分享:
分享到微信朋友圈
X
临床研究
进展型及稳定型轻度认知障碍的动态功能连接对比分析
乔真 袁磊磊 赵晓斌 王凯 张姝 李晓桐 陈谦 艾林

Cite this article as: Qiao Z, Yuan LL, Zhao XB, et al. Dynamic functional connectivity analysis of stable and progressive mild cognitive impairment[J]. Chin J Magn Reson Imaging, 2022, 13(8): 1-6.本文引用格式:乔真, 袁磊磊, 赵晓斌, 等. 进展型及稳定型轻度认知障碍的动态功能连接对比分析[J]. 磁共振成像, 2022, 13(8): 1-6. DOI:10.12015/issn.1674-8034.2022.08.001.


[摘要] 目的 本研究通过对轻度认知障碍(mild cognitive impairment, MCI)患者的静息态功能磁共振成像(resting-state functional magnetic resonance imaging, rs-fMRI)进行动态功能连接分析,以评估进展型MCI及稳定型MCI的功能连接变化特征及差异。材料和方法 本研究数据均来源于阿尔茨海默病神经影像学计划(Alzheimer's Disease Neuroimaging Initiative, ADNI)数据库。检索MCI患者并根据其随访结果筛选进展型MCI患者入组,并选择性别年龄匹配的稳定型MCI患者作为对照组。基于独立成分分析(independent component analysis, ICA)对rs-fMRI进行处理提取并筛选感兴趣的独立成分(independent component, IC)。利用滑动时间窗法进行动态功能连接分析,应用k-means聚类及elbow方法将动态功能连接矩阵划分为具有代表性的动态功能连接状态,分析两组间动态功能连接状态的变化,并比较功能连接特征参数(各状态的时间比例、驻留时间及各状态间的转换次数)的差异。结果 最终23名进展型MCI及26名稳定型MCI患者纳入本研究。一系列动态功能连接矩阵被划分为4种动态功能连接状态:弱连接状态a,局部强连接状态,弱连接状态b及正相关强连接状态。与稳定型MCI组比较,进展型MCI组处于局部强连接状态的时间比例减少、驻留时间缩短(P=0.049,P=0.049),而处于弱连接状态b的时间比例增加、驻留时间延长(P=0.045,P=0.033)。结论 与稳定型MCI患者比较,进展型MCI患者具有局部强连接状态减少而弱连接状态增多的特点。动态功能连接能够客观反映进展型MCI及稳定型MCI的大脑功能变化,对于鉴别进展型及稳定型MCI具有一定价值。
[Abstract] Objective In this study, resting-state functional magnetic resonance imaging (rs-fMRI) in patients with mild cognitive impairment (MCI) was analyzed using the dynamic functional connection (dFC) to evaluate the characteristics and differences of functional connectivity changes in patients with progressive and stable MCI.Materials and Methods The data in this study were derived from the Alzheimer's disease neuroimaging initiative (ADNI) database. Patients with MCI were retrieved and patients with progressive MCI were screened according to the follow-up results, and patients with stable MCI with matched gender and age were selected as the control group. Based on independent component analysis (ICA), rs-fMRI was processed and independent components (IC) of interest were extracted. The dFC analysis was performed by sliding time window method, and k-means clustering and elbow method were used to divide dFC matrix into several representative dFC states. The changes of dFC states were compared between progressive and stable MCI groups, and dFC feature parameters (fraction time and dwell time for each state, and the times of transition between states) were compared between the two groups.Results Twenty-three patients with progressive MCI and twenty-six patients with stable MCI were included in this study. A series of real-time dFC matrix were divided into four kinds of dFC states: sparse connection state-a, strong local connection state, sparse connection state-b and strong positive-connection state. Compared with the stable MCI group, fraction time and dwell time in strong local connection state decreased significantly in patients with progressive MCI (P=0.049, P=0.049), fraction time and dwell time in sparse connection state-b increased significantly in patients with progressive MCI (P=0.045, P=0.033).Conclusions Compared with the stable MCI, patients with progressive MCI showed a characteristic of increasing strong local connection state and decreasing sparse connection state. The rs-fMRI-based dFC analysis can objectively reflect the changes of brain function in patients with progressive and stable MCI, and may be helpful in differential diagnosis of progressive MCI from stable MCI.
[关键词] 进展型轻度认知障碍;稳定型轻度认知障碍;静息态功能磁共振成像;动态功能连接;独立成分分析
[Keywords] progressive mild cognitive impairment;stable mild cognitive impairment;resting-state functional magnetic resonance imaging;dynamic functional connection;independent component analysis

