一种针对青少年孤独症的大脑结构网络模型分析方法与流程

本发明属于医学图像处理与分析、孤独症、网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康技术领域，尤其涉及一种针对青少年孤独症的大脑结构网络模型分析方法。

背景技术：

青少年孤独症是在儿童群体中常见的广泛发育障碍的代表性疾病之一。从目前的统计数据来看，孤独症的患病率大约为万分之三左右，其中男孩发病率远高于女孩，约为3.5倍。

孤独症严重干扰患儿的大脑智力发育和心理正常发育，如不及时加以治疗，患儿将会出现社会交往障碍、与人交流障碍、兴趣狭窄等症状，对患儿的家庭也是一种煎熬。另外，患儿还有并发其他精神类疾病的风险，如约3/4的患儿会存在精神发育迟滞的症状，有1/4～1/3的患儿会同时患有癫痫，部分患儿一方面智力低下，另一方面却在音乐、机械记忆等方面有超常表现。因此，有理由怀疑孤独症患儿的大脑网络相较于正常人出现了异常发展。

近半个世纪以来，伴随着核磁共振等大脑成像技术的发展，人类从未如此直观地观察活体大脑——这个已知生命体中最复杂的系统。若能借助这些成像技术，更精确地对孤独症患儿进行早期诊断，将非常有意义，是一件造福全人类的大事。

2006年，daprettom分析了孤独症患者大脑的镜像神经元异常，发现孤独症儿童在额下回没有镜像神经元活动，且该区域的神经元活动强度与患儿的社交障碍的严重程度呈负相关；2011年，ozonoffs等计算了孤独症在患儿的兄弟姐妹中复发风险的估计值，并发现男性受试者的复发风险几乎增加了三倍，而如果男性受试者有一个年龄较大的患病的哥哥或者姐姐，则其患病风险又增加了两倍；2015年，乔基于功能磁共振成像技术构建了孤独症患者在静息态下的全脑功能连接，发现其相比于正常人存在功能连接异常，然而在分析研究孤独症患者大脑中的异常位置时，采用单个节点度值的大小作为依据，只观察了度值相对较大的节点，并没有进一步研究各节点之间的关系，忽略了整体的内部关联，无法全面、精准地对孤独症进行研究；2018年，李等提出光学脑成像技术更适合孤独症儿童大脑图像采集，并使用近红外光谱技术(nirs)和漫反射相关光谱技术(dcs)，分别测量皮层的血氧代谢和血流活动，并将这些信息送入机器学习模型进行预测，然而近红外光谱技术(nirs)存在检测深度有限的弱点，成像主要集中在表面皮层区域，同时，由于受光散射效应的影响，成像的空间分辨率相对较低，一般在毫米到厘米的范围，无法对脑结构进行深入、准确地研究。目前还没有一种方法能够准确地分析孤独症患者的大脑结构网络与正常人的差异，对青少年孤独症的分析研究造成极大阻碍。

技术实现要素：

本发明的目的是提供一种针对青少年孤独症的大脑结构网络模型分析方法，以解决上述现有技术存在的问题，提供一种针对青少年孤独症的更加全面、深入、精准的分析方法。

为实现上述目的，本发明提供了如下方案：本发明提供一种针对青少年孤独症的大脑结构网络模型分析方法，包括以下步骤：

s1、大脑结构网络模型构建：用于获取孤独症患者组和正常对照组的大脑结构网络模型，具体包括：

s1-1、获取大脑结构图像原始数据，使用dparsf软件进行预处理，得到大脑灰质图像；

s1-2、使用aal90模板将大脑灰质图像按脑区分割成90个部分；

s1-3、定义aal90模板中的每个脑区为大脑结构网络模型的节点，任意两个脑区之间的边定义为所有被试的这两个脑区上灰质体积序列的相关系数，得到带权值的大脑结构网络模型，其中某个脑区上的灰质体积是指该脑区上所有体素中的灰质体积的均值；

