多模态神经影像与脑连接组学
人脑连接组图谱构建与认知能力预测相关性分析
人脑连接组图谱构建与认知能力预测相关性分析人脑是一个十分复杂的系统，由大量的神经元通过连接构成。
这些连接被称为人脑连接组，是人脑功能和认知能力的基础。
随着神经科学和脑成像技术的进步，逐渐增加的研究项目和数据已经允许科学家们构建人脑连接组图谱，并探索其与认知能力之间的相关性。
构建人脑连接组图谱的过程涉及使用非侵入性的脑成像技术，例如功能性磁共振成像（fMRI）和弥散张量成像（DTI），来获取大脑的结构和功能信息。
这些成像技术可以帮助我们理解不同区域之间的连接和信息传递方式，从而建立起连接组图谱。
一旦建立了连接组图谱，就可以使用网络分析方法来研究连接的特性和拓扑结构。
目前，已经有许多研究致力于探索人脑连接组图谱与认知能力之间的关系。
这些研究通过使用不同的认知任务进行行为测量，然后将测量结果与人脑连接组进行相关性分析，以了解认知能力与大脑互动的方式。
通过研究大量被试的数据，科学家们可以获取有关特定认知能力（如学习、记忆、决策等）与人脑连接组之间相互作用的详细信息。
研究人员已经发现了一些具有预测认知能力的连接模式。
例如，某些连接的强度和密度与工作记忆能力有关。
工作记忆是指一个人在短时间内储存和处理信息的能力，与许多日常认知任务密切相关。
研究表明，工作记忆能力较高的人往往具有较强的前额叶和顶叶之间的连接。
这种连接模式可能反映了大脑进行信息储存和处理的方式，从而影响了工作记忆的表现。
此外，人脑连接组图谱还与其他认知能力相关。
例如，执行功能是一个涉及规划、决策和灵活性的认知过程，与人脑的网络连接有关。
研究发现，在训练专业音乐家和数学家等高度专业的个体中，执行功能区域之间的连接更加紧密，这可能有助于他们在相关领域中表现出色。
与此相反，一些神经网络的弱连接则与认知能力下降相关，如老年人中的记忆衰退。
人脑连接组图谱的构建和认知能力预测不仅有助于理解人类认知的神经机制，还对疾病诊断和个体差异研究具有重要意义。
例如，某些神经精神疾病，如自闭症和精神分裂症，可能与特定的连接模式异常相关。
神经影像学研究中的脑功能连接分析
神经影像学研究中的脑功能连接分析神经影像学是一门研究脑部活动的学科，通过使用先进的成像技术，如磁共振成像（MRI）和脑电图（EEG），来观察和记录脑功能。
在这方面的研究中，脑功能连接分析是一个重要的方法，它可以揭示脑内不同区域之间的信息传递和协调。
在脑功能连接分析中，研究者通常使用功能磁共振成像（fMRI）来观察脑部活动。
fMRI可以测量脑部不同区域的血液氧合水平，从而间接反映该区域的神经活动程度。
通过多个时间点的数据采集，可以得到一个脑活动的时间序列。
脑功能连接分析的目标是研究脑内不同区域之间的功能联系。
这种联系可以通过计算脑中不同区域之间的相关性来实现。
一种常用的方法是计算区域间的功能连接强度，即两个区域之间的脑活动时序相关程度。
如果两个区域的活动变化趋势相似，那么它们之间的功能连接强度就会增加。
利用脑功能连接分析，研究者可以深入了解脑内各个区域之间的信息传递和协调。
例如，一项研究发现，在执行认知任务时，前额叶皮层与背侧脑区之间的功能连接会增强。
这说明这两个脑区在执行认知任务时相互协调，并共同完成任务。
类似地，在情绪处理中，大脑的杏仁核和前额叶皮层之间的功能连接也被发现发挥着重要的作用。
脑功能连接分析不仅可以提供有关脑部功能的信息，还可以用于疾病的研究。
许多神经精神疾病，如精神分裂症和抑郁症，都与脑部功能连接异常有关。
通过比较患者与健康对照组的功能连接模式，研究者可以揭示这些疾病的脑部基础。
例如，一项研究发现，精神分裂症患者的脑功能连接模式与健康人有所不同，这可能与他们的认知和情绪问题有关。
除了fMRI，脑电图也是脑功能连接分析的重要工具。
脑电图可以记录脑电活动的电压变化，从而反映脑功能的时间特性。
脑电图可以提供更高的时间分辨率，因此在研究某些脑功能活动时更有优势。
通过计算脑电图中的相干性或时频分析，研究者可以了解脑内不同区域之间的时间关系和频率特征。
