全 文 ：生命科学
Chinese Bulletin of Life Sciences
第21卷 第2期
2009年4月
Vol. 21, No. 2
Apr., 2009
文章编号 ：1004-0374(2009)02-0181-08
脑网络：从脑结构到脑功能
蒋田仔*，刘　勇，李永辉
(中国科学院自动化研究所，模式识别国家重点实验室，LIAMA 计算医学研究中心，北京 100190)
摘　要：越来越多的证据表面脑连接反映了信息在脑内的处理过程，但是，到目前未知，我们还没有
完全理解脑连接和脑内信息动态处理之间的复杂关系。本文从脑结构到脑功能方面介绍了从不同模态影像
学数据构造脑网络的主要进展。我们首先给出了网络的基本定义，然后分别介绍了利用DT I 构造结构网
络，利用fMRI 构造功能网络的方法。随后，我们探讨了不同的脑疾病(特别是阿尔茨海默病和精神分裂
症）患者脑网络拓扑结构是否发生了异常，最后对本领域未来的研究做了简单的展望。
关键词：弥散张量成像；功能磁共振成像；复杂脑网络
中图分类号：R338.2；R742　　文献标识码：A
Brain networks: from anatomy to dynamics
JIANG Tian-zi*, LIU Yong, LI Yong-hui
(LIAMA Center for Computational Medicine, National Laboratory of Pattern Recognition,
Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China)
Abstract: Convergent evidence has shown that the brain’s connectivity influences its information processing,
but so far we do not have a real understanding of the relationship between connectivity and the resulting neural
dynamics. Modern brain imaging technologies are playing essential role in our understanding of brain informa-
tion processing. This paper covers anatomical and functional networks at different scales. We first present the
basic concepts of brain networks. Then anatomical brain networks based on DTI and their applications in brain
disorders are presented. After that, functional brain networks at rest based on fMRI are discussed in detail. We
will also present some new findings on abnormalities of functional connectivity and networks of human brain
with neurological and psychiatric diseases, especially Alzheimer’s diseases, Schizophrenia, and so on. Finally,
some perspective and future research directions are touched.
Key words: diffusion tensor imaging; functional magnetic resonance imaging; complex brain networks
收稿日期：2008-12-15
*通讯作者：jiangtz@nlpr.ia.ac.cn
人脑是自然界中最复杂的系统之一，功能分化
与功能整合是人脑功能的两大组织原则[1-8]。虽然人
脑的不同区域具有相对不同的功能，但要完成一项