乔真    袁磊磊    赵晓斌    王凯    张姝    李晓桐    陈谦    艾林 *  

首都医科大学附属北京天坛医院核医学科,北京 100070

艾林,E-mail:ailin@bjtth.org

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 北京市自然科学基金 7192054
收稿日期:2022-04-06
接受日期:2022-08-04
中图分类号:R445.2  R749.1 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.08.001
本文引用格式:乔真, 袁磊磊, 赵晓斌, 等. 进展型及稳定型轻度认知障碍的动态功能连接对比分析[J]. 磁共振成像, 2022, 13(8): 1-6. DOI:10.12015/issn.1674-8034.2022.08.001

       阿尔茨海默病(Alzheimer disease, AD)[1]是一种最常见的痴呆,其起病隐匿且呈进行性发展,进展至终末阶段,药物治疗无法逆转,因此目前AD的干预重点转向AD前阶段,包括轻度认知障碍(mild cognitive impairment, MCI)阶段[2]。MCI表现为记忆和认知功能轻度损害的一种疾病状态,是一种介于正常老化与痴呆之间的一种状态,而尚未达到痴呆的诊断标准。目前研究普遍认为MCI患者是发展为痴呆的高危人群,但并不是所有MCI都有一致的转归,每年有10%~15%的MCI最终发展为痴呆[3],可称为进展型MCI,另有部分患者可保持当前认知水平不变甚至逆转为正常,为稳定型MCI[3],早期检测或预测出进展为AD的MCI患者并给予有效的药物治疗或采取其他干预手段,或许可以延缓MCI向AD转化的速度,改善AD的预后。因此早期鉴别进展型MCI和稳定型MCI至关重要。

       静息态功能磁共振成像(resting-state fuctional magnetic resonance imaging, rs-fMRI)主要根据神经元兴奋后局部耗氧与血流不一致的原理,通过测量脑血氧依赖水平(blood oxygen level dependency, BOLD)信号间接反映神经元活动,是一种无创的研究人脑功能和结构的有效手段。通过对不同脑区之间的BOLD信号进行相关性分析来测量不同大脑区域之间的功能连接,从而构建脑功能连接网络。已有研究证实AD患者较MCI患者网络连接减低[4, 5],MCI较正常人群也存在网络连接减低[6, 7],但是其变化程度没有AD显著;因此应用rs-fMRI有利于诊断存在高风险认知障碍的MCI个体,以及筛选出潜在的MCI患者[8, 9]

       然而,静态功能连接不足以反映出大脑复杂神经系统的时变特征,动态功能连接[10, 11]可捕捉短时间尺度上的时变连续特征,反映脑复杂功能组织的变化和联系,可用于对大脑的多种功能和疾病进行机制及机理研究,如大脑的认知体制、功能损害或缺失、神经精神疾病的病理机制及临床诊疗应用等。脑动态功能连接变化[12]是AD患者的重要特征,研究表明[13]AD患者的脑功能具有在弱连接状态下驻留时间较长的特点,动态功能连接可能有望成为AD的生物学标志物[14],然而基于rs-fMRI的动态功能连接分析用于筛查进展型MCI的研究鲜有报道。本研究通过对MCI患者的rs-fMRI数据行动态功能连接分析,以评估进展型MCI及稳定型MCI的动态功能连接特征并比较二者的差异,从而探讨动态功能连接分析对鉴别进展型及稳定型MCI患者的价值。

1 材料与方法

1.1 研究对象

       本研究为回顾性研究,所用数据均来自于阿尔茨海默病神经影像学计划(Alzheimer's Disease Neuroimaging Initiative, ADNI)数据库(http://adni.loni.usc.edu)。ADNI数据库创立于2003年,其目的是评估能否通过系列MRI、正电子发射计算机断层显像(positron emission tomography, PET)、各种生物学标记物以及临床神经症状评估等多种手段来监测MCI及早期AD的疾病进展,该数据库的设立符合赫尔辛基宣言,纳入的被试者均已签署知情同意书。于ADNI数据库检索MCI患者,时间截至2021年12月,收集其rs-fMRI及随访数据,根据随访结果筛选出进展型MCI患者入组。进展型MCI组纳入标准为:(1)具有基线rs-fMRI显像;(2)随访进展为痴呆的患者。选择年龄性别匹配的稳定型MCI患者纳入本研究,稳定型MCI入组标准:(1)在随访期间病情无进展;(2)随访时间不小于4年。排除标准:有脑梗、脑病或其他神经精神疾病。最终纳入患者的rs-fMRI显像时间为2011年2月至2016年4月期间。

