一种基于病理蛋白演化的阿尔茨海默病全脑神经血管耦合建模方法与系统
本技术涉及生物医学工程、神经信息学以及计算神经科学,涉及多模态数据融合、神经血管耦合,涉及全脑大尺度建模领域,具体是涉及一种基于病理蛋白演化的阿尔茨海默病全脑神经血管耦合建模方法与系统。
背景技术:
1、阿尔茨海默病(alzheimer's disease, ad),占痴呆症病例的60%~70%,是一种进行性发展的神经退行性疾病,表现为认知能力受损和行为异常的加剧。其临床典型症状包括记忆障碍、认知能力下降、日常生活能力下降、视空间障碍、运动障碍等。
2、现代神经病理学研究表明,ad的核心致病机制包括β-淀粉样蛋白(amyloid-beta,aβ)的细胞外斑块沉积与tau蛋白的细胞内神经原纤维缠结,这两种病理蛋白的异常积累不仅会直接引发局部神经元的兴奋/抑制失衡,还会导致神经血管耦合(neurovascularcoupling, nvc)功能受损,进而引起全脑大尺度功能网络的局部异常和全局重组。aβ蛋白的积累会导致脑血管功能障碍,表现为脑血流(cerebral blood flow, cbf)减少、血脑屏障功能受损以及微血管结构的改变,从而导致脑淀粉样血管病(cerebral amyloidangiopathy,caa),使血管壁的硬化和脆性增加;aβ蛋白的积累不仅影响血管功能,还会导致神经血管耦合失调,这种失调表现为神经活动与脑血流之间的不匹配,导致大脑在代谢需求增加时无法获得足够的氧气和营养,加剧神经元的损伤和死亡。tau蛋白的异常聚集不仅影响神经元,还对神经血管单元(neurovascular unit, nvu)的结构和功能产生负面影响;nvu由内皮细胞、周细胞、胶质细胞和神经元组成,共同维持大脑血液和微环境的平衡,tau蛋白的病理变化会破坏nvu的完整性,导致cbf减少和神经炎症的发生。
3、现有的研究已经证明,通过构建融合神经动力学与血流动力学的全脑神经血管耦合计算模型,可以将微观的病理蛋白毒性作为模型输入与宏观的功能磁共振低频振幅值定量联系起来,从而在理论层面揭示疾病演变的底层动力学机制。尽管现有的全脑模型打通了“微观-宏观”的计算框架,但在引入病理蛋白分布状态时,目前的常规方法是直接输入受试者特定时间点的正电子发射断层扫描(影像数据,即以经验性的标准摄取值比值矩阵作为模型的静态输入。在临床中,宏观认知量表评分(score)较易获取,而pet影像数据存在成本高昂、具有放射性,难以在患者的全临床周期或大规模人群筛查中普及的显著局限性;且基于单次或少数几次影像扫描输入的模型,只能表示疾病在某几个离散时间点的特定特征,无法完全反映病理蛋白在全脑网络中随时间变化的动态演变规律,模型缺乏对疾病发展的预测能力。
4、ad的病理演变是一个高度非线性、从健康对照(healthy control, hc),到轻度认知障碍(mild cognitive impairment, mci),再到ad连续跨越多个临床分期的动态过程。而在现有的动力学模型中,缺乏对此病理演变过程的数学描述,即缺乏对aβ和tau蛋白沉积量随临床病程变化的函数曲线方程的描述。
技术实现思路
1、为此,本技术提供一种基于病理蛋白演化的阿尔茨海默病全脑神经血管耦合建模方法与系统。旨在通过拟合病理蛋白演变曲线方程,建立从宏观评分到局部脑区suvr的动态映射机制,并在模型中融合个体化扫描参数,以解决现有全脑计算模型依赖离散静态pet影像输入、缺乏由宏观评分向微观病理状态自动化映射的问题。
2、为了实现上述目的,本技术提供如下技术方案:
3、步骤1:获取健康人、轻度认知障碍患者和阿尔茨海默病患者的弥散张量成像、静息态功能磁共振成像、磁共振成像、正电子发射断层扫描组合而成的多模态影像数据。
4、步骤2:对所有受试者的弥散张量成像数据进行预处理,并提取结构连接矩阵。
5、步骤3:对所有受试者的静息态功能磁共振成像和磁共振成像数据进行预处理,并提取低频振幅值等。
6、步骤4:对所有受试者的正电子发射断层扫描数据进行预处理,并提取全脑各脑区内aβ和tau蛋白的标准摄取比值。
7、步骤5:利用评分和aβ、tau蛋白的标准摄取比值的平均值,分别拟合出aβ和tau两种病理蛋白的演变曲线方程。
