【茗创科技】静息态fMRI功能连接分析方法学

大家好，这里是 “茗创科技” 。茗创科技专注于脑科学数据处理，涵盖（EEG/ERP, fMRI,结构像,DTI,ASL, ,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（MCKJ-zhouyi或17373158786）咨询。

前言

人脑由数十亿个细胞组成，细胞之间有数万亿个突触连接。根据人类解剖研究的估计，以及约80%的皮层细胞是兴奋性锥体细胞的常识，一个成年人的大脑皮层中大约有200亿个兴奋性锥体细胞。这些细胞如何协调它们的活动，形成我们思想和行动的基础，以及这些模式如何构成我们提取的典型全脑神经成像信号，都是目前神经科学领域需要解决的关键问题。

磁共振成像(MRI)提供了一种非侵入性的方法来跟踪内部组织的结构。随着时间的推移，工程技术的进步能够从这项技术中提取出独特的信号，这些信号对伴随神经活动的血液流动的细微变化很敏感，即所谓的血氧水平依赖(BOLD)信号。这一进步的重要性不应被低估，因为它允许研究人员在参与者执行认知任务时了解大脑的内部运作。这与大脑皮层内特定位置的激活相关，如加工面孔的腹侧颞叶皮层。这一过程为理解大脑产生认知、注意力和心智等心理能力的规则奠定了基础。

但是，大脑是一个复杂的、具有组织多个时空尺度的适应性系统，这使得从单个神经成像研究中获得静态的、特殊的成像来推断大脑功能非常具有挑战性。在功能性MRI的早期阶段，为了证明该技术的实用性，研究人员主要集中在试图复现正电子发射断层扫描(PET)和电生理研究的结果。虽然这对该领域的发展很重要(也许是必要的)，但它也假定了与之前的研究相同的优势。具体来说，这些研究在很大程度上是为了通过分离与特定任务相关的活动模式来确定特定区域的功能。这样，区域位置就成为了首要的关注点。这种策略类似于生物学的林奈阶段或前牛顿物理学，相当于确定系统的特征，但不一定是各部分如何相互作用，以形成系统本身的基础。

回想起来，科学上的许多重大进展都是由于一些偶然的发现而产生的。比如亚历山大·弗莱明(Alexander Fleming)，他在度假前忘记从窗台上取下琼脂培养皿，结果回来发现一种入侵的真菌正在阻碍细菌的生长。经提炼后，发现这种化学物质是青霉素。幸运的是，1995年fMRI领域也得到了类似的精进，巴拉特·比斯瓦尔(Bharat Biswal)及其同事们感兴趣的是，对在一个半球的运动皮层观察到的模式是否会在另一个半球反映出来，他们记录了左半球运动皮层的信号，然后测量了大脑皮层其他部分的BOLD数据。通过分析结果数据，Biswal注意到，对侧半球的一组体素确实与种子半球内BOLD的波动有很强的相关性(图1)，而且即使在没有明显认知任务的情况下，这种模式也会持续存在。在此基础上，建立了静息态fMRI研究。

图1.静息态功能磁共振成像。在Biswal等人的开创性研究中，他们在左侧运动皮层放置了一个种子点(灰色圆圈)，观察到左右半球的感觉和运动区域(绿色区域)分布的网络中存在强烈的正相关。

大脑中相关区域之间的协调活动模式引发了不同领域研究科学家的想象力，这是因为数据很容易收集(参与者只需躺在扫描仪中，并保持清醒，因此，休息本质上是非结构化认知，而不是休息活动本身)，还因此开辟了一条重要的研究路线：大脑各区域之间的相互作用是如何组织的？尽管BOLD信号存在时间上的延迟，但它为研究人员提供了一个前所未有的机会，以比之前更高的空间分辨率，用非侵入性的方式研究大脑中协调活动的模式。虽然该领域的大部分研究重点是大脑皮层内部固有的模式，但fMRI也允许在皮层下结构中获得BOLD的波动。对大脑结构(如灰质和白质)敏感的MRI序列的出现，也意味着在静息态下观察到的模式可以直接与大脑神经结构的结构完整性进行比较。简而言之，静息态提供了一种评估大脑作为一个完整系统的方法，而不是一系列独立的部分。

