本發(fā)明屬于醫(yī)學圖像處理與分析技術(shù)領(lǐng)域,涉及一種針對海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法,可用于探討海洛因成癮的神經(jīng)機制,為臨床提供功能影像學證據(jù)。
背景技術(shù):
海洛因成癮作為一種慢性功能性腦病,是困撓中國以及全世界的醫(yī)學和社會性問題,其主要特征是成癮者明知海洛因有害卻無法抑制對海洛因的渴求,不顧任何不良后果的覓藥行為。
海洛因成癮除對個人及家庭造成傷害之外,其最大危害是造成一些劣性傳染性疾病(以愛滋病為主)的傳播以及社會犯罪率的升高。最新的中國禁毒報告顯示,至2015年底《中國禁毒報告》指出,截止2014底,全國累計登記吸毒人員295.5萬名,其中濫用阿片類(主要為海洛因)吸毒人員約為140萬名,而隱性吸毒人員可能已超過1400萬名,每年以15%的速度迅速增長。盡管人們一直在嘗試各種辦法治療和干預(yù)海洛因成癮,但是仍無法徹底根治。
海洛因成癮是政府和醫(yī)療機構(gòu)迫切需要解決的重大難題,目前機制不明,尚無根治措施。從大型腦網(wǎng)絡(luò)層次來闡明海洛因成癮機制已成為目前藥物成癮領(lǐng)域的重要科學問題,有望為早期判斷復(fù)吸風險、及時干預(yù)、防止復(fù)吸行為提供新思路。本發(fā)明擬提供一種分析海洛因成癮者大型腦網(wǎng)絡(luò)功能特征的功能磁共振(functional magnetic resonance imaging,fMRI)研究方法,它將更有利于探尋機制中重要影像學指標,預(yù)測患者潛在的復(fù)吸風險,從而有針對性地干預(yù)和預(yù)防復(fù)吸;更有助于豐富海洛因成癮治療的理論依據(jù)。
Menon等(Menon V.Large-scale brain networks and psychopathology:a unifying triple network model.Trends in cognitive sciences,2011,15(10):483-506.)近期提出一個關(guān)于精神病理學的三網(wǎng)(雙側(cè)執(zhí)行控制網(wǎng)絡(luò)(ECN),默認功能網(wǎng)絡(luò)(DMN)及突顯性網(wǎng)絡(luò)(SN))模型,也認為這三個大型腦網(wǎng)絡(luò)對于精神病理學研究非常重要。他認為①異常的DMN功能組織形式以及由突顯性事件引起的DMN過強或過弱的活動過程,與異常的內(nèi)心自我指涉活動有關(guān)。②SN對突顯性(Salience)探測能力的減弱、對目標相關(guān)的外界刺激以及內(nèi)部心理活動整合能力的下降,在精神疾病機制中發(fā)揮重要作用。③SN內(nèi)部的前島葉與扣帶回之間功能整合能力薄弱,會造成ECN的功能異常,影響認知功能以及與目標相關(guān)的適應(yīng)性行為?;谶@個三網(wǎng)模型,不同的精神疾病有其特異性的DMN、SN和ECN的功能組織形式和相互關(guān)系特征。因此,如何明確DMN、SN和ECN三個大型腦網(wǎng)絡(luò)的內(nèi)在特征,尤其是相互作用關(guān)系可能是闡明包括成癮在內(nèi)的大多數(shù)功能性腦疾病機制的重要途徑。
相關(guān)研究顯示DMN、SN和ECN相關(guān)腦區(qū)結(jié)構(gòu)與功能異常與藥物成癮關(guān)系非常密切,但是人們對海洛因成癮者DMN、SN和ECN大型腦網(wǎng)絡(luò)內(nèi)在特征、相互作用了解有限。因此,以DMN、SN和ECN大型腦網(wǎng)絡(luò)為框架探討海洛因成癮者的大腦網(wǎng)絡(luò)相互作用將更有利于深刻理解機制。
技術(shù)實現(xiàn)要素:
發(fā)明目的:本發(fā)明針對上述現(xiàn)有技術(shù)存在的問題做出改進,即本發(fā)明公開了一種針對海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法。其能夠預(yù)測吸毒患者潛在的復(fù)吸風險,從而有針對性地干預(yù)和預(yù)防復(fù)吸。
技術(shù)方案:一種針對海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法,包括以下步驟:
(1)數(shù)據(jù)預(yù)處理
基于Matlab為平臺,利用SPM8軟件對采集到的功能性磁共振成像的數(shù)據(jù)進行預(yù)處理,該數(shù)據(jù)預(yù)處理包括:
