的耦合參數均值池化作為該腦網絡在個體上的活躍度指標;然后將獲得的活躍度指標與ADHD 量表分進行Spearman 相關性分析,最終檢測出與ADHD 相關的RSN(簡稱ADHD-RSN).該方法是一種基于數據驅動的檢測方法,不需要先驗知識(如感興趣腦網絡、靜息態腦網絡模板、種子點等);此外,這種從大尺度上腦網絡級對ADHD-RSN進行的分析檢測方法,避免了由于在高維少樣本體素上進行統計推斷而造成的假陽性結果.

1 數據采集與預處理

1.1 數據采集

本文所采用的ADHD 靜息態fMRI 數據及相應的量表評估分數據下載于公開數據庫1 000 functional connectomes project(http://fcon-1000.projects.nitrc.org/fcpClassic/FcpTable.html).數據庫中有25 名ADHD 患者數據,其影像數據包括功能像和結構像,由Siemens Allegra 3.0 Tesla 核磁共振掃描儀采集獲得.功能像采用EPI 序列成像,采集時間點數為192,主要成像參數:TR=2 000 ms,TE=25 ms,Flip angle=90?,39 層,matrix=64×64,FOV=192 mm.T1 加權結構像采用GE 序列成像,主要成像參數為:TR=2 500 ms,TE=4.35 ms,T1=900 ms,Flip angle=8?,176 層,FOV=256 mm.掃描期間,要求患者保持眼睛睜開,盡量放松.

所有患者經定式訪談診斷,符合DSM-IV (Diagnostic and statistical manual of mental disorders)[1]的ADHD 診斷準則.采用SCL-90-R(Symptom checklist-90-revised)對參與者進行了篩選,篩選內容包括:既往的精神障礙、雙相障礙及物質濫用障礙病史;當前的心情、精神障礙、焦慮及物質濫用障礙狀況;既往的精神疾病治療史;神經疾病和慢性疾病治療史.最后參與的ADHD 患者均無并發癥,且未服用其他精神類藥物.所有患者為右利手、智力正常,在掃描前24 小時之內,未進行藥物和刺激治療.所有患者簽署了由紐約大學倫理委員會提供的知情書.每位患者的量表分采用ASRS (Adult ADHD self-report scal)[26]量表評估獲得.ASRS 量表由世界衛生組織與來自于紐約大學醫學院和哈佛大學醫學院的成人ADHD 研究專家組成的研究小組共同研制,在多個研究中作為描述ADHD 癥狀的基準分[6,27].

1.2 靜息態fMRI 數據預處理

采用核磁共振掃描儀獲得的腦體素腦血氧水平依賴(BOLD)信號,記錄了體素因神經活動而引起的血氧飽和濃度的變化.在數十個體、數萬個腦體素、上百個時間點上采集的BOLD 信號包含生理心理噪聲,同時采集過程中易受個體頭動的影響,是一個高維高噪的信號集,因此數據分析前需進行一些頭動校正、時空域濾波等數據預處理,具體步驟為:頭動校正(放棄頭動過1.5?和1.5 mm 的患者數據)、空域平滑(高斯核的FWHM 為6 mm)、去線性漂移、時域濾波(0.01～0.08 Hz 帶通濾波)、獲得個體特性RSN 后進行空間標準化(體素大小設置為3 mm×3 mm×3 mm).分析軟件主要包括MATLAB、Spm、DPRASF、FSL 等.在數據預處理后,放棄了2 名因頭動過大患者的數據和1 名無ADHD 量表分的患者的數據,最終獲得的群組人口學特征統計如表1.

表1 ADHD 組人口統計學特性Table 1 Demographic of the ADHD group

2 基于DTSSR 的ADHD-RSN 檢測方法

2.1 方法框圖

所提方法包括基于DTSSR 的靜息態fMRI 數據分析、ADHD-RSN 檢測兩個大模塊(圖1).在第1 個模塊中,經個體BOLD 信號的稀疏表示、BFN的稀疏表示之后,獲得了組RSN 及耦合參數矩陣;在第2 個模塊中,由耦合參數計算獲得了組RSN在個體上的活躍度指標、再由腦網絡活躍度指標與ADHD 量表分值的Spearman 相關分析、相關系數顯著性檢驗,最終獲得ADHD-RSN.下面將對各模塊流程進行詳細闡述.

