Atlas-based Analysis of Association Between Cerebral White Matter Fiber Tracts and Arithmetic Ability
-
摘要:
为了探索大脑白质纤维束与算术运算能力的关系,设计了一个认知功能实验测试所有受试者的算术能力,然后采集T1结构像和弥散张量成像. 使用约翰霍普金斯大学白质纤维束图谱提取每条纤维束的平均各向异性分数(fractional anisotropy, FA),并与行为数据进行相关性分析. 结果显示:减法得分与右扣带束(扣带回区域)和右下纵束的FA值呈正相关,算术运算的反应时均与右上纵束(颞叶部分)的FA值呈负相关,并且这些相关与任务的困难差异无关. 结果表明:大脑白质纤维束连贯性或髓鞘化的增强可能会提高某些算术能力,进一步为算术运算的神经基础提供了新的证据.
Abstract:To investigate the association between cerebral white-matter fiber tracts and arithmetic ability, an experiment of cognitive function was designed to test arithmetic ability of all subjects. Then, T1 structural image and diffusion tensor imaging were collected. The average fractional anisotropy (FA) value of each fiber bundle was extracted by the white matter tractography atlas of Johns Hopkins University. The correlation between FA values of fiber tracts and behavior data was performed. Results show that the subtraction scores have a positive correlation with the FA values in the right cingulum (cingulate gyrus) and the right inferior longitudinal fasciculus. The FA values of the right superior longitudinal fasciculus (temporal part) are negatively correlated with the reaction times of arithmetic operations, respectively. These observed significant correlations are not just an effect of task difficulty. The increasing fiber coherence or myelination contribute to the improvement of arithmetic ability. This study further provides new evidences for the neural basis of sarithmetic operations.
-
算术运算在生活中必不可少,加减及数字匹配作为数字运算的最基本组成,是众多复杂运算的基础,应用最为广泛. 近年来, 关于数字处理和算术认知过程的脑功能磁共振成像(functional magnetic resonance imaging,FMRI) 研究已经很多,而关于成人大脑白质纤维束与算术处理之间关系研究比较少 [ 1] . 一般认为对于加法左角回和缘上回是重要的神经基础,多使用自动化的记忆提取;减法通常使用顶内沟和上顶叶的支持,一般使用程序化解决策略 [ 2- 4] . 白质由被髓鞘包裹着的神经轴突组成,控制着神经元共享的信号,很显然,在解决算术问题时要求额叶和颞顶叶区域的充分协作,这就需要白质纤维束来实现充足的通信.
弥散张量成像(diffusion tensor imaging,DTI)是唯一的一种非侵入的活体白质纤维束检测技术,它对脑中水分子的弥散非常敏感. 在灰质和脑脊液中由于没有边界所有方向上发生弥散的概率几乎相等,称为各向同性. 相反,白质中因为髓鞘和细胞膜的存在,水分子横穿轴突显著小于沿着轴突的弥散,导致有一个很强的方向性,称为各向异性,常用扩散参数各向异性分数(fractional anisotropy,FA)进行量化 [ 5] . 这个各向异性分数可以用来获得脑白质完整性和轴突组织信息,是探索脑微观结构与认知功能关系的有用方法 [ 6] . 最近的研究结果显示算术运算涉及的白质纤维束并不一致. Van Eimeren等 [ 7] 使用感兴趣区域(region of interest, ROI)方法发现上放射冠和下纵束的FA值与儿童的数字操作得分相关. Klein等 [ 8] 使用功能的ROI作为概率追踪的种子点,发现简单和困难计算分别涉及了2个白质通路,一个是大小相关处理的回路包括背侧上纵束和外囊的内外侧,另一个是事实检索的回路包括额顶腹侧纤维束和扣带束. Navas-Sanchez等 [ 9] 使用基于图谱的全脑体素分析发现在钩束、上纵束、下纵束和胼胝体压部算术天才组具有较高的FA值. 可见,大脑白质纤维束确实在算术运算中起了重要作用.
