BOLD fMRI包含多种来源的噪音,与设备本身和被试本身相关
噪音的来源
-系统内自由电子的热运动
-磁场和其梯度的不稳定性
-头动及其对磁场的交互影响
-生理影响:心跳、呼吸,co2浓度
这些噪声如何在数据内出现
-高频的spikes
-图像的伪影和畸变
-低频的漂移和周期性的波动
如何减少噪音和伪影的影响
在获取过程中:
-我们需要高质量的控制以确保扫描器本身工作很正常
-合理安排实验的序列
-我们还可以用一些特殊的序列,比如自旋回波(spin-echo),同时多层采样,z-shimming(减少某个区域的伪影)
-尽可能减少头动
在数据分析中:需要检查一下我们得到的数据
异常值/伪影的鉴别和校正
通过预处理来调整头动和漂移
一些数据处理的手段(回归,层级建模)
-还可以建模并去除低频与周期性波动的内容
在检视你的数据过程中,你需要着重关注以下几点:
覆盖范围(FOV)与先前的计划是否一致;
RF噪音与畸变的图片
瞬态梯度伪影
重影
磁敏感性伪影
任务相关的头动
所有fmri的数据都有一些伪影,在做数据分析的时候如果遇到严重的伪影问题是很难处理的,所以我们需要在数据获取的时候就尽量避免。
漂移:
在fmri中的单个体素强度信号随时间的缓慢变化(低频噪音),扫描器的不稳定是漂移的主要成因,因为即使是对尸体的扫描中也可以看到漂移,不过生理噪音也是很重要的
我们需要在预处理与进行数据分析时都考虑到漂移的问题。
漂移可能会带来严重的影响:
实验条件如果太慢了,就可能会受到漂移的很大影响
试验设计应该更高频(更多刺激的on/off状态的切换)
不好的试验设计例子:
如果我们有20秒的任务(比如说是打字任务 ),20秒的静息,我们就有希望把它分开,相反的,如果我们是两分钟的任务和静息,就很难把他们分开。
头动
在试验中,被试的头动也有可能会造成严重的问题,我们通常在数据的预处理中进行头动校正,然而,有些“转动历史伪影”还是无法去除的,这些可能是由于一些跨平面的头动与磁场的复杂相互作用引起的。在数据分析中我们会处理这些问题,但是这个处理并不是完美的。
生理噪音
呼吸与心跳也会在特定的频率上产生噪音,它可以在数据分析中被建模出来,但是如果TR(扫描的重复时间)太低了,就会存在一些混淆的问题。对于传统的TR数值(大约为2s)这种噪音事很难去除的,会以时间自相关的形式存留在数据中。
混叠
远比采样频率高的周期性的信号可能会被混叠为低频信号,向下面这个图。蓝色的代表真实的高频信号,红色的点代表采样
为了避免这个现象,我们需要至少比信号的频率快两倍的采样频率,如果我们采样的更快,测的的信号的变化方式也更接近原始的信号。
建模fmri噪音
许多噪音部分可以在分析之前被去除,包括低频漂移与图片的异常值鉴别,不过是无法去除所有噪音的,有一些显著的自相关还是经常会留在信号内的。,在fmri中我们经常用自回归(AR,autoregressive)或者自回归运动平均(autoregressive moving-average ,ARMA)处理来建模自相关
总体来说,噪音的时空行为处理是很复杂的,这里的一个空间图,显示了AR2模型里的参数,用来顾及每个体素的噪音水平。我们可以看到噪音在全脑不同组织和位置的分布是不一样的,因此这个噪音是非常复杂的。
转载声明:
作者:李竞捷
链接:https://zhuanlan.zhihu.com/p/22221789
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。