Alja Kavčič1, Katarina Šurlan Popović2, Aneta Soltirovska Šalamon3
analiza strukturnih možganskih omrežij
in uporabnost pri kliničnem delu
Structural Brain Network Analysis and Clinical Use
IZvLEČEK
KLJUČNE BESEDE: konektomika, strukturni konektomi, nevrologija, možgani, magnetnoresonančno
slikanje
V zadnjih desetletjih je razvoj nevrodiagnostičnih slikovnih metod omogočil pridobivanje
velike količine podatkov o strukturnih in funkcijskih povezavah v možganih. S pomočjo te
množice podatkov nove znanstvene vede proučujejo zapletena omrežja nevronov (t. i. konek-
tome). Konektomika se ukvarja z analizo strukturnih in funkcijskih povezav v možganih,
raziskuje vpliv strukture na funkcijo in spremembe obeh pri nevroloških boleznih
osrednjega živčevja. Gre za multidisciplinarno vedo, ki povezuje področja anatomije, nevro-
fiziologije, radiologije in računalništva. Namen našega prispevka je seznaniti bralce z nači-
ni grajenja in analize strukturnih konektomov ter njihovo uporabo pri kliničnem delu.
aBSTRaCT
KEY WORDS: connectomics, structural connectome, neurology, brain, magnetic resonance imaging
In the last decades, the advancement of neuroradiologic techniques has enabled us to
obtain large amounts of data about anatomical and functional connections in the brain.
With this new information, a new scientific field has developed with the purpose of stu-
dying complex neural systems. Connectomics is a multidisciplinary field integrating the
knowledge of anatomy, neurophysiology, radiology and computer science to analyse struc-
tural and functional connections of the brain, the relationships between them, and their
alterations in different neurologic diseases. The purpose of this article is to inform rea-
ders about the techniques of structural connectome construction and analysis, and their
potential use in clinical practice.
1 Alja Kavčič, dr. med., Klinični oddelek za neonatologijo, Pediatrična klinika, Univerzitetni klinični center Ljubljana,
Bohoričeva ulica 20, 1000 Ljubljana
2 Izr. prof. dr. Katarina Šurlan Popović, dr. med., Katedra za radiologijo, Medicinska fakulteta, Univerza v Ljubljani,
Vrazov trg 2, 1000 Ljubljana; Klinični inštitut za radiologijo, Univerzitetni klinični center Ljubljana, Zaloška cesta 7,
1000 Ljubljana
3 Doc. dr. Aneta Soltirovska Šalamon, dr. med., Medicinska fakulteta, Univerza v Ljubljani, Vrazov trg 2, 1000 Ljubljana;
Klinični oddelek za neonatologijo, Pediatrična klinika, Univerzitetni klinični center Ljubljana, Bohoričeva ulica 20,
1000 Ljubljana; aneta.soltirovska@kclj.si
293Med Razgl. 2021; 60 (3): 293–301 • Pregledni članek
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 293
UvOD
V zadnjih desetletjih se v nevroznanosti
pospešeno razvijajo metode, ki se ukvarja-
jo s proučevanjem omrežij nevronov (1).
Proučujeta se dve različni vrsti nevronskih
povezav – strukturne in funkcijske (2, 3).
Prikaz celotnega sistema nevronskih pove-
zav v možganih imenujemo konektom.
Strukturni konektomi prikazujejo anatom-
ske povezave med področji možganov, funk-
cijski konektomi pa predstavljajo poveza-
ve med možganskimi področji glede na
njihovo aktivnost.
Izdelava konektomov večinoma teme-
lji na slikanju možganov z MRI. Za izde-
lavo funkcijskih konektomov je osnova
funkcijska MRI (angl. functional magnetic
resonance imaging, fMRI), za izdelavo struk-
turnih konektomov pa so potrebna viso-
koločljiva MRI-zaporedja, pri katerih spre-
memba signala temelji na difuziji molekul
vode. Difuzijsko obteženo slikanje (angl. dif-
fusion-weighted imaging, DWI) omogoča
prikaz aksonskih snopov v beli možgano-
vini. Najpogosteje uporabljeni zaporedji
za izdelavo konektomov sta difuzijsko ten-
zorsko slikanje (angl. diffusion tensor ima-
ging, DTI) in difuzijsko spektralno slikanje
(angl. diffusion spectrum imaging, DSI). 