哪怕是非常简单的任务时也总是需要人脑多个不同
的功能区域相互作用、互相协调，共同构成一个网
络来发挥其功能，也就是说，大脑的功能执行总是
依赖于多个脑区之间广泛地交互。因此，从网络的
角度来研究人脑的功能是极为必要的。
现代脑影像技术的发展为研究人脑网络提供了
非侵入性的手段。早期基于 EEG、MEG 和 fMRI 等
影像技术的许多研究都指出，人脑可以被看作是一
个复杂的网络，具有多种重要的网络属性，特别是
具有“小世界”属性[9 ]。具体而言，脑区内部具
有高度密集的短连接，脑区间存在稀疏的长连接，
它的这种性质可以使人脑实时地在多个系统之间传
递信息[9-11]、有效组织内外界信息[12]，从而实现在
不同功能脑区之间高效的交换信息[13]。网络的“小
世界”属性既反映了脑的功能分化和功能整合的信
息交换属性[9]，又反映了人脑对各种刺激的超强的
自适应能力[14]。另外，脑的信息传递效率属性反映
了信息在人脑中是如何快速地传输的[13]。
182 生命科学 第21卷
1　几个基本概念
迄今为止，脑功能网络分析主要集中在全网络
性质统计分析上，例如度(连接的数目)分布、平均
路径长度和聚类系数等。对于脑网络来讲，节点就
是脑区，边就是脑区间的功能连接，节点度就是和
此节点连接的边有多少，网络的节点度是每个脑区
节点度的平均
∑
∈
=
Gi
ip KN
K 1
这里Ki是每个节点的连接度，它衡量一个网络
的连接情况。
类聚系数衡量一个节点最近邻节点之间的连接
情况，定义为：
∑
∈ −= Gi ii
ireal
p KK
E
N
C
2/)1(
1
这里Ei是节点i的最近邻节点数目。最短距离
衡量的是网络的信息传递能力，定义为：
∑ ∑
∈ ∈≠−= Gi Gji jip LNNL }min{2/)1(
1
,
这里 )},(min{ jiPL 为节点i和j之间的最短路
径，L p 越小表明信息传递越快。
和随机网络相比，“小世界”网络具有较高的
绝对聚类系数和近乎相同的最短路径长度[12,15]，即
1LL,1 ≈=>= randprealprandprealp CC λγ
这两个指标可以用一个标量—— 小世界值来表
示：σ=γ/λ，在典型小世界网络中，它的取值远远
的大于1[12,16,17]。
Achard和Bullmore[13]研究表明人脑是一个具有
“小世界”拓扑结构，且可以高效处理各种信息的
复杂的脑网络。我们可以将网络信息传递效率Eglobat
定义为网络最短路径长度的调和逆[13,18,19]，
∑
∈≠−= Gji jiglobal LNN
E
,
1
)1(
1
全局效率是衡量信息在网络中的传递快慢的一
个综合指标，它可以评价信息是如何在局部子网络
和全局大网络快速传递的[19]。
2　脑解剖网络
He 等[17]利用传统的结构MRI 影像，通过分析
不同脑区皮层厚度的相关性，成功地构建了人脑的
结构网络，并验证了其具有“小世界”属性。该
研究正是通过利用结构磁共振图像和皮层映射技术
获得的皮层厚度度量来描述人脑大脑皮层多个区域
之间形态学的关联，并进一步利用这些信息建立人
脑的结构连接网络，然后采用基于图论的网络分析
技术来定量描述人脑形态学网络的组织模式，给出
了功能连接的结构基础。该研究采用了152例来自
ICBM 公共数据库的健康志愿者数据，其网络构建
如图 1 所示。
He等[17]主要从3个网络度量出发对脑厚度网络
图 1　用结构磁共振的皮层厚度度量构建人脑结构网络的流程图[17]
注：A ：皮层厚度度量；B ：基于图谱的皮层分割；C ：描述了两个区域在皮层厚度的相关；D ：大脑皮层区域间两两
的相关图；E ：白色表明了皮层厚度的相关性是显著的；F ：基于皮层厚度相关性建立的结构连接网络
183第2期 蒋田仔，等：脑网络：从脑结构到脑功能
进行了研究：平均连接度、聚类系数和最短路径长
度。研究结果表明，大脑中存在多条统计显著的解
剖连接。这些显著的解剖连接大多数拥有较短的解
剖距离，但也存在一些长距离的解剖连接。基于图
论的网络分析表明大脑皮层厚度网络拥有较高的聚
类系数和较短的特征路径长度。通过对比1 000 个
可比较的随机网络，大脑的解剖连接网络明显地落
入“小世界”范畴。度分布的研究结果表明，大
脑解剖网络服从截断的幂率分布形式，该分布形式
意味着大脑中存在着一些重要的脑区(hub)。该研究
首次提出脑的形态学度量刻画脑结构连接网络的思