1.2 影像数据采集

       所有受试者的影像数据及扫描参数的相关信息在ADNI官方网站(http://adni.loni.usc.edu)下载获得。纳入被试者磁共振数据均使用3.0 T飞利浦医学系统扫描,rs-fMRI采用平面回波(echo-plannar imaging, EPI)序列,扫描参数:翻转角80°,TE 30 ms,TR 3000 ms,层厚3.3 mm,矩阵64 mm×64 mm,像素3 mm×3 mm×3 mm,视野220 mm×220 mm,每名患者均采集140个时间点。

1.3 数据处理与分析

       数据预处理基于MATLAB 2021a(MathWorks,美国),使用DPABI工具包(http://rfmri.org/DPABI)对rs-fMRI数据进行预处理,主要步骤:(1)为了保留稳定的信号,去除前10个时间点,保留130帧图像;(2)时间层校正,使每个切片的数据具有相同时间点;(3)头动校正至同一位置,并为后面的图像质量控制提供数据;(4)通过结构MRI(T1WI)行颅骨剥离、配准、分割;(5)评估头部旋转平移(质量控制在任何方向平移不超过3 mm,转动不超过3°);(6)使用EPI模板将所有图像配准到蒙特利尔神经病学研究所(Montreal Neurological Institute, MNI)标准脑空间;对图像进行平滑,平滑参数为全宽半高(full-width of half-maximum, FWHM)值 4 mm;(7)去线性漂移;(8)对脑脊液和脑白质信号进行回归。

       独立成分分析(independent component analysis,ICA)[15]使用GIFT 4.0(group ICA of fMRI toolbox 4.0,https://sourceforge.net/projects/icatb/)工具包完成。应用工具包中的infomax算法进行组水平ICA,并设定独立成分(independent component, IC)数为35。使用icasso算法确保所估计IC的稳定性,然后根据既往文献[16]及工具箱自带的模板选出17个感兴趣的IC并划分成9个脑网络:默认网络(default mode network, DMN)、执行控制网络(executive control network, ECN)、突显网络(salience network, SN)、背侧注意网络(dorsal attention network, DAN),额顶网络(frontoparietal network, FP)、听觉网络(auditory network, AUN)、视觉网络(visual network, VN)、感觉运动网络(sensorimotor network, SMN)及小脑网络(cerebellum network, CBN)(图1)。

       将所选的IC进行动态功能连接分析,设定时间窗为22 TR、步长为1 TR,对各IC进行滑窗操作,计算每个窗口中所有BOLD信号之间的Pearson相关系数,构建一系列动态功能连接矩阵。选择k-means算法对全部动态功能连接矩阵进行聚类,根据elbow方法选择最佳聚类集群数[17],按照该最佳聚类集群数划分具有代表性的动态功能连接状态。根据划分的动态功能连接状态分别提取以下动态特征参数:(1)时间比例(fraction time),表示每种状态占总时间的百分比;(2)驻留时间(dwell time),表示每种状态的持续停留时间;(3)转换次数(number of transition),表示每种状态之间相互转换的总次数。

图1  各功能网络的空间位置示意图。1A:感觉运动网络(IC19);1B:背侧注意网络(IC12);1C:执行控制网络(IC14/29/32);1D:视觉网络(IC2/3/4);1E:听觉网络(IC7/21);1F:小脑网络(IC23);1G:突显网络(IC26);1H:额顶网络(IC10/25);1I:默认网络(IC8/15/19)。
Fig. 1  Spatial distribution of functional network. 1A: Sensorimotor network (IC19);1B: Dorsal attention network (IC12); 1C: Executive control network (IC14/29/32); 1D: Visual network (IC2/3/4); 1E: Auditory network (IC7/21); 1F: Cerebellum network (IC23); 1G: Salience network (IC26); 1H: Frontoparietal network (IC10/25); 1I: Default mode network (IC8/15/19).