s1-4、按照大脑结构网络模型中没有孤立点且使大脑结构网络模型密度最小的原则选定阈值，得到0-1二值化的大脑结构网络模型；

s2、置换检验：通过置换检验算法来检验孤独症患者组和正常对照组被试样本的有效性；

s3、大脑结构网络模型分析：对孤独症患者组和正常对照组的大脑结构网络模型进行复杂网络属性对比分析，具体包括：

s3-1、对孤独症患者组和正常对照组的大脑结构网络模型进行全局网络分析，分别对以下复杂网络属性进行对比分析：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数及平均边介数、模块化属性；

s3-2、对孤独症患者组和正常对照组的大脑结构网络模型损伤恢复能力分析；

s3-3、对孤独症患者组和正常对照组的大脑结构网络模型进行局部网络分析,分别对以下复杂网络属性进行对比分析：节点度、介数、局部聚类系数、大脑结构网络模型的网络中心。

优选的，步骤s1-3中的相关系数采用皮尔逊相关系数。

优选的，所述步骤s2包括以下步骤：

s2-1、提出h0假设：选取来自同一总体的两组被试样本，一组为孤独症患者组，被试样本数量为n1，另一组为正常对照组，被试样本数量为n2，每一组中的大脑结构网络模型的复杂网络属性无显著差异，显著性水平为α；

s2-2、计算初始两组被试大脑结构网络模型的复杂网络属性的差值dc0；

s2-3、将两组被试大脑结构网络模型数据混合，生成n个随机排列，对于第i个排列，1≤i≤n,将被试样本分为前n1例和后n2例两组，分别构建大脑结构网络模型，并计算这两个大脑结构网络模型的复杂网络属性的差值dci；

s2-4、统计这n个差值dc1，dc2，...，dcn中大于dc0的个数m，计算p值为：p＝m/n；

s2-5、作出推断：如果p<α，则说明在两组被试样本来自同一总体的假设下，当前样本的出现是不正常的，要拒绝h0假设，即两组被试的复杂网络属性的差异有统计学意义；否则认为两组被试的复杂网络属性的差异无统计学意义。

优选的，步骤s2-1中显著性水平α取值为0.05。

优选的，步骤s2-1中复杂网络属性包括：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数和模块化。

优选的，所述步骤s3-1包括以下步骤：

s3-1-1、聚类系数分析，聚类系数表示网络中节点的聚集程度，由公式3计算：

其中，cc为聚类系数，n为网络节点数，degi为节点i的度，ki为与节点i相邻接的节点之间实际存在的边数；

s3-1-2、特征路径长度分析，特征路径长度表示网络中任意两点之间最短路径长度的均值，由公式4计算：

其中，cpl为特征路径长度，n为网络节点数，distij为节点i到节点j的最短路径长度；

s3-1-3、小世界属性分析，介于规则网络和随机网络之间的复杂网络称为小世界网络，小世界网络特征路径长度小，聚类系数高，由公式5计算：

其中，σ为小世界属性，c为该网络的聚类系数，l为该网络的特征路径长度，crand、lrand分别为节点数相同的若干随机网络的平均聚类系数和平均特征路径长度，γ称为标准化后的聚类系数，λ称为标准化后的特征路径长度；

s3-1-4、全局效率分析，全局效率表示网络中任意两点之间最短距离的倒数的均值，由公式6计算：

其中，geff为全局效率，n为网络节点数，distij为节点i到节点j的最短路径长度；

s3-1-5、局部效率分析，局部效率表示由网络中每个节点同与其相邻的节点导出的子网络的效率的平均值，其中子网络的效率计算方法同步骤s3-1-4中全局效率的计算方法；

s3-1-6、平均节点介数和平均边介数分析，节点介数表示任意两个节点间最短路径通过该节点的次数占所有最短路径的比例，边介数表示任意两个节点的最短路径通过该边的次数占所有最短路径的比例；

s3-1-7、模块化属性分析，模块化结构越分散，说明脑区间信息整合能力发育迟缓或异常。

本发明公开了以下技术效果：本发明利用各个脑区的结构像灰质体积构建大脑结构网络模型，在大脑结构网络模型构建过程中充分考虑到相邻脑区之间的内部关联，将所有被试的相邻两个脑区上灰质体积序列的相关系数作为大脑结构网络模型的边，得到带权值的大脑结构网络模型；采用置换检验算法来验证被试样本的有效性，通过对孤独症患者组和正常对照组大脑结构网络模型的复杂网络属性进行对比分析：包括对孤独症患者组和正常对照组大脑结构网络模型进行全局和局域网络分析、损伤恢复能力分析，提供一种针对青少年孤独症的更加全面、深入、精准的分析方法，为为医学上挖掘青少年孤独症治疗靶点提供了线索，同时，为网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域提供了研究方向。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明针对青少年孤独症的大脑结构网络模型分析的整体流程；

