分享:
分享到微信朋友圈
X
综述
静息态功能MRI不同分析方法在非痴呆型血管性认知障碍中的研究进展
蔡丽娜 李晓陵 崔璇 王鹏 佟欣 魏泽宜 高胜兰 韩胜旺 侯玉

Co first author: LI Xiaoling共同第一作者:李晓陵 DOI:10.12015/issn.1674-8034.2022.09.027.


[摘要] 非痴呆型血管性认知障碍(vascular cognitive impairment no dementia, VCIND)是血管性痴呆(vascular dementia, VaD)的早期阶段,指血管病变引起认知功能受损的疾病,但其具体发病机制尚不十分明确,临床缺乏特异性诊断标志物。静息态功能磁共振成像(resting-state functional magnetic resonance imaging, rs-fMRI)技术能客观反映VCIND患者的脑功能活动,结合不同的分析方法,探索VCIND患者的特征性影像学指标,为解释其发病机制提供线索。本文对rs-fMRI 不同分析方法在VCIND研究中的应用进行综述。
[Abstract] Vascular cognitive impairment no dementia (VCIND) is a transitional stage between normal aging and vascular dementia . It refers to the disease of cognitive impairment caused by vascular lesions, however, its specific pathogenesis is not very clear, and there is a lack of specific imaging diagnostic markers in clinic. Resting state functional magnetic resonance imaging (rs-fMRI) technology combined with different analysis methods is applied to the study of the mechanism of vascular cognitive impairment no dementia. It can objectively reflect the brain functional activities, obtain the characteristic imaging indexes of VCIND patients, and provide some clues to explain its mechanism. This article reviews the application of different analysis methods of rs-fMRI in VCIND research.
[关键词] 静息态;脑;功能磁共振成像;非痴呆型血管性认知障碍
[Keywords] resting state;brain;magnetic resonance imaging;vascular cognitive impairment no dementia

蔡丽娜 1   李晓陵 2#   崔璇 1   王鹏 3*   佟欣 1   魏泽宜 1   高胜兰 1   韩胜旺 4   侯玉 5  

1 黑龙江中医药大学研究生院,哈尔滨 150040

2 黑龙江中医药大学附属第一医院CT磁共振科,哈尔滨150040

3 黑龙江中医药大学附属第一医院肿瘤科,哈尔滨 150040

4 黑龙江中医药大学附属第二医院康复科,哈尔滨 150001

5 哈尔滨市中医医院妇科,哈尔滨 150010

*王鹏,E-mail:wangpeng1525@163.com

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 国家自然科学基金 82074537 黑龙江省自然科学基金项目 LH2020H103 黑龙江省中医药科研项目 ZHY2020-109 黑龙江中医药大学科研基金项目 2019MS07
收稿日期:2022-05-06
接受日期:2022-09-06
中图分类号:R445.2  R749.1 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.09.027
共同第一作者:李晓陵 DOI:10.12015/issn.1674-8034.2022.09.027

       血管性痴呆(vascular dementia, VaD)目前被认为是继阿尔茨海默病(Alzheimer's disease, AD) 之后第二大常见的痴呆类型。非痴呆型血管性认知障碍(vascular cognitive impairment no dementia, VCIND)属于VaD的早期阶段。因其高患病率和潜在可逆性而引起关注[1]。研究表明,随着人口老龄化进程的加快,VCIND的患病率在60岁以上的人群中高达46%,并可能在未来几十年影响越来越多的患者[2]。目前还没有完全治疗痴呆症的有效药物。因此,VCIND的早期识别和及时干预对痴呆的防治有着极为重要的意义[3]

       神经影像学研究极大地促进了我们对VCIND发病机制的理解,其中,静息态功能磁共振成像(resting-state functional magnetic resonance imaging, rs-fMRI)能够清晰地反映相关脑功能变化的特征,为我们探索VCIND自发神经活动的变化提供了广阔的发展前景[4]。本文从rs-fMRI的角度综述了VCIND的神经影像学研究进展,以期为进一步揭示VCIND的中枢机制提供线索。