(11)時間校正
對采集到的功能性磁共振成像的數(shù)據(jù)進行時間差異矯正,使每個回波時間內(nèi)所采集的全腦層面在同一時間點上;
(12)頭動校正
以平均圖像為模板,對時間序列內(nèi)的所有圖像進行評估,獲取頭動參數(shù),并進行剛性轉(zhuǎn)化;
(13)空間標準化
所有受試者的腦圖像進行重新采樣,并轉(zhuǎn)化到SPM8軟件提供的EPI模板;
(14)空間平滑
對步驟(13)得到的腦圖像數(shù)據(jù)采用高斯函數(shù)進行平滑處理,以提高信噪比;
(15)通過回歸協(xié)變量的方法去除經(jīng)過空間平滑的腦圖信號中的噪聲信號;
(16)對經(jīng)過步驟(15)處理后的數(shù)據(jù)進行低頻濾波,濾波頻率范圍為0.01Hz~0.08Hz的帶通濾波;
(2)獨立成分分析
基于Matlab為平臺,采用GIFT軟件對步驟(14)平滑后的數(shù)據(jù)進行獨立成分分析;
(21)確定成分,成分數(shù)為20;
(22)采用兩步主成分分析方法對步驟(14)所得到的數(shù)據(jù)進行降維;
(23)采用FastICA算法獲取各自獨立成分;
(24)采用ICASSO算法對獲取的成分運算100次;
(25)根據(jù)數(shù)據(jù)的成分及降維結(jié)果重建出被試各個獨立成分的時間序列和空間分布;
(3)網(wǎng)絡(luò)識別
(31)視覺識別
對步驟(25)得到的20個網(wǎng)絡(luò)成分的空間分布進行識別,去掉與四大網(wǎng)絡(luò)無關(guān)的成分,然后篩選出與研究有關(guān)的成分,確定四大網(wǎng)絡(luò);
(32)相似性比較
選擇步驟(31)得到的四大網(wǎng)絡(luò)與先驗空間模板進行相關(guān)性分析,若四大網(wǎng)絡(luò)與先驗空間模板的相關(guān)系數(shù)大于0.8,則認為提取出的網(wǎng)絡(luò)成分較準確;
(4)功能連接
(41)在步驟(31)得到的四大網(wǎng)絡(luò)模型中,選定每個大網(wǎng)絡(luò)的核心腦區(qū)的峰值坐標為球心,以6mm為半徑畫球作為感興趣區(qū),得到9個感興趣區(qū);
(42)分別對四大網(wǎng)絡(luò)的激活腦區(qū)進行二值化,得到四個模板,對該四個模板再求并集作為四大網(wǎng)絡(luò)的共同模板;
(43)對于步驟(16)產(chǎn)生的數(shù)據(jù)將步驟(41)得到的9個感興趣區(qū)在步驟(42)得到的共同模板內(nèi)進行功能連接計算得到功能連接圖;
(5)組間比較
根據(jù)步驟(43)得到的功能連接圖比較組間的差異。
進一步地,步驟(31)中的四大網(wǎng)絡(luò)包括左側(cè)執(zhí)行控制網(wǎng)絡(luò)、右側(cè)執(zhí)行控制網(wǎng)絡(luò)、默認功能網(wǎng)絡(luò)和突顯性網(wǎng)絡(luò),其中:
左側(cè)執(zhí)行控制網(wǎng)絡(luò)包括左側(cè)背外側(cè)前額葉、左側(cè)頂葉;
右側(cè)執(zhí)行控制網(wǎng)絡(luò)包括右側(cè)背外側(cè)前額葉、右側(cè)頂葉;
默認功能網(wǎng)絡(luò)包括內(nèi)側(cè)前額葉、后扣帶;
突顯性網(wǎng)絡(luò)包括雙側(cè)前島葉、背側(cè)前扣帶。
進一步地,步驟(15)中噪聲信號包括白質(zhì)信號、腦積液信號、頭動信號。
有益效果:與現(xiàn)有的研究相比較,本發(fā)明公開的一種針對海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法具有如下的優(yōu)點:
1、以靜息態(tài)功能磁共振的成像方式,從海洛因成癮者基礎(chǔ)生理基線水平入手研究,能夠反映病人身體內(nèi)在大腦功能活動的改變;
2、鑒于當前海洛因成癮研究多局限于局域腦區(qū)神經(jīng)活動及結(jié)構(gòu)特征,基于大型腦網(wǎng)絡(luò)的研究更有利于從宏觀角度揭示局部腦區(qū)神經(jīng)活動的本質(zhì);
3、本發(fā)明率先提出從大型腦網(wǎng)絡(luò)功能特征,尤其是相互聯(lián)系變化的角度對海洛因成癮機制進行研究,為闡明機制開辟一條新路。
附圖說明
圖1為本發(fā)明公開的一種針對海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法的結(jié)構(gòu)示意圖框圖。