图2(a)和(b)分别为实施例中asd和hc被试带权值的大脑结构网络模型；

图3(a)和(b)分别为实施例中asd和hc被试二值化的大脑结构网络模型；

图4(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型三维图；

图5(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型聚类系数的原始对比和置换检验结果；

图6(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型特征路径长度的原始对比和置换检验结果；

图7(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型小世界属性的原始对比和置换检验结果；

图8(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型全局效率的原始对比和置换检验结果；

图9(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型局部效率的原始对比和置换检验结果；

图10(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型平均节点介数的原始对比和置换检验结果；

图11(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型平均边介数的原始对比和置换检验结果；

图12(a)和(b)分别为实施例中asd和hc被试的大脑结构网络模型模块化的原始对比和置换检验结果；

图13(a)-(d)分别为实施例中asd和hc被试的大脑结构网络模型在受到攻击时，分别按大脑结构网络模型中初始节点度、初始节点介数、随机删除和初始边介数降序依次删除节点的全局效率降低程度对比；

图14为实施例中asd和hc被试的大脑结构网络模型节点度对比；

图15为实施例中asd和hc被试的大脑结构网络模型节点介数对比；

图16为实施例中asd和hc被试的大脑结构网络模型局部聚类系数对比。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1-16，一种针对青少年孤独症的大脑结构网络模型分析方法包括以下步骤:

s1、大脑结构网络构建：

s1-1、本实施例选用的大脑原始图像数据来自fcon_1000项目中的abide数据库中的第二批数据abideii，该数据库开源了若干青少年孤独症数据集，为全世界所有从事大脑网络研究的学者提供了许多可靠的数据，其中包含孤独症患者组(asd)30例以及正常对照组(hc)79例，年龄分布区间为8岁至13岁，大脑结构图像为nifti(neuroimaginginformaticstechnologyinitiative)格式的3d数据；使用dparsf软件来对大脑结构图像做前期的处理，包括：去除功能图像前n个时间点的数据、时间校正、头动校正、空间标准化、配准、分割、平滑、去趋势、滤波，得到每个被试样本全脑的灰质；

s1-2、使用aal90模板将步骤s1-1中得到的大脑灰质图像按脑区分割成90个部分；

s1-3、定义步骤s1-2中的每个脑区为大脑结构网络模型的节点，任意两个脑区之间的连接强度为大脑结构网络模型的边，使用所有被试的两个脑区i和j的灰质体积观测值序列的相关系数的绝对值作为脑区之间的连接强度，本发明使用皮尔逊相关系数，具体由公式1所示，从而得到带权值的大脑结构网络模型，如图2所示；其中某个脑区上的灰质体积是指该脑区上所有体素中的灰质体积的均值；

其中，wij即为脑区i、j之间的连接强度，ρij为脑区i和j的灰质体积观测值序列的相关系数，vi、vj分别为脑区i、j中灰质体积的观测值序列，分别表示脑区i、j中灰质体积的观测值序列的整体方差，n为该组样本总数，对于asd组，n为30，对于hc组，n为79。

s1-4、按照使大脑结构网络模型中没有孤立点且使大脑结构网络模型密度d最小的原则选定阈值，得到0-1二值化的大脑结构网络模型，如图3所示；使用brainnet软件所展示的大脑结构网络模型三维图如图4所示。