DWI temelji na meritvah difuzijske ani-
zotropije (DA) vodnih molekul v tkivu. DA
nastane zaradi prisotnosti celičnih struktur,
ki omejujejo oz. usmerjajo difuzijo molekul
vode v določenih smereh. V možganih so te
celične strukture mielinske ovojnice akso-
nov. Molekule vode se vzdolž aksonov giblje-
jo z manj omejitvami (lažje difundirajo) kot
v prečni smeri, zaradi česar je njihov premik
v povprečju večji. Meritve DA tako omogo-
čajo prikaz anatomije aksonskih snopov. 
Na podlagi DWI se nato ustvari konek-
tom, tj. graf povezav med posameznimi
področji možganov (4). Konektom sesta-
vljajo vozlišča (angl. nodes), ki predstavlja-
jo posamezna možganska področja, in pove-
zave (angl. edges), ki predstavljajo možganske
snope. V konektomih se lahko nato prouču-
jejo značilnosti možganskega omrežja in
povezave strukture s funkcijo ter spremembe
obeh vrst povezav pri različnih bolezenskih
stanjih (Alzheimerjeva demenca, shizofrenija,
avtizem, epilepsija, difuzne aksonske poškod-
be, krvavitve, možganska kap, itd.) (5). 
STRUKTURNI KONEKTOM
Obdelava slik in izdelava
strukturnega konektoma
Za oblikovanje strukturnega konektoma je
osnova MRI možganov, in sicer poleg stan-
dardne T1- ali T2-poudarjene sekvence
uporabimo DWI. Analiza DWI signala omo-
goča oceno poteka snopov bele možgano-
vine. DWI temelji na zbiranju signalov, ki
nastanejo na podlagi gibanja vodnih mole-
kul v različnih smereh v tkivu (6, 7). Podatki,
pridobljeni z DWI, se nato uporabijo za pri-
kaz porazdelitve oz. usmerjenosti snopov
bele možganovine (8, 9). 
Osnovni podatek o difuziji v tkivu dobi-
mo s T2-poudarjeno sekvenco brez difuzij-
ske atenuacije, kar imenujemo b = 0 slika,
tovrstne slike so ustvarjene brez vnosa
difuzijskih gradientov. Ostale slike so prid-
obljene s pomočjo različnih gradientov
magnetnega sevanja, kar imenujemo DWI.
Med slikanjem se vnesejo gradienti mag-
netnega sevanja v različnih smereh. Če se
protoni lahko prosto premikajo, pride na
sliki do izrazitejše izgube signala. V primeru
omejitve difuzije (v območju celičnih struk-
tur, edema, vnetja) pa pride do manj izra-
zite izgube signala (10). Glavni parametri,
ki jih nastavimo pri DWI, so difuzijski čas,
moč gradienta in smer gradienta. Difuzijski
čas je časovni interval med dvema gra-
dientoma. Signal je močnejši pri daljših
difuzijskih časih in večjih jakostih gra-
dienta. Učinek obeh parametrov je poime-
novan b-vrednost (angl. b-value). 
Pri običajnih DWI je b-vrednost stalna
in se spreminjajo le smeri gradienta tako,
da pridobimo zaporedja 3D-slik (angl. Single
Shell Q-ball Acquisition). Poznamo tudi
shemo, pri kateri lahko uporabljamo razli-
294 Alja Kavčič, Katarina Šurlan Popović, Aneta Soltirovska Šalamon analiza strukturnih možganskih …
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 294
čne b-vrednosti za različne smeri gradien-
tov (angl. Multi Shell Q-ball Acquisition). To
shemo uporablja DSI, ki nam omogoča bolj
natančen prikaz aksonskih snopov (11, 12).
Pomanjkljivost DTI je namreč, da vsak vok-
sel (tj. volumska enota strukture) omogo-
ča oceno usmerjenosti le enega akonskega
snopa. V resnici pa voksli vsebujejo več
aksonskih snopov, ki so različno usmerje-
ni, se križajo in posledično dajejo zapleten
difuzijski signal zaradi različnih smeri difu-
zije. Tako je zlasti v preiskovanju predelov
možganov, kjer se nahajajo velika križanja
aksonskih snopov (npr. lat. centrum semio-
vale), bolj občutljiva metoda DSI.
Traktografija prikaže potek snopov bele
možganovine. Ko je traktografija zaključe-
na, je treba opredeliti posamezna področja
možganov (angl. region of interest, ROI), ki obi-
čajno zajemajo področja možganske skorje
in področja pod skorjo (lahko tudi le prva).