具體實施方式:
下面對本發(fā)明的具體實施方式詳細說明。
以下結(jié)合附圖1,詳細描述一個完整的基于海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法具體流程。
一種針對海洛因成癮機制的大型腦網(wǎng)絡(luò)分析方法,包括以下步驟:
(1)數(shù)據(jù)預(yù)處理
基于Matlab為平臺,利用SPM8軟件對采集到的功能性磁共振成像的數(shù)據(jù)進行預(yù)處理,該數(shù)據(jù)預(yù)處理包括:
(11)時間校正
對采集到的功能性磁共振成像的數(shù)據(jù)進行時間差異矯正,使每個回波時間內(nèi)所采集的全腦層面在同一時間點上;
(12)頭動校正
以平均圖像為模板,對時間序列內(nèi)的所有圖像進行評估,獲取頭動參數(shù),并進行剛性轉(zhuǎn)化;
(13)空間標準化
所有受試者的腦圖像進行重新采樣,并轉(zhuǎn)化到SPM8軟件提供的EPI模板;
(14)空間平滑,
對步驟(13)得到的腦圖像數(shù)據(jù)(以EPI模板的形式存在)采用高斯函數(shù)進行平滑處理,以提高信噪比;
(15)通過回歸協(xié)變量的方法去除經(jīng)過空間平滑的腦圖信號中的噪聲信號;
(16)對經(jīng)過步驟(15)處理后的數(shù)據(jù)進行低頻濾波,濾波頻率范圍為0.01Hz~0.08Hz的帶通濾波;
(2)獨立成分分析
基于Matlab為平臺,采用GIFT軟件對步驟(14)平滑后的數(shù)據(jù)進行獨立成分分析;
(21)確定成分,成分數(shù)為20;
(22)采用兩步主成分分析方法對步驟(14)所得到的數(shù)據(jù)進行降維;
(23)采用FastICA算法獲取各自獨立成分;
(24)采用ICASSO算法對獲取的成分運算100次;
(25)根據(jù)數(shù)據(jù)的成分及降維結(jié)果重建出被試各個獨立成分的時間序列和空間分布;
(3)網(wǎng)絡(luò)識別
(31)視覺識別
對步驟(25)得到的20個網(wǎng)絡(luò)成分的空間分布進行識別,去掉與四大網(wǎng)絡(luò)無關(guān)的成分,然后篩選出與研究有關(guān)的成分,確定四大網(wǎng)絡(luò);
(32)相似性比較,
選擇步驟(31)得到的四大網(wǎng)絡(luò)與先驗空間模板進行相關(guān)性分析,若四大網(wǎng)絡(luò)與先驗空間模板的相關(guān)系數(shù)大于0.8,則認為提取出的網(wǎng)絡(luò)成分較準確;
(4)功能連接
(41)在步驟(31)得到的四大網(wǎng)絡(luò)模型中,選定每個大網(wǎng)絡(luò)的核心腦區(qū)的峰值坐標為球心,以6mm為半徑畫球作為感興趣區(qū),得到9個感興趣區(qū);
(42)分別對四大網(wǎng)絡(luò)的激活腦區(qū)進行二值化,得到四個模板,對該四個模板再求并集作為四大網(wǎng)絡(luò)的共同模板;
(43)對于步驟(16)產(chǎn)生的數(shù)據(jù)用步驟(41)得到的9個感興趣區(qū)在步驟(42)得到的共同模板內(nèi)進行功能連接計算得到功能連接圖;
(5)組間比較
根據(jù)步驟(43)得到的功能連接圖比較組間的差異。
進一步地,步驟(31)中的四大網(wǎng)絡(luò)包括左側(cè)執(zhí)行控制網(wǎng)絡(luò)、右側(cè)執(zhí)行控制網(wǎng)絡(luò)、默認功能網(wǎng)絡(luò)和突顯性網(wǎng)絡(luò),其中:
左側(cè)執(zhí)行控制網(wǎng)絡(luò)包括左側(cè)背外側(cè)前額葉、左側(cè)頂葉;
右側(cè)執(zhí)行控制網(wǎng)絡(luò)包括右側(cè)背外側(cè)前額葉、右側(cè)頂葉;
默認功能網(wǎng)絡(luò)包括內(nèi)側(cè)前額葉、后扣帶;
突顯性網(wǎng)絡(luò)包括雙側(cè)前島葉、背側(cè)前扣帶。
進一步地,步驟(15)中噪聲信號包括白質(zhì)信號、腦積液信號、頭動信號。
上面對本發(fā)明的實施方式做了詳細說明。但是本發(fā)明并不限于上述實施方式,在所屬技術(shù)領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi),還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。