8、步骤6:根据所有受试者的结构连接矩阵和低频振幅值建立神经动力学wilson–cowan(wc)模型,并将两种病理蛋白的演化方程引入到模型中得到神经活动。
9、步骤7:建立神经动力学与血流动力学相结合的全脑大尺度神经血管耦合模型,并对模型进行优化和验证。
10、步骤1中健康人、轻度认知障碍患者(和阿尔茨海默病患者的弥散张量成像、静息态功能磁共振成像、磁共振成像、正电子发射断层扫描数据均来自adni数据库。
11、步骤2中对所有受试者的弥散张量成像数据进行预处理使包括质量检查、头动和涡流校正、空间配准、纤维追踪、脑区分割,最后导出结构连接矩阵。
12、步骤3中对所有受试者的静息态功能磁共振成像和磁共振成像数据进行预处理时包括格式转换、去除前10个时间点、时间层校正、头动校正、配准与分割、空间标准化、空间平滑、协变量回归、去除线性漂移、滤波。主要利用以下指标:功能连接矩阵fc、血氧水平依赖信号bold、低频振幅值falff。
13、步骤2和步骤3中,提取相应指标时均采用freesurfer中的aal_90脑图谱进行提取,将大脑皮层分成90个区域。
14、步骤4中,每个受试者分别有两个时间点的正电子发射断层扫描数据,对所有被试不同时间点的正电子发射断层扫描数据进行预处理时包括标准化和平滑。
15、步骤5中,以逐渐递减的评分(score)作为表征疾病严重程度的自变量,同时计算受试者aβ和tau蛋白的全局标准摄取比值(suvr)均值并归一化,进行非线性回归分析,建立描述病理蛋白随疾病演化的曲线方程,作为疾病演化百分比进度函数(一种全局函数)。其中,全局函数的输出变化范围是0到1;suvr是pet成像中最常用的半定量分析方法之一,是指目标脑区中放射性示踪剂摄取程度与参考区域摄取程度的比值,一般用来评估脑内aβ淀粉样蛋白和tau蛋白的沉积。
16、具体函数方程如下:
17、
18、
19、方程中的x代表每个被试的评分score,代表aβ和tau蛋白归一化后的全局suvr均值。
20、步骤6中,在将步骤5中的全局函数引入到模型之前,使用“振幅缩放法”修改全局函数的系数衍生出90个脑区的suvr空间分布函数,实现从宏观评分到局部微观病理状态的自动映射。具体是在步骤5全局函数的基础上,为脑区k引入一个区域易感性权重向量和一个基线偏移向量。修改全局函数系数后的具体方程如下:
21、
22、
23、其中,表示脑区k的aβ蛋白在ad组的平均suvr与差值;表示脑区k的tau蛋白在ad组的平均suvr与的差值;表示脑区k的aβ蛋白在hc组的平均suvr;表示脑区k的tau蛋白在hc组的平均suvr;为脑区k的aβ蛋白标准摄取比值suvr,为脑区k的tau蛋白标准摄取比值suvr。
24、构建神经动力学wilson–cowan(wc)模型,具体节点动力学方程如下:
25、
26、
27、
28、
29、
30、
31、在wilson–cowan(wc)模型中,神经元群体接收到的所有输入的整合是通过一个s型激活函数s(x)实现的,其中x是输入电流,a是增益参数,控制s形激活函数的斜率,用来将输入电流x转换为放电率;是受试者j在脑区k的放电阈值,放电阈值的高低决定了神经元的兴奋性状态,高阈值对应地兴奋性,低阈值对应高兴奋性;为基线放电阈值,取值2.76;为受试者j的aβ斑块对兴奋性的全局影响权重,为受试者j的tau蛋白对兴奋性的全局影响权重,为aβ与tau协同作用的全局影响权重,、、均为优化参数,约束在[-0.05,0.05]。模型中的兴奋性和抑制性神经元群体是局部耦合的,这些神经元群体通过它们的放电率和来描述,为脑区k的兴奋性神经元群体平均放电率,即的导数;为脑区k的抑制性神经元群体平均放电率,即的导数;为兴奋性活动衰减时间常数,取值为0.01s;为抑制性活动衰减时间常数,取值为0.02s;和分别表示第k个脑区神经元群体接收到的来自其他局部和外部群体的兴奋性和抑制性神经元的输入电流通过s型激活函数转换后的放电率;为兴奋性神经元的输入电流,为抑制性神经元的输入电流;为局部兴奋-兴奋连接强度,取值为6.4;为局部抑制-兴奋连接强度,取值为6.0;表示噪声幅值,取值为0.1;为局部兴奋-抑制连接强度,取值为4.8;为局部抑制-抑制连接强度,取值为1.2;每个区域l通过影响区域k的动态,其中η是全局缩放耦合强度,n是感兴趣脑区总数(基于aal脑模板,n=90),表示第l个脑区对第k个脑区的连接强度(可通过dti数据构建的结构连接矩阵来量化);为产生合理的电生理振荡和bold信号,设定非特异性局部输入p为0.65,全局缩放耦合强度η为0.5。