Področja možganov so opredeljena s pomoč-
jo že obstoječih atlasov, ki za delitev skorje
uporabljajo standardne koordinate oz. ana-
tomske meje na površju možganov (13).
analiza strukturnega konektoma
Proučevanje konektomov poteka s pomoč-
jo teorije grafov (angl. graph theory). Teorija
grafov je v osnovi matematična teorija, ki pri-
kazuje topološka razmerja gradnikov v omrež-
ju in se kot taka uporablja za analizo razli-
čnih omrežij (5, 14). Pred analizo strukture
in funkcije možganov s pomočjo mer teori-
je grafov je treba empirične podatke prika-
zati v obliki omrežja. Osnovni korak v tem
postopku je določitev vozlišč in povezav.
Vozlišče je gradnik grafa/omrežja, ki
lahko predstavlja nevron, nevronsko po-
pulacijo, možgansko področje, voksel ali
elektrodo. Strategije razdelitve možganov
v posamezna področja se v zadnjih letih hitro
razvijajo v sklopu projekta Človeški konek-
tom (angl. Human Connectome Project, HCP). 
Vozlišča so med seboj povezana prek po-
vezav, ki so lahko usmerjene, neusmerjene,
binarne ali obtežene. Povezave so binarne,
kadar za vsako povezavo določimo zgolj, ali
je povezava prisotna (vrednost 1) ali odsot-
na (vrednost 0). Povezave so obtežene (angl.
weighted), kadar so glede na jakost ovredno-
tene z določenim koeficientom obtežitve
(med 0 in 1). Obtežitev lahko pomeni števi-
lo vlaken, stopnjo mielinizacije vlaken itd. (4).
Neusmerjene (angl. undirected) povezave
odražajo simetrična razmerja med posa-
meznimi vozlišči – obojesmerni potek pove-
zave. Usmerjene (angl. directed) povezave pa
odražajo asimetrična razmerja – enosmerni
vpliv enega vozlišča na drugega. Matrika
sosednosti, sestavljena iz vrstic in stolpcev,
ki jih predstavljajo vozlišča, je osnovni pri-
kaz omrežja, v katerem posamezne celice
opredeljujejo povezave med posameznimi
vozlišči. Prikaz različnih modelov omrežja in
priležne matrike povezav glede na različen
tip povezav ponazarja slika 1.
Značilnosti omrežja se proučujejo s po-
močjo različnih mer teorije grafov (5):
• Strukturni elementi oz. značilnosti struk-
ture omrežja:
• Kazalo (angl. hub) je vozlišče, ki ima
velik vpliv oz. pomembno vlogo v pove-
zljivosti celotnega omrežja, saj pred-
stavlja središče globalne povezanosti.
Taka vozlišča imajo visoko središčnost
in visoko stopnjo vozlišča.
• Motivi (angl. motifs) so mere lokalne
povezljivosti. Predstavljajo vzorce pove-
zav med vozlišči. Pogostost pojavljanja
določenega vzorca povezav v omrežju
je povezana z njegovo pomembnostjo
in pomeni, da ima vozlišče, okoli kate-
rega se pojavljajo motivi, neko določeno
funkcijo (slika 2).
• Moduli (angl. modules) so skupine voz-
lišč, ki so med sabo povezane tesneje
kot z ostalimi skupinami vozlišč. Stop-
nja modularnosti (angl. modularity) pa
nam pove, kakšno težnjo ima omre-
žje/graf, da je sestavljen iz posameznih
skupin vozlišč, ki so med seboj pove-
zana gosteje kot z ostalimi skupinami
vozlišč (slika 2).
295Med Razgl. 2021; 60 (3):
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 295
• Bogati skupki (angl. rich club) so skup-
ki vozlišč, ki imajo veliko število pove-
zav. Če ima omrežje urejenost bogatih
skupkov (angl. rich club organisation),
pomeni, da ima omrežje/graf težnjo, da
so vozlišča z visoko stopnjo bolj tesno
povezana s sebi enakovrednimi vozli-
šči kot pa z vozlišči z nizko stopnjo.
• Omrežne mere:
• Stopnja vozlišča (angl. degree) označu-
je število povezav, ki jih ima posame-
zno vozlišče. Zajema vhodne in izhod-
ne povezave (slika 2).
• Jakost vozlišča (angl. strength) podaja
vsoto obtežitve vseh vhodnih in izhod-
nih povezav posameznega vozlišča.