为了探索大脑白质纤维束与算术运算能力的关系,本文选择了约翰霍普金斯大学(Johns Hopkins University, JHU)基于概率纤维束成像分割的人类白质纤维束图谱 [ 10] 中每条纤维束作为研究的ROI,提取平均FA值,然后与认知功能实验测得的算术能力进行相关性分析,并评估这些相关是不是因为任务的困难差异引起的.
1 资料与方法
1.1 临床资料
共有21名右利手健康成年人参与本实验,因2名幽闭恐惧症患者( n=2)中止实验,最终样本有19名(8名女性),年龄25.78 ± 3.87岁,范围18~38岁,本科或以上文化程度,无神经系统疾病家族史,无酒精和药物滥用史,所有受试者双眼裸视或矫正视力正常. 本研究经首都医科大学附属宣武医院伦理委员会批准,所有受试者均签署知情同意书.
1.2 试验设计
试验的主要目的是测试被试简单运算能力. 为了促使被试对数的处理,而不是运用自动化的记忆提取策略,任务选择了2位数而不是1位数的数学运算,同时为了降低运算难度对结果的影响,所有的计算没有进退位. 实验一共设置了3种任务分别是加法计算、减法计算和数字匹配,为了保持所有的任务出现机会相等,采取伪随机出现.
采用美国PST公司针对心理与行为实验开发的E-Prime 软件设计了该认知功能实验,任务使用块(BLOCK)设计,共设计2个段(SESSION),1个段中有加法、减法和数字匹配3个任务各4个块,每2个块间隔24s,一个块中有4个相同类型的测试(TRIALS)总共持续24s,采用相同的呈现形式. 在每个测试中显示顺序为“第1个操作数”(250ms),“第2个操作数”(250ms),“运算符”(500ms),和“参考答案”(2000ms). 每2个刺激间隔为500ms(只有黑色背景),每2个测试间隔为1500ms. 用标记“#”作为数字匹配的操作符,它要求受试者判断参考答案是否在前2个操作数中出现. 加法任务块中试验刺激呈现形式及试验中任务块的顺序如 图1所示.
在所有的试验中错误的问题有50%,错误参考答案的范围是“正确答案的±1或±10”,要求受试者当参考答案出现时按下按钮判断正误,左手为正确,右手为错误,有E-Prime 软件同时记录正(标记1)误(标记0)和从参考答案出现到按下按钮的时间作为受试者的反应时(ms). 每个题1分,每个任务共2段×4块×4试验=32分,采用百分制,即任务得分=正确总数/题的总数×100. 试验完成后,从E-Prime 软件产生的结果文件中逐个抽取每个试验的正误及其反应时,从而得到每个被试的行为数据.
1.3 检测方法
使用德国西门子3.0T MAGNETOM Trio Tim核磁共振成像扫描仪,12通道相控阵头部线圈. 受试者试验时仰卧,同时使用耳机来减少扫描噪声干扰,并在头部衬垫泡沫来限制其移动,扫描均由专业的影像科医生进行操作.
首先扫描受试者的全脑T1结构像,扫描参数为:TR=1600mm,TE=3.28mm,TI=800mm,层厚1mm,翻转角度9°,视野(FOV)=256mm×256mm,总层数192层,分辨率为1mm×1mm×1mm. 由影像科医生对扫描结果进行肉眼观察,任何结构异常都未发现的,进行DTI扫描. DTI扫描参数为:TR=6000 ms,TE=87 ms,层厚=3mm ,FOV=256mm×256mm,总层数45层, b-value=2∶1000s/mm 2. 施加弥散敏感梯度在12个不同的非共线方向上. 由影像科医生对扫描出的DTI图像进行检查,对出现的较大位移的进行排除.