虽然这是一个相对年轻的领域，但静息态数据的分析已经带来了许多重要的见解。本文将首先描述收集静息态fMRI的方式，然后概述用于分析静息态BOLD数据的统计方法。在此过程中，将强调每种方法的一些优点和缺点。然后，总结静息态文献中产生的一些含义，最后确定一些注意事项和正在进行的研究，这些研究有助于更好地理解静息态数据的含义。

静息态fMRI收集

静息态数据的优势在于，它提供了对大脑固有功能结构的非侵入性访问，并且相对容易收集，交织在结构和功能扫描之间，一个典型的静息态数据会话包括收集T2*加权的BOLD数据，参与者在扫描仪中平躺约10min。眼睛可以是睁开的，也可以是闭着的。如果闭着眼睛，或者临床队列有睡着的风险，也应该注意，因为睡眠阶段已经被证明与静息态连接的不同模式有关。根据这些理论，大量的文献将静息态连接的变化与唤醒水平的微妙变化联系起来。

久而久之，单个静息态会话的长度也变得略有争议。劳曼、波特拉克及其同事们使用一个在同一被试上长时间收集的独特数据集发现，需要约100min(即10×标准会话长度)的数据才能精确地再现个体大脑的精确细节，而且他们能够在整个扫描过程中辨别这些细节。当所谓的“午夜扫描俱乐部”(Midnight Scan Club)的个体对10个人队列进行类似(但短得多的)MyConnectome研究时，也观察到了相似的结果。虽然在组水平上产生可靠影响所需的特定长度数据可能远低于这个数量，但是这些研究确实提出了一些非常有趣的问题，即将数据收集的各个方面与特定的一组假设进行匹配的重要性。

在静息态会话期间收集体素数据之后，通常会使用许多预处理步骤。这些步骤可以大致分为两类。第一种利用一组定义良好的线性代数算法来将数据对齐到一个共同的参考系中。第二种试图控制数据中假定的虚假噪声，通常是通过对数据中的信号[如全局信号、头部运动，或来自研究范围之外的大脑区域(如脑脊液或皮层白质)的信号]进行回归，或者通过检查被认为是反射噪声而不是信号的数据的特定时间层。一旦这些步骤完成，通常会在体素水平、顶点水平或区域水平对数据进行分析。最后，应用带通滤波器，以分隔区域之间的缓慢波动(~0.01＜Hz＜~0.1)。然而，这一策略的影响也存在争议。

对数据进行了适当的预处理后，就可以进行统计分析了。重要的是，“静息态”这一术语指的是收集BOLD数据的方式，但并不限制用于对数据进行推断的特定分析工具。事实上，有各种各样的统计技术被用于静息态数据，每一种都有其独特的优势和弱点。接下来，将简要介绍几种用于分析静息态fMRI数据的最常用技术。

静息态fMRI分析

基于体素和种子点的分析

也许，分析静息态数据的最简单方法取决于特定种子点(或体素/顶点)的选择。在试图校正潜在噪声混淆源之后，研究人员尝试识别与原始种子点共享统计对应关系的其他种子点(或体素/顶点)。通过这种方式，研究者能够详细描述两个时间序列之间的时间相似性。计算所有种子点(或体素/顶点)，这种方法最终可以用来填充一个邻接矩阵，其单个元素代表了大脑特定空间分辨率的一种功能连接体(图2)。此输出通常被标记为“功能连接”矩阵，但讽刺的是，这些度量并没有什么特别的“功能”，矩阵中的值最好用统计相似性来描述，而不是“连接”。

图2.全脑静息态分析。分割后(左图)，每对分割之间的关系被用来填充一个邻接矩阵(中图)，这里显著的边缘用黑色表示。可以使用同样的信息将数据嵌入到图形中(右图)，其中每个分割成为一个节点，节点之间的关系成为边。

这种方法的优点是它不需要任何数据结构的先验模型。但是需要进行一些重要的方法选择。首先，研究人员需要选择他们希望查询数据的分辨率(即体素/顶点vs.区域vs.网络)。其次，相似性的统计度量也是一个需要考虑的开放参数。比如皮尔森相关性是文献中最受欢迎的技术，尽管还有各种各样的其他技术，每个都有其优点和缺点，在制定静息态分析计划时都应该纳入考虑。最后，如果在邻接矩阵的层面分析数据，关于阈值(即只选择高于特定值的连接)的选择和多次比较的统计校正也是需要考虑的。