想，并基于皮层厚度建立了国际上第一个全脑结构
网络，揭示其“小世界”性质，为人脑功能网络
的“小世界”属性提供了重要的结构证据，且为
揭示健康人群及不同脑疾病脑网络信息处理模式开
辟了新途径。
最近，人们又在大脑解剖网络的研究方面取得
新的进展。弥散成像(diffusion imaging)是一种新的磁
共振成像技术。由于它可以显示活体大脑中的白质
纤维走行情况，因此，最近被用于人脑解剖网络的
研究。Hagmann等[20]率先利用弥散频谱成像(diffusion
spectrum imaging)技术，在2名正常被试者身上成
功地构造了基于个体的大脑解剖网络(图2)，并验
证了“小世界”属性的存在。他们又利用这种方法
在人脑解剖网络中发现了重要的核心结构(图3)[21]，
但由于弥散频谱成像的图像采集时间较长，限制了
其在涉及较大数据量的实际问题中的应用。
在最新的一项研究中，Gong 等[22]利用弥散张
图2　用弥散频谱成像构建全脑解剖连接网络的流程图[20]
注：网络的构建分为4 步：(1)对个体进行弥散频谱磁共振成像，获得个体大脑每一位置的三维弥散函数，它表征了该位置
的组织特性，尤其是纤维束的方向走行信息；(2)根据这些三维的纤维束方向走行信息，跟踪重建得到完整的纤维束；(3)
同时，利用探索性的分割方法，将大脑的灰白质交界面以及皮层下的核团边界分割为等面积的小的感兴趣分区；(4)将第2
与第 3 步的结果进行结合：分区作为网络的节点，纤维束作为连接节点的边，就构成所需的解剖网络。该网络可以对任
意两个灰质分区之间的白质连接密度进行估计
184 生命科学 第21卷
量成像(diffusion tensor imaging)技术，通过白质纤
维跟踪的方法，在正常人群中成功构建了无权的脑
解剖网络，并验证了“小世界”属性的存在。但
他们的研究并没有把大脑皮层下的子结构纳入考察
的范围(例如丘脑和杏仁核等)，而这些子结构往往
是大脑中重要连接通路的中继枢纽。同时，他们的
研究关注如何从一组个体中得到一个具有共性的网
络，因此并没有进行针对个体网络属性的分析。最
近，Li等[17]借鉴并改进了Gong等的方法，对个体
的智力与其大脑解剖网络属性之间的关系进行了考
察。他们提出了一个直观的假设：智力表现越高的
个体，其大脑中信息处理的效率应该越高，从脑网
络的角度来说，智力与脑网络属性应该是相关的，
高的智力表现应该与高的脑解剖网络效率相对应。
Li等[17]首先根据韦氏成人智力量表[23]，对79名被试
者(44名男性和35名女性，平均年龄=23.8 岁，年
龄范围是17－33 岁)进行评测，用Full Scale IQ
(FSIQ) 评分作为他们的总体智力评分。然后他们根
据如图4所示的流程，利用AAL 模板将每一名被试
者的大脑分成 90 个脑区[2 2 , 2 4 ]。进而，他们使用
Tensorline的白质纤维跟踪方法[25]，通过设置脑区
之间纤维连接数目的合理阈值，成功地在每个正常
被试数据上构建了基于个体的无权脑解剖网络。他
们又使用脑区之间的纤维连接数目作为权值，将无
权网络拓展为加权网络进行考察。他们计算每一个
被试者的脑解剖网络(无权网和加权网)的属性，主
要包括网络中边的总数、网络的平均聚类系数、网
络的平均最短路径长度和网络的平均全局效率。计
算结果显示，“小世界”属性在每一个被试的脑解
剖网络中都是稳定存在的。最重要的是，在对年龄
和性别因素进行控制的前提下，他们对79名被试者
图3　脑网络的模块化和核心节点示意图[21]
图 4　将AAL模板变换到个体DTI空间的流程图
注：首先将个体的rT1 结构图像(已经变换进入个体DTI 空
间)配准到T1 模板；然后将这一变换的反变换作用到AAL 模
板，就可以将其变换到个体的DT I 空间中；在反变换中利
用最近邻插值法，从而保持变换后AA L 模板的各个分区标
号不变
185第2期 蒋田仔，等：脑网络：从脑结构到脑功能
的网络属性及FSIQ评分进行了偏相关分析。结果显
示这 79 名正常被试者的脑解剖网络属性与他们的
FSIQ评分是显著相关的。智力评分越高的被试，其
大脑解剖网络的边数越多，平均最短路径长度越
短，网络的平均全局效率越高。进一步的分析显
示，在加权网络中，这种相关性更为显著。这些
结果很好地支持了他们所提出的假设，他们的研究
表明：个体的智力表现与其大脑结构的组织情况是
