本文使用弥散张量成像及白质纤维束追踪技术构建和分析了 15 名脑性瘫痪患儿和 30 名正常婴儿大脑的白质脑网络，发现脑性瘫痪患儿和正常婴儿的白质脑网络都具有”小世界”属性，但患儿的最短路径长度明显变长，而标准聚类系数、全局效率和局部效率明显下降。此外，我们还发现左脑楔叶、左右脑楔前叶以及左脑扣带回后部是婴儿白质脑网络的核心节点，患儿白质脑网络的部分节点存在异常，且异常节点多集中于颞叶、枕叶和顶叶。本文结果表明脑性瘫痪婴儿的白质脑网络已经出现紊乱的现象，这为我们进一步研究脑性瘫痪儿童的发病机制提供了帮助。
引用本文： 李均, 杨澄, 王远军, 聂生东. 脑性瘫痪婴儿的白质脑网络研究. 生物医学工程学杂志, 2017, 34(5): 688-694. doi: 10.7507/1001-5515.201612044 复制
引言
脑性瘫痪是最常见的儿童慢性运动障碍疾病，它是指发育中的胎儿或刚出生的婴儿因各种干扰而导致的非进行性脑损伤，通常是因为脑白质中出现弥漫性损伤或者局灶性病变，而当这些损伤或病变发生在脑室的周围区域时最为严重。它引发的神经学缺陷症状与患儿大脑结构损伤的位置以及严重程度有关，主要表现为运动障碍，常常伴随认知行为障碍、语言交流能力下降、癫痫等症状[1]。如今早产儿存活率的上升也提高了脑性瘫痪的患病率，每 1 000 个儿童中大约有 2～3 个脑性瘫痪的患儿[2]，这些患儿及其家庭将遭遇到难以估量的健康、心理和经济等问题。所以，针对脑性瘫痪这一疾病，最重要的是合理适当地采取防止其发生、降低患病率、改善患者病情等一系列措施。
目前脑性瘫痪的诊断主要是通过医学影像技术做神经学评估[1]，比如脑部的电子计算机断层扫描（computed tomography，CT）、颅脑超声、核磁共振 T1 加权图像、T2 加权图像等。然而这些脑部结构成像并不能精确反映脑性瘫痪患儿的受损脑区与临床脑功能障碍之间的联系。当白质损伤的面积较大时，在脑部结构成像中才容易被观察到，而在脑性瘫痪患儿的大脑中，同等严重的脑功能损伤反映在脑部结构成像中可能只是很小的脑白质病变区域，甚至可能没有明显的神经影像结果[2]，此时常规的脑部结构成像并不利于儿童脑性瘫痪的诊断。所以目前迫切需要一个新的工具来更好地衡量脑性瘫痪患儿脑结构异常与临床脑功能障碍之间的关系。
弥散张量成像（diffusion tensor imaging，DTI）是一种研究脑白质结构变化的非侵入式医学成像技术，虽然相关研究已经能将 DTI 用于探索脑性瘫痪患者的脑白质异常与认知行为功能缺陷之间的联系，并指出解剖结构上脑白质变化和感觉运动区域的功能障碍之间存在一定的相关性，但是既往研究只是测量和比较感觉运动脑区的各向异性值（fraction anisotropy，FA）[3-6]，部分研究会进一步利用脑白质神经纤维束追踪方法来比较大脑神经纤维束数量的变化[7-10]。尽管这两个方法能侦测到异常脑区，但是 FA 值与神经束数量并不能直接反映疾病状态下大脑各个脑区之间的连通情况。
2005 年，Sporns 等[11]提出构建“人脑连接组”（human connectome）的设想，并且认为可以通过构建人脑网络来探究人脑工作原理，甚至从脑网络角度研究各种脑部神经疾病。近些年来，脑网络作为一种新的脑认知功能测量工具正广泛应用于多种脑疾病研究中，已经发现多种神经疾病与个体脑网络的异常存在着相关性，比如抑郁症[12]、阿尔茨海默病[13-14]、轻度认知障碍等[15]。因此，基于 DTI 图像数据构建并分析脑性瘫痪患儿的结构脑网络，能够将患儿的脑功能进行量化，获得各个脑区之间的连接关系，推测异常脑区的变化等。然而，目前仍少有研究者使用结构脑网络来分析脑性瘫痪患儿的全脑异常，研究患儿的脑白质网络的结构差异和病变程度，为诊断脑性瘫痪患儿提供神经病理学依据。
因此，本研究基于 DTI 图像数据构建脑性瘫痪患儿（试验组）与正常婴儿（对照组）的结构脑网络，然后从全脑以及局部脑区这两个角度，计算脑网络的拓扑属性差异和局部节点特征差异，推测患儿的认知、运动、语言功能的异常。本研究旨在论证结构脑网络作为一种新的研究工具用于衡量脑性瘫痪患儿大脑结构变化的可行性，以期在未来的研究中，结构脑网络可能用于检测和评估脑性瘫痪病情，并有助于病情诊断和选择最佳治疗方案。
1 数据与方法
1.1 数据采集
本研究使用的 DTI 图像数据来自于复旦大学附属儿童医院，包括试验组：15 名被确诊为脑性瘫痪的婴儿，其中男婴 7 名，女婴 8 名；对照组：30 名正常健康的婴儿，其中男婴 17 名，女婴 13 名。所有受试婴儿的年龄都是三个月。试验组为经过医生对脑部图像检查、体格检查及辅助检查后确诊为脑性瘫痪的患儿；对照组是随机筛选的体格匹配的正常健康婴儿。