296 Alja Kavčič, Katarina Šurlan Popović, Aneta Soltirovska Šalamon analiza strukturnih možganskih …
b)1
2
3
a)
a)
a)
b)
b)
1
1
1
6
6
6
7
7
7
8
8
8
9
9
9
10
10
10
11
11
11
12
12
12
5
5
5
3
3
3
2
2
2
4
4
4
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
Slika 1. Modeli omrežja in matrike sosednosti. 1a) Binarni in neusmerjeni model omrežja (povezave med
vozlišči lahko obstajajo ali pa ne in so obojesmerne). 1b) Matrika sosednosti z binarnimi, neusmerjenimi
povezavami. Obarvane celice predstavljajo prisotnost povezave. Z rdečo in zeleno obrobo sta označena posa-
mezna modula v modelu omrežja (1a) in na matriki sosednosti v konektomu (1b). 2a) Obteženi in neusmerjeni
model omrežja (povezave imajo določen koeficient obtežitve, glede na število aksonov ali stopnjo mielini-
zacije, in so obojesmerne). 2b) Matrika sosednosti z obteženimi, neusmerjenimi povezavami. Obarvane celi-
ce glede na jakost predstavljajo moč povezave med posameznima vozloma. 3a) Obteženi in usmerjeni model
omrežja (enosmerne povezave med vozlišči). 3b) Matrika sosednosti z obteženimi, usmerjenimi povezavami.
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 296
• Značilna dolžina poti (angl. characteri-
stic path length) predstavlja povprečje
dolžin povezav med vsemi pari vozlišč
v omrežju. Je najpogosteje uporabljena
mera za opredelitev funkcijske pove-
zanosti (slika 2).
• Nakopičenost (angl. clustering coeffi-
cient) pomeni delež dejanskih povezav
posameznega vozlišča glede na vse
mogoče povezave s sosednjimi vozlišči.
Nakopičenost povzema kolikšen del
sosednjih vozlišč posameznega voz-
lišča je povezanih med sabo (slika 2).
Mero se lahko povpreči čez celotno
omrežje. Prisotnost skupkov (angl. clu-
sters) v strukturnih konektomih govori
v prid funkcijske segregacije posamez-
nih možganskih področij (15).
• Globalna učinkovitost (angl. global effi-
ciency) je povprečna vrednost obratnih
vrednosti najkrajših razdalj med vozli-
šči po celotnem grafu. Če sta dve vozli-
šči nepovezani, je razdalja med njima
neskončna, globalna učinkovitost pa
je 0. V binarnih grafih je pri popolnoma
nepovezanih vozliščih globalna učin-
kovitost 0, pri popolnoma povezanih
(z vsemi obstoječimi povezavami) pa 1
(16).
• Središčnost (angl. centrality) v splošnem
izraža pomembnost posameznega
vozlišča oz. pomembnost posamezne
povezave. Obstaja več mer, s katerimi
izražamo središčnost. Medsebojna sre-
diščnost (angl. betweenness centrality)
nam pove, koliko najkrajših možnih
povezav med različnimi vozlišči pote-
ka skozi dotično vozlišče.
• Asortativnost (angl. assortativity) izra-
ža nagnjenost vozlišč, da se povezuje-
jo z vozlišči primerljivih stopenj, kot je
njihova lastna. Sprememba asortativ-
nosti v omrežju je lahko pokazatelj pre-
kinitve povezav znotraj jeder (17).
Vozlišča v možganskem omrežju imajo
določeno porazdelitev. Pomembnejša vozliš-
ča visokih stopenj (kazala) se nahajajo vzdolž
parasagitalne osi možganov (zgornja čelna,
prekunealna in zadajšnja cingulatna skorja)
297Med Razgl. 2021; 60 (3):
MODUL
VOZLIŠČE
JEDRO
STOPNJA VOZLIŠČA
ZNAČILNA
DOLŽINA POTI
KOEFICIENT
KOPIČENJA
1
2
3
4
6
5
7
8
9
10
11
12
MOTIV
Slika 2. Prikaz mer teorije grafov, ki se uporabljajo za analizo možganskih omrežij. Slika prikazuje 12 vozlišč
in povezave med njimi. Vozlišča so urejena v dva modula, ki sta med seboj povezana s kazalom (vozlišče
z visoko stopnjo in visoko središčnostjo). Stopnja posameznega vozlišča je opredeljena s številom vhodnih
in/ali izhodnih povezav (na zgornji sliki je stopnja ponazorjena na vozlišču 8). Prikazana je tudi dolžina poti
med posameznimi vozlišči (na zgornji sliki med vozliščema 6 in 11). Nakopičenost pri dotičnem vozlišču
(na zgornji sliki vozlišče 12) lahko opredelimo tudi kot delež trikotnikov, v katerih je vozlišče udeleženo
v primerjavi z vsemi možnimi trikotniki med sosednjimi vozlišči. Prikazani so tudi motivi, ki so ponavljajoči
vzorci povezav v omrežjih in kažejo na določeno funkcijo možganskega področja, ki ga vozlišča ponazarjajo.