2.2 基于DTSSR 的靜息態fMRI 數據分析

2.2.1 個體BOLD 信號的稀疏表示

設sx為體素x上經過預處理后的BOLD 信號,由BOLD 信號為多個源成分線性和稀疏組合的假設[23?24,28?29],sx可以表示為

其中,D=[d1,d2,···,dk1]∈Rt×k1表示預設源成分數為k1的字典矩陣;t為時間點數;ax與ex分別代表源成分系數與噪聲.為獲得sx最優的稀疏分解,sx的價值損失函數(sx,D)定義為

其中,λ1為懲罰參數,用于調整回歸殘余項與稀疏項的比例.價值損失函數(sx,D)越小表示字典D在稀疏條件下越能較優地表示體素的BOLD 信號sx.對于字典矩陣的列向量d1,d2,···,dk中可能出現的任意極大值,將采用式(3)進行抑制.

圖1 基于DTSSR 的ADHD-RSN 的檢測方法整體框圖Fig.1 The framework for detecting adult ADHD-RSN using DTSSR

對于有n個體素的個體大腦,其BOLD 信號矩陣為S=[s1,s2,···,sx,···,sn]∈Rt×n.根據式(1),個體全腦體素BOLD 信號矩陣S的稀疏表示模型為

其中,A=[a1,a2,···,an]∈Rk1×n為字典中源成分的系數矩陣;E=[e1,e2,···,en]∈Rt×n是噪聲矩陣.為獲得S的最優稀疏分解,定義S的經驗價值函數為n個體素價值損失函數的平均值,表達式為

對源成分字典D而言,經驗價值函數fn(D)的最優化是非凸的,為此,需將S的最優稀疏分解轉化式(6)中D和A兩個變量的聯合優化問題,即當其中一個變量固定不變時,對另一個變量尋求最優

由于在線字典學習算法在處理大數據時具有優越性能[11,24,28?29],本文采用該算法解決式(6)的優化問題.

總之,通過對個體全腦體素的BOLD 信號矩陣S的最優稀疏表示,可獲得一個源成分字典矩陣D和一個系數矩陣A(如圖2 所示).這里字典矩陣D的每一列表示體素BOLD 信號的一個源成分,而系數矩陣的每一行表示同一源成分的系數,按體素索引映射回個體腦空間后作為一個BFN[11,24,28?29].

2.2.2 腦功能網絡的稀疏表示

采用上一節方法,從靜息態fMRI 數據集中提取了數千個BFN,這些網絡具有較大的差異性.如果沒有任何時域或空域的先驗知識,很難從數千個個體BFN 中找出具有群組一致的BFN.根據最近的腦科學研究成果[30],一個BFN 可以被合理地假設為多個組RSN 與一個噪聲網絡的耦合,這種耦合機制可以簡化為一個線性組合模型來描述[25]

其中,gy為第y個BFN,I=[i1,i2,···,ik2]∈Rp×k2是一個群組RSN 字典矩陣;k2為預設的群組RSN數;by=[by1,by2,···,byk2]T∈Rk2是RSN 的耦合參數,其絕對值大于或等于0 (0 表示相應的RSN與gy無關);εy為噪聲網絡.所有個體的BFN 經空間標準化后,按體素索引轉化為一組列向量,組成了一個群組腦網絡矩陣G=[g1,g2,···,gy,···,gq]∈Rp×q,其中p為空間標準化后的腦體素數,q=L ×k1為獲得的BFN 總數,L為群組中的個體數.根據式(7),BFN 矩陣G可表示為

其中,耦合參數矩陣B為[b1,b2,···,by···,bq]∈Rk2×q,噪聲腦網絡矩陣E為[ε1,ε2,···,εy···,εq]∈Rp×q.為了在耦合參數大于或等于0 情況下獲得gy的最優稀疏分解I和B,將gy的價值損失函數(gy,I)、抑制條件集合及目標函數分別定義為

采用在線字典學習算法的稀疏表示,可將BFN矩陣G分解為最優的群組RSN 矩陣I及相應的耦合參數矩陣B.將I的每一列按體素索引映射回標準腦空間,獲得組RSN (如圖3 所示).

2.2.3 稀疏表示參數設置

字典尺寸和稀疏抑制水平是稀疏表示的兩個重要參數,采用稀疏表示分析個體fMRI 數據的BOLD 信號時,根據文獻[24,29,31],稀疏抑制水平λ1和字典尺寸k1分別設置為0.15 和250;采用稀疏表示分析組BFN 時,稀疏抑制水平λ2和字典尺寸k2的設定并沒有一個黃金準則,根據文獻[25]的方法以及在實驗數據上的測試結果(腦網絡空間分布是否有意義),將稀疏抑制水平λ2和字典尺寸k2的初始值設置為0.2 和20.最終從組fMRI 數據集中獲得的20 個組RSN,編號為RSN#1,RSN#2,···,RSN#20.

