作者：楊曉飛
Hello，
這裡是行上行下，我是喵君姐姐~
fMRI因為能夠提供對大腦功能的獨特洞察而受到醫生和研究人員的廣泛歡迎。然而，我們必須考慮多種技術因素，從實驗設計到數據採集、數據處理以及方法的內在限制，以優化fMRI分析並對數據作出最準確和最有根據的解釋。
實際研究過程中，研究者/臨床醫生必須從許多可用的選項中選擇每個階段最合適的軟體工具。在這裡我們提供簡單的指南，包含主要的分析階段，每個階段涉及的技術和工具。這份指南旨在作為神經成像社區的資源，幫助新手克服最關鍵的困難。本文由葡萄牙學者發表在Frontiers in Neuroscience雜誌。
關鍵詞：fMRI，數據收集、預處理、分析
應用領域
fMRI技術被廣泛應用於認知神經科學領域（比如感知運動功能、語言、視覺空間、注意、記憶、人格、決策、執行功能）以及成癮、神經營銷等等。另一個主要研究領域為臨床神經成像（比如手術前後的狀態對比、基因相關的功能研究等）。最後一個較為新興的領域是結合實時神經反饋或腦機接口治療疾病比如強迫症、抑鬱症、精神分裂。
實驗設計
核磁的實驗設計分靜息態和任務態2種。
靜息態
靜息態是最簡單直接的實驗設計，被試不需要完成任何外在任務。這種情況下收集到的數據具有一致穩定的功能模式，被稱為靜息態網絡（Resting State Networks ,RSNs)。
最經典的實驗設計為閉眼靜息（數據收集過程中，被試眼睛閉上，不要想任何事情也不要睡著）和睜眼靜息（數據收集過程中，被試眼睛睜著視線固定，不要亂動不要想任何事情）。真實研究中選何種設計，由研究目的決定。掃描時長也會對結果產生影響，一般為5—7min，如果是兒童被試可適當縮短比如5.5分鐘。
任務態
任務態fMRI研究中，刺激的呈現方式至關重要。最經典的實驗設計為block設計、event設計和混合設計三種。
其中最簡單的實驗設計是block設計，其包含一系列的block，每個block裡面呈現1種條件的刺激。Block之間的間隔取決於刺激類型，通常為15-30s。
每個條件呈現的順序也很重要，通常要在被試間平衡。Block設計的優點是方法簡單、統計功效良好、信號魯棒，缺點是被試會產生練習效應並且無法準確定義響應時間。
Event設計旨在描述大腦功能與離散事件的相關，刺激順序隨機，刺激間隔（inter-stimulus interva，ISI）通常在0.5-20s。這一任務增加了不可預測性，提供了有效手段檢測局部血流動力學反應的瞬態變化，但同時也造成信噪比降低、分析過程變得複雜，最終導致檢測能力下降。
Event設計還分為2種類型，其差異來自ISI的範圍：一是慢事件相關設計（slow event-related designs），其ISI通常在15s以上，這樣可以防止刺激間HRF的重疊；另一個是快事件相關設計（rapid event-related designs），刺激間的間隔時間短（短於先前刺激的HRF），導致刺激間HRF的重疊。
此外，刺激呈現順序設置為隨機或偽隨機，也可有效減少練習效應。對於快速事件相關設計，jitter設計則允許出現不同的HRF重疊，可以減少多重線性問題並更好的表徵每種條件的反應。
混合設計結合了block設計和event設計的優點，能提供持續和瞬間功能激活情況。不過，它需要更多的假設，對HRF的估計較差，持續信號的統計效應變低，需要更多的被試量。
最後，當研究同時涉及靜息態和任務態時，建議先掃描靜息態。
圖1 經典fMRI研究流程。
（A）數據基本特徵（B）靜息態（C）block設計（D）event設計（E）混合設計（F）採集技術（G）偽影（H）質控（I）格式轉換。預處理步驟：（J）時間層校正（K）頭動校正（L）空間標準化（M）平滑（N）濾波。（O）基於任務態的分析方法（P）基於靜息態的分析方法（Q）統計界面（R）可視化。
Power分析
fMRI研究因為樣本量少、比較次數多導致統計效應低而一直為人詬病。另外也由於BOLD響應的不確定性等原因導致fMRI研究較少計算效應量。好在現在已經開發出了專門的工具，只需輸入平均激活、方差、Ⅰ類錯誤的概率（alpha level）等即可計算。已有的軟體有：PowerMap software、fMRIPower tool、NeuroPower。
數據收集技巧和偽影
常見的核磁技術
BOLD信號檢測是最常見的技術，其他的一些技術有腦血容量（cerebral blood volume，CBV）、腦血流量（cerebral blood flow ，CBF)和腦氧代謝率（cerebral metabolic rate of oxygen，CMRO2)。