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 297
ter v zadajšnjem delu zgornje vijuge sen-
čnega režnja (18, 19). Ta vozlišča imajo naj-
večjo medsebojno središčnost in predsta-
vljajo središče celotnega omrežja (19).
Vozlišča, ki imajo nižjo stopnjo in so posle-
dično manj pomembna, ležijo bolj oddaljeno.
Pomembna koncepta v možganskem
omrežju sta segregacija in integracija (20).
Segregacija pomeni, da omrežje teži k na-
stanku več skupkov vozlišč, ki so med seboj
bolj gosto povezana v primerjavi z ostali-
mi vozlišči. Integracija omrežja pa kaže na
to, da je pri večini parov vozlišč pot od
vozlišča do vozlišča enostavna in kratka.
Taka omrežja so posledično dobro usklaje-
na. Segregacija omrežja tako opisuje raz-
deljenost omrežja v več ozko specializiranih
področij z različnimi funkcijami, integracija
pa sposobnost hitrega pretoka informacij.
Skupaj ti dve meri povzemata sposobnost
integracije senzoričnih dražljajev, kognici-
je in izvršilnih funkcij. Od mer segregaci-
jo najbolje opisujeta nakopičenost in modu-
larnost, integracijo pa značilna dolžina poti
in globalna učinkovitost (17). Omrežja, ki
ohranjajo določeno stopnjo segregacije,
hkrati pa imajo visoko stopnjo integracije,
imenujemo omrežja malih svetov (angl.
small world networks) (21). Več raziskav,
v katerih so s pomočjo konektomike prou-
čevali človeške možgane, je pokazalo, da so
na makroskopski ravni možgani urejeni na
ta način (19, 22, 23). Človeški strukturni
konektom je opredeljen tudi kot modularen
in hierarhičen, v smislu, da pomembna
vozlišča (kazala) služijo kot povezovalci
več lokalnih skupnosti vozlišč (24–26).
UPORaBNOST STRUKTURNEGa
KONEKTOMa PRI KLINIČNEM DELU
Proučevanje vpliva lezij na
spremembo organizacije omrežja
in povezava z izidom bolezni
S pomočjo DWI in izdelave strukturnih
konektomov se proučuje zlasti bolezenska
stanja, ki so posledica različnih lezij. Najprej
sta se v raziskavah kot orodje ugotavljanja
izida bolezni po različnih možganskih
lezijah uporabljali frakcijska anizotropija
(FA) in povprečna difuzivnost (angl. mean
diffusivity, MD). Ti dve meri odražata zna-
čilnosti bele možganovine in sta najpri-
mernejši za analizo bolezenskih stanj,
kot so demielinizacija, edem in aksonska
poškodba (27, 28). Kasneje se je s pomočjo
konektomike začelo proučevanje možgan-
skega omrežja in vpliv lezij na spremem-
be omrežja in povezavo teh sprememb
s klinično sliko. Znižanje FA in zvišanje MD
po poškodbah bele možganovine je bilo
v raziskavah povezano s slabšo učinkovi-
tostjo možganskega omrežja (29). Različne
raziskave so pokazale, da se po difuzni
aksonski poškodbi povečajo organizacija
malih svetov, nakopičenost, modularnost
in značilna dolžina poti, medtem ko glo-
balna učinkovitost pade. Klinično se te
spremembe odražajo s prizadetostjo višjih
kognitivnih funkcij, kot so pozornost, spo-
min, izvršilne funkcije in hitrost obdela-
ve informacij (30, 31, 32). 
