fMRI数据分析处理原理及方法————转自网络

fMRI数据分析处理原理及方法

来源: 整理文件的时候翻到的,来源已经找不到了囧感受写得仍是不错,贴在这里保存。html

 

近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术获得极快的发展,除了与扫描硬件、扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节算法


1、功能图像数据的性质app


功能磁共振数据包括解剖(结构)像和功能像两类。解剖像采用高分辨的T一、T2及FSPGR三维成像方式。功能像的处理是fMRI数据处理的关键。由于脑皮层活动瞬息变化,相应要求足够快的成像序列对某一个刺激任务形成的皮层活动进行记录,而且要有对脑血氧代谢的产物——脱氧血红蛋白产生的T2*缩短效应敏感,EPI(Echo planar Imaging)、FLASH(Fast Low Angle Shot)等序列能够知足这两个条件,如今大都采用EPI序列采集fMRI功能像。dom


EPI于频率编码上采用一系列反向梯度,经过一次激发产生建成一幅MR图像的全部信号,基于小角度激发的GRE-EPI(Gradient echo- Echo planar Imaging)技术,在很短的TR时间内获得一系列(数幅至数十幅)图像。每次采集获得的图像组成一个脑体积(Volume),相应要求在fMRI实验组块(Epoch/block Paradigm)设计时,每一个组块的时间必须为TR时间的整数倍。实际的血流动力相应是一个缓慢的过程,任务激发后信号通过一个小的降低期开始上升,4-8秒达到高峰而后缓慢降低,11-14秒恢复。在事件相关设计(Event-related Paradigm)时,若是不考虑两(次)任务间的相互做用,须要保证间隔时间大于一次响应时间 。但也有研究显示短的刺激间隔时间对统计结果并没有多大影响 。(见图1)。函数


EPI序列以极快的采集速度,在一个数分钟的实验(Session)中,产生数百至数千幅图像,几十个不一样时间的脑体积成为EPI图像的时间序列(Time-series Image)。快速以牺牲图像的分辨率为代价,典型的EPI图像采集矩阵为64×64,提升采集矩阵会延长采样时间而且致使更严重的图像几何变形。除此以外,EPI序列图像对外在磁场环境的影响十分敏感,微弱的BOLD信号会伴有大量的干扰成分。较突出的问题有:工具


1. 扫描过程当中的头部运动的影响。虽然能够采起各类物理方法加以限制,但头部的运动仍是难以彻底消除,其反作用远不止于功能像与结构像叠加融合时的不匹配。头部微小的运动会使激活体素位置改变而形成真正功能信号的改变,场强为1.5 Tesla时,BOLD信号自己只有0.5-2.0%,但一般两个相邻体素的信号差都大于10%,大脑边缘的甚至达到70%。并且头部运动多是激活相关的规律性运动,将致使激活区的彻底错误,严重影响实验的结果。post


2. 易感性伪影。因为梯度磁场的高速切换产生的MR设备导体表面强度的涡流,人体头部组织磁敏感性的差异,尤为是靠近副鼻窦等含有空气的空腔时,致使局部磁场不均匀,将使重建的EPI图像在相位编码的方向上产生几何变形,使功能区不许确。网站


3. 扫描设备和生理运动产生的噪声干扰,多属高频噪声。生理运动包括呼吸、心跳等,特别是这些运动与任务相关时,对BOLD信号的检出影响更大。同时,因为BOLD效应是血流调节,激活区域信号的改变速率有限,生理自发活动会引发热噪声和高时间频率的波动、扫描硬件的不稳能够产生低频漂移。编码


4. N/2伪影或鬼影(N/2 ghosts),因为不许确的采集时序和不均匀的静磁场,k空间交替的回波呈献必定的相位差,以方向相反频率读出梯度交替MR信号奇、偶回波的EPI序列,信号经傅立叶变换重建后出现沿相位编码方向的成对假影。是EPI图像质量受损的最大缘由。spa


EPI图像数据的大量、低分辨率及干扰因素严重等特色决定了(1)务必除去与BOLD信号相关的干扰信号,提升信噪比。(2)大量时间序列的四维EPI图像,要经过转化为三维的形式表现出来。(3)经过合适的算法把真正的BOLD信号提取出来。(4)低分辩率的功能像要与高分辨率的解剖像叠加融合,或配准到已知的空间解剖结构中加以表现。是fMRI数据处理和分析的主要任务。可分为数据的处理、分析和结果的呈示(见图2)。