1 rs-fMRI概述

       rs-fMRI用于检测静息状态下的大脑自发活动探索大脑功能[5, 6]。具有相对简单、易于操作、容易被受试者接受、便于进行大样本量研究的特点。rs-fMRI通过检测受试者大脑基线状态下的自发神经元活动,并确定相关大脑区域的网络连接,可以提供VCIND患者大脑功能变化的客观证据[7, 8]。目前rs-fMRI技术在VCIND研究中的应用主要有:低频振幅(amplitude of low-frequency fluctuations, ALFF)、局部一致性(regional homogeneity, ReHo)、功能连接(functional connectivity, FC)、图论(脑网络)等[9, 10]。这些方法从局部到整体,既能寻找和定位与认知损伤相关的脑功能区,又能对其区域间的交互作用进行研究,已成为探讨多种认知障碍类疾病神经机制的核心工具之一[11, 12]

2 rs-fMRI在VCIND研究中的应用

2.1 局部大脑活动

       ALFF是用于检测局部脑功能区血氧水平依赖(blood oxygenation-level dependent, BOLD)信号在低频范围(0.01~0.1 Hz)内自发波动强度的分析方法,从能量代谢的角度反映低频范围内自发神经元活动[13]。ALFF值升高表明大脑区域的活动强度增加,反之表明神经元的活动强度降低[14]。林海龙等[15]研究了VCIND与正常对照(normal control, NC)组脑区ALFF的变化,发现VCIND患者在额下回、颞上回、岛叶ALFF值高于NC组,而在舌回、小脑后叶、楔叶和扣带回的ALFF值降低,这些脑区是参与认知功能和默认网络(default mode network, DMN)的关键区域。研究证实,静息状态下DMN非常活跃,包括扣带回、楔前叶、前额叶皮层和双侧颞顶叶区域,然而在某些认知任务下,这些大脑区域的活动明显减弱,DMN与记忆、认知有关[16]。由此表明VCIND患者相比健康人ALFF值在静息状态下发生改变,VCIND患者认知功能障碍与DMN中和认知功能相关的一些脑区改变有关。段艳花等[17]研究了VCIND组和VaD组脑区ALFF的变化,发现VaD和VCIND 组前额叶、额下回的ALFF值显著降低,内侧前额叶与执行功能、情绪处理和社会认知密切相关,ALFF降低有可能导致患者执行功能和社会认知功能障碍。郭会映等[18]采用ALFF分析对比VCIND和NC组患者脑功能活动的改变,发现与NC组相比,VCIND组在内侧前额叶和额下回ALFF减低,在双侧小脑ALFF增高,且与多个认知量表存在相关性,这些脑区参与额叶—皮层下环路,由此推测患者认知功能损害可能与前额叶—皮层下环路受损有关。此外,李磊等[19]采用rs-fMRI对比观察VCIND和NC组在5个频段下的ALFF改变,并结合Pearson相关分析评估不同频段下脑区ALFF值与临床评分之间的关系,结果VCIND患者表现出脑内额顶颞叶及小脑后叶广泛的自发神经活动改变,ALFF值受不同频段的影响,额颞叶组间差异明显。ALFF技术可以客观地显示VCIND患者与认知功能密切相关的主要脑区的变化,是探索VCIND患者神经机制的有效指标。

       ReHo方法是指使用Kendall和谐系数测量一个特定体素与其相邻体素时间序列的同步性[20]。ReHo值越高代表局部体素与邻近体素的一致性越好[21]。ReHo值与认知功能高度相关[22]。Peng等[23]使用ReHo分析观察血管性轻度认知障碍患者局部脑活动,结果发现患者扣带皮层、楔前叶的ReHo值相比NC组显著降低,这些脑区是组成DMN的关键脑区,且与认知功能神经量表具有显著相关性。冯丽等[24]应用ReHo方法研究VCIND患者局部脑区的活动,结果发现VCIND与NC组相比颞叶、壳核、前额叶背侧和角回的ReHo值降低,且与执行、记忆力及视空间功能评分量表之间有显著性差异,提示这些脑区与执行能力和信息处理功能关系密切,一旦活动异常,将导致相关功能受损[25]。上述研究表明VCIND患者认知功能与局部脑区自发功能活动的强度和活动一致性降低有关,而部分脑区活动一致性升高可能是大脑针对VCIND患者认知功能受损脑区的一种补偿机制。然而,由于ALFF对生理噪声更敏感,ReHo不能消除空间配准问题,并且ReHo和ALFF目光聚焦在对局部脑区的研究上,但局部脑区的变化并不能完全解释脑功能的异常,静息态脑功能ALFF和ReHo研究对于VCIND的意义需要进一步深入研究。

