fMRI预处理和统计分析

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

fMRI类型

传统的功能性磁共振成像有两种类型：任务态和静息态。后者有时也被称为无任务fMRI。

任务态功能磁共振成像(tfMRI)的重点是研究人员用来探测局部大脑激活或连接的感兴趣的条件或事件。fMRI记录是对神经元活动的连续和间接测量。因此，BOLD信号的绝对值无意义。相反，在两个或多个条件之间BOLD信号的差异被用来推断与任务相关的有意义的神经关联或基质。这种对比(即两个或多个条件之间的比较)也可以帮助减少来自非特定源的噪声，随机噪声将部分抵消。tfMRI研究的一个简单例子是考察与面部图像表征相关的大脑激活。为了确定当我们看到一张面孔时大脑的哪个区域是激活的，就可以将感兴趣条件(如呈现面孔的试次)和控制条件(如没有任何刺激的试次或间隔)之间进行对比。

tfMRI研究最常用的两种实验范式是block设计和事件相关(ER)设计。Block设计包括“on”和“off”周期，“on”代表刺激呈现的一段时间(如呈现30s的面孔图像)，“off”代表基线(如呈现10s的无面孔图像间隔)。ER设计将实验分割成间隔的事件，这能够考察与事件类型相关的大脑活动过程。重要的是，Block和ER设计都需要随机化(例如，block或试次顺序)，以确保检测到真正的大脑信号。图1展示了block设计和ER设计的例子，以及它们相关的设计矩阵。

图1

与tfMRI研究相反，静息态fMRI (rsfMRI)研究没有明确的任务要求(即不需要行为或认知参与)，并在fMRI BOLD信号中研究自发的大脑活动。在此过程中，通常要求参与者放松，保持清醒，睁眼或闭眼。在睁眼条件下，十字注视或自然的观看(例如，电影)可以用来防止睡意，并尽量减少因睡意引起的潜在头部运动。与tfMRI不同，rsfMRI研究并不关注对比研究，因为没有特定的刺激或感兴趣的事件。相反，静息态研究是一种大脑自发活动的测量方法，其中功能连接(即不同脑区测量的BOLD信号之间的时间相关性)是最常见的研究方法。因此，tfMRI的研究问题主要集中在与任务相关的大脑活动或连接上，而rsfMRI研究的是大脑区域间更普遍的系统连接模式。

预处理

核磁共振成像扫描仪测量的BOLD信号能够间接地捕捉到由代谢和血管过程引起的神经元活动。众所周知，它对运动相关的伪影和生理噪声，以及随机过程导致的设备不稳定非常敏感，如热波动或硬件不稳定性。因此，fMRI数据去噪不仅对提高数据质量至关重要，而且有助于提高研究的可重复性和可靠性。下面简要介绍几个典型的预处理步骤。根据数据类型、采集协议和研究问题，预处理过程中包含的确切顺序和步骤可能有所不同。为了确保获得高质量的数据，研究人员可以对每个预处理步骤的输出图像进行视觉检查。数据质量控制的例子如下。

时间层校正

平面回波成像(EPI)是该领域最常用的功能磁共振成像采集序列。它通常通过连续刺激并读出单个层的信号(即频率和相位编码)来获得每次重复时间(TR)的大脑图像。由于统计分析主要是关于BOLD信号的时间过程，时间层校正对于任务态和静息态fMRI在长TR (＞1s)采集时对齐BOLD信号的时间是至关重要的。例如，如果将TR设置为2s采集50个层，则每层的采集时间为2000ms/50=40ms，在不同的信号相位进行采样。时间层校正可以通过选择一个层(通常是中间的层)作为层参考，并根据层参考的采集时间，将剩余的层暂时对准给定的数量来补偿信号相位上的采样位移。另一种方法是在tfMRI分析中包含时域导数。当使用时间层校正时，这些模型回归器处理时间层效应，同时绕过在重采样阶段的时间插值。值得注意的是，在最近的fMRI研究中，由于血流动力学反应功能的缓慢性质，使用同时多层(多波段)采集序列(TRs＜1s)大大减少了层间的时间差，因此时间层校正就变得不那么必要。