32、步骤7中建立神经动力学与血流动力学相结合的全脑大尺神经血管耦合度模型,采用balloon-windkessel血流动力学模型,将兴奋性和抑制性输入反馈到balloon-windkessel模型中,脑区k的神经活动转换为静息态的bold信号,bold信号是反映大脑活动区域的血流和氧合状态变化的一种信号。相关方程如下:
33、
34、
35、
36、
37、
38、
39、
40、其中,表示第k个脑区的脑血流量cbf,表示第k个脑区的脑血流量cbf的动态变化,表示cbf响应的时间常数,取值为1.7;表示cbf对兴奋的响应效率,取值为0.8;表示第k个脑区的归一化兴奋性神经元输入,表示脑区k兴奋性神经元的放电率,表示脑区k兴奋性神经元的静息态放电率,是第k个脑区的脑血流量cbv,是第k个脑区的脱氧血红蛋白含量;表示氧气消耗量;表示通过球囊的时间,取值为1;表示从脑区流出的血流量,描述了脑血管的弹性扩张特性:血容量越大,血液流出越快,表示稳态流量-体积系数,取值为0.4;表示基线血容量,取值为0.03;,;表示完全脱氧血管的频率偏移,取值为;表示基线氧提取分数,取值为0.4;反映血管内外信号强度的相对大小,与血管容积分数有关,取值为0.24;定义r2弛豫率对血液氧合程度依赖关系的斜率,取值为;te表示回波时间。
41、模型优化和验证过程主要涵盖四个核心步骤:第一步,建立待优化的病理参数空间,并施加多元线性不等式约束以防止无生理意义的振荡;第二步,结合预生成的噪声矩阵,对微观神经动力学随机微分方程进行求解;第三步,将求解的微观活动映射为宏观血流动力学仿真信号,并提取特定频段的空间特征分布;最后,以模拟特征与真实观测特征的空间相关性为目标函数,利用代理优化算法在受限空间内进行全局迭代寻优,直至输出最优的病理参数组合。
42、另一方面,该系统包括:
43、数据获取模块:用于获取健康人、轻度认知障碍患者和阿尔茨海默病患者的弥散张量成像、静息态功能磁共振成像、磁共振成像、正电子发射断层扫描组合而成的多模态影像数据;
44、数据预处理模块:用于对获取的多模态数据进行预处理,并提取结构连接矩阵、功能连接矩阵、低频振幅值等;
45、病理蛋白耦合模块:用于根据宏观评分拟合aβ和tau两种病理蛋白的演化曲线方程,并将曲线方程引入到神经动力学wilson–cowan(wc)模型中,建立病理蛋白沉积与神经元群体动力学之间的关联耦合;
46、平均场模型建立模块:用于根据提取的结构连接矩阵、低频振幅值等数据建立神经动力学wilson–cowan(wc)模型,并输出模型所得到的神经活动;
47、全脑大尺度模型建立模块:用于构建神经动力学(wilson–cowan)与血流动力学(balloon-windkessel)相结合的全脑大尺度神经血管耦合模型。
48、本技术提供的一种基于病理蛋白演化的阿尔茨海默病全脑神经血管耦合建模方法与系统,通过获取健康人、轻度认知障碍患者和阿尔茨海默病患者的弥散张量成像、静息态功能磁共振成像、磁共振成像、正电子发射断层扫描组合而成的多模态影像数据;对多模态数据进行预处理,提取结构连接矩阵、低频振幅值等;基于所提取的数据并引入病理蛋白曲线方程,建立神经动力学wilson–cowan(wc)模型,得到神经活动;将神经活动输入到血流动力学balloon-windkessel模型中得到全脑大尺度神经血管耦合模型。本技术通过建立描述病理蛋白浓度随疾病演化的曲线方程,引入了病理蛋白对神经兴奋性的影响机制,为深入解析阿尔茨海默病的病理机制提供了新的了理论工具。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com