2、功能图像数据的处理


1. 校订(Re-alignment)。
头部运动的校订是一个理想的单体 (Subject)单模态(Modality)配准,常基于刚体运动模型,迭代计算平移、旋转参数,使参考图像(一般为时间序列的第一幅)与后续序列图像之间的不匹配程度最小化,实现全部时间序列图像的配准。三维空间校订选用三个方向的平移与三个坐标轴的旋转6个参数对头部刚体模型进行描述;三维配准时还须要考虑每一个脑体积中(TR时间内)头部运动的影响,以二维配准方法分别校订每一幅图像。Friston强调了基于自动回归移动平均模型(Autoregistration Moving Average ,ARMA)的重要性,能够消除对象自旋激励历史中的运动影响。


此外还必需注意在EPI多层采集过程当中,同脑体积中每层采集时间的轻微差别(数十毫秒)。在组块设计实验时,因为每一个任务组块时间持续时间较长(数秒至数十秒),能够不考虑这些时间差别;但在事件相关设计时,任务激发的时间性要求高,就必需对每层采集的不一样时间差别进行校订,保证组成每一个脑体积的数十层图像在相同时间内完成。常采用Sinc 法插值。


一般每个实验采集数百至数千幅图像,大量的数据使校订过程很是耗时,某些机器附带商业软件为了提升处理速度,达到实时效果,而舍弃此步骤。快速运动校订算法的开发对实时成像(Real-time imaging)十分有意义 。


2. 配准(Registration)。低分辨率的EPI功能图像常常须要叠加在高分辨率的解剖图像上进行功能区的辨认,经过配准功能激活映射图和解剖图像实现。因Ghost效应及磁敏感效应致使EPI图像的几何及强度变形,须要对变形的图像进行反卷积(Unwrapping)校订。这是一个单体多模态配准。J. Asbnrner等提出联合头部尺寸和形态的贝叶斯最大后估计量(Bayesian Maximum a posterior estimator, MAP)方法,利用中间图像实现多种类型的功能数据和解剖数据的精确配准。但若是进行数据的空间归一化,这些变形也均可解决。


3. 归一化(Normalize)。将检测的功能激活区准确地映射到高分辩率的解剖结构图上是fMRI可视化的关键,功能激活映射图根本不含任何解剖信息,没法和解剖图配准,但功能映射图和功能图像可共享一样坐标系统,故能够先把功能图像与解剖图像配准,将获得的变换应用于功能映射图与解剖像之间。把空间校订产生的平均图像(Mean image)或配准好的解剖图像与预先设计好的标准解剖空间的模板图像(Template image)的卷积参数应用于每个断层图像(Slice image)。这样就能够保证不一样样本、不一样模态的图像数据在相同的坐标系统进行评价。对于单样本分析,能够不归一化到标准空间,而是到单首创建的模板上;对于脑占位或梗塞等脑结构明显受损的样本图像,务必不能归一化到正常的模板上,自动算法的线性和非线性转换过程当中会抹除全部受损部位的特有信息,使归一失败,对于这样的样本,除了用单首创建的模板外,还能够采用有偿函数遮盖(Cost-function Masking)技术对病变部位进行遮盖处理,而后再归一化到标准空间中以资比较 。归一化的本质是一个多体多模态配准。


Talairach and Tournoux系统是最经典的标准解剖系统 ,数据来自于实体解剖,Talairach and Tournoux系统和Brodmann‘s分区之间的对应关系如今已颇为详知,文献资料十分丰富。加大拿McGill 大学Montreal Neurological Institute创建的MNI系统,采用305例正常人的MR脑扫描,通过映射到Talairach and Tournoux得到,如著名的软件SPM99,标准模板即采用MNI系统。MNI系统尚无与Brodmann‘s分区的对应信息资料,MNI系统脑模较Talairach and Tournoux系统稍大,虽然有的使用者把两者对等使用,但最好采起必定的方法进行坐标点互换 。


因为全局的脑血流改变以及扫描硬件不稳定,时间序列图像的平均图像的平均信号强度随时间发生与功能活动无关的改变,使得每次刺激的响应不在同一水平,减小了统计检测功能激活信息效果。须要调整每一副图像使其平均值等于全局的平均值,即时间序列的归一化。