其中网络密度d定义为网络中实际存在的边数与最大可能边数之比，具体由公式2所示，

其中，e为网络中实际存在的边数，n为网络节点数；

为了减少分析结果的随机性，本实施例选取了一组固定间距的网络密度，并分析了每个密度阈值下的网络属性的差异；由于小世界网络是一种稀疏网络，因此本实施例中选取的网络密度均控制在0.5以下，否则网络将不再表现出小世界的特性。

s2、置换检验：通过置换检验算法来检验孤独症患者组和正常对照组被试样本的有效性；置换检验的基本思想是：在h0假设成立的前提下，根据研究目的构造一个检验统计量，并利用样本数据，通过对样本进行顺序上的置换，重新计算统计检验量，构造经验分布，然后在此基础上求出p-value进行推断；在实际中往往因为排列组合数太多，而采用随机排列模拟其近似分布，然后求出在该分布中出现观察样本及更极端样本的概率p，通过与显著性水平α比较，做出统计推断；当p>α时，表明h0假设成立时，观察样本的出现是很平常的，即不拒绝h0假设；否则表明h0假设成立时，观察样本的出现是小概率事件，即可以认为h0假设不成立；结合本发明研究内容，由于全排列计算量太大，本次实验使用随机排列进行计算，对孤独症患者组和正常对照组被试的复杂网络属性进行检验，复杂网络属性包括：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数和模块化；以检验聚类系数为例，置换检验具体包括以下步骤：

s2-1、提出h0假设：选取来自同一总体的两组被试样本，一组为孤独症患者组，被试样本数量为30例，另一组为正常对照组，被试样本数量为79例，每一组中的大脑结构网络模型的聚类系数无显著差异，显著性水平α取0.05；

s2-2、计算初始两组被试大脑结构网络模型的聚类系数的差值dc0；

s2-3、将两组被试大脑结构网络模型数据混合，生成n(本实施例取200)个随机排列，对于第i个排列，1≤i≤n,将被试样本分为前30例和后79例两组，分别构建大脑结构网络模型，并计算这两个大脑结构网络模型的聚类系数的差值dci；

s2-4、统计这n个差值dc1，dc2，...，dcn中大于dc0的个数m，计算p值为：p＝m/n；

s2-5、作出推断：如果p<0.05，则说明在两组被试样本来自同一总体的假设下，当前样本的出现是不正常的，要拒绝h0假设，即两组被试的聚类系数的差异有统计学意义；否则认为两组被试的聚类系数的差异无统计学意义。

s3、大脑结构网络模型分析：对孤独症患者组和正常对照组的大脑结构网络模型进行复杂网络属性对比分析。为了减少主观的阈值选定方法对实验结果的影响，本实施例在分析复杂网络的全局性质时选取了一系列网络密度(一共18个，从0.10至0.44，步长0.02)，并分析在每个密度阈值下两组结构网络模型之间的复杂网络属性差异。

s3-1、全局网络分析，在全局网络分析中，对以下复杂网络属性进行对比：

s3-1-1、聚类系数，即网络中节点的聚集程度。一般来说，聚类系数越高，网络中的功能分工越发达，结构的复杂化程度越高；否则说明分工不发达，结构的复杂化程度越低，具体由公式3计算：

其中，cc为聚类系数，n为网络节点数，degi为节点i的度，ki为与节点i相邻接的节点之间实际存在的边数。如附图5所示，asd组和hc组在聚类系数上无显著差异，但总体上来说hc组大脑结构网络模型的聚类系数更高，由此说明孤独症患者组大脑结构网络中的功能分工没有正常对照组发达，大脑结构的复杂化程度较正常对照组降低；

s3-1-2、特征路径长度，即网络中任意两点之间最短路径长度的均值。特征路径长度越小，信息在任意两点之间的平均传递速度越快，具体由公式4计算：

其中，cpl为特征路径长度，n为网络节点数，distij为节点i到节点j的最短路径长度。如附图6所示，asd组和hc组在特征路径长度上有显著差异，尤其是在密度区间0.28～0.38上，正常对照组网络的特征路径长度显著小于孤独症患者组(p<0.05，已校正)，也就是说孤独症患者组脑网络的信息传输速度出现显著下降。