2.2 大脑FC分析

       rs-fMRI FC是反映不同脑区之间、体素之间及功能网络之间的时间相关性。VCIND研究中常用的是独立成分分析(independent component correlation algorithm, ICA)和基于种子点的FC分析[26, 27]。ICA是一种将MR成像过程中,各种不同生理和功能信息构成的fMRI图像信号,进行分离的分析方法[28]。它可以提取分离的静息态网络 (resting-state networks, RSNs),以及头部运动和呼吸等噪声信号,从而可以确定RSNs的空间分布情况[29]。Shi等[30]运用ICA获得了VCIND患者RSNs分布情况,并应用多变量格兰杰因果分析(multivariate Granger causality analysis, mGCA)评估RSNs的有效连通性,结果表明VCIND与NC及VaD患者相比,存在差异的RSNs主要在背侧注意网络(dorsal attention network, DAN)、初级视觉网络(primary visual network, PVN)、次级视觉网络(secondary visual network, SVN)、前默认网络(anterior default mode network, aDMN)和后默认网络(posterior default mode network, pDMN)。其中VaD组相比VCIND组,DAN和pDMN的因果关系较弱,SVN和aDMN的因果关系较弱。VCIND组与NC组和VaD组相比,DAN和PVN之间存在很强的因果关系,SVN和aDMN之间存在很强的因果关系。可以看出,随着疾病的进展,RSNs的组成部分不断变化,由于认知障碍的加重,RSN之间的有效连接显著减少,DAN和PVN之间连通性增加、SVN和aDMN之间连通性增加可能反映了功能网络的重组,以补偿认知功能受损。ICA不需要预先选择感兴趣区域,可以分离出每个网络对应的独立分量,确定网络的空间布局,以及头部运动和呼吸等噪声对信号的影响,但是不能测量大脑区域的连接强度。

       基于种子点的相关分析是FC早期研究的最基本方法,也是对ICA的补充。通过FC分析方法计算某种子点与大脑其他体素或ROI之间BOLD时间序列的相关系数,反映大脑区域关联度的强弱[31, 32]。Sun等[33]选取PCC作为种子点,采用FC分析方法研究VCIND患者神经元之间的功能连接,结果发现VCIND患者颞中回、前扣带回、额叶内侧回、中央旁小叶的FC低于NC组,而颞下回、中央前回和顶上小叶FC则出现增强,研究结果揭示了VCIND患者静息状态神经元活动模式的变化,可能是由于皮质下缺血破坏了直接和间接连接的纤维束,引发脑区FC减弱,部分脑区连通性增强可能是由功能脑区代偿性补偿认知损伤及神经可塑性机制引起的。研究表明,电针是治疗VCIND的有效治疗方法,但作用机制尚未明确[34]。先前的研究表明血管性认知障碍与DMN的改变有关[35]。Lin等[36]研究电针治疗VCIND的神经机制,发现针刺可以增加DMN与疼痛、情感和记忆相关的大脑区域的连接,表明脑功能连接模式的异常改变是导致VCIND患者认知功能障碍的中枢机制之一,电针可能通过调节DMN的连接而改善VCIND患者的认知功能。FC分析方法可以反映脑区之间的关联强度,具有简单、灵敏、易于比较组间差异的特点。然而,分析结果取决于种子区域的选择,结果有一定的主观性。

