基于时空双稀疏表示的成人ADHD 脑网络检测与分析

龚军辉 刘小燕 周建松 孙刚

注意力缺陷多动障碍(Attention deficit hyperactivity disorder,ADHD)是一种常见的精神障碍疾病,主要表现为与发育程度(年龄)不相符的注意力分散、多动和冲动[1],这种疾病往往开始于童年并可能持续到成年.研究表明,成人ADHD 的患病率仍高达3.4%[2].ADHD 患者的多动问题会随着年龄的增长而好转,但行为控制和注意力集中仍困难,这将对他们的生活和学习产生不利的影响,且成人ADHD 患者更易引发其他的精神障碍与犯罪行为,因而是一个重要的公共卫生问题[3].

静息态功能核磁共振成像(Resting-state functional magnetic resonance imaging,rsfMRI)由于操作易、耗时短、性价比高等优点,广泛应用于探索青少年和成人ADHD 患者的脑功能异常[4−12].传统的ADHD 静息态功能核磁共振成像研究主要分为两类:1)一些学者采用局部一致性、低频振荡等基于体素的指标分析了rsfMRI 数据,认为ADHD患者存在一些异常脑区,例如运动感知脑区[4],前额、前扣带回和丘脑[5],枕叶视觉信息处理等脑区[5].2)另一些学者则从各脑区(或体素)之间的功能连接角度出发对ADHD 静息态fMRI 数据进行了分析,发现ADHD 患者的前岛叶与楔前叶、中央前回、颞下回等脑区的连接有异常[8],左罗兰迪克岛盖区、脑岛、壳核、苍白球等脑区所在的一些功能连接子网络有异常[9],额顶叶、小脑脑区的功能连接有增强[10],小脑、右下额、左躯体感知脑区之间的功能连接增强[12].虽然上述研究发现了一些与ADHD 相关的脑区或脑区间的功能连接,但是ADHD 的潜在神经机制目前仍不完全明了,需进一步研究验证[10].

近年来,一些学者采用独立成分分析(Independent component analysis,ICA)方法和双回归分析方法,提取出静息态脑网络(Resting-state brain network,RSN)来研究精神障碍疾病的神经生理机制[13−14].与基于脑区或脑区间功能连接的研究方法相比,采用RSN 可以从大尺度脑网络级角度来探索精神障碍疾病的生理机制,具有较大优势.这是因为,一个RSN 往往包含多个脑区且多个脑区之间存在有功能连接,脑区的异常或脑区间功能连接的异常最终都会导致所涉及的RSN 的异常.为探索一些感兴趣的RSN 在ADHD 组中是否有异常,Mostert 等[11]采用组ICA 及双回归分析方法,从静息态fMRI 数据提取了数十个并发的RSN,并选取了其中感兴趣的6 个网络(小脑网络、两个默认网络、执行控制网络、左、右额顶网络);针对每个感兴趣的网络,采用基于体素的统计检验方法推断ADHD 组与正常人组之间是否有差异.实验结果表明,ADHD 患者的执行控制网络和小脑网络存在异常.然而,从数十个脑网络中确定少数的感兴趣网络,需要一定的先验知识.而且,在数万个体素(高维)几十个样本(少样本)上采用体素级的统计检验及体素簇推断时,会产生较高的假阳性结果[15].此外,在采用ICA 方法的fMRI 研究中,假设fMRI信号时域或空域的源成分统计独立,而这一假设,目前还缺乏神经和生理学基础[16−17].

近20 年来,稀疏表示成为信号分析领域一个引人关注的研究方向,在机器学习和模式识别领域有很多成功的应用[18−20].稀疏表示的目的是在已设定或学习获得的字典中,用尽可能少的源成分来最优地表示观测的信号,从而更容易获取信号中所蕴含的信息.稀疏假设在神经和脑科学上有相应的解释和意义[21−22],近年来稀疏表示在fMRI 个体脑网络的提取中也获得了成功的应用[23−24].在我们前期工作中,提出了一种基于时空双稀疏表示(Dual temporal and spatial sparse representation,DTSSR)的fMRI 数据分析方法[25]:个体的fMRI 信号经过头动校正、空域滤波、去线性漂移、时域滤波预处理后,首先采用在线稀疏表示算法对个体时域的血氧水平依赖(Blood oxygenation level-dependent,BOLD)信号矩阵进行稀疏分解,得到具有个体特性的脑功能网络(Brain functional network,BFN)然后采用在线稀疏字典学习算法,对空间标准化后的个体特性BFN 矩阵进行非负矩阵稀疏分解,自动提取出具有组共性的群组RSN 及具有个体特性的耦合参数.实验结果表明,采用DTSSR 所提取出的群组RSN 在不同的数据集中具有高可重现性;与其他方法相比,DTSSR 能同时获得个体特性RSN 和具有组共性的群组RSN,这有利于fMRI 数据后续的组分析.此外,DTSSR 方法还可以获得群组RSN在不同个体中“能量”特性的耦合参数,由此,通过对耦合参数的分析,可以从群组RSN 角度来描述个体的脑功能特性,这有利于从大尺度脑网络角度来探索精神障碍疾病的潜在神经机制.