总之，脑功能连接分析是神经影像学研究中一项重要的技术。
多模态成像技术在神经科学研究中的创新应用
多模态成像技术在神经科学研究中的创新应用概述：神经科学研究旨在理解人类大脑的功能和结构。
多模态成像技术成为了该领域中的一项重要工具，可以非侵入性地观察和记录神经活动，帮助研究人员更好地理解大脑的复杂机制。
本文将介绍多模态成像技术的原理、应用和创新进展，并探讨其未来的发展方向。
一、多模态成像技术的原理多模态成像技术结合了不同成像技术的优势，可以提供更全面和准确的大脑成像信息。
常见的多模态成像技术包括功能性磁共振成像（fMRI）、脑电图（EEG）、脑磁图（MEG）、磁顶技术（NIRS）和脑成像（PET）等。
1.功能性磁共振成像（fMRI）：通过检测血液氧合水平的变化以及血流量的改变，揭示大脑不同区域的活动和功能连接。
2.脑电图（EEG）：通过电极在头皮上记录脑电活动，提供高时间分辨率的神经活动信息。
3.脑磁图（MEG）：利用超导量子干涉型仪器检测脑部产生的微弱磁场，提供高时空分辨率的活动信息。
4.功能近红外光谱（NIRS）：测量大脑皮层的光散射和吸收变化，揭示大脑在特定任务下的血氧水平变化。
5.正电子发射断层扫描（PET）：通过注射放射性示踪物质来探测生物体内部代谢和活动水平的变化。
这些技术各自具有独特的优势和局限性，而多模态成像技术的集成为神经科学研究提供了更为全面和准确的信息。
二、多模态成像技术的应用多模态成像技术在神经科学研究领域具有广泛的应用，下面将介绍几个创新领域中的应用示例：1.认知功能研究：多模态成像技术可以帮助科学家更好地理解大脑在认知任务执行过程中的机制。
通过组合fMRI和EEG，研究人员能够同时获得大脑的结构和功能信息，揭示认知功能与神经活动之间的关系。
2.神经网络连接研究：多模态成像技术可以帮助研究人员了解大脑中不同区域之间的连接方式。
通过结合fMRI和MEG等技术，研究人员可以观察到大脑活动的时空模式，并推断不同脑区之间的功能连接。
3.神经可塑性研究：多模态成像技术有助于研究人员探索大脑在学习和记忆过程中的可塑性。
多模态神经影像与脑连接组学
连接组学的研究进展
连接组学在神经退行性疾病研究中的应用
01
通过研究阿尔茨海默病、帕金森病等神经退行性疾病患者的大
脑连接模式，深入了解疾病的发病机制和发展过程。
连接组学在精神疾病研究中的应用
02
利用连接组学方法研究抑郁症、焦虑症等精神疾病的脑连接异
常，有助于发现新的治疗靶点和干预手段。
连接组学在认知科学中的应用
• 伦理和社会影响：随着多模态神经影像技术的发展，也引发了一系列伦理和社 会问题，如数据隐私、安全性以及潜在的滥用风险等。在未来的研究中，需要 充分考虑这些伦理和社会问题，并制定相应的规范和措施来保护研究参与者的 权益。
THANKS
感谢观看
03
通过研究正常人的大脑连接模式，揭示认知过程和行为的神经
基础，促进对人类智力和行为的深入理解。
04
多模态神经影像在脑连接组学中的应用
神经影像数据的采集与处理
结构影像
功能影像
扩散张量成像
静息态功能连接
利用MRI技术获取大脑 结构信息，包括灰质、
白质和脑脊液等。
通过fMRI技术观察大脑 活动，了解不同脑区之
利用DTI技术追踪神经纤维束 ，构建纤维束网络。
网络分析方法
利用图论等数学工具对脑网络 进行分析，研究其拓扑结构和
功能属性。
脑功能连接的研究
同步性分析
分析不同脑区之间在功能活动 上的同步性，了解它们之间的
信息交流。
功能连接的稳定性
研究功能连接在不同时间点上 的稳定性，了解大脑功能的动 态变化。
连接模式与认知功能
间的功能联系。
DTI技术用于研究神经纤 维束的走向和完整性。
rs-fMRI技术用于分析大 脑在静息状态下的功能
多模态脑影像数据的融合及应用分析
多模态脑影像数据的融合及应用分析随着科技的不断进步，人类对人脑的认知也在不断提升。
多模态脑影像技术成为我们认知人脑的重要方法之一。
但是，单一模态脑影像技术存在许多局限性，融合多模态脑影像数据成为了当下热门的研究方向之一。