2.3 基于图论的脑网络分析

       大脑是一个复杂而高效的网络,由节点和连接节点的边组成。常用的复杂脑网络的指标有:局部效率(local efficiency, Eloc)、全局效率(global efficiency, Eg)、聚类系数(clustering coefficient, Cp)、标准化聚类系数(normalized clustering coefficient, γ)、小世界属性、特征路径长度(characteristic path length, Lp)等[37]。Eg描述了网络对于全局信息并行处理的能力,Eg越高网络节点间传递全局信息的速率就越快[38];Lp衡量了网络的信息并行处理的能力,Lp增加说明了脑区之间的信息传输和交互效率降低[39];Eloc描述了网络局部信息传输能力,Eloc增高网络局部信息的速率就越快[40];Cp往往被用来结合Lp计算小世界属性,小世界网络具有较高的Cp和较低的Lp,反映了大脑高效的功能分化和信息整合能力,以及人脑对各种刺激的适应性[41]

       图论分析是一种高水平的网络分析方法,是脑网络分析领域的新兴组成部分[42]。研究利用图论分析方法探索了血管性认知障碍患者的脑网络特征,发现与NC组相比,患者组的功能网络拓扑属性受损,例如,Eg、Eloc、Cp降低,Lp增加[43]。由此可见功能网络拓扑属性的破坏可能导致VCIND患者脑网络信息整合能力下降,进而引起患者认知障碍。王金芳等[44]研究了脑白质疏松对VCIND患者大脑功能网络的影响,结果显示VCIND组的小世界属性系数低于NC组,VCIND患者的小世界网络特性受损可能与认知障碍有关。Sang等[45]利用图论分析了受试者脑功能网络的变化,将受试者分为NC组、VCIND组和VaD组,研究发现Eg、Eloc均存在显著的组间差异,且随着认知障碍的加重,大脑连接网络逐渐中断,大脑区域之间连接的数量逐渐减少,研究还观察到VCIND组在涉及顶叶、颞叶皮层的几个大脑区域中显示出节点效率降低,VaD比VCIND组在前额叶和颞叶皮层的节点效率降低得更多。这些发现表明随着认知障碍的增加,大脑功能连接网络的模式被破坏,图论的脑功能网络的分析,可为早期发现VCIND患者认知损害提供潜在的影像学生物标志物。基于图论脑网络研究的发展,有利于探索人脑在全脑网络水平上的运作,可以对网络化大脑系统的结构和功能提供重要的新见解,是认知神经科学发展的重要方向。然而目前大多数研究仍然是描述性的,并且完全集中在由二元组成图的成对交互上。生成模型、动态网络和代数拓扑学是未来几个有前景的研究方向。随着技术的不断发展完善,相信图论方法仍将是我们进一步了解大脑这一复杂的相互联系的系统所不可或缺的工具。

3 小结与展望

       文从rs-fMRI不同分析方法阐述在多尺度脑功能水平VCIND患者认知障碍的中枢机制。其中,VCIND患者在局部自发脑活动、脑区FC、RSNs和图论(脑网络)水平均可出现异常改变,且与认知功能相关。rs-fMRI以可视化方式,在多维度脑功能层面初步阐明了VCIND患者认知功能障碍的中枢机制,更有助于VCIND早期诊断、疾病检测和预后评估。

       目前,VCIND的rs-fMRI研究还处于起步阶段,研究报告相对较少,大部分研究采用的成像参数不尽一致[46]。在未来的研究中,我们应尽可能地建立大样本中心,以此制订标准的成像参数。此外,单一影像技术尚不能全面揭示VCIND的中枢机制。将rs-fMRI与其他多模态脑功能MRI技术和神经心理学评估相结合,可以提供更完整的数据信息,从而保证研究结果的准确率和可靠性。