显著相关的，高的智力表现与大脑解剖网络的高效
率相对应。
3　脑功能网络
脑功能连接的概念最早出现在EEG研究中，它
度量空间上分离的不同脑区间时间上的相关性和功
能活动的统计依赖关系，是描述脑区之间协同工作
模式的有效手段之一。荷兰的Stam教授领导的研究
组及合作者从EEG、MEG 等不同成像手段出发，发
现人脑功能网络具有“小世界”拓扑结构[26-29]。在
20世纪90年代初期，英国Welcome实验室的Friston
等首先提出用功能连接方法分析fMRI。不同层次不
同尺度的fMRI研究发现无论介观水平(基于体素)[30]
以及宏观水平(基于脑区)[12-14]上，人脑功能网络具
有高效的“小世界”属性。2005年，Eguiluz 等[30]
基于特定的任务所激活的体素，使用相关系数度量
了任意两个体素之间的功能连接，发现人脑是一个
scale-free 的“小世界”网络。接下来的几年里，
剑桥大学的Bullmore教授领导的团队首先利用AAL
模板(功能网络构造的流程一般如图5 所示)，分别
利用相关、偏相关以及偏相干这三种度量方法考察
了不同脑区之间的功能连接，进行了一系列的关于
脑功能网络方面的研究[12-14,29,31]，研究结果一致表明
人脑是一个高效的“小世界”网络，特别是他们
从不同的尺度研究了人脑的功能连接模式，发现低
频信号构成的人脑网络具有最强的“小世界”属
性[12]。
以上的研究结论表明高效的小世界拓扑组织结
构是一个最适合描述人脑网络的独特模型。那么，
这种高效的“小世界”拓扑结构在神经精神疾病中
有没有受到破坏呢？神经精神疾病是如何影响脑网
络的拓扑结构的呢？
4　脑网络在复杂疾病中的应用研究
正如我们前文提到的那样，对于脑网络属性及
其在神经精神疾病中的研究已取得了丰硕的成果，
大量的EEG[32-34]、MEG[27]、fMRI[12,13,31]、structure
MRI[17,35]、DTI [36]的研究表明，人脑是一个具有
“小世界”属性的复杂网络，这种高效的“小世界”
拓扑结构不但随着年龄[13,37]和状态[38]的改变会发生变
图 5　利用AAL模板构造功能网络一般流程图
注：原始数据经过预处理后，利用A A L 模板进行分区，然后考察两两脑区的活动一致性，最后就可以在不同的阈值下得
到不同的脑功能网络
186 生命科学 第21卷
化，并且具有一定的遗传基础[39]，更为有意义的是
它与阿尔茨海默氏病((Alzheimer’s diseases, AD)[33,40]、
癫痫[41,42]、少儿多动障碍(ADHD)[43]、精神分裂症[37,
44,45]等神经精神疾病病理变化有一定的相关性。
4.1　脑网络与阿尔茨海默氏病　阿尔茨海默氏病是
一种区别于正常衰老过程、以认知功能下降为主要
特征的渐进性脑退行性疾病。Grecius等[46]的研究发
现 AD 患者的海马与扣带回后部的功能连接显著降
低。Wang 等[47]和 Allen等[48]的研究也发现AD患者
的海马与扣带回后部的功能连接显著降低，但海马
与前额叶的功能连接程度却显著增加[49]。采用全脑
网络功能连接分析方法，Wang 等[49]发现与正常老
年人相比，早期 AD 患者前额叶与顶叶之间的功能
连接降低，但额叶、顶叶内部的功能连接却代偿性
地增强。此外还发现早期 A D 患者的“任务负网
络”(默认网络)及“任务正网络”的功能连接也显
著异常于正常老年人。采用主成分分析，Sorg等[50]
研究发现在aMCI患者中默认网络与执行注意网络的
功能连接存在异常。这些研究都提示我们进一步验
证了全脑网络拓扑属性异常的可行性及实用价值。
2007年，荷兰教授Stam等[33]利用 EEG数据构
建了一个21个节点的脑网络，他们的研究结果表明
AD 患者的脑网络属性之一，路径长度异常且与AD
的严重程度密切相关，疾病越重，路径长度越长，
也就是说病得越严重，信息在脑内的传递越慢。他
们的研究第一次从网络的角度阐明了AD脑功能的异
常变化。Supekar等[40]利用小波分解的方法，分别在
静息fMRI数据的不同的频段上考察AD的“小世界”
拓扑属性的异常，结果发现 AD 患者的脑功能网络
的“小世界”属性在低频区表现显著的异常，同
时他们的研究还表明网络属性还可以作为区分正常人
和AD 的一个客观的标记。最近，He 等[51]利用不同