圖2 個體全腦BOLD 信號的稀疏表示Fig.2 Sparse representation for whole-brain BOLD signals

圖3 功能腦網絡的稀疏表示Fig.3 Sparse representation for brain functional networks

2.3 ADHD 相關靜息態腦網絡的檢測

采用DTSSR 對經過預處理的fMRI 數據進行分析后,獲得了個體BFN (標號為1,2,···,k1)、組RSN (標號為1,2,···,k2)及相應的耦合參數.對于同一個組RSN,在不同的個體BFN 中具有不同的耦合參數,由耦合參數(稀疏表示系數)在稀疏表示中的意義可知,耦合參數絕對值越大表示組RSN在相應的個體BFN 中的“能量”越大,意味著該組RSN 在相應的BFN 中比較活躍.由于個體的差異性,同一組RSN 可能隨機活躍在個體不同標號、不同數量的BFN 中.為此,本文提出將組RSN 在個體BFN 上的耦合參數均值池化作為一個指標來描述組RSN 在個體上的活躍特性.在Zubair 等[32]的研究中將音頻信號經過稀疏表示后,也采用了將稀疏表示系數均值池化作為音頻信號的特征指標,隨后輸入支持向量機對音頻信號進行分類,取得了較高的分類結果.類似的池化稀疏系數的方法在一些正交匹配追蹤、軟閾值編碼研究中也有應用[33?34].基于上述原因,本文將耦合參數的絕對值均值池化作為衡量組RSN 在個體大腦中的活躍度指標,其中耦合參數均值池化計算如下:

其中,RSN-A為RSN 的活躍度指標,l表示個體標號,m表示組RSN 標號.通過采用網絡活躍度指標RSNA檢測ADHD-RSN 方法示例如圖4:首先將組靜息態網絡RSN#1 的耦合參數(耦合參數矩陣的第1 行)按個體均值池化,獲得RSN#1 的活躍度指標向量RSN-A1,-隨后計算RSN--A1與ADHD 量表分值的Spearman 等級相關系數,并對相關系數作顯著性檢驗(H0:相關系數為0),最終由計算的P-value檢測出ADHDRSN.

2.4 腦網絡空間相關性的量化比較

為評估不同腦網絡zu和zv在空間分布上是否相關,本文采用空間相關系數[25]來作為兩個腦網絡的量化評估指標,空間相關系數ruv定義為

圖4 通過耦合參數識別ADHD-RSN 示例圖(RSN#1 為例)Fig.4 Illustration of identifying ADHD-RSN by use of coupling parameters (RSN#1 as the example)

3 結果與分析

3.1 群組RSN 提取結果與分析

圖5 為采用DTSSR 從ADHD 靜息態fMRI 數據中提取的20 個組RSN 的空間分布圖(“激活”體素的推斷由FSL 的工具包MELODIC 完成).可以明顯看出,正常人組中常見的RSN[36?37],在ADHD組結果中有相對應的相似網絡,這些網絡包括:三個視覺信息處理相關網絡(RSN#7,RSN#17 和RSN#19)、聽覺信息處理網絡(RSN#5)、運動感知網絡(RSN#8)、背側注意網絡(RSN#6)、執行控制網絡(RSN#11)、默認網絡(RSN#4)、小腦網絡(RSN#18)及與高級認知相關的左右額頂網絡(RSN#3 和RSN#12).將ADHD 數據上提取的RSN 與文獻[36?37]中正常人組的RSN 對比,可以發現,這些常見RSN 在ADHD 中并沒有缺失.

