fMRI数据分析处理原理及方法

《fMRI数据分析处理原理及方法》由会员分享，可在线阅读，更多相关《fMRI数据分析处理原理及方法（9页珍藏版）》请在金锄头文库上搜索。

1、近年来，血氧水平依赖性功能磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展，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。fMRI data collecting and preprocessingThe fMRI data were collected during a sensorimotor task, a block-design mot

2、or response to auditory stimulation. During the on -block, 200 ms tones presented a 500 ms stimulus onset asynchrony (SOA). A total of 16 different tones were presented in each on-block, with frequency ranging from 236 Hz to 1318 Hz.The fMRI images were acquired on Siemens 3 T Trio Scanners and a 1.

3、5 T Sonata with echo-planar imaging (EPI) sequences using the following parameters (TR = 2000 ms, TE =30 ms (3.0 T)/40 ms (1.5 T), field of view = 22 cm, slice thickness =4 mm, 1 mm skip, 27 slices, acquisition matrix = 64 x 64, flip angle =90) . Four scanners were used and we have roughly equal num

4、bers of patients and controls at all sites. Data were pre-processed in SPM5 (http:/www.fil.ion.ucl.ac.uk/spm) and were realigned, spatially normalized and re -sliced to 3 x 3 x 3 mm 3 , smoothed with a 10 x 10 x 10 mm 3 Gaussian kernel toreduce spatial noise, and analyzed by multiple regression cons

5、idering the stimulus and their temporal derivatives plus an intercept term as repressors.Finally the stimulus -on versus stimulus -off contrast images were extracted with 53 x 63 x 46 voxels and all of the voxels with missing measurements were excluded.重复时间(TR)回波时间(TE)一、功能图像数据的性质功能磁共振数据包括解剖(结构)像和功能像

6、两类。解剖像采用高分辨的T1(纵向弛豫时间)、T2 (横向弛豫时间)及 FSPGR( Fast Spoiled Gradient Recalled 快速衰减梯度召回)三维成像方式。功能像的处理是fMRI数据处理的关键。因 为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造成的皮 层活动进行记录，并且要有对脑血氧代谢的产物脱氧血红蛋白产生的丁2*缩 短效应敏感，EPI(Echo planar Imaging 回波平面成像)、FLASH(Fast Low Angle Shot)等序列可以满足这两个条件，现在大都采用EPI序列采集fMRI功能像。EPI 于频率编码上采用一系列反向梯度，

7、通过一次激发产生建成一幅 MR 图像的所有信号，基于小角度激发的 GRE-EPI(Gradient echo- Echo planar Imaging) 技术，在很短的TR时间(重复时间)内得到一系列(数幅至数十幅)图像。每 次采集得到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，任务激发后信号经过一个小的下降期开始上 升，4-8秒达到高峰然后缓慢下降，11-14秒恢复。在事件相关设计(Event-related Paradigm)时，如果不考

8、虑两(次)任务间的相互作用，需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无多大影响 。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，几十个不同时间的脑体积成为 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64X64, 提高采集矩阵会延长采样时间并且导致更严重的图像几何变形。除此之外， 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：1. 扫描过程中的头部运动的影响。虽然可以采取各

9、种物理方法加以限制，但头 部的运动还是难以完全消除，其副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造成真正功能信号的改变，场强 为1.5 Tesla时，BOLD信号本身只有0.5-2.0%，但通常两个相邻体素的信号差都 大于 10，大脑边缘的甚至达到 70。而且头部运动可能是激活相关的规律性 运动，将导致激活区的完全错误，严重影响实验的结果。2. 易感性伪影。由于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别，尤其是靠近副鼻窦等含有空气的空腔时，导致局 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

10、形，使功能 区不准确。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， 由于 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 引起热噪声和高时间频率的波动、扫描硬件的不稳可以产生低频漂移。4. N/2伪影或鬼影（N/2 ghos，由于不准确的采集时序和不均匀的静磁场，k空 间交替的回波呈献一定的相位差，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原因。EPI 图像数据的大量、低

11、分辨率及干扰因素严重等特点决定了（1）务必除 去与 BOLD 信号相关的干扰信号，提高信噪比。（2）大量时间序列的四维 EPI 图像，要通过转化为三维的形式表现出来。（3）通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。二、功能图像数据的处理（校正 Re-alignment配准 Registration归一化 Normalize平滑 Smooth）1. 校正（Re-alignment）。头部运动的校正是一个理想的单体（Subjec

12、t）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（通常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，实现所有时间序列图像的配准。三维空 间校正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；三维配准时还需要考虑每个脑体积中(TR时间内)头部运动的影响，以 二维配准方法分别校正每一幅图像。 Friston 强调了基于自动回归移动平均模型 (Autoregistration Moving Average ,ARMA)的重要性，可以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 多层采集过程中，同脑体积

13、中每层采集时间的轻微差异(数十毫秒)。在组块设计实验时，由于每个任务组块时间持续时间较长(数秒 至数十秒)，可以不考虑这些时间差异；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同时间差异进行校正，保证组成每个脑体积的 数十层图像在相同时间内完成。常采用Sine法插值。通常每一个实验采集数百至数千幅图像，大量的数据使校正过程非常耗时，某些 机器附带商业软件为了提高处理速度，达到实时效果，而舍弃此步骤。快速运动 校正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功能图像经常需要叠加在高分辨率的解剖

14、图像上进行功能区的辨认，通过配准功能激活映射图和解剖图像实现。因Ghost 效应及磁敏感效应导致EPI图像的几何及强度变形，需要对变形的图像进行反卷 积(Unwrapping)校正。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。但如果进行 数据的空间归一化，这些变形也都可解决。3归一化(Normalize)o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

15、图根本不含任何解剖信息，无法和解剖 图配准，但功能映射图和功能图像可共享同样坐标系统，故可以先把功能图像与 解剖图像配准，将得到的变换应用于功能映射图与解剖像之间。把空间校正产生 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一个断层图像(Slice image)。这样就可 以保证不同样本、不同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，可以不归一化到标准空间，而是到单独创建的模板上；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

16、过程中会抹除所有受损部位的特有信息，使归一失败，对于这样 的样本，除了用单独创建的模板外，还可以采用有偿函数遮盖( Cost-function Masking)技术对病变部位进行遮盖处理，然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Brodmanns分区之间的对应关系现在已颇为详 知，文献资料十分丰富。加大拿 McGill 大学 Montreal Neurological Institute 建立 的MNI系统，采用305例正常人的MR脑扫描，经过映射到Talairach and Tournoux 获得，如著名的软件SPM99，标准模板即采用 MNI系统。MNI系统尚无与 Brodmanns分区的对应信息资料，MNI系统脑模较Talairach and Tournoux系统稍 大