[1]
Petersen RC, Lopez O, Armstrong MJ, et al. Practice guideline update summary: Mildcognitive impairment: Report of the Guideline Development, Dissemination, and Implementation Subcommittee of the American Academy of Neurology[J]. Neurology, 2018, 90(3): 126-135. DOI: 10.1212/WNL.0000000000004826.
[2]
Sun MK. Potential Therapeutics for Vascular Cognitive Impairment and Dementia[J]. Curr Neuropharmacol, 2018, 16(7): 1036-1044. DOI: 10.2174/1570159X15666171016164734.
[3]
Lin Y, Wang K, Ma C, et al. Evaluation of Metformin on Cognitive Improvement in Patients With Non-dementia Vascular Cognitive Impairment and Abnormal Glucose Metabolism[J/OL]. Front Aging Neurosci, 2018 [2022-04-12]. https://doi.org/10.3389/fnagi.2018.00227. DOI: 10.3389/fnagi.2018.00227.
[4]
Li Q, Del Ferraro G, Pasquini L, et al. Core language brain network for fMRI language task used in clinical applications[J]. Netw Neurosci, 2020, 4(1): 134-154. DOI: 10.1162/netna00112.
[5]
Wang J, Chen H, Liang H, et al. Low-Frequency Fluctuations Amplitude Signals Exhibit Abnormalities of Intrinsic Brain Activities and Reflect Cognitive Impairment in Leukoaraiosis Patients[J/OL]. Med Sci Monit, 2019 [2022-04-10]. https://doi.org/10.12659/MSM.915528. DOI: 10.12659/MSM.915528.
[6]
Wang JF, Chen Y, Liang HZ, et al. The role of disturbed small-world networks in patientswith white matter lesions and cognitive impairment revealed by resting state function magnetic resonance images (rs-fMRI)[J/OL]. Med SciMonit, 2019 [2022-04-15]. https://doi.org/10.12659/MSM.913396. DOI: 10.12659/MSM.913396.
[7]
贾清, 黄小华, 刘念, 等. 2型糖尿病认知障碍的静息态脑功能研究进展[J]. 磁共振成像, 2021, 12(10): 89-92. DOI: 10.12015/issn.1674-8034.2021.10.023.
Jia Q, Huang XH, Liu N, et al. Research progress on resting brain function of cognitive impairment in type 2 diabetes[J]. Chin J Magn Reson Imaging, 2021, 12(10): 89-92. DOI: 10.12015/issn.1674-8034.2021.10.023.
[8]
Raichle ME. The brain's default mode network[J/OL]. Annu Rev Neurosci, 2015 [2022-05-02]. https://doi.org/10.1146/annurev-neuro-071013-014030. DOI: 10.1146/annurev-neuro-071013-014030.
[9]
张辉, 丁菊容, 鄢成东, 等. 缺血性脑白质病变的rs-fMRI研究进展[J]. 磁共振成像, 2022, 13(4): 154-157. DOI: 10.12015/issn.1674-8034.2022.04.034.
Zhang H, Ding JR, Yan CD, et al. Research progress of rs-fMRI in ischemic whitematter lesions[J]. Chin J Magn Reson Imaging, 2022, 13(4): 154-157. DOI: 10.12015/issn.1674-8034.2022.04.034.
[10]
Li H, Jia X, Li Y, et al. Aberrant Amplitude of Low-Frequency Fluctuation and Degree Centrality within the Default Mode Network in Patients with Vascular Mild Cognitive Impairment[J/OL]. Brain Sci, 2021 [2022-05-01]. https://doi.org/10.3390/brainsci11111534. DOI: 10.3390/brainsci11111534.
[11]
李晓陵, 蔡丽娜, 崔璇, 等. 遗忘型轻度认知障碍的磁共振成像研究进展[J]. 磁共振成像, 2021, 12(11): 94-96. DOI: 10.12015/issn.1674-8034.2021.11.023.
Li XL, Cai LN, Cui X, et al. Research progress of magnetic resonance imaging in amnestic mild cognitive impairment[J]. Chin J Magn Reson Imaging, 2021, 12 (11): 94-96. DOI: 10.12015/issn.1674-8034.2021.11.023.
[12]
杨洋, 芮钱芸, 陈祥, 等. 基于低频振幅和局部一致性的视神经脊髓炎谱系疾病认知功能障碍的静息态脑功能成像研究[J]. 磁共振成像, 2022, 13(4): 62-68. DOI: 10.12015/issn.1674-8034.2022.04.011.