脑区的皮层厚度的关系构造了AD的结构网络，他们
的研究也发现了AD患者的脑网络小世界拓扑结构显
著异常。
4.2　脑网络与精神分裂症　精神分裂症患者的脑功
能连接出现了紊乱，这种紊乱的功能连接可能会引
起全脑网络全局组织结构形式的改变，这可能部分
地解释精神分裂症的认知及行为缺陷。Liang 等[52]
使用静息状态fMRI分析了精神分裂症的全脑功能连
接，发现静息状态下精神分裂症患者的脑功能也存
在广泛分布的失连接。更有意义的是，一些DTI 研
究也报道了精神分裂症脑白质纤维属性和扩散张量属
性异常，可能为精神分裂症患者的功能失连接提供了
部分解剖学证据[53-55]。Liang 等[56]基于静息的fMRI研
究提示精神分裂症患者的“小世界”属性发生异常
降低，但由于在该研究中每组被试者仅有一个网络
(即每组的“小世界”属性指标仅有一个值)，因
此，无法从统计学角度衡量精神分裂症患者的“小
世界”属性的异常变化情况。Micheloyannis等[45]基
于 EEG 数据的研究也报道了精神分裂症患者的脑功
能网络“小世界”属性异常。Rubinov等[44]利用EEG
的研究也证实了Micheloyannis的研究结果，并且进一
步表明精神分裂症是一种功能失整合疾病。但是EEG
很难精确的检测皮层下的脑功能活动情况[45]。Liu等
利用AAL 模板将大脑分成 90 个区域，进一步研究
了脑网络属性在精神分裂症中的异常变化，研究结
果表明精神分裂症患者的额叶、顶叶和颞叶等区域
的“小世界”属性异常变化，这可能导致精神分
裂症患者的脑功能的异常。低的连接度不但表明患
者脑功能网络变得更加稀疏，还提示患者脑功能网
络连接强度下降。降低的聚类系数和变长的最短路
径长度表明精神分裂症患者的脑功能网络信息交换
异常紊乱，而且该研究结果还表明精神分裂症患者
的脑信息传递效率明显下降，这再次从全脑的角度
提示了精神分裂症患者的脑功能失整合。更为重要
的是，他们的研究发现脑功能网络拓扑结构属性和
临床指标之间是显著相关的，患者患病时间越长，
信息传递的效率越低，这更加有助于我们进一步理
解精神分裂症的失连接现象[57]。最近，剑桥大学的
Bullmore教授领导的团队利用结构网络的研究发现精
神分裂症患者的脑网络，尤其是前额叶皮层的拓扑
结构发生了异常的改变[58]。这些研究结果将更加有
助于我们进一步理解精神分裂症的失连接现象。
4.3　脑网络在其他神经精神疾病中的应用研究　
Ponten等[41]和Srinivas等[42]分别研究了癫痫的脑网络
小世界属性在发作前后的异常变化情况。Wang等[43]
分析了静息状态下ADHD 患儿的脑功能网络，发现
与正常对照儿童相比，ADHD 患儿的脑功能网络存
在着向正侧网方向偏移的趋势，这一研究首次探讨
了ADHD 脑功能异常的脑网络拓扑结构基础，将为
更加深入和全面的理解 ADHD 病理机制提供证据。
5　结束语
综上所述，人脑是一个高效的复杂“小世界”
网络，不同的状态或者疾病会导致网络属性发生异
常的改变。目前关于复杂脑网络的研究刚刚起步，
187第2期 蒋田仔，等：脑网络：从脑结构到脑功能
复杂网络的分析手段有待进一步扩展。目前的复杂
网络分析主要使用在其他领域已被成熟使用的模型
和指标，寻找更加适用于人脑功能特点的有效分析
方法是未来的研究方向。对于复杂脑网络的组织原
则和全局结构属性需要进一步的探讨和验证。例
如， 网络中许多指标的实际生理意义是一直以来困
扰我们的问题之一。另外，上述的大多数研究都采
用了无权的二值网络模型，这样会丢失掉很多有价
值的信息，因此探索更为切合实际的加权网络模型
是以后的一个工作重点；不同的疾病状态下，脑网
络拓扑结构是发生了异常，但是这些异常是否可以
作为一个有效的特征去进行疾病分类也是我们下一
步需要进行探索的；还有就是利用不同模态的影像
技术所构造得到的网络并不是完全可比的，虽然它
们之间的整体属性相差不大，但是其内部的拓扑结
构却可能在不同被试者中存在各种差别，如何比较
基于不同模态构造的网络模型也是今后一个值得研
究的问题之一。
[参　考　文　献]
[1] Friston K. Beyond phrenology: what can neuroimaging tell
us about distributed circuitry? Annu Rev Neurosci, 2002,
25: 221-50
