精华内容
下载资源
问答
  • 网络游戏-基于网络分析的结构和功能磁共振图像联合分类方法.zip
  • 3 个回答默认排序华沙​脑科学、心理...fMRI所谓sMRI就是现在常用的MRI的两个分类,都是基于核磁共振技术产生的成像技术(尤其是用在脑科学方面)。核磁共振技术本身是基于物理研究所发现的技术。原子核会在磁场作...

    3 个回答

    默认排序
    36 人赞同了该回答

    Hippocrates, Engraving by Peter Paul Rubens, 1638

    感谢邀请。

    一开始看了题目我还反应了一会儿。fMRI和所谓sMRI就是现在常用的MRI的两个分类,都是基于核磁共振技术产生的成像技术(尤其是用在脑科学方面)。
    核磁共振技术本身是基于物理研究所发现的技术。原子核会在磁场作用下按照一定序列排列。很明显我们的人体内充斥着各种原子。根据不同的需求,科学家利用核磁共振检测了不同的原子达到了不同的目的。
    sMRI:顾名思义,是为了产生某一组织结构的一项成像技术。科学家利用了氢原子,因为人体任何组织里都有水分子(不用氧原子后面说),自然用氢原子来定位比较准确干扰少。如下图,科学家可以利用MRI探究腹腔内情况。


    fMRI:顾名思义,是要研究针对某个脑活动(脑功能定位)激发某个脑区活动进行研究。这一项大幅提升MRI技术的创始人是日本科学家 小川诚二,他突破性使用血氧浓度相依对比(Blood oxygen-level dependent, BOLD)。简单而言就是,在某个脑区剧烈活动时候必然消耗更多的能量,自然就要消耗更多氧气(相对应的,PET技术针对能量代谢的成像技术,不过需要服用同位素药物),所以说通过检测血氧对比程度可以发现脑区活动情况。如下图,科学家可以通过BOLD探究脑部活动区别。

    ps. 图均来自于维基百科。
    赞同 36​ 1 条评论
    分享
    收藏 ​ 感谢 收起
    13 人赞同了该回答

    不邀自来

    sMRI就是传统医学上的核磁共振,空间分辨率高。好处是可以看清楚病人的病灶位置,有利于医疗诊断。
    fMRI是在较短时间内连续抓取一个时间序列内相同部位的成像,时间分辨率较高。但由于核磁技术的天生弱点,相应的代价就是空间分辨率会下降。它的好处是,可以准确地知道被试在某一时刻大脑氧活动量的水平大小,再根据实验设计内容,经过比照和计算,便可以得出“哪些脑区参与了相应心理活动”的结论,在心理学等实验中应用较为广泛。

    打个比方
    拿单反拍张照片,分辨率可以达到惊人的4k, 8k等甚至更高,但如果用它来摄像,最高也就在1080p这个水平左右不得了了,也就是单帧分辨率下降了。

    当然,这种以牺牲空间分辨率来换取时间分辨率的做法是可以通过一定手段弥补的。最普遍的就是拿单帧fMRI图像按sMRI的图像比例缩放,然后试图还原空间信息,这里面涉及到各种降噪信息和GLM算法等。
    赞同 13​ 2 条评论
    微信二维码分享
    收藏 ​ 感谢
    9 人赞同了该回答
    以上两位回答已经挺清楚了。
    简单的说,sMRI是看器官结构有没有什么变化(增长,萎缩,变形等)。而fMRI是看脑功能情况,比如视觉活跃时哪个脑区处于活跃状态,又或者单手运动时哪个脑区信号升高等。
    fMRI基于不同的原理又分为Bold fMRI,DTI,DWI等等。
    科研上fMRI可以研究各种认知、神经、心理课题,临床上也可以做术前脑功能定位,判断肿瘤对相关脑区的影响,辅助制定手术计划并判断预后。
    赞同 9​ 2 条评论
    分享
    收藏 ​ 感谢
    展开全文
  • 网络游戏-基于脑网络模块结构特征的功能磁共振影像数据分类方法.zip
  • #资源达人分享计划#
  • 功能磁共振成像是一种重要的工具,它有助于无创地检查、定位探索大脑的语言、记忆等功能。近年来,神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在...

    自诞生之初,人类就对大脑中发生的事情充满好奇。功能磁共振成像是一种重要的工具,它有助于无创地检查、定位和探索大脑的语言、记忆等功能。近年来,神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在活动。对静息态下大脑功能连接的分析揭示了不同的静息态网络,这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中,但得到了一致的结果。在本文中,我们详细介绍了静息态功能磁共振成像的概念,然后讨论了三种最广泛使用的分析方法、描述了几种具有脑区特征的静息态网络及相关认知功能、静息态功能磁共振成像的临床应用。本综述旨在强调静息态功能磁共振成像连接性研究的实用性和重要性,强调其与基于任务的功能磁共振成像的互补性质。本文发表在The Neuroradiology杂志。

    关键词:图论分析Graph analysis, 独立成分分析independent component analysis, 静息态功能连接resting state functional connectivity, 基于种子点的分析seed-based analysis引言 静息态功能磁共振成像(rs-fMRI,resting state functional magnetic resonance imaging)技术比其他功能磁共振成像(fMRI)技术更有优势,因为它易于采集信号,对患者的要求最少,并能熟练地识别不同患者群体的功能区域,如儿科人群、无意识患者、低智商患者等。

    任务态功能磁共振成像(task-based fMRI)是一种用于分析和评估大脑的功能区域的先进的磁共振技术。在这项技术中,受试者被指导执行被设计为针对单一功能的特定的任务,如运动、语言、记忆、视觉、注意力和感觉功能任务。

    最近的研究发现,儿科患者,有意识障碍的患者,即昏迷、植物人和最低意识状态的患者,能够完成rs-fMRI。Rs-fMRI在Biswal及其同事研究运动皮层的传递功能和大脑噪声源后进入临床领域。静息态信号在0.01-0.08 Hz范围内具有一致的低频波动。事实上,即使在休息或放松的状态下,人类的大脑也在运作。rs-fMRI的一个非常有趣的方面是——在任务fMRI研究中被舍弃的信号被考虑在内,因为这些信号是自发波动,而且出现在大脑不同的皮层网络系统中。尽管血氧依赖水平(BOLD,blood oxygenation level dependent )对比是静息态和任务态fMRI背后的基本现象,但研究发现两种技术之间存在一些显著差异。表1显示了rs-fMRI与task fMRI的比较。

    表1 rs-fMRI与task fMRI的简单比较

    fMRI:功能磁共振成像;rs-fMRI:静息态功能磁共振成像;BOLD:血氧依赖水平;SMR:信噪比。

    即使在静息态,大脑也会消耗惊人的大量能量。一个成年人的大脑重量只占整个身体重量的2%,但是大脑消耗的能量大约占总能量消耗的20%。此外,研究证实,大脑利用60-80%的能量在神经元和它们的支持细胞之间进行通信(这是内在活动),而对于任务诱发的活动,大脑只利用0.5-1.0%的总能量。能量消耗的主要部分是用于大脑的内在活动,与大脑中暗能量的存在有关,类似于宇宙中的暗能量。

    BOLD fMRI

    rs-fMRI依赖于BOLD信号中自发的低频波动。事实上,BOLD对比是任务态和静息态fMRI形成的基础。Ogawa等人首先认识到BOLD对比完全依赖于血氧水平的潜在重要性。由于氧合血红蛋白的反磁效应和脱氧血红蛋白的顺磁效应,脱氧血红蛋白浓度低的体素会导致BOLD信号增加,而浓度高的体素会导致BOLD信号减少。负责BOLD效应的脱氧血红蛋白也受到生理因素的影响,如脑血流量、脑血容量和脑氧代谢率。

    脑连接性分析技术

    总的来说,连接性是研究大脑两个不同区域之间的相互作用。解剖连接性是大脑两个解剖区域之间的物理连接,可以借助结构成像和弥散张量成像获得。功能连接(FC,Functional connectivity)试图在线性时间相关性的帮助下建立两个感兴趣的空间区域之间的联系。有效连接(effective connectivity)是FC分析的一个较高层次,因为它估计了功能连接区域之间潜在的直接因果联系。最终有效连接是基于数据时如何被影响的机制模型获得的。FC是根据神经元活动参数之间的相关性推断出来的,而有效连接性是指一个神经系统对另一个神经系统的影响。

    然而,本文主要关注基于种子点的分析、独立成分分析(ICA)和图论分析等rs-fMRI FC的分析技术。对于这些技术,可以用SPM、DPARSF、REST、FSL的MELODIC工具、CONN Connectivity工具箱等软件进行预处理和后处理分析。此外,我们还概述了静息态下大脑的不同功能网络。

    基于种子点的分析(Seed-based analysis)

    基于种子点的分析是Biswal等人首次采用的静息态网络识别方法。基于种子点的分析本质上是一种基于模型的方法,我们可以选择一个种子点或感兴趣区域(ROI),并找到该种子点区域与整个大脑中所有其他体素的线性相关性,从而得到一个基于种子的FC图。该技术的简单性、可解释性和直接性使其成为一种很好的用于研究rs-fMRI FC的方法。但由于该方法完全依赖于用户定义的ROI,因此使用该技术很难检测整个大脑的FC。

    除FC分析外,基于种子点的分析还可用于ALFF(amplitude of low frequency fluctuations)、fALFF(fractional amplitude of low frequency fluctuations)、REHO(regional homogeneity,基于肯德尔和谐系数)检测等。ALFF表示范围内(0.01-0.08Hz)的低频振幅,fALFF表示低频振幅与全部振幅的比值。REHO评估特定体素的时间序列与邻近体素的时间序列之间的相似性。

    图1显示了基于种子点的FC分析的处理过程。图2-7来自1.5T西门子MRI机(Magnetom Avanto TIM, Erlangen, Germany)获得的数据。图2表示以左侧Brodmann 44区域和45区域为种子点区域进行的基于种子的FC分析。

    图1:该流程图表示了使用基于种子的技术进行静息态连接性分析所涉及的基本步骤。

    图2:以左侧Brodmann 44区域 (a, b, c)和45 区域 (d, e, f)作为种子点区域,进行基于种子的功能连接性分析。

    独立成分分析(Independent component analysis,ICA)

    人类的大脑是由一个巨大的神经元网络组成的,这些神经元会产生高频和低频的波动。Rs-fMRI依赖于自发的低频波动(<0.1 Hz),这些低频波动来自于一个网络中空间上相互分离、功能上相互连接、持续进行交流的解剖区域。我们从对象中提取的rs-fMRI信号是包含感兴趣的信号和其他伪影的复合信号。ICA利用数学算法将全脑体素的信号分解为空间上和时间上相互独立的成分,有助于有效提取不同的rs-fMRI网络。它描述了隐藏成分或网络的时间和空间特征。尽管对源信号的处理不需要先验知识是ICA技术的一项优势,但研究者需要凭借先验知识或经验从噪声中识别ICA的网络成分。