低频波动的振幅

另一种不需要对数据进行较强假设的技术包含计算静息态BOLD数据的功率谱，然后创建反映静息态BOLD信号频率内容的某些特征的概括统计量。特别是，许多研究集中在BOLD信号的低频(0.01-0.1Hz)波动上，因为这些模式被认为在形成静息态脑网络的动态交互过程中发挥着重要作用。低频波动幅度(ALFF)方法测量BOLD信号在这个低频范围内的总功率，但与基于种子点的方法不同，因为该信号与BOLD活动的关系比协方差更密切。同样，这种方法的一大亮点是该技术相对数据驱动的性质，但需要注意的是，这种方法得到结果的功能解释通常也不像其他技术那样清楚。目前有待解决的问题是，即在BOLD功率谱上计算的统计数据是否与认知功能相关，还是反映了稳态过程(如神经递质循环)。

独立成分分析（ICA）

与上述数据驱动方法相比，一种独立的、强大的策略是首先对数据中的某些特征做出一些假设，然后根据这些假设分析数据。如果假设是真实的，这种方法可以给分析带来很大的好处，因为用于实例化方法的数学比在大脑中整体计算一组概括统计数据要先进得多。也许，其中最著名的算法是独立成分分析(ICA)。该方法本质上是对静息态数据中的信号进行盲源分离，这类似于在嘈杂的鸡尾酒会上用一组不同的麦克风记录对话，然后试图分析产生的录音，每个录音都包含多个不同对话的元素。目的是将源信号与记录信号分离或解混。如果对不同对话(即独立成分)的数量进行了假设，这些对话被组合在一起以产生混合信号，ICA提供了一种巧妙的数学手段来创建理想的分离。该过程的输出是一组空间地图，然后通过对成分随时间变化的特征做进一步的假设，将其转变为时间轨迹。

与所有基于模型的方法一样，这种技术的优势在于形成模型的假设是否得到它们试图表征的系统结构的良好支持。虽然使用ICA进行了大量优秀的研究，但对于静息态fMRI来说，考虑到对数据进行清晰解释的一些挑战是很重要的。首先，尚不清楚静息态下的大脑理想的独立成分数量是多少，也不清楚不同的个体是否具有相同数量的成分。当试图比较和对比临床队列时，特别是那些有明显神经生物学病理的队列，这个问题变得尤为尖锐。

另一相关问题是，把大脑分成一组独立的成分是否合理。事实上，大脑是一个复杂的系统，具有多层次的空间和时间组织。因此，假设一个特定的体素属于一个特定的成分是有问题的。此外，虽然这种假设可能对大脑皮层的感觉区域是合理的，但它可能会导致跨多种模式区域的系统性问题，如顶叶、颞叶和额叶。事实上，不管阈值或选择的成分数量如何，大脑皮层的关联区域涉及到更多的成分，这表明大脑中内在的非线性特征并不完全符合ICA的假设。例如，在深度脑刺激(DBS)的情景下，ICA可以被应用于识别和比较DBS开启和关闭条件下的静息态网络，以识别DBS功能中变化的特定成分。

主成分分析（PCA）

另一种相关的技术是主成分分析(或PCA)，但在静息态文献中还未像ICA一样广泛地使用。虽然PCA也是一种基于模型的方法，但它所做的假设与ICA不同。PCA假设N维数据(其中N是种子点/体素/顶点的数量)中的大量方差能够通过旋转参照系来有效地描述，从而与数据内部固有的最大变异性分布对齐。虽然现在的时间序列比以前稍微抽象一些(也就是说，它们不再反映一个区域内BOLD的上下波动，而是反映一种特定活动模式的系统性参与)，但是每个轨迹概括了大量的区域集群，这意味着我们可以更清晰地了解关于大脑系统动力学的本质。

