基于靜息態(tài)功能磁共振成像的靜態(tài)及動態(tài)功能連接分析方法研究進展

Basic information

磁共振成像 2019年 第10卷 第8期

Contents

Concepts

• 肯德爾系數(shù)一致性(Kendall's coefficient concordance,KCC)用于衡量給定體素的時間序列及其與其近鄰的體素時間序列的相似性。
• 靜態(tài)功能連接主要包括模型驅(qū)動-種子點法、數(shù)據(jù)驅(qū)動網(wǎng)絡法以及功能網(wǎng)絡連接法。
  1. 模型驅(qū)動分析法-種子點法：用先驗知識確定一個大腦區(qū)域或體素的集合作為ROI，然后探究大腦其他腦區(qū)與ROI功能連接。
  2. 功能網(wǎng)絡連接分析(functional network connectivity,FNC)：首先對被試的fMRI數(shù)據(jù)進行組ICA分析得到被試的特異性功能網(wǎng)絡(由ICs反映)及其相關(guān)波動(由時間序列[time courses,TCs]反映)；然后，通過計算其后處理的TCs之間的Pearson相關(guān)性的連接性度量來獲得任意兩個網(wǎng)絡之間的功能連接，從而產(chǎn)生包括所有網(wǎng)絡之間的連接性強度的功能連接矩陣，F(xiàn)NC與ICA都需要預先確定組件的數(shù)量。
  3. 數(shù)據(jù)驅(qū)動分析法：使用分解或聚類方法映射全腦功能網(wǎng)絡，其方法包括空間獨立成分分析(independent component analysis,ICA)、PCA法和聚類方法等。
     1. 空間ICA將功能磁共振成像(functional magnetic resonance imaging,fMRI)數(shù)據(jù)矩陣(時間點*體素)分解為多個空間獨立分量(independent conmponents,ICs)的線性組合，其中有意義的ICs可視為腦功能網(wǎng)絡，在每個功能網(wǎng)絡中，具有更高Z分數(shù)的體素傾向于具有更強的內(nèi)部功能連接(或共同激活)。
        為了解決ICA方法中存在的ICs生成順序任意的問題，fMRI研究中提出以下兩種解決方法：
        |方法|內(nèi)容|
        |---|---|
        |方法①|(zhì)對每個被試分別進行ICA，然后使用主觀識別、聚類等方法建立跨被試的ICs對應關(guān)系及基于可重復性的自動匹配。|
        |方法②|組ICA(group ICA)：對所有被試的數(shù)據(jù)執(zhí)行一個ICA，然后以某種方式從組級ICs獲得被試特定的ICs，從而在不同被試之間建立IC的直接對應關(guān)系。|
• 動態(tài)功能連接(可反映時變的功能連接變化)包括基于滑動時間窗法和無窗口法。
  1. 滑動窗相關(guān)法(sliding window correlation,SWC)：用具有特定權(quán)重變化結(jié)構(gòu)的窗口對信號進行動態(tài)截取，然后對窗口截取的數(shù)據(jù)進行功能連接分析。
  2. 無窗口法：
     1. 時頻分析：使用多個頻率來探索功能連接。將觀測窗口與原始時間過程的頻率相適應。
     2. 貝葉斯方法：提取時變功能網(wǎng)絡作為貝葉斯設置下的動態(tài)模型。