圖5 采用DTSSR 從ADHD 組fMRI 數據集中提取組RSN (“激活”體素采用MELODIC 推斷獲得)Fig.5 The inferred group-wise RSNs with DTSSR from the ADHD dataset(The“activated”voxels were inferred by MELODIC)

采用第2.4 節腦網絡空間相關的量化分析方法,將文獻[37]中正常人組的RSN 與對應的相似網絡(RSN#7,RSN#17,RSN#19,RSN#4,RSN#18,RSN#8,RSN#5,RSN#11,RSN#3 和RSN#12)進行了腦網絡空間相關的量化分析,獲得的相關系數分別為0.85,0.74,0.66,0.79,0.58,0.60,0.71,0.59,0.64,0.68.這些從高維(數萬個體素)的腦網絡上獲得的空間相關系數,即使是最小值0.58 (小腦網絡RSN#18),網絡的“激活”體素在空間分布上也展現了較高的相似性(如圖6).而且,在文獻[37]中的相似腦網絡對(都來自于正常人組),空間相關系數最小值為0.25,相比而言,0.58 這個值也是令人滿意的.另外,對這些相關系數進行顯著性檢驗(H0:相關系數為0)和Bonferroni 校正后,所獲得的P-value均小于10?5.上述這些都表明,正常人組RSN 與ADHD 組對應的RSN 具有較高相關性系數和顯著的相關性,“激活”體素的空間分布上也顯示了高度的相似性.

通過ADHD 數據上提取的RSN 與正常人組常見RSN 在空間分布上的視覺對比和量化評估后發現:一些常見的RSN 在ADHD 組上都能找出相應的RSN;這些對應的RSN 之間具有較高的相關性系數和顯著相關性,“激活”體素的空間分布上展現出了高度的相似性.因此,難以從空間分布上檢測出ADHD-RSN.

3.2 ADHD 相關RSN 檢測結果與分析

表2 給出了ADHD 量表分以及采用本文方法得出的組RSN 在個體上的活躍度指標值(k2=20,λ2=0.2)、指標值與ADHD 量表分的Spearman 等級相關系數、P-value、FDR (False discovery rate)校正、ADHD 相關網絡的結果.從相關系數來看,RSN#6 (背側注意網絡,空間分布如圖7(a)所示)及RSN#11 (執行控制網絡,空間分布如圖7(b)所示)的活躍度指標與ADHD-RS 分值相關系數較高,分別為0.56 及0.57,這兩相關系數的顯著性檢驗(H0:相關系數為0)的P-value均小于0.01.更進一步,本文采用常用的FDR 方法對P-value進行了校正,結果如表2 所示.從表中可以看出,與其他18 個RSN 相比,RSN#6 及RSN#11 校正后的Pvalue仍為最低(0.06),即拒絕原假設為真,出錯的概率為6%.雖然該數值與統計上常設的顯著性水平0.05 (拒絕原假設為真,出錯的概率為5%)相比,略顯偏大,但是,由于獲得的腦網絡之間相關等原因,不同腦網絡之間的活躍度指標有較強的相關性(最高值為0.83),這可能導致FDR 校正值偏大[38].因此,本文認為RSN#6、RSN#11 與ADHD 量表分值之間仍具有顯著相關性.

此外,采用本文方法檢測出的RSN#6 和RSN#11 的兩個網絡從腦科學角度能有合理的解釋,所涉及的腦區,在很多前期的研究中都能找出相應的支持依據.檢測出的RSN#6 (背側注意網絡)涉及到頂上回、枕中回、中央后回、顳中回、額中回、緣上回、顳中回、顳極等腦區,主要提供自上而下的注意控制機制.在執行持續的任務期間,背側注意網絡的持續活動會使大腦處于一種高度專注的高效率狀態,以保證任務的完成[39].部分學者在前期研究中也檢測出ADHD 背側注意網絡及相關腦區有異常,與本文結論一致.例如,Sokunbi 等[40]發現了ADHD 患者在顳中回,額中回,中央后回等腦區與ADHD 癥狀分值有顯著的負相關;Schneider等[41]發現ADHD 患者的背側注意網絡的頂葉腦區有異常,而這部分腦區在背側注意網絡中有重要作用[42].

本文檢測出的RSN#11 網絡稱為執行控制網絡或中央控制網絡,主要腦區包括:內則和旁扣帶回、腦島、背外側額上回、緣上回、中央前回等,該網絡涉及到認知、行為抑制、情緒等腦功能[37].執行控制網絡多次出現在一些前期ADHD 研究的結果中[43?44],而執行控制網絡的前扣帶回,也頻繁地出現在一些ADHD 研究的結果中,如Wang 等[6]報道了前扣帶回和小腦的連接在成人ADHD 中表現出增強的功能連接;Francx 等[45]在對兒童和青少年ADHD 研究中也發現前扣帶回連接強度與ADHD 癥狀相關.