本文就多模态脑影像数据的融合及应用进行探讨。
一、多模态脑影像数据的融合多模态脑影像数据是指多种脑影像技术获得的数据，如磁共振成像（MRI）、功能性磁共振成像（fMRI）、磁电图（MEG）、电图（EEG）等。
这些脑影像技术各自存在着优势和局限性，但是将它们融合起来，可以互补优势，提高精度，更全面地解读人脑。
多模态脑影像数据的融合方式有很多种，最常见的是结构和功能的融合。
结构融合是指将MRI等结构成像数据和其他功能影像数据进行融合。
这种方法可以更准确地确定脑解剖结构和病变区域，并可用于治疗计划的规划。
功能融合则是将不同功能成像数据融合在一起。
举个例子，fMRI可以检测到活动区域，而MEG可以检测到脑电信号。
将它们融合在一起，可以进一步确定病变区域和评估神经功能。
另外，混合模型融合是指将不同模态数据融合起来，例如将MRI和PET（正电子发射断层扫描）融合在一起，用于肿瘤和神经退行性疾病的诊断。
以上是多模态脑影像数据的常见融合方式，但是在实际应用中，要根据具体情况选取最佳融合方式。
二、多模态脑影像数据的应用分析多模态脑影像数据的应用范围广泛，这里我们列举几个典型的应用领域。
1. 神经科学多模态脑影像技术在神经科学中的应用非常广泛。
它可以帮助研究者更好地了解脑的结构和功能，进一步推动神经科学的发展。
例如，利用多模态脑影像技术可以研究不同认知任务的神经活动和功能联结，探究人脑智力活动的机制；还可以探究神经退行性疾病的病因和治疗方法。
2. 临床医学多模态脑影像技术在临床医学中的应用也非常广泛，尤其是在神经外科中。
它可以帮助医生更准确地确定神经病变区域，制定手术计划，降低手术风险。
同时，多模态脑影像技术还可以用于进行神经疾病的诊断、评估、治疗和监测。
基于多模态脑影像数据分析的认知神经科学研究
基于多模态脑影像数据分析的认知神经科学研究随着神经科学的不断发展，越来越多的科学家开始采用多模态脑影像数据来进行神经科学研究。
这种方法不仅能够有效地结合各种脑影像数据，同时也能够更好地理解和研究人类认知的神经机制。
一、多模态脑影像数据多模态脑影像数据是指一种结合了多种脑影像数据的研究方法。
这些数据包括磁共振成像(MRI)、脑电图(EEG)、正电子发射断层扫描术(PET)、功能性磁共振成像(fMRI)等。
通过这种方法，科学家们可以同时从不同角度观察大脑活动，以更好地了解人类认知和学习的神经机制。
二、多模态脑影像数据分析在认知神经科学研究中的应用1.认知功能的空间定位多模态脑影像数据分析能够在大脑图像上给出准确的三维空间定位，同时也可以对认知功能的特定部位进行定位。
例如，在我们的研究中，科学家们可以同时使用MRI和EEG来分析大脑中的不同部位，以查明特定的认知功能是如何发挥作用的。
2.研究认知功能的动态过程单一模态数据可能无法充分地揭示大脑中认知功能的动态过程。
例如，在时间维度上，脑电图和功能性磁共振成像可以一起用于研究认知功能的动态演化。
3.神经可塑性研究多模态脑影像数据分析还可以在神经可塑性方面提供一定的帮助。
例如，在一个长期的训练过程中，科学家们可以使用EEG和MRI等数据来观察大脑中的变化，以分析不同认知和学习过程对神经可塑性的影响。
三、多模态脑影像数据分析所面临的挑战尽管多模态脑影像数据分析为认知神经科学研究带来了很多创新和进步，但是它仍然面临着许多挑战。
1.数据质量不同模态的数据质量不一定相同，因此科学家们需要花费很多时间和精力来证实数据的可靠性。
2.数据整合将不同模态的数据整合成一个准确的模型需要许多复杂的步骤和技术，并且需要专业人员进行分析和确认。
3.技术标准化目前，多模态脑影像数据分析并没有统一且普遍认同的技术标准化，因此在实践中会存在一定程度的不一致性和不确定性。
四、未来发展趋势未来，多模态脑影像数据分析将会越来越成为认知神经科学研究的一个重要领域。
神经影像学和多模态影像技术
神经影像学和多模态影像技术神经影像学和多模态影像技术是近年来医学领域中发展非常迅速的一种技术。