本文以成人ADHD 为研究对象(后续部分的ADHD,如非特别标明都指成人ADHD),首先采用DTSSR 方法提取出个体功能脑网络BFN、群组RSN 及耦合参数;在此基础上将群组RSN 在个体功能网络中的耦合参数均值池化作为该脑网络在个体上的活跃度指标;然后将获得的活跃度指标与ADHD 量表分进行Spearman 相关性分析,最终检测出与ADHD 相关的RSN(简称ADHD-RSN).该方法是一种基于数据驱动的检测方法,不需要先验知识(如感兴趣脑网络、静息态脑网络模板、种子点等);此外,这种从大尺度上脑网络级对ADHD-RSN进行的分析检测方法,避免了由于在高维少样本体素上进行统计推断而造成的假阳性结果.

1 数据采集与预处理

1.1 数据采集

本文所采用的ADHD 静息态fMRI 数据及相应的量表评估分数据下载于公开数据库1 000 functional connectomes project(http://fcon-1000.projects.nitrc.org/fcpClassic/FcpTable.html).数据库中有25 名ADHD 患者数据,其影像数据包括功能像和结构像,由Siemens Allegra 3.0 Tesla 核磁共振扫描仪采集获得.功能像采用EPI 序列成像,采集时间点数为192,主要成像参数:TR=2 000 ms,TE=25 ms,Flip angle=90◦,39 层,matrix=64×64,FOV=192 mm.T1 加权结构像采用GE 序列成像,主要成像参数为:TR=2 500 ms,TE=4.35 ms,T1=900 ms,Flip angle=8◦,176 层,FOV=256 mm.扫描期间,要求患者保持眼睛睁开,尽量放松.

所有患者经定式访谈诊断,符合DSM-IV (Diagnostic and statistical manual of mental disorders)[1]的ADHD 诊断准则.采用SCL-90-R(Symptom checklist-90-revised)对参与者进行了筛选,筛选内容包括:既往的精神障碍、双相障碍及物质滥用障碍病史;当前的心情、精神障碍、焦虑及物质滥用障碍状况;既往的精神疾病治疗史;神经疾病和慢性疾病治疗史.最后参与的ADHD 患者均无并发症,且未服用其他精神类药物.所有患者为右利手、智力正常,在扫描前24 小时之内,未进行药物和刺激治疗.所有患者签署了由纽约大学伦理委员会提供的知情书.每位患者的量表分采用ASRS (Adult ADHD self-report scal)[26]量表评估获得.ASRS 量表由世界卫生组织与来自于纽约大学医学院和哈佛大学医学院的成人ADHD 研究专家组成的研究小组共同研制,在多个研究中作为描述ADHD 症状的基准分[6,27].

1.2 静息态fMRI 数据预处理

采用核磁共振扫描仪获得的脑体素脑血氧水平依赖(BOLD)信号,记录了体素因神经活动而引起的血氧饱和浓度的变化.在数十个体、数万个脑体素、上百个时间点上采集的BOLD 信号包含生理心理噪声,同时采集过程中易受个体头动的影响,是一个高维高噪的信号集,因此数据分析前需进行一些头动校正、时空域滤波等数据预处理,具体步骤为:头动校正(放弃头动过1.5◦和1.5 mm 的患者数据)、空域平滑(高斯核的FWHM 为6 mm)、去线性漂移、时域滤波(0.01∼0.08 Hz 带通滤波)、获得个体特性RSN 后进行空间标准化(体素大小设置为3 mm×3 mm×3 mm).分析软件主要包括MATLAB、Spm、DPRASF、FSL 等.在数据预处理后,放弃了2 名因头动过大患者的数据和1 名无ADHD 量表分的患者的数据,最终获得的群组人口学特征统计如表1.

