脑网络中不同负连接处理方法的重测信度研究

薛家玥，姚 蓉，牛 焱，陈则慈，相 洁

太原理工大学 信息与计算机学院，太原030600

1 引言

人脑是一个极其复杂的系统，可表征为一个由不同功能区域连接而成的功能网络[1]。近些年来，静息态功能磁共振成像（rs-fMRI）和图论方法已经成为研究人脑

结构的有力工具[2-4]。许多研究表明，人脑的功能网络会受到精神类疾病[5-6]、年龄[7-8]、性别[9]、智力[10]以及基因[11]等因素的影响。因此，探索功能网络的内在机制和体系结构可以为深入了解人脑的结构和功能提供有价值的见解。

基于图论的方法，人脑可以被建模为一个由一组节点和边缘组成的复杂网络[12]。近年来，复杂网络的构建方法[13-17]层出不穷，并在许多与脑功能障碍相关的临床诊断方面得到应用，如老年痴呆症、精神分裂症、儿童多动症等[18-20]。此外，大多数研究采用线性或非线性的相关分析方法来构建人脑功能网络[21-24]，如斯皮尔曼（Spearman）相关、肯德尔（Kendall）相关、皮尔逊（Pearson）相关、偏相关、希尔伯特黄（Hilbert-Huang）变换、最大信息系数（MIC）等，但上述研究在功能连接分析中总会引入负相关连接[25-26]。与正相关相比，血氧水平依赖（BOLD）信号的负相关研究还为之甚少，且负相关连接的存在会直接影响到脑功能网络的拓扑结构[27]。

目前，脑功能网络中的负相关仍未得到很好的表征，并且研究人员对负相关连接的处理方法仍存在很大分歧。Tian 等人[28]评估了在不同“任务背景”下同一被试每个大脑区域的负相关图以及不同被试的负相关图，发现运动和视觉皮层的负相关图在不同的任务背景或不同的被试组之间存在很大差异，而听觉皮层的负相关图则表现相近。于洪丽等人[29]对脑网络连接中的正相关、负相关分别进行了二值化分析，研究发现不同状态下的相关系数矩阵分布具有相似性，距离越近相关系数越大，距离越远相关系数越小，且距离较远的脑区之间的相关系数出现负值，即负相关。值得注意的是，Chen等人[30]发现负功能连接与脑网络的最短路径长度显著相关，而Parente等人[31]却发现正相关网络表现出比负相关网络更高的网络拓扑属性值。此外，Shehzad 等人[32]发现与正相关网络相比，加入负相关后脑功能网络会表现出更高的可靠性，而Wang 等人[33]却发现在脑网络中加入负功能连接会降低全局网络属性的可靠性。

综上所述，针对现有研究方法中对负相关连接理解不一致、结论不统一的现状，本文首次基于四种节点定义策略和两种负连接处理方法，分别用两组公共数据集NYU-CSC 和IPCAS_1 来构建脑功能网络，并进行不同稀疏阈值下的网络拓扑结构分析，通过计算不同时间间隔的重测信度，期望找到可靠性高的属性来评估功能网络拓扑结构的差异。本研究发现负连接的不同处理方法会影响到脑功能网络的拓扑结构，这不仅为负连接在脑功能网络拓扑配置中的角色提供了一个新的认识，而且也为负相关的研究提供了一个新的视角。

2 数据与方法

2.1 数据采集与预处理

本实验采用的数据来自于两组公共数据集NYUCSC（New York University，Child Study Center，http：//www.nitrc.org/projects/nyu_trt）和IPCAS_1（Institute of Psychology，Chinese Academy of Sciences，http：//dx.doi.org/10.15387/fcp_indi.corr.ipcas1）。第一组数据集共有25 名健康被试，其中男性9 名，女性16 名，平均年龄30.7±8.8岁。第二组数据集共有29名健康被试，其中男性9名，女性20名，平均年龄20.93±1.72岁。