本研究使用的 DTI 图像数据是由磁共振成像设备 MAGNETOM Avanto（1.5 T，西门子公司/德国）采用回波平面成像序列（Echo-planar imaging，EPI）采集获得，DTI 图像由 20 个弥散敏感系数 b 值为 1 000 s/mm2 的加权图像和 1 个 b 值为 0 的无加权图像（b0 图像）组成。具体扫描参数为：重复时间（repetition time，TR）为 3 400 ms，回波时间（echo time，TE）为 89 ms，成像矩阵为 128×104，层厚为 4 mm。
1.2 脑网络构建方法
脑网络最基本和最关键的两个组成元素是节点和边：节点代表了大脑的各个脑区，边则能反映各个脑区之间的联系。本研究关于节点和边的定义方法与相关文献[12-15]类似，采用下述步骤完成定义。
1.2.1 节点定义 为了定义节点，本研究采用了自动解剖标记模板（automated anatomical labeling 90 atlas，AAL 90），将大脑定义为 90 个脑区，每一个脑区都代表脑网络中的一个节点。首先使用脑部磁共振图像综合分析软件 FSL 5.0（Oxford，英国）的线性配准算法（FMRIB’s linear image registration tool，FLIRT）与非线性配准算法（FMRIB’s non-linear image registration tool，FNIRT）相结合的方法，将每个受试者的 b0 图像配准到蒙特利尔标准空间（Montreal Neurological Institute space，MNI）的 MNI 152 模板。再将得到的配准变换矩阵取逆后应用于 AAL 90 模板，使 MNI 空间的 AAL 90 模板逆变换到每个受试者的始空间（native space），最终让 AAL 90 模板配准到 b0 图像。节点定义中的所有图像处理工作，包括图像预处理中的“脑实质提取”、“涡流校正”以及图像配准，都是使用开源 FSL 5.0 软件包完成的。
1.2.2 边定义 为了定义脑网络中连接节点的边，本研究在每个受试者的原始空间里重建出全脑的白质纤维束。白质纤维束重建工作主要是采用目前脑网络研究中广泛使用的确定性纤维束追踪算法（fiber assignment by continuous tracking，FACT），以每一个体素为种子点，追踪的条件为 FA 大于 0.2 以及纤维束追踪过程两个连接的转角小于 60°[14]。由于 FACT 算法易受图像的分辨率和噪声影响，重建结果中容易包含伪连接。针对这个问题，本研究将当两脑区之间的纤维束连接数目大于 3 时视为存在连接[16]。最后以 FA 和纤维束数目（fiber number，FN）为权重，构建出 FA 加权网络和 FN 加权网络。构建加权网络的优点在于能重点反映受试者大脑的特定属性，比如 FA 加权网络侧重反映了白质纤维束的完整性和导通性，而 FN 网络则侧重反映了白质纤维束的密度[16]。边的定义工作主要是在矩阵实验室 MATLAB 2012（MathWorks Inc.，美国）平台上使用开源脑结构连接组分析软件 PANDA 1.3.1（北京师范大学，中国）完成的，主要包括计算 FA 值、白质纤维束重建、加权网络的构建。
1.3 网络属性分析
本研究主要使用图论计算了两种加权脑网络（FA 加权网络、FN 加权网络）的拓扑参数，既往研究常用它们来确定脑网络的特征属性[17]。各参数均在 MATLAB 2012 平台上使用开源图论网络分析软件包 GRETNA 1.2（北京师范大学，中国）计算。
1.3.1 网络参数 本研究主要计算了两种加权脑网络（FA 加权网络、FN 加权网络）的“小世界”特征参数，既往研究常用它们来确定脑网络的特征属性[17]。其中聚类系数（clustering coefficient，CC）（以符号
表示）被定义为节点与周围节点相连接的概率，反映了脑网络局部区域的内部连接情况，它的表达式如下：
 |
其中 Ei 表示网络连接的边的总数量，Ki 表示节点 i 连接的边数。如果
，那么 Ki=0 或 Ki=1，说明该点是孤立点。
最短路径长度（shortest path length，SPL）（以符号
表示）在脑网络的信息传递与交流中扮演着重要角色，可以形象比喻成点与点之间的最佳路径的平均长度，反映脑区间信息传播的能力，它被定义为：
 |
其中 N 为网络中的节点数，G 代表脑网络矩阵，dij 为节点 i 与节点 j 之间的距离。
为了计算“小世界”属性 σ，本研究选取了 100 个匹配的随机网络（与真实网络相同数量的节点、边和度的分布）[14]，计算随机网络的聚类系数 CCW-random 和最短路径长度
。最后我们计算出标准化聚类系数，
，以及标准化最短路径长度，
。
“小世界”网络具有与规则网络类似的较高的聚类特性[17]，又具有与随机网络类似的较短的
，即是
且
，确保了“小世界”网络在局部和全局水平上信息传输与交流的高效性。所以小世界属性可以用
来衡量，
。
由于
是在全局连通的基础上定义的，然而网络中可能有部分点存在“失连接”的状态，所以针对部分节点“失连接”的情况，以往研究给出全局效率（global efficiency，GE）（以符号 Eg 表示）的定义[17]：
 |