    利用ICA可以从噪声中自动复原rs-fMRI低频自发波动。ICA是一种基于盲源分离算法的数据驱动方法。基于种子的分析可以发现种子区域和整个大脑体素之间的单一相互作用,ICA还研究大脑中多个不同网络的体素到体素间的同时相互作用。因此,ICA是一种强大的技术,可以用于进行群体水平的分析,也可以用于具有不同心理、生理和药理学条件的一个群体。研究证实,通过将整个受试者的数据集暂时连接或连接到单个大数据集,可以在一组受试者中实施单个ICA。图3为从ICA melodic得到的静息态网络,如语言、听觉和默认模式网络(a、b、c)。

    图3 用 ICA 对静息态功能磁共振成像进行分析,得到了语言网络(a)、听觉网络(b)和默认模式网络(c)。

    为了克服单被试ICA的缺点,采用双回归方法进行组水平ICA分析。在双回归分析中,回归技术用于分析一组受试者的rs-fMRI数据。双回归包括3个阶段。在初始阶段,使用ICA分解一组被试多个fMRI数据,以识别每个受试者不同的FC模式。在接下来的步骤中,识别每个受试者特异的空间分布和时间序列。在第3个阶段,为不同的受试者生成不同的成分图,并被编辑成一个四维文件来执行非参数分析(是一种直观的统计检验方法,用于对组间或组内受试者间的统计比较)。

    图论(Graph theory)

    在神经科学中,图论被应用于建立人脑内复杂网络功能的数学模型。这些网络在大脑的各个区域和子区域之间有关联和连接,而网络之间的动态连接又构成了一个更大的单一网络。图论方法主要研究节点与边的关系,这里节点与边的关系可以表示为G=(V, E)来描述节点之间的相互作用,其中V是节点的集合,E是连接了节点的边。

    在脑FC分析中应用图论,可以通过不同的图论指标来展示连接性不同方面的特征。包括:(i)平均路径长度(average path length);(ii)聚类系数(clustering coefficient);(iii)节点度(degree of node);(iv)中心性参数(centrality measures);(v)模块化程度(level of modularity)。聚类系数反映了图的局部连接性,是节点i的直接邻居之间的连接数与节点i的邻居之间最大可能连接数的比值。总的来说,它检验了网络的局部连接能力。节点度是量化节点连接总数的最简单度量。度越高的节点说明它在特定网络的信息流中起着重要的作用。同样地,路径长度是代表网络全局效率水平的另一个图理论指标。因此,最短路径长度表示网络中连接一个节点与另一个节点所需的最小边数。节点i的特征路径长度表示节点i与网络中所有其他节点的接近程度。

    基于种子的分析只关注一个ROI与另一个ROI之间的相关性,而图论则测量整个大脑或与特定功能相关的网络中ROI的拓扑属性。整合(integration)和分离(segregation)是大脑网络的表现方式,因为大脑区域以这种方式运作。功能整合将大脑看作是一个相互作用的大网络,它整合了大脑中的不同网络以合作完成特定的功能;而分离则意味着大脑各网络内部的连接。因此,图论在探索大脑网络的整合和分离的方面是一种很有前景的技术。全局效率和平均路径长度等图指标表明了大脑网络的整合。例如,全局效率检验了大脑网络在全局层面上传播信息的熟练程度,平均路径长度表示连接网络中两个节点的最短边数。局部效率、聚类系数和中心性则提供了对网络分离活动的信息。局部效率表示局部网络中的信息流,而局部网络是整个大脑网络的一部分。聚类系数则显示了网络中节点聚集在一起的程度,中心性意味着整个大脑网络中节点的重要性,还可以检验特定的节点是否在传播网络中其他节点的信息中起着中心或主导作用。图4显示了使用任务fMRI和使用Conn工具箱进行图分析后获得的总体连接性。图5显示了以左右额下回岛盖部作为任务态和静息态fMRI的种子点ROI时获得的FC图。

    图4 使用任务态fMRI和静息态fMRI进行的ROI到ROI的全脑功能连接分析结果,应用FDR校正阈值0.05获得的有统计学意义的全脑功能连接图。

    图5 以左右脑盖部作为任务和静息态fMRI种子点,应用FDR校正阈值0.05获得的有统计学意义的连接图。

    小世界网络的特点是局部和全局效率高,特征路径长度小。一个小世界网络可以被称为一个紧密连接的局部集群网络,具有一个较小的特征路径长度,允许网络中的节点之间进行即时联系。根据Supekar等人的研究,大规模网络的特征是较少的短程FC,长程FC更占优势。研究发现,即使脑网络的规模较大,聚类系数和特征路径长度仍能提供丰富的信息。

    医院的rs-fMRI成像流程

    rs-fMRI流程可以通过几种方式实现。被试者可以被指导遵循这些方法中的任何一种,比如闭上眼睛、睁开眼睛、睁开眼睛时将注意力集中在屏幕上的十字准星上。在闭眼状态下,受试者被指示不要入睡。扫描过程使用1.5 T和3 T磁共振扫描仪进行,使用以下参数,如表2所示。我们已经获得了机构伦理委员会的批准来进行这项研究。

    表2 介绍了1.5T和3T成像技术在实验室研究中的应用。

    大脑中的不同网络有:突显网络、听觉网络、基底神经节网络、高级视觉网络、视觉空间网络、默认模式网络、语言网络、执行网络、楔前叶网络、初级视觉网络、感觉运动网络等。图6和图7分别显示了使用基于种子的分析获得的大脑网络。

    图6 (a)突显网络、(b)听觉网络、(c)基底神经节网络、(d)高级视觉网络、(e)视觉空间网络和(f)默认模式网络的冠状、矢状和轴向图像。

    图7 (a)语言网络、(b)左执行控制网络、(c)右执行控制网络、(d)楔前叶网络、(e)初级视觉网络和(f)感觉运动网络的冠状、矢状和轴向图像。

    1、突显网络Salience network

    突显网络由背前扣带皮层、双侧岛叶和前辅助运动区组成。该网络的功能障碍会扰乱其他网络的功能,因为它在调节其他网络的动态变化中起着关键作用。此外,该网络在快速变化的行为中是必不可少的。也就是说,下一步做什么或不做什么是由网络的适当运作决定的。因此,突显网络的正常运作是控制认知过程的开始。

    2、听觉网络Auditory network

    参与听觉网络的区域有左右初级听皮层、颞横回、极平区和颞叶、外侧颞上回和后岛叶皮质。听觉皮层的功能分区明确,分别为前外侧颞横回、左、右。

    3、基底节网络Basal ganglia network

    该网络涉及基底神经节、黑质、下丘脑核、纹状体、内外苍白球。基底神经节的功能变化是帕金森病的主要原因,因为之前的研究发现基底神经节病变是帕金森病的核心。它是位于大脑基底的大脑深部结构。它涉及许多功能,如运动区域的控制,情绪,认知等。因此,它们在学习困难和复杂的行为中起着关键作用,由于它在运动过程中具有很强的协调性,它们涉及到需要运动的目标导向行为。

    4、视觉网络Visual network

    Beckmann等人观察到双侧和内侧距骨沟、舌回、楔前叶下区和丘脑外侧膝状核的同步激活,它们共同构成了视觉网络。其中,丘脑外侧膝状核功能上将视觉输入连接到初级视觉皮层。Damoiseaux等通过对rs-fMRI网络的研究,将舌回周围区域、外侧枕回和枕上回等区域识别为主要视觉区域。研究表明,视觉皮层有内侧和外侧区域。Beckmann等的报告指出,位于舌回外区、楔前叶下段和丘脑外侧膝状核的视区构成内侧视觉网络。由枕极和顶骨上区向外扩展枕颞交界区域构成外侧视觉网络。

    5、视觉空间网络Visuospatial network

    枕顶结合部的后顶叶皮层、楔前叶中线、后扣带皮层和额极的同步激活统称为视觉空间网络。许多研究发现,外侧后顶叶区域的病变可以影响空间注意力。所以这些发现表明后顶叶皮层参与了对显著的视觉空间线索的定位。

    6、默认模式网络Default mode network

    默认模式网络包括后扣带皮层、内侧前额叶皮层和外侧顶叶皮层。默认模式网络只在个体处于休息状态时才增加活动。它也被称为任务阴性网络(task-negative network),因为当个体完成某些任务时,它就会变得不活跃。由于这个网络还参与社会认知功能,如内省、思维漫游、情绪处理、思考他人的精神状态等,这个网络也被称为心智化网络(the mentalising network)。

    7、语言网络Language network

    语言网络不仅涉及Broca区和Wernicke区,而且还延伸到前额叶、颞顶叶和皮层下区域。这个网络涉及的功能包括说话、理解、阅读、翻译、模仿等。此外,Broca区是镜像神经元所在的区域,当个体进行目标定向活动或观察到其他人的类似动作时,该区域的神经元放电频率会增加。镜像神经元帮助理解和模仿运动。

    8、执行网络&执行控制网络Executive network and executive control network

    执行网络是在涉及执行功能的fMRI任务中被激活的网络。它包括背外侧前额叶皮层和后顶叶皮层。额内侧回、额上回、前扣带回、副扣带回、腹外侧前额叶皮层、丘脑皮层下区域构成执行控制网络。该网络在需要认知控制和工作记忆的任务中是活跃的。 与注意网络一样,执行网络在任务条件下也是活跃的,在休息条件下则表现出反相关网络。执行控制网络在目标导向的活动和智力活动的控制中发挥作用。

    9、楔前叶网络Precuneus network

    楔前叶是默认模式网络中的相关区域,其特点是在静息态下比其他网络具有高代谢率的热点(hot spots)。一些研究已经承认楔前叶在默认模式网络中的重要性。楔前叶参与了操纵心理图像和来自视觉空间意象研究的内在引导注意力,表明了它们在心理表征内在自我方面的独特能力。许多研究证实楔前叶在自传体记忆提取、情绪刺激处理和奖励结果监测等任务中发挥着重要作用。所有关于楔前叶的报道都表明,楔前叶在默认模式网络中具有中心作用,同时在各种行为加工状态中都可以观察到其独特的贡献。

    10、感觉运动网络The sensorimotor network

    这个网络实际上是Biswal等人使用基于种子的分析研究的第一个rs-fMRI网络。在FC的研究中,正是这种网络在左右区域之间表现出了高度的相关性。许多研究表明,左右半球运动皮层之间存在高度的功能相关性。在躯体感觉运动皮层中,位于中央沟后侧的Brodmann 1、2、3区代表身体的不同运动区域,如腿、手和脸。来自面部的独特信号与来自手或腿的信号完全不同,因为每个来自不同运动区域的信号会形成不同的可分离簇。