Yang Y, Rui QY, Chen X, et al. Resting state brain functional imaging of cognitive impairment in optic neuromyelitis spectrum diseases based on low frequency amplitu de and local consistency[J]. Chin J Magn Reson Imaging, 2022, 13(4): 62-68. DOI: 10.12015/issn.1674-8034.2022.04.011.
[13]
Zang YF, He Y, Zhu CZ, et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI[J]. Brain and Dev, 2007, 29(2): 83-91. DOI: 10.1016/j.braindev.2006.07.002.
[14]
Wang Z, Yan C, Zhao C, et al. Spatial pattern so fifintrinsic brain activity in mild cognitive impairment and Alzheimer's disease: a resting-state functional MRI study[J]. Hum Brain Mapp, 2011, 32(10): 1720-1740. DOI: 10.1002/hbm.21140.
[15]
林海龙, 薛蕴菁, 康正武, 等. 静息态fMRI在无痴呆型血管性认知障碍基线脑活动变化中的初步研究[J]. 临床放射学杂志, 2013, 32(8): 1070-1074. DOI: 10.13437/j.cnki.jcr.2013.08.034.
Lin HL, Xue YQ, Kang ZW, et al. A preliminary study of resting fMRI in the changes of baseline brain activity in patients with dementia free vascular cognitive impairment[J]. J Clin Radiol, 2013, 32(8): 1070-1074. DOI: 10.13437/j.cnki.jcr.2013.08.034.
[16]
Hafkemeijer A, van der Grond J, Rombouts SA. Imaging the default mode network in aging and dementia[J]. Biochim Biophys Acta, 2012, 1822(3): 431-441. DOI: 10.1016/j.bbadis.2011.07.008.
[17]
段艳花, 梁芙茹, 刘国荣. 皮质下血管性认知障碍患者的静息态功能磁共振成像研究[J].中西医结合心血管病电子杂志, 2019, 7(8): 27-29. DOI: 10.16282/j.cnki.cn11-9336/r.2019.08.016.
Duan YH, Liang FR, Liu GR. Resting state functional magnetic resonance imaging in patients with subcortical vascular cognitive impairment[J]. Chinese Journal of Integrative Medicine on Cardio/Cerebrovascular Disease, 2019, 7(8): 27-29. DOI: 10.16282/j.cnki.cn11-9336/r.2019.08.016.
[18]
郭会映, 孙芳, 倪玲, 等. 非痴呆型血管性认知功能障碍的结构及静息态功能磁共振研究[J]. 临床放射学杂志, 2014, 33(5): 657-661. DOI: 10.13437/j.cnki.jcr.2014.05.003.
Guo HY, Sun F, Ni L, et al. Study on the structure and resting state fMRI of non dementia vascular cognitive impairment[J]. J Clin Radiol, 2014, 33(5): 657-661. DOI: 10.13437/j.cnki.jcr.2014.05.003.
[19]
李磊, 陈雪, 曹雯玮, 等. 不同频段下血管性认知功能障碍患者低频振幅的静息态脑功能改变[J]. 临床放射学杂志, 2016, 35(9): 1297-1302. DOI: 10.13437/j.cnki.jcr.2016.09.003.
Li L, Chen X, Cao WW, et al. Changes of resting brain function in patients with vascular cognitive impairment under different frequency bands[J]. J Clin Radiol, 2016, 35(9): 1297-1302. DOI: 10.13437/j.cnki.jcr.2016.09.003.
[20]
Zang Y, Jiang T, Lu Y, et al. Regional homogeneity approach to fMRI data analysis[J]. NeuroImage, 2004, 22(1): 394-400. DOI: 10.1016/j.neuroimage.2003.12.030.
[21]
Liu S, Ma R, Luo Y, et al. Facial Expression Recognition and ReHo Analysis in Major Depressive Disorder[J/OL]. Front Psychol, 2021 [2022-05-01]. https://doi.org/10.3389/fpsyg.2021.688376. DOI: 10.3389/fpsyg.2021.688376.
[22]
Zhuang Y, Shi Y, Zhang J, et al. Neurologic Factors in Patients with Vascular Mild Cognitive Impairment Based on fMRI[J/OL]. World Neurosurg, 2021 [2022-05-01]. https://doi.org/10.1016/j.wneu.2020.11.120. DOI: 10.1016/j.wneu.2020.11.120.
[23]