4. 平滑(Smooth)。


对于硬件不稳及生理运动产生的干扰信号,能够经过平滑消除:空间平滑减少MR图像随机噪声、提升信噪比与功能激活数据的检测能力。经过将fMRI数据与一个三维高斯函数进行卷积积分造成一个滤波器,滤波器的平滑范围可用高斯核(Gaussian kernel)的全宽半高(FWHM)来表示。理论上高斯核应该与反应区的尺度同样,但要保证高斯核必定要大于一个体素的尺度,不然将形成数据再采样,使内在分辩降低。信噪比较低时,采用较宽的滤波器,检测到的激活区覆盖较大的范围。多样本对比的样本间分析时, FWHM也要大一些(8mm),以使各样本数据可以投射到共同的功能解剖像上,减小样本间差别。滤波器虽然能够有效地滤掉特定频率的噪声,也会牺牲一部分频率至关的真正BOLD信号。


对于时间序列信号的低频漂移,能够采用与BOLD信号波形类似的滤波器(FWHM=2.8mm),对每一个体素的时间序列进行时间平滑;若是用短TR采集功能像,可用频带抑制或最小均方适应滤波器去除与呼吸心跳相关的生理噪声。提升反应体素时间过程的信噪比,增长统计检测信号的能力。


此外,虽然真正的BOLD信号主要源于激活脑组织的毛细血管中的血氧代谢的贡献,但因为大血管的流空流入效应,在非激活区也有大量的脱氧血红蛋白流入,形成信号增高,称为“流入性伪影”,出如今较多引流静脉的皮层区域。低场强机器的伪信号更严重,提升场强能够减小这种大血管效应,SE-EPI序列也能够减小流入效应,对于单层EPI成像,经过增长射频翻转脉冲的做用时间能够限制血流敏感性。但多层EPI则没法知足每层足够长的翻转脉冲时间。有学者经过加权各类组织的统计参数图T对比来减小其影响 。


3、功能数据的分析


在数据预处理以后,采用适当的算法把真正的表明激活的象素提取出来,即功能数据的分析。在最早的fMRI研究中 ,仅采用图像相减的简单方法来演示任务依赖的脑区域。这是基于心理学的Pure insertion假说的认知相减(Cognition Subtraction)原理,用任务状态的图像减去控制状态的图像,差值图像高的灰度值反应的就是任务产生的有效活动区。这种方法对判别活动和非活动体素的阈值设置太过草率,而且对运动相关的效应以及其它未知缘由干扰特别敏感。更可靠的脑图是采用参数和非参数检验的方法。
经常使用的有零假设t检验,基于每一个体素计算,加权平均信号差别,t值大于设定的阈值(如p=0.05)的体素认为是激活,常以伪彩的形式表现出来。相关系数法脑图中,每一个体素都与线性交叉相关系数r值有关,此系数表示时间序列的体素信号强度与参考函数的相关性,测定的是时间序列过程当中体素的灰阶值与指望的氧代谢反应间的关系,相关性大于设定阈值的体素认为是激活。此外还有F检验,z检验等。从统计的观点来看,这些参数检验能够认为是广义线性模型(General Linear Model ,GLM)的特例。GLM是由K.J. Friston和其同事用做PET数据处理时开发的一个标准的统计工具,能够将全部感兴趣和非感兴趣的因素都包含于设计矩阵,若是可以充分考虑时间序列间的时间空间自相关,能够用于fMRI数据的分析。


假设检验时,首先构建关于某一统计量的统计参数映射图,计算每一个体素反应的时间过程与参考函数之间的线性相关系,根据检验的显著性水平肯定一个阈值,对零假设进行检验,经过阈值化统计参数映射图判别激活与非激活。构建统计映射参数图时,重要的是每一个体素的灰度水平时间过程与指望的血流动力函数类似程度。一般选用血流动力相应的脉冲函数与一个理想的on-off函数的卷积积分做为参考函数,因此准确地创建血流动力相应模型十分重要。目前已提出多种创建血流动力相应模型的方法。如Bandettini的傅立叶频谱分析技术、Bullmore的正、余弦波的线性组合拟合实验数据等。