数据采集过程当中，所有被试均被要求保持放松并躺在Siemens Allegra 3.0-Tesla扫描仪中。第一组fMRI数据扫描参数：TR=2 000 ms；TE=25 ms；FA=90°；FOV=192 mm；扫描层数39层，体素大小=(3×3×3)mm3。结构MRI数据扫描参数：TR=2 500 ms；TE=4.35 ms；FA=8°；FOV=256 mm；反转时间900 ms；扫描层数176层。每个被试均采取了三次静息态扫描成像，其中第二次扫描和第三次扫描的扫描间隔为45 min，它们与第一次扫描的扫描间隔为5～16个月（平均11±4个月）。

第二组fMRI数据扫描参数：TR=2 500 ms；TE=30 ms；FA=90°；FOV=256 mm；扫描层数32 层，体素大小=(3×3×3)mm3。结构MRI数据扫描参数：TR=2 530 ms；TE=2.51 ms；FA=7°；FOV=256 mm；反转时间1 100 ms；扫描层数128层。每个被试均采取了三次静息态扫描成像，其中第一次扫描和第二次扫描的平均扫描间隔为29 min，它们与第三次扫描的平均扫描间隔为5～24天。

本实验采用Statistical Parametric Mapping software（SPM8）和Data Processing Assistant for Resting-State fMRI（DPARSF）工具，并在Matlab2014a 上对图像进行预处理。预处理流程为：去除所有fMRI图像的前10个时间点；时间层校正；头动矫正；使用Montreal Neurological Institute（MNI）模板进行空间标准化；使用6 mm半高全宽（MFWH）高斯核对标准化的图像进行平滑；滤波（0.01～0.1 Hz）。

2.2 节点定义

网络由节点和节点之间的边所构成。为了研究不同节点定义策略对网络重测信度的潜在影响，实验采用了四种脑图谱来构建脑功能网络（图1）。脑节点的划分方法主要分为结构性划分和功能性划分。

Automated Anatomical Labeling（AAL）为一种基于结构性划分的脑图谱，定义了90 个解剖大脑区域[34]。另一种基于结构性划分的脑图谱Brainnetome（BN）是一个细粒度并进行了交叉验证的脑图谱，它包含了解剖和功能连接的信息，由210个皮层区和36个皮层下亚区组成[35]。基于功能性划分脑图谱有POWER 和HCP。POWER 由一组264 个假定的功能节点组成，这些节点被建模为直径为10 mm的球，它们跨越大脑皮层和皮层下的结构[36]。HCP为一种基于皮层区域划分的脑图谱，有180个不同的区域对称地排列在两个脑半球之间，共划分为360个脑区域[37]。

2.3 边定义与网络阈值化

图1 网络构建流程图

在节点定义之后，从预处理后的图像中提取每个节点的平均时间序列，对平均时间序列进行皮尔逊相关计算。通常情况下，脑网络的构建具有明确的稀疏性，这是因为稀疏阈值保证了所有生成的网络都具有相同的边数，为网络结构的拓扑分析提供了基础。因此，本实验选择等间隔稀疏阈值范围，其范围从0.05到0.5，间隔为0.05。

为了考虑负连接对网络产生的影响，根据网络中对负连接处理方法的不同，本实验将脑网络划分为正相关网络（positive network）和绝对值网络（absolute network）。其中，正相关网络仅选取所有的正连接，即将负相关系数置为0，而绝对值网络则选取所有的连接并取相关系数的绝对值。最后，基于所选连接构建加权网络，在给定阈值下所存在的边被赋值为相关系数，不存在的连接则均被赋值为0。

2.4 网络属性计算

实验分析了两组网络拓扑属性。全局网络属性：小世界特性（聚类系数Cp、特征路径长度Lp、标准化的聚类系数γ、标准化的特征路径长度λ 和小世界σ）、网络效率（局部效率Eloc和全局效率Eg）、同配性r 、层次结构β、同步性S、模块化Q 和模块数量NM；局部节点属性：介数中心度bi、节点度ki和节点效率ei。