然后将所有受试者的DTI数据传输到工作站,使用北京师范大学基于Matlab和FSL(http:∥www.fmrib.ox.ac.uk/fsl/) [ 11- 13] 开发的PANDA软件(http:∥www.nitrc.org/projects/panda/) [ 14] 进行处理,如 图2所示. 首先,预处理,包括涡电流矫正和头动矫正,先对DTI数据中的每个卷(Volume)做预测,并与实际数据做比较得到信号误差,用这个误差更新涡电流产生场和被试位置(位移)的估计,重复这一过程直到得到可接受结果. 预测使用高斯过程计算,其中超参数从实际数据中获得 [ 15] . 其次是经一系列局部自适应模型去除DTI图像中脑的头皮 [ 16] . 过程见 图2(a). 再次,计算每个被试的FA值并配准,使用基于多尺度的Levenberg- Marquardt极小化方法,配准所有个体的FA图像到一个1mm×1mm×1mm的标准空间FMRIB58_FA上 [ 17] . 最后,提取JHU白质纤维束图谱的各条纤维束的FA值,JHU白质纤维束图谱是FSL软件已经做好了的与FMRIB58_FA对应的模板,然后调用该模板逐个提取出每条纤维束的FA值,见 图2(b).
1.4 统计学方法
用Matlab软件先对算术运算(加、减、数字匹配)得分及其反应时记录与JHU白质纤维束成像图谱的20条纤维束平均FA值进行Pearson相关性分析,并应用 P值检验相关的显著性. 然后,以算术运算的操作作为被试内的因素进行单因素方差分析,并使用Tukey's HSD多重比较进行检验,用于评估任务困难差异对结果的影响. 在多重比较中Bonferroni矫正被使用. P<0.05 差异有统计学意义.
2 结果与讨论
受试者执行算术运算(加、减、数字匹配)得分及其反应时的记录,如 表1所示. 加法、减法、数字匹配得分分别为84.38~100、81.25~100、90~100,反应时间的分别为499.6~832.6、522.7~915.2、556.3~915.2ms. 受试者JHU白质纤维束成像图谱20条纤维束内的FA值,如 表2所示. 使用Pearson相关性检验算术运算得分及其反应时与大脑各条纤维束FA值的关系,如 图3所示,结果表明减法得分与右扣带束(扣带回区域)和右下纵束的FA值呈正相关,算术运算的反应时加法( r=-0.530, P=0.020)、减法( r=-0.536, P= 0.018)、数字匹配均与右上纵束(颞叶部分,见 图3(c))的FA值呈负相关,它们均是显著的线性关系( P<0.05). 其他大脑纤维束的FA值与算术运算得分及其反应时均不相关( P>0.05), 如 表3所示.
表 1 受试者的行为数据Table 1. Behavior data of the subjects项目 加法 减法 数字匹配 任务得分 95.23±4.58 93.26±5.82 95.71±3.79 反应时/ms 701.8±100.1 736.1±133.4 741.6±107.1 表 2 JHU白质纤维束成像图谱20条纤维束的FA值Table 2. FA values of 20 fiber tracts in JHU white matter tractography atlas纤维束 左脑 右脑 纤维束 左脑 右脑 丘脑前辐射 0.374±0.012 0.359±0.011 下额枕束 0.414±0.012 0.418±0.013 皮质脊髓束 0.540±0.018 0.540±0.021 下纵束 0.407±0.015 0.426±0.021 * 扣带束(扣带回) 0.474±0.022 0.403±0.031 * 上纵束 0.359±0.012 0.368±0.018 扣带束(海马区) 0.321±0.025 0.315±0.032 钩束 0.384±0.021 0.378±0.018 胼胝体辐射线 0.550±0.017 0.432±0.013 上纵束(颞叶) 0.463±0.037 0.522±0.024 * 注:胼胝体辐射线FA值前者为枕部的,后者为额部的,它在JHU白质纤维束成像图谱中不分左右脑. *表示在与任务得分和反应时做Pearson相关性分析时, P<0.05. 表 3 白质纤维束的FA值与行为数据的相关性检验结果( r, P)Table 3. Results of correlation analysis between the FA values of fiber tracts and behavior data( r, P)纤维束 脑区 加法 减法 数字匹配 任务得分 反应时 任务得分 反应时 任务得分 反应时 丘脑前辐射 左 (-0.191, 0.433) (-0.233, 0.337) (0.246, 0.311) (-0.275, 0.254) (-0.357, 0.134) (-0.044, 0.859) 右 (-0.202, 0.407) (-0.027, 0.914) (0.161, 0.511) (0.023, 0.926) (-0.290, 0.229) (0.021, 0.933) 