Peng CY, Chen YC, Cui Y, et al. Regional Coherence Alterations Revealed by Resting-State fMRI in Post-Stroke Patients with Cognitive Dysfunction[J/OL]. PLoS One, 2016 [2022-05-02]. https://doi.org/10.1371/journal.pone.0159574. DOI: 10.1371/journal.pone.0159574.
[24]
冯丽, 石庆丽, 李越秀, 等. 脑白质病变伴认知障碍患者的全脑局部一致性变化[J]. 中国医刊, 2020, 55(2): 147-151. DOI: 10.3969/j.issn.1008-1070.2020.02.010.
Feng L, Shi QL, Li YX, et al. Changes of whole brain local consistency in patients with white matter lesions with cognitive impairment[J]. Chinese Journal of Medicine, 2020, 55(2): 147-151. DOI: 10.3969/j.issn.1008-1070.2020.02.010.
[25]
Frantellizzi V, Pani A, Ricci M, et al. Neuroimaging in Vascular Cognitive Impairmet and Dementia: A Systematic Review[J]. J Alzheimers Dis, 2020, 73(4): 1279-1294. DOI: 10.3233/JAD-191046.
[26]
Huang J, Cheng R, Liu X, et al. Abnormal static and dynamic functional connectivity of networks related to cognition in patients with subcortical ischemic vascular disease[J]. Neuroradiology, 2022, 64(6): 1201-1211. DOI: 10.1007/s00234-022-02895-z.
[27]
Bi XA, Sun Q, Zhao J, et al. Non-linear ICA Analysis of Resting-State fMRI in Mild Cognitive Impairment[J/OL]. Front Neurosci, 2018 [2022-05-04]. https://doi.org/10.3389/fnins.2018.00413. DOI: 10.3389/fnins.2018.00413.
[28]
武杰, 余莹, 杨叶. 功能磁共振图像的独立成分分析与提取[J]. 生物医学工程学进展, 2018, 39(4): 192-195. DOI: 10.3969/j.issn.1674-1242.2018.04.002.
Wu J, Yu Y, Yang Y. Independent component analysis and extraction of functional magnetic resonance images[J]. Progress in Biomedical Engineering, 2018, 39(4): 192-195. DOI: 10.3969/j.issn.1674-1242.2018.04.002.
[29]
Damoiseaux JS, Rombouts SA, 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.
[30]
Shi Q L, Chen H Y, Jia Q, et al. Altered Granger Causal Connectivity of Resting-State Neural Networks in Patients With Leukoaraiosis-Associated Cognitive Impairment-A Cross-Sectional Study[J/OL]. Front Neurol, 2020 [2022-05-06]. https://doi.org/10.3389/fneur.2020.00457. DOI: 10.3389/fneur.2020.00457.
[31]
Song X, Panych LP, Chen NK. Data-Driven and Predefined ROI-Based Quantification of Long-Term Resting-State fMRI Reproducibility[J]. Brain Connect, 2016, 6(2): 136-151. DOI: 10.1089/brain.2015.0349.
[32]
Azeez AK, Biswal BB. A Review of Resting-State Analysis Methods[J]. Neuroimaging Clin N Am, 2017, 27(4): 581-592. DOI: 10.1016/j.nic.2017.06.001.
[33]
Sun YW, Qin LD, Zhou Y, et al. Abnormal functional connectivity in patients with vascular cognitive impairment, no dementia: a resting-state functional magnetic resonance imaging study[J]. Behav Brain Res, 2011, 223(2): 388-394. DOI: 10.1016/j.bbr.2011.05.006.
[34]
Choi Y, Jung IC, Kim AR, et al. Feasibility and Effect of Electroacupuncture on Cognitive Function Domains in Patients with Mild Cognitive Impairment: A Pilot Exploratory Randomized Controlled Trial[J/OL]. Brain Sci, 2021 [2022-04-27]. https://doi.org/10.3390/brainsci11060756. DOI: 10.3390/brainsci11060756.
[35]
Chen Y, Wang C, Liang H, et al. Resting-state functional magnetic resonance imaging in patients with leukoaraiosis-associated subcortical vascular cognitive impairment: a cross-sectional study[J]. Neurological Research, 2016, 38(6): 510-517. DOI: 10.1080/01616412.2016.1177929.