1.4 统计学分析

       两组动态功能连接状态经GIFT 4.0软件进行统计学分析,组间比较采用独立样本t检验,需通过FDR多重比较校正。两组间动态功能连接特征参数及临床资料比较使用SPSS 20.0软件包进行统计分析,计数资料采用卡方检验,连续变量进行正态分布检验,正态分布检验应用夏皮洛-威尔克(S-W)检验,符合正态分布的用独立样本t检验,不符合正态分布的两组间比较采用Mann-Whitney U检验,P<0.05为差异有统计学意义。

2 结果

2.1 入组人群一般资料

       数据库中筛选出24例MCI患者行rs-fMRI后随访进展为痴呆,诊断为进展型MCI,其中1例患者在显像后1732天后随访诊断为痴呆,剔除出试验组。最终23名进展型MCI及26名稳定型MCI患者纳入本研究。基本信息见表1。两组间性别比例及年龄差异无统计学意义(P均>0.05)。

表1  研究对象的人口学资料
Tab.1  Demographic data of the subjects

2.2 动态功能连接状态及比较

       根据elbow方法获得最佳聚类集群数目为4,最终将一系列动态功能连接矩阵划分为4种动态功能连接状态:(1)弱连接状态a,占比28%,表现为大部分网络及网络间连接强度较低,其中VN保留强连接;(2)局部强连接状态,占比25%,表现为VN、AUN、SMN、CBN正相关强连接,DMN与视觉听觉网络负相关强连接;(3)弱连接状态b,占比28%,表现为VN、AUN、SMN、CBN正相关弱连接,DMN与VN、AUN负相关弱连接,DMN与ECN负相关中等强度连接;(4)正相关强连接状态,占比20%,表现为大部分网络内和网络间存在较强的正相关连接。结果见图2A2E。两组在四种状态下的功能连接差异均无统计学意义(FDR校正后)。

图2  动态功能连接状态及聚类结果。2A:弱连接状态a;2B:局部强连接状态;2C:弱连接状态b;2D:正相关强连接状态;2E:elbow结果曲线图。DMN:默认网络;ECN:执行控制网络;FP:额顶网络;DAN:背侧注意网络;SN:突显网络;SMN:感觉运动网络;AUN:听觉网络;VN:视觉网络;CBN:小脑网络。
图3  驻留时间与状态的分布图。PMCI:进展型轻度认知障碍;SMCI:稳定型轻度认知障碍。
Fig. 2  Dynamic function connection status and clustering results. 2A: Decreasing connection state-a; 2B: Increasing local connection state; 2C: Decreasing connection state-b; 2D: Increasing positive-connection state; 2E: The elbow results. DMN: default mode network; ECN: executive control network; FP: frontoparietal network; DAN: dorsal attention network; SN: salience network; SMN: sensorimotor network; AUN: auditory network; VN: visual network; CBN: cerebellum network.
Fig. 3  Distribution of dwell time and states. PMCI: progressive mild cognitive impairment; SMCI: stable mild cognitive impairment.

2.3 动态功能连接特征数据比较

       稳定型MCI处于状态(1)~(4)的平均时间比例依次为38.1%、31.7%、12.8%及17.4%,平均驻留时间分别为33.9、23.4、9.9、12.9 s。进展型MCI处于状态(1)~(4)的平均时间比例依次为28.5%、13.0%、38.5%及20.0%,平均驻留时间分别为23.6、10.8、28.4、17.5 s。与稳定型MCI组比较,进展型MCI处于状态(2)的时间比例减少、驻留时间缩短(P=0.049,P=0.049),而处于状态(3)的时间比例增加、驻留时间延长(P=0.045,P=0.033)。结果见图3。两组之间状态转换次数差异无统计学意义。

3 讨论

       本研究通过对MCI患者的rs-fMRI数据进行动态功能连接分析,为评估进展型MCI及稳定型MCI患者的脑功能连接特征及差异提供了一种新的方法,研究发现与稳定型MCI患者比较,进展型MCI患者弱连接状态增多,这与AD的动态功能连接特点类似,为探索进展型MCI向AD转化的功能连接机制提供了一种新的研究思路。

3.1 随访时间的确定

       MCI患者向AD的转化速度各不相同,尽早识别可能在数年迅速进展的进展型MCI患者并采取积极的干预措施,对改善AD的预后至关重要。Steenland等[18]利用ADNI数据建立了一个4年预测模型,预测从认知正常到MCI和从MCI到AD的进展。该研究纳入了MCI被试者424例,经4年随访后150例(35%)转化为AD。参考该文献,本研究纳入稳定型MCI患者时将随访时间设定为4年;本研究纳入进展型MCI患者时,发现有一例患者首次rs-fMRI显像后近5年后才进展为痴呆,为了与稳定型MCI患者进行鉴别,将该患者排除出试验组。