最近，一种类似于PCA(扩散映射)的降维方法被应用于大样本静息态fMRI数据。与低维结构一致，研究者观察到两个关键的梯度，解释了数据中的实质性差异。重要的是，基于与大量认知神经科学实验相关的统计fMRI图，同样的梯度能够概括出分类，这表明这些模式反映了潜在的心理组织原则。这一观点本身与Mesulam的一个较早的观点紧密联系在一起。Mesulam认为，大脑中的层级位置和大脑皮层区域及其与感觉或边缘结构的距离之间的关系有关。有趣的是，大脑皮层回路的复杂性也存在同样的原理，这一假设与最近的多模态成像工作相一致。此外，类似的方法也被用于证明认知任务表现和基因表达的低维特征和模式之间的密切关系。虽然这种方法现在才开始流行，但对人脑正常(和异常)功能的进一步了解，很可能来自对这一强大优势的进一步探索。例如，PCA或扩散映射可用于研究DBS对特定皮层下或皮层结构的功能梯度变化。

图论测量

通过将大脑内的区域视为节点(或顶点)，将连接强度视为边，可以使用静息态连接估计来填充图(或网络)。从这里，可以计算出大量的概括统计数据，以此来表征整个网络的拓扑模式。在PCA的情况下，这些技术可以被认为是将数据转换成一个新的参考框架，在这个框架下，对数据的洞察可以变得更加清楚。这些图论测量的主要概念包括网络中节点的重要性程度(通常称为中心性)，它们之间的距离测量(如最短路径长度或节点效率)，分割网络的方法或网络的全局属性(如小世界或全局效率)。

将图论应用于静息态功能连接的大部分工作是使用统计度量来计算边缘的强度。许多最初为二元图设计的术语本质上很难在连通性图上进行解释(例如两个节点之间的最短路径长度)。当考虑到某条边上存在负权值的可能性时，这个问题就被放大了。虽然目前还没有关于在加权图上使用理想测量方法的共识，但值得一提的是，首先表征网络集群结构的度量对边缘计算的方式不太敏感。至少，研究人员在解释基于静息态数据计算的图论测量时要谨慎，这是很重要的。

动态功能连接

上述的每一种方法具有一个共同的假设，即数据源自一个稳定不变的过程。在过去的几年里，这种假设被放宽了，从而使得研究人员能够描述实验过程中功能连接的波动。这一想法是为了揭示时间上的相关性，努力探索大脑不同区域随时间相互作用的方式的可变性。这种方法提供了一个独特的视角，对于表征认知、注意力和情感状态的动态过程中的波动具有潜在的重要性。此外，头部运动通常会对动态连接度量产生强烈的影响，而且区分从真实的BOLD信号中计算出的动态模式也是一项挑战。

有效连接

通过引入与时间优先相关的假设，研究人员能够检验信号在静息大脑中流动方向的假设。这基本上可以归结为推断一个特定区域的BOLD活动是否驱动了另一个区域的BOLD波动(因此暗示可能存在因果关系)。目前流行的技术包括格兰杰因果关系、转移熵和延迟线程等技术。当测量神经电位时(如电生理学)，估计延时有效连接已经是非常具有挑战性的了，但是当跨区域的动作电位总和通过BOLD信号的时空滤波器进行滤波时，这个挑战就变得更加复杂了。此外，大脑中因果关系的本质也是一个悬而未决的问题，因为有证据表明，复杂系统往往依赖于循环因果关系和预期动力学等过程，这两者都与传统技术隐含的因果关系模型无关。这些技术的支持者认为，真正理解神经效应需要描述相互关系的因果性质(而不仅仅是统计性质)。

静息态fMRI分析启示

静息态网络的一大亮点是，它们与大脑皮层已知的功能分区相当吻合。与视觉和体感系统的联系是无可争议的，因为这两个系统都受到来自外围输入的限制，因此很可能具有相似的特征。分布在大脑皮层各叶的网络在功能上也是一致的。一个很好的例子是背侧注意力网络，它连接额叶眼区和上顶叶。Mesulam证明了对背侧注意网络的任何一个皮层节点的损伤都能导致同样的注意力忽视症状。这些结果表明，伴随是一种新兴现象，产生于相互关联的区域网络，而不是来源于孤立区域的激活。

从静息态研究中获得的另一个重要启示包括静息态网络(以及组成它们的区域)随着时间的推移协调其活动的方式。虽然所有区域在基线时通常都是呈现出典型的正相关，但还是有可能在不同的网络对之间识别出微妙的反相关关系。特别是，在组成默认模式网络的区域(如后扣带回、海马体、内侧前额叶皮层)和组成背侧注意(上顶叶和额叶视区)以及额顶叶控制网络(外侧前额叶和外侧顶叶皮层)的区域存在反相关关系。这些模式最初是在静息态下观察到的，并与静息态下的大脑不断返回默认状态的概念吻合，这对于大脑的能量消耗具有重要的意义。

参考文献：

Herculano-Houzel S. The human brain in numbers: a linearly scaled-up primate brain. Front Hum Neurosci. 2009.

