静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法

‍ 自诞生之初，人类就对大脑中发生的事情充满好奇。功能磁共振成像是一种重要的工具，它有助于无创地检查、定位和探索大脑的语言、记忆等功能。近年来，神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在活动。对静息态下大脑功能连接的分析揭示了不同的静息态网络，这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中，但得到了一致的结果。在本文中，我们详细介绍了静息态功能磁共振成像的概念，然后讨论了三种最广泛使用的分析方法、描述了几种具有脑区特征的静息态网络及相关认知功能、静息态功能磁共振成像的临床应用。本综述旨在强调静息态功能磁共振成像连接性研究的实用性和重要性，强调其与基于任务的功能磁共振成像的互补性质。本文发表在The Neuroradiology杂志。

关键词：

图论分析Graph analysis, 独立成分分析independent component analysis, 静息态功能连接resting state functional connectivity, 基于种子点的分析seed-based analysis

引言

静息态功能磁共振成像(rs-fMRI，resting state functional magnetic resonance imaging)技术比其他功能磁共振成像(fMRI)技术更有优势，因为它易于采集信号，对患者的要求最少，并能熟练地识别不同患者群体的功能区域，如儿科人群、无意识患者、低智商患者等。

任务态功能磁共振成像（task-based fMRI）是一种用于分析和评估大脑的功能区域的先进的磁共振技术。在这项技术中，受试者被指导执行被设计为针对单一功能的特定的任务，如运动、语言、记忆、视觉、注意力和感觉功能任务。

最近的研究发现，儿科患者，有意识障碍的患者，即昏迷、植物人和最低意识状态的患者，能够完成rs-fMRI。Rs-fMRI在Biswal及其同事研究运动皮层的传递功能和大脑噪声源后进入临床领域。静息态信号在0.01-0.08 Hz范围内具有一致的低频波动。事实上，即使在休息或放松的状态下，人类的大脑也在运作。rs-fMRI的一个非常有趣的方面是——在任务fMRI研究中被舍弃的信号被考虑在内，因为这些信号是自发波动，而且出现在大脑不同的皮层网络系统中。尽管血氧依赖水平(BOLD，blood oxygenation level dependent )对比是静息态和任务态fMRI背后的基本现象，但研究发现两种技术之间存在一些显著差异。表1显示了rs-fMRI与task fMRI的比较。

表1 rs-fMRI与task fMRI的简单比较

fMRI：功能磁共振成像；rs-fMRI：静息态功能磁共振成像；BOLD：血氧依赖水平；SMR：信噪比。

即使在静息态，大脑也会消耗惊人的大量能量。一个成年人的大脑重量只占整个身体重量的2%，但是大脑消耗的能量大约占总能量消耗的20%。此外，研究证实，大脑利用60-80%的能量在神经元和它们的支持细胞之间进行通信（这是内在活动），而对于任务诱发的活动，大脑只利用0.5-1.0%的总能量。能量消耗的主要部分是用于大脑的内在活动，与大脑中暗能量的存在有关，类似于宇宙中的暗能量。

BOLD fMRI

rs-fMRI依赖于BOLD信号中自发的低频波动。事实上，BOLD对比是任务态和静息态fMRI形成的基础。Ogawa等人首先认识到BOLD对比完全依赖于血氧水平的潜在重要性。由于氧合血红蛋白的反磁效应和脱氧血红蛋白的顺磁效应，脱氧血红蛋白浓度低的体素会导致BOLD信号增加，而浓度高的体素会导致BOLD信号减少。负责BOLD效应的脱氧血红蛋白也受到生理因素的影响，如脑血流量、脑血容量和脑氧代谢率。

脑连接性分析技术

总的来说，连接性是研究大脑两个不同区域之间的相互作用。解剖连接性是大脑两个解剖区域之间的物理连接，可以借助结构成像和弥散张量成像获得。功能连接(FC，Functional connectivity)试图在线性时间相关性的帮助下建立两个感兴趣的空间区域之间的联系。有效连接（effective connectivity）是FC分析的一个较高层次，因为它估计了功能连接区域之间潜在的直接因果联系。最终有效连接是基于数据时如何被影响的机制模型获得的。FC是根据神经元活动参数之间的相关性推断出来的，而有效连接性是指一个神经系统对另一个神经系统的影响。