皮质脊髓束 左 (-0.245, 0.312) (0.078, 0.750) (0.126, 0.609) (0.058, 0.813) (-0.170, 0.488) (-0.078, 0.751) 右 (-0.172, 0.483) (0.213, 0.380) (0.088, 0.721) (0.166, 0.496) (0.004, 0.986) (-0.004, 0.986) 扣带束(扣带回) 左 (-0.059, 0.811) (-0.291, 0.226) (0.377, 0.111) (-0.301, 0.210) (-0.206, 0.398) (-0.334, 0.162) 右 (0.150, 0.540) (-0.284, 0.239) (0.511,0.026) * (-0.309, 0.199) (-0.192, 0.431) (-0.194, 0.425) 扣带束(海马区) 左 (0.207, 0.396) (0.223, 0.358) (0.144, 0.558) (0.337, 0.159) (0.015, 0.950) (0.054, 0.825) 右 (0.104, 0.672) (-0.037, 0.881) (0.191, 0.433) (0.094, 0.702) (-0.100, 0.683) (0.021, 0.934) 胼胝体辐射线 枕部 (-0.242, 0.319) (-0.156, 0.525) (0.241, 0.321) (-0.224, 0.357) (-0.280, 0.247) (-0.182, 0.456) 额部 (-0.013, 0.958) (-0.030, 0.904) (0.211, 0.386) (-0.122, 0.618) (0.164, 0.504) (-0.223, 0.358) 下额枕束 左 (-0.116, 0.636) (-0.095, 0.698) (0.107, 0.662) (-0.065, 0.791) (-0.399, 0.091) (0.081, 0.742) 右 (-0.115, 0.640) (0.041, 0.869) (0.095, 0.698) (0.013, 0.957) (-0.390, 0.099) (-0.048, 0.845) 下纵束 左 (-0.001, 0.998) (-0.055, 0.823) (0.357, 0.133) (-0.051, 0.838) (-0.151, 0.537) (-0.130, 0.596) 右 (-0.085, 0.730) (-0.240, 0.323) (0.503,0.028) * (-0.294, 0.223) (-0.399, 0.091) (-0.254, 0.293) 上纵束 左 (-0.187, 0.443) (-0.067, 0.784) (0.262, 0.278) (-0.147, 0.549) (0.184, 0.451) (-0.393, 0.097) 右 (-0.115, 0.640) (-0.027, 0.912) (0.326, 0.173) (-0.079, 0.748) (-0.005, 0.984) (-0.228, 0.347) 钩束 左 (-0.376, 0.113) (-0.179, 0.464) (0.153, 0.532) (-0.237, 0.329) (-0.045, 0.855) (0.039, 0.874) 右 (-0.115, 0.638) (-0.087, 0.724) (-0.016, 0.949) (-0.104, 0.673) (-0.149, 0.542) (-0.015, 0.952) 上纵束(颞叶) 左 (0.106, 0.666) (-0.199, 0.414) (0.383, 0.106) (-0.209, 0.390) (-0.069, 0.778) (-0.155, 0.528) 右 (-0.097, 0.692) (-0.530,0.019) * (0.438, 0.061) (-0.536,0.018) * (0.273, 0.258) (-0.540,0.017) * 注:*表示在白质纤维束的FA值与行为数据做相关性检验时, P<0.05. 扣带束环绕在从额叶到颞叶的胼胝体上方,主要根据当前任务要求在相关脑区中有效分配注意资源,它在执行功能神经网络中可能是一个高级调控结构. 下纵束连接了颞叶和枕叶,又称为枕颞束,位于舌回和海马旁回之下,颞下回之上的区域,在解决算术运算时可能涉及了记忆加工以及数字符号的处理 [ 18] . Klein等 [ 8] 和Navas-Sanchez等 [ 9] 分别使用fMRI研究结果作为概率纤维束追踪的种子区域和基于纤维束的空间统计方法(tract-based spatial statistics,TBSS)进行研究,发现右扣带束(扣带回区域)和右下纵束在大脑执行减法任务时起到了重要作用. 减法计算相对于加法计算和数字匹配更多的基于量的程序化策略解决 [ 2, 4] ,右扣带束(扣带回区域)和右下纵束可能与程序化策略的使用有关.