Buzsa´ki G, Kaila K, Raichle M. Inhibition and brain work. Neuron. 2007;56(5):771–783.

Haushofer J, Kanwisher N. In the eye of the beholder: visual experience and categories in the human brain. Neuron. 2007;53(6):773–775.

Gaynes R. The discovery of penicillin—new insights after more than 75 years of clinical use. Emerg Infect Dis. 2017;23(5):849–853. https://doi.org/10.3201/eid2305.161556.

Biswal B, Zerrin Yetkin F, Haughton VM, Hyde JS. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Reson Med. 1995;34(4):537–541.

Betti V, Della Penna S, de Pasquale F, et al. Natural scenes viewing alters the dynamics of functional connectivity in the human brain. Neuron. 2013;79(4):782–797.

Tagliazucchi E, Laufs H. Decoding wakefulness levels from typical fMRI resting-state data reveals reliable drifts between wakefulness and sleep. Neuron. 2014;82(3):695–708.

Shine JM, Bissett PG, Bell PT, et al. The dynamics of functional brain networks: integrated network states during cognitive task performance. Neuron. 2016;92(2):544–554.

Turchi J, Chang C, Ye FQ, et al. The basal forebrain regulates global resting-state fMRI fluctuations. Neuron. 2018;97(4):940–952.e4.

Poldrack RA, Laumann TO, Koyejo O, et al. Long-term neural and physiological phenotyping of a single human. Nat Commun. 2015;6:8885.

Laumann TO, Gordon EM, Adeyemo B, Snyder AZ. Functional system and areal organization of a highly sampled individual human brain. Neuron. 2015;87(3):657–670.

Gordon EM, Laumann TO, Gilmore AW, et al. Precision functional mapping of individual human brains. Neuron. 2017;95(4):791–807.e7.

Glasser MF, Sotiropoulos SN, Wilson JA, et al. The minimal preprocessing pipelines for the human connectome project. Neuroimage. 2013;80:105–124.

Power JD, Barnes KA, Snyder AZ, Schlaggar BL. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 2012;59(3):2142–2154.

Dale AM, Fischl B, Sereno MI. Cortical surface-based analysis. Neuroimage. 1999;9(2):179–194.

Gordon EM, Laumann TO, Adeyemo B, Huckins JF, Kelley WM, Petersen SE. Generation and evaluation of a cortical area parcellation from resting-state correlations. Cereb Cortex (New York, NY: 1991). 2014;26(1):288–303.

Schaefer A, Kong R, Gordon EM, et al. Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI. Cereb Cortex (New York, NY: 1991). 2018;28(9):3095–3114.

Chang C, Glover GH. Time–frequency dynamics of resting-state brain connectivity measured with fMRI. Neuroimage. 2010;50(1):81–98.

Smith SM, Miller KL, Salimi-Khorshidi G, et al. Network modelling methods for FMRI. Neuroimage. 2011;54(2):875–891.

He BJ, Zempel JM, Snyder AZ, Raichle ME. The temporal structures and functional significance of scale-free brain activity. Neuron. 2010;66(3):353–369.

Yu-Feng Z, Yong H, Chao-Zhe Z, et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI. Brain Dev. 2007;29(2):83–91.

Calhoun VD, Liu J, Adalı T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. Neuroimage. 2009;45(1):S163–S172.

Calhoun VD, Adali T, Pearlson GD, Pekar JJ. Spatial and temporal independent component analysis of functional MRI data containing a pair of task-related waveforms. Hum Brain Mapp. 2001;13(1):43–53.

Bell PT, Shine JM. Estimating large-scale network convergence in the human functional connectome. Brain Connect. 2015;5(9):565–574.

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。