3.2 功能连接特点

       已有研究表明AD患者较正常人群的小世界属性退化,脑网络拓扑结构存在异常[19],全脑功能连接下降[20, 21, 22],区域内及区域间功能连接也出现下降,如颞叶内部及颞叶与丘脑、颞叶与纹状体、额叶与丘脑、枕叶与丘脑等均存在功能连接下降[4,23, 24];此外,在机体代偿作用下,部分区域则存在功能连接增强的趋势。MCI是介于AD与正常人群之间的一种疾病状态,其功能连接强度是否也介于二者之间呢?与MCI患者比较,AD患者存在网络功能连接下降,甚至有研究表明,功能连接与认知功能存在相关性[4, 5]。与正常人群比较,MCI也存在网络连接下降[6, 7],但下降程度较AD减轻。有研究表明[25]与正常人群比较,AD患者的DMN网络内部楔前叶及后扣带回间功能连接强度减低,而MCI与正常人群及AD之间差异无统计学意义;该研究也将MCI分为了稳定型MCI及进展型MCI,稳定型MCI与AD之间连接强度差异具有统计学意义,而与正常对照组之间差异无统计学意义,进展型MCI与AD组及正常人群的功能连接强度差异均无统计学意义,然而该研究纳入样本量较少,稳定型及进展型MCI患者分别为14例及7例。本研究中心对两组MCI患者功能连接进行比较结果显示进展型MCI组与稳定型MCI组之间的全脑功能连接强度无显著差异,网络间功能连接比较结果显示进展型MCI的SMN与DMN之间的功能连接强度较稳定型MCI的SMN与DMN之间功能连接强度减低,然而未能通过FDR校正(该部分结果为阴性结果,本文未显示)。亦有研究应用FDG PET构建脑功能连接[26],对MCI的纵向数据进行预测研究,提示进展型及稳定型MCI患者均具有小世界属性,而进展型MCI患者的DMN区域的聚类系数下降且范围向周围扩散。此外,在对脑功能连接进行分析比较时,机体的代偿功能也至关重要。2017年国内有一项纵向研究结果[27]显示MCI转化组(即进展型MCI)的DMN功能连接强度较未转化组(即稳定型MCI)下降,而转化组较健康人群在双侧眶额皮层、右侧中央前回、左侧小脑的功能连接强度增强,这可能是机体代偿的结果。另一项研究[28]与上述研究结果不一致,该研究对AD/MCI及健康人群的全脑功能连接强度进行比较,发现MCI较健康人群在上额叶、中央前回/中央后回(运动感觉皮层)、颞叶、扣带回区域的功能连接强度下降,与AD比较,MCI的小脑连接强度增高。一项执行视觉工作记忆的任务态fMRI显像研究显示[29],AD及MCI患者激活区域(右侧额上回、双侧额中回、颞中回、前扣带回等)较正常对照组更为广泛,研究人员认为其可能也是机体代偿的结果。众所周知海马萎缩与记忆下降有关[30],然而有研究[8]表明MCI患者随着记忆功能下降,海马激活区域进一步增大,这可能也是机体代偿的表现。

3.3 动态功能连接状态

       一项针对AD、MCI及主观认知障碍(subject cognitive impairment, SCI)的rs-fMRI的研究[31]使用静态功能连接分析和动态功能连接分析方法,发现与MCI和SCI相比,AD在静态功能连接和动态功能连接(额 叶、颞叶和DMN)状态均表现出功能连接强度的改变,且全脑网络亚稳态降低,脑网络亚稳态的下降与认知功能存在一定相关性[32]。脑功能状态处于动态变化中,静态功能连接不能完全反映复杂的脑功能连接状态。Schumacher等[13]的动态功能连接分析表明AD患者在弱连接状态下停留时间较长,VN、SMN内部连接减弱,DMN与任务积极网络之间缺乏负相关。本研究的研究对象为进展型MCI及稳定型MCI患者,动态功能连接分析结果显示进展型MCI处于状态(2)弱连接状态b的时间比例及驻留时间较长,即表现为高级功能网络(如视觉、听觉、运动等)之间为弱连接;同时进展型MCI处于状态(3)局部强连接状态的时间比例及驻留时间缩短。状态(2)与状态(3)最主要的区别在于VN、AUN、SMN连接强度及DMN与VN、AUN连接强度。进展型MCI于静息状态下更倾向于处于VN、AUN、SMN弱连接状态及DMN与VN、AUN弱连接状态。应用前述代偿机制或许可以解释进展型MCI局部强连接状态减少的现象,进展型MCI患者多数时间不能保持网络连接(视听觉感觉运动功能)增加,而更倾向于维持弱连接状态,同时DMN与ECN表现为更强的负相关,可能也是进展型MCI的一种代偿现象,牺牲了部分功能,而侧重于保证执行控制功能的正常。尽管进展型MCI及稳定型MCI动态功能连接特征存在差异,但二者临床量表评分类似,是否也是由于功能下降及代偿能力之间的平衡作用尚未被打破,而MCI向AD的转化可能也经历了功能下降—代偿—失代偿的过程,这些假设尚需要大量研究证实。