上纵束(颞叶部分)起源于颞上回的尾部和颞上沟区域,通过大脑外侧裂尾部,终止于背侧前额叶皮层,有些研究者也称为弓形束 [ 19] ,上纵束(颞叶部分)已经被证明在读,特别是在读的初始阶段或语音解码中起到重要作用 [ 20- 21] . Van Beek等 [ 19] 在研究弓形束与算术运算能力的关系中发现左前弓形束的FA值与加法和乘法呈正相关.
本文却发现右下纵束(颞叶部分)的FA值与加法、减法及数字匹配任务的反应时都呈负相关,加法计算更多基于来自长期记忆的事实检索策略解决 [ 3] ,右下纵束(颞叶部分)可能是算术运算共同使用的白质纤维束. 其FA值的增大可能反应了白质纤维束连贯性或髓鞘化的增强 [ 22] ,从而提高了任务得分,减少了运算的反应时.
必须指出的是,样本的差异和方法的不同,可能导致发现的纤维束并不完全一致 [ 1] . Cantlon等 [ 23] 在研究胼胝体在数字判断任务中的作用时,发现这个白质纤维束可能整合左右脑中数字信息,这可能说明在这个数字判断任务中可能左右脑中均有白质纤维束参与. 与之相比本文仅仅发现右侧的白质纤维束与加减及数字匹配能力相关,这很可能是因为样本或分析方法的差异造成的.
为了评估本文发现的显著相关是不是因任务的困难差异造成的,使用算术运算的操作作为被试内的因素进行单因素方差分析,结果显示3个任务之间的平均得分( F(2,54)=1.393; P=0.257)及其反应时( F(2,54) = 0.672; P= 0.515)均没有显著性差异. 然后使用Tukey's HSD多重比较进行检验,结果显示3个任务得分及其反应时也均没有显著性差异( P>0.05). 这就表明观察到的显著相关并不能仅仅通过算术操作的困难差异来解释,也就是说,本文观察到的显著相关确实是算术操作本身的差异引起的, 这进一步为算术运算的神经基础提供了新的证据.
3 结论
1) 右扣带束(扣带回区域)和右下纵束可能与减法计算中程序化策略的使用有关,右下纵束(颞叶部分)可能是算术运算共同使用的白质纤维束.
2) 这些结果表明白质纤维束连贯性或髓鞘化的增强可能会提高某些算术运算能力,这进一步为算术运算的神经基础提供了新的证据.
3) 为了增强结果的说服力,拟继续扩大样本的数量,并在指标FA外引进一些新的指标如相对各向异性指数、容积比指数等进行分析.
