第二节　功能分析

一、任务状态功能数据的分析方法

（一）功能磁共振成像简介

fMRI是20世纪90年代初MRI技术的一项重要发展。该技术基于BOLD效应，能够实时地对大脑皮层神经功能活动进行成像，并且具有较高的空间分辨率和时间分辨率，非常适合神经活动的时空分析和脑的高级功能研究，因此已成为神经、精神和认知领域的重要研究工具。

众所周知，血液中的血红蛋白根据是否与氧结合可分为氧合血红蛋白和脱氧血红蛋白两种状态。两种状态下的血红蛋白对外部磁场有不同的影响。脱氧血红蛋白具有顺磁性，可造成组织中质子的横向弛豫时间（T2）缩短。血液中脱氧血红蛋白含量增加会导致相应组织在T2加权像上信号强度降低；氧合血红蛋白为逆磁性物质，可延长组织中质子的T2值，血液中氧合血红蛋白的含量增加会使相应组织在T2加权像上信号增强［1，2］。因此，血液中氧合血红蛋白和脱氧血红蛋白的比例决定了相应组织在T2加权像上的信号强度，该比例越高，信号越强。这就是BOLD效应的基本原理。

基于BOLD效应的fMRI是利用了脑组织中神经元活动引起的局部血氧饱和度变化。当大脑某区域被激活时，该区域内脑组织耗氧量增加，相应的血流灌注量也会增加，其综合效应是局部血液中氧合血红蛋白的比例升高，造成相应区域在T2加权像上信号增强。因此T2加权像上信号增强间接地反映了局部神经元的活动［3］。

神经元活动引起的局部血流改变是短暂的。常规的MRI成像序列速度慢，难以捕捉到神经活动引起的微小信号变化，因此需要快速成像技术。目前最常用于fMRI的快速成像技术是EPI技术［4］。该技术采用单次RF脉冲激发，然后利用读出梯度磁场的连续正反向切换产生并采集多个梯度回波。该技术采集单层图像仅需数十毫秒，通常可在2秒内完成一个全脑的图像采集。

fMRI根据受试者在被扫描时是否执行任务或接受刺激又可分为任务态fMRI和静息态fMRI。任务态fMRI主要考察大脑在执行特定任务时的激活区域。静息态fMRI主要研究大脑在无任务状态下BOLD信号的自发改变。本部分分别就任务态、静息态功能磁共振的实验设计、数据处理与分析进行介绍。

（二）功能磁共振实验设计

在fMRI研究中，一个很重要的问题是如何设计有效的功能刺激方案。常见的fMRI试验设计可分为组块设计（blocked design）和事件相关设计（event related design）。组块设计通常包含两种不同的组块，分别是任务模块（task block）和基线组块（base block）［5，6］。在任务组块中可要求受试者完成某种任务，如进行某种思维活动或对某种刺激做出反应，而在基线模块中受试者不进行任何思维活动。每个组块持续一定时间（一般为14～20秒），不同组块在扫描过程中交替出现（图2-2-1A）。组块设计的优点是设计简单，数据分析比较容易，而且所产生的BOLD信号较强，检测效率高；缺点是无法获得单次刺激事件引起的BOLD信号改变的时间曲线，同时缺乏刺激的随机性。刺激的随机性对于认知神经科学研究十分重要。组块设计是同类刺激反复出现，受试者不可避免地会出现对刺激的期待效应，造成注意力和激活水平降低。事件相关设计则可克服上述问题。在事件相关设计中，受试者不是接受一系列连续的相同刺激，而是一个个离散的刺激。每相邻两次刺激事件之间的间隔时间比较长，而且可以随机变化（图2-2-1B）。事件相关设计的缺点在于单个刺激任务产生的BOLD信号较弱，检测效率低，意味着事件相关设计需要比组块设计更长的扫描时间［7，8］。

（三）功能磁共振数据预处理

在fMRI数据采集过程中受试者头部的微小运动，成像设备的特性以及不同人之间大脑形状大小的差异都会影响后续功能激活区域的检测、定位与统计分析。因此在进行正式分析之前，有必要先对采集到的原始数据进行预处理。常用的预处理步骤包括时间层校正、头动校正、空间标准化以及空间平滑等。