其中 Eg 的值越大，表示信息在这个网络上进行交换所付的代价越小，相对的信息传送和处理效率越高。
同样，聚类系数也是基于全局连通的参数，针对部分节点“失连接”的情况，采用局部效率（local efficiency，LE）（以符号 Eloc 表示）这一参数，它的定义为：
 |
其中 Eloc 的值越大，说明网络的局部效率越高，区域的节点信息交流能力越高。
1.3.2 节点效率 为了确定脑网络结构的节点特征，本研究计算了节点的效率（nodal efficient，NE）（以符号 ei 表示），以此来衡量各个节点的连接以及信息传输效率[17]，评估各个节点在大脑中的作用、地位以及疾病对各个节点的影响。
节点 i 的效率 ei 被定义为：
 |
节点效率 ei 测量了节点 i 与网络中的其余节点之间的信息传播能力。
1.4 统计分析
为了分析比较试验组和对照组的网络参数：聚类系数 CCW，最短路径
，标准聚类系数 γ，标准最短路径 λ，全局效率 Eg 和局部效率 Eloc 以及节点效率 ei，本研究采用独立样本 t 检验计算组间差异，其中 P<0.05 说明组间的差异具有统计学意义，使用柯尔莫诺夫-斯米尔诺夫检验（Kolmogorov-Smirnov test）用来检验连续变量是否符合正态分布以满足t 检验要求。数据分析工作主要是使用 MATLAB 2012 的统计工具箱函数完成。
2 实验结果
2.1 人口学统计结果
既往研究已经报道了性别和年龄将对脑网络产生较大的影响[18-20]，为了排除性别和年龄对结果的影响，首先采用卡方检验检查试验组和对照组的性别差异，结果发现两组受试患儿的性别差异不具有统计学意义（P=0.361）。而两组受试患儿的年龄都是三个月，所以不存在年龄差异。
2.2 “小世界”属性
以往研究显示可以用“小世界”模型来表征脑网络[12-16, 18-20]，通过计算两个受试者组以及与之相匹配的随机网络的 CCW-random 和
，发现这两个受试者组的 γ 远大于随机网络（γ试验组=4.889±1.841，γ对照组=3.918±1.126），而λ 与随机网络很相近（λ试验组=1.200±0.149，λ对照组=1.108±0.045）。所以两个受试者组的“小世界”属性（σ试验组=4.037±1.328，σ对照组=3.521±0.942）都明显大于 1。这一结果说明脑性瘫痪患儿与健康婴儿的脑网络都具有“小世界”网络属性。
2.3 试验组脑网络拓扑属性的异常
对两组受试者的网络参数进行 t 检验，结果发现与对照组相比，试验组的脑网络的 CCW 和 σ（PCC=0.284 和 Pσ=0.139，P 值都大于 0.05）不存在具有统计学意义的差异。而
（t=2.200，P=0.033）和 λ（t=3.107，P=0.003）都明显变大，γ（t=–1.970，P=0.034）明显变小。并且 Eg（t=–2.175，P=0.035）和 Eloc（t=–2.284，P=0.027）也都出现明显下降的现象。
基于以上的结果可以看出，与正常婴儿的脑网络比较，脑性瘫痪患儿的拓扑结构出现了巨大的变化，可能由于疾病影响导致脑网络结构受损，脑网络的效率也出现下降的趋势，这将造成患儿脑网络的信息传输和处理能力下降[13-15]。
2.4 节点特征
2.4.1 核心节点的差异 对于脑网络中的节点属性，本研究通过计算节点效率 ei 来衡量脑网络各个节点的效率。由于大脑需要高效率处理各种信息，所以脑网络中会形成一些特殊的节点——核心节点（hub），这些节点往往具有较高的信息传输效率和信息处理效率，与周围的其他节点紧密关连[21]。本研究中将那些比所有节点的平均节点效率高出一个标准差的节点定义为核心节点[14]。
在对照组中，发现 13 个核心节点，主要包括了 7 个节点位于关联皮层区（association cortex region）、1 个位于原发性皮质区（primary cortex region）、2 个位于皮质下区（subcortical regions）以及 3 个位于边缘皮质区（paralimbic cortex regions），如图 1 所示。然而在试验组中，只存在 10 个核心节点，包括 5 个位于关联皮层区、2 个位于原发性皮质区以及 3 个位于边缘皮质区，如图 2 所示。在图 1 和图 2 中，代表节点的小球的体积越大说明该节点效率越高，反之越低。通过比较两组核心节点，我们发现试验组与对照组存在 4 个共同的核心节点，分别是左脑的楔叶（cuneus，CUN）、左右脑的楔前叶（precuneus，PCUN）以及左脑扣带回后部（posterior cingulate gyrus，PCG）。本次研究发现，无论是试验组还是对照组，脑网络中最重要的核心节点均是左脑扣带回后部。以往研究显示成年人脑网络最重要的核心节点是扣带回后部以及楔前叶[19, 22]，与本次研究结果存在一定的相似点与差异点，主要是因为本次受试者组都是三个月大的婴儿，而人类的大脑在不同的年龄阶段存在一定的差异。
图1
对照组的核心节点
Figure1.