表1 ADHD 组人口统计学特性Table 1 Demographic of the ADHD group

2 基于DTSSR 的ADHD-RSN 检测方法

2.1 方法框图

所提方法包括基于DTSSR 的静息态fMRI 数据分析、ADHD-RSN 检测两个大模块(图1).在第1 个模块中,经个体BOLD 信号的稀疏表示、BFN的稀疏表示之后,获得了组RSN 及耦合参数矩阵;在第2 个模块中,由耦合参数计算获得了组RSN在个体上的活跃度指标、再由脑网络活跃度指标与ADHD 量表分值的Spearman 相关分析、相关系数显著性检验,最终获得ADHD-RSN.下面将对各模块流程进行详细阐述.

2.2 基于DTSSR 的静息态fMRI 数据分析

2.2.1 个体BOLD 信号的稀疏表示

设sx为体素x上经过预处理后的BOLD 信号,由BOLD 信号为多个源成分线性和稀疏组合的假设[23−24,28−29],sx可以表示为

其中,D=[d1,d2,···,dk1]∈Rt×k1表示预设源成分数为k1的字典矩阵;t为时间点数;ax与ex分别代表源成分系数与噪声.为获得sx最优的稀疏分解,sx的价值损失函数(sx,D)定义为

其中,λ1为惩罚参数,用于调整回归残余项与稀疏项的比例.价值损失函数(sx,D)越小表示字典D在稀疏条件下越能较优地表示体素的BOLD 信号sx.对于字典矩阵的列向量d1,d2,···,dk中可能出现的任意极大值,将采用式(3)进行抑制.

图1 基于DTSSR 的ADHD-RSN 的检测方法整体框图Fig.1 The framework for detecting adult ADHD-RSN using DTSSR

对于有n个体素的个体大脑,其BOLD 信号矩阵为S=[s1,s2,···,sx,···,sn]∈Rt×n.根据式(1),个体全脑体素BOLD 信号矩阵S的稀疏表示模型为

其中,A=[a1,a2,···,an]∈Rk1×n为字典中源成分的系数矩阵;E=[e1,e2,···,en]∈Rt×n是噪声矩阵.为获得S的最优稀疏分解,定义S的经验价值函数为n个体素价值损失函数的平均值,表达式为

对源成分字典D而言,经验价值函数fn(D)的最优化是非凸的,为此,需将S的最优稀疏分解转化式(6)中D和A两个变量的联合优化问题,即当其中一个变量固定不变时,对另一个变量寻求最优

由于在线字典学习算法在处理大数据时具有优越性能[11,24,28−29],本文采用该算法解决式(6)的优化问题.

总之,通过对个体全脑体素的BOLD 信号矩阵S的最优稀疏表示,可获得一个源成分字典矩阵D和一个系数矩阵A(如图2 所示).这里字典矩阵D的每一列表示体素BOLD 信号的一个源成分,而系数矩阵的每一行表示同一源成分的系数,按体素索引映射回个体脑空间后作为一个BFN[11,24,28−29].

2.2.2 脑功能网络的稀疏表示

采用上一节方法,从静息态fMRI 数据集中提取了数千个BFN,这些网络具有较大的差异性.如果没有任何时域或空域的先验知识,很难从数千个个体BFN 中找出具有群组一致的BFN.根据最近的脑科学研究成果[30],一个BFN 可以被合理地假设为多个组RSN 与一个噪声网络的耦合,这种耦合机制可以简化为一个线性组合模型来描述[25]

其中,gy为第y个BFN,I=[i1,i2,···,ik2]∈Rp×k2是一个群组RSN 字典矩阵;k2为预设的群组RSN数;by=[by1,by2,···,byk2]T∈Rk2是RSN 的耦合参数,其绝对值大于或等于0 (0 表示相应的RSN与gy无关);εy为噪声网络.所有个体的BFN 经空间标准化后,按体素索引转化为一组列向量,组成了一个群组脑网络矩阵G=[g1,g2,···,gy,···,gq]∈Rp×q,其中p为空间标准化后的脑体素数,q=L ×k1为获得的BFN 总数,L为群组中的个体数.根据式(7),BFN 矩阵G可表示为

其中,耦合参数矩阵B为[b1,b2,···,by···,bq]∈Rk2×q,噪声脑网络矩阵E为[ε1,ε2,···,εy···,εq]∈Rp×q.为了在耦合参数大于或等于0 情况下获得gy的最优稀疏分解I和B,将gy的价值损失函数(gy,I)、抑制条件集合及目标函数分别定义为

采用在线字典学习算法的稀疏表示,可将BFN矩阵G分解为最优的群组RSN 矩阵I及相应的耦合参数矩阵B.将I的每一列按体素索引映射回标准脑空间,获得组RSN (如图3 所示).