The authors have declared that no competing interests exist. -
表 1 受试者的行为数据
Table 1 Behavior data of the subjects
项目 加法 减法 数字匹配 任务得分 95.23±4.58 93.26±5.82 95.71±3.79 反应时/ms 701.8±100.1 736.1±133.4 741.6±107.1 表 2 JHU白质纤维束成像图谱20条纤维束的FA值
Table 2 FA values of 20 fiber tracts in JHU white matter tractography atlas
纤维束 左脑 右脑 纤维束 左脑 右脑 丘脑前辐射 0.374±0.012 0.359±0.011 下额枕束 0.414±0.012 0.418±0.013 皮质脊髓束 0.540±0.018 0.540±0.021 下纵束 0.407±0.015 0.426±0.021 * 扣带束(扣带回) 0.474±0.022 0.403±0.031 * 上纵束 0.359±0.012 0.368±0.018 扣带束(海马区) 0.321±0.025 0.315±0.032 钩束 0.384±0.021 0.378±0.018 胼胝体辐射线 0.550±0.017 0.432±0.013 上纵束(颞叶) 0.463±0.037 0.522±0.024 * 注:胼胝体辐射线FA值前者为枕部的,后者为额部的,它在JHU白质纤维束成像图谱中不分左右脑. *表示在与任务得分和反应时做Pearson相关性分析时, P<0.05. 表 3 白质纤维束的FA值与行为数据的相关性检验结果( r, P)
Table 3 Results of correlation analysis between the FA values of fiber tracts and behavior data( r, P)
纤维束 脑区 加法 减法 数字匹配 任务得分 反应时 任务得分 反应时 任务得分 反应时 丘脑前辐射 左 (-0.191, 0.433) (-0.233, 0.337) (0.246, 0.311) (-0.275, 0.254) (-0.357, 0.134) (-0.044, 0.859) 右 (-0.202, 0.407) (-0.027, 0.914) (0.161, 0.511) (0.023, 0.926) (-0.290, 0.229) (0.021, 0.933) 皮质脊髓束 左 (-0.245, 0.312) (0.078, 0.750) (0.126, 0.609) (0.058, 0.813) (-0.170, 0.488) (-0.078, 0.751) 右 (-0.172, 0.483) (0.213, 0.380) (0.088, 0.721) (0.166, 0.496) (0.004, 0.986) (-0.004, 0.986) 扣带束(扣带回) 左 (-0.059, 0.811) (-0.291, 0.226) (0.377, 0.111) (-0.301, 0.210) (-0.206, 0.398) (-0.334, 0.162) 右 (0.150, 0.540) (-0.284, 0.239) (0.511,0.026) * (-0.309, 0.199) (-0.192, 0.431) (-0.194, 0.425) 扣带束(海马区) 左 (0.207, 0.396) (0.223, 0.358) (0.144, 0.558) (0.337, 0.159) (0.015, 0.950) (0.054, 0.825) 右 (0.104, 0.672) (-0.037, 0.881) (0.191, 0.433) (0.094, 0.702) (-0.100, 0.683) (0.021, 0.934) 胼胝体辐射线 枕部 (-0.242, 0.319) (-0.156, 0.525) (0.241, 0.321) (-0.224, 0.357) (-0.280, 0.247) (-0.182, 0.456) 额部 (-0.013, 0.958) (-0.030, 0.904) (0.211, 0.386) (-0.122, 0.618) (0.164, 0.504) (-0.223, 0.358) 下额枕束 左 (-0.116, 0.636) (-0.095, 0.698) (0.107, 0.662) (-0.065, 0.791) (-0.399, 0.091) (0.081, 0.742) 右 (-0.115, 0.640) (0.041, 0.869) (0.095, 0.698) (0.013, 0.957) (-0.390, 0.099) (-0.048, 0.845) 下纵束 左 (-0.001, 0.998) (-0.055, 0.823) (0.357, 0.133) (-0.051, 0.838) (-0.151, 0.537) (-0.130, 0.596) 右 (-0.085, 0.730) (-0.240, 0.323) (0.503,0.028) * (-0.294, 0.223) (-0.399, 0.091) (-0.254, 0.293) 上纵束 左 (-0.187, 0.443) (-0.067, 0.784) (0.262, 0.278) (-0.147, 0.549) (0.184, 0.451) (-0.393, 0.097) 右 (-0.115, 0.640) (-0.027, 0.912) (0.326, 0.173) (-0.079, 0.748) (-0.005, 0.984) (-0.228, 0.347) 钩束 左 (-0.376, 0.113) (-0.179, 