Proučevanje značilnosti
omrežij pri različnih nevroloških
boleznih
Difuzna aksonska poškodba in prizadetost
dolgih povezav se odražata predvsem s spre-
membami mer integracije – podaljša se zna-
čilna dolžina poti. V primeru hkratne pri-
zadetosti kratkih in dolgih povezav (okvare
možganske skorje) pa se poleg mer inte-
gracije spremenijo tudi mere segregacije
(zviša se nakopičenost) (17). Okvara zno-
trajmodularnih povezav je bila že večkrat
povezana s procesi staranja in kognitivnim
upadom (33). Pri proučevanju konektomov
bolnikov z Alzheimerjevo demenco so opa-
žali podaljšanje značilne dolžine poti (izgu-
ba dolgih povezav) ter upad lokalne in glo-
balne učinkovitosti (34). Pri shizofreniji so
raziskave pokazale okvare povezljivosti,
izgubo dolgih povezav in nižjo lokalno
učinkovitost (35, 36). Bernhardt in sodelavci
so v svoji raziskavi pokazali, da so pacien-
298 Alja Kavčič, Katarina Šurlan Popović, Aneta Soltirovska Šalamon analiza strukturnih možganskih …
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 298
ti z epilepsijo senčnega režnja imeli dalj-
šo značilno dolžino poti in višjo nakopiče-
nost kot zdrave kontrole in da so se razli-
ke med skupinama s časom trajanja bolezni
povečevale. Dokazali so tudi, da so bile večje
razlike povezane s slabšim izidom po ope-
raciji. Poleg tega so pri bolnikih z epilep-
sijo opažali drugačno razporeditev kazal kot
pri zdravih posameznikih (37). 
Iskanje bioloških označevalcev
za predvidevanje izida bolezni
in izbor zdravljenja
Namen proučevanja značilnosti možgan-
skih omrežjih s pomočjo mer teorije grafov
je tudi najti boljše biološke označevalce
nevrološkega izida po določeni bolezni
centralnega živčevja. Kuceyeski in sodelavci
so v svoji raziskavi ugotavljali, da lahko pri
bolnikih po ishemični možganski kapi
glede na spremembe v konektomu napovejo
šestmesečni izid na področjih kognicije,
motorične funkcije in dnevnih aktivnosti
(38). Batalle in sodelavci pa so v svoji razi-
skavi primerjali strukturne konektome eno-
letnih otrok, pri katerih je bil znan zno-
trajmaternični zastoj rasti, s strukturnimi
konektomi zdravih enoletnikov ter pred-
stavili skupek mer, ki so v njihovi raziskavi
z visoko napovedno vrednostjo napoveda-
le slabši nevrološki izid otrok z znotraj-
materničnim zastojem rasti (39). 
Konektomika bo imela vedno večjo kli-
nično vlogo pri rehabilitaciji pacientov
po možganski kapi. S proučevanjem spre-
minjanja možganskega omrežja bomo
tako lahko v prihodnosti bolje prilagaja-
li rehabilitacijske tehnike glede na posa-
meznega pacienta za doseganje boljšega
končnega izida (40). Prav tako se bo konek-
tomika lahko uporabljala na področju psi-
hiatrije z namenom določanja izida bole-
zni in izbora najučinkovitejše terapevtske
tehnike (psihoterapija, farmakološko zdra-
vljenje, globoka možganska stimulacija)
(41, 42).
Proučevanje omrežja razvijajočih
možganov 
Posebno mesto v konektomiki predsta-
vljajo razvijajoči se možgani. Vedno več je
raziskav, v katerih se ukvarjajo s prouče-
vanjem strukturnih konektomov možganov
v predporodnem in zgodnjem poporodnem
obdobju (43). Tovrstne raziskave bodo morda
v prihodnosti omogočile boljšo oceno
nevrološkega izida pri otrocih z različnimi
možganskimi okvarami pred, med in v prvih
tednih po rojstvu (44, 45). Možgani novo-
rojenčkov imajo primerljivo strukturo kot
možgani v kasnejših življenjskih obdobjih,
vendar povezave še niso dozorele – najpo-
membneje k temu prispeva nezaključen
postopek mielinizacije (46). Analiza stuk-
turnih konektomov na podlagi DWI v zgod-
njem poporodnem obdobju je tako zaradi
nizke FA bele možganovine zahtevnejša oz.
ima določene omejitve. V zadnjih letih so
v okviru HCP razvili algoritem za obdelavo
MR-slik novorojenčkov, ki upošteva poseb-
nosti nezrelih možganov in s tem omogo-
ča natančnejšo analizo (47).
Raziskave o proučevanju konektomov
veliko obetajo, obenem pa imajo določene
omejitve pri uporabi v klinične namene.
Najpomembnejše je zavedanje, da gre tre-
nutno za grobo analizo možganskega
omrežja na makroskopski ravni. Pred samo
analizo je zelo pomembna kakovost sliko-
vne diagnostike ter obdelava MR-slik,
s katero poskušamo v čim večji meri odstra-
niti vpliv nastalih artefaktov. 
