fMRI因为能够提供对大脑功能的独特洞察而受到医生和研究人员的广泛欢迎。然而,我们必须考虑多种技术因素,从实验设计到数据采集、数据处理以及方法的内在限制,以优化fMRI分析并对数据作出最准确和最有根据的解释。实际研究过程中,研究者/临床医生必须从许多可用的选项中选择每个阶段最合适的软件工具。在这里我们提供简单的指南,包含主要的分析阶段,每个阶段涉及的技术和工具。这份指南旨在作为神经成像社区的资源,帮助新手克服最关键的困难。本文由葡萄牙学者发表在Frontiers in Neuroscience杂志。
关键词:fMRI,数据收集、预处理、分析
应用领域
fMRI技术被广泛应用于认知神经科学领域(比如感知运动功能、语言、视觉空间、注意、记忆、人格、决策、执行功能)以及成瘾、神经营销等等。另一个主要研究领域为临床神经成像(比如手术前后的状态对比、基因相关的功能研究等)。最后一个较为新兴的领域是结合实时神经反馈或脑机接口治疗疾病比如强迫症、抑郁症、精神分裂。
实验设计
核磁的实验设计分静息态和任务态2种。
静息态
静息态是最简单直接的实验设计,被试不需要完成任何外在任务。这种情况下收集到的数据具有一致稳定的功能模式,被称为静息态网络(Resting State Networks ,RSNs)。最经典的实验设计为
任务态
任务态fMRI研究中,刺激的呈现方式至关重要。最经典的实验设计为block设计、event设计和混合设计三种。
其中最简单的实验设计是block设计,其包含一系列的block,每个block里面呈现1种条件的刺激。Block之间的间隔取决于刺激类型,通常为15-30s。每个条件呈现的顺序也很重要,通常要在被试间平衡。Block设计的优点是方法简单、统计功效良好、信号鲁棒,缺点是被试会产生练习效应并且无法准确定义响应时间。
Event设计旨在描述大脑功能与离散事件的相关,刺激顺序随机,刺激间隔(inter-stimulus interva,ISI)通常在0.5-20s
混合设计结合了block设计和event设计的优点,能提供持续和瞬间功能激活情况。不过,它需要更多的假设,对HRF的估计较差,持续信号的统计效应变低,需要更多的被试量。
最后,当研究同时涉及静息态和任务态时,建议先扫描静息态。
图1 经典fMRI研究流程。
(A)数据基本特征(B)静息态(C)block设计(D)event设计(E)混合设计(F)采集技术(G)伪影(H)质控(I)格式转换。预处理步骤:(J)时间层校正(K)头动校正(L)空间标准化(M)平滑(N)滤波。(O)基于任务态的分析方法(P)基于静息态的分析方法(Q)统计界面(R)可视化。
Power分析
fMRI研究因为样本量少、比较次数多导致统计效应低而一直为人诟病。另外也由于BOLD响应的不确定性等原因导致fMRI研究较少计算效应量。好在现在已经开发出了专门的工具,只需输入平均激活、方差、Ⅰ类错误的概率(alpha level)等即可计算。已有的软件有:PowerMap software、fMRIPower tool、NeuroPower。
数据收集技巧和伪影
常见的核磁技术
BOLD信号检测是最常见的技术,其他的一些技术有脑血容量(cerebral blood volume,CBV)、脑血流量(cerebral blood flow ,CBF)和脑氧代谢率(cerebral metabolic rate of oxygen,CMRO2)。动脉自旋标记(Arterial Spin Labelling,ASL)利用动脉血液中的水分子作为内源性对比剂实现脑血流成像;血管空间(Vascular-Space-Occupancy,VASO) 基于血液和周围组织的差异并通过局部CBV的动态测量确定; Venous Refocusing for Volume Estimation(VERVE)基于静脉脑血容量变化;扩散加权MRI测量激活过程中与细胞肿胀有关的神经组织的结构变化。最后,收集数据时需要获取特定的序列。常见的扫描序列为平面回波序列(echo planar imaging,EPI)。
数据收集技巧
在采集阶段,收集到高质量的数据是至关重要的。关于收集技巧并没有黄金原则,因为参数设置都不大一样,这里仅针对标准单镜头梯度回波EPI 3T(a standard single-shot gradient-echo EPI 3T)核磁数据采集提供一些建议。所有因素中对磁共振结果影响最大的是磁场强度,随着场强的增加,灵敏度、分辨率和信噪比均得到提高。目前使用较多的是1.5T~3T,但是一些研究中心已有7T设备。另外一个因素是扫描顺序,间隔扫描还是连续扫描,升序(foot-to-head)还是降序(小编注:请扫描时做好记录,后续分析会用上)。
磁共振成像还需考虑时间分辨率和空间分辨率的权衡,由于BOLD信号随时间改变,因此优化时间分辨率是关键。目前TR普遍为2-3s。对于任务态研究,通常会选择较短的TR,不过这会导致信噪比显著降低。优化时间分辨率时肯定会牺牲空间分辨率,其中一种方法是在保证全脑覆盖的同时进行多层平行成像,比如GRAPPA、SENSE、multiplex-EPI。GRAPPA和SENSE的工作原理是减少扫描单层影像所需时间,增加敏感度;multiplexed-EPI是一次不止扫描一层。
另外还有一些建议:当既有静息态研究又有任务态研究时,数据采集参数尽量保持一致,这样在进行结果对比时比较准确。任务态研究中最重要的是数据扫描和刺激呈现的同步,这个可以通过发送trigger实现。(同步器是必备的任务态同步设备)
伪影
磁共振成像的伪影通常来自脉冲序列、梯度系统硬件、采集策略以及生理噪音。EPI序列有3种常见的伪影:
幸运的是现在已经开发出了大量的软件来减少伪影的影响,比如:
