查看原文
其他

科研助力:功能磁共振数据处理业务


funct

MRI

ional



功能磁共振数据处理




01

数据质量检查



好的数据是一切的开始。数据质量检查内容包括:扫描参数的检查,其中有重复时间TR、回波时间TE、扫描视野、空间分辨率、采集时间等;检查图像是否存在伪迹如鬼影、图像变形等;还有诸如检查前n个时间点的的数据质量等。我们会细致地检查您的数据为后续的工作打下基础。

图1.典型伪迹



02

数据预处理



  • 时间层校正(Slice Time Correction),通过插值(Interpolation)等方法来获得多个脑片相同时间点的数据,所谓插值就是通过与未知点相邻的已知点的信号值来预测位置点的值。

  • 头动校正(Motion Correction),在后续分析时我们认为每个体素时时刻刻都对应大脑的同一个位置,然而被试在扫描的时候必然会有细微的头动,用刚性变换把所有的图像中的脑都固定在同一个靶位置。

  • 空间标准化(Spatial Normalization),通过不同的配准方法,使个体脑配准到标准空间上,保证所有被试都对齐,用于后续的统计。

  • 空间平滑(Spatial Smoothing),以高斯平滑核进行空间卷积,提高数据信噪比。

  • 其他降噪步骤,去线性化趋势(detrend),滤波(filtering),回归噪声协变量(nuisance regression)等,根据具体需要选择合适降噪步骤。



03

静态局部性指标分析



  • 指标计算。主要包括:

低频振幅(ALFF/fALFF),可以反应BOLD信号的总功率;

局部一致性(ReHo),反应体素与其相邻体素的时间序列的相似性;

功能连接(FC),反应脑区与脑区之间的相关系数;

功能连接密度(FCD,用以衡量大脑每个位点(体素)与其他位点(体素)之间的联系程度。以上功能指标可进行合适的标准化处理,如除均值标准化、z-score标准化、Fisher's -z变换等。



04

Task-fMRI数据处理



  • 激活分析。

基于实验设计,构建一般线性模型,分析出激活脑区。

  • 生理心理交互分析(PPI)。

根据任务态实验设计,脑区之间的联系是否存在交互作用。

  • 有效连接分析。可分析激活脑区间的因果联系。

主要包括:动态因果模型分析(DCM),基于Friston等人提出的动态因果模型,并结合您的实验假设,刻画激活脑区之间的因果、促进/抑制关系;格兰杰因果分析(GCA),基于多变量自回归模型(MVAR),刻画激活脑区之间的因果关系。

图6.动态因果模型(DCM)


  • 任务态MVPA分析。

基于机器学习方法,对神经状态进行解码。主要包括:基于SVM、LDA等模型的解码;表征相似性分析(RSA)等。主要进行的是分类问题的解决,由于RSA分析和MVPA分析对于实验设计有着比较高的要求,建议如果想做此类分析,在实验设计前与我们联系帮助您从更好的数据处理角度出发,进行实验设计的处理和优化。

图7.MVPA分析方法的流程示意图



05

独立成分分析(ICA)



  • 独立成分分解。

独立成分分析法(ICA)是一种基于数据驱动的分析方法,能够将混合数据分解成各种独立分量,常见的有默认模式网络、执行控制网络等。

 图8.独立成分


  • ICA分析

根据感兴趣的成分,如默认模式网络,比较组间之间成分的差异,进行组水平的统计。

  • FNC/dFNC分析。

FNC以独立成分为单位,计算独立成分之间的功能连通性;dFNC分析则是通过聚类的方法将网络状态聚类成几个类别,再分析状态之间的组件差异,也可以分析属性的差异如平均居留时间(MDT)、状态个数、状态转换次数、状态转移矩阵等;频谱分析,分析动态脑网络的频谱能量活动。



06

基于图论的脑网络数据分析



  • 静息态功能脑网络的构建。

基于适当的脑图谱如ALL90脑图谱等,计算脑区与脑区之间的相关系数,构建脑网络。

  • 图论指标分析。

利用图论的方法来研究脑网络全局和局部的各种指标,比如:

全局指标:小世界属性(small-world)、最短路径(shortest length)、集聚系数(clustering coefficient)、全局效率(global efficiency)、局部效率(local efficiency)、同配性(assortativity)、同步性(synchronization)、层级性(hierarchy)等。

局部指标:节点效率(nodal efficiency)、节点局部效率(nodal local efficiency)、节点度中心性(nodal degree centrality)、节点介中心性(nodal betweenness centrality)、节点集聚系数(nodal clustering coefficient)、节点最短路径(nodal shortest length)等。

  • 连边分析:

直接比较不同群体的脑连接的组间差异,可以识别异常的脑网络连通成分;

Rich-club分析,分析脑网络是否具备Rich-club属性,挑选出脑网络中的重要节点,并且计算重要与重要节点之间的联系,非重要与非重要节点之间的联系,重要与非重要节点之间的联系;

模块化连边分析,将脑网络划分为若干个内部联系紧密的模块,以模块为单位进行统计。

动态脑网络分析通过加窗的方式,构建随时间变化的动态脑网络。后续可进行:聚类分析,将脑网络聚类为若干个状态,可分析特定状态的组间差异,也可分析状态指标,如平均居留时间(MDT)、状态个数、状态转换次数、状态转移矩阵等;频谱分析,分析动态脑网络的频谱能量活动。

  • 多层网络分析

主要包括:图论指标变异分析,可分析图论指标的波动变化程度,衡量其随时间是否稳定;多层网络的模块化、切换状况等。



07

多模态数据融合分析



  • 多指标耦合分析。

基于回归模型,分析不同模态指标的耦合程度(如前述常规fMRI指标与脑血流的耦合)。

  • 典型相关分析(CCA)。

基于多模态CCA框架(mCCA),融合功能磁共振(fMRI)、结构磁共振(sMRI)、脑电(EEG)等模态数据,估计出一系列融合成分,并对成分做统计分析。



08

脑影像机器学习分析



  • 基于体素的MVPA分析。

基于常见的功能指标,构建机器学习模型,实现对不同群组的分类以及对量表得分的预测。常见的功能指标包括:ALFF、ReHo、FC等;常见的机器学习模型包括:支持向量机(SVM)、线性判别分析(LDA)、Logistic回归、随机森林(Random Forest)、RVR、Elastic Net等。

  • 基于脑网络的机器学习分析。

基于脑连接组数据,同样可以提供上述分类/回归分析。此外,可以提供脑网络特有的预测模型,即CPM分析。

图12.CPM



咨询更多信息

专注于脑科学数据处理,涵盖(EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS)等,欢迎留言讨论及转发推荐,也欢迎了解茗创科技的脑科学课程,数据处理服务及脑科学工作站销售业务,可添加克服琪琪(微信号brainnews_11)咨询。



课程推荐




#肠道菌如何进行脑科学研究?


#脑电数据分析启航班


#脑电图/脑磁图学习培训班


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存