fMRI脑影像特征提取——Pearson相关与低阶功能连接LOFC（dpabi+nilearn）

| 图源

  由于暂未发现MRI扫描对人体的伤害，加上MRI影像的超高空间分辨率，所以MRI脑影像分析理所当然的成为了脑科学研究最重要的手段之一。MRI脑影像主要包括两种，结构MRI脑影像（此后简称sMRI脑影像）和功能MRI脑影像（此后简称fMRI脑影像），前者反映大脑的组织结构，后者反映大脑的活动代谢。MRI影像是3D的，一幅图被称为一个volume，图中一个点被称为一个体素，体素以一定空间分辨率（如$3m{m}^3$）近似的一一对应大脑的某个解剖位置。

  fMRI脑影像通过BOLD信号来成像。BOLD（blood oxygenation level dependent，血氧依赖水平）信号，可以间接反映大脑的活动代谢情况，某个区域BOLD信号高表示该区域正忙于处理信息或者说被激活，是大脑功能性的体现。fMRI脑影像由多个volume组成，是一个4D序列，如上图左上角所示。一个volume代表一个时间点的影像，影像中的一个体素的值，表示空间位置与之对应的大脑某个小体积内的BOLD信号值。如果把序列中每个volume的相同大脑位置（如$RO{I}_i$）的值都取出来，按照先后先后顺序排在一起，就形成了一个该大脑位置（如$RO{I}_i$）的随时间变化的BOLD信号或者时间序列，如上图右上角所示。

  某个大脑位置（如$RO{I}_i$）的BOLD信号，反映了在fMRI脑影像采集过程中该大脑位置（如$RO{I}_i$）活动代谢的变化。我们有理由相信，如果两个大脑位置BOLD信号变化的同步性很高，即大脑活动代谢的同步性很高，那么这两个大脑位置在功能上应该存在很强的联系，即存在很强的功能连接（Functional Collectivity，FC）。

  常用Pearson相关系数来评估两个信号的同步性，两个大脑位置（如$RO{I}_i$与$RO{I}_j$）的BOLD信号的Pearson相关系数值，就称作它们之间的功能连接强度。如果将所有大脑位置BOLD信号之间两两做Pearson相关，就会形成一个对称的功能连接矩阵（FC Matrix）。功能连接矩阵可以看做是大脑功能协作性的一种体现，是基于4DfMRI脑影像提取的一种有效的描述大脑功能的特征。通过这个特征，我们可以做进一步的处理与分析。功能连接一般是做静息态fMRI分析，但是也可以用于任务态。

copyright © 意疏：https://blog.csdn.net/sinat_35907936/article/details/115253078。初学小白，若有错误，还望不吝指出。

---

皮尔逊Pearson相关

---

  一个连接由节点和连接强度（边）组成。功能连接中的节点可以是单个体素，也可以是由脑图谱（atlas，parcellation）定义的脑区ROI，如下图中一个彩色块就代表一个ROI（脑区）。通常的做法是将脑图谱中多个或者全部ROI作为节点来两两建立连接，或是以多个ROI为种子点，以另外多个ROI作为目标点来建立连接，又或者是以脑图谱中单个ROI为种子点，以除此ROI外的全脑体素作为目标点来建立连接。第一中将形成一个对称的功能连接方阵，第二中将形成一个功能连接矩阵，第三个将形成一个功能连接谱（map）。暂且把第一种称基于ROI的功能连接，把后两种称作基于种子点的功能连接。

  定义连接强度（边），最常用的方式是Pearson相关，两个节点之间可能没有物理连接，但如果他们的BOLD信号同步性很强，则它们之间可能存在很强的功能上的协作，即很强的功能连接，这是一个很好的表征两个节点间关系的特征。如果一个节点包含不只一个体素（通常情况），那该节点的BOLD信号为该节点内所有体素BOLD信号的平均。

  现在想想同步性在描述的是什么？很容易想到，就是线性关系，如果一个信号值变大，另一个信号值也跟着变大，一个信号值变小，另一个信号值也跟着变小，或者相反，那么以两个信号的所有取值对应作为坐标画成的散点图，一定会在一条直线附近分布。Pearson相关，是两个信号或者随机变量线性相关性的衡量，值在[-1,1]，当值为1或者-1时，是完全的线性相关，当值为0时，是完全的线性无关。其定义式如式（1），可见其是归一化了的协方差，而协方差正是在衡量两个随机变量或者信号X,Y之间的协同性。

$$r=\frac{cov(X,Y)}{{\sigma }_X{\sigma }_Y}=\frac{E((X_t-\overline{X})(Y_t-\overline{Y}))}{{\sigma }_X{\sigma }_Y}\text{\hspace{1em}(1)}$$

  其中$X_t$