然而，本文主要关注基于种子点的分析、独立成分分析(ICA)和图论分析等rs-fMRI FC的分析技术。对于这些技术，可以用SPM、DPARSF、REST、FSL的MELODIC工具、CONN Connectivity工具箱等软件进行预处理和后处理分析。此外，我们还概述了静息态下大脑的不同功能网络。

基于种子点的分析（Seed-based analysis）

基于种子点的分析是Biswal等人首次采用的静息态网络识别方法。基于种子点的分析本质上是一种基于模型的方法，我们可以选择一个种子点或感兴趣区域(ROI)，并找到该种子点区域与整个大脑中所有其他体素的线性相关性，从而得到一个基于种子的FC图。该技术的简单性、可解释性和直接性使其成为一种很好的用于研究rs-fMRI FC的方法。但由于该方法完全依赖于用户定义的ROI，因此使用该技术很难检测整个大脑的FC。

除FC分析外，基于种子点的分析还可用于ALFF（amplitude of low frequency fluctuations)、fALFF（fractional amplitude of low frequency fluctuations)、REHO（regional homogeneity,基于肯德尔和谐系数）检测等。ALFF表示范围内(0.01-0.08Hz)的低频振幅，fALFF表示低频振幅与全部振幅的比值。REHO评估特定体素的时间序列与邻近体素的时间序列之间的相似性。

图1显示了基于种子点的FC分析的处理过程。图2-7来自1.5T西门子MRI机(Magnetom Avanto TIM, Erlangen, Germany)获得的数据。图2表示以左侧Brodmann 44区域和45区域为种子点区域进行的基于种子的FC分析。

图1：该流程图表示了使用基于种子的技术进行静息态连接性分析所涉及的基本步骤。

图2：以左侧Brodmann 44区域 (a, b, c)和45 区域 (d, e, f)作为种子点区域，进行基于种子的功能连接性分析。

独立成分分析（Independent component analysis，ICA）

人类的大脑是由一个巨大的神经元网络组成的，这些神经元会产生高频和低频的波动。Rs-fMRI依赖于自发的低频波动(<0.1 Hz)，这些低频波动来自于一个网络中空间上相互分离、功能上相互连接、持续进行交流的解剖区域。我们从对象中提取的rs-fMRI信号是包含感兴趣的信号和其他伪影的复合信号。ICA利用数学算法将全脑体素的信号分解为空间上和时间上相互独立的成分，有助于有效提取不同的rs-fMRI网络。它描述了隐藏成分或网络的时间和空间特征。尽管对源信号的处理不需要先验知识是ICA技术的一项优势，但研究者需要凭借先验知识或经验从噪声中识别ICA的网络成分。

利用ICA可以从噪声中自动复原rs-fMRI低频自发波动。ICA是一种基于盲源分离算法的数据驱动方法。基于种子的分析可以发现种子区域和整个大脑体素之间的单一相互作用，ICA还研究大脑中多个不同网络的体素到体素间的同时相互作用。因此，ICA是一种强大的技术，可以用于进行群体水平的分析，也可以用于具有不同心理、生理和药理学条件的一个群体。研究证实，通过将整个受试者的数据集暂时连接或连接到单个大数据集，可以在一组受试者中实施单个ICA。图3为从ICA melodic得到的静息态网络，如语言、听觉和默认模式网络(a、b、c)。

图3 用 ICA 对静息态功能磁共振成像进行分析，得到了语言网络(a)、听觉网络(b)和默认模式网络(c）。

为了克服单被试ICA的缺点，采用双回归方法进行组水平ICA分析。在双回归分析中，回归技术用于分析一组受试者的rs-fMRI数据。双回归包括3个阶段。在初始阶段，使用ICA分解一组被试多个fMRI数据，以识别每个受试者不同的FC模式。在接下来的步骤中，识别每个受试者特异的空间分布和时间序列。在第3个阶段，为不同的受试者生成不同的成分图，并被编辑成一个四维文件来执行非参数分析（是一种直观的统计检验方法，用于对组间或组内受试者间的统计比较）。