Artifact detection Tool (ART—http://www.nitrc.org/projects/artifact_detect/),
PART—http://www.mccauslandcenter.sc.edu/CRNL/tools/part),
PhysIOToolbox(http://www.translationalneuromodeling.org/tnu-checkphysretroicor-toolbox/),
ArtRepairSoftware(http://cibsr.stanford.edu/tools/human-brain project/artrepairsoftware.html),
FMRIB’s-based Xnoisifier (FIX) (http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIX) ,
RobustWLS Toolbox (http://www.icn.ucl.ac.uk/motorcontrol/imaging/robustWLS.html) 。
表1 已发表文章中用到的工具包
表2 fMRI刺激呈现工具
质控和预处理
质控和数据格式转换
第一次质控是在数据采集时,一边扫描一边浏览数据非常重要。采集完成之后确保所有被试的数据都被正确导出,并借助Osirix, MRIcro, RadiAnt,ImageJ等查看原始图像是否存在问题,然后将原始图像转换为.img/.hdr文件或.nii文件方便预处理。常用的转换工具有:
dcm2nii (https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii:MainPage),
MRIConvert(https://lcni.uoregon.edu/downloads/mriconvert/mriconvert-and-mcverter),
NiBabel (http://nipy.org/nibabel/index.html)
去除前n个时间点、时间层校正和头动校正
在刚开始采集的时候,机器需要时间进行预热,因此前几秒的数据通常是不稳定的需要去除,一般是去除前10秒的数据。举例来说,如果TR是2秒的话,则是去除前5个时间点。采集数据时,机器是一层一层扫描的,不同层获取存在时间差,时间层校正的目的就是把数据调整成好像是在同一个时刻瞬间扫描完成的。时间层校正的效果取决于实验设计,效果由大到小依次为event设计、block设计、静息态。不过它也不会对结果产生坏的效果,一般建议都处理一下。至于时间层校正和头动校正谁先谁后,通常建议如下:
头动校正是为了对齐各个时间点的图像,一定程度上消除头动的影响,因为头动会造成体素的错位。最常见的方法是选择一张图像作为参考,通常是平均图像,然后将所有体素进行刚体变换与参考图像对齐。
空间标准化
空间标准化是为了对齐各个被试的图像,保证相同的体素对应的各个被试的解剖结构是一致的。配准一般会用到坐标系,在fMRI领域有2大标准坐标系,一是基于单个被试的T空间,一是基于大量被试的MNI空间,这些坐标体系确保所有被试的解剖结构是一致的。MNI空间和T空间也可以进行转换,常见的工具有“icbm2tal” (GingerALE, http://www.brainmap.org/icbm2tal/) 和“mni2tal” (BioImage Suite, http://bioimagesuite.yale.edu/mni2tal/)。
目前的配准方式主要有2种,一是EPI配准也即一步配准法,二是T1配准也即两步配准法。EPInorm:通过仿射变换将EPI图像非线性配准到标准空间中的EPI模板。这种方法的优点在于它直接解决了EPI图像的非线性,但缺点是可能存在过度校正(如用不相关的脑区来填充信号丢失区域)。
空间平滑和滤波
空间标准化完成后通常进行空间平滑(也可以叫空间滤波,spatial smoothing/filtering),因为normalize是仿射变换,会产生形变和噪声,而平滑可以降低仿射变换的影响并提高统计效力。平滑之后体素会与周围的邻居变得接近(因为求的平均),图像会变得模糊。平滑核大小通常是体素大小的2倍。
预处理的最后一步是时间滤波,滤波的目的也是降噪。核磁信号多为低频信号,而fMRI噪声可能与缓慢的扫描仪漂移(∼<0.01 Hz)以及心脏(∼0.15 Hz)和呼吸(∼0.3 Hz)效应有关,所以目前常见的滤波范围是∼0.008-0.01 Hz,静息态通常采用0.01—0.08Hz。
表3 主要的预处理工具
表4 主要的处理工具中可分析的指标
任务态分析方法
任务态最常见的方法是在SPM中利用GLM进行一阶建模然后分析,这一方法目前仍然很受欢迎。任务态的功能连接也越来越受关注,
静息态分析方法
历史上,第一个应用于静息态的方法是基于种子点的相关分析——定义好一个种子点,求它与全脑其他体素的相关。REHO(Regional Homogeneity analysis)是利用肯德尔和谐系数计算体素与其周围体素的一致性。
越来越受欢迎的脑网络分析方法是图论网络,其假设大脑由节点(脑区)和连边(节点间的连接)组成,这使得脑区之间能相互建立连接,可分析的指标包括全局属性、节点属性和连边差异。不过,单靠静态功能连接分析无法准确描述大脑的动态功能状态变化,因此衍生出了动态网络。追踪大脑功能连接的动态性可以为研究脑网络的基础性质和描述大脑的功能活动的动态性提供更多视角。最常用的方法是
图2 fMRI研究中常用的分析方法。对于任务态有GLM(A)、PPI(B)、SEM(C)、DCM(D)、GCM(E)、多体素模式分析(F)。对于静息态有基于种子点的相关(G)、Reho(H)、ALFF(I)、PCA(J)、ICA(K)、clustering(L)、图论网络(M)、动态功能连接(N)。