[2] Friston K. Functional integration and inference in the brain.
Prog Neurobiol, 2002, 68: 113-43
[3] Zeki S, Shipp S. The functional logic of cortical connections.
Nature, 1988, 335: 311-7
[4] Sporns O, Tononi G, Kotter R. The human connectome: a
structural description of the human brain. PLoS Comput
Biol, 2005, 1: e42
[5] Lee L, Harrison LM, Mechelli A. A report of the functional
connectivity workshop, Dusseldorf 2002. Neuroimage, 2003,
19: 457-65
[6] Lee L, Harrison LM, Mechelli A. The functional brain con-
nectivity workshop: report and commentary. Network, 2003,
14: R1-15
[7] Tononi G. Consciousness, information integration, and the
brain. Prog Brain Res, 2005, 150: 109-26
[8] Tononi G, Edelman GM, Sporns O. Complexity and
coherency: integrating information in the brain. Trends Cogn
Sci, 1998, 2: 474-84
[9] Sporns O, Zwi JD. The small world of the cerebral cortex.
Neuroinformatics, 2004, 2: 145-62
[10] Sporns O, Chialvo DR, Kaiser M, et al. Organization, devel-
opment and function of complex brain networks. Trends
Cogn Sci, 2004, 8: 418-25
[11] Sporns O, Honey CJ. Small worlds inside big brains. Proc
Natl Acad Sci USA, 2006, 103: 19219-20
[12] Achard S, Salvador R, Whitcher B, et al. A resilient, low-
frequency, small-world human brain functional network with
highly connected association cortical hubs. J Neurosci, 2006,
26: 63-72
[13] Achard S, Bullmore E. Efficiency and cost of economical
brain functional networks. PLoS Comput Biol, 2007, 3: e17
[14] Bassett DS, Meyer-Lindenberg A, Achard S, et al. Adaptive
reconfiguration of fractal small-world human brain functional
networks. Proc Natl Acad Sci USA, 2006, 103: 19518-23
[15] Watts DJ, Strogatz SH. Collective dynamics of ‘small-world’
networks. Nature, 1998, 393: 440-2
[16] Humphries MD, Gurney K, Prescott TJ. The brainstem
reticular formation is a small-world, not scale-free, network.