运动校正(头动校正)

在扫描仪中，参与者在获取图像的过程中总是挪动身体，这会导致随后图像在时间过程中的位置不匹配。这种类型的运动伪影可以通过简单的刚体变换部分纠正。使用一个参考像(例如，通常是第一个或中间的那个)，这种变换通过在X，Y，Z方向上的三次平移和围绕X，Y和Z轴的三次旋转估计六个校正参数，将每个单独的像与参考像对齐。运动校正可以解释像之间的空间错位，但不能校正运动带来的副效应。为了减少头部运动效应带来的影响，可以在后期(即统计分析过程中)进一步使用头动校正。

空间平滑

空间平滑是通过对数据应用一个模糊(例如，高斯)核来实现的，该核对几个相邻体素的连接强度进行加权平均以减少噪声。被平滑或模糊的体素的数量由核的大小决定，由高斯核的半值全宽(FWHM)定义。尽管没有黄金标准的平滑量，但根据一般经验是将FWHM的大小设置为原始数据中体素大小的1.5倍。空间平滑可以提高高斯随机场理论的信噪比，增强统计假设的有效性。它还可以适应被试间的功能和解剖上的变异性，从而有助于发现个体间的共性。然而，值得注意的是，空间平滑会导致数据的空间特异性降低，由于空间精度降低，可能会影响接下来的统计分析。

畸变校正

与运动校正和空间平滑相似，畸变校正同样适用于任务态和静息态fMRI数据。几何畸变是由磁场的不均匀性引起的。这些畸变会进一步与头部运动相互作用，使功能像和高分辨率结构像之间的配准变得困难。为了解释这些影响，有研究人员开发了各种利用已获得的场图的方法来描绘场不均匀性的空间分布，以及其他方法，包括点扩散函数，反向梯度和使用t1加权图像的非线性配准。

时域滤波

时域滤波的目的是通过滤除无关频段的数据来提高数据的信噪比。如高通滤波(即去除低于临界值的低频信号)可以捕获和去除慢扫描漂移。相比之下，低通滤波(即去除临界频率以上的高频信号，例如0.1 Hz)可以用于rsfMRI，以聚焦于可能是神经源的低频波动。此外，时域滤波可能会影响数据中有效的时间自由度，从而影响统计检验。一般情况下，推荐高通滤波，低通滤波通常不被认为是一个有效的去噪步骤。

生理噪声

除了前面提到的运动伪影和几何畸变，生理也是BOLD信号混淆的另一个主要来源。由此产生的噪音通常发生在脑干边缘以及主动脉、静脉和脑室周围。为了控制这种影响并减少与生理相关的脑信号波动，心脏和呼吸反应可以作为fMRI分析的协变量。在对生理过程进行典型线性建模等分析时需谨慎，因为这些分析可能也会消除与感兴趣的神经活动相关的真实信号(例如，与唤醒任务相关的变化)。另外，在小于1s的短TR内可以减少噪声，在TR小于400ms时可以消除噪声，因为呼吸和心跳频率不是混叠的，并且能够在频谱中精确地指出信号的时间进程。

进一步去噪

除了从刚体变换中得到的6个校正参数外，还可以计算出其他参数，如时域导数、头动校正参数的平方，以进一步解释运动伪影。在过度运动的情况下，可以对数据进行删失或删除(即，删除被试的运动超过设定阈值的像)。在使用这种方法时，报告用于删失或删除的标准和阈值以及受影响的时间点的百分比是非常重要的。识别的扫描数据是否调零，是否排除在后续分析之外，或插补新的数据，都应该进行报告。

或者，可以使用更先进的模型来更好地描述运动模式或数据中的生理噪声，从而最大化地减少这些因素带来的影响。例如，基于成分的噪声校正(CompCor)方法使用主成分分析(PCA)从参考噪声感兴趣区域(ROI，如白质、脑室等区域)提取时间序列。假设噪声ROI的波动不太可能与神经信号相关，因此可以作为协变量来解释灰质BOLD信号中的噪声效应。此外，基于独立成分分析(ICA)的数据驱动方法常用于数据去噪。除了手动对噪声成分进行分类外，研究人员还可以利用自动去噪方法，如ICA-AROMA和FSL-FIX。