它利用高科技设备对人体进行无创性检查，可以获得高分辨率的图像和生理参数，帮助医生实现病因的精确定位和疾病的早期诊断。
本文将基于此，从以下几个方面进行探讨。
一、神经影像学的发展历程神经影像学是以医学影像学为基础的神经科学，在自然科学、工程学、计算机科学等多项重要的学科领域中进行了融合。
神经影像学的发展可以追溯到20世纪50年代初，当时医学界的研究人员开始使用放射性核素标记的试剂来检测体内器官的代谢活动，这就是最早的核医学成像技术。
随着计算机技术的发展，神经影像学逐步发展出了磁共振成像（MRI）技术和计算机断层摄影（CT）技术。
这些成像技术的出现大大增强了医生诊断的能力。
近年来，神经影像学技术的不断更新替换，VR/AR技术的引入，为我们提供了更为全面和精确的神经系统仿真成像，为神经学和影像学的交叉发展注入了新的活力。
二、多模态影像技术的应用目前神经影像学技术越来越侧重于多模态影像技术，即将多种成像技术组合使用，以更为全面和详细的方式来描绘人体内部的器官和组织，同时结合医生的专业知识和经验，可使用少量的辅助检查物品，调整组合方式，即可为医疗工作者提供更好的诊断和治疗方案。
多模态影像技术是医学影像技术领域的重要发展方向，它可以整合多种图像数据得到的结果，具有高分辨率、高准确性、高灵敏度和高特异性等特点，在疾病诊断、预测和治疗中具有广泛的应用前景。
三、神经影像学对神经科学的价值神经影像学技术的不断发展和应用，使得我们对于人类大脑和神经系统的结构和功能有了更为深入的认识。
人类大脑是一个复杂的器官，蕴含着许多秘密。
神经影像学可以帮助我们在研究和理解人类大脑和神经系统时提供更为完整、直观和准确的数据，从而为神经科学的发展做出重要的贡献。
除此之外，神经影像学还可以为科学家们提供精确的研究方法和途径，有助于发现新型的神经疾病和治疗方法。
多模态神经影像技术在神经科学研究中的应用
多模态神经影像技术在神经科学研究中的应用神经科学研究是为了更好地理解和解释人类大脑及其功能，探索神经系统如何影响行为、思维和情感。
多模态神经影像技术是一种综合利用多种成像技术来观察和研究大脑结构和功能的方法。
这些技术的应用对于神经科学研究具有重要的意义。
本文将讨论多模态神经影像技术在神经科学研究中的应用。
多模态神经影像技术包括结构磁共振成像（sMRI）和功能磁共振成像（fMRI），以及其他辅助成像技术，如电生理记录（EEG）、脑电图（EEG）、磁脑电图（MEG）、脑部血流和代谢成像等。
这些技术可以在非侵入性的情况下提供有关大脑结构和功能的详细信息。
首先，多模态神经影像技术在人类语言和认知研究方面发挥了重要作用。
通过融合sMRI和fMRI成像技术，研究人员可以观察大脑在语言和认知任务中的激活模式。
例如，在语言处理实验中，利用fMRI技术可以显示大脑特定区域（如布罗卡区和Wernicke区）的活动，从而揭示语言产生和理解的神经机制。
同时，sMRI可以提供关于这些区域的结构信息，为解释功能成像结果提供基础。
融合多个成像技术的方法可以提供更全面和准确的信息，从而推动我们对大脑语言和认知过程的理解。
多模态神经影像技术还有助于研究神经发育和神经退行性疾病。
通过比较青少年和成年人，以及健康人群和疾病患者，神经科学家可以观察到大脑结构和功能的变化。
例如，在青少年大脑发育的研究中，结合sMRI和fMRI技术可以揭示大脑区域的体积增长和功能网络的建立对于认知和情绪调控的重要性。
此外，利用多模态神经影像技术还可以研究神经退行性疾病如阿尔茨海默病和帕金森病的大脑表现以及疾病进展过程。
除此之外，多模态神经影像技术在神经精神疾病的研究中也发挥着重要作用。
例如，利用sMRI和fMRI技术可以揭示精神疾病患者大脑结构的变化和功能异常。
研究人员可以通过比较健康人群和疾病患者的脑图像，进一步了解这些疾病的病因和神经机制。
此外，多模态神经影像技术还可以用于评估药物治疗对神经精神疾病大脑功能的影响，帮助开发更有效的治疗方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多通道fNRIS机 探头的数量可以根据研究实际人为的减少或增加，可操作性 强
