1. Cervical dystonia 经脉张力障碍

Questions

  • question1：控制脖子转动的大脑中枢在哪里？
  • question2：在静息态下，这一脑区，正常人和CD病人有何区别（不可能要求病人动脖子）？
  • 终极问题：Diagnosis of cervical dystonia with rfMRI?

Methods

    1. 先对正常被试上一个任务态：Isometrictask of head movement in healthy subjects for functional localization。Isometrictask的意思是等价测量。被试真正的物理脖子转动在fmri扫描中是不可实现的。所以研究者固定了被试的脖子，然后要求被试在心理努力去转动脖子。这样物理转动和心理转动脖子产生的肌电应该是等价的。
    1. 再测量正常/CD病人的静息态数据。对比两组被试在静息态指标上（FC/ReHo/fALFF）的差异。
    1. 这么多静息态指标，哪个指标（features）分辨疾病的效果最好（贡献率最大）？使用SVM向量机进行机器学习，找出最优的分辨指标。

参考文献 Zhihao LiCA, Cecilia N. Prudente, Randall Stilla, Krish Sathian, Hyder A. Jinnah,CURRICULUM VITAE Zhihao Li Xiaoping Hu. Alterations of resting-state fMRI measurements in individuals with cervical dystonia. Hum Brain Mapp. 2017. 38:4098-4108.

2. Inflammation and Depression 炎症与抑郁症

  • 高兴中枢（ventral striatum）在有炎症反应的时候，对奖赏刺激的反应检索。
  • 这种效应，是否会扩散到basal ganglia以外的脑网络？这有可能是抑郁发生的机制之一。
  • 静息态数据分析。先在ventral striatum中做了8个种子点，然后与全脑体素做FC。
  • 然后，将全脑FC与炎症反应的指标（CRP，值越高，炎症越厉害）进行相关分析。发现CRP was negatively associated with FC between left inferior ventral striatum (iVS) and vmPFC with increasing CRP predicting decreasing connectivity (R=− 0.40 to − 0.70) in patients with depression.
  • 再然后，将这两个脑区的FC提取出来，与炎症指标CRP进行相关分析，画图（why？）。
  • 再根据CRP反应浓度，将被试分成两组（高炎症反应VS低炎症反应组）。发现低反应组，种子点和前额叶vmPFC的连接强烈，且分布较广；而高炎症组的FC map只有在种子点附近才有激活。
  • 同样的思路，八个种子点和vmPFC的FC，哪一个更重要？

Jennifer C. Felger, Zhihao Li, Ebrahim Haroon, Bobbi J. Woolwine, Moon Y. Jung, Xiaoping Hu, Andrew H. Miller. Inflammation is associated with decreased functional connectivity within corticostriatal reward circuitry in depression. Molec.Psychiat. 2016. 21:1358-1365

3. Amyotrophic Lateral Sclerosis (ALS) 肌萎缩侧索硬化症

病症和目前研究现状

  • Progressive loss of neurons 中枢以及外周神经元会慢慢减少
  • Stiff muscles and gradually worsening weakness
  • Difficulty in spaking, swallowing, and eventually breathing 病人最后都要靠呼吸机来维持生命
  • 前人研究发现这些病人大脑的胼胝体（corpus callosum）在微观上的结构变化
  • 既然病变的位置在胼胝体，而胼胝体负责左右两个半球之间的神经连接，那么病人左右半球的神经连接（interhemispheric neural connectivity）是否也发生了变化？

Methods

功能连接

  • 方法来自中科所左西年老师所开发的“同源体素半球功能连接”（voxel mirroned homotopic connectivity, VMHC）
  • 把左半球的一个体素，直接镜像映射到右半球上，看两个对称体素的功能连接。