3.4 本研究的局限性

       此外,本研究存在几个问题仍需进一步考虑。本研究纳入样本量较小,且纳入数据来源于数据库,人群为欧美人群,目前国内尚缺乏大规模亚洲人群的数据,下一步可前瞻性纳入MCI人群并对其进行长期随访,纵向研究进展型MCI向AD转化过程中的脑功能连接状态变化特点;此外可结合多种影像学手段(如PET/MRI)以筛选出进展型MCI进行早期干预从而改善MCI及AD的预后[2]

       综上所述,MCI是痴呆早期干预的目标人群,区别进展型MCI及稳定型MCI对判断认知减退速度、改善AD预后具有重要意义。本研究结果显示进展型MCI与稳定型MCI动态功能连接状态特征存在差异,进展型MCI患者具有局部强连接状态减少,而弱连接状态增多的趋势。动态功能连接分析可能较主观的量表评分更早发现进展型MCI患者,具有筛选进展型MCI患者的潜能,从而为预测MCI向AD转化提供影像学依据。

[1]
田金洲, 解恒革, 王鲁宁, 等. 中国阿尔茨海默病痴呆诊疗指南(2020年版)[J]. 中华老年医学杂志, 2021(3): 269-283.
Tian JZ, Xie HG, Wang LN, et al. Chinese guideline for the diagnosis and treatment of Alzheimer's disease dementia(2020)[J]. Chin J Geriatr, 2021(3): 269-283.
[2]
Liss JL, Seleri Assunção S, Cummings J, et al. Practical recommendations for timely, accurate diagnosis of symptomatic Alzheimer's disease (MCI and dementia) in primary care: a review and synthesis[J]. J Intern Med, 2021, 290(2): 310-334. DOI: 10.1111/joim.13244.
[3]
Gomersall T, Smith SK, Blewett C, et al. 'It's definitely not Alzheimer's': perceived benefits and drawbacks of a mild cognitive impairment diagnosis[J]. Br J Health Psychol, 2017, 22(4): 786-804. DOI: 10.1111/bjhp.12255.
[4]
Soman SM, Raghavan S, Rajesh PG, et al. Does resting state functional connectivity differ between mild cognitive impairment and early Alzheimer's dementia?[J/OL]. J Neurol Sci, 2020, 418 [2022-4-26]. https://linkinghub.elsevier.com/retrieve/pii/S0022510X20304305. DOI: 10.1016/j.jns.2020.117093.
[5]
Berron D, Vogel JW, Insel PS, et al. Early stages of tau pathology and its associations with functional connectivity, atrophy and memory[J]. Brain, 2021, 144(9): 2771-2783. DOI: 10.1093/brain/awab114.
[6]
刘民英, 段刚. 静息态功能MRI评价轻度认知障碍背侧流视觉网络功能连接变化[J]. 中国医学影像学杂志, 2018, 26(2): 94-98. DOI: 10.3969/j.issn.1005-5185.2018.02.004.
Liu MY, Duan G. Changes of connectivity of dorsal stream in patients with mild cognitive impairment by using resting-state functional magnetic resonance imaging[J]. Chin J Med Imaging, 2018, 26(2): 94-98. DOI: 10.3969/j.issn.1005-5185.2018.02.004.
[7]
陈慧, 陈文, 刘恺, 等. 轻度认知障碍患者疾病进展相关的脑功能连接度特征分析[J]. 临床放射学杂志, 2019, 38(7): 1169-1174. DOI: 10.13437/j.cnki.jcr.2019.07.001.
Chen H, Chen W, Liu K, et al. Feature analysis of brain functional connectivity degree regarding disease progression in patients with mild cognitive impairment[J]. J Clin Radiol, 2019, 38(7): 1169-1174. DOI: 10.13437/j.cnki.jcr.2019.07.001.
[8]
Dickerson BC, Salat DH, Bates JF, et al. Medial temporal lobe function and structure in mild cognitive impairment[J]. Ann Neurol, 2004, 56(1): 27-35. DOI: 10.1002/ana.20163.
[9]
胡瑞红, 范存秀, 毕晓莹. 轻度认知功能障碍的神经影像学最新研究进展[J]. 中国卒中杂志, 2019, 14(3): 297-300.
Hu RH, Fan CX, Bi XY. Progress in neuroimaging of mild cognitive impairment[J]. Chin J Stroke, 2019, 14(3): 297-300.
[10]
周洲, 钟元. 动态功能连接方法及在神经精神疾病中的应用研究[J]. 磁共振成像, 2021, 12(1): 73-76. DOI: 10.12015/issn.1674-8034.2021.01.016.
Zhou Z, Zhong Y. Dynamic functional connectivity analysis and its application in neuropsychiatric disorders[J]. Chin J Magn Reson Imaging, 2021, 12(1): 73-76. DOI: 10.12015/issn.1674-8034.2021.01.016.
