脑网络作为识别异常拓扑属性的有效工具,是当前脑科学研究领域的热点。然而,传统的脑网络分析方法在比较组间差异时会受到网络规模和密度的限制,还会存在标准化问题。最小生成树(Minimum Spanning Tree,MST)是新兴的研究脑网络的重要方法,已经被广泛应用在神经精神疾病的相关领域。最小生成树在数学上定义为连接所有节点且权重之和最小的子网。最小生成树分析方法避免了方法论的偏差,很好地解决了传统图论分析方法的不足之处。本文利用最小生成树方法构建抑郁症和正常被试的静息态功能脑网络,分析抑郁症患者和正常被试功能脑网络的拓扑结构差异和显著异常的脑区。从脑区和子图两方面对构建的MST网络进行分析和分类研究,探索抑郁症患者与正常人在最小生成树网络上的差异,并将脑区特征和子图特征融合后进行分类研究。本文主要创新工作如下:首先,最小生成树方法被应用在脑网络的构建中。最小生成树方法是新兴的脑网络构建方法,近几年被广泛应用在神经精神疾病的相关研究中。利用最小生成树方法进行功能脑网络的构建,避免了传统图论方法设置阈值等问题。本文基于静息态功能磁共振数据构建最小生成树,计算并分析最小生成树的网络拓扑指标。实验结果显示,抑郁症患者的最小生成树网络更趋向于随机网络。与正常组相比,抑郁症患者的最小生成树的显著异常脑区主要集中在LCSPT神经环路(Limbic-Cortical-Striatal-PallidalThalamic,边缘系统-皮层-纹状体-苍白球-丘脑),而LCSPT神经环路是抑郁症的主要病理环路已得到了诸多验证。本文的实验结果与已有的结论相符,表明使用最小生成树方法对抑郁症进行分析是可靠可行的。本文的新方法能为人们了解抑郁症的发病机制提供一定的帮助,也有助于临床的干预和治疗。其次,从最小生成树功能脑网络中提取最具判别性的子图进行拓扑结构的分析,使得对脑网络的描述不再局限于单个脑区。传统的基于脑区的分类方法是从脑网络中提取一些局部指标构成一个长特征向量,训练一个分类器用于最终的分类。这种方法存在一个明显的不足之处,即连接网络中包含样本自身拓扑结构以及样本间的共有拓扑结构的一些有用的网络拓扑信息可能会丢失,继而影响到属性的计算,降低分类性能。而利用子图作为特征可以避免这个弊端,既可以保留原有样本的拓扑结构信息,又不损失原有的判别信息。本实验从最小生成树网络中提取最具判别性的子图进行分析,结果显示,抑郁症患者的MST网络中出现异常的子图模式和异常连接与已有的研究结论相一致,这一发现有助于抑郁症的医学辅助诊断。最后,本文基于最小生成树网络进行多特征融合的脑网络分类研究。作为一种复杂的结构,脑网络需要从多方面来进行量化,仅从单一特征出发并不能完整全面的获取其生物特征。本研究通过不同类型的特征对网络性能进行量化。一方面脑区特征对单个脑区的变化很敏感,另一方面又可以利用子图模式对整个网络的拓扑信息进行量化。本文选取最小生成树网络的三个局部指标中组间差异显著的脑区作为脑区特征,选取最具判别性的子图作为子图特征,接下来将脑区特征和子图特征相结合利用多核SVM进行分类。结果显示,本文的方法要优于单一类型特征的分类方法,在提高分类准确率的同时也具有较好的可解释性。这表明在信息描述方面,不同形式的特征表示方法具有互补性。本文的研究对疾病的诊断具有重要的临床意义,能够提高疾病诊断的准确率和效率。