fMRI脑影像特征提取——静息态与任务态,ALFF/fALFF和ReHo
作者:互联网
| 图源
任务态和静息态是大脑的两种状态,前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态,静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态,是大脑所处的各种复杂状态中最基础和最本质的状态。任务态fMRI分析有非常悠远的历史,而静息态fMRI自1995年biswal教授及其同事率先报告静息态fMRI具有生理意义后,越来越多的人进入了静息态的研究领域。任务态fMRI主流的分析方法是模型驱动(GLM+HRF),也可以引用静息态fMRI分析方法。静息态fMRI分析方法是数据驱动的,常见的有功能连接(FC)分析——上篇文章介绍,局部一致性(ReHo)分析,低频波动振幅(ALFF)分析——本文介绍。FC、ReHo、ALFF都是描述fMRI影像非常有用的特征。
原创不易,转载请注明出处
copyright © 意疏:https://blog.csdn.net/sinat_35907936/article/details/118264261。初学小白,如有错误,还望不吝指出。
任务态与静息态
任务态和静息态是大脑的两种状态,前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态,静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态,是大脑所处的各种复杂状态中最基础和最本质的状态1。研究表明,在大脑消耗的全部能量中,静息态的能量消耗,要远远高于与任务相关的神经元代谢增加,如果只研究任务态,那我们获取的关于大脑的知识将是非常有限的2。所以,自1995年biswal教授及其同事3率先报告静息态fMRI具有生理意义后,越来越多的人进入了静息态的研究领域。
任务态fMRI(task-fMRI),就是在大脑执行具体任务时的fMRI影像,其基于很强烈的模型假设,即在特定实验任务刺激的情况下,相对于没有该实验任务刺激(基线baseline——往往是静息态)时,某些大脑区域的fMRI(BOLD)信号会发生显著变化(激活),且信号变化符合HRF函数。在采集task-fMRI数据之前,需要精细的实验设计——需要知道任务是什么,基线是什么,任务什么时候开始,持续多长时间,任务与基线交替几次等等,实验设计是task-fMRI的灵魂。如图12上面那幅图所示的就是一个睁眼闭眼任务的简单实验设计范式,睁眼是任务(这里不知道有木有给被试看什么东西,比如动画片什么的),闭眼是基线,它们开始的时间,持续的时间,交替次数都可以从图中看到。
task-fMRI之所以需要精细的实验设计,首先是因为它是模型驱动的,如果实验设计都很粗糙,做出来的结果可能也粗糙,其次就是在采集task-fMRI数据时,基线数据和任务数据是交替混在一起的,在分析task-fMRI数据时,我们需要准确的时间信息才能用基于模型(GLM,广义线性(回归)模型+HRF)的数据分析方法,分别得到每个体素的fMRI(BOLD)信号与任务信号(睁眼闭眼任务中为:0 1 0 1 0 1 0 1 0 1 0)和基线信号(睁眼闭眼任务中为:1 0 1 0 1 0 1 0 1)的相似程度 β 1 β 2 \beta_1 \beta_2 β1β2,如果某个体素的BOLD信号与任务信号变化很相似,如图1上图的紫色线与蓝色线,那么该体素对应的 β 1 \beta_1 β1就会很大,表征该体素与该任务很相关。
最终得到的 β 1 \beta_1 β1和 β 2 \beta_2 β2都是三维的,且与大脑位置对应的volume,比较两者的差异就可以得到,与基线相比,和任务显著相关的大脑区域(激活区域,活化区域),如图1上图中的红黄色区域——初级视觉皮层区域。如果再进一步比较不同群体在该任务上激活区域上的差异,就可以分析疾病,发育,认知等课题。task-fMRI主流的分析方法是GLM+统计检验,当然也可以引用静息态的分析方法。