1.时间层校正

fMRI数据采集一般采用多层2D扫描，即先采集完一层，然后再采集下一层，这样采集完成后整个大脑的每一层并不是在同一时间点获得的。而且为了避免相邻两层之间产生的信号相互干扰，在实际扫描过程中一般采用隔层扫描的方式，即先扫奇（偶）数层，再扫偶（奇）数层（图2-2-2A）。这种扫描方式造成相邻的两层在采集时间上存在数百毫秒的差异。fMRI的统计模型是根据任务或刺激的时序创建的，然后将该模型与每一个体素的时间序列数据进行比较来判断该体素的信号变化与任务的相关性，这种分析方法假设整个脑的数据是在同一个时间点采集的。因此这种每一层在采集时间上的差异会给后续分析带来问题。时间层校正就是为了解决每一层在采集时间上存在差异的问题。时间层校正首先选择一个参考层，然后在其他层进行插值来匹配参考层的时间，插值方式一般采用正弦插值（图2-2-2B）。是否需要采用时间层校正取决于实验设计，在组块设计的实验中，任务或刺激的持续时间较长，每一层采集时间的差异可以忽略不计。而在事件相关设计中，刺激时间短，每一层采集时间的差异会给后续分析带来影响，因此有必要进行时间层校正。

2.头动校正

由于fMRI图像采集时间较长（一般持续数十分钟），测量次数多（对全脑进行数百次采集），因此，在此期间，受试者的呼吸、脉搏以及吞咽动作都会不可避免地造成微小头动，这样图像中某点对应的解剖位置在不同时间就会有差异。因此需要采取适当的办法消除头动带来的影响，即进行头动校正［8］。头部运动可用刚体运动模型来描述，即运动只包含空间的位移和旋转，不涉及大小缩放和切变。头动校正一般是选择采集到的第一个全脑图像作为参照，后续采集到的全脑图像通过刚性变换配准到第一个采集到的全脑图像。

3.空间标准化

受试者大脑在形状大小方面存在差异，如果要对一组受试者的大脑激活情况进行比较，那就需要将每个受试者的大脑图像与一个标准大脑模板（如常用的MNI模板）进行匹配。匹配一般分为两步，首先采用仿射变换消除个体与模板之间的大体差异，然后通过非线性变换来消除仍存在的局部细微差异。经过与标准模板匹配后，每个个体的大脑图像就位于同一个标准空间中。

4.空间平滑

空间平滑是将图像数据在三维空间与一个光滑函数进行卷积，这个光滑函数称为卷积核函数。卷积核函数一般选择高斯函数。空间平滑的作用是：消除空间标准化后个体间仍存在的结构上的细微差异。空间平滑后不同个体间的细微结构差异将被模糊化；提高信噪比，空间平滑后，图像中的高频部分被抑制，而高频部分一般对应噪声；空间平滑使数据的误差分布更接近正态分布，使得基于参数检验的推断更加合理。空间平滑的步骤是先确定FWHM参数，一般选择采集图像的体素尺寸的2～3倍，再根据FWHM计算出高斯函数的标准差，构建出高斯卷积核函数，最后将图像与该函数进行卷积即可实现空间平滑处理。

（四）任务态功能磁共振数据分析

经过预处理后的数据就可以进入分析步骤，对fMRI数据分析的最终目的都是准确定位出被实验刺激激活的脑功能区。获得功能区最简单的方法是用任务状态采集到的平均fMRI图像减去基线状态下的平均图像。但这种方法对头部运动非常敏感，最终结果中存在大量伪影，特别是在大脑的边缘。而且这种简单的差值法不能产生一个统计检验值，因此难以对结果的可信度进行判断。

目前最常用的功能磁共振数据分析方法是基于GLM的分析方法［9］。这种方法以三维全脑图像中的单个体素为基本单位，通过对每个体素的时间信号序列与实验设计模型做统计分析，得到某个显著水平下的脑区激活图。

