1、功能磁共振成像（fMRI ）數(shù)據(jù)分析方法,大連海事大學信息科學技術學院 馮士剛,前言,在處理fMRI數(shù)據(jù)處理之前，我們 必須修過以下課程或者有 相應基礎：（按重要性排列） 1. 概率論和統(tǒng)計學 如果你不懂概率論和統(tǒng)計學，那么fMRI數(shù)據(jù)處理對你來說簡直就是“天書”。（關于這一點，只在本科學過一點數(shù)理統(tǒng)計，遠遠不夠用） 2.計算機編程 如果沒有強大的計算機編程技能是不可能成為一個fMRI數(shù)據(jù)的有效使用者的。存在很多種有助于fMRI分析的計算機語言：matlab、unix、vb。（曾經(jīng)雄心勃勃地打算自學matlab，可是那本厚重的還靜靜地躺在書架上.，自學很難） 3.線性代數(shù) 從數(shù)理統(tǒng)計到圖像處理

2、，線性代數(shù)對于fMRI分析的各個方面都和重要。想要更深刻地理解fMRI分析，必須要有線性代數(shù)的基本知識。（只知道一般線性模型不夠?。?4 磁共振成像 要完全理解fMRI數(shù)據(jù)，就要知道數(shù)據(jù)從何而來，實際上測量的是什么。這在理解MRI偽跡如何影響fMRI數(shù)據(jù)時尤為重要。（原子核、電磁場等物理學知識要涉獵?。?5 神經(jīng)生理學和生物物理學 fMRI信號來自于對單個神經(jīng)元活動的間接測量，神經(jīng)元如何編碼信息、從而引起血流信號的改變等等.（fMRI是基于BOLD signal） 6 信號和圖像處理（高等數(shù)學） 要有對信號和圖像處理方法的基本了解，特別是對傅里葉分析的理解。（傅里葉分析啊.總是在papers中

3、看到.可惜不懂.）,精心鉆研十年！才能成為一個領域的專家！在腦功能成像（fMRI）分析領域尤是如此！,fMRI研究框架,實驗設計 被試招募與 掃描,科學問題 結果解釋,實驗假設 數(shù)據(jù)統(tǒng)計 分析 SPM, AFNI, FSL, VoxBo,功能磁共振成像技術,物理基礎 核磁共振（nuclear magnetic resonance） 生物物理機制 血氧水平依賴（blood oxygen level dependent, BOLD）,核磁共振原理 半數(shù)以上的原子核具有自旋，旋轉時產(chǎn)生一小磁場。當加一外磁場，這些原子核的能級將分裂，既塞曼效應。,在外磁場B0中塞曼分裂圖：,氫原子,+,-,原子核,電

4、子,質子,人體組織內(nèi)的 質子存在狀態(tài),質子的運動：進動頻率0 = 0,90射頻脈沖,縱向弛預 自旋-晶格弛預 T1弛預,橫向弛預 自旋-自旋弛預 T2弛預,人體正常腦組織的T1、T2馳預時間,馳預時間(ms) 腦白質 腦灰質 腦脊液 顱板 板障,T1 780 920 3000 - 260 T2 90 100 300 - 84,T1WI PDWI T2WI,腦功能成像技術,Deoxy-Hb Decrease,BOLD原理,合氧血紅蛋白和脫氧血紅蛋白的比率變化,SPM軟件包簡介,主要的腦功能分析軟件： SPM：http:/www.fil.ion.bpmf.ac.uk/spm 運行平臺：MATLAB

5、 (WINDOWS Motion 與Attention :分別為運動光點、加入注意成分的運動光點,為第二類輸入。 粗箭:第一類輸入激活V1 區(qū); 細箭:不同皮層區(qū)的內(nèi)在連接; 實線:第二類輸入對內(nèi)在連接的影響; 長箭對應數(shù)字:皮層區(qū)間的內(nèi)在連接強度; 實線對應數(shù)字:第二類輸入對有效連接的影響程度; 粗箭對應數(shù)字:第一類輸入對初級視覺皮層(V1) 的影響程度。 motion 、attention 施加的偶聯(lián)效益:V1 V5 內(nèi)在連接本身不顯著,motion 增強了V1 V5 的正向連接;attentiom 增強了IFG (額下回) SPC (上頂葉皮層) 、SPC V5 區(qū)的負反饋連接,基于相關

6、分析的腦功能連通性分析法,刺激函數(shù)分析法 時間簇分析法 基于內(nèi)部條件的腦區(qū)間協(xié)方差分析法,MR腦功能成像數(shù)據(jù),三維數(shù)組的存儲形式，三個維度分別表示X、Y和Z軸。數(shù)組中每一個數(shù)稱為一個體素，表示腦中一小塊長方體的激活強度,A B C,D,E,F,a1,a2,a3,b2,b1,b3,c3,c2,c1,刺激函數(shù)分析法,時間簇分析法,基于感興趣區(qū)的有效連接分析,基于感興趣區(qū)的有效連接分析是通過信號值的相關分析建立腦回路的功能調節(jié)模型。其具體方法是通過對比同一任務中所有被測試者的不同感興趣區(qū)的任務相對于控制的變化，找出這些感興趣區(qū)之間的關系。,任務過程中的時間協(xié)方差分析,時間依賴性連接的動態(tài)分析,選擇兩