Control group hubs
图2
试验组的核心节点
Figure2.
Cerebral palsy group hubs
2.4.2 试验组的节点效率异常 本次研究进一步计算和比较了两组受试者的脑网络的节点效率 ei。我们发现，与对照组相比，试验组的右脑中央前回（right precentral gyrus，PoCG.R）、中央后回（superior parietal gyrus，SPG）、右脑岛叶（right insula，INS.R）、颞横回（heschl gyrus，HES）、左脑颞上回（left superior temporal gyrus，STG.L）、枕上回（superior occipital gyrus，SOG）、左脑枕中回（left middle occipital gyrus，MOG.L）、右脑中央后回上部（right inferior parietal，IPL.R）、右脑尾状核（right caudate nucleus，CAU.R）、壳核（lenticular nucleus putamen，PUT）和右脑苍白球（right lenticular nucleus pallidum，PAL.R）这些脑区的节点效率出现明显下降的现象（P<0.05），这将导致试验组的脑网络的相应节点信息传输和处理效率降低，如图 3 所示，其中红色节点代表节点效率正常的节点，蓝色节点代表节点效率明显降低的节点，而边的粗细代表连接的强弱。
图3
试验组脑网络的异常节点效率
Figure3.
Abnormal nodal efficiency in brain network of test group
3 讨论与总结
通过计算和比较两组受试者的网络参数及节点属性，我们发现：① 两组受试者的脑网络都呈现“小世界”模型，但由于疾病的影响，试验组的脑网络的拓扑属性出现异常；② 试验组的脑网络的节点属性也发生了改变，与对照组对比，其中核心节点数量变少且位置变更，部分节点的节点效率也有明显变小的趋势。
3.1 试验组脑网络的网络参数异常
本次研究发现两组受试者的脑网络都呈现“小世界”拓扑结构，这跟以往关于人类脑网络相关研究报道的结果相符合[12-15, 18-22]。然而，尽管试验组的脑网络具有“小世界”属性，但是部分网络参数已经发生明显变化，其中
和 λ 明显变大，γ 明显变小，而 Eg 和 Eloc 出现明显下降的现象。
被认为是测量脑网络节点的有效性、完整性以及节点间信息传递能力的基础参数之一。试验组脑网络的
与 λ 明显变长，主要是因为受疾病影响，患儿的大脑受损伤，导致其中部分负责传输信息的神经纤维束被破坏，所以与对照组相比，试验组的神经纤维束的数量将出现明显减少的现象，这与以往脑性瘫痪患儿的脑研究结果相符合。从这些脑网络参数异常可以推测：受影响的脑区间的连接强度会变弱或者连接长度变长，甚至有些异常脑区出现了“失连接”的现象。
γ 是衡量局部节点间连接密集性的参数，试验组脑网络的 γ 变小，研究推测是因为部分异常脑区的“失连接”导致脑网络功能受损，大脑失去了的部分正常连接集群，导致局部节点的连接密集性下降。如果脑网络受损的范围较大，节点“失连接”的现象越严重，γ 也将下降得更多。
人类脑网络各个节点间存在动态平衡，当试验组脑网络的
和 γ 发生改变后，其脑网络的 Eg 和 Eloc 也会出现异常。研究表明当试验组的脑网络由于疾病影响而使节点受损，最终导致网络的 Eg 和 Eloc 下降，节点间的信息传输效率将相应下降，脑网络功能也会受影响，这些异常与脑性瘫痪患儿在临床上的脑功能受损情况是相符的。
3.2 试验组的脑网络节点效率异常
脑性瘫痪患儿的既往研究通过分析病变脑白质体积变化和各病变皮层的 FA 值异常等现象发现[3-10]，由于额叶、颞叶、枕叶和顶叶等部位出现病变而导致了患儿相关的脑功能受损，严重的甚至可能造成偏瘫。神经影像学研究表明，额叶负责大脑的执行能力，比如注意力控制、认知学习、设立目标和信息整理[23]。患儿的额叶发生病变，可能出现认知能力下降、自主运动控制能力下降等临床表现[24]。颞叶负责长期记忆和听觉功能，它受到损伤可能导致患儿的听觉和记忆出现障碍。枕叶部分包含视觉皮层，而体感皮层位于顶叶，枕叶和顶叶受损可能导致患儿出现视觉障碍[25]。
我们通过分析两组受试者的节点属性，发现试验组的脑网络的部分节点的 ei 出现明显下降的情况，如图 3 所示。这些异常节点主要分布在颞叶（比如 HES、STG.L）、枕叶（比如 SOG、MOG.L）、顶叶（比如 IPL.R、PoCG.R、SPG）、岛叶（比如 INS.R）和基底核（CAU.R、PUT、PAL.R）。本次研究首次通过计算和比较两组受试者的节点效率的组间差异，获得与以往研究相符的结果[7-8, 23-25]，而且对于试验组脑网络的节点分析能精确到大脑皮层的具体脑区位置。不仅如此，节点效率还能客观量化异常脑区的病变程度，相比较于传统研究方法更加精确。
