带你认识BOLD-fMRI成像原理

本文科普了BOLD-fMRI成像原理,它是基于神经活动增加导致的血流动力学变化,通过检测氧合血红蛋白和去氧血红蛋白比例变化,利用T2*加权成像定位脑功能活动。虽然fMRI空间分辨率高,但时间分辨率低,适用于认知研究和疾病生物标志物的监测。

关注“心仪脑”查看更多脑科学知识的分享。

关键词:科普散文、文献综述

当大家提到大脑活动时,许多人会想到功能磁共振成像生成的激活图。作为一种非侵入式的脑成像方法,fMRI已成为认知研究领域的主力军之一。我们有必要了解它的成像基础和原理。

在上篇推文中,我们简明扼要地介绍了磁共振成像的物理原理,在这里可以简单地回顾下:普通临床用的MRI信号几乎都来自组织液中的H质子,然后通过施加外在的射频脉冲产生干扰,H质子吸收能量,纵向磁化量减小并产生横向磁化量,这个过程产生MR信号。但出来混的总归是要还的,当撤去射频脉冲后,质子又回到初始位置。不同组织的质子恢复的时间是不同的,因此,MRI信号强度受多种因素的影响,包括质子密度、T1弛豫时间、T2弛豫时间、扩散效应、磁化敏感效应和体内液体的流动等。根据对比度的类型不同,MRI检查方法也包括了常规MRI检查、弥散成像(DWI)、扩散张量成像(DTI)、灌注加权成像(PWI)、血氧水平依赖脑功能成像(BOLD-fMRI)等。

BOLD-fMRI描绘了由于任务诱导或自发调节神经代谢而导致的脱氧血红蛋白浓度的变化。自 1990 年问世以来,该方法已被广泛应用于认知研究(相信大部分学认知神经科学、精神病学或心理学的都听说fMRI),同时,fMRI也越来越多地被用作疾病的生物标志物,以监测治疗或研究药理功效。那为什么fMRI会如此地受欢迎呢?这要先聊聊它的成像基础和原理。