    小结

    rs-fMRI连接性是一项新技术,为探索认知研究提供了极好的机会,因为它在许多临床疾病的病理学上都是可靠的,如阿尔茨海默病、精神分裂症、自闭症谱系障碍、抑郁症和情绪障碍、帕金森病、创伤性脑损伤、学习障碍等。由于不同的技术有助于在大脑中产生不同方面的连接,每一种技术的处理涉及完全不同的步骤,最终的量化参数也随着不同的技术而变化。

    静息态fMRI的临床应用

    许多研究已经评估了rs-fMRI的临床应用潜力。然而,目前还不确定神经放射学家是否已经开始将该技术用于临床决策。在大多数中心,它被用作研究工具,以了解这种技术的未来应用。ICA已经成为一种很有前景的评估功能语言网络的技术,从而在各种神经系统疾病中得到应用。已有报道称,rs-fMRI可以定位感觉运动皮层,并提供手、足、口亚区。脑肿瘤患者的Rs-fMRI连接分析有助于识别和可视化关键网络,从而有助于功能的保存。在右海马硬化的中颞叶癫痫患者的发作间期,发现了整个大脑的rs-fMRI连接异常,他们表现出右半球的rs-fMRI连接减少,而左半球的rs-fMRI连接增加。研究表明,阿尔茨海默病不仅影响默认模式的网络连接性,还同样地影响更大规模的网络。对行为变异性额颞叶痴呆患者的网络连接分析发现区域之间的连接减少了,不同于与阿尔茨海默病相关的区域。

    很少有研究对rs-fMRI连接进行图论分析及其他指标分析,如精神分裂症患者的ALFF和fALFF。研究发现,与健康对照组相比,精神分裂症患者表现出明显更少的整体连接性,而双相情感障碍患者的整体连接性处于中间水平,与精神分裂症患者和健康对照组明显不同。研究发现,在帕金森病的早期阶段,大脑网络的整体组织受到了干扰。其早期表现为总体效率下降、模块和枢纽被破坏。另一项针对震颤型帕金森病的研究发现FC改变与患者的临床表现之间存在相关性。此外,rs-fMRI还发现了它在预测瑜伽和冥想后的心理状态方面的应用。结果表明,有经验的冥想者处理自我参照加工的默认模式网络区域之间的连接较弱,而背内侧前额叶皮层和默认模式网络的右顶叶下小叶之间的连接较强。虽然rs-fMRI仍是一种研究工具,但由此产生的科学文献也日益增多。如果该技术能够获得一致的结果,我们认为,在不久的将来,rs-fMRI可以作为一种很有前景的临床工具,并可能取代传统的fMRI技术。

    总结

    任务态功能磁共振成像(Task fMRI)和rs-fMRI是两种基于BOLD信号改变的技术,由于它们的非侵入性而非常有效。血流动力学反应是神经群体隐藏状态的标记物,因此rs-fMRI可以在患者不用做什么努力的情况下就得出更多的临床意义。尽管这两个技术可能不能互相补充,但仍然有一些相似之处。这开始并促使研究人员探索大脑连接分析的更多应用,识别由病理变化引起的BOLD信号低频波动的异常,这可能有助于疾病的诊断和预后,从而在手术前和手术后监测大脑的功能网络结构,并提供一个可行的治疗选择。

    展开全文
  • 静息状态功能磁共振成像显示2型糖尿病患者无认知障碍的脑网络拓扑结构改变
  • 基于种子的静止状态功能磁共振成像功能连接分析 初步说明:本文档中描述的基于静态种子的功能连接过程是在Matlab R2016b的Windows 7工作站上开发的。 为了使该分析套件正常工作,需要安装以下辅助软件工具箱并将其...
  • 术前功能磁共振成像有助于减小开颅手术的规模,并通过促进术中定位或减少对定位的需要来缩短手术时间。 使用基于任务的功能磁共振成像(task-based, fMRI tb-fMRI)可以可靠地定位特定的大脑功能区,如运动区或语言区...

    在过去的几十年里,功能性磁共振成像(fMRI)被广泛用于术前规划,有证据表明,附加信息可以改变很大一部分脑肿瘤患者的治疗方法。术前功能磁共振成像有助于减小开颅手术的规模,并通过促进术中定位或减少对定位的需要来缩短手术时间。

    使用基于任务的功能磁共振成像(task-based, fMRI tb-fMRI)可以可靠地定位特定的大脑功能区,如运动区或语言区。然而,tb-fMRI通常有一些缺点,如扫描时间长、需要患者的积极合作和参与,这在包括脑肿瘤患者在内的功能性或神经性残疾患者群体中并不总是可行的。

    静息态功能磁共振成像(resting-state fMRI, rs-fMRI)已经作为tb-fMRI的补充或替代而出现。这两种fMRI技术都使用依赖于血氧水平(BOLD)信号;在rs-fMRI中,患者不执行特定的任务,通过计算看似随机的BOLD波动在大脑各区域之间的相关性来生成各种内在的大脑网络,其中一些与tb-fMRI中看到的功能激活区域有相当大的重叠。

    独立成分分析(ICA)是将rs-fMRI信号分解成功能网络图谱的常用技术。早期的rs-fMRI研究探索了该技术在术前定位中的应用,结果显示,在健康对照组和有脑损伤的患者中,躯体运动网络(somatomotor network, SMN)与tb-fMRI生成的运动激活图高度重叠。ICA允许根据各个成分之间的时间进程差异将BOLD信号分离成不同的成分,这些成分包括网络或神经元源以及与噪声相关的信号。虽然ICA最近主要用于rs-fMRI,但也可以应用于tb-fMRI,以代替传统的一般线性模型分析,显示在一般线性模型分析中可能不明显的任务相关区域。

    由于即使当个体参与特定任务时,大脑区域之间自然发生的内在波动似乎也存在,因此ICA可应用于tb-fMRI以获取与任务相关的特定兴趣网络以外的各种网络的信息。对于我们想在术前定位中,获取运动和语言网络的典型目标来说,一个能够同时提供两种信息的单一成像序列是时间上最理想的。尽管使用rs-fMRI已经可靠地证明了SMN,但是在定位语言网络时存在较高的个体可变性,因此,仅仅使用rs-fMRI可能存在问题,而句子补全fMRI (sentence completion fMRI, sc-fMRI)可能仍然是必要的。那么,sc-fMRI是不是可能被潜在地用于识别SMN呢?

    因此,作者试图研究是否可以使用ICA从没有运动成分的语言任务(即sc-fMRI任务)中可靠地识别SMN,并将结果与rs-fMRI的结果进行比较。假设使用sc-fMRI的ICA可以可靠地定位SMN,从而提供了一种获取信息的有效替代方法,这可能会节省时间和资源。本文发表在Radiology杂志。


    2.材料和方法

    fMRI检查

    搜索放射学信息系统,确定并顺序纳入了2012至2016年间因术前脑成像而转诊进行功能磁共振成像的患者。排除任何在同一扫描过程中没有sc-fMRI和rs-fMRI扫描的患者。每个患者在接受功能磁共振之前都要在扫描仪外接受培训,以确保可以可靠地理解和执行任务。标准的组块(block)设计范式被用于sc-fMRI,控制和主动任务刺激的交替组块(开启20秒,关闭20秒),总采集时间为4分钟。采用Prism临床成像软件进行sc-fMRI检查。根据作者的临床方案,实时功能磁共振成像图在任务功能磁共振成像期间进行质量控制,如果由于过度运动相关噪声或其他噪声而不理想,则重复运行。对于重复的句子补全任务,最终选择用于临床解释的任务用于分析。对于rs-fMRI,在6分钟内获得180个时间点。要求患者保持一个放松的姿势,闭上眼睛但不要入睡,尽可能保持静止,头部用垫子轻轻地稳定下来。

    sc-fMRI和rs-fMRI的扫描参数相同,但扫描时间不同(sc-fMRI为4分钟,rs-fMRI为6分钟),使用3.0T 磁共振成像系统 (Siemens Healthineers)和12通道磁头部矩阵线圈。T2* 加权 BOLD 图像采用二维梯度回波平面成像获得,重复时间2000ms,回波时间30ms,翻转角90°,视野24 cm,采集矩阵64×64 × 33,4 mm厚度、间隔1 mm,交错采集,符合所在机构临床标准。


    ICA

    使用FSL中的MELODIC工具来完成独立成分分析,以默认参数在rs-fMRI和sc-fMRI扫描上进行ICA检查;使用MCFLIRT进行头动校正。使用BET工具剥脑。采用了10mm的最大空间平滑核。对每个体素上的时间信号进行方差归一化,并使用自动维数估计来确定ICA成分的最佳数量。对每个患者分别进行单次ICA(本文的分析都是在个体空间完成的,避免了配准对数据的影响)。独立成分图的阈值设置为0.5,其中在混合模型拟合中,体素表示真实信号的概率超过了体素属于背景噪声的概率。

    生成的 ICA 图的呈现顺序随机分配给两名神经放射科医生(HIS 和 SKG,分别具有12年和11年的临床 fMRI 经验),他们使用MELODIC来独立检查每个患者的每个数据集的每个ICA成分,以基于预期的网络拓扑知识来识别潜在的SMN。神经放射科医生不清楚数据集的来源(sc-fMRI与rs-fMRI)。只记录了代表SMN的成分。

    通常,腹侧和背侧运动系统是分开的,因此分别评估了腹侧SMN(vSMN)和背侧SMN(dSMN)。对于每个已识别的运动成分,记录该成分的解释方差百分比。为了确认选择的准确性(仅在轴位图像上可能很困难),通过使用覆盖在患者高分辨率结构上的三个正交平面(矢状面、轴位和冠状面)评估了相关的 ICA 图。

    对于一部分患者,手指轻击任务功能磁共振成像(fingertapping task fMRI, ft-fMRI)扫描可作为参考标准,并在初始盲选后用作覆盖图与dSMN的 ICA 图进行比较。

    ft-fMRI采用交替组块设计(开启30秒,关闭30秒),持续3分钟。值得注意的是,在这个机构中,标准做法是在实际扫描之前培训患者如何执行为他们的研究选择的范式。对于一些患者,包括ft-fMRI;因此,在研究之前进行了运动任务练习。在相同的预处理后,进行标准的一般线性模型分析。根据临床实践对最终的统计图谱进行定性的阈值划分。如果在ft-fMRI激活焦点和包含手部运动区区域的dSMN部分之间存在定性的显著重叠,则ft-fMRI激活的定位和dSMN图的一致性被归类为“良好”。对于没有ft-fMRI的患者,将rs-fMRI和sc-fMRI的ICA图重叠,以确保一致性和定位。记录正确ICA成分上的任何差异和更新。