静息态fMRI(rs-fMRI),就是大脑不执行具体认知任务、保持安静、放松、清醒状态时的fMRI影像。静息态fMRI不需要实验设计,也没有假设,如果你去扫描过数据,你一定会对这样的指导语印象深刻:“接下来的一段时间,你只需要闭上眼睛休息,保持头部不动,也不要睡着了”,这是扫静息态数据时常见的指导语。人在做任务的时候是很专注的,但是在休息的时候就比较天马行空了,所以扫静息态时被试可能会想起昨天看的一部电影,可能会计划扫描后用赚到的被试费到去哪里吃美食,可能会想晚上约会穿什么衣服,也可以因为想到明天考试而瑟瑟发抖,等等,不能发抖,一会头动过大,还得重新扫。总之,我们并不清楚被试在扫描仪里面想什么,他们可能想了一件事情,也可能想了多件事情,或许所谓的静息态,就是多种任务之间的转换呢?另外,值得注意的是,有的静息态扫描可能是要求被试睁眼的,这相比于闭眼扫,视觉区信号可能会偏高。
rs-fMRI分析是数据驱动的,也会用到GLM,不过这里是用来回归(去除)干扰因素(协变量,如头动)的。它的分析方法主要集中描述大脑的协同性和自发活动,如功能连接——描述不同脑区之间的协同性,ReHo(局部一致性)——描述相邻体素区域的活动步调的一致性,低频波动振幅(ALFF)——描述单个体素区域的活动强度,它们都是描述静息态影像的重要特征。最后,说一下图1下图,它表明在静息状态下,BOLD信号也是有很强波动的,其中应当含有生理意义。
copyright © 意疏:https://blog.csdn.net/sinat_35907936/article/details/118264261。初学小白,如有错误,还望不吝指出。
ReHo
Regional Homogeneity (ReHo4,局部一致性或者区域一致性),在于描述给定体素的时间序列(BOLD信号)与其最近邻体素的时间序列(BOLD)的相似性,ReHo认为,当大脑功能区域涉及特定条件时,该区域内的体素在时间上更均匀,是一个经过验证的较为可靠rs-fMRI特征。最近邻像素一般是取如下图5所示的三种,形成7、19或27个体素形成的簇,然后在这些簇上计算相似性。
一致性描述用肯德尔一致性系数(Kendall s consistency coefficient, KCC),它可以度量一个多个序列步调的一致性趋势,是一种排序等级上的一致性。ReHo用它还度量一个簇内多个时间序列相似性,如果时间序列步调一致,那么KCC会接近1,即ReHo接近1,反之则会靠近0,即ReHo靠近0。
ReHo的计算方法与计算过程如图35,6所示,左边是三个体素的简化BOLD信号,右边是BOLD信号的排序和KCC计算过程。注意到KCC计算不是用原本的BOLD信号,而是用的原本信号的排序等级序号。以图3的上半部分图表的第一行为例,该体素第三个时间点的信号最小,故排序序号为1,第5个时间点第二小,排序序号为2,以此类推,第4个时间点最大,排序序号为5,由此时间序列13.8、12.3、10.2、16.4、11.5就转换成了排序序列4、3、1、5、2,其他行也做相同转换。可以发现转换之后,虽然之前三个体素BOLD信号是不同的,但是他们的排序完全却是一致的,表明他们的KCC为1。
关于KCC计算, R i R_i Ri为第 i i i个时间点上,一个簇中所有体素的等级之和,如上图上半部分图表中 R 1 = 4 + 4 + 4 = 12 R_1=4+4+4=12 R1=4+4+4=12。S是 R i R_i Ri的方差,如果等级序列越同步,方差越大,如果等级序列越随机,则方差越小。K是参与计算的邻域大小,即簇大小。n是序列长度,即时间点数。
每个体素都会和其邻域计算一次ReHo,所以最后得到的ReHo是一个三维的,且与大脑位置对应的volume,如图4所示。通过它,我们可以做进一步的分析,如统计检验、机器学习等。
ALFF
ReHo在描述区域内的一致性,功能连接FC在描述区域之间的同步性,它们都没有直接描述某区域大脑活动的强度,即无法进行活性检测。Amplitude of Low Frequency Fluctuation(ALFF,低频波动振幅)则揭示了区域自发活动的 BOLD 信号强度。Biswal 教授及其同事31995年首先报告说,fMRI 中的自发低频 (0.01–0.08 Hz) 波动 (LFF) 在静息时左右初级运动皮层之间高度同步。所以一般认为低频 (0.01–0.08 Hz)基本是神经信号,低于0.01Hz是低频漂移,高于0.08Hz是生理噪声——呼吸、心跳。不过在dpabi上默认的LFF频率是0.01-0.1Hz,应该有文章支持这个上限,笔者暂时没有关注到。振幅是由BLOD信号功率谱的平方根求和再取平均得到的(均方根)。