ZaKLJUČEK
Grajenje in proučevanje človeškega konek-
toma je sedanjost in prihodnost razvoja ter
dognanj v nevroznanosti. Omogoča prido-
bivanje novih spoznanj o spremembah
možganskih omrežij ob različnih nevroloških
boleznih. Veliko obetata določitev novih
bioloških označevalcev izida bolezni ter
usmerjanje k najprimernejšem izboru zdra-
vljenja pri različnih nevroloških obolenjih.
299Med Razgl. 2021; 60 (3):
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 299
LITERaTURa
1. Sporns O, Tononi G, Kötter R. The human connectome: A structural description of the human brain. PLoS Comput
Biol. 2005; 1 (4): e42. 
2. Bullmore E, Sporns O. Complex brain networks: Graph theoretical analysis of structural and functional systems.
Nat Rev Neurosci. 2009; 10 (3): 186. 
3. Kaiser M, Martin R, Andras P, et al. Simulation of robustness against lesions of cortical networks. Eur J Neurosci.
2007; 25 (10): 3185–92. 
4. Kaiser M. A tutorial in connectome analysis: Topological and spatial features of brain networks. Neuroimage.
2011; 57 (3): 892–907. 
5. Sporns DO. Networks of the brain. Cambridge, USA: The MIT Press; 2015. p. 6–22. 
6. Basser PJ, Mattiello J, LeBihan D. MR diffusion tensor spectroscopy and imaging. Biophys J. 1994; 66 (1): 259–67. 
7. Basser PJ, Jones DK. Diffusion-tensor MR: Theory, experimental design and data analysis – a technical review.
NMR Biomed. 2002; 15 (7–8): 456–67. 
8. Mori S, Crain BJ, Chacko VP, et al. Three-dimensional tracking of axonal projections in the brain by magnetic
resonance imaging. Ann Neurol. 1999; 45 (2): 265–9. 
9. Basser PJ, Pajevic S, Pierpaoli C, et al. In vivo fiber tractography using DT-MR data. Magn Reson Med. 2000;
44 (4): 625–32. 
10. Shi Y, Toga AW. Connectome imaging for mapping human brain pathways. Mol Psychiatry. 2017; 22 (9): 1230–40. 
11. Tuch DS. Q-ball imaging. Magn Reson Med. 2004; 52 (6): 1358–72. 
12. Wedeem VJ, Hagmann P, Tseng WYI, et al. Mapping complex tissue architecture with DSI magnetic resonance
imaging. Magn Reson Med. 2005; 54 (6): 1377–86. 
13. Sporns O. Discovering the human connectome. Cambridge, USA: The MIT Press; 2012. p. 14–19.
14. Berlot R, Repovš G. Structure and function of brain networks. Zdr Vestn. 2019; 88 (3–4): 168–83. 
15. Rubinov M, Sporns O, van Leeuwen C, et al. Symbiotic relationship between brain structure and dynamics.
BMC Neurosci. 2009; 10 (1): 55. 
16. Sporns O, Kötter R. Motifs in brain networks. PLoS Biol. 2004; 2 (11): e369. 
17. Griffa A, Baumann PS, Thiran JP, et al. Structural connectomics in brain diseases. Neuroimage. 2013; 80: 515–26. 
18. Gong G, He Y, Concha L, et al. Mapping anatomical connectivity patterns of human cerebral cortex using in
vivo diffusion tensor imaging tractography. Cereb Cortex. 2009; 19 (3): 524–36. 
19. Hagmann P, Cammoun L, Gigandet X, et al. Mapping the structural core of human cerebral cortex. PLoS Biol.
2008; 6 (7): e159. 
20. Tononi G, Sporns O, Edelman GM. A measure for brain complexity: Relating functional segregation and
integration in the nervous system. Proc Natl Acad Sci. 1994; 91 (11): 5033–7. 
21. Watts DJ, Strogatz SH. Collective dynamics of ‘small-world’ networks. Nature. 1998; 393 (6684): 440–2. 
22. Hagmann P, Kurant M, Gigandet X, et al. Mapping human whole-brain structural networks with diffusion MR.
PLoS One. 2007; 2 (7): e597. 
23. Iturria-Medina Y, Sotero RC, Canales-Rodríguez EJ, et al. Studying the human brain anatomical network via
diffusion-weighted MR and graph theory. Neuroimage. 2008; 40 (3): 1064–76. 
24. 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 (18): 4756–66. 
25. Bassett DS, Bullmore E, Verchinski BA, et al. Hierarchical organization of human cortical networks in health
and schizophrenia. J Neurosci. 2008; 28 (37): 9239–48. 
26. van den Heuvel MP, Sporns O. Rich-club organization of the human connectome. J Neurosci. 2011; 31 (44):
15775–86. 