本次研究的结论说明了将脑网络作为新的研究方法用于分析脑性瘫痪患儿的脑白质病变状况是可行的。在下阶段的研究中，我们认为可以将脑网络的异常与患儿的大脑执行能力、肢体控制能力和视听觉能力障碍等相联系，进一步分析该疾病对患儿脑功能的影响，这将有助于我们进一步加深对于脑性瘫痪疾病的理解。
引言
脑性瘫痪是最常见的儿童慢性运动障碍疾病，它是指发育中的胎儿或刚出生的婴儿因各种干扰而导致的非进行性脑损伤，通常是因为脑白质中出现弥漫性损伤或者局灶性病变，而当这些损伤或病变发生在脑室的周围区域时最为严重。它引发的神经学缺陷症状与患儿大脑结构损伤的位置以及严重程度有关，主要表现为运动障碍，常常伴随认知行为障碍、语言交流能力下降、癫痫等症状[1]。如今早产儿存活率的上升也提高了脑性瘫痪的患病率，每 1 000 个儿童中大约有 2～3 个脑性瘫痪的患儿[2]，这些患儿及其家庭将遭遇到难以估量的健康、心理和经济等问题。所以，针对脑性瘫痪这一疾病，最重要的是合理适当地采取防止其发生、降低患病率、改善患者病情等一系列措施。
目前脑性瘫痪的诊断主要是通过医学影像技术做神经学评估[1]，比如脑部的电子计算机断层扫描（computed tomography，CT）、颅脑超声、核磁共振 T1 加权图像、T2 加权图像等。然而这些脑部结构成像并不能精确反映脑性瘫痪患儿的受损脑区与临床脑功能障碍之间的联系。当白质损伤的面积较大时，在脑部结构成像中才容易被观察到，而在脑性瘫痪患儿的大脑中，同等严重的脑功能损伤反映在脑部结构成像中可能只是很小的脑白质病变区域，甚至可能没有明显的神经影像结果[2]，此时常规的脑部结构成像并不利于儿童脑性瘫痪的诊断。所以目前迫切需要一个新的工具来更好地衡量脑性瘫痪患儿脑结构异常与临床脑功能障碍之间的关系。
弥散张量成像（diffusion tensor imaging，DTI）是一种研究脑白质结构变化的非侵入式医学成像技术，虽然相关研究已经能将 DTI 用于探索脑性瘫痪患者的脑白质异常与认知行为功能缺陷之间的联系，并指出解剖结构上脑白质变化和感觉运动区域的功能障碍之间存在一定的相关性，但是既往研究只是测量和比较感觉运动脑区的各向异性值（fraction anisotropy，FA）[3-6]，部分研究会进一步利用脑白质神经纤维束追踪方法来比较大脑神经纤维束数量的变化[7-10]。尽管这两个方法能侦测到异常脑区，但是 FA 值与神经束数量并不能直接反映疾病状态下大脑各个脑区之间的连通情况。
2005 年，Sporns 等[11]提出构建“人脑连接组”（human connectome）的设想，并且认为可以通过构建人脑网络来探究人脑工作原理，甚至从脑网络角度研究各种脑部神经疾病。近些年来，脑网络作为一种新的脑认知功能测量工具正广泛应用于多种脑疾病研究中，已经发现多种神经疾病与个体脑网络的异常存在着相关性，比如抑郁症[12]、阿尔茨海默病[13-14]、轻度认知障碍等[15]。因此，基于 DTI 图像数据构建并分析脑性瘫痪患儿的结构脑网络，能够将患儿的脑功能进行量化，获得各个脑区之间的连接关系，推测异常脑区的变化等。然而，目前仍少有研究者使用结构脑网络来分析脑性瘫痪患儿的全脑异常，研究患儿的脑白质网络的结构差异和病变程度，为诊断脑性瘫痪患儿提供神经病理学依据。
因此，本研究基于 DTI 图像数据构建脑性瘫痪患儿（试验组）与正常婴儿（对照组）的结构脑网络，然后从全脑以及局部脑区这两个角度，计算脑网络的拓扑属性差异和局部节点特征差异，推测患儿的认知、运动、语言功能的异常。本研究旨在论证结构脑网络作为一种新的研究工具用于衡量脑性瘫痪患儿大脑结构变化的可行性，以期在未来的研究中，结构脑网络可能用于检测和评估脑性瘫痪病情，并有助于病情诊断和选择最佳治疗方案。
1 数据与方法
1.1 数据采集
本研究使用的 DTI 图像数据来自于复旦大学附属儿童医院，包括试验组：15 名被确诊为脑性瘫痪的婴儿，其中男婴 7 名，女婴 8 名；对照组：30 名正常健康的婴儿，其中男婴 17 名，女婴 13 名。所有受试婴儿的年龄都是三个月。试验组为经过医生对脑部图像检查、体格检查及辅助检查后确诊为脑性瘫痪的患儿；对照组是随机筛选的体格匹配的正常健康婴儿。
本研究使用的 DTI 图像数据是由磁共振成像设备 MAGNETOM Avanto（1.5 T，西门子公司/德国）采用回波平面成像序列（Echo-planar imaging，EPI）采集获得，DTI 图像由 20 个弥散敏感系数 b 值为 1 000 s/mm2 的加权图像和 1 个 b 值为 0 的无加权图像（b0 图像）组成。具体扫描参数为：重复时间（repetition time，TR）为 3 400 ms，回波时间（echo time，TE）为 89 ms，成像矩阵为 128×104，层厚为 4 mm。
1.2 脑网络构建方法