ALFF的提取过程如图57所示,先对fMRI进行预处理(A),接着用带通滤波器去除低频波动(LFF)(B),对低频波动求傅里叶变换,求其功率谱(C),由于功率谱是与振幅的平方成正比的,所以接着求了功率谱的平方根(D),对功率谱求和再除时间点数取平均(E),最后使用全脑平均ALFF再做了一个归一化。每个体素都会算一次ALFF,所以它同样是一个三维的volume。
fALFF
ALFF在前人报告的,在静息态活性更高的区域如默认网络(PCC)、显著高于大脑其他区域,这表明ALFF可以捕捉到神经活动强的区域,但它也在鞍上池(SC)或大血管附近显著更高,这些地方应该神经活动应该是极少的,表明 ALFF 对生理噪声很敏感。对生理噪声敏感,是可以预见的,因为在计算ALFF时,虽然只选择了低频(0.01-0.08 Hz)信号,但是没有任何证据表明,生理噪声在某些地方不能有很强的低频(0.01-0.08 Hz)成分。
为了降低ALFF 对生理噪声的敏感性,并提升其检测自发脑活动的灵敏度和特异性,ALFF作者在其基础上,用ALFF与全部频率的功率谱均方根的比值——低频范围(0.01-0.08 Hz)功率谱均方根与整个频率范围内(0-0.25 Hz)功率谱均方根比值,就得到了(fALFF,分数低频波动振幅),由于要除以整个频率范围,所以求fALFF前不能带通滤波。
如果想用这个方法降低ALFF 对生理噪声的敏感性,并提升其检测自发脑活动的灵敏度和特异性,笔者觉得需要满足一个假设——神经活动强的区域,低频范围(0.01-0.08 Hz)的幅值要显著高于其他频率范围,生理噪声强的区域,其他频率范围的幅值要显著高于低频范围(0.01-0.08 Hz)的幅值。如图6所示8,PCC与SC的信号显然都满足假设,所以ALFF与整个频率范围内功率谱均方根的比值,可以弱化SC区域的低频(0.01-0.08 Hz)信号幅值,而增强PCC区域的低频(0.01-0.08 Hz)信号幅值。
虽然fALFF对ALFF有改进,但是也天然会存在错误的情况,所以一般会同时算fALFF与ALFF,然后综合考虑两者或者取效果好那种。
ReHo、ALFF/fALFF提取
我们可以用Dpabi(DPARSFA),如图7右,或者REST工具,如图7左,很简单的提取fMRI的ALFF\fALFF特征,无需多言。以上,如果本文对你有帮助,不要忘了一键三连哦。
copyright © 意疏:https://blog.csdn.net/sinat_35907936/article/details/118264261。初学小白,如有错误,还望不吝指出。
参考
https://wenku.baidu.com/view/9f038179998fcc22bcd10db1.html. ↩︎
https://mriquestions.com/uploads/3/4/5/7/34572113/biswal_resting_state.pdf. ↩︎ ↩︎
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.419.8611&rep=rep1&type=pdf. ↩︎
https://www.ym.edu.tw/~cflu/fMRIanalysis_Class09_CFLu.pdf. ↩︎ ↩︎
https://www.bilibili.com/video/BV1mK4y1N7ZS?p=17. ↩︎
http://nlpr-web.ia.ac.cn/2007papers/gjkw/gk38.pdf. ↩︎
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3902859/. ↩︎
标签:fMRI,ALFF,大脑,静息,fALFF,任务,ReHo 来源: https://blog.csdn.net/sinat_35907936/article/details/118264261