基于功能磁共振成像的靜息態腦網絡研究方法

薛婷 唐俊 李明昕 陶占龍

摘 要：大腦在靜息狀態下仍存在許多重要的神經活動，腦區之間仍存在不間斷的信息傳遞，構成功能連接并由此構成腦網絡。靜息態腦功能網絡分析，由其具有相對簡單的計算且具有重大臨床意義，已廣泛應用于多種腦疾病的研究中。本文從信息計算的角度，總結了近年來靜息態腦網絡研究中的經典算法。

關鍵詞：功能磁共振成像;靜息態;腦網絡

大腦是極為高效和精密的信息處理系統，不僅掌握語言、思維、情緒等高級活動，也是信息儲存、加工和整合的中樞。神經元是大腦活動的基本單元，通過神經突觸的彼此連接形成神經通路，完成對信息的加工處理[1]。在此過程中，神經元之間或神經元集群之間的連接模式構成了腦網絡，掌握腦網絡的連接模式對于理解大腦的運轉機制具有重要意義。影像學技術的發展應用極大豐富了科研人員的腦網絡研究手段。近年來，靜息狀態下腦功能網絡的研究受到廣泛關注。相較于任務態，靜息態可避免由被試完成任務的差異性所導致的結果不可靠。因此，越來越多的學者開始關注靜息態下腦功能網絡的活動模式。本文主要針對靜息態下腦功能網絡的研究方法進行綜述。

一、基于種子點的功能連接分析方法

該方法是一種模型依賴方法（modelbased），通常首先選擇特定腦區作為感興趣區域（region of interest，ROI），即種子點。然后計算該種子點與其他腦區的血氧水平依賴信號之間的時間相關性。如計算出某個腦區與該種子點之間的血氧水平依賴信號時間相關性較強，則可認為該腦區與種子點之間存在功能連接[2]。基于種子點的功能連接分析方法得到的結果易于理解，但種子點的選擇沒有固定標準，具體的選擇過程很大程度取決于實驗設計人員，通常依據先驗知識或功能定位來選定。種子點的選擇至關重要，研究者選擇的偏向性將直接影響研究結果。

二、獨立成分分析方法

獨立成分分析方法（independent component analysis，ICA）是一種無模型依賴方法（modelfree），由信號盲源分離技術發展而來[3]。該方法不依賴于先驗知識，是一種基于數據驅動的多變量分析方法，可將靜息態功能磁共振數據分解為一系列空間上互相獨立的成分[4]。根據分解目的不同（時間序列獨立性或空間分布模式獨立性），ICA方法又可分為空間ICA方法（spatial ICA，SICA）和時間ICA（temporal ICA，TICA）方法。其中，空間ICA方法可有效去除腦功能活動的噪音，提高信號提取的有效性。實際應用中通常采用空間ICA方法[56]。

三、圖論

腦功能分化和腦功能整合是大腦工作的基本原則[78]，相應地，腦功能網絡也具備分化屬性及整合屬性，以保證局部及全局信息的交流能力[9]。依據分化屬性及整合屬性的強弱，網絡可大體分為規則網絡、隨機網絡及小世界網絡。其中，小世界網絡兼具規則網絡及隨機網絡的特點，可有效兼顧網絡中局部信息分化及全局信息整合的能力[10]。腦功能網絡已被證實具有介于隨機網絡及規律網絡之間的網絡形態，具有小世界特性[1112]。作為分析網絡屬性的得力工具，圖論研究定義了一系列網絡測度用以度量網絡的局部屬性和整體屬性[13]。靜息態腦功能網絡研究中常用的網絡測度主要有度（degree）、聚類系數（clustering coefficient）、網絡密度（density）、特征路徑長度（path length）、小世界屬性（small world）、全局效率（global efficiency）等[14]。

四、動態連接分析方法

大部分靜息態腦功能連接研究方法通常假定圖像采集階段的腦血氧水平依賴信號保持恒定不變，因此本質上是對腦網絡靜態特性的研究，而忽略了腦功能活動時間維度上的信息。實際上，大腦本身是一個實時變化的、復雜的動態系統，腦功能活動無時無刻都在發生變化。已有研究表明，即使處于靜息態下，大腦多個腦區間的功能連接仍表現出隨時間變化的動態特性[1516]。由此，近年來對功能網絡動態特性的研究逐漸成為了腦網絡研究的熱點，提出了一系列動態連接分析方法，如滑動時間窗口算法、隱馬爾可夫模型算法及小波相關法等[1719]。其中，基于滑動時間窗口技術的腦功能網絡動態特性分析方法由其原理簡單，已得到廣泛應用[2021]。

五、相關關系統計量

相關關系統計量主要用于描述時間相關性，在腦功能網絡中主要有如下兩種計算方式，分別是皮爾遜（Pearson）相關系數及偏相關（partial correlations）系數等[2223]。皮爾遜相關系數主要針對兩個變量的線性相關性進行度量，反映了變量的線性相關程度。當變量之間的關系較為復雜時，簡單的相關系數可能并不能夠真實反應變量之間的關系，此時可采用偏相關分析。偏相關分析是在排除其他變量的影響下分析兩個變量的相關性。

參考文獻：

[1]薛婷.基于磁共振成像的無先兆偏頭痛患者大腦靜息狀態異常模式研究[D].西安電子科技大學，2013.