2.5 重测信度

类内相关系数（Intra-Class Correlation，ICC）能定量表征两次或多次测量间的一致性，常用来反映图论属性的重测信度。与先前的脑功能网络研究一致[38-40]，为了考虑两次测量中的所有变异因素，本实验选用ICC(2,1)来评估两次测量间的绝对一致性。其计算公式如下：

其中，MSλ为被试间均方，MSε为剩余均方，MSπ为扫描间均方，n 为被试的数量，k 为每个被试重复测量的次数。 ICC 值接近1 表示两次扫描完全一致，而ICC值接近0（或为负值）则表示两次扫描不一致。为了分析扫描时间间隔对脑功能网络拓扑结构的影响，将第二次与第三次扫描之间重测信度定义为短期（short-term）重测信度，第一次与第三次扫描之间重测信度定义为长期（long-term）重测信度，并且所有的负值均被取值为0。

3 结果与分析

3.1 全局网络分析

如图2 所示为基于所有稀疏阈值下的12 组全局网络属性ICC 值。

从图中可以看出，使用四组不同脑图谱计算的Cp,Lp,Eloc,Eg均体现出较高的可靠性(mean ICC ＞0.6)，这表明小世界特性和网络效率能很好地表征脑功能网络的拓扑结构。此外，r 在AAL和BN上体现出更高的可靠性，β,S,Q 和NM的长期重测信度普遍低于短期重测信度，说明不同的节点定义策略和扫描间隔也会影响脑功能网络的稳定性。值得注意的是，图2中绝对值与正相关网络之间的差异并不明显，因此基于4组可靠性较高的全局网络属性(Cp,Lp,Eloc,Eg)，分析了绝对值网络与正相关网络的差异性。

为了提供与稀疏阈值无关的可靠性评估，实验基于稀疏阈值的曲线下面积（AUC）做了进一步统计学分析。图3 为绝对值网络与正相关网络在两组数据中的配对样本t 检验结果。结果显示，绝对值网络与正相关网络在全局网络属性(Cp,Lp,Eloc,Eg)中均体现出不同程度的t 检验差异。具体来说，在长期扫描过程当中，仅基于AAL 脑图谱的绝对值与正相关网络无显著性差异（NYU CSC：t=-1.636 75,p=0.388 ；IPCAS_1：t=0.871 25,p=0.582）；除Cp外，基于BN、POWER 和HCP脑图谱的绝对值网络ICC 值均低于正相关网络ICC值，且在Eg中差异最为显著（NYU CSC：BN：t=-2.336,

图2 全局网络属性ICC 值

图3 绝对值与正相关网络差异图(*:p ＜0.05;**:p ＜0.01;***:p ＜0.001)（NYU-CSC为第一组数据，IPCAS_1为第二组数据）

p=0.047；POWER：t=-5.395,p ＜0.001；HCP：t=-5.56,p ＜0.001；IPCAS_1：BN：t=-4.791,p ＜0.001；POWER：t=-4.576,p ＜0.001；HCP：t=-3.137,p=0.002）。在短期扫描过程当中，除基于BN脑图谱的Lp外，绝对值网络ICC 值均高于正相关网络ICC 值，且差异显著。

这与此前的研究发现一致[32-33]。然而，Parente 等人[31]虽然发现了正相关网络中的网络拓扑属性优于负相关网络，但研究并未发现负相关对正相关网络以及其可靠性的影响，且实验结果仅基于AAL脑图谱，尚不可轻易推广到其他节点定义策略。此外，龙雨涵等人[21]基于AAL脑图谱构建了正常人的fMRI绝对值网络，分析比较了三种相关分析方法的优劣性，Yu等人[41]利用图索引复杂度（GIC）方法构建了阿尔兹海默症患者和正常对照组的EEG 二值化网络，发现正常对照组网络拓扑属性优于阿尔兹海默症患者。值得注意的是，这些研究均基于单一的节点和边缘处理方法去评估正常人以及精神类疾病患者的网络拓扑结构，实验结果不仅具有随机性，还具有不可靠性。本实验结果表明，相比于短期扫描，长期扫描可能导致脑功能网络中出现更多的负连接，从而使绝对值网络的功能拓扑结构发生变化而表现出较低的长期可靠性，也进一步说明负连接在脑功能网络的拓扑分析中至关重要。此外，4组全局网络属性在BN、POWER 和HCP 脑图谱中表现出更高的可靠性，这可能是由于AAL脑图谱主要取决于结构像的解剖学特征，且与其他3 组脑图谱相比划分方法较为粗略，从而导致构建的脑功能网络可靠性较低。