脑网络最基本和最关键的两个组成元素是节点和边：节点代表了大脑的各个脑区，边则能反映各个脑区之间的联系。本研究关于节点和边的定义方法与相关文献[12-15]类似，采用下述步骤完成定义。
1.2.1 节点定义 为了定义节点，本研究采用了自动解剖标记模板（automated anatomical labeling 90 atlas，AAL 90），将大脑定义为 90 个脑区，每一个脑区都代表脑网络中的一个节点。首先使用脑部磁共振图像综合分析软件 FSL 5.0（Oxford，英国）的线性配准算法（FMRIB’s linear image registration tool，FLIRT）与非线性配准算法（FMRIB’s non-linear image registration tool，FNIRT）相结合的方法，将每个受试者的 b0 图像配准到蒙特利尔标准空间（Montreal Neurological Institute space，MNI）的 MNI 152 模板。再将得到的配准变换矩阵取逆后应用于 AAL 90 模板，使 MNI 空间的 AAL 90 模板逆变换到每个受试者的始空间（native space），最终让 AAL 90 模板配准到 b0 图像。节点定义中的所有图像处理工作，包括图像预处理中的“脑实质提取”、“涡流校正”以及图像配准，都是使用开源 FSL 5.0 软件包完成的。
1.2.2 边定义 为了定义脑网络中连接节点的边，本研究在每个受试者的原始空间里重建出全脑的白质纤维束。白质纤维束重建工作主要是采用目前脑网络研究中广泛使用的确定性纤维束追踪算法（fiber assignment by continuous tracking，FACT），以每一个体素为种子点，追踪的条件为 FA 大于 0.2 以及纤维束追踪过程两个连接的转角小于 60°[14]。由于 FACT 算法易受图像的分辨率和噪声影响，重建结果中容易包含伪连接。针对这个问题，本研究将当两脑区之间的纤维束连接数目大于 3 时视为存在连接[16]。最后以 FA 和纤维束数目（fiber number，FN）为权重，构建出 FA 加权网络和 FN 加权网络。构建加权网络的优点在于能重点反映受试者大脑的特定属性，比如 FA 加权网络侧重反映了白质纤维束的完整性和导通性，而 FN 网络则侧重反映了白质纤维束的密度[16]。边的定义工作主要是在矩阵实验室 MATLAB 2012（MathWorks Inc.，美国）平台上使用开源脑结构连接组分析软件 PANDA 1.3.1（北京师范大学，中国）完成的，主要包括计算 FA 值、白质纤维束重建、加权网络的构建。
1.3 网络属性分析
本研究主要使用图论计算了两种加权脑网络（FA 加权网络、FN 加权网络）的拓扑参数，既往研究常用它们来确定脑网络的特征属性[17]。各参数均在 MATLAB 2012 平台上使用开源图论网络分析软件包 GRETNA 1.2（北京师范大学，中国）计算。
1.3.1 网络参数 本研究主要计算了两种加权脑网络（FA 加权网络、FN 加权网络）的“小世界”特征参数，既往研究常用它们来确定脑网络的特征属性[17]。其中聚类系数（clustering coefficient，CC）（以符号
表示）被定义为节点与周围节点相连接的概率，反映了脑网络局部区域的内部连接情况，它的表达式如下：
|
其中 Ei 表示网络连接的边的总数量，Ki 表示节点 i 连接的边数。如果
，那么 Ki=0 或 Ki=1，说明该点是孤立点。
最短路径长度（shortest path length，SPL）（以符号
表示）在脑网络的信息传递与交流中扮演着重要角色，可以形象比喻成点与点之间的最佳路径的平均长度，反映脑区间信息传播的能力，它被定义为：
|
其中 N 为网络中的节点数，G 代表脑网络矩阵，dij 为节点 i 与节点 j 之间的距离。
为了计算“小世界”属性 σ，本研究选取了 100 个匹配的随机网络（与真实网络相同数量的节点、边和度的分布）[14]，计算随机网络的聚类系数 CCW-random 和最短路径长度
。最后我们计算出标准化聚类系数，
，以及标准化最短路径长度，
。
“小世界”网络具有与规则网络类似的较高的聚类特性[17]，又具有与随机网络类似的较短的
，即是
且
，确保了“小世界”网络在局部和全局水平上信息传输与交流的高效性。所以小世界属性可以用
来衡量，
。
由于
是在全局连通的基础上定义的，然而网络中可能有部分点存在“失连接”的状态，所以针对部分节点“失连接”的情况，以往研究给出全局效率（global efficiency，GE）（以符号 Eg 表示）的定义[17]：
|
其中 Eg 的值越大，表示信息在这个网络上进行交换所付的代价越小，相对的信息传送和处理效率越高。
同样，聚类系数也是基于全局连通的参数，针对部分节点“失连接”的情况，采用局部效率（local efficiency，LE）（以符号 Eloc 表示）这一参数，它的定义为：