[11]
袁悦铭, 张力, 张治国. 基于静息态功能磁共振成像的动态功能连接分析及临床应用研究进展[J]. 磁共振成像, 2018, 9(8): 579-588. DOI: 10.12015/issn.1674-8034.2018.08.005.
Yuan YM, Zhang L, Zhang ZG. A review of methods and clinical applications for dynamic functional connectivity analysis based on resting-state functional magnetic resonance imaging[J]. Chin J Magn Reson Imaging, 2018, 9(8): 579-588. DOI: 10.12015/issn.1674-8034.2018.08.005.
[12]
Quevenco FC, Preti MG, van Bergen JMG, et al. Memory performance-related dynamic brain connectivity indicates pathological burden and genetic risk for Alzheimer's disease[J]. Alzheimers Res Ther, 2017, 9(1): 24. DOI: 10.1186/s13195-017-0249-7.
[13]
Schumacher J, Peraza LR, Firbank M, et al. Dynamic functional connectivity changes in dementia with Lewy bodies and Alzheimer's disease[J/OL]. Neuroimage Clin, 2019, 22 [2022-4-26].https://linkinghub.elsevier.com/retrieve/pii/S2213-1582(19)30162-7. DOI: 10.1016/j.nicl.2019.101812.
[14]
Núñez P, Poza J, Gómez C, et al. Characterizing the fluctuations of dynamic resting-state electrophysiological functional connectivity: reduced neuronal coupling variability in mild cognitive impairment and dementia due to Alzheimer's disease[J]. J Neural Eng, 2019, 16(5): 056030. DOI: 10.1088/1741-2552/ab234b.
[15]
Jarrahi B. An ICA investigation into the effect of physiological noise correction on dynamic functional network connectivity and meta-state metrics[A]. 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society [C]. Mexico. IEEE, 2021: 3137-3140. DOI: 10.1109/EMBC46164.2021.9630968.
[16]
Damoiseaux JS, Rombouts SARB, Barkhof F, et al. Consistent resting-state networks across healthy subjects[J]. Proc Natl Acad Sci USA, 2006, 103(37): 13848-13853. DOI: 10.1073/pnas.0601417103.
[17]
Saha DK, Damaraju E, Rashid B, et al. A classification-based approach to estimate the number of resting functional magnetic resonance imaging dynamic functional connectivity states[J]. Brain Connect, 2021, 11(2): 132-145. DOI: 10.1089/brain.2020.0794.
[18]
Steenland K, Zhao LP, John SE, et al. A 'Framingham-like' algorithm for predicting 4-year risk of progression to amnestic mild cognitive impairment or Alzheimer's disease using multidomain information[J]. J Alzheimers Dis, 2018, 63(4): 1383-1393. DOI: 10.3233/JAD-170769.
[19]
董国昭, 曾晓天, 杨柳, 等. 基于动态图论特征的阿尔茨海默病早期预测[J]. 北京生物医学工程, 2019, 38(6): 560-567. DOI: 10.3969/j.issn.1002-3208.2019.06.002.
Dong GZ, Zeng XT, Yang L, et al. Early prediction of Alzheimer disease based on dynamic graph theory[J]. Beijing Biomed Eng, 2019, 38(6): 560-567. DOI: 10.3969/j.issn.1002-3208.2019.06.002.
[20]
Supekar K, Menon V, Rubin D, et al. Network analysis of intrinsic functional brain connectivity in Alzheimer's disease[J/OL]. PLoS Comput Biol, 2008, 4(6) [2022-4-26]. https://pubmed.ncbi.nlm.nih.gov/34310975/. DOI: 10.1371/journal.pcbi.1000100.
[21]