    数据分析

    连续数据比较采用t检验。计算评分者一致性系数来评估每个评分者初始选择的被试间的一致性。对于两个评分者之间的差异,以共识评分来表示,以便进行随后的回归分析。使用逻辑回归模型来探索范式顺序和标准的ft-fMRI任务的可用性的影响。作者进一步拟合了一个双变量逻辑回归模型来评估腹侧和背侧SMN的存在与其他变量的相关性。所有统计分析均使用R统计软件包进行。


    3.结果

    100名患者(平均年龄40.9岁(±14.8);61名男性)符合纳入标准并纳入研究(图1)。患者的人口学数据、肿瘤位置和组织学诊断见表1。

    图1.研究流程图。

    表1.人口统计学和病理学信息。

    注:除非另有说明,否则数据为患者数量。IDH=异柠檬酸脱氢酶,NOS=未另行规定。*年龄以平均±标准差表示。†海绵状血管瘤和动静脉畸形、癫痫、皮质发育不良、脑软化症。‡肿瘤部位之和大于病人数目(n=100),因为有些病人累及多个部位。

    对于sc-fMRI,85例患者被识别出dSMN,69例患者被识别出vSMN。在86例和76例患者中,rs-fMRI分别成功地帮助识别出dSMN和vSMN。75例同时在sc-fMRI和rsfMRI上发现dSMN,53例在sc-fMRI和rs-fMRI上同时发现vSMN。在表2中报告了仅在一种模式下识别的网络的数量。

    表2.仅在一种模式下识别的网络数量

    dSMN和vSMN在71次rs-fMRI扫描和65次sc-fMRI扫描中都被识别出来。在每组中,对于rs-fMRI,71次扫描中有37次(52%)出现在相同的ICA成分中,而对于sc-fMRI,65次扫描中有46次(71%)出现在相同的ICA成分中。在71次rs-fMRI扫描中34例(48%)和65例sc-fMRI扫描中19例(29%)可见dSMN和vSMN位于不同成分中。

    如图2所示,rs-fMRI(平均数±标准差,42.8个成分±6.6)和sc-fMRI(25.5个成分±3.5)的总ICA成分的平均数有显著性差异(P<0.05)

    图2.箱线图显示了rs-fMRI和sc-fMRI中独立成分分析(ICA)成分的数量。sc-fMRI的成分数明显低于rs-fMRI(平均值分别为25.5和42.8,P<0.05)。方框表示四分位距,竖线表示最大值和最小值,横线表示中位数。


    2例患者在rs-fMRI和sc-fMRI均未发现dSMN和vSMN,8例患者在两种检查方式下均未发现vSMN。在14例患者中,rs-fMRI的ICA图未显示dSMN。在这14名患者中,有5名(36%)只发现了vSMN。在其余9名患者(64%)中,rs-fMRI未发现SMN。在15名患者的sc-fMRI研究中,没有发现dSMN;在这15名患者中,有4名(27%)发现了vSMN,其余11名患者(73%)没有发现SMN。

    在14例rs-fMRI ICA图未显示dSMN的患者中,有10例(71%)sc-fMRI可检出dSMN。vSMN的这一比率为67%(24例患者中有16例)。

    相反,在sc-fMRI未显示dSMN的15例患者中,有11例(73%)可在rs-fMRI上检测到dSMN;在sc-fMRI未检测到vSMN的患者中,rs-fMRI对vSMN的检出率为74%(31例患者中的23例)。

    rs-fMRI和sc-fMRI显示dSMN的一致性为75%(100例患者中有75例)。VSMN的符合率为53%(100例患者中有53例)。

    对61例患者进行ft-fMRI检查,并以此作为诊断dSMN的参考标准。所有rs-fMRI和sc-fMRI dSMN图都与运动ft-fMRI扫描的激活簇重叠。

    33例患者在sc-fMRI前进行ft-fMRI检查,28例患者在sc-fMRI后进行ft-fMRI检查,其余39例患者均未进行ft-fMRI检查(表3)。逻辑回归分析显示,运动ft-fMRI是在sc-fMRI之前还是之后进行,对rs-fMRI或sc-fMRI有无运动网络或这些网络与运动任务的一致性没有显著影响(P=0.25)。

    表3.ft-fMRI、rs-fMRI和sc-fMRI的一致性率。

    表4中报告了基于fMRI检查类型和ft-fMRI扫描可用性的dSMN和vSMN的存在。逻辑回归显示,无论是否进行ft-fMRI检查,rs-fMRI和sc-fMRI发现dSMN或vSMN的机会没有差异(dSMN P=0.17;vSMN P=0.91)。

    表4.根据ft-fMRI的可用性,在rs-fMRI和sc-fMRI中存在dSMN和vSMN。

    图3显示了一例左侧额叶胶质瘤累及中央前回的样本患者的rs-fMRI、sc-fMRI 和 ft-fMRI 叠加。运动成分的平均百分比解释方差没有显着差异,但与 rs-fMRI 相比,sc-fMRI 的值趋向于更高的值。对于dSMN, sc-fMRI的平均百分比解释方差(±标准差)为4.28%±1.1,rs-fMRI的平均百分比解释方差为2.92%±1.5。对于vSMN, sc-fMRI为4.14%±1.2,rs-fMRI为2.62%±1.9(图4)。

    图3.对左额叶胶质瘤延伸至运动皮层的样本患者(35岁男性)进行扫描,有轻微的肿块效应。正交切片显示的是参考十字准线,以及大脑的三维表面渲染图像,所有图像均带有fMRI 覆盖层。红色覆盖层 = rs-fMRI,绿色覆盖层 = sc-fMRI;蓝色覆盖层 = ft-fMRI。颜色的交叉点表示覆盖层的重叠:黄色表示 rs-fMRI 和 sc-fMRI 的交叉;品红色是rs-fMRI 和 ft-fMRI的交叉;青色是sc-fMRI 和 ft-fMRI的交叉。白色区域(重叠圆圈上的浅粉色)表示所有三个 fMRI 覆盖层的重叠。箭头指向中央前回手部 omega(hand omega)外侧缘的中央沟。

    图4.箱线图显示了在独立成分分析成分图的整个解释方差范围内感兴趣的成分(躯体运动网络)的解释方差百分比。与rs-fMRI 相比,sc-fMRI 的平均解释方差百分比更高;但是,它们之间没有差异。方框表示四分位距,竖线表示最大值和最小值,横线表示中位数。

    dSMN 和 vSMN 的评分者之间存在很强的一致性,dSMN的k值为0.958 (P<0.001),vSMN的k值为0.837 (P<0.001)。

    4.讨论

    在不断努力优化成像效率的情况下,本文的发现可能在特定情况下有效地消除导致冗余信息。这项研究将重点放在了术前大脑定位上,并研究了常用的语言任务(即句子补全任务)与静息态功能磁共振成像(rs-fMRI)相比较,是否可以表征躯体运动网络(SMN),因为后者已越来越多地用于术前的运动网络的映射。这项研究表明,背侧SMN(dSMN)确实可以从sc-fMRI(100名患者中的85名)中提取,与rs-fMRI(100名患者中的86名)的提取程度相似。有趣的是,在很大比例的患者中(14名患者中有10名(71%)),sc-fMRI能够帮助识别dSMN,而rs-fMRI不能帮助识别dSMN,vSMN也有类似的发现(24名患者中有16名)。利用该信息,使用sc-fMRI提取SMN的第一次尝试可能是值得的,如果不成功,尝试单独的运动任务或包括rs-fMRI,但需要注意的是,对于这个单一目的,rs-fMRI将是一项长的研究。除此之外还证明,对于本研究中使用的sc-fMRI和rs-fMRI的典型扫描时间,与rs-fMRI相比,sc-fMRI中可供选择的ICA成分更少(平均分别为25.5个对42.8个;P<0.05),这可能转化为使用sc-fMRI更容易和/或更快地识别SMN。

    先前的一项研究表明,使用基于种子的分析,可以从健康个体的运动任务功能磁共振成像中确定内在大脑网络的特征。这项研究对此进行了扩展,以证明在脑占位性病变患者中,通过使用ICA方法可以从语言任务fMRI扫描中表征内在的SMN。在有占位性病变的患者中使用基于种子的分析的一个具体限制是难以放置准确的感兴趣种子区域。ICA没有这个限制,网络的任何部分的失真都可以在网络的整体拓扑分布的背景下更好地评估,特别是基于大脑的非失真部分。

    值得一提的是,与腹侧系统相比,在rs-fMRI和sc-fMRI中,背侧运动系统的发现更容易识别。大多数术前运动网络的研究中,至少在这个机构和大多数其他机构的研究中,术前运动任务都更多地与背侧网络的识别有关。在tb-fMRI上,vSMN通常更难识别,因为随着口面部肌肉的运动,不可避免的会出现头部运动。此外,有证据表明,vSMN的动态连接模式不同于dSMN的动态连接模式。这项发现支持背侧和腹侧运动系统的不同行为,前者更容易用sc-fMRI(100例dSMN患者中85例和vSMN患者100例中69例)和rs-fMRI(100例dSMN患者中86例和vSMN患者100例中76例)识别。额外的技术改进,可能包括动态连通性分析,可能对未来的研究有帮助,从而提高表征vSMN的可靠性。


    总结:

    总体来说,就临床应用而言,需要一种方法,即在范式完成后就可以立即对sc-fMRI 数据进行处理和分析,以决定终止研究(如果显示良好的SMN)或继续进行专门的运动映射或rs-fMRI采集。本研究表明,除了语言系统的目标定位之外,在语言任务功能磁共振成像中可靠地发现躯体运动网络是可能的。通过sc-fMRI识别运动网络可以消除对单独运动任务的需要,从而减少总体扫描时间。因此,未来的研究可以进一步开发加速ICA技术以及更稳定的ICA方法。

    展开全文
  • 磁共振成像仪器经典作品,详细描述了成像仪器的发展历史,各个部件的结构以及功能
  • 在这项研究中,我们使用超高场功能磁共振成像(fMRI)高密度脑电图(EEG)来研究被试在22秒的时间内回忆自我相关的过去事件时的持续思维。研究人员将这些由任务发起、参与者驱动的活动模式与一种截然不同的情况进行了...