27. Beaulieu C. The basis of anisotropic water diffusion in the nervous system – A technical review. NMR Biomed.
2002; 15 (7–8): 435–55.
28. Mac Donald CL, Dikranian K, Bayly P, et al. Diffusion tensor imaging reliably detects experimental traumatic
axonal injury and indicates approximate time of injury. J Neurosci. 2007; 27 (44): 11869–76. 
29. Pandit AS, Expert P, Lambiotte R, et al. Traumatic brain injury impairs small-world topology. Neurology. 2013;
80 (20): 1826–33. 
30. Kinnunen KM, Greenwood R, Powell JH, et al. White matter damage and cognitive impairment after traumatic
brain injury. Brain. 2011; 134 (2): 449–63. 
300 Alja Kavčič, Katarina Šurlan Popović, Aneta Soltirovska Šalamon analiza strukturnih možganskih …
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 300
31. Yuan W, Wade SL, Babcock L. Structural connectivity abnormality in children with acute mild traumatic brain
injury using graph theoretical analysis. Hum Brain Mapp. 2015; 36 (2): 779–92. 
32. Königs M, van Heurn LWE, Bakx R, et al. The structural connectome of children with traumatic brain injury.
Hum Brain Mapp. 2017; 38 (7): 3603–14. 
33. Chen ZJ, He Y, Rosa-Neto P, et al. Age-related alterations in the modular organization of structural cortical
network by using cortical thickness from MRI. Neuroimage. 2011; 56 (1): 235–45. 
34. Reijmer YD, Leemans A, Caeyenberghs K, et al. Disruption of cerebral networks and cognitive impairment in
Alzheimer disease. Neurology. 2013; 80 (15): 1370–7.
35. van den Heuvel MP, Fornito A. Brain networks in schizophrenia. Neuropsychol Rev. 2014; 24 (1): 32–48. 
36. Zhang Y, Lin L, Lin CP, et al. Abnormal topological organization of structural brain networks in schizophrenia.
Schizophr Res. 2012; 141 (2–3): 109–18. 
37. Bernhardt BC, Chen Z, He Y, et al. Graph-theoretical analysis reveals disrupted small-world organization of
cortical thickness correlation networks in temporal lobe epilepsy. Cereb Cortex. 2011; 21 (9): 2147–57. 
38. Kuceyeski A, Navi BB, Kamel H, et al. Structural connectome disruption at baseline predicts 6-months post-stroke
outcome. Human brain mapping. 2016 Jul; 37 (7): 2587–601.
39. Batalle D, Eixarch E, Figueras F, et al. Altered small-world topology of structural brain networks in infants
with intrauterine growth restriction and its association with later neurodevelopmental outcome. Neuroimage.
2012; 60 (2): 1352–66. 
40. Silasi G, Murphy TH. Stroke and the connectome: How connectivity guides therapeutic intervention. Neuron.
2014; 83 (6): 1354–68.
41. Cao R, Yang X, Luo J, et al. The effects of cognitive behavioral therapy on the whole brain structural connectome
in unmedicated patients with obsessive-compulsive disorder. Prog Neuropsychopharmacol Biol Psychiatry; 2021;
104: 110037.
42. Johnson KA, Duffley G, Anderson DN, et al. Structural connectivity predicts clinical outcomes of deep brain
stimulation for Tourette syndrome. Brain. 2020; 143 (8): 2607–23.
43. Song L, Mishra V, Ouyang M, et al. Human fetal brain connectome: Structural network development from
middle fetal stage to birth. Front Neurosci. 2017; 11: 561. 
44. Scheinost D, Sinha R, Cross SN, et al. Does prenatal stress alter the developing connectome? Pediatr Res.
2017; 81 (1–2): 214–26. 
45. Smyser CD, Wheelock MD, Limbrick DD, et al. Neonatal brain injury and aberrant connectivity. Neuroimage.
2019; 185: 609–23. 
46. van den Heuvel MP, Kersbergen KJ, de Reus MA, et al. The neonatal connectome during preterm brain devel-
opment. Cereb Cortex. 2015; 25 (9): 3000–13. 
47. Bastiani M, Andersson JLR, Cordero-Grande L, et al. Automated processing pipeline for neonatal diffusion
MRI in the developing Human connectome project. Neuroimage. 2019; 185: 750–63.
Prispelo 30. 4. 2020
301Med Razgl. 2021; 60 (3):
mr21_3_Mr10_2.qxd  20.9.2021  8:06  Page 301