2.2.3 稀疏表示参数设置

字典尺寸和稀疏抑制水平是稀疏表示的两个重要参数,采用稀疏表示分析个体fMRI 数据的BOLD 信号时,根据文献[24,29,31],稀疏抑制水平λ1和字典尺寸k1分别设置为0.15 和250;采用稀疏表示分析组BFN 时,稀疏抑制水平λ2和字典尺寸k2的设定并没有一个黄金准则,根据文献[25]的方法以及在实验数据上的测试结果(脑网络空间分布是否有意义),将稀疏抑制水平λ2和字典尺寸k2的初始值设置为0.2 和20.最终从组fMRI 数据集中获得的20 个组RSN,编号为RSN#1,RSN#2,···,RSN#20.

图2 个体全脑BOLD 信号的稀疏表示Fig.2 Sparse representation for whole-brain BOLD signals

图3 功能脑网络的稀疏表示Fig.3 Sparse representation for brain functional networks

2.3 ADHD 相关静息态脑网络的检测

采用DTSSR 对经过预处理的fMRI 数据进行分析后,获得了个体BFN (标号为1,2,···,k1)、组RSN (标号为1,2,···,k2)及相应的耦合参数.对于同一个组RSN,在不同的个体BFN 中具有不同的耦合参数,由耦合参数(稀疏表示系数)在稀疏表示中的意义可知,耦合参数绝对值越大表示组RSN在相应的个体BFN 中的“能量”越大,意味着该组RSN 在相应的BFN 中比较活跃.由于个体的差异性,同一组RSN 可能随机活跃在个体不同标号、不同数量的BFN 中.为此,本文提出将组RSN 在个体BFN 上的耦合参数均值池化作为一个指标来描述组RSN 在个体上的活跃特性.在Zubair 等[32]的研究中将音频信号经过稀疏表示后,也采用了将稀疏表示系数均值池化作为音频信号的特征指标,随后输入支持向量机对音频信号进行分类,取得了较高的分类结果.类似的池化稀疏系数的方法在一些正交匹配追踪、软阈值编码研究中也有应用[33−34].基于上述原因,本文将耦合参数的绝对值均值池化作为衡量组RSN 在个体大脑中的活跃度指标,其中耦合参数均值池化计算如下:

其中,RSN-A为RSN 的活跃度指标,l表示个体标号,m表示组RSN 标号.通过采用网络活跃度指标RSNA检测ADHD-RSN 方法示例如图4:首先将组静息态网络RSN#1 的耦合参数(耦合参数矩阵的第1 行)按个体均值池化,获得RSN#1 的活跃度指标向量RSN-A1,-随后计算RSN--A1与ADHD 量表分值的Spearman 等级相关系数,并对相关系数作显著性检验(H0:相关系数为0),最终由计算的P-value检测出ADHDRSN.

2.4 脑网络空间相关性的量化比较

为评估不同脑网络zu和zv在空间分布上是否相关,本文采用空间相关系数[25]来作为两个脑网络的量化评估指标,空间相关系数ruv定义为

图4 通过耦合参数识别ADHD-RSN 示例图(RSN#1 为例)Fig.4 Illustration of identifying ADHD-RSN by use of coupling parameters (RSN#1 as the example)

3 结果与分析

3.1 群组RSN 提取结果与分析

图5 为采用DTSSR 从ADHD 静息态fMRI 数据中提取的20 个组RSN 的空间分布图(“激活”体素的推断由FSL 的工具包MELODIC 完成).可以明显看出,正常人组中常见的RSN[36−37],在ADHD组结果中有相对应的相似网络,这些网络包括:三个视觉信息处理相关网络(RSN#7,RSN#17 和RSN#19)、听觉信息处理网络(RSN#5)、运动感知网络(RSN#8)、背侧注意网络(RSN#6)、执行控制网络(RSN#11)、默认网络(RSN#4)、小脑网络(RSN#18)及与高级认知相关的左右额顶网络(RSN#3 和RSN#12).将ADHD 数据上提取的RSN 与文献[36−37]中正常人组的RSN 对比,可以发现,这些常见RSN 在ADHD 中并没有缺失.