    自我产生(self-generated)的认知的时间结构是有意义的意识流形成的关键属性。当我们休息时,我们的思想在不同的精神状态下从一个思想游荡到另一个思想。尽管正在进行的心理过程非常重要,但要捕捉这些状态并将其与特定的认知内容联系起来仍是一项挑战。在这项研究中,我们使用超高场功能磁共振成像(fMRI)和高密度脑电图(EEG)来研究被试在22秒的时间内回忆自我相关的过去事件时的持续思维。研究人员将这些由任务发起、参与者驱动的活动模式与一种截然不同的情况进行了比较,在这种情况下,参与者进行了一系列心算操作,从而从与自己相关的想法转变为与自己无关的想法。与心算条件相比,BOLD活动显示,在记忆过程中,颞叶、顶叶和枕叶区域的活动选择性增强,表明它们在记忆提取过程中将重新经历的过去事件整合到意识表征中。功能连接分析表明,这些区域被组织在两个主要的子系统,之前的研究发现其与场景重建(scene-reconstruction)和自我体验(self-experience)子系统相关。脑电图微状态分析通过确定稳定头皮电位场短暂时期的时间动态,允许在毫秒范围内研究参与者驱动的思想。这一分析揭示了特定微状态在记忆和心算条件下的发生率(occurrence)和持续时间(duration)的选择性调节。脑电图源分析显示,这些微状态的来源与fMRI识别的区域具有相似的空间分布。这些发现暗示了与特定心理活动相关的区域的BOLD活动变化与心理活动的时间动态之间的功能联系,并支持了越来越多的证据,即特定的fMRI网络可以被脑电图捕捉到反复出现的短暂整合一致的神经元活动,只持续毫秒级时间。本文发表在Neuroimage杂志。

    1 引言

    自发的心理状态既不是随机的,也不是没有意义的,但是如何准确地捕捉到游移的思维,并将其归结为具体的认知思维,目前还不清楚。功能磁共振成像(fMRI)和脑电图(EEG)研究以前主要通过扫描后的问卷调查间接地将静息状态活动与认知过程联系起来,或者通过询问参与者在自发心理状态中正在进行的想法。通过比较自我报告的想法和由实验任务引发的想法所形成的大规模网络的空间分布,我们发现了惊人的相似性,这导致对静息时自发心理活动的内容以及静息状态网络(RSN)与认知网络的关系进行了广泛的讨论。

    之前的时间分辨(time-resolved)的fMRI研究表明,RSNs会自发地在空间和时间重叠的相关性中波动,表明静息状态活动的时间动态不是固定的,而是划分成不同的时期。这一观察证实了普遍的概念,即自发的心理活动是不连续的,并被解析为一系列表现出神经元活动的离散时空模式的意识状态。然而,尽管动态的静息态功能神经成像有了很大的进展,但神经元活动的延迟和缓慢的血流动力学反应限制了功能磁共振成像方法捕捉这些状态。的确,为了有效地执行心理过程,大规模的网络必须在亚秒的时间尺度上动态地重新组织。脑电微状态分析可以研究大规模神经网络的快速时间动态,及时获取自发心理活动的功能组织信息。脑电图微状态反映了持续约100毫秒的连贯的神经元活动的短暂时期。以往的研究表明,脑电图微状态的发生、持续时间和顺序决定了自发心理活动的性质,表征了意识心理过程的基本组成部分。因此,脑电图微状态是将持续的精神活动分割为短暂持续的大脑状态的电生理学表现。只有少数研究试图将脑电图微状态与特定的认知过程联系起来。且这些研究都没有将脑电图微状态直接与fMRI在相同过程中观察到的潜在大脑网络进行比较。最近的研究探索了基于任务发起的自发活动的新颖实验设计,参与者被要求自由思考,但对他们应该关注的想法有具体的指示。例如,Axelrod及其同事(2017)最近的一项fMRI研究探索了任务发起的自我生成处理,以区分在内部心理状态中工作的不同大脑过程。这项研究表明,在自我生成加工过程中,默认模式网络(Default Mode Network, DMN)占主导地位,但与心理体验类型(想象未来/过去,情景记忆,移情)无关。随后,作者将这种激活模式与大脑对特定认知任务(即自我参照加工、场景重建和语言相关加工)的反应进行了比较,发现DMN的不同部分与这些任务相关的网络存在相关。这些观察结果表明,不同的认知过程在内部思维过程中被激活。这项研究的总体目标是及时捕捉这些不同认知过程的发生,使用超高场7T fMRI和高密度64导EEG,采集BOLD信号和EEG信号。超高场功能磁共振成像的使用特别是为了提高检测灵敏度和空间特异性之间的权衡,这对于捕捉空间封闭的大脑区域(如DMN的子区域)的活动差异尤其重要。研究人员记录了15名健康的参与者的自发状态(以下称为静息状态),以及还有闭眼22秒的时间内的重复思考的情况,其中一种是与短暂呈现的图像相关的情景性自我相关记忆(记忆状态),另一种是算术计算(数学状态)。与需要工作记忆和将注意力引导到自我之外的认知任务一致,我们选择数学条件作为控制条件,以便选择去激活区,但在自传情景记忆提取中变得活跃的区域。

    这个实验设计如下:实验数据记录过程由不受干扰的、被试主体驱动的心理状态主导,但仍保持在某一已知的认知状态(记忆、数学计算或静息)中几分钟。这使我们能够使用更典型的类似于静息状态fMRI研究的技术,使我们能够研究在多个特定大脑区域的BOLD活动和功能连接的特定条件的变化,以及它们在大规模网络中的组织。同时,该实验设计也非常适合于脑电图的微状态分析,使我们能够检查大脑大规模网络动态的快速时间组织。具体而言,我们重点研究了脑电图微状态时间动力学的最基本特征:持续时间、发生频率和转移概率。最后,我们估计了产生脑电图微状态的源的脑网络,并将其与功能磁共振成像网络进行了比较。

    2方法

    2.1被试和实验设计

    15个健康被试(30.5+-5.5岁,5男/10女)。每个被试都有3个sessions:1-采访,2-EEG记录,3-fMRI记录。在访谈过程中,所有参与者都进行了一份经典的自传体记忆问卷(ABMQ) (Rubin et al.,2003),以选择记忆清晰的图像,然后将这些图像用于脑电图和功能磁共振(fMRI)记录,每个session包括三个不同的条件(图1):闭眼静息(6分钟)、回忆个人过去的经历(10分钟)、心算(10分钟)。记忆和数学条件各包括20个30s的试次(20*30s/60s = 10分钟)。在每个试次中,一幅个人照片(例如,参与者拿着生日蛋糕的照片)或计算任务(例如,447- 7= )呈现2秒,然后在额外的1s逐渐变黑。接下来是22秒的闭眼时间,在此期间参与者回忆过去的事件或继续连续相加或减去给定的数字。在这段时间之后,受试者被一道闪光提醒睁开眼睛(是的,闭眼也能被闪光闪到),屏幕上出现一个问题:对于记忆任务-你对最初的事件体验有多深? 心算任务-你在计算时花了多少注意?。阅读和回答问题的时间为5秒。参与者只需按下按钮即可回答问题(1=一点也不,4=完全,这是4点计分)。这个评分确定了被试有着高自信的主动卷入任务当中,在EEG和fMRI任务中程度相当。在这个实验设计中,参与者驱动的不受干扰的闭眼状态占据了大部分的范式持续时间(约73%,即每30秒中的22秒)。外部线索(图片或算术表达式)仅仅是为了引导和保持思维在相同的认知环境中走神,因此尽可能的简短。每个实验session开始时先6分钟闭眼休息,然后执行两个平衡好的实验条件。

    图1 实验流程

    2.2 fMRI分析

    2.2.1 fMRI设备

    德国产7T西门子,在每个范式中,全脑功能数据采用同步多切片(SMS) 2D GE-EPI序列获取,TR/TE = 1000/22ms,体素2-mm,T1是1-mm。

    2.2.2 fMRI预处理

    采用FSL软件和matlab,步骤包括头动矫正,时间层矫正(TR的中间层,通过线性插值),脑组织分割(BET),高斯平滑(平滑核4mm),去线性趋势,回归掉24个头动参数,配准到标准MNI空间。

    2.2.3 fALFF分析

    在记录过程中,无干扰、闭眼的主体驱动的心理状态占主导地位(仅被简短的外部线索打断),这激发了使用更典型的静息态fMRI研究中使用的技术,从而使BOLD活动和功能连接都可以使用这些技术。据前人研究,根据Zou et al.(2008),对每个受试者和范式的预处理fMRI数据中估计voxel-wise的 fALFF值,将每个体素的时间序列转换到频域,将0.01-0.08 Hz区间的幅值之和除以全频带(TR=1s,可以达到1/2 = 0.5Hz)的幅值之和。因此,获得的每个范式和参与者的个体fALFF图,然后被配到MNI空间进行组分析。使用配对t检验比较记忆和数学计算下的fALFF,并使用FDR对多次比较进行校正(团块水平的阈值T >2.20,FDR p =0.05),以确定统计显著性。在经过统计测试后,研究人员对结果进行了进一步分析,以确定所观察到的记忆和数学计算之间的显著差异,是否是由于相对于基线而言每种情况下的BOLD活动的增加和减少造成的。为此,对每个受试者和大脑体素都计算了记忆(或数学)和静息态条件之间的fALFF差异,然后在每个团块ROIs内对受试者和体素进行平均。

    2.2.4 功能连接分析

    在记忆和数学条件之间显示显著fALFF变化的大脑区域(团块)也被进一步考虑用于FC分析。这些区域之间计算Pearson相关,构建连接矩阵。

    2.3 EEG分析

    2.3.1 记录和预处理

    64导BP,离线处理降采样为250Hz,带通滤波1-40(非因果滤波,2阶butterworth滤波),基于Infomax 的ICA用于删除眼动,心电,坏导进行插值,然后全脑平均参考,在记忆和数学条件下,所有20秒的闭眼状态(从刺激呈现后5秒开始,到睁开眼睛的闪光警报结束)都被拼接起来。最后,对数据进行检查,并标记剩余伪迹的时间段,排除进一步的分析。

    2.3.2 K-means聚类

    使用Cartool软件,将改进的k-means聚类分析应用于每个受试者和条件的数据。只有在全局能量场(GFP)的局部最大值处的地形图才进入聚类分析,因为它们代表最高信噪比的时间点。在聚类过程中忽略了地形图的极性。聚类分析分为两个步骤:首先对每个个体受试者和条件的数据进行聚类分析,然后对每个受试者在一个条件下进行聚类分析。为了确定最佳的聚类数量(包括受试者内部和跨受试者),使用7个标准独立评估每个聚类的质量。然后,他们被合并在一起,以得到一个单一的合成的元-标准。与之前仅依赖单一标准(即交叉验证标准或Krzanowski-Lai指数)的工作相比,这提高了正确估计最佳聚类数量的信心。以下是7个标准:1. Gamma:改编自Goodman and Kruskal,基于和谐与不和谐的聚类对子。2. 轮廓:通过每个聚类的拟合优度来评价其一致性。3. Davies和Bouldin:作为聚类内与聚类间分离比率之和的函数。4. Point-Biserial(点-二列):计算距离矩阵和二值聚类指数之间的一种点-二列相关。5. Dunn:一种对所有聚类分离效果的评估。6. Krzanowski-Lai指数:聚类内离差的相对差异之比。7. 交叉验证:预测残差方差的改进版本。元-标准被定义为所有标准中所有最优聚类数的中位数。