配准和标准化

组水平统计分析所需的预处理流程的最后一步是配准和标准化。除了大脑大小和形状的个体差异之外，每个参与者在扫描仪中的位置也会有所不同，从而导致获得的大脑数据不匹配。为了使这些差异最小化，让每个个体数据集具有可比性，需要通过线性和非线性算法将去噪后的个体数据重采样至一个通用的或标准的模板。对于一般基于像的配准和标准化，通常使用单个高分辨率结构像(T1加权)和标准的大脑模板(如MNI152模板)。根据研究问题和样本的特点，可以制作组平均图，并作为模板使用。基于表皮层的配准可以进一步改善参与者的皮层对应情况。对于基于表皮层的配准，结构T1和T2加权扫描可用于分割灰白质，并将得到的皮层表示为三角形网格。

上述的许多步骤都包含在fMRI研究的默认预处理流程中，操作顺序和采取的确切方法各不相同。研究人员可以利用成熟的预处理流程包或软件(例如，Fmriprep、HCP workbench、FSL、FreeSurfer和SPM)来实现图像预处理和分析。

质量控制

为确保数据质量，研究人员应该及时检查其数据。此外，建议对原始数据和预处理输出图像进行目视检查。可以计算出数据质量控制(QC)以便进一步的检查，其中包括时域信噪比(tSNR)图和运动相关参数。在fMRI中，每个体素的tSNR定义为随时间的平均信号强度与信号强度标准差的比值；后者是评估fMRI数据质量的重要指标。一般来说，高tSNR值表明数据质量良好，不同的脑区之间存在差异。头部运动相关参数也是常用的质量控制指标。例如，均方根(RMS)，相对或绝对位移，帧位移和DVARS(时间差分后的数据空间均方根)。在设计研究和序列时，应该考虑数据质量，例如，为每种条件(在tfMRI中)或为总采集长度(在rsfMRI中)提供足够的数据点。

统计分析

假设vs数据驱动分析

研究问题在很大程度上可以被认为是假设驱动、数据驱动或两者的结合。需要不同的方法和分析来解决不同的研究问题。广义上讲，假设驱动的研究问题涉及检验分析之前推测的特定效应，而数据驱动的研究问题允许相对自由地检测感兴趣的模式或效应。鉴于任务态和静息态功能磁共振成像研究的性质，假设检验主要应用于tfMRI研究，而数据驱动方法则更多的用于rsfMRI研究。

单变量vs多变量分析

从变量数量的角度来看，fMRI研究的统计分析也可视为单变量的或多变量的。在fMRI研究背景下，体素方面的分析被认为是大规模单变量的，因为相同的检验在大量体素中重复执行。这种类型的分析需要使用非常严格的多重比较校正(即，校正所有检验过的体素)。相比之下，多变量方法同时考虑来自多个体素的信息，这可以在不需要校正的情况下获得相对更大的统计效力。以大脑中的面孔表征为例，一个简单的大规模单变量分析可以用来检验哪些脑区或体素簇在面孔出现时被激活。然而，要评估某些脑区在这样的任务环境中是否相互关联或共同激活，需要一种多变量方法(即，检验与面部特征相关脑区的协方差模式)。

全脑分析vs区域分析

根据研究问题和采集协议，分析可能集中在整个大脑或特定的大脑结构或区域。感兴趣区域(ROI)可以通过限制搜索区域来检测特定的神经效应。在大多数情况下，ROI的选择是基于研究人员对特定脑区的先验知识，或者基于数据中出现的模式。但要注意的是，这种做法应该谨慎使用。无论搜索区域定义如何，分析都可以在不同的水平或尺度上进行，从个体体素(在基于像的分析中)或头顶(在基于表皮层的分析中)到概括性的量(例如，平均系数)。

被试水平vs组水平分析

在fMRI研究中，分析是在两个水平上进行的：被试和组水平。由于tfMRI和rsfMRI处理不同的研究问题，并采用不同的分析方法，接下来将分别阐述。本质上，被试水平的分析涉及模型拟合以估计被试内效应，随后的组水平或二阶分析需要统计阈值来推断被试间效应。