结构连接

  • 定义一个起始区域（start zone，SZ），再定义一个目标区域（end zone，EZ），通过DTI分析，看两个区域之间的白质纤维是怎么连接起来的。
  • DTI原理：Probabilistic fiber tracking
  • 具体步骤：
    1. 先使用80个HCP的被试数据，把胼胝体分割为5段。这5段分别对应5个部分的大脑左右半球，比如后部的胼胝体负责后部的大脑连接，前面的胼胝体对应PFC的大脑连接。
    2. 把胼胝体上的每一个像素当作一个SZ，把大脑皮层5个部分每一个部分整体当作一个EZ；
    3. 然后，每个体素可以得到5个值，分别对应5个大脑皮策区域；使用winner take all 策略对胼胝体进行分类，从而将其分割为5段。
    4. 再把分割好的模板应用到研究者自己采集的ALS病人身上，再进行跨半球的结构连接；
    5. 此时，将分割好的5段胼胝体当作way point in 2-end level fiber tracking，也就是说SZ到EZ的连接中，中间放上way point，只有通过胼胝体5段之一的连接才认为是有效连接。这样可以保证得到的连接的确是通过胼胝体的左右半球连接。
  • 结果发现CC vs ALA 在motor cortex上面，DTI的指标差异显著。

Conclusions

  • 本文提供了直接的证据证明了胼胝体病变后，左右半球的功能和结构连接都有损伤（compromised）。

Jiuquan Zhang, Bing Ji, Jun Hu, Chaoyang Zhou, Longchuan Li, Zhihao LiCA, Xuequan Huang, Xiaoping Hu. Aberrant interhemispheric homotopic functional and structural connectivity in amyotrophic lateral sclerosis. J. Neurol. Neurosurg. Psychiatry. 2017. 88:374-380

4. Dynamic Thalamus Segmentation 丘脑的动态分割

Quetions

  • 丘脑有很多核团，但每个核团在不同的疾病中起着不同的作用
  • 例如，帕金森疾病，病变从脑干开始，一步步向上蚕食。但是PD并不受影响整个丘脑，只对丘脑中的某个核团产生影响。
  • 但是之前的分割，主要是采用DTI和标准rfMRI方法进行的静态分割。而两者的结果并不一致。
  • 为什么呢？首先结构是稳定的，但是功能是在动态变化的，在静息态6-8分钟的过程中，并不能保证丘脑的功能连接的模式是稳定不变的，有可能前面一分钟其和PFC在对话，后面3分钟又去和枕叶聊天。

Methods

时间曲线聚类（所有丘脑体素都纳入分析，空间属性固定，把时间属性聚类）

  • 第一步，构建丘脑体素和全脑皮层的功能连接矩阵。丘脑的每个体素作为矩阵的行向量，大约有2000多个体素，对应两千行；大脑皮层分为5个lobe了，把5个lobels作为列向量。然后，丘脑每个体素和每个lobel做FC，就可以得到每个被试的连接矩阵；
  • 第二步，设置时间窗（约10s-20s，可以通过算法找到最优的时间窗长度），把被试的静息态的时间点分成若干时间段，然后在每个时间段上都可以得到一个功能连接矩阵；
  • 第三步，机器学习。把每个被试所有时间窗的FC交给分类器进行训练，最终一共得到9个FC pattern（分类原理：类内距离最小，类间距离最大）。
  • 第四步，把所有人的同一个state合并到一起，表明在组水平上丘脑的9种功能连接模式；

空间分割 （固定时间属性，把空间属性聚类）

  • 对得到的9个state，在行尺度上（体素）进行聚类，把相似的行归为一类；
  • 机器学习的原理同上，类内距离最小，类间距离最大
  • 然后，在不同的丘脑状态下，就可以得到9个丘脑分割；
  • 最后，把9个丘脑合并起来（merge）。标注那些墙头草，给每个亚单元一个label。

Results

  • 最终发现，发现丘脑的一个叫MD亚单元（墙头草就是它！）与大脑皮层的最强连接在9个状态下，是不同的，随时间发生变化。
  • 动态分割的结果，相比静态分割的结果，和丘脑的moral atlas更相似。

Bing Ji, Zhihao Li, Kaiming Li, Longchuan Li, Jason Langley, Hui Shen, Shengdong Nie, Renjie Zhang, Xiaoping Hu. Dynamic thalamus parcellation from resting-state fMRI data. Hum Brain Mapp. 2016. 37:954-967