    2.3.3 反向拟合Back-fitting

    将给定条件下的组水平聚类图与每个受试者的原始脑电图进行拟合,包括所有数据点(不仅仅是GFP峰值),但标记为伪影的时间段除外。反拟合是指计算聚类图与每个个体数据点之间的空间相关性,并将这一数据点标记为相关性最高的聚类地形图之一(赢家通吃)。注意,在这个反拟过程中,地形图的极性再次被忽略。如果数据点与任何一个聚类图都没有达到高于50%的相关性,这些数据点被标记为非分配(non-assigned)。一旦整个数据都被标记,通过忽略时间点所属的聚类图少于4个时间点(32毫秒)的片段进行时间平滑,并将时间点从中间分割并分配给前后相邻的聚类图。然后对每个受试者的记录进行两个时间参数的量化:聚类图(微状态)在没有中断的情况下出现的平均持续时间,以及微状态每秒出现的次数,与出现的持续时间无关,也叫做发生率。此外,我们还分析了脑电图微状态的结构序列,通过计算从第n个之前的状态到当前状态的概率,对每个被试和转移对子都进行了计算,并根据每个状态的发生率进行归一化。

    2.3.4 EEG源定位

    为了估计源对每个微状态的贡献,我们计算了一个分布式线性逆解(LAURA)。逆向解的引导场(leadfield)矩阵计算为蒙特利尔神经研究所64个电极位置和平均脑,使用LSMAC头部模型和5000个分布式源点的灰质约束头部模型。为了消除激活偏差(补充材料的方法部分),对每个解点(solution point,源)应用了跨时间的标准化。然后,每个受试者的估计电流密度在所有时间点上被平均,这些时间点在每个条件下归属于特定微状态。源定位补充材料:源定位的标准化。在每个时间点对EEG应用逆解矩阵后,对每个解点应用跨时间的估计电流密度的标准化。事实上,当在个体受试者的持续(非平均)脑电图上定位源时,可以观察到在解点之间存在巨大的功率变异。这些变异应该来自于在逆矩阵计算过程中所做的几何和数学近似。因此,为了正确估计个体大脑活动随时间变化的波动,并在不同受试者之间进行比较,有必要找到一种方法来校正这种功率变异(补充图S1)。

    图S1 源定位标准化

    A为3个解点(纵轴)的时间序列(横轴),表示解点之间功率范围的差异(毛刺多)。C为这3个解点的直方图,说明背景活动是分布的最左边模式。E为所有解点(垂直轴)的直方图,红色编码为最大概率。B与A中的时间序列相同,但经过标准化处理,说明此时3个解点的范围相同。D为标准化后的直方图,表示所有的背景活动都集中到1。F是标准化后的所有解点的直方图,表明所有解点现在拥有从0到1的背景范围,同时保持各自最高的活性。

    下面是对这种专门标准化的一步一步的描述:某个3D偶极子

    在某一解点,我们定义spx作为标准化的值的平方(方程1)。因此,对于数据的噪声部分,它遵循3个自由度的卡方分布。卡方变量spx可以转化为正态分布变量

    (方程2)。现在获得正态分布后,它可以通过使用正则化z-变换进行标准化为(方程3)。然而,μ和σ的值用于z变换的值只有在计算背景噪声数据的部分——来自卡方分布的背景活动,即最低的值的分布。因此,由分布的最左边模式估计μ(方程4)。出于同样的原因,σ由绝对偏差的中值(MAD)估计,μ以先前估计的为中心,仅用下面的值计算(方程5)。在实现方面,这些估计量在数据的随机子样本上被多次计算,并最终得到所有这些估计量的两个各自的中位数。最后,因为我们从正的数据开始(偶极子的正态化),我们也希望以正的数据结束,以避免由于符号正负的结果造成的任何混淆。我们定义为向右平移3个标准差,然后除以3,使背景模式最终对齐到1(方程6)。

    这个标准化程序的结果使得所有解点的电流密度的功率可以比较,以及解点的正态分布(图S1)。

    2.3.5 fMRI-FC衍生的子网络与微状态之间的解剖学重叠

    为了评估脑电图微状态的源与fMRI-FC衍生的子网络之间的解剖对应关系,我们估计了两种模式之间的空间重叠量。首先,通过只选择活动大于第97百分位的区域,将脑电微状态源分布转换为二值mask,以减小源定位算法固有的干扰。然后将这些聚类mask与基于团块的fALFF分析得出的ROI进行直接比较,特别是通过FC分析确定的跨ROI的网络。从而根据它们的二值相交(binary intersection)估计空间重叠量。

    2.3.6 统计分析

    根据三个条件(休息、记忆和数学)的最高空间相关性,对每个条件派生的聚类图进行排序,并根据文献中描述的典型的微状态图进行标记。为了评估具有相同标签的微状态图是否由相似网络生成,我们比较了三种情况下每个聚类图的估计源。为此,对受试者的每个解点(solution point,源)进行配对t检验,并对进行bonferroni校正。为了研究不同条件下微状态的时间动态(持续时间,发生率)的差异,我们对每个微状态类别的因素条件(休息,数学,记忆)进行了重复测量方差分析。我们应用了一个阈值p < 0.0001来校正多次比较,并且只在达到这个阈值时才进行事后比较。使用配对t检验对每个条件内部和之间的微状态之间的转移概率进行统计比较。

    3. 结果

    3.1 不同实验条件调节fMRI网络

    头动的绝对位移和相对位移的范围分别小于0.5 mm和0.09 mm(根据FSL的头动估计步骤所报告的),因此远低于体素大小(2mm)。在三种条件下,绝对或相对头部位移都没有显著变化(p =0.09和p=0.10,1-way ANOVA)。为了识别在两个任务启动、自我生成的加工条件(数学和记忆)中不同大脑区域的大脑活动的变化,我们绘制了fALFF值(Zou et al.,2008),作为局部BOLD活动的测量。获得每个体素的fALFF估计后,随后在组水平的条件之间进行比较。在一些大脑皮层和皮层下区域发现了特定条件下的fALFF变化。与数学条件相比,在记忆过程中大脑活动明显更高的区域包括顶叶、内侧颞叶、前额叶和枕叶(图2a)。我们发现主要的大脑活动在顶叶外侧部分:双侧的边缘上回(lrSMG, BA40)和下顶叶(IPL)的右角回(rAG, BA39)。顶叶内侧部分也有活动:左侧楔前叶(lPCu, BA7)、后扣带的背侧和腹侧部分(dPCC,BA31;vPCC/RSc,BA23)。在颞叶,我们发现双侧海马旁回(lrPHG, BA28,35,36)和右侧颞下回(rITG, BA21)的活动增加。在右侧额下回(rIFG, BA45)和双侧枕侧回(lrLOCG, BA19)也发现了显著的活动。当将这些大脑区域的fALFF估计值与休息条件(视为基线)进行比较时,我们发现,一些记忆-数学差异是由于与数学条件(包括lrPHG和dPCC区域)相比,在记忆期间BOLD活动更强烈地增加了,而其他变化则是由于在记忆过程中BOLD活动增加,而在数学条件下BOLD活动减少。与休息时相比,数学时去激活的区域包括rAG、lrSMG、lrLOCG、lPCu和vPCC/RSc(图2 b)。相反,我们还发现,与记忆条件相比,在数学条件下,一组大脑区域明显更活跃:在额叶中,腹侧和背侧前扣带皮层以及双侧背外侧前额叶皮层的活动明显更高。颞叶区域包括双侧颞上回和左侧颞中回。在顶叶皮层中,右侧顶叶内沟、中央前后回以及背侧后扣带皮层的活动明显更高。在枕叶皮层,枕叶回是双侧激活。与上述观察结果不同的是,在数学条件下(与休息条件相比),那些在数学条件下活动明显更高的区域实际上在记忆条件下没有被关闭(图S2a,S2b)。根据最近的证据表明在7T的fMRI预处理中的de-trending可以影响颞叶的fALFF分析(Woletz et al ., 2018),因此,进行了额外的检查,ROI-specific的fALFF估计如图2b和图S2b,使用一个更宽松的de-trending截止(200s而不是之前的100s)重复了上述结果。这在整个ROI中产生了平均2.4%个小到可以忽略不计的变化,并且没有系统变化(一些ROI显示增加,其他显示下降)。这强烈地表明,去趋势对分析没有明显的影响。为了确定特定于条件的网络,我们根据其功能连接进一步分析了在记忆和数学条件之间显示出显著的BOLD活动变化的大脑区域,如fALFF分析所确定的区域。这些连接值以矩阵的形式组织起来,并根据它们的相关情况重新排列区域。FC分析揭示了在记忆条件下表现出较强活动的区域内有两个不同的网络(图2c和d)。网络I. 包括the vPCC/RSc, lrPHG, lrOCG, 网络II.包括 rIFG, rAG, lrSMG, and dPCC。两个区域(rITG和lPCu)都包含在两个网络中。与休息条件相比,这两种网络在各自区域的FC都表现出了强烈的增强,而彼此之间以及与数学条件中确定的区域不相关。

    图2 记忆特异性的的fMRI活动变化和功能连接记忆子网络。A. fALFF分析了记忆大于数学的脑区(FDRp = 0.05)。B. 与数学条件相比,记忆中活动更强烈的区域。C. 功能连接分析确定的两个子网络。D. 子网络的功能连接投射到大脑表面以更好的可视化。

    图S2 数学特异性的fMRI活动变化和功能连接网络。A. fALFF分析。t检验数学大于记忆的脑区。B. 大于记忆的数学条件激活的脑区柱状图。C. FC分析。揭示了在数学条件下表现出更强活动的区域内两个不同的网络,网络III和IV,除了它们强烈的内在联系外,这两个网络彼此之间也有中等程度的联系,这与记忆相关的网络不同。D. 子网络的功能连接投射到大脑表面以更好的可视化。

    3.2 不同条件调节了EEG微状态的时间动态性

    k-均值聚类分析首先应用于每个受试者,然后在每个条件下跨所有受试者。虽然最佳聚类数量在受试者之间有所不同,但元标准确定了6个聚类作为每个条件下跨受试者聚类的最佳数量。这六个聚类图的地形在三种条件之间惊人地相似,与之前文献中描述的相似。我们根据它们在不同条件(如数学、记忆、休息)中的最高空间相关性对微状态图进行排序,并将它们从A-F状态标记出来(图3a)。对产生这些微状态的脑源的统计比较表明,在三种条件下对应的脑源图之间存在相似的网络,而不同的聚类图具有高度差异的网络(补充表1)。然后,我们将地形图拟合回每个参与者的原始脑电图(忽略极性),并用具有最高空间相关性的微状态标记每个时间点(图3b)。这个过程允许我们确定三种条件下每个微状态的平均持续时间,以及微状态发生的频率。对每个微状态的方差分析显示,两种状态(即微状态C和D)在持续时间和发生率上显著不同(图3c),一种状态(即微状态B)在发生率上显著不同(图3d)。与数学和静息态条件相比,记忆条件中的微状态B的发生率显著增加(p均< 0.0001)。与记忆和静息态条件相比,微状态C在数学条件中的持续时间和发生率显著减少(p均< 0.001)。最后,与记忆和静息态条件相比,微状态D在发生率和持续时间上显著增加。

