悦影科技—静息态fMRI数据处理服务

近些年来，静息态fMRI技术成为研究大脑的最重要技术手段之一，特别是在神经和精神疾病的辅助诊断、客观生物标志物寻找、发病机制研究、药物和非药物手段对大脑调控效应研究等方面得到了广泛的应用。为了帮助脑科学领域的相关研究者更快地获得静息态fMRI数据分析结果，把更多的精力放在实验设计上，河南悦影医药科技有限公司（简称悦影科技）特此推出静息态fMRI数据处理服务。 我们团队由多年从事MRI、EEG数据处理和机器学习技术研究的博士和高校老师组成，“专业，诚信，合作，共赢”是我们一直恪守的服务理念，悦影科技竭诚为您提供高质量、精准的数据处理服务。
静息态fMRI数据处理服务项目具体如下：
一、静息态fMRI的预处理
静息态fMRI的预处理步骤一般包括：1.时间层校正（slice timing）；2.头动校正（realign）；3.空间标准化（spatial normalization）；4.空间平滑（spatial smoothing）；5.去噪（noise removing）。注：以上步骤可能会根据不同的目的进行调整。
二、静态局部性指标分析
1.ReHo:局部一致性最早是由臧玉峰教授[10.1016/j.neuroimage.2003.12.030]引入到静息态功能磁共振领域的。对于每一个体素而言，计算它的时间序列与周围邻居体素的时间序列的Kendall和谐系数，从而以这个系数来反映该体素与周围邻居在神经活动（BOLD信号波动）上的一致性。

Figure 1. ReHo示意图。根据不同的连接方式，某个体素的邻居可以有6个，18个以及26个。如最左边的图，根据面连接标准，中心体素的邻居有6个邻居。注：此图来源于http://fcp-indi.github.io/docs/user/reho.html
2.ALFF/fALFF：低频振荡振幅（ALFF）以及分数低频振荡振幅（fALFF）最早分别由臧玉峰教授[10.1016/j.braindev.2006.07.002]以及左西年教授[10.1016/j.jneumeth.2008.04.012]提出来。二者共同之处是它们都反映的是低频段BOLD信号在频域的幅度。不同之处在于，fALFF用全频段的幅度给低频段的幅度做了一个标准化（将低频幅度除以全频幅度）。

​

Figure 2. ALFF示意图。图的上部分是某个体素240个时间点的BOLD信号的波动。图的下部分是BOLD信号经过快速傅里叶变换后得到的频域幅度。
三、静态功能连接分析
1.Whole-brain ROI-wise functional connectivity:基于全脑ROI或者结构/功能模板的全脑范围内的功能连接分析。

Figure 3. 图的上部分是根据不同的脑网络整理后的全脑功能连接图。此图来源于文章10.1038/s41467-018-03462-y

2.Independent component analysis （ICA）:
独立成分分析是一种盲源分析方法，它可以根据被试的BOLD信号提取出该被试的空间独立成分和时间独立成分，即将一个四维的fMRI数据分解为空间模式与时间序列的乘积。在得到各个独立成分（或者功能网络）的时间序列以及各独立成分内部每个体素与所在独立成分时间序列的相关性后，我们便可以开展各种分析。这些分析包括独立成分异常区域检测，独立成分间的功能连/动态连接等。

Figure 4. 由独立成分分析得到的大脑功能网络。[Resting-State Functional MR Imaging: A NewWindow to the Brain]

3.Functional connectivity strength（FCD）：功能连接强度FCD计算的是与该体素/脑区形成连接的边的绝对数目/加权数目，反映的是该体素的在连接网络中的重要性。
4.Voxel-mirrored homotopic connectivity (VMHC)：体素镜像同伦连接计算的是两个脑半球对应镜像体素对的功能连接。它反映了脑的功能连接组织的结构。
5.Seed-based FC：基于种子点的功能连接，计算的是某个区域平均时间序列与其他体素时间序列的关系。可以通过相关，偏相关以及高级的相关方法来得到功能连接。其中高级的相关方法可以咨询我们，进行个性化的数据处理服务定制。
6.格兰杰有向功能连接分析（GCA）：GCA计算的是脑区间有方向的功能连接。它反映了两个脑区在BOLD信号上互相影响的关系（比如信号上的抑制或者兴奋[10.1016/j.neuron.2013.06.027]）。

Figure 5. GCA示意图。GCA可以分析有向的功能连接。注：此图来源于文章[10.1038/mp.2010.46]

四、基于图论的复杂脑网络分析
利用图论的方法来研究脑网络的复杂网络指标，比如：小世界属性（small world），rich hub，聚类系数，最短路径等各种图论指标。

Figure 6. 图论指标示意图（Mikail Rubinov et al 2010 NeuroImage）
五、fMRI的动态指标分析
传统的功能磁共振假定在扫描的时间段内，大脑的功能是恒定不变的，在这一假设基础之上计算的是很多静态（static）的指标。最近的研究表明，大脑的功能活动是不断变化的。即使在静息态扫描的过程中，大脑的活动也是不断变动的。为了更好地检测大脑活动的动态性，很多相应的动态指标应运而生。
目前比较常用的方法：动态ALFF，动态FC，动态FCD，动态ReHo，动态度中心性，动态全脑连接等。这些由静态扩展至动态的指标不仅可以反映更加丰富的动态信息，而且具有较高的稳定性（Chao-Gan Yan et al 2017 science bulletin）。
1.动态ALFF：衡量了大脑体素在扫描时间内低频振幅（ALFF）动态变化的稳定性。

Figure 7. 动态ALFF 计算示意图（Jiao et al18Psychological Medicine）
**2.动态FC：**衡量了两个节点（或者两个体素）之间功能连接随时间变化的情况，可以基于体素分析（类似于传统voxel based FC map），也可以计算FC连接矩阵（下图所示）随时间变化的趋势。

Figure 8. 动态FC连接矩阵示意图（ElenaA. Allen 14 Cerebral Cortex）
3.动态FCD：类比于前面提到的静态FCD，描述了FCD随时间变动的情况（Liao W et al 2014 Brain Connect）。
4.动态ReHo
5.动态度中心性
6.动（静态）态全脑连接（GS corr）
7.动态有效连接（因果连接）（Liao W et al 2014 Brain Connect）

Figure 9. 其他动态指标的示意图（Chao-GanYan et al 2017 science bulletin）
六、个性化的分析项目
本团队老师有多年编程以及科研经验，能根据客户需求迅速找到科研突破口，实现文献中的核心技术难题。除了上述的分析指标之外，我们还可以为您提供以下服务：
1.已有具体研究思路和参考文献，但不知道怎么实现文献方法：我们可以为您复现文献的方法。
2.尚未有具体研究思路，但是有一定研究目的：我们根据您的研究目的，提供合适的方法。
注：由于个性化分析内容复杂多样，有意向的可以先找我们洽谈商议。