图5 采用DTSSR 从ADHD 组fMRI 数据集中提取组RSN (“激活”体素采用MELODIC 推断获得)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 节脑网络空间相关的量化分析方法,将文献[37]中正常人组的RSN 与对应的相似网络(RSN#7,RSN#17,RSN#19,RSN#4,RSN#18,RSN#8,RSN#5,RSN#11,RSN#3 和RSN#12)进行了脑网络空间相关的量化分析,获得的相关系数分别为0.85,0.74,0.66,0.79,0.58,0.60,0.71,0.59,0.64,0.68.这些从高维(数万个体素)的脑网络上获得的空间相关系数,即使是最小值0.58 (小脑网络RSN#18),网络的“激活”体素在空间分布上也展现了较高的相似性(如图6).而且,在文献[37]中的相似脑网络对(都来自于正常人组),空间相关系数最小值为0.25,相比而言,0.58 这个值也是令人满意的.另外,对这些相关系数进行显著性检验(H0:相关系数为0)和Bonferroni 校正后,所获得的P-value均小于10−5.上述这些都表明,正常人组RSN 与ADHD 组对应的RSN 具有较高相关性系数和显著的相关性,“激活”体素的空间分布上也显示了高度的相似性.

通过ADHD 数据上提取的RSN 与正常人组常见RSN 在空间分布上的视觉对比和量化评估后发现:一些常见的RSN 在ADHD 组上都能找出相应的RSN;这些对应的RSN 之间具有较高的相关性系数和显著相关性,“激活”体素的空间分布上展现出了高度的相似性.因此,难以从空间分布上检测出ADHD-RSN.

3.2 ADHD 相关RSN 检测结果与分析

表2 给出了ADHD 量表分以及采用本文方法得出的组RSN 在个体上的活跃度指标值(k2=20,λ2=0.2)、指标值与ADHD 量表分的Spearman 等级相关系数、P-value、FDR (False discovery rate)校正、ADHD 相关网络的结果.从相关系数来看,RSN#6 (背侧注意网络,空间分布如图7(a)所示)及RSN#11 (执行控制网络,空间分布如图7(b)所示)的活跃度指标与ADHD-RS 分值相关系数较高,分别为0.56 及0.57,这两相关系数的显著性检验(H0:相关系数为0)的P-value均小于0.01.更进一步,本文采用常用的FDR 方法对P-value进行了校正,结果如表2 所示.从表中可以看出,与其他18 个RSN 相比,RSN#6 及RSN#11 校正后的Pvalue仍为最低(0.06),即拒绝原假设为真,出错的概率为6%.虽然该数值与统计上常设的显著性水平0.05 (拒绝原假设为真,出错的概率为5%)相比,略显偏大,但是,由于获得的脑网络之间相关等原因,不同脑网络之间的活跃度指标有较强的相关性(最高值为0.83),这可能导致FDR 校正值偏大[38].因此,本文认为RSN#6、RSN#11 与ADHD 量表分值之间仍具有显著相关性.

此外,采用本文方法检测出的RSN#6 和RSN#11 的两个网络从脑科学角度能有合理的解释,所涉及的脑区,在很多前期的研究中都能找出相应的支持依据.检测出的RSN#6 (背侧注意网络)涉及到顶上回、枕中回、中央后回、颞中回、额中回、缘上回、颞中回、颞极等脑区,主要提供自上而下的注意控制机制.在执行持续的任务期间,背侧注意网络的持续活动会使大脑处于一种高度专注的高效率状态,以保证任务的完成[39].部分学者在前期研究中也检测出ADHD 背侧注意网络及相关脑区有异常,与本文结论一致.例如,Sokunbi 等[40]发现了ADHD 患者在颞中回,额中回,中央后回等脑区与ADHD 症状分值有显著的负相关;Schneider等[41]发现ADHD 患者的背侧注意网络的顶叶脑区有异常,而这部分脑区在背侧注意网络中有重要作用[42].