    图3 EEG微状态的时间动力学A. 在三种情况下(静息态、记忆和数学),通过k-means聚类分析确定的六种微状态。B. 闭眼条件的10秒的代表性的EEG数据。反向拟合了6个微状态地形图。C. 每种条件下的每种微状态的持续时间。微状态C和D的情况:与记忆和静息态相比,在数学条件下,微状态C明显更短,而微状态D明显更长。D. 在三种条件下出现的六种微状态(每秒的微状态数)。微状态B、C和D的方差分析显著。至于持续时间,与静息态和记忆相比,数学条件中微状态C出现的更少,微状态D出现的更多。关于微状态B,与数学和静息态相比,记忆出现的频率增加。

    3.3 微状态源分析

    为了估计每个微状态下的网络,我们使用分布式线性逆解将每个被试数据转换到源空间。然后,我们对每个受试者和每个条件的所有时间点的估计活动进行平均,这些时间点都被标记为相同的微状态。六种微状态背后的大脑区域证实并扩展了之前在微状态源定位方面的努力(图4 和补充图S3-S5)。具体而言,微状态A在颞上回(STG)、内侧前额叶皮层(MPFC)和OCG中表现出左侧活动。微状态B主要表现在OCG和PCu/RSc顶叶皮层内侧部分。微状态C的来源位于双侧顶叶皮层的外侧部分,包括SMG和AG。微状态D的来源主要在双侧IFG、dACC和上顶叶(SPL)/顶内沟(IPS)。微态E活性最强的部位是右侧MPFC。最后,微状态F在MPFC中显示双侧活动。每个参与者和条件的脑电图均采用分布式线性逆解,并随时间标准化。所有被标记为相同微状态的时间点的源图在参与者中被平均。在记忆条件下,受试者的平均来源在这里被说明(每个条件下的单独来源图见补充图S3-S5)。显示了活动超过95%的区域。注意微状态C的上顶叶的强烈活动(在记忆和静息态条件下活动强烈)和微状态D的额顶叶的活动强烈(在数学条件)。

    图4 EEG微状态源定位

    图S3 静息态下六种微状态的源定位。数据来源在所有的时间点上都被标记为相应的地形图,并在不同的受试者之间被平均。显示了活动超过95%的区域。

    图S4 在记忆条件下的六种微状态的源定位。

    图S5 在数学条件下的六种微状态的源定位。

    3.4 微状态之间的转换

    为了确定大脑是否在记忆条件下的两种主要微状态(微状态B和微状态C)之间交替,我们计算了微状态B和C之间的转换概率(通过发生率来标准化),并将它们与所有其他可能的转换进行比较。我们发现,仅在记忆条件下,从微状态C到微状态B的转换明显比从其他任何状态的转换更频繁,而且微状态B到微状态C的转换明显比到其他任何状态的转换更频繁(图5)。同样地,与微状态A、D或E相比,微状态C之后的微状态B更经常出现,而不是F。同样的分析也适用于数学和静息态条件下的转移概率(见补充图S6和S7)。在静息态条件下,没有特定的微状态在微状态B之前或之后。在数学条件下,与所有其他微状态相比,微状态C在微状态C之前或之后的频率显著降低。

    图5 记忆条件下的马尔可夫链转移概率

    图S6 数学条件下的马尔可夫链转移概率。在数学条件下,其他微状态转换到B和B转换到其他微状态的转移概率。与记忆条件相比,从微状态C到B和从微状态B到C的转移概率明显低于其他所有微状态(上图看的一目了然)。

    图S7 静息态条件下的马尔可夫链转移概率。在静息态条件下,其他微状态转换到B和B转换到其他微状态的转移概率。与记忆条件相比,从微状态C到B和从微状态B到C的转移概率与其他微状态的转移概率没有显著差异。我们使用马尔可夫链计算从每个微状态到任何其他状态的转移概率。观察到的概率除以期望的概率来解释状态发生的可变性。在记忆条件下,我们发现微状态B在A之前和C之后显著多于其他任何微状态。在静息态下(补充图S6)或参与者进行心算运算时(补充图S7)没有发现这种转移行为。我们还使用配对t检验比较了所有条件之间的转移概率(图6)。该分析证实了记忆条件下微状态B和C之间的转移增加。在数学条件下,向微状态D的转变增加,而在静息态条件下,微状态E和C之间的转变增加。

    图6 三种条件的转移概率的比较对不同条件之间所有转移概率的配对t检验显示,与数学和静息态相比,在记忆条件下,微状态B和C之间的转移增加了,与记忆相比,数学条件下向微状态D的转移增加了。与数学相比,在静息态条件下微状态C和E之间的转移增加了。

    3.5 功能性磁共振衍生的亚网络与脑电图微状态之间的解剖学重叠

    我们发现fmri衍生的子网络I与脑电图微状态B在154个体素(1232 mm3)中存在解剖重叠。重叠区域位于枕侧回外侧(图7A)。对于微状态C,我们发现与fmri衍生的子网络II在73个体素(584mm3)中存在重叠。双侧下顶叶存在重叠(图7B)。重要的是,即使应用限制性更强的团块阈值T > 3.0的 fALFF分析,存活的区域子网络I是侧枕叶皮质区,存活存子网络II的区域是下顶叶,即两个区域覆盖的脑电图微观状态B和C的最大来源,(见补充图S8)。

    图7 fMRI和微状态之间的解剖重叠

    图S8 功能性磁共振衍生的子网络与脑电图微状态之间的解剖学重叠。A .在更严格的团块阈值T > 3.0处,fMRI连接衍生子网络I与脑电图微状态B之间的解剖重叠显示枕外侧区域有核心重叠。B. T > 3.0处fMRI子网络II与脑电图微状态C解剖重叠为下顶叶。

    4 讨论

    在一个范式中,参与者被指示将他们的想法集中在特定的任务上,通过使用fMRI和EEG,我们在这里提供了捕获特定的大规模大脑网络的时间发生的直接证据,这些网络涉及到自我相关和自我不相关的想法。与之前的任务相关研究一致,功能磁共振成像的数据显示,思考自我经历的过去事件会增强一个已知与自传式情景记忆有关的大脑网络,而心算则会增强一个已知与注意力和认知控制有关的大脑网络。有趣的是,脑电图分析显示,不同的条件对短暂的亚秒级脑电场稳定配置的发生率和持续时间产生了调节作用。源定位显示出的网络在空间上与fMRI观察到的网络一致。

    至关重要的是,在这项研究中,我们试图在之前的fMRI工作的基础上,应用更快的交替条件(每个条件持续时间小于30秒的实验设计)探索一种设计,将每种条件的所有试次分组在持续几分钟的个人数据中。这不仅可以研究每个大脑区域的BOLD活动变化(通过fALFF分析),同时也研究了这些区域在相同条件下跨时间(通过功能连接性分析)之间的相互作用,从而为同时活跃的不同功能区域是否有效地共享类似的BOLD活动这一问题提供了新的思路。fALFF分析通过揭示几个皮层和皮层下大脑区域的特定条件的BOLD变化,证实并扩展了以前的研究。与数学条件相比,在记忆过程中大脑活动明显更高的区域包括情景记忆提取网络的大脑核心区域,在顶叶,内侧颞叶,前额叶和枕叶。相反,我们还发现,与记忆条件相比,在进行数学运算时,一组大脑区域更加活跃,这些区域此前通常与心算任务和前额叶控制网络(FPCN)有关。

    fMRI功能连接结果显示,增加的fALFF区域基本上被组织在两个子系统中,这些子系统具有不同的功能和解剖特征,内部高度相关,但彼此之间的相关性较差。网络I与之前描述的一个子系统惊人地相似,它涉及到心理场景的构建(以下称为场景构建子系统),而网络II与之前定义的子系统紧密匹配,当参与者参与自我相关的认知过程和反思时,该子系统变得活跃(以下称为自我体验子系统)。除了较慢时间尺度的功能磁共振测量,脑电图微状态分析揭示了亚秒范围内这些网络的时间动态的新见解。我们发现,特定的脑电图微状态,代表连贯网络活动的短暂时期,被指示做哪些思维活动时在持续时间和发生率上有选择性地增加。产生这些微状态的大脑区域与特定的功能磁共振成像网络部分重叠。与数学条件相比,微状态C在记忆中出现的频率更高、持续的时间更长,它与我们在fMRI分析中发现的自我体验记忆提取子网络的侧顶叶区域重叠。另一方面,在记忆条件下出现选择性增加的微状态B下的大脑区域,与我们在fMRI分析中检测到的场景重建子网络的枕侧区域重叠。最后,在数学条件下,微状态D的大脑区域选择性地增加了持续时间和发生率,包括一般归属于额顶叶控制网络(FPCN)的区域。此外,在记忆提取过程中,我们发现fMRI数据中与自我体验和场景重建子网络相对应的微状态之间的转移增加。这些结果提供了直接证据,表明fMRI捕捉到的静息态网络与亚秒时间尺度的特定大规模神经元网络同步活动状态的持续时间延长和重复发生紧密相关,并可能起源于此。为了捕捉任何意识体验的发生,并直接调查在走神期间的认知过程,更好地控制参与者自发的想法是至关重要的。与最近的其他研究一致,我们在这里启动了自发的阶段,简短地展示外部刺激,并指导参与者闭上眼睛,在内部将他们的思想引导到与自己相关的照片或与自己无关的算术运算上。在记忆条件下,显示BOLD活动增加的主要区域包括IPL和MTL。大量的研究已经确认这些区域是情景记忆检索网络的核心。传统上,自从发现重度健忘症患者以来,MTL被认为是长期记忆形成的关键,它允许我们记住过去的经验和检索获得的知识。与MTL相反,来自患者脑损伤和脑刺激研究的大量证据表明,在记忆提取过程中,IPL在将个人经历事件的生动细节整合到意识表征中起着关键作用。感知场景、识别面孔、听到声音或反思经验本身的主观体验呈现出记忆、注意力和意识之间复杂的相互作用。Tulving(1985)将重新体验过去自我的主观感觉和在精神上投射自己到未来的潜在能力,即自主意识,定义为情景记忆提取的关键方面。脑损伤研究、脑刺激和记录研究的证据一致指向后部区域,包括颞、顶叶和枕叶区域(后部hot区),在指定意识内容方面发挥直接作用。我们目前的发现也与最近的一项研究(Brechet et al.,2018)一致,在该研究中,我们证实了IPL,特别是AG对自我相关、生动的过去事件的主观、第一人称视角重新体验的贡献。大脑活动不断地在不同的精神状态中波动,这种状态在某些时间内是稳定的。一次只能考虑意识内容的一个时段或状态(Seth and Baars, 2005)。据推测,脑电图微状态捕捉到的这些状态只持续了大约100毫秒。使用高密度全脑脑电图,我们确实观察到被指示的思想对特定微状态的持续时间、发生率和转换概率的调节,在记忆条件下微状态B和C增加,在数学条件下微状态D增加。这三种微状态的地形图与之前文献中描述的四种典型微状态中的三种非常相似。大型队列研究表明,在闭眼休息时,微状态C通常是最主要的状态。最近,Seitzman等人(2017)表明,在心算任务中,微状态C的持续时间和发生次数减少,这与我们的发现类似。与休息相比,当受试者从事物体或语言可视化任务时,微状态C持续时间也有所减少。基于这些和其他研究,我们假设微状态C反映了DMN的活动。事实上,我们对这种微状态的源分析证实了这种解释。微状态C的源位于双侧顶叶和MTG的外侧部分,我们在fMRI结果中认为这一区域属于自我体验子系统。与静息状态相比,微状态C并没有因记忆条件而显著提高,这并不令人惊讶。它证实了一个假设,即自我相关的记忆提取在自发的思维漫游中也占主导地位。此外,我们的研究显示,与休息和数学条件相比,在记忆过程中微状态B的出现次数增加。这种状态以前被归因于视觉网络。例如,Milz和同事表明,当参与者被要求可视化之前展示的图像时,微状态B增加了。在我们的研究中,源定位也表明视觉皮层和内侧顶叶区域被强烈激活。有趣的是,内侧顶叶皮层损伤导致记忆识别和视觉空间障碍,但不涉及自我意识的损害。因此,我们将微状态B出现的增加解释为与fMRI连通性分析中发现的场景重建子系统相关。因此,一个有趣的假设是,微状态分析允许我们解开与情景式自传记忆的意识体验相关的思想的子部分,即场景的可视化和场景中自我的可视化。事实上,转移概率分析揭示了微状态B和C之间的切换比其他任何状态之间的切换更频繁。