0.464) (0.153, 0.532) (-0.237, 0.329) (-0.045, 0.855) (0.039, 0.874) 右 (-0.115, 0.638) (-0.087, 0.724) (-0.016, 0.949) (-0.104, 0.673) (-0.149, 0.542) (-0.015, 0.952) 上纵束(颞叶) 左 (0.106, 0.666) (-0.199, 0.414) (0.383, 0.106) (-0.209, 0.390) (-0.069, 0.778) (-0.155, 0.528) 右 (-0.097, 0.692) (-0.530,0.019) * (0.438, 0.061) (-0.536,0.018) * (0.273, 0.258) (-0.540,0.017) * 注:*表示在白质纤维束的FA值与行为数据做相关性检验时, P<0.05. -
[1] MATEJKO AA,ANSARID.Drawing connections between white matter and numerical and mathematical cognition: a literature review[J].Neuroscience and Biobehavioral Reviews,2015,48:35-52. [2] CHOCHONF,COHENL,VAN DE MOORTELE P F, et al. Differential contributions of the left and right inferior parietal lobules to number processing[J].Journal of Cognitive Neuroscience,1999,11(6):617-630. [3] RICKARD TC,ROMERO SG,BASSOG,et al.The calculating brain: an fMRI study[J].Neuropsychologia,2000,38(3):325-335. [4] KAZUIH,KITAGAKIH,MORIE.Cortical activation during retrieval of arithmetical facts and actual calculation: a functional magnetic resonance imaging study[J].Psychiatry and Clinical Neurosciences,2000,54(4):479-485. [5] BEN-SHACHARM,DOUGHERTY RF,WANDELL BA.White matter pathways in reading[J].Current Opinion in Neurobiology,2007,17(2):258-270. [6] JOHANSEN-BERGH.Behavioural relevance of variation in white matter microstructure[J].Current Opinion in Neurology,2010,23(4):351-358. [7] VAN EIMERENL,NIOGI SN,MCCANDLISS BD,et al.White matter microstructures underlying mathematical abilities in children[J].Neuroreport,2008,19(11):1117-1121. [8] KLEINE,MOELLERK,GLAUCHEV,et al. Processing pathways in mental arithmetic-evidence from probabilistic fiber tracking[EB/OL]. [2015-12-01]. http:∥dx.doi.org/10.1371/journal.pone.0055455. [9] NAVAS-SANCHEZ FJ,ALEMAN-GOMEZY,SANCHEZ-GONZALEZJ,et al.White matter microstructure correlates of mathematical giftedness and intelligence quotient[J].Human Brain Mapping,2014,35(6):2619-2631. [10] HUAK,ZHANG JY,WAKANAS,et al.Tract probability maps in stereotaxic spaces: analyses of white matter anatomy and tract-specific quantification[J].Neuroimage,2008,39(1):336-347. [11] BEHRENS T EJ,WOOLRICH MW,JENKINSONM,et al.Characterization and propagation of uncertainty in diffusion-weighted MR imaging[J].Magnetic Resonance in Medicine,2003,50(5):1077-1088. [12] BEHRENS T EJ,BERG HJ,JBABDIS,et al.Probabilistic diffusion tractography with multiple fibre orientations: what can we gain?