本文检测出的RSN#11 网络称为执行控制网络或中央控制网络,主要脑区包括:内则和旁扣带回、脑岛、背外侧额上回、缘上回、中央前回等,该网络涉及到认知、行为抑制、情绪等脑功能[37].执行控制网络多次出现在一些前期ADHD 研究的结果中[43−44],而执行控制网络的前扣带回,也频繁地出现在一些ADHD 研究的结果中,如Wang 等[6]报道了前扣带回和小脑的连接在成人ADHD 中表现出增强的功能连接;Francx 等[45]在对儿童和青少年ADHD 研究中也发现前扣带回连接强度与ADHD 症状相关.

图6 小脑网络的空间分布图(“激活”体素采用MELODIC 推断获得)((a)正常人组的小脑网络[37];(b)采用DTSSR 提取出ADHD 组的小脑网络(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 组量表分、脑网络活跃程度指标、相关系数、P-value 及ADHD-RSN 检测结果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 可能具有广泛神经紊乱的特性,与传统的基于脑区或脑区间功能连接的研究方法相比,本文方法从大尺度网络对ADHD 进行分析,更能描述ADHD 神经紊乱特性.

3.3 不同字典尺寸下ADHD 相关RSN 检测结果

图7 ADHDRSN 空间分布图(“激活”体素采用MELODIC 推断)((a)背侧注意网络(RSN#6);(b)执行控制网络(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],相对于稀疏抑制水平,字典尺寸对脑网络的提取结果影响更大.为探讨不同字典尺寸k2对检测结果的影响,首先将稀疏抑制水平λ2固定设置为0.2,字典尺寸k2从20 开始以步长为40 依次增大至180,检测出了共5 个字典尺寸下相应的ADHD RSN;随后以k2为20 时获得的组RSN 为模板网络(20 个模板网络),采用第2.4 节的方法,计算每一个字典尺寸下检测出的ADHD RSN 与模板网络的空间相关系数,以确定检测出的ADHD RSN 与模板网络的关系.图8(a)为模板网络的背侧注意网络RSN#6,图8(b)∼8(e)为在字典尺寸60∼180 时,通过计算获得的与RSN#6 空间相关的ADHD RSN.可以明显看出,在不同字典尺寸下,获得的这些ADHD-RSN 在空间分布上高度隶属于RSN#6.

表3 给出了字典尺寸k2=60∼300时与各模板网络空间相关的ADHD-RSN的统计结果.从表中可以看出,本文方法在7 个不同的字典尺寸时检测出的ADHD-RSN,都有与模板网络背侧注意网络(RSN#6)和执行控网络(RSN#11)空间相关的子网络.这表明,采用本文方法和指标获得的结果,在不同字典尺寸下具有较高的稳定性.

4 结束语

本文采用时空双稀疏表示方法(DTSSR),从ADHD 的静息态fMRI 数据中提取出群组静息态网络,在此基础上,提出了一种新颖的脑网络活跃度指标RSN-A;采用该指标,从大尺度脑网络角度探讨成人ADHD 潜在的神经机制,主要结论和发现有:

1)一些正常人组上常见的RSN,在采用DTSSR 从ADHD 组静息态fMRI 数据获得的RSN 中,并不缺失,且两者相对应的RSN 之间具有显著相关性,在空间分布上也具有高度相似性.

2)将脑网络活跃度指标与ADHD 量表分进行Spearman 相关性分析,结果表明,背侧注意网络和执行控制网络与ADHD 显著相关.这个结果从脑科学角度有合理的解释,在前期的研究中也能找到相应的支持依据.

3)采用本文所提方法和指标获得的背侧注意网络和执行控制网络,在不同字典尺寸下具有较高的稳定性.

表3 不同字典尺寸下与各模板网络空间相关的ADHD-RSN 统计Table 3 The count of the ADHD RSN with each template in different dictionary sizes

4)本文所提方法属于数据驱动的分析方法,与传统方法相比,本方法不需要先验知识(例如,感兴趣脑网络、空域静息态脑网络模板、种子点等).

需要指出的是,ADHD 是一种复杂的混合型精神障碍,其潜在神经机制较为复杂,本文研究中没有对ADHD 亚型患者进行区分,这将是我们下一步的研究重点.

图8 不同字典尺寸下与背侧注意网络空间相关的ADHD-RSNFig.8 The detected ADHDRSNs is correlated to dorsal attention network in different dictionary sizes