Proc Biol Sci, 2006, 273: 503-11
[17] He Y, Chen ZJ, Evans AC. Small-world anatomical net-
works in the human brain revealed by cortical thickness
from MRI. Cereb Cortex, 2007, 17: 2407-19
[18] Latora V, Marchiori M. Economic small-world behavior in
weighted networks. Eur Phys J B, 2003, 32: 249-63
[19] Latora V, Marchiori M. Efficient behavior of small-world
networks. Phys Rev Lett, 2001, 87: 198701
[20] Hagmann P, Kurant M, Gigandet X, et al. Mapping human
whole-brain structural networks with diffusion MRI. PLoS
ONE, 2007, 2: e597
[21] Hagmann P, Cammoun L, Gigandet X, et al. Mapping the
structural core of human cerebral cortex. PLoS Biol, 2008, 6:
e159
[22] Gong G, He Y, Concha L, et al. Mapping anatomical con-
nectivity patterns of human cerebral cortex using in vivo
diffusion tensor imaging tractography. Cereb Cortex, 2009,
19: 524-36
[23] Gong YX. Manual of modified wechsler adult intelligence
scale (WAIS-RC) (in Chinese)[M]. Changsha, China: Hunan
Med College, 1982
[24] Tzourio-Mazoyer N, Landeau B, Papathanassiou D, et al.
Automated anatomical labeling of activations in SPM using
a macroscopic anatomical parcellation of the MNI MRI single-
subject brain. Neuroimage, 2002, 15: 273-89
[25] Lazar M, Weinstein DM, Hasan KM, et al. Axon
tractography with tensorlines[C]// Proceedings of the 8-th
Scientific Meeting of International Society of Magnetic
Resonance in Medicine, Denver. 2000, 482
[26] Smit DJ, Stam CJ, Posthuma D, et al. Heritability of “small-
world” networks in the brain: a graph theoretical analysis of
resting-state EEG functional connectivity. Hum Brain Mapp,
2008, 29: 1368-78
[27] Stam CJ. Functional connectivity patterns of human
magnetoencephalographic recordings: a “small-world”
network? Neurosci Lett, 2004, 355: 25-8
[28] Stam CJ, Reijneveld JC. Graph theoretical analysis of complex
networks in the brain. Nonlinear Biomed Phys, 2007, 1: 3
[29] Bassett DS, Bullmore E. Small-world brain networks.
Neuroscientist, 2006, 12: 512-23
[30] Eguiluz VM, Chialvo DR, Cecchi GA, et al. Scale-free brain
functional networks. Phys Rev Lett, 2005, 94: 018102
[31] Salvador R, Suckling J, Coleman MR, et al. Neurophysi-
ological architecture of functional magnetic resonance images
of human brain. Cereb Cortex, 2005, 15: 1332-42
[32] Stam CJ, de Bruin EA. Scale-free dynamics of global func-
tional connectivity in the human brain. Hum Brain Mapp,
188 生命科学 第21卷
2004, 22: 97-109
[33] Stam CJ, Jones BF, Nolte G, et al. Small-world networks
and functional connectivity in Alzheimer’s disease. Cereb
Cortex, 2007, 17: 92-9
[34] Micheloyannis S, Pachou E, Stam CJ, et al. Using graph
theoretical analysis of multi channel EEG to evaluate the
neural efficiency hypothesis. Neurosci Lett, 2006, 402: 273-7
[35] Chen ZJ, He Y, Rosa-Neto P, et al. Revealing modular archi-
tecture of human brain structural networks by using cortical
thickness from MRI. Cereb Cortex, 2008, 18:2374-81
[36] Iturria-Medina Y, Sotero RC, Canales-Rodriguez EJ, et al.
Studying the human brain anatomical network via diffusion-
weighted MRI and graph theory. Neuroimage, 2008, 40:
1064-76
[37] Micheloyannis S, Vourkas M, Tsirka V, et al. The influence
of ageing on complex brain networks: a graph theoretical
analysis. Hum Brain Mapp, 2007, 30:200-8
[38] Ferri R, Rundo F, Bruni O, et al. Small-world network orga-
nization of functional connectivity of EEG slow-wave ac-
tivity during sleep. Clin Neurophysiol, 2007, 118: 449-56
[39] Posthuma D, de Geus EJ, Mulder EJ, et al. Genetic compo-
nents of functional connectivity in the brain: the heritability
of synchronization likelihood. Hum Brain Mapp, 2005, 26:
191-8
[40] Supekar K, Menon V, Rubin D, et al. Network analysis of
intrinsic functional brain connectivity in Alzheimers disease.