|
其中 Eloc 的值越大，说明网络的局部效率越高，区域的节点信息交流能力越高。
1.3.2 节点效率 为了确定脑网络结构的节点特征，本研究计算了节点的效率（nodal efficient，NE）（以符号 ei 表示），以此来衡量各个节点的连接以及信息传输效率[17]，评估各个节点在大脑中的作用、地位以及疾病对各个节点的影响。
节点 i 的效率 ei 被定义为：
|
节点效率 ei 测量了节点 i 与网络中的其余节点之间的信息传播能力。
1.4 统计分析
为了分析比较试验组和对照组的网络参数：聚类系数 CCW，最短路径
，标准聚类系数 γ，标准最短路径 λ，全局效率 Eg 和局部效率 Eloc 以及节点效率 ei，本研究采用独立样本 t 检验计算组间差异，其中 P<0.05 说明组间的差异具有统计学意义，使用柯尔莫诺夫-斯米尔诺夫检验（Kolmogorov-Smirnov test）用来检验连续变量是否符合正态分布以满足t 检验要求。数据分析工作主要是使用 MATLAB 2012 的统计工具箱函数完成。
2 实验结果
2.1 人口学统计结果
既往研究已经报道了性别和年龄将对脑网络产生较大的影响[18-20]，为了排除性别和年龄对结果的影响，首先采用卡方检验检查试验组和对照组的性别差异，结果发现两组受试患儿的性别差异不具有统计学意义（P=0.361）。而两组受试患儿的年龄都是三个月，所以不存在年龄差异。
2.2 “小世界”属性
以往研究显示可以用“小世界”模型来表征脑网络[12-16, 18-20]，通过计算两个受试者组以及与之相匹配的随机网络的 CCW-random 和
，发现这两个受试者组的 γ 远大于随机网络（γ试验组=4.889±1.841，γ对照组=3.918±1.126），而λ 与随机网络很相近（λ试验组=1.200±0.149，λ对照组=1.108±0.045）。所以两个受试者组的“小世界”属性（σ试验组=4.037±1.328，σ对照组=3.521±0.942）都明显大于 1。这一结果说明脑性瘫痪患儿与健康婴儿的脑网络都具有“小世界”网络属性。
2.3 试验组脑网络拓扑属性的异常
对两组受试者的网络参数进行 t 检验，结果发现与对照组相比，试验组的脑网络的 CCW 和 σ（PCC=0.284 和 Pσ=0.139，P 值都大于 0.05）不存在具有统计学意义的差异。而
（t=2.200，P=0.033）和 λ（t=3.107，P=0.003）都明显变大，γ（t=–1.970，P=0.034）明显变小。并且 Eg（t=–2.175，P=0.035）和 Eloc（t=–2.284，P=0.027）也都出现明显下降的现象。
基于以上的结果可以看出，与正常婴儿的脑网络比较，脑性瘫痪患儿的拓扑结构出现了巨大的变化，可能由于疾病影响导致脑网络结构受损，脑网络的效率也出现下降的趋势，这将造成患儿脑网络的信息传输和处理能力下降[13-15]。
2.4 节点特征
2.4.1 核心节点的差异 对于脑网络中的节点属性，本研究通过计算节点效率 ei 来衡量脑网络各个节点的效率。由于大脑需要高效率处理各种信息，所以脑网络中会形成一些特殊的节点——核心节点（hub），这些节点往往具有较高的信息传输效率和信息处理效率，与周围的其他节点紧密关连[21]。本研究中将那些比所有节点的平均节点效率高出一个标准差的节点定义为核心节点[14]。
在对照组中，发现 13 个核心节点，主要包括了 7 个节点位于关联皮层区（association cortex region）、1 个位于原发性皮质区（primary cortex region）、2 个位于皮质下区（subcortical regions）以及 3 个位于边缘皮质区（paralimbic cortex regions），如图 1 所示。然而在试验组中，只存在 10 个核心节点，包括 5 个位于关联皮层区、2 个位于原发性皮质区以及 3 个位于边缘皮质区，如图 2 所示。在图 1 和图 2 中，代表节点的小球的体积越大说明该节点效率越高，反之越低。通过比较两组核心节点，我们发现试验组与对照组存在 4 个共同的核心节点，分别是左脑的楔叶（cuneus，CUN）、左右脑的楔前叶（precuneus，PCUN）以及左脑扣带回后部（posterior cingulate gyrus，PCG）。本次研究发现，无论是试验组还是对照组，脑网络中最重要的核心节点均是左脑扣带回后部。以往研究显示成年人脑网络最重要的核心节点是扣带回后部以及楔前叶[19, 22]，与本次研究结果存在一定的相似点与差异点，主要是因为本次受试者组都是三个月大的婴儿，而人类的大脑在不同的年龄阶段存在一定的差异。
图1
对照组的核心节点
Figure1.
Control group hubs
图2
试验组的核心节点
Figure2.