广义线性模型假设某体素的时间信号序列是实验设计矩阵与未知参数乘积的线性组合［10-12］：

Yi=Xβi+εi

式2-1

Yi是体素i的时间序列构成的列向量，是实验设计矩阵；βi是未知参数构成的列向量；εi是由噪声构成的列向量，并服从均值为0，标准差为σi的正态分布。设计矩阵可以用灰度图来表示，图上每一个行对应一个扫描，每一列代表一个参数，矩阵的数值在图上用灰度表示，黑色代表最小值（通常是-1），白色代表最大值（通常是+1），介于两者之间的用不同灰色表示。设计矩阵图给出了设计矩阵的直观印象，通过它可以形象地观察所用的模型是否正确。

通过构建广义线性模型，原本是对Yi进行统计分析，现在改为求解βi，得到βi的图像，然后再对它们进行统计分析。脑功能激活图实际就是对未知参数βi的统计推断得到的。可用最小二乘拟合法得到βi的估计值。

式2-2

这样根据βi的估计值在每个体素得到一个统计量，由这个统计量组成的图像称为SPM，可用于参数检验得到最终的激活图［13-15］。

二、静息态功能磁共振数据处理

（一）静息态功能磁共振简介

传统的fMRI研究主要是基于特定任务下的研究，即设计某种实验任务，研究该任务下的脑区激活或功能连接情况。采用认知任务进行激活区或功能连接检测的临床应用存在诸多限制：复杂的实验设计对临床医生来说执行困难；许多病人对认知任务配合困难，如婴幼儿患者以及严重的AD患者等；认知任务各式各样，不便于研究的标准化，因此很难用于疾病的诊断。静息状态（resting state）下fMRI的研究为这些问题的解决开辟了新途径。静息状态的fMRI指被试在静息状态（闭眼，清醒状态）下的扫描，此时，受试者躺在磁共振扫描仪中，全身放松，不进行思维活动。研究表明大脑在静息状态存在自发的BOLD信号低频振荡，而且某些脑区信号的低频振荡保持着很高的同步性。这种低频信号振荡的同步性可见于运动系统、语言系统、听觉系统以及视觉系统。这些发现都证明了人脑在静息状态下存在有序的脑活动。

（二）静息态功能磁共振数据预处理

与任务态功能磁共振数据的预处理相似，静息态功能磁共振数据预处理也包括时间层校正、头动校正、空间标准化及空间平滑等步骤。此外，还需要对时间序列进行带通滤波（0.01～0.08Hz），以去除低频信号漂移和呼吸心跳造成的高频噪声的影响，提取出能真实反映大脑自发活动的低频振荡信号。

（三）静息态功能磁共振数据分析

静息态功能磁共振数据分析主要从以下两个方面展开：一是不同脑区之间低频振荡的同步性分析，即功能连接分析；二是局部脑区内部低频振荡的特性分析。

与基于任务的功能连接分析相同，静息态下的脑区之间的功能连接也是采用相关分析方法来度量，其通常步骤是先选取某一ROI作为种子点，得到该区域的时间序列，然后计算该种子区与全脑其他体素时间序列之间的相关性。两脑区时间序列之间的相关性一般用两时间序列之间的Pearson相关系数表示。在这种分析方法中，种子点的选择是非常重要的，一般根据解剖知识或者文献报道中某任务的激活区来选取。独立成分分析（independent component analysis，ICA）是分析功能连接的另一种方法。这种方法直接将全脑时间序列分解成多个相互正交，独立的成分，并认为信号在同一成分上投影较大的脑区之间存在功能连接。

功能连接分析对于神经和精神疾病的研究有很大价值。目前，静息态功能连接分析已经应用到诸如精神分裂症、AD、抑郁症、创伤后应激障碍（post-traumatic stress disorders，PTSD）等疾病的研究中，以期从大脑功能连接的角度找到病因和发病机制。

