本文主要是介绍文献 | fMRI入门指南，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
碎碎念：一晃儿入门磁共振研究快有1年，至今仍是跌跌撞撞步履维艰——苦于没有能交流分析技术、思路的科研环境，文献也多是囫囵看看、雁过不留痕的，所以打算借这个博客分享些磁共振研究方面的文献和技术，希望有所进益吧。
今日分享1篇综述，非常适合fMRI入门：
Soares, José M et al. A Hitchhiker's Guide to Functional Magnetic Resonance Imaging. Frontiers in neuroscience vol. 10 515. 10 Nov. 2016, doi:10.3389/fnins.2016.00515
目录
fMRI原理
静息态fMRI
分析方法
任务态fMRI
刺激呈现软件
分析方法
方法学
扫描参数
统计分析
预处理
fMRI原理
fMRI依托于静脉血氧水平依赖成像技术（blood oxygenation level-dependent，BOLD），顾名思义，反映了局部脑血流/氧合的水平，是一种间接评估神经活动的方法。其成像原理大致如下：
局部神经元活动↑ -> 耗能↑ -> 血流量↑ -> HbO2/Hb ↑ -> 局部MR信号↑
学过生理学的胖友们都晓得，血管根据局部代谢水平调节血流量是种体液调节方式，相对神经调节比较慢，所以神经元活动↑与血流量↑之间存在时间间隔（划重点!!!）。设想一下，当某脑区在某刺激下活动↑，对应的BOLD的变化应该如下图黑线所示：MRI信号变化滞后于刺激，在刺激后5~6s达峰，约12s后重回基线水平。这便是经典的血流动力学反应函数（hemodynamic response function，HRF），大部分软件也是据此展开分析的。鉴于HRF具有一定变异性，必要时可利用时间/弥散导数来调整模型。
静息态fMRI
静息态fMRI设计只需让被试躺进磁共振机器，保持清醒别睡着、“放空大脑”即可，可操作性较强，被试也容易配合。根据不同的研究目的，可以嘱咐被试在扫描期间保持闭眼（最为常用）或睁眼状态（或可得到更强的FC），或者盯着屏幕上的“+”号（结果更可靠，但需额外设备）。扫描时长多为5-7min，有条件扫13min或许更好，小朋友的话扫5.5min也能接受。
分析方法
- seed-based FC：简而言之，该方法就是计算某ROI与全脑/其他ROI的相关系数。因此对先验假设的要求较高，不然FC不好解释.......
- ReHO: Regional Homogeneity，局部一致性，由臧玉峰教授团队提出。考量的是大脑静息状态下局部脑区活动的一致程度，ReHO值越大意味着越一致。
- ALFF：低频振幅，考量的是大脑静息状态下局部脑区的活动强度。fALFF，低频段活动占全频段的比例，反映信号强度和纯净度。Oh，原理是long~long~story，直接应用就行.......
- PCA & ICA & Clustering：3种数据驱动的分析方法。其中ICA与聚类的差别在于前者的假设对脑区空间分布没有要求，所以得到的成分的空间分布可能是离散的（见图 K/L）。
- 图论 & dFC：long~long~story，以后再嗦吧
任务态fMRI
常用设计分为以下几种👇，深入了解指路👉任务态fMRI的实验设计方法及注意事项有哪些？
刺激呈现软件
只用过e-prime，简单易自学👉B站搜索 黄扬名教授的E-Prime视频教程系列
分析方法
- GLM：一阶分析时，将任务开始时间/持续时间与HRF做卷积，从而量化各个条件下BOLD信号值，通俗地说，就是BOLD信号的时间轴跟任务刺激的时间轴对上号~
- MVPA：一种基于机器学习的分析方法。举个例子：我们看到小猫与小狗时的大脑活动是不同的，那么反过来，如果我们拿到这两种刺激作用下、但对应关系不清的BOLD数据，能不能反过来推测出视觉刺激是猫咪 or 狗子？MVPA就是基于这个设想展开的——做一个分类器，尽可能区分不同条件下的脑区激活情况，因为利用到了多个体素，所以叫Multivoxel Pattern Analysis~
- 其他的俺还没亲测过....正在探索中
方法学
扫描参数
常用扫描序列是回波平面成像（echo planar imaging，EPI）——成像速度快、BOLD信号灵敏，但也有图像质量下降和伪影的问题。EPI采集可采用梯度回波技术（gradient-echo）、自旋回波技术（spin-echo）或两者组合拳得到，其中，梯度回波对于BOLD灵敏度更高，更为常用，而ROI位置相对不在浅表（如腹内侧额叶）等情况下，自旋回波技术亦有其优势。
确定重复时间（repetition time，TR）、层厚等扫描参数往往需要在时间分辨率和空间分辨率中得以权衡。以TR为例，短TR可能导致信噪比（signal-to-noise ratio，SNR）明显降低，而长TR则往往伴随着头动的干扰。常用的3T扫描参数如下：FOV=192~224 mm，matrix size=64，slices=30~36，TE=25~40ms。需要注意的是，归根到底，如何确定扫描参数还是取决于研究目的，例如，对于事件相关的任务态设计显然短TR就更加合适。
***几个神经影像数据库采集参数，仅供参考👇
| 项目 | 设备 | fMRI: voxel size (mm3) / TR (ms) |
| Biobank | Skyra | 2.4*2.4*2.4 / 735 |
| HCP family | Prisma | 2*2*2 / 720~800 |
| ADNI3 | Prisma, skyra, trio, Ingenia, Achieva, verio, 750, 750w | 2.5*2.5*2.5 / 3000 2.5*2.5*2.5 / 600 |
| ABCD | Prisma, Ingenia CX, 750 | 2.4*2.4*2.4 / 800 |
如何在文章中汇报扫描参数，指路👉A checklist for fMRI acquisition methods reporting in the literature.(Ben Inglis，2015)
统计分析
就fMRI研究而言，因为统计效力相对较差、各个研究之间异质性较大，很难像其他类型研究那样根据效应量估计合适的样本量，那么多大样本量才够呢？样本量太大或太少(<16)可能都不是最佳选择。这个问题目前尚无定论，Thirion等人认为≥27名被试或许比较适合。也有研究者开发了相关软件包用于功效计算，如fMRIPower（Mumford & Nichols，2008）。
预处理
头动校正、伪影处理、图像质控等预处理步骤都是硬骨头，以后找文献再细说.......
这篇关于文献 | fMRI入门指南的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
