现代磁共振技术的发展使得人类可以在无伤害的前提下获得大脑内部的图像。通过不同模态的图像,我们不仅能够观察和区分不同的大脑结构,而且令人兴奋的是,基于功能磁共振成像我们还可以记录和衡量大脑的功能活动状态。这为揭开大脑之谜,探索大脑的功能体制和架构提供了新的途径和线索。随着神经科学、认知科学、以及心理学的发展,一些复杂系统模型开始被逐渐纳入大脑功能的研究。其中大脑功能网络的假说被广泛研究和推崇。目前领域内对于功能网络的研究主要分为两个分支:大尺度的“节点-连接”模型和像素级别“成分分析”模型。“节点-连接”模型研究的最大难点是网络节点的选择,而“成分分析”模型的重要问题便是定义符合神经活动的成分间关系。本文应对这两个难点提出采用DICCCOL作为“节点-连接”模型的节点,而采用稀疏性来描述神经活动特点。DICCCOL(音[’daik?l],是英文Dense Individualized and Common Connectivity-based Cortical Landmarks的首字母缩写,意为密集的、个体化且共有的基于连接模式的大脑皮层节点)系统作为大脑结构网络研究的杰出代表在领域内倍受关注,为功能网络的研究提供了一套普遍适用的定位系统和统计平台。本论文将阐述DICCCOL在大脑功能架构描述上的重要应用。DICCCOL在大尺度的“节点-连接”网络模型中发挥了重要的作用,但其本身是对功能图像的局部采样和归纳抽象,真正在像素级别全面的研究全脑功能架构需要一系列能够支持大数据挖掘的方法论。近年来,稀疏编码在自然图像领域尤为活跃,但是很少有研究把它应用在医学图像的研究中,如磁共振功能图像。本论文另外一部分研究内容聚焦在稀疏编码对全脑功能网络的描述。简而概之,本论文的研究内容如下:1.提出了关于激活网络的新方法——从节点到链接?基于DICCCOL的群组级别激活检测。很长时间以来,群组级别的fMRI分析主要是基于配准来建立起个体之间的结构的对应关系。但是配准算法很难解决个体之间的结构差异性。而DICCCOL系统从纤维连接的特征空间更好的解决了个体结构对应关系的问题。因此基于DICCCOL建立起来的个体之间的对应关系我们建立了一套新的群组级别的激活检测方法。该方法显著提高了激活检测的灵敏度。?功能链接的群组激活检测。现代脑科学认为大脑功能的实现不单纯是区域的激活,而是网络级别的协同工作,因此如何定义网络级别的大脑激活也是领域内非常热议的话题。DICCCOL系统的出现为我们研究大脑网络提供了重要的基本单位支持——网络节点的定义。我们基于DICCCOL系统探索网络节点之间动态交互的激活,由这些节点链接的激活为我们定义了大脑的激活网络。2.提出了复杂大脑网络结构描述的新方法?人类认知系统的多层次表达。现代神经科学研究表明,人类大脑的认知存在着自下而上的多层次信息结构。信息流会在不同层次的大脑区域节点之间传递和交互。然而目前基于功能图像的大脑认知学的研究还没有适当的模型来描述这种多层次结构。同样是基于DICCCOL的特点和优势,我们提出了大脑认知结构的多层次表达。?基于DICCCOL的可重叠大脑功能网络的描述。稀疏性是神经细胞活动的特点,不同的神经元稀疏的组合可以实现不同的功能。而同样的神经元与不同的神经元交互可以实现不同的功能。那么在功能图像的级别,神经活动是否也表现出同样的稀疏性和重叠性呢?我们对群组级别的DICCCOL fMRI信号进行稀疏编码,实现了可重叠稀疏大脑网络的表达。3.全脑功能网络的稀疏表达?基于稀疏编码的全脑网络表达。基于DICCCOL fMRI信号的稀疏编码成功实现了可重叠大脑功能网络的分解。那么如果将稀疏编码应用在全脑信号上可否得到更高复杂程度和分辨率的功能网络呢?带着这个问题我们对全脑fMRI信号的稀疏表达进行了初步探索。结果表明稀疏编码能够在大脑中找到有意义的网络。?全脑网络图谱与交互。我们的研究发现通过稀疏表达可以将一个全脑的fMRI信号集分解成成百上千的网络,这些网络在个体之间能够找到对应关系。那么我们对这些网络进行归纳,便可以得到大脑功能网络的图谱。而这些网络之间存在着普遍的重叠交互。4.基于全脑功能网络稀疏表达的方法延伸和疾病分析应用?有监督的稀疏编码方法。传统的基于模型的方法不能充分挖掘数量巨大的fMRI信号的信息,而纯数据驱动的字典学习和稀疏编码的方法没有充分利用先验知识。因此我们开发了一种有监督稀疏编码方法。该方法既可以利用时域和空域的先验信息,有监督的学习大脑功能网络,又可以同时自动的学习其他功能网络。?群组稀疏编码在疾病数据上的应用。稀疏表达可以在个体之间找到一致的功能网络,那么如何将这种方法使疾病分析受益呢?我们将群组级别稀疏表达方法在多群组的孕期受酒精摄入影响的青少年(Prenatal Alcohol Exposure:PAE)的任务fMRI数据上进行了应用,发现稀疏表达的方法可以很好的找到疾病群组与正常群组在功能网络上的区别。