PLoS Comput Biol, 2008, 4: e1000100
[41] Ponten SC, Bartolomei F, Stam CJ. Small-world networks
and epilepsy: graph theoretical analysis of intracerebrally
recorded mesial temporal lobe seizures. Clin Neurophysiol,
2007, 118: 918-27
[42] Srinivas KV, Jain R, Saurav S, et al. Small-world network
topology of hippocampal neuronal network is lost, in an in
vitro glutamate injury model of epilepsy. Eur J Neurosci,
2007, 25: 3276-86
[43] Wang L, Zhu C, He Y, et al. Altered small-world brain func-
tional networks in children with attention-deficit/hyperac-
tivity disorder. Hum Brain Mapp, 2009, 30:638-49
[44] Rubinov M, Knock SA, Stam CJ, et al. Small-world proper-
ties of nonlinear brain activity in schizophrenia. Hum Brain
Mapp, 2009, 30:403-16
[45] Micheloyannis S, Pachou E, Stam CJ, et al. Small-world
networks and disturbed functional connectivity in
schizophrenia. Schizophr Res, 2006, 87: 60-6
[46] Greicius MD, Srivastava G, Reiss AL, et al. Default-mode
network activity distinguishes Alzheimer’s disease from
healthy aging: evidence from functional MRI. Proc Natl Acad
Sci USA, 2004, 101: 4637-42
[47] Wang L, Zang Y, He Y, et al. Changes in hippocampal con-
nectivity in the early stages of Alzheimer’s disease: evidence
from resting state fMRI. Neuroimage, 2006, 31: 496-504
[48] Allen G, Barnard H, McColl R, et al. Reduced hippocampal
functional connectivity in Alzheimer disease. Arch Neurol,
2007, 64: 1482-7
[49] Wang K, Liang M, Wang L, et al. Altered functional connec-
tivity in early Alzheimer’s disease: a resting-state fMRI
study. Hum Brain Mapp, 2007, 28: 967-78
[50] Sorg C, Riedl V, Muhlau M, et al. Selective changes of rest-
ing-state networks in individuals at risk for Alzheimer’s
disease. Proc Natl Acad Sci USA, 2007, 104: 18760-5
[51] He Y, Chen Z, Evans A. Structural insights into aberrant
topological patterns of large-scale cortical networks in
Alzheimer’s disease. J Neurosci, 2008, 28: 4756-66
[52] Liang M, Zhou Y, Jiang T, et al. Widespread functional
disconnectivity in schizophrenia with resting-state functional
magnetic resonance imaging. Neuroreport, 2006, 17: 209-13
[53] Kanaan RA, Kim JS, Kaufmann WE, et al. Diffusion tensor
imaging in schizophrenia. Biol Psychiatry, 2005, 58: 921-9
[54] Burns J, Job D, Bastin ME, et al. Structural disconnectivity
in schizophrenia: a diffusion tensor magnetic resonance im-
aging study. Br J Psychiatry, 2003, 182: 439-43
[55] Buchsbaum MS, Schoenknecht P, Torosjan Y, et al. Diffu-
sion tensor imaging of frontal lobe white matter tracts in
schizophrenia. Ann Gen Psychiatry, 2006, 5: 19
[56] Liang M, Jiang T, Tian L, et al. An informationtheoretic based
method for constructing the complex brain functional network
with fMRI and the analysis of small world property [C]//
Frangi A and Delingette H, eds. MICCAI 2006 Workshop
Proceedings, From Statistical Atlases to Personalized Models:
Understanding Complex Diseases in Populations and
Individuals. Copenhagen, Denmark, 2006a: 23-6
[57] Liu Y, Liang M, Zhou Y, et al. Disrupted small-world net-
works in schizophrenia. Brain, 2008, 131: 945-61
[58] Bassett DS, Bullmore E, Verchinski BA, et al. Hierarchical
organization of human cortical networks in health and
schizophrenia. J Neurosci, 2008, 28: 9239-48