[36]
Lin R, Huang J, Xu J, et al. Effect and Neuroimaging Mechanism of Electroacupuncture for Vascular Cognitive Impairment No Dementia: Study Protocol for a Randomized, Assessor-Blind, Controlled Clinical Trial[J/OL]. Evid Based Complement Alternat Med, 2020 [2022-05-05]. https://doi.org/10.1155/2020/7190495. DOI: 10.1155/2020/7190495.
[37]
Yi LY, Liang X, Liu DM, et al. Disrupted topological organization of resting-state functional brain network in subcortical vascular mild cognitive impairment[J/OL]. CNS Neurosci Ther, 2015 [2022-04-20]. https://doi.org/10.1111/cns.12424. DOI: 10.1111/cns.12424.
[38]
Zhao X, Wu J, Peng H, et al. Deep reinforcement learning guided graph neural networks for brain network analysis[J/OL]. Neural Netw, 2022 [2022-05-05]. https://doi.org/10.1016/j.neunet.2022.06.035. DOI: 10.1016/j.neunet.2022.06.035.
[39]
Lei Y, Song BS, Chen L, et al. Reconfifigured functional network dynamics in adult moyamoya disease: a resting-state fMRI study[J]. Brain Imaging Behav, 2020, 14(3): 715-727. DOI: 10.1007/s11682-018-0009-8.
[40]
Watts DJ, Strogatz SH. Collective dynamics of 'small-world' networks[J]. Nature, 1998, 393(6684): 440-442. DOI: 10.1038/30918.
[41]
和梦鑫, 平亮亮, 许秀峰. 基于图论的复杂脑网络分析在精神疾病中的研究进展[J]. 昆明医科大学学报, 2019, 40(5): 129-134.
He MX, Ping LL, Xu XF. Research progress of complex brain network analysis based on graph theory in mental diseases[J]. Journal of Kunming Medical University, 2019, 40(5): 129-134.
[42]
Li R, Li S, Roh J, et al. Multimodal Neuroimaging Using Concurrent EEG/fNIRS for Poststroke Recovery Assessment: An Exploratory Study[J]. Neurorehabil Neural Repai r, 2020, 34(12): 1099-1100. DOI: 10.1177/1545968320969937.
[43]
Yu Y, Zhou X, Wang H, et al. Small-World Brain Network and Dynamic Functional Distribution in Patients with Subcortical Vascular Cognitive Impairment[J/OL]. PLoS One, 2015 [2022-04-25]. https://doi.org/10.1371/journal.pone.0131893. DOI: 10.1371/journal.pone.0131893.
[44]
王金芳, 陈红艳, 李越秀, 等. 脑白质疏松患者大脑功能网络小世界属性的静息态功能磁共振研究[J]. 中华行为医学与脑科学杂志, 2017, 26(11): 977-982. DOI: 10.3760/cma.j.issn.1674-6554.2017.11.004.
Wang JF, Chen HY, Li YX, et al. Resting fMRI study on the small world attribute of brain function network in patients with leukoaraiosis[J]. Chinese Journal of Behavioral Medicine and Brain Science, 2017, 26(11): 977-982. DOI: 10.3760/cma.j.issn.1674-6554.2017.11.004.
[45]
Sang L, Chen L, Wang L, et al. Progressively Disrupted Brain Functional Connectivity Network in Subcortical Ischemic Vascular Cognitive Impairment Patients[J/OL]. Front Neurol, 2018 [2022-04-23]. https://doi.org/10.3389/fneur.2018.00094. DOI: 10.3389/fneur.2018.00094.
[46]
关莹, 朱路文, 李晓陵, 等. 不同rs-fMRI数据处理方法在血管性认知障碍中的应用[J]. 康复学报, 2019, 29(1): 70-74. DOI: 10.3724/SP.J.1329.2019.01070.
Guan Y, Zhu LW, Li XL, et al. Application of different RS fMRI data processing methods in vascular cognitive impairment[J]. Journal of rehabilitation, 2019, 29(1): 70-74. DOI: 10.3724/SP.J.1329.2019.01070.

上一篇 胆管腺瘤一例
下一篇 针刺后溪穴脑效应机制fMRI研究进展
  
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