[J].Neuroimage,2007,34(1):144-155. [13] JBABDIS,SOTIROPOULOS SN,SAVIO AM,et al.Model-based analysis of multishell diffusion MR data for tractography: how to get over fitting problems[J].Magnetic Resonance in Medicine,2012,68(6):1846-1855. [14] CUI ZX,ZHONG SY,XU PF,et al.PANDA: a pipeline toolbox for analyzing brain diffusion images[J].Frontiers in Human Neuroscience,2013,7:1-16. [15] ANDERSSON J LR,SOTIROPOULOS SN.An integrated approach to correction for off-resonance effects and subject movement in diffusion MR imaging[J].Neuroimage,2016,125:1063-1078. [16] SMITH SM.Fast robust automated brain extraction[J].Human Brain Mapping,2002,17(3):143-155. [17] ANDERSSON J L R, JENKINSON M, SMITH S. Non-linear registration, aka spatial normalization [EB/OL].[2007-06-28]. http:∥www. fmrib. ox. ac. uk/analysis/techrep /tr07ja2/tr07ja2. pdf. [18] MILNERD.Cognitive neuroscience: the biology of the mind[J].Trends in Cognitive Sciences,1998,2(11):463-463. [19] VAN BEEKL,GHESQUIEREP,LAGAEL,et al.Left fronto-parietal white matter correlates with individual differences in children's ability to solve additions and multiplications: a tractography study[J].Neuroimage,2014,90:117-127. [20] YEATMAN JD,DOUGHERTY RF,RYKHLEVSKAIAE,et al.Anatomical properties of the arcuate fasciculus predict phonological and reading skills in children[J].Journal of Cognitive Neuroscience,2011,23(11):3304-3317. [21] VANDERMOSTENM,BOETSB,POELMANSH,et al.A tractography study in dyslexia: neuroanatomic correlates of orthographic, phonological and speech processing[J].Brain,2012,135:935-948. [22] LEBELC,BEAULIEUC.Longitudinal development of human brain wiring continues from childhood into adulthood[J].Journal of Neuroscience,2011,31(30):10937-10947. [23] CANTLON JF,DAVIS SW,LIBERTUS ME,et al.Inter-parietal white matter development predicts numerical performance in young children[J].Learning and Individual Differences,2011,21(6):672-680. -
期刊类型引用(9)
1. 牛鹏,程强,杨聪彬,刘志峰. 面向筋板布局的机床基础件立柱的多目标拓扑优化. 北京工业大学学报. 2025(03): 241-249 . 本站查看
2. 周永超,周鹏,闫志华,刘强. 螺杆电梯中安全螺母基于响应面的机械优化. 机械设计与研究. 2024(06): 133-139 . 百度学术
3. 高云凯,张锁,袁泽. 考虑疲劳性能的驾驶室拓扑优化设计. 汽车工程. 2023(03): 468-476+450 . 百度学术
4. 刁晓航,孙鹏文,马志坤,赵雄翔,张兰挺,龙凯. 基于相变量的风力机叶片宏观拓扑优化设计. 太阳能学报. 2023(03): 198-203 . 百度学术
5. 江旭东,武子旺,滕晓艳. 局部有限寿命疲劳约束条件下的结构拓扑优化方法. 振动与冲击. 2023(16): 110-119 . 百度学术
6. 占金青,彭怡平,刘敏,黄志超. 基于多性能约束的连续体结构拓扑优化设计. 计算机集成制造系统. 2022(06): 1746-1754 . 百度学术
7. 文桂林,刘杰,陈梓杰,魏鹏,龙凯,王洪鑫,荣见华,谢亿民. 非线性连续体拓扑优化方法综述. 力学学报. 2022(10): 2659-2675 . 百度学术
8. 占金青,刘天舒,刘敏,朱本亮. 考虑疲劳性能的柔顺机构拓扑优化设计. 机械工程学报. 2021(03): 59-68 . 百度学术
9. 廖莺,李峰,李志. 概念设计阶段铝合金后副车架轻量化设计. 汽车工程. 2020(12): 1737-1743 . 百度学术
其他类型引用(20)