首先,我们要知道的是,fMRI属于MRI成像方法之一,为了了解功能性磁共振成像中主要使用的特殊对比机制,我们有必要先了解大脑的代谢活动。

此处穿插一点生物学知识

我们所有的思维和感受都是依靠神经元与神经元之间的交流来实现的。也就是说,当你受到某种刺激时,你的神经元会发生放电,产

### 技术原理 #### RS - fMRI原理 RS - fMRI基于血氧水平依赖性功能磁共振成像BOLD)技术。大脑神经元活动与局部脑血流、脑代谢之间存在耦合关系。当神经元活动时,局部脑血流增加,而脑代谢率的增加相对较小,导致脱氧血红蛋白含量减少,这种局部血液中脱氧血红蛋白浓度的变化会引起局部磁场的改变,进而在磁共振图像上表现为信号的变化。在静息状态下,大脑不同脑区的神经元也会自发地产生低频振荡活动(0.01 - 0.1Hz),这些振荡活动在功能上相互关联的脑区之间表现出同步性,通过检测这些同步性可以绘制出大脑的功能连接网络[^1]。 #### 动态因果建模原理 动态因果建模(DCM)是一种基于模型的分析方法,用于描述大脑不同脑区之间的有效连接。它假设大脑的神经活动可以用一个动态系统来描述,这个系统由一组微分方程表示。DCM通过建立脑区之间的连接模型,考虑神经活动的内在动力学、外部输入以及噪声等因素,然后根据观测到的神经影像数据(如RS - fMRI数据)来估计模型的参数,从而推断脑区之间的因果关系和连接强度。例如,DCM可以模拟不同脑区之间的神经信号传递和相互作用,确定一个脑区的活动如何影响其他脑区的活动[^1]。 ### 应用场景 #### RS - fMRI应用场景 - **神经科学研究**:用于研究大脑的功能组织和发育。例如,研究儿童和青少年大脑功能网络的发育变化,了解大脑在不同发育阶段的功能连接模式,为认知和行为发展提供神经生物学基础。 - **神经系统疾病研究**:在阿尔茨海默病、帕金森病、精神分裂症等神经系统疾病的研究中,RS - fMRI可以检测大脑功能连接的异常变化,有助于疾病的早期诊断、病情评估和治疗效果监测。例如,在阿尔茨海默病患者中,默认模式网络的功能连接通常会减弱。 - **认知神经科学**:研究认知过程(如注意力、记忆、语言等)与大脑功能连接的关系。例如,通过RS - fMRI可以研究在不同认知任务前后大脑功能网络的动态变化,揭示认知活动的神经机制。 #### 动态因果建模应用场景 - **神经精神疾病机制研究**:通过分析大脑不同脑区之间的因果关系,深入了解神经精神疾病的发病机制。例如,在抑郁症研究中,DCM可以揭示前额叶皮质与边缘系统之间的因果连接异常,为开发新的治疗方法提供理论依据。 - **药物疗效评估**:在药物治疗过程中,DCM可以监测大脑有效连接的变化,评估药物对大脑神经环路的影响,为个性化治疗方案的制定提供参考。 - **脑机接口研究**:帮助理解大脑不同脑区之间的因果交互,为设计更高效的脑机接口系统提供基础。例如,通过DCM确定与特定运动或认知任务相关的脑区因果关系,提高脑机接口的控制精度和可靠性。 ### 分析方法 #### RS - fMRI分析方法 - **种子点相关分析**:选择一个感兴趣的脑区(种子点),计算该种子点与全脑其他脑区的时间序列相关性,得到种子点与其他脑区的功能连接图。这种方法简单直观,能够快速发现与种子点功能相关的脑区。 - **独立成分分析(ICA)**:将RS - fMRI数据分解为多个相互独立的成分,每个成分代表一个具有特定空间分布和时间序列的功能网络。ICA可以自动识别大脑的多个功能网络,无需预先定义种子点,适用于发现新的功能连接模式。 - **图论分析**:将大脑的功能连接网络抽象为图,其中脑区为节点,功能连接为边。通过计算图的拓扑属性(如度、聚类系数、最短路径长度等),可以分析大脑功能网络的整体结构和组织特性,如小世界属性等。 #### 动态因果建模分析方法 - **模型构建**:根据研究目的和先验知识,构建不同的脑区连接模型。模型中需要考虑脑区之间的直接连接、间接连接、神经活动的内在动力学以及外部输入等因素。例如,在研究视觉系统时,可以构建包含初级视觉皮层、高级视觉皮层等脑区的连接模型。 - **模型拟合**:使用贝叶斯推理等方法,将构建的模型与观测到的RS - fMRI数据进行拟合,估计模型的参数。在拟合过程中,需要考虑模型的复杂度和数据的拟合优度,选择最优的模型参数。 - **模型比较**:通常会构建多个不同的模型,通过比较不同模型的证据(如贝叶斯模型证据)来选择最能解释数据的模型。模型比较可以帮助确定脑区之间最可能的因果关系和连接模式。 ```python # 以下是一个简单的RS - fMRI数据处理示例(使用Python的nilearn库) import numpy as np from nilearn import datasets from nilearn.input_data import NiftiMasker from nilearn.connectome import ConnectivityMeasure # 加载示例RS - fMRI数据 data = datasets.fetch_adhd(n_subjects=1) func_filename = data.func[0] confounds_filename = data.confounds[0] # 数据预处理 masker = NiftiMasker(mask_strategy='template', standardize=True, detrend=True, low_pass=0.1, high_pass=0.01, t_r=2.5) time_series = masker.fit_transform(func_filename, confounds=confounds_filename) # 计算功能连接矩阵 connectivity_measure = ConnectivityMeasure(kind='correlation') correlation_matrix = connectivity_measure.fit_transform([time_series])[0] print(correlation_matrix) ```
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值