上述方法最主要的问题是如何选择阈值分隔统计参数映射图,来肯定激活与非激活体素。肯定合适的未校订的单象素显著性阈值很是困难,低的阈值能够增长激活检出的敏感性,但将非激活区做为激活区的可能性增大,增长检测结果的假阳性率。而且GLM方法对每一个体素进行假设检验,变成多假设(Multiple Comparisons)检验,整体脑体素的检验将致使更多错误率。为了控制假阳性,经常使用Boferroni法校订,但过于保守,致使检出率降低。采用高斯随机理论(Gaussian Random Field),能够保证体素以上水平多假设时假阳性的发生,须要采用相同高斯核对图像进行平滑,以保证数据逼进高斯分布。对这样的数据,K.J. Friston提出检验的等级理论,可分为集合(Set)水平、聚类(Cluster)水平和体素(Voxel)水平,虽然加强了统计能力,但下降了空间分布特性。也可认为真正激活的体素相邻聚类的超过阈值的可能性也较大,用联合强度阈值与聚类尺寸阈值分隔统计参数映射图法,在下降假阳性发生的同时又不下降统计能力。蒙特卡罗仿真技术不需不少假设,但较耗时。


前面提到的体素依赖方法只适用于时间参数已明确知道的任务设计的实验数据分析,对于未知刺激任务时间的实验,如睡眠、癫痫放电等自发生理活动的数据分析时,将没法应用。这类实验的数据可采用主成分分析(Principal Component Analysis, PCA)和独立成分分析(Independent Component Analysis, ICA)等多变量分析,将fMRI数据分解成正交的空间成分或具备不一样时间过程的独立的成分,提取包含于时间序列图像中的功能信息,不须要任何血流动力学响应的时间过程数据及皮层幅度的先验假设,其实验设计也就无需依赖任何实验模型(如组块或事件相关)。 故体素依赖的单变量方法又称模式驱动(paradigm driven),相应多变量分析称数据驱动(data driven)分析模式。PCA经过检测随实验条件变化的开始一部分空间特征模式的时间形式,肯定与反应有关的功能系统的分布特征,侧重于描述功能系统的分布而不是定位,用于探索各功能区之间的相互联系。ICA经过提取一系列空间独立的空间模型,相比PCA更侧重空间定位,最适合于探索一个新假说模型的发生而非已知假设的检验。如fMRI对药物做用、睡眠、饥饿感的中枢机制研究等 ,近来有把时间聚类分析(Temporal Clustering Analysis) 用于无EEG联合的癫痫灶定位研究中 。PCA和ICA的缺点是对于大部分的不一样成分的数据相关性难以给出一个生理解释。


4、功能磁共振数据可视化方法


fMRI数据通过处理和分析,以直观的形式表现出来,以方便结果观察和引用。除了解剖像与映射参数图叠加外,还可采用大脑皮层重建,提供关于大脑皮层表面解剖结构和几何特性,依此对反应的功能区进行皮层定位。对标准T1解剖像进行灰白质及脑脊液成分分隔(Segment),行皮层解剖重建。在功能磁共振的视网膜脑图(Retinotopic map)技术中 ,把枕叶的脑沟脑回结构展开,在平面图像上进行评价。有许多重建方法,如基于体素方、2D轮廓重建方法等,重要的是保持皮层的解剖拓扑结构。


如今广泛采用Brodmann‘s 分区对脑功能区定位,因为脑皮层结构的特异性,除了初级运动及感受皮层区域较恒定外,其它功能区与解剖关系之间变异广泛存在,除非对神经解剖以及Talairach and Tournoux系统很熟悉,通常都难以在肉眼下对反应区进行功能定位。如前所述,把个体脑图归一化标准脑结构以后,就能够方便地对反应区坐标点按Brodmann‘s分区进行确认,也有专业的软件自动处理 。


以上简单介绍了fMRI数据处理与分析的原理及方法。这些步骤的实现均靠软件根据不一样算法完成。专业软件多种多样,但方法和步骤都基本相同。国际较为通用的功能影像软件有综合的处理分析软件,如英国伦敦大学神经影像科学系Wellcome实验室的SPM(Statistical Parametric Mapping)系列软件以及MCW AFNI(Medical College of Wisconsin Analysis of Functional Neuroimages)软件等。以及专项功能处理的软件,如图像浏览、格式转换的MRIcro软件

(http://www.psychology.nottingham.ac.uk/staff/cr1/mricro.html)、运动校订的AIR软件(http://bishopw.loni.ucla.edu/AIR3/)等。不少是开放的免费软件,能够在相关的网站上查询下载。

相关文章
相关标签/搜索