7、個感興趣區(qū)，計算每個圖像掃描的時刻，感興趣區(qū)的相關系數(shù)，因此在整個實驗過程中，可組成一組兩個感興趣區(qū)相關系數(shù)變化的序列，動態(tài)的分析整個過程中的腦區(qū)間的聯(lián)系 。 設S(x0, y0, z0, n, i)為第i個被測試者某一感興趣區(qū)t值最強點(x0, y0, z0)的S值，則對于第n幅腦圖，由不同被測試者可組成如S(x0, y0, z0, n, 1), S(x0, y0, z0, n, 2), S(x0, y0, z0, n, I)的樣本，將它與另一感興趣區(qū)t值最強點(x1, y1, z1)的樣本S(x1, y1, z1, n, i)作相關分析，得到第n幅腦圖時兩個感興趣區(qū)相關系數(shù)。 將任務時間段

8、內(nèi)的相關系數(shù)取出，并以次繪出線圖；將控制時間段內(nèi)的相關系數(shù)平均，作為繪圖的基線。,VBM Processing,Resting-state fMRI:靜息態(tài)數(shù)據(jù)處理,Outline,預處理 ALFF, ReHo, FC 計算 統(tǒng)計 結果呈現(xiàn),預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,數(shù)據(jù)整理,被試信息整理,數(shù)據(jù)整理,被試信息整理,數(shù)據(jù)整理,被試信息整理 原始數(shù)據(jù)整理,靜息功能數(shù)據(jù) 結構數(shù)據(jù) DTI數(shù)據(jù),數(shù)據(jù)整理,被試信息整理 原始數(shù)據(jù)整理,靜息功能數(shù)

9、據(jù) 結構數(shù)據(jù) DTI數(shù)據(jù),預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,DICOM-NIFTI,MRIcroNs dcm2niigui SPM5s DICOM Import,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Rea

10、lign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,Slice Timing,Why?,Slice Timing,Why?,Huettel et al., 2004,Slice Timing,1:2:33,2:2:32,33,2,2-(2/33),33,Slice Timing,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,Realign,Why?,Realign,Realign,檢查頭動?,b=load(rp_n

11、ame.txt); c=max(abs(b); c(4:6)=c(4:6)*180/pi;,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,Normalize,Why?,Huettel et al., 2004,mean_name.img,r*.img,EPI.nii,-90 -126 -72; 90 90 108,3 3 3,Normalize,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,No

12、rmalize Smooth 去線性漂移 Filter: 0.01-0.08,Smooth,Why?,減少被試間的空間結構差異； 有利統(tǒng)計檢驗的有效性;,w*.img,平滑核,Smooth,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,去線性漂移,預處理,數(shù)據(jù)整理 DICOM - NIFTI 去前10個時間點 Slice Timing Realign,Normalize Smooth 去線性漂移 Filter: 0.01-0.08,濾波,Why?,關心低

13、頻的活動,濾波,Outline,預處理 ALFF, ReHo, FC 計算 統(tǒng)計 結果呈現(xiàn) 文獻管理,ALFF,Zang et al., 2007,ALFF,ReHo,注意：預處理時不做平滑，計算完ReHo后再進行平滑。,Zang et al., 2004,ReHo,功能連接,提取協(xié)變量 頭動參數(shù): rp_name.txt 全腦信號、腦脊液、白質信號,提取協(xié)變量,提取協(xié)變量,提取協(xié)變量,提取協(xié)變量,提取協(xié)變量,提取協(xié)變量,提取協(xié)變量,功能連接,提取協(xié)變量 頭動參數(shù): rp_name.txt 全腦信號、腦脊液、白質信號 協(xié)變量組合：,RPCov=load(rp_name.txt); BCWCov

14、=load(ROI_FCMap_name.txt); Cov=RPCov,BCWCov; save(Cov.txt, Cov, -ASCII, -DOUBLE,-TABS);,功能連接,Voxel-wise ROI-wise,r=0.36,Voxel-wise,Voxel-wise,Voxel-wise,Voxel-wise,Voxel-wise,Voxel-wise,Voxel-wise,1 by 1,Cov.txt,ROI-wise,ROI-wise,ROI-wise,1 by 1,Cov.txt,Outline,預處理 ALFF, ReHo, FC 計算 統(tǒng)計 結果呈現(xiàn) 文獻管理,統(tǒng)計,

15、單樣本T檢驗 雙樣本T檢驗,單樣本T檢驗,統(tǒng)計準備 ALFF: mALFF ReHo: smReHo FC: zFC,單樣本T檢驗,mALFF-1, smReHo-1,m圖像 1by 1,i1-1,單樣本T檢驗,m*-1圖像; zFC圖像,存放SPM.mat的目錄,單樣本T檢驗,上一步生成的 spm.mat,單樣本T檢驗,上一步生成的 spm.mat,1,單樣本T檢驗,HeightthresholdT = 2.687659 p0.05(FDR) Extentthresholdk = 10 voxels,spmT_0001.img,PD_1T.img 準備制作雙樣本T檢驗的MASK,雙樣本T檢驗,統(tǒng)計準備 ALFF：mALFF ReHo: smReHo FC: zFC Mask,雙樣本T檢驗,Mask Mask=PD_1T.img + CON_1T.img0,PD_1T.img CON_1T.img,Mask_2T.img,i1+i20,雙樣本T檢驗,兩組的m*圖像; zFC圖像,存放SPM.mat的目錄,Mask_2T.img,雙樣本T檢驗,上一步生成的 spm.mat,雙樣本T檢驗,上一步生成的 spm.mat,1 -1,雙樣本T檢