動脈自旋標記（Arterial Spin Labelling，ASL）利用動脈血液中的水分子作為內源性對比劑實現腦血流成像；血管空間(Vascular-Space-Occupancy,VASO) 基於血液和周圍組織的差異並通過局部CBV的動態測量確定; Venous Refocusing for Volume Estimation(VERVE)基於靜脈腦血容量變化；擴散加權MRI測量激活過程中與細胞腫脹有關的神經組織的結構變化。
最後，收集數據時需要獲取特定的序列。常見的掃描序列為平面回波序列（echo planar imaging，EPI）。
數據收集技巧
在採集階段，收集到高質量的數據是至關重要的。關於收集技巧並沒有黃金原則，因為參數設置都不大一樣，這裡僅針對標準單鏡頭梯度回波EPI 3T（a standard single-shot gradient-echo EPI 3T）核磁數據採集提供一些建議。
所有因素中對磁共振結果影響最大的是磁場強度，隨著場強的增加，靈敏度、解析度和信噪比均得到提高。目前使用較多的是1.5T~3T，但是一些研究中心已有7T設備。另外一個因素是掃描順序，間隔掃描還是連續掃描，升序（foot-to-head）還是降序（小編註：請掃描時做好記錄，後續分析會用上）。
間隔掃描雖然可以減少相鄰層的幹擾，但更容易受到頭動等影響。為了減少這些影響，掃描時層與層之間會存在間隙（通常是層厚的10%~25%）。目前保險的方法是選擇連續降序掃描。
磁共振成像還需考慮時間解析度和空間解析度的權衡，由於BOLD信號隨時間改變，因此優化時間解析度是關鍵。目前TR普遍為2-3s。對於任務態研究，通常會選擇較短的TR，不過這會導致信噪比顯著降低。
優化時間解析度時肯定會犧牲空間解析度，其中一種方法是在保證全腦覆蓋的同時進行多層平行成像，比如GRAPPA、SENSE、multiplex-EPI。GRAPPA和SENSE的工作原理是減少掃描單層影像所需時間，增加敏感度；multiplexed-EPI是一次不止掃描一層。
另外還有一些建議：當既有靜息態研究又有任務態研究時，數據採集參數儘量保持一致，這樣在進行結果對比時比較準確。任務態研究中最重要的是數據掃描和刺激呈現的同步，這個可以通過發送trigger實現。（同步器是必備的任務態同步設備）
偽影
磁共振成像的偽影通常來自脈衝序列、梯度系統硬體、採集策略以及生理噪音。EPI序列有3種常見的偽影：空間形變（figure1 g1）、信號流失（figure1 g2）、鬼影（figure1 g3）。
空間畸變可能是由於磁場不均勻性造成的，局部表現為沿相位編碼軸的拉伸或壓縮像素，在較高的場強下更差，改善的方法有使用勻場線圈、field mapping、point spread function mapping、反向相位梯度。
近場不均勻引起的信號流失通常會在額葉和顳葉發生，改善的方法有：選擇合適的回波時間（當回波時間和感興趣部位的局部T2匹配時，BOLD信號對比最好）、層厚更薄、優化傾斜度、改善相位編碼的方向等。鬼影只發生在相位編碼方向，因為K-space的奇偶行極性相反，改善的方法有使用多回波掃描、二維相位校正、採用GRAPPA進行平行成像等。
硬體方面，掃描儀、頭部線圈的異質性、射頻幹擾等均會影響成像質量，改善的方法是進行獨立成分分析（ICA）或魯棒主成分分析（Robust Principle Component Analysis，RPCA）。生理噪音比如頭動、呼吸、心跳等，其中最常見影響最大的就是頭動，所以在預處理的時候會進行頭動校正。
數據收集的最佳方案是用柔軟的填充物固定頭部，儘量防止運動。至於呼吸、心跳，採集層面需要藉助磁共振兼容的心跳、血氧等設備，分析層面可採用濾波的方式。
幸運的是現在已經開發出了大量的軟體來減少偽影的影響，比如：
Artifact detection Tool(ART—
http://www.nitrc.org/projects/artifact_detect/),
PART—
http://www.mccauslandcenter.sc.edu/CRNL/tools/part)
PhysIOToolbox
(http://www.translationalneuromodeling.org/tnu-checkphysretroicor-toolbox/)
ArtRepairSoftware
(http://cibsr.stanford.edu/tools/human-brainproject/artrepairsoftware.html)