s3-1-3、小世界属性，介于规则网络和随机网络之间的复杂网络称为小世界网络，小世界网络特征路径长度小，聚类系数高，由公式5计算：

其中，σ为小世界属性，c为该网络的聚类系数，l为该网络的特征路径长度，crand、lrand分别为节点数相同的若干随机网络的平均聚类系数和平均特征路径长度，γ称为标准化后的聚类系数，λ称为标准化后的特征路径长度；相较于随机网络，小世界网络的聚类系数更大即γ＞1，特征路径长度更小即λ＜1，因此有σ＞1。如附图7所示，孤独症患者组的大脑结构网络的小世界属性出现了退化，其中在密度区间0.16～0.44上，正常对照组结构网络的小世界属性均高于孤独症患者组，而在密度区间0.28～0.34上，正常对照组的小世界属性在统计学上显著高于病人(p<0.05，已校正)，结合病人组聚类系数减小、特征路径长度增大的变化，可以看出孤独症患者组的大脑结构网络既没有向随机网络(相对于小世界网络，其特征路径长度和聚类系数均减小)演化，也没有向规则网络(相对于小世界网络，其特征路径长度和聚类系数均增大)演化。

s3-1-4、全局效率，即网络中任意两点之间最短距离的倒数的均值。当网络为非连通时，特征路径长度为无穷大，网络的全局效率反映网络中信息传递的速度，具体由公式6计算：

其中，geff为全局效率，n为网络节点数，distij为节点i到节点j的最短路径长度。如附图8所示，在所有网络密度下，正常对照组网络的全局效率均高于孤独症患者组。

s3-1-5、局部效率，即由网络中每个节点同与其相邻的节点导出的子网络的效率的平均值，其中子网络的效率计算方法同步骤s3-1-4中全局效率的计算方法。如附图9所示，孤独症患者组和正常对照组的差异相对更小(p<0.05，已校正)。

结合全局效率和局部效率计算结果，说明孤独症患者组大脑网络中少部分中枢节点或团块出现了退化或连接异常，但总体上网络还能正常工作，且效率接近于正常对照组，这和现实生活中孤独症患者组依然可以维持正常生活的情形相一致。

s3-1-6、平均节点介数和平均边介数，在复杂网络中介数是表达节点或边重要性的指标之一，平均节点介数和平均边介数分别反映节点和边的作用与影响力，节点介数指任意两个节点间最短路径通过该节点的次数占所有最短路径的比例，边介数指任意两个节点的最短路径通过该边的次数占所有最短路径的比例。如附图10和附图11所示，孤独症患者组和正常对照组表现出的差异相似，差异主要表现在两方面，一方面，在密度区间0.28～0.38上，正常对照组网络的平均节点介数和平均边介数显著小于孤独症患者组；另一方面，在网络密度较低时(density<0.2)，正常对照组网络的平均节点介数和平均边介数高于孤独症患者组，而在密度较高(density>＝0.2)时，情况恰好相反。

s3-1-7、模块化属性，模块化结构越分散，说明脑区间信息整合能力发育迟缓或异常。如附图12所示，在所有图密度下，两组被试的差异不明显(p<0.05，已校正)，正常对照组的结构网络模块化性能略优于孤独症患者组。

s3-2、大脑结构网络模型损伤恢复能力分析，为了分析大脑网络对急性和局灶性损伤的恢复能力，本实施例通过删除节点或边的方法来模拟大脑结构网络模型遭到破坏时的情形，并通过计算被破坏后网络的性能指标来衡量网络的恢复能力；

s3-2-1、通过删除节点模拟大脑结构网络模型遭到破坏时的情形，在删除节点的规则上，本实施例采用以下三种规则：(1)初始状态下，计算各个节点(脑区)在两组被试结构网络模型中度的均值，并对其进行降序排序，然后按照顺序依次删除节点，直到删完为止；(2)初始状态下，对各个节点的介数进行降序排列，然后按照此顺序依次删除节点；3)随机删除节点，直到删完为止，本实验进行2000次实验，取均值。

s3-2-2、通过删除边模拟大脑结构网络模型遭到破坏时的情形，在删除边的规则上，本实施例首先计算，初始状态下每条边在两组被试大脑结构网络模型中的边介数的均值，并对其进行降序排序，然后按照此顺序依次删除边。