圖6 小腦網絡的空間分布圖(“激活”體素采用MELODIC 推斷獲得)((a)正常人組的小腦網絡[37];(b)采用DTSSR 提取出ADHD 組的小腦網絡(RSN#18))Fig.6 The spatial maps of cerebellum network (The“activated”voxels are inferred by MELODIC)((a)The cerebellum network of healthy group[37];(b)The obtained cerebellum network (RSN#18)with DTSSR)

表2 ADHD 組量表分、腦網絡活躍程度指標、相關系數、P-value 及ADHD-RSN 檢測結果Table 2 The obtained ADHD-RSN,indexes for activity of brain networks,correlation coefficients, P-value and ADHD-RSN

另外,有研究指出[11],ADHD 可能具有廣泛神經紊亂的特性,與傳統的基于腦區或腦區間功能連接的研究方法相比,本文方法從大尺度網絡對ADHD 進行分析,更能描述ADHD 神經紊亂特性.

3.3 不同字典尺寸下ADHD 相關RSN 檢測結果

圖7 ADHDRSN 空間分布圖(“激活”體素采用MELODIC 推斷)((a)背側注意網絡(RSN#6);(b)執行控制網絡(RSN#11))Fig.7 The spatial maps of the ADHD-RSN (The“activated”voxels were inferred by MELODIC)((a)dorsal attention network (RSN#6);(b)executive control network (RSN#11))

已有的研究表明[24?25,29],相對于稀疏抑制水平,字典尺寸對腦網絡的提取結果影響更大.為探討不同字典尺寸k2對檢測結果的影響,首先將稀疏抑制水平λ2固定設置為0.2,字典尺寸k2從20 開始以步長為40 依次增大至180,檢測出了共5 個字典尺寸下相應的ADHD RSN;隨后以k2為20 時獲得的組RSN 為模板網絡(20 個模板網絡),采用第2.4 節的方法,計算每一個字典尺寸下檢測出的ADHD RSN 與模板網絡的空間相關系數,以確定檢測出的ADHD RSN 與模板網絡的關系.圖8(a)為模板網絡的背側注意網絡RSN#6,圖8(b)～8(e)為在字典尺寸60～180 時,通過計算獲得的與RSN#6 空間相關的ADHD RSN.可以明顯看出,在不同字典尺寸下,獲得的這些ADHD-RSN 在空間分布上高度隸屬于RSN#6.

表3 給出了字典尺寸k2=60～300時與各模板網絡空間相關的ADHD-RSN的統計結果.從表中可以看出,本文方法在7 個不同的字典尺寸時檢測出的ADHD-RSN,都有與模板網絡背側注意網絡(RSN#6)和執行控網絡(RSN#11)空間相關的子網絡.這表明,采用本文方法和指標獲得的結果,在不同字典尺寸下具有較高的穩定性.

4 結束語

本文采用時空雙稀疏表示方法(DTSSR),從ADHD 的靜息態fMRI 數據中提取出群組靜息態網絡,在此基礎上,提出了一種新穎的腦網絡活躍度指標RSN-A;采用該指標,從大尺度腦網絡角度探討成人ADHD 潛在的神經機制,主要結論和發現有:

1)一些正常人組上常見的RSN,在采用DTSSR 從ADHD 組靜息態fMRI 數據獲得的RSN 中,并不缺失,且兩者相對應的RSN 之間具有顯著相關性,在空間分布上也具有高度相似性.

2)將腦網絡活躍度指標與ADHD 量表分進行Spearman 相關性分析,結果表明,背側注意網絡和執行控制網絡與ADHD 顯著相關.這個結果從腦科學角度有合理的解釋,在前期的研究中也能找到相應的支持依據.

3)采用本文所提方法和指標獲得的背側注意網絡和執行控制網絡,在不同字典尺寸下具有較高的穩定性.

表3 不同字典尺寸下與各模板網絡空間相關的ADHD-RSN 統計Table 3 The count of the ADHD RSN with each template in different dictionary sizes

4)本文所提方法屬于數據驅動的分析方法,與傳統方法相比,本方法不需要先驗知識(例如,感興趣腦網絡、空域靜息態腦網絡模板、種子點等).

需要指出的是,ADHD 是一種復雜的混合型精神障礙,其潛在神經機制較為復雜,本文研究中沒有對ADHD 亞型患者進行區分,這將是我們下一步的研究重點.

圖8 不同字典尺寸下與背側注意網絡空間相關的ADHD-RSNFig.8 The detected ADHDRSNs is correlated to dorsal attention network in different dictionary sizes