Cerebral palsy group hubs
2.4.2 试验组的节点效率异常 本次研究进一步计算和比较了两组受试者的脑网络的节点效率 ei。我们发现，与对照组相比，试验组的右脑中央前回（right precentral gyrus，PoCG.R）、中央后回（superior parietal gyrus，SPG）、右脑岛叶（right insula，INS.R）、颞横回（heschl gyrus，HES）、左脑颞上回（left superior temporal gyrus，STG.L）、枕上回（superior occipital gyrus，SOG）、左脑枕中回（left middle occipital gyrus，MOG.L）、右脑中央后回上部（right inferior parietal，IPL.R）、右脑尾状核（right caudate nucleus，CAU.R）、壳核（lenticular nucleus putamen，PUT）和右脑苍白球（right lenticular nucleus pallidum，PAL.R）这些脑区的节点效率出现明显下降的现象（P<0.05），这将导致试验组的脑网络的相应节点信息传输和处理效率降低，如图 3 所示，其中红色节点代表节点效率正常的节点，蓝色节点代表节点效率明显降低的节点，而边的粗细代表连接的强弱。
图3
试验组脑网络的异常节点效率
Figure3.
Abnormal nodal efficiency in brain network of test group
3 讨论与总结
通过计算和比较两组受试者的网络参数及节点属性，我们发现：① 两组受试者的脑网络都呈现“小世界”模型，但由于疾病的影响，试验组的脑网络的拓扑属性出现异常；② 试验组的脑网络的节点属性也发生了改变，与对照组对比，其中核心节点数量变少且位置变更，部分节点的节点效率也有明显变小的趋势。
3.1 试验组脑网络的网络参数异常
本次研究发现两组受试者的脑网络都呈现“小世界”拓扑结构，这跟以往关于人类脑网络相关研究报道的结果相符合[12-15, 18-22]。然而，尽管试验组的脑网络具有“小世界”属性，但是部分网络参数已经发生明显变化，其中
和 λ 明显变大，γ 明显变小，而 Eg 和 Eloc 出现明显下降的现象。
被认为是测量脑网络节点的有效性、完整性以及节点间信息传递能力的基础参数之一。试验组脑网络的
与 λ 明显变长，主要是因为受疾病影响，患儿的大脑受损伤，导致其中部分负责传输信息的神经纤维束被破坏，所以与对照组相比，试验组的神经纤维束的数量将出现明显减少的现象，这与以往脑性瘫痪患儿的脑研究结果相符合。从这些脑网络参数异常可以推测：受影响的脑区间的连接强度会变弱或者连接长度变长，甚至有些异常脑区出现了“失连接”的现象。
γ 是衡量局部节点间连接密集性的参数，试验组脑网络的 γ 变小，研究推测是因为部分异常脑区的“失连接”导致脑网络功能受损，大脑失去了的部分正常连接集群，导致局部节点的连接密集性下降。如果脑网络受损的范围较大，节点“失连接”的现象越严重，γ 也将下降得更多。
人类脑网络各个节点间存在动态平衡，当试验组脑网络的
和 γ 发生改变后，其脑网络的 Eg 和 Eloc 也会出现异常。研究表明当试验组的脑网络由于疾病影响而使节点受损，最终导致网络的 Eg 和 Eloc 下降，节点间的信息传输效率将相应下降，脑网络功能也会受影响，这些异常与脑性瘫痪患儿在临床上的脑功能受损情况是相符的。
3.2 试验组的脑网络节点效率异常
脑性瘫痪患儿的既往研究通过分析病变脑白质体积变化和各病变皮层的 FA 值异常等现象发现[3-10]，由于额叶、颞叶、枕叶和顶叶等部位出现病变而导致了患儿相关的脑功能受损，严重的甚至可能造成偏瘫。神经影像学研究表明，额叶负责大脑的执行能力，比如注意力控制、认知学习、设立目标和信息整理[23]。患儿的额叶发生病变，可能出现认知能力下降、自主运动控制能力下降等临床表现[24]。颞叶负责长期记忆和听觉功能，它受到损伤可能导致患儿的听觉和记忆出现障碍。枕叶部分包含视觉皮层，而体感皮层位于顶叶，枕叶和顶叶受损可能导致患儿出现视觉障碍[25]。
我们通过分析两组受试者的节点属性，发现试验组的脑网络的部分节点的 ei 出现明显下降的情况，如图 3 所示。这些异常节点主要分布在颞叶（比如 HES、STG.L）、枕叶（比如 SOG、MOG.L）、顶叶（比如 IPL.R、PoCG.R、SPG）、岛叶（比如 INS.R）和基底核（CAU.R、PUT、PAL.R）。本次研究首次通过计算和比较两组受试者的节点效率的组间差异，获得与以往研究相符的结果[7-8, 23-25]，而且对于试验组脑网络的节点分析能精确到大脑皮层的具体脑区位置。不仅如此，节点效率还能客观量化异常脑区的病变程度，相比较于传统研究方法更加精确。
本次研究的结论说明了将脑网络作为新的研究方法用于分析脑性瘫痪患儿的脑白质病变状况是可行的。在下阶段的研究中，我们认为可以将脑网络的异常与患儿的大脑执行能力、肢体控制能力和视听觉能力障碍等相联系，进一步分析该疾病对患儿脑功能的影响，这将有助于我们进一步加深对于脑性瘫痪疾病的理解。