任务态fMRI

①研究问题举例：在参与者中，哪些脑区与面孔或位置表征有关，哪些脑区对面孔表征的反应比位置表征的反应更强烈，反之亦然？

②实验任务：用block设计呈现面孔和位置图像。

③被试水平分析：使用一般线性模型(GLM)，其中每个回归器捕获一种条件(即，一个回归器用于面孔图像block，一个回归器用于位置图像block)。回归器组合被称为设计矩阵。由于fMRI数据是时间序列，设计矩阵中的回归器指定每个事件或试次的时间戳(例如，相对于扫描开始的面孔图像block的开始时间和持续时间)。所有的事件或试次都应该作为回归变量包含在设计矩阵中，包括可能不那么感兴趣的事件。除了任务回归量，混淆回归量(例如，头动，生理伪影)也可以作为模型中的协变量。使数据中的解释方差最大化，并增加模型的拟合度(见图1和图2中的设计矩阵示例)。一旦设定了设计矩阵，就可以将预处理过的数据作为输入模型，并估计模型中每个回归变量的beta值。重要的是，由于BOLD信号是与血流动力学响应函数(HRF)卷积的未测量神经信号的乘积，所以在拟合时间序列数据之前，GLM中指定的回归量应该与标准的HRF卷积(即BOLD信号加噪声)。请注意，每个单独的数据集包含大量的体素，模型将分别适用于每个体素测量的时间序列，从而得到每个回归量的beta值图像。通过估计的beta权重，可以检验面孔表征和位置表征的beta权重的差异。

图2

④组水平分析：从被试水平分析中估计出的对比图像是组水平分析的输入。与前面的分析类似，给出了GLM和设计矩阵。然而，在这个阶段，回归量代表的是参与者的信息，而不是刺激时间。例如，最简单的组水平分析是对所有参与者大脑中面孔表征效应进行单样本t检验。在此分析的设计矩阵中，需要指定一个包含一系列[1]的单一回归器。另外，独立样本t检验可以用来检验两个不同组的参与者之间的差异。

⑤其他方法：除了GLM分析之外，常用的方法有：多体素模式分析(MVPA)，可用于识别面孔、位置等激活模式；表征相似性分析(RSA)，可以检测BOLD信号中的反应相似性；动态因果模型(DCM)，该模型使用贝叶斯框架从大脑活动测量中推断出潜在的神经元动力学。

静息态fMRI

①研究问题举例：焦虑组和健康对照组之间的功能连接有什么不同？

②实验任务：尽管rsfMRI研究没有使用其他任务，但在数据采集过程中，参与者可能需要保持睁眼，注视屏幕上呈现的十字注视点。

③被试水平分析：经过预处理和去噪后，每个个体的全脑时间序列数据可用于获得相关统计量。使用rsfMRI数据可以进行各种不同的分析。这里以全/部分连通性矩阵为例。首先，将大脑细分为一系列区域(也称为节点)。这些脑区可以通过使用现有的功能分割模板或从数据中生成特定样本模板(例如，使用ICA)来界定。提取每个节点的平均BOLD时间序列，计算每对节点的点到点的连接强度。例如，可以使用皮尔逊相关来计算连接强度。将所有节点对的连接强度组合成一个全脑连接网络矩阵。如果在控制所有其他节点的影响的情况下计算每对节点的系数，则称为部分连接性网络矩阵。每个参与者的这些矩阵可以输入到随后的组水平分析中(图3)。

图3

④组水平分析：给定全脑或部分连接矩阵，可以研究焦虑组和对照组之间的连接模式的差异。这里的组水平设计矩阵和回归与tfMRI中使用的相同，模型分别拟合至连接性网络矩阵中的每条边。多重比较和阈值校正方法与tfMRI相同。为了进一步理解组间差异的含义，可以将这些差异与认知或行为结果联系起来，并检验连接模式的差异是否可以解释行为上的差异。