[2]VAN DEN HEUVEL M P，HULSHOFF POL H E.Exploring the brain network：A review on restingstate fMRI functional connectivity[J].European Neuropsychopharmacology，2010，20（8）：51934.

[3]楊福生，洪波.獨立分量分析的原理與應用[M].清華大學出版社，2006.

[4]BECKMANN C，DELUCA M，DEVLIN J，et al.Investigations into restingstate connectivity using Independent Component Analysis[J].Philosophical transactions of the Royal Society of London Series B，Biological sciences，2005，360：100113.

[5]BECKMANN C F，SMITH S M.Probabilistic independent component analysis for functional magnetic resonance imaging[J].IEEE transactions on medical imaging，2004，23（2）：13752.

[6]BECKMANN C，CE M，FILIPPINI N，et al.Group Comparison of RestingState FMRI Data Using MultiSubject ICA and Dual Regression[J].Neuroimage，2009，47（148）.

[7]TONONI G，EDELMAN G M，SPORNS O.Complexity and coherency：integrating information in the brain[J].Trends in Cognitive Sciences，1998，2（12）：47484.

[8]FRISTON K.Functional integration and inference in the brain[J].Progress in Neurobiology，2002，68（2）：11343.

[9]SPORNS O.The human connectome：Origins and challenges[J].NeuroImage，2013，80：5361.

[10]WATTS D J，STROGATZ S H.Collective dynamics of ‘smallworld networks[J].Nature，1998，393（6684）：4402.

[11]SALVADOR R，SUCKLING J，COLEMAN M R，et al.Neurophysiological Architecture of Functional Magnetic Resonance Images of Human Brain[J].Cerebral Cortex，2005，15（9）：133242.

[12]VAN DEN HEUVEL M P，STAM C J，BOERSMA M，et al.Smallworld and scalefree organization of voxelbased restingstate functional connectivity in the human brain[J].NeuroImage，2008，43（3）：52839.

[13]COSTA L D F，RODRIGUES F A，TRAVIESO G，et al.Characterization of complex networks：A survey of measurements[J].Advances in Physics，2007，56（1）：167242.

[14]LEMING M，SU L，CHATTOPADHYAY S，et al.Normative pathways in the functional connectome[J].NeuroImage，2019，184：31734.

[15]HUDETZ A G，LIU X，PILLAY S.Dynamic repertoire of intrinsic brain states is reduced in propofolinduced unconsciousness[J].Brain connectivity，2015，5（1）：1022.

[16]DOUW L，WAKEMAN D G，TANAKA N，et al.Statedependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility[J].Neuroscience，2016，339：1221.

[17]ALLEN E A，DAMARAJU E，PLIS S M，et al.Tracking WholeBrain Connectivity Dynamics in the Resting State[J].Cerebral Cortex，2012，24（3）：66376.

[18]RYALI S，SUPEKAR K，CHEN T，et al.Temporal Dynamics and Developmental Maturation of Salience，Default and CentralExecutive Network Interactions Revealed by Variational Bayes Hidden Markov Modeling[J].PLoS Comput Biol，2016，12（12）：e1005138e.

[19]BETZEL R F，SATTERTHWAITE T D，GOLD J I，et al.Positive affect，surprise，and fatigue are correlates of network flexibility[J].Scientific Reports，2017，7（1）：520.

[20]CUI Q，SHENG W，CHEN Y，et al.Dynamic changes of amplitude of lowfrequency fluctuations in patients with generalized anxiety disorder[J].Human Brain Mapping，2020，41（6）：166776.

[21]LOTTMAN K K，KRAGULJAC N V，WHITE D M，et al.Risperidone Effects on Brain Dynamic ConnectivityA Prospective RestingState fMRI Study in Schizophrenia[J].Front Psychiatry，2017，8：14.

[22]SUN F T，MILLER L M，D′ESPOSITO M.Measuring interregional functional connectivity using coherence and partial coherence analyses of fMRI data[J].NeuroImage，2004，21（2）：64758.

[23]XIAO L，WANG J，KASSANI P H，et al.MultiHypergraph LearningBased Brain Functional Connectivity Analysis in fMRI Data[J].IEEE transactions on medical imaging，2020，39（5）：174658.

作者簡介：薛婷（1982— ），女，安徽馬鞍山人，博士研究生，講師，研究方向：醫學圖像處理、神經影像數據分析。