FMRIB’s-based Xnoisifier (FIX)
(http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIX)
RobustWLS Toolbox
(http://www.icn.ucl.ac.uk/motorcontrol/imaging/robustWLS.html)
表1 已發表文章中用到的工具包
表2 fMRI刺激呈現工具
質控和預處理
質控和數據格式轉換
第一次質控是在數據採集時，一邊掃描一邊瀏覽數據非常重要。採集完成之後確保所有被試的數據都被正確導出，並藉助Osirix, MRIcro, RadiAnt,ImageJ等查看原始圖像是否存在問題，然後將原始圖像轉換為.img/.hdr文件或.nii文件方便預處理。常用的轉換工具有：
dcm2nii
(https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii:MainPage)
MRIConvert
(https://lcni.uoregon.edu/downloads/mriconvert/mriconvert-and-mcverter)
NiBabel
(http://nipy.org/nibabel/index.html)
去除前n個時間點、時間層校正和頭動校正
在剛開始採集的時候，機器需要時間進行預熱，因此前幾秒的數據通常是不穩定的需要去除，一般是去除前10秒的數據。舉例來說，如果TR是2秒的話，則是去除前5個時間點。
採集數據時，機器是一層一層掃描的，不同層獲取存在時間差，時間層校正的目的就是把數據調整成好像是在同一個時刻瞬間掃描完成的。時間層校正的效果取決於實驗設計，效果由大到小依次為event設計、block設計、靜息態。不過它也不會對結果產生壞的效果，一般建議都處理一下。
至於時間層校正和頭動校正誰先誰後，通常建議如下：隔層掃描的話先時間層校正後頭動校正，連續掃描的話先頭動校正後時間層校正；頭動較小的被試先時間層校正後頭動校正，頭動較大的被試先頭動校正後時間層校正。
頭動校正是為了對齊各個時間點的圖像，一定程度上消除頭動的影響，因為頭動會造成體素的錯位。最常見的方法是選擇一張圖像作為參考，通常是平均圖像，然後將所有體素進行剛體變換與參考圖像對齊。
空間標準化
空間標準化是為了對齊各個被試的圖像，保證相同的體素對應的各個被試的解剖結構是一致的。配準一般會用到坐標系，在fMRI領域有2大標準坐標系，一是基於單個被試的T空間，一是基於大量被試的MNI空間，這些坐標體系確保所有被試的解剖結構是一致的。MNI空間和T空間也可以進行轉換，常見的工具有：
「icbm2tal」
(GingerALE,http://www.brainmap.org/icbm2tal/)
「mni2tal」
(BioImage Suite,http://bioimagesuite.yale.edu/mni2tal/)
目前的配準方式主要有2種，一是EPI配準也即一步配準法，二是T1配準也即兩步配準法。EPInorm：通過仿射變換將EPI圖像非線性配準到標準空間中的EPI模板。這種方法的優點在於它直接解決了EPI圖像的非線性，但缺點是可能存在過度校正（如用不相關的腦區來填充信號丟失區域）。
T1norm：通過被試的EPI圖像與T1圖像之間進行仿射變換，然後將T1和T1MNI模板進行非線性變換，將變換參數應用於EPI圖像，從而得到MNI歸一化的EPI數據。這種方法的優點是它通常依賴於具有較高空間解析度的T1像來估計對MNI空間的非線性扭曲。但缺點是沒有考慮到幾何失真對EPI數據的影響，因為這種方法假設仿射變換可以校正同一被試EPI和T1數據之間的任何差異。至於選擇何種配準方式，沒有定論，重點是配準的效果。
空間平滑和濾波
空間標準化完成後通常進行空間平滑（也可以叫空間濾波，spatial smoothing/filtering），因為normalize是仿射變換，會產生形變和噪聲，而平滑可以降低仿射變換的影響並提高統計效力。平滑之後體素會與周圍的鄰居變得接近（因為求的平均），圖像會變得模糊。平滑核大小通常是體素大小的2倍。
預處理的最後一步是時間濾波，濾波的目的也是降噪。核磁信號多為低頻信號，而fMRI噪聲可能與緩慢的掃描儀漂移(<0.01 Hz)以及心臟(0.15 Hz)和呼吸(0.3 Hz)效應有關，所以目前常見的濾波範圍是0.008-0.01 Hz，靜息態通常採用0.01—0.08Hz。
表3 主要的預處理工具