Wang L, Zang YF, He Y, et al. Changes in hippocampal connectivity in the early stages of Alzheimer's disease: evidence from resting state fMRI[J]. Neuroimage, 2006, 31(2): 496-504. DOI: 10.1016/j.neuroimage.2005.12.033.
[22]
Delbeuck X, van der Linden M, Collette F. Alzheimer's disease as a disconnection syndrome?[J]. Neuropsychol Rev, 2003, 13(2): 79-92. DOI: 10.1023/a:1023832305702.
[23]
Berron D, van Westen D, Ossenkoppele R, et al. Medial temporal lobe connectivity and its associations with cognition in early Alzheimer's disease[J]. Brain, 2020, 143(4): 1233-1248. DOI: 10.1093/brain/awaa068.
[24]
陆冠琴, 张守字, 李锐. 阿尔茨海默病默认网络和海马功能连接研究:一项基于SDM的Meta分析[J]. 磁共振成像, 2022, 13(3): 54-60. DOI: 10.12015/issn.1674-8034.2022.03.011.
Lu GQ, Zhang SZ, Li R. The functional connectivity of default mode network and hippocampus in Alzheimer's disease: a Meta-analysis based on SDM[J]. Chin J Magn Reson Imaging, 2022, 13(3): 54-60. DOI: 10.12015/issn.1674-8034.2022.03.011.
[25]
Binnewijzend MAA, Schoonheim MM, Sanz-Arigita E, et al. Resting-state fMRI changes in Alzheimer's disease and mild cognitive impairment[J]. Neurobiol Aging, 2012, 33(9): 2018-2028. DOI: 10.1016/j.neurobiolaging.2011.07.003.
[26]
赵煜. 基于纵向FDG-PET个体代谢脑网络构建及轻度认知障碍转化预测研究[D]. 兰州: 兰州大学, 2018.
Zhao Y. Individual metabolic network construction and MCI progression prediction based on longitudinal FDG-PET[D]. Lanzhou: Lanzhou University, 2018.
[27]
李瑜霞, 王晓妮, 周晶, 等. 阿尔茨海默病轻度认知障碍患者转化过程基线期静息态功能MRI研究[J]. 中华放射学杂志, 2017(10): 744-749.
Li YX, Wang XN, Zhou J, et al. Resting-state functional MRI study at the baseline in mild cognitive impairment converting to Alzheimer's disease[J]. Chin J Radiol, 2017(10): 744-749.
[28]
Cha J, Hwang JM, Jo HJ, et al. Assessment of functional characteristics of amnestic mild cognitive impairment and Alzheimer's disease using various methods of resting-state FMRI analysis[J/OL]. Biomed Res Int, 2015 [2022-4-26]. https://www.hindawi.com/journals/bmri/2015/907464. DOI: 10.1155/2015/907464.
[29]
Yetkin FZ, Rosenberg RN, Weiner MF, et al. FMRI of working memory in patients with mild cognitive impairment and probable Alzheimer's disease[J]. Eur Radiol, 2006, 16(1): 193-206. DOI: 10.1007/s00330-005-2794-x.
[30]
Collin SH, Milivojevic B, Doeller CF. Memory hierarchies map onto the hippocampal long axis in humans[J]. Nat Neurosci, 2015, 18(11): 1562-1564. DOI: 10.1038/nn.4138.
[31]
Córdova-Palomera A, Kaufmann T, Persson K, et al. Disrupted global metastability and static and dynamic brain connectivity across individuals in the Alzheimer's disease continuum[J/OL]. Sci Rep, 2017, 7 [2022-4-26]. https://www.nature.com/articles/srep40268. DOI: 10.1038/srep40268.
[32]
Hellyer PJ, Scott G, Shanahan M, et al. Cognitive flexibility through metastable neural dynamics is disrupted by damage to the structural connectome[J]. J Neurosci, 2015, 35(24): 9050-9063. DOI: 10.1523/jneurosci.4648-14.2015.

上一篇 磁共振T2定量成像技术在肿瘤评价中的应用进展
下一篇 基于扩散峰度成像直方图构建低级别胶质瘤预后的列线图模型
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2