⑤其他方法：静息态fMRI数据分析适合使用探索性的方法。例如，独立成分分析(ICA)可用于数据降维；图论方法可以用于从网络矩阵中估计局部和全局的概括性测量。除了静息态功能连接的分析方法外，滑动窗口分析、点过程分析和隐马尔可夫模型等时变连接(随时间变化的动态连接)方法也得到了广泛的应用。

fMRI的目的是利用BOLD信号来测量神经元的活动，BOLD信号是一种间接指标，会受到与神经元活动无关的各种因素的影响。因此，对这些信号中得出的结果进行解释时，必须谨慎。同样重要的是，要注意这些结果通常是相关性质的，不能提供因果推断。对于功能连接的结果，相关系数通常被解释为连接强度的指标，其值越大，表明两个区域之间的连接越强。此外，基于明显相关性的功能连接和其他类似的测量可能受到各种因素的影响，因而对神经耦合等方面的解释也应更加谨慎。

参考来源：

Brodoehl, S., Gaser, C., Dahnke, R., Witte, O.W., Klingner, C.M.. (2020). Surface-based analysis increases the specificity of cortical activation patterns and connectivity results. Scientific Reports.

Ciric, R., Wolf, D.H., Power, J.D., Roalf, D.R., Baum, G.L., Ruparel, K., Shinohara, R.T., Elliott, M.A., Eickhoff, S.B., Davatzikos, C., Gur, R.C., Gur, R.E., Bassett, D.S., Satterthwaite, T.D.. (2017). Benchmarking of participant-level confound regression strategies for the control of motion artifact in studies of functional connectivity. NeuroImage.

Gorgolewski, K.J., Poldrack, R.A.. (2016). A practical guide for improving transparency and reproducibility in neuroimaging research. PLoS Biology.

Griffanti, L., Douaud, G., Bijsterbosch, J., Evangelisti, S., Alfaro-Almagro, F., Glasser, M.F., Duff, E.P., Fitzgibbon, S., Westphal, R., Carone, D., Beckmann, C.F., Smith, S.M.. (2017). Hand classification of fMRI ICA noise components. NeuroImage.

Habeck, C.G.. (2010). Basics of multivariate analysis in neuroimaging data. Journal of Visualized Experiments.

Logothetis, N.K.. (2008). What we can do and what we cannot do with fMRI. Nature.

Lu, W., Dong, K., Cui, D., Jiao, Q., Qiu, J.. (2019). Quality assurance of human functional magnetic resonance imaging: a literature review. Quantitative Imaging in Medicine and Surgery.

Morgan, P.S., Bowtell, R.W., McIntyre, D.J.O., Worthington, B.S.. (2004). Correction of spatial distortion in EPI due to inhomogeneous static magnetic fields using the reversed gradient method. Journal of Magnetic Resonance Imaging.

Pruim, R.H.R., Mennes, M., van Rooij, D., Llera, A., Buitelaar, J.K., Beckmann, C.F.. (2015). ICA-AROMA: a robust ICA-based strategy for removing motion artifacts from fMRI data. NeuroImage 112, 267–277.

Salimi-Khorshidi, G., Douaud, G., Beckmann, C.F., Glasser, M.F., Griffanti, L., Smith, S.M.. (2014). Automatic denoising of functional MRI data: combining independent component analysis and hierarchical fusion of classifiers. NeuroImage 90, 449–468.

Vul, E., Harris, C., Winkielman, P., Pashler, H.. (2009). Puzzlingly high correlations in fMRI studies of emotion, personality, and social cognition. Perspectives on Psychological Science 4 (3), 274–290.

Zeng, H., Constable, R.T.. (2002). Image distortion correction in EPI: comparison of field mapping with point spreadfunction mapping. Magnetic Resonance in Medicine.

———————————————————————————————————————————

微信加群

需要原文资料的小伙伴，可以添加茗创科技周翊工程师的微信号MCKJ-zhouyi或致电17373158786。另外，茗创科技创建了文献互助群，为大家提供免费帮忙下载文献服务、技术咨询、前沿研究和电子书等海量学术资源分享。添加工程师微信，邀请您进群。

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。