表4 主要的處理工具中可分析的指標
任務態分析方法
任務態最常見的方法是在SPM中利用GLM進行一階建模然後分析，這一方法目前仍然很受歡迎。任務態的功能連接也越來越受關注，生理心理交互（PPI）就是其中一種方法，具體包括2個方面：一是測量腦區之間（生理）是否有關聯，二是這些關聯是否受到心理變量也即實驗條件的影響。有效連接包括動態因果模型（DCM）和格蘭傑因果分析（GCA）。
DCM流程如下：刺激輸入引起神經活動變化 ——> 神經活動變化進而引起血管舒張、血流變化、血容量變化以及脫氧血紅蛋白變化 ——> 脫氧血紅蛋白變化進而引起BOLD信號改變。
DCM模型包括2部分：神經活動狀態方程和信號生成方程（過程較複雜，不再贅述）。GCA的基本思想是對於時間序列X(t)和Y(t)，如果添加利用Y(t)過去的信息，比單純地利用X(t)過去的信息預測 X(t)的效果要好，那麼稱Y(t)對X(t)有貢獻，存在由Y(t)到X(t)的格蘭傑因果。該過程通過確定時間序列的優先級然後推導出因果關係。
靜息態分析方法
歷史上，第一個應用於靜息態的方法是基於種子點的相關分析——定義好一個種子點，求它與全腦其他體素的相關。REHO（Regional Homogeneity analysis）是利用肯德爾和諧係數計算體素與其周圍體素的一致性。
ALFF和fALFF反映腦區自發活動的強度，ALFF關注信號低頻振幅的強度，fALFF關注某個特定頻段內的信號振幅強度對可探測到的全頻段範圍內信號的強度。數據驅動的分析方法有PCA（主成分分析）、ICA(獨立成分分析)、聚類（cluster）。
主成分的有效性很大程度上取決於假設的線性度、主成分的正交性和高信噪比，所以可應用於任務態。靜息態目前多用ICA。ICA將信號按照統計獨立的原則，通過優化算法分解為若干相互獨立的成分，以便於分別進行處理，它的建立基礎在於假設源信號的統計獨立性。
靜息態數據通常使用空間ICA，任務態數據主要使用時間ICA。聚類是將數據集合分成由類似對象組成的多個類的過程，和ICA類似，但是效果更好。
越來越受歡迎的腦網絡分析方法是圖論網絡，其假設大腦由節點（腦區）和連邊（節點間的連接）組成，這使得腦區之間能相互建立連接，可分析的指標包括全局屬性、節點屬性和連邊差異。
不過，單靠靜態功能連接分析無法準確描述大腦的動態功能狀態變化，因此衍生出了動態網絡。追蹤大腦功能連接的動態性可以為研究腦網絡的基礎性質和描述大腦的功能活動的動態性提供更多視角。最常用的方法是滑動窗分析技術。
圖2 fMRI研究中常用的分析方法。
對於任務態有GLM（A）、PPI（B）、SEM（C）、DCM（D）、GCM（E）、多體素模式分析（F）。對於靜息態有基於種子點的相關（G）、Reho(H)、ALFF（I）、PCA（J）、ICA（K）、clustering（L）、圖論網絡（M）、動態功能連接（N）。
數據統計
統計模型為GLM模型，常見的分析方法有T檢驗、方差分析，協變量需考慮。統計時可全腦進行，也可選擇自己感興趣的腦區（基於假設）。統計結果均需進行校正，校正方式有2大類：基於體素水平的校正（family-wise error rate、false discovery rate）和基於cluster水平的校正。
FWE較為嚴格，FDR相對寬鬆。實現校正的工具有AFNI、FSL、SPM等。另外一種校正方式TFCE（hreshold-free cluster enhancement）可通過FSL實現。通常ROI統計更易出結果，因為其多重比較校正僅限於ROI內部。最後，目前的統計結果基本需要匯報效應量。
多模態研究
使用不同的神經成像方法收集多模態數據已經變得越來越流行，這為研究更全面的大腦結構和功能提供了機會，無疑是未來的趨勢。幾個世界級別的研究如:
Human Connectome Project, Developing Human Connectome Project , Baby Connectome Project已開展相關研究，將功能像與結構像結合起來。另外，也有將fMRI與EEG、MEG、fNIRS、TMS等結合。
報告和結果解釋
通常需要報告peak點坐標（X Y Z），cluster size 、多重比較校正的方式、統計值、腦區名稱以及腦圖。方法和結果儘可能詳細描述，保證可重複性。結果解釋一定要參考前人文獻、有依據，在此基礎適當拓展。
結論和未來展望
fMRI目前在腦功能研究中很受歡迎，並有望在未來變得更加突出。本文旨在為新手提供fMRI研究的一套指南，從實驗設計、數據採集到數據分析和結果匯報，希望能對大家有所幫助。