fNRIS工作原理 激活的脑区脱氧血红蛋白含量增高，对近红光的吸收增加， 反射量减少，从而产生信号差异
fNRIS与fMRI相比的优缺点
fNRIS用于静息态功能连接（RSFC）的研究方法
根据光密度的改变分析Oxy-Hb和Deoxy-Hb的含量差异，识 别出激活脑区，最后做相关分析
什么是“网络”？
网络是由相互分离的多重元素组成，但相互联系并且协同工作的系 统
Network is a system consists of multiple elements which are connected and operated together
网络图论
在图论分析法中构成网络的最基本元素为‚点‛（Nodes） 和连接点的‚边‛(Edges)
会议简介
人脑连接组学（Human Connectome）已成为当前神经科 学领域最受关注的研究热点和前沿方向之一，目前采用 不同模态的神经成像技术，提取活体人脑的全脑结构与 功能连接模式，运用图论分析法揭示脑网络组织形式及 其拓扑属性。这种计算和分析框架可以用于神经发育、 老化及神经精神等疾病的研究
参会目的
基于多模态神经影像与 脑连接组研究具备巨大 科研价值和应用潜力， 同时由于该类研究属于 交叉学科，需要研究者 具备多个学科的基础和 背景知识，所以作为临 床医疗机构，本实验室 需要参加此类会议以实 现诸多繁琐的计算方法 和步骤，从而最终达到 提高本实验室的神经科 学研究水平的目的
课程设置
计算机利用DTI数据把大脑分成无数个体素，并且建立每 个体素内的水分子弥散张量模型，通过模型内各个方向 的异向性系数估计纤维走向。
DTI的两种追踪方法
确定性纤维追踪 (Deterministic Fiber Tracking)
缺点：无法解决纤维交叉问
优点：计算消耗时间短，纤维成像清晰 题
概率性纤维追踪 (Probabilistic Fiber Tracking)
多模态神经影像与脑连接组学专题会议
会议时间：2015-04-17— 04-19 会议地点：北京师范大学 认知神经科学与学习 国家重点实验室/ 麦戈文脑研究院 参会人员：夏春生 张栋
Special sessions for Multi-modeling imaging and Human connectome
fNRIS研究结果与fMRI相比具有一致性
根据相关对比研究证明fNRIS同样可以用于网络MRI相比具有相似的功能，同时又具有价格便 宜，操作简便，高时间分辨率、设备无噪音，头动要求低， 患者被试易合作，婴幼儿和体内金属植入者都可以使用等 明显优势。目前国内此领域研究刚刚起步，只有极少数医 院引进此类设备，希望我科室能够引起足够重视，可作为 科研设备或者常规检查仪器引入
枢纽中心节点（Rich club ，huds）网络中存在一些与其 他诸多节点联系非常机密，在整个网络信息传输中起到 关键作用的节点，类似与交通网络中的枢纽
网络图论的应用
利用网络的模块化、层级性和中心节点等属性，定义功 能节点和感兴趣区，再通过计算机数据分析构建脑网络， 从而可以直观的呈现出脑网络结构特性。为进一步的疾 病脑网络异常分析提供有效依据 模块定义 (Module Definition) 根据研究目的定义研究模块 及感兴趣区
小世界网络
小世界网络（Small-world network）具有较高的全局效率 和局部效率，是网络信息传递效率最高的网络形式。而 经研究证明人脑网络符合小世界网络属性
复杂网络的拓扑特性
模块化（Module）分布相对稀疏但是联系十分紧密的节 点集团即为模块化
层级性（Hierarchy）各个节点集团之间存在明显的层级 关系，上下级之间联系紧密，信息传递效率极高，但不 同层级之间只能通过更高层次的节点相互联系，信息传 递效率较低
功能性近红外光谱成像在脑连接组学中的研究
Functional Near Infrared Spectroscopy(fNRIS) Imaging.