低频振幅（amplitude of low frequency fluctuation，ALFF）、低频振幅比值（fractional ALFF，fALFF）、局部一致性（regional homogeneity，ReHo）是考察局部脑区内低频振荡特性的常用指标。ALFF的计算原理是逐一对全脑的每一个体素的时间信号序列进行傅里叶变换，将时域的信号转换到频域。频谱中曲线下面积可视为信号的能量，然后对其开方得到信号振荡的幅度，即BOLD信号变化的强度，最后将每个体素的ALFF值除以全脑平均ALFF值，得到每个体素标准化后的ALFF值。ALFF从能量角度反映了各体素在静息状态下自发活动的幅度。但ALFF对生理噪声非常敏感，因此有时也用fALFF代替ALFF。fALFF代表低频振幅（0.01～0.08Hz）与整个频率范围内振幅的比值。ReHo是以肯德尔和谐系数为基础衡量全脑各个体素与其周围邻近像素所组成的一个团块在时间序列活动上的一致性，可间接反映局部BOLD信号及局部脑区活动的时间同步情况，可以反映局部脑区神经元活动的时间一致性程度：ReHo升高提示局部神经元活动时间上趋向于同步；ReHo降低则提示局部神经元活动时间上趋向于无序；ReHo异常可能提示局部神经元同步性活动的产生与调控机制异常。

尽管目前基于静息态fMRI的脑功能与连接的研究已经在数据分析和临床应用两方面展开，但目前该领域还有很多问题有待深入探索，例如静息状态下BOLD信号低频振荡存在同步性生理基础等。

（孙怀强）

参考文献

［1］Pauling L，Coryell CD. Magnetic properties and structure of hemoglobin，oxyhemoglobin and carbonmonoxyhemoglobin. Proc Natl Acad Sci USA，1936，22（4）：210-216.

［2］Ogawa S，Tank DW，Menon R，et al. Intrinsic signal changes accompanying sensory stimulation：Functional brain mapping with magnetic resonance imaging. Proc Natl Acad Sci USA，1992，89（13）：5951-5955.

［3］Bandettini PA，Wong EC，Hinks RS，et al. Time course EPI of human brain function during task activation. Magn Reson Med，1992，25（2）：390-397.

［4］Ogawa S，Menon RS，Tank DW，et al. Functional brain mapping by blood oxygenation level-dependent contrast magnetic resonance imaging. A comparison of signal characteristics with a biophysical model. Biophys J，1993，64（3）：803-812.

［5］Friston KJ，Jezzard P，Turner R. Analysis of functional MRI time series. Hum Brain Mapp，1994，1（2）：153-171.

［6］Worsley KJ，Friston KJ. Analysis of fMRI time series revisited-Again. Neuroimage，1995，2（3）：173-181.

［7］Friston KJ，Zarahn E，Josephs O，et al. Stochastic designs in event-related fMRI. Neuroimage，1999，10（5）：607-619.

［8］Garavan H，Murphy K. Experimental Design In fMRI Techniques and Protocols. New York：Humana Press，2009，133-149.

［9］Boynton GM，Engel SA，Glover GH，et al. Linear systems analysis of functional magnetic resonance imaging in human V1. J Neurosci，1996，16（13）：4207-4221.

［10］Buxton RB，Uludaǧ K，Dubowitz DJ，et al. Modeling the hemodynamic response to brain activation. Neuroimage，2004，23 Suppl 1：S220-S233.

［11］Barry RL，Williams JM，Klassen LM，et al. Evaluation of preprocessing steps to compensate for magnetic field distortions due to body movements in BOLD fMRI. Magn Reson Imaging，2010，28（2）：235-244.

［12］Glover GH. Deconvolution of impulse response in event-related BOLD fMRI. Neuroimage，1999，9（4）：416-429.

［13］Friston KJ，Holmes AP，Worsley KJ，et al. Statistical parametric maps in functional imaging：A general linear approach. Hum Brain Mapp，1995，2（4）：189-210.

［14］McKeown MJ，Sejnowski TJ. Independent component analysis of fMRI data：Examining the assumptions. Hum Brain Mapp，1998，6（5-6）：368-372.

［15］Viviani R，Grö n G，Spitzer M. Functional principal component analysis of fMRI data. Hum Brain Mapp，2005，24（2）：109-129.