3.2 局部节点分析

基于全局网络分析，实验进一步计算了局部节点尺度上的拓扑结构可靠性。对于局部节点属性，节点效率在绝对值与正相关网络中存在更为显著的差异和更优的可靠性。如图4所示，实验将ICC 划分为3组不同的水平区间，其中ICC ≤0.4 表示可靠性低，0.4 ＜ICC ≤0.6 表示可靠性中等，ICC ＞0.6 表示可靠性高。结果显示，节点效率的短期可靠性在绝对值网络（mean ICC=0.564 8）中高于正相关网络（mean ICC=0.462 5），相反长期可靠性在绝对值网络（mean ICC=0.474 6）中低于正相关网络（mean ICC=0.522 4）。此外，绝对值网络短期重测信度普遍高于长期重测信度，这与全局网络分析结果一致。

图4 节点效率ICC 值

图5 节点效率ICC 值比率图

从节点效率可靠性的分布情况来看，绝对值和正相关网络均具有高可靠性(ICC ＞0.6)的节点主要分布在体感与运动网络（中央沟盖、补充运动区、颞横回和颞上回）和视觉网络（距状裂周围皮层、舌回和枕中回）中。这表明受试者在静息状态下可能存在较少的外界刺激，从而导致部分体感与运动网络和视觉网络具有较少的信息传递并表现出较高的可靠性。此外，仅在绝对值网络中具有高可靠性的节点主要分布在体感和运动网络（中央前回、脑岛、内侧和旁扣带脑回、缘上回和中央旁小叶）、视觉网络（枕下回和梭状回）、皮层下网络（杏仁核）和默认模式网络（眶部额下回、海马、海马旁回、颞中回和颞下回）中。值得注意的是，默认模式网络是人类大脑认知功能所依赖的主要功能系统。当个体不受外部环境干扰时，默认模式网络就会优先活跃，且脑区间的信息传递较为简单。这就解释了与正相关网络相比，包含负连接的绝对值网络可能会更加可靠地评估脑功能网络的信息传递效率，从而在默认模式网络中体现出高的可靠性。

为了更加清楚地反映绝对值和正相关对脑功能网络拓扑结构的影响，计算了节点效率可靠性范围的百分比（如图5）。结果显示，基于AAL 和BN 脑图谱的绝对值网络有超过一半的节点短期可靠性高（ICC ＞0.6，AAL：71.1%；BN：56%），而在正相关网络中可靠性高的节点数却不足一半。

4 结束语

本文采用不同的节点定义策略和负连接处理方法，对不同时间间隔下的脑功能网络进行了可靠性评估。通过实验发现小世界特性和效率表现出相对较高的可靠性；由于负连接的影响，绝对值网络的全局网络和局部节点属性均表现出较低的长期可靠性；此外，不同的节点定义策略和扫描时间间隔可能对脑功能网络的可靠性评估产生影响。实验表明在构建脑功能网络时，长期扫描可能会产生额外的负连接，并导致网络的重测信度降低，这也意味着不能只通过正连接去评估脑功能网络的拓扑结构，必须考虑负连接对网络的影响。实验结果证明了不同的负连接处理方法可能会影响到拓扑结构的分析与评判，为rs-fMRI的脑网络研究提供了方法学基础。