    此外,我们的结果表明,当参与者参与数学计算时,微状态B和C的出现频率都较低,而微状态D的持续时间和出现频率则显著增加。微状态D先前被认为与包括额顶叶区域在内的注意力/认知控制网络有关。我们对微状态D的源定位证实了该状态属于额顶控制网络(FPCN)。此外,微状态D的增加和微状态C的减少与被试在外部导向和自我导向认知时FPCN和DMN的反向激活的观察非常吻合。因此,我们的研究表明,在fMRI数据中发现的大规模网络反相关与这些功能的微状态的毫秒级调制有关。

    脑电图微状态研究多次揭示了精神疾病,特别是精神分裂症的微状态的时间动态变化。最近的一项荟萃分析(Rieger, 2016)证实了最有力的发现,即精神分裂症患者或者有患精神分裂症的风险的微状态C持续时间和发生率增加,微状态D减少。当患者接受抗精神病药物和经颅磁刺激治疗时,这种不平衡被正常化了。这些发现很好地符合微状态C反映内省、自我聚焦的思想,而微状态D反映注意力和认知控制的解释。精神分裂症患者微状态C的增加和微状态D的减少可能表明精神状态与环境输入的渐进性脱离。当一个健康人在与周围环境互动时,他会不断地、毫不费力地平衡休息时间和集中注意力的时间,患有精神分裂症或其他精神障碍的患者可能会持续思考涉及他们自己的一件特别不愉快的事情,从而失去对走神的自然流动的控制。因此,通过研究了解微状态的功能意义,就像这里展示的那样,可能不仅与监测精神疾病风险患者的脆弱性和治疗效果有关,而且还有助于更好地理解这些患者陷入的思想。

    微状态模型假设EEG时间序列可以被描述为一个有限数量的状态序列,并且在每个时间点上只有一个状态是活跃的。这是用赢者通吃的方法实现的,方法是用一个聚类地形图标记每个时间点。在实践中,存在一定程度的重叠,在给定的时间点,其他状态也可以解释数据中一定数量的变异。诚然,微状态模型是一种简化,但它允许将静息状态数据暂时解析为一些基本元素(状态),这些元素有可能表示信息处理的基本步骤。这些元素可以通过使用非重叠的准稳定状态序列对数据进行建模来实现。这个全局的、极其简单的、数据驱动的方法可以用来提取唯一的特征,比如这些状态的持续时间和发生率。此外,微状态方法嵌入到一般功能理论中,该理论假设在任何给定时刻只有一种功能状态发生。

    展开全文
  • 实时功能磁共振成像(rtfMRI)技术已被广泛用于训练受试者以主动调节特定大脑区域的活动。 尽管许多先前的研究表明,神经反馈训练会改变任务状态静止状态下大脑区域之间的功能连接性,但尚不清楚默认模式网络(DMN...
  • 低分辨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表现出来是FMRI数据处理分析的主要任务 Fmri原始数据是以dicom数据格式存在的压缩文件,解压后,得到原始文件。原始文件以“IMA”下...
  • Gd-DTPA钆元素钆元素对比磁共振造影剂 氟-19磁共振/荧光双模态显影剂19F MRI 钆对比剂的原理 钆(Gd)元素螯合物是所有磁共振造影剂中使用较广泛的。由于其独特的电子结构,Gd3+具有7个不成对电子,这些电子与质子...
  • FSL功能磁共振处理工具:feat(1)

    千次阅读 2018-12-19 09:36:22
    FSL的FEAT工具主要用在功能磁共振影像fmri的分析中。FEAT提供了fmri 的预处理对实验设计简单的统计分析功能,同时也具有足够的灵活性以允许对最复杂的实验进行复杂分析。 调用方式 FSL的诸多命令一样, feat...
  • 我国9.4T磁共振成像系统研制进展

    千次阅读 2016-04-15 20:22:52
    中科院合肥物质科学研究院强磁场中心建成大型超导磁共振成像系统,该系统是亚太地区第一台磁体强度为9.4T、磁体口径为400mm的大型哺乳动物高场磁共振成像系统,各项技术指标都达国际先进水平。磁体为安捷伦公司制造...
  • 磁共振成像(MRI)系统需要接近绝对零点的冷却。 为了避免由于用于产生静磁场的电磁线圈中极高的电流而造成的热损失,这是必要的。 通常使用基于氦的制冷机来实现冷却。 冷头是该系统中重要且至关重要的机械组件。 ...
  • 磁共振成像系统最重要的就是磁体,其作用是提供一个稳定的磁场环境。为了保证磁场均匀度,MRI调试中最重要的一个步骤就是:匀场。 匀场,顾名思义就是要使磁场的强度均匀。 为什么需要匀场? 首先回顾...
  • 功能磁共振数据处理一般流程

    千次阅读 2015-12-15 09:03:00
    由于SPM操作较为复杂,不适合批处理,因而有很多实验室开发了一系列基于SPM的工具包,也即开发界面,调用SPM功能实现操作计算。具体的工具包会再另一篇里详述。本部分主要进行流程简述。 一、预处理 0.删除Slice:...
  • fMRwhy-使用SPM12Matlab促进与BIDS兼容的fMRI分析 什么是fMRwhy ? 这是一个基于MatlabSPM12的工具箱,具有多种... 它可以在具有T1wBOLD数据的完整BIDS数据集上运行,并且将自动导出数据结构以处理所有任务,会
  • 这项研究调查了社会适应的神经基础,使用多模式大脑成像社会适应性测量方法来分析大学生社会适应中的功能和结构性脑部特征。 结果显示,就脑功能而言,社会适应的某些方面与岛状以及额叶枕叶的某些区域有关。 ...
  • 磁共振影像分析之: 基于FSL的VBM分析(1)

    万次阅读 多人点赞 2018-04-10 19:47:23
    磁共振影像分析之: 基于FSL的VBM分析(1) 基本概念 在开始之前, 先给出几个基本概念: 磁共振成像 ...磁共振成像(Magnetic Resonance Imaging, MRI)是一种基于核磁...结构磁共振(structural magnetic resonance...
  • 摘要:几十年来,不同脑区自发波动的功能磁共振成像(fMRI)信号与行为之间的关系一直处于探索阶段,这些信号间的相关性(即功能连接)可以在几分钟的数据中平均,为个体提供功能网络架构的稳定表征。然而,这些稳定...
  • MRI在癫痫常规诊断中具有重要地位。它有益病因学诊断,在术前评估中不可或缺。总体来说现代MRI研究对临床神经科学大有裨益,有望...超高场磁共振成像复杂的序列提供了高质量的数据集,经后处理,可以提取结构功能
  • 自我,思想大脑之间的科学关系仍然不清楚。 自我对语言,感觉,思想等的... 在这项研究中,作者基于作者的超子-超子论的假设来解释意识的神经相关性,提出了在单词,感觉思想的认知理解中大脑神经底物的树型结构
  • 探讨间质磁共振淋巴造影对评价正常淋巴系统结构功能的价值。选取纯种新西兰大白兔24只,在每只大白兔双侧后肢足背部趾蹼处注射0.2mL欧乃影,按摩注射部位30s.分别于造影剂注射之前及注射按摩后5、10、20、30、60、...
  • 第一篇概论,包括:“EEGfMRI的神经生理基础、同步EEG-fMRI的发展历史、同步记录及其计数原理、实验设计基本分析方法。...功能磁共振(functional magnetic resonance imaging,fMRI)可以让我们在毫...
  • 弥散磁共振成像 技术 通过测量生物组织中水分子的弥散过程直接估计评价活 体脑部纤维组织的生 理机能 , 并使用纤维追踪 技术间接估计重建脑部神经纤 维的三维结构 。 弥散磁共振成像在中枢神经系统研究中得到...
  • 北京赛博尔医药科技有限公司(www.cibrmed.com)将于2019年 7月6日 至 2019年7月11日(周六至下周四)举办第三十届脑功能磁共振数据处理分析培训班...根据以往办理的脑功能磁共振数据处理分析培训班、磁共振数据提高...
  • 来源:brainnews作者:brainnew创作团队杜克大学的研究人员对功能磁共振数据进行了重新测评,对自己15年的工作提出了质疑。脑部图像显示了不同的两天完成3个任务所对应的功能磁共...
  • 近日,中国科学院精密测量科学与技术创新研究院与武汉...磁共振波谱与成像(NMR/MRI)作为一种重要的分析医学影像技术,已广泛应用于液体、固体、生物组织检测,成为活体状态下显示人体结构和功能的最好影像学技术之...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,094
精华内容 837
关键字:

结构磁共振和功能磁共振