Учитывая огромное разнообразие симптомов и сложность психических расстройств, индивидуальный подход является наиболее многообещающим путем для клинического перевода и создания персонализированной психиатрии. Однако из-за технических ограничений знания о нейробиологической основе психических заболеваний до настоящего времени в основном основывались на выводах, полученных в результате оценки средних данных по определенным диагностическим группам. Эта ситуация может существенно измениться за счет использования новой технологии МРТ сверхвысокого поля (UHF-MRI).Основные преимущества UHF-МRI включают высокое отношение сигнал/шум, что приводит к более высокому пространственному разрешению и контрасту и позволяет проводить индивидуальные исследования отдельных больных. В то же время UNF-МRI при 7 Тл становится доступным не только для исследований, но и для клинического использования, поскольку многочисленные коммерчески доступные модели прошли сертификацию регулирующих органов. Основные преимущества технологии UNF включают увеличенную пространственную дискретизацию исходного изображения и, следовательно, высокое пространственное разрешение, более высокое отношение сигнал/шум , более высокую чувствительность, улучшенную амплитуду и процент изменения сигнала значительно усиливал вклад микроциркуляторного русла и значительно уменьшал неспецифические картирующие сигналы от крупных сосудов. Эти факторы значительно увеличивают количество данных, получаемых за одно сканирование, и позволяют отдельно рассматривать отдельных субъектов со всеми их индивидуальными характеристиками.
Можно использовать богатство полученных таким образом данных для более целенаправленного исследования индивидуальной организации мозговых сетей (NW). На сегодняшний день многочисленные результаты показали, что динамическая, адаптируемая конфигурация NW мозга в ответ на окружающую среду лежит в основе здоровых функций мозга, и многие психические расстройства в настоящее время все чаще понимаются как сетевые расстройства. Одним из хорошо зарекомендовавших себя методов описания свойств NW является подход теории графов, где NW рассматривается как граф, содержащий набор объектов или узлов, соединенных ребрами или связями.
Таким образом, часто вычисляемые меры графа включают в себя: меры центральности (используемые для определения важности узла в сети; например, степень узла (D) и центральность промежуточности (BC), меры функциональной интеграции (например, глобальная эффективность (GE) и средняя длина пути (APL)) и показатели функционального разделения (позволяющие идентифицировать подсети, участвующие в специализированной обработке информации, и оценивать их производительность; например, коэффициент кластеризации (CC) и локальную эффективность (LE). LE является мерой средней эффективности передачи информации внутри локальных подграфов или окрестностей и определяется как величина, обратная кратчайшей средней длине пути всех соседей для данного узла между собой
Хотя технология UNF дает значительные преимущества как в области структурной, так и функциональной нейровизуализации , здесь мы в первую очередь сосредоточимся на графовом анализе функционала NW.
Добавить комментарий