s3-2-3、遭破坏后的大脑结构网络模型的性能度量，本实施例采用遭破坏后的网络的全局效率作为度量指标。如附图13所示，纵轴均为遭破坏后网络的全局效率与初始全局效率之比，由此可见，在按照节点度排序删除节点时(如附图13(a)所示)，正常对照组的恢复能力略好，但差异不大；在按照节点介数排序删除节点时(如附图13(b)所示)，两组恢复能力好坏有交替，但总体差异很小；在随机删除节点时(如附图13(c)所示)，两组被试几乎无差异；在按照边介数排序删除边时(如附图13(d)所示)，当网络中的边被删去65％之前，正常对照组网络的恢复能力均好于孤独症患者组，而在删除边介数排序为27th的边时，孤独症患者组的网络性能出现大幅下降，而这条边对应aal90模板中右侧顶下缘角回和右侧缘上回之间的连接，两组被试的这两个脑区之间的连接强度分别为0.7823(asd)和0.8535(hc)，因此孤独症患者这两个脑区之间的连接更容易被破坏，而当角回等受到损伤时，容易出现听觉性失语症。

s3-3、局部网络分析，在局部网络分析中，本实施例使用了保证网络连通的最小密度作为阈值进行分析，对以下复杂网络属性进行对比：

s3-3-1、节点度，如附图14所示，孤独症患者组的节点度在某些脑区异常降低，主要有左侧嗅皮质(olfactory_l)、右侧回直肌(rectus_r)、右侧舌回(lingual_r)；人脑的嗅皮质和记忆力密切相关，该区域节点度出现异常降低说明本实验中的孤独症患者组的平均记忆力低于正常人组；大脑的舌回主要参与视觉记忆的加工和逻辑分析等，该部分出现异常降低说明孤独症患者逻辑分析能力出现退化。

s3-3-2、介数，如附图15所示，孤独症患者组的介数在某些脑区异常增高或降低，异常增高的脑区主要有左侧眶内额上回(frontal_mid_orb_l)、右侧内侧和旁扣带脑回(cingulum_mid_r)、左丘脑(thalamus_l)，异常降低的脑区主要有右侧内侧额上回(frontal_sup_medial_r)、右侧距状裂周围皮层(calcarine_r)；其中，眶额皮层是人类情绪产生的主要神经机制，是人类产生后悔、愉快、尴尬、愤怒、悲伤等情绪的主要神经区域，正常情况下，眶额皮层能在不同的社会情境中控制情绪的发生，并根据情绪反应修正行为；而内侧和旁扣带脑回是情绪回路的重要组成部分，并参与自我评价等过程，该脑区介数出现异常，说明孤独症患者情绪控制能力出现异常；丘脑是人类各种感觉传递的中转站，该脑区介数出现异常增高说明患者部分感觉器官变得异常灵敏或迟钝；右侧距状裂周围皮层主要和视觉紧密相关，该区域出现异常说明孤独症患者视觉能力出现异常。

s3-3-3、局部聚类系数，如附图16所示，孤独症患者组的聚类在右侧缘上回(supramarginal_r)脑区出现异常降低。

s3-3-4、大脑结构网络模型的网络中心，若某个节点的度/中心性满足degi/betwi＞μ+2σ，则被定义为网络中心，其中degi为节点i的度，betwi为节点i的中心性，μ、σ分别为所有节点的度/中心性的均值和标准差，结果发现孤独症患者组与正常对照组有一个共同的网络中心，即右侧额中回；另外，孤独症患者组还有右侧三角部额下回、右侧背外侧额上回、左侧中央前回、左侧缘上回网络中心，正常对照组有左侧三角部额下回、楔前叶网络中心。

由此可见，通过本发明针对孤独症的大脑结构网络模型分析，能够全面准确地对孤独症患者和正常人的大脑结构网络进行分析研究，为医学上挖掘孤独症治疗靶点提供了线索。同时，本发明中的大脑结构网络模型分析方法还可推广应用于其它精神方面疾病的分析研究，网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。

在发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。