什么是近红外线？
近红外线波长长，穿透力好,不易被组织吸收，反射量大
fNRIS的构成
发射源：发射近红光
探头：接收组织发射回的近红光
计算机：数据处理分析
03 脑功能连接组学分析软件Gretna详解
4.19-01 基于结构MRI的脑连接组学计算方法与应用 02 神经影像连接组学相关文章撰写与评审
03 脑连接组学可视化软件Brainnet Viewer详解与实例操作
人脑连接组学研究概况
2005年，印第安娜大学Olaf Sporns教授正式提出 ‚Connectome‛概念。将其定义并描述为大脑内神经连 接网络的‚地图‛ 2009年，美国国立卫生研究院（NIH）正式宣布实施‚人 脑连接组学计划‛（Human Connectome Progect,HCP）
网络参数是否可重复？个体差异
基于DTI的脑白质网络的应用研究
复杂网络的拓扑属性描述
大脑正常发育研究
正常发育研究发现'between-module strength'在0--20岁研 究组内随年龄增长而增强，支持大脑发育的表现
正常发育研究发现结构连接（SC）和功能连接(FC)两者的 相关性（Correlation）在0--20岁组内随年龄增长而加强
4.16
注册、领取材料、软件安装等。（脑成像中心）
4.17-01 人脑连接组学研究概况
02 图论知识基础
03 磁共振成像基本原理、数据采集及注意事项 04 DTI的脑结构连接组学计算方法与应用研究
05 脑结构连接组学分析软件PANDA详解
4.18-01 fMRI的脑功能连接组学计算方法与应用研究 02 fNIRS的脑功能连接组学计算方法与应用研究
节点度量 (Nodal metrics)
度 (Degree) 度分布 (Degree distribution) 介数 (Betweenness) 节点效率 (Nodal efficiency)
复杂网络
小世界网络 (Small-world network) 无标度网络 (Scale-free network)
第五步：综合数据分析讨论
基本流程示意图Ⅰ（单个数据纤维追踪和特征化处理）
基本流程示意图Ⅱ（数据总体处理步骤）
基本流程示意图Ⅲ（复杂网络拓扑属性统计检验）
基本流程示意图Ⅳ（数据结果生成）
基于DTI研究脑白质纤维网络的问题与挑战
脑节点选取方案无同一标准
边权重的定义概念模糊，难以标准化
Graph is made up of 'nodes' and lines called edges that connect them
衡量网络属性的指标
全局度量 （Global metrics）
稀疏度 （Sparsity） 平均路径长度 (Average path length) 丛集系数 (Clustering coefficient) 全局效率 (Global efficiency) 局部效率 (Local efficiency)
图论分析法
Graph theoretical analysis
图论知识基础
Application of Graph theoretical analysis in Human connectome 图论分析法在脑连接组学中的应用
图论分析法的由来
图论分析法（Graph theoretical analysis）是源自瑞士数学家欧拉的 《哥尼斯堡七桥理论》，这个理论不仅解决了当地居民关于能否在 不重复走同一座桥的前提下一次性走完哥尼斯堡七桥的困扰，同时 开创了数学领域的全新分支——图论和几何拓扑
基于弥散张量成像（DTI）研究白质纤维
弥散张量成像（Diffusion tensor imaging,DTI）利用水分子 在脑白质中的异向性扩散特性来追踪重建白质纤维走向
优点：无创，可直接用于活体人类，操作相对简单，能够得到具体 的网络拓扑属性数据，成像质量可靠，可广泛用于各种疾病的研究
DTI纤维追踪原理
智力水平相关性研究
正常智力水平研究组，全局效率（Global Efficiency）随着 IQ值得增加而增长，支持智力水平高者脑信息处理的高 效率。
神经系统疾病研究
Alzheimer's Disease病人在全局效率、相关‘hubs’的度 及介数等拓扑属性指标和健康人相比成下降趋势，支持 AD病人大脑认知功能下降的临床表现
精神分裂症（Schizophrenia）与Health controls 相比， Rich-club level呈下降趋势，支持该类患者认知功能下降， 并且存在结构连接和功能连接相关性（SC-FC Coupling） 下降的现象
功能性近红外光谱成像在脑连接组学中的研究
Functional Near Infrared Spectroscopy(fNRIS) Imaging
相关软件
数据处理相关Matlab、GRETNA、PANDA、Brainnet Viewer、 Trackvis等软件具体操作过程暂不赘述。
基于DTI的脑白质网络计算方法及应用研究
基于DTI的脑白质网络计算方法
传统脑白质研究方法
示踪剂追踪（Axonal tracing） 缺点：有创性，操作复杂，只能用于 活体动物实验，追踪纤维有限，同一个体难以多次追踪 外科解剖剥离(Surgical dissection) 缺点：只能用于尸体解剖和动物实 验，仅能够分离出粗大明显的纤维束