图论（Graph theory）

在神经科学中，图论被应用于建立人脑内复杂网络功能的数学模型。这些网络在大脑的各个区域和子区域之间有关联和连接，而网络之间的动态连接又构成了一个更大的单一网络。图论方法主要研究节点与边的关系，这里节点与边的关系可以表示为G=(V, E)来描述节点之间的相互作用，其中V是节点的集合，E是连接了节点的边。

在脑FC分析中应用图论，可以通过不同的图论指标来展示连接性不同方面的特征。包括：(i)平均路径长度（average path length）;(ii)聚类系数（clustering coefficient）;(iii)节点度（degree of node）;(iv)中心性参数（centrality measures）;(v)模块化程度（level of modularity）。聚类系数反映了图的局部连接性，是节点i的直接邻居之间的连接数与节点i的邻居之间最大可能连接数的比值。总的来说，它检验了网络的局部连接能力。节点度是量化节点连接总数的最简单度量。度越高的节点说明它在特定网络的信息流中起着重要的作用。同样地，路径长度是代表网络全局效率水平的另一个图理论指标。因此，最短路径长度表示网络中连接一个节点与另一个节点所需的最小边数。节点i的特征路径长度表示节点i与网络中所有其他节点的接近程度。

基于种子的分析只关注一个ROI与另一个ROI之间的相关性，而图论则测量整个大脑或与特定功能相关的网络中ROI的拓扑属性。整合（integration）和分离（segregation）是大脑网络的表现方式，因为大脑区域以这种方式运作。功能整合将大脑看作是一个相互作用的大网络，它整合了大脑中的不同网络以合作完成特定的功能；而分离则意味着大脑各网络内部的连接。因此，图论在探索大脑网络的整合和分离的方面是一种很有前景的技术。全局效率和平均路径长度等图指标表明了大脑网络的整合。例如，全局效率检验了大脑网络在全局层面上传播信息的熟练程度，平均路径长度表示连接网络中两个节点的最短边数。局部效率、聚类系数和中心性则提供了对网络分离活动的信息。局部效率表示局部网络中的信息流，而局部网络是整个大脑网络的一部分。聚类系数则显示了网络中节点聚集在一起的程度，中心性意味着整个大脑网络中节点的重要性，还可以检验特定的节点是否在传播网络中其他节点的信息中起着中心或主导作用。图4显示了使用任务fMRI和使用Conn工具箱进行图分析后获得的总体连接性。图5显示了以左右额下回岛盖部作为任务态和静息态fMRI的种子点ROI时获得的FC图。

图4 使用任务态fMRI和静息态fMRI进行的ROI到ROI的全脑功能连接分析结果，应用FDR校正阈值0.05获得的有统计学意义的全脑功能连接图。

图5 以左右脑盖部作为任务和静息态fMRI种子点，应用FDR校正阈值0.05获得的有统计学意义的连接图。

小世界网络的特点是局部和全局效率高，特征路径长度小。一个小世界网络可以被称为一个紧密连接的局部集群网络，具有一个较小的特征路径长度，允许网络中的节点之间进行即时联系。根据Supekar等人的研究，大规模网络的特征是较少的短程FC，长程FC更占优势。研究发现，即使脑网络的规模较大，聚类系数和特征路径长度仍能提供丰富的信息。

医院的rs-fMRI成像流程

rs-fMRI流程可以通过几种方式实现。被试者可以被指导遵循这些方法中的任何一种，比如闭上眼睛、睁开眼睛、睁开眼睛时将注意力集中在屏幕上的十字准星上。在闭眼状态下，受试者被指示不要入睡。扫描过程使用1.5 T和3 T磁共振扫描仪进行，使用以下参数，如表2所示。我们已经获得了机构伦理委员会的批准来进行这项研究。

表2 介绍了1.5T和3T成像技术在实验室研究中的应用。

不同的脑静息态网络

大脑中的不同网络有：突显网络、听觉网络、基底神经节网络、高级视觉网络、视觉空间网络、默认模式网络、语言网络、执行网络、楔前叶网络、初级视觉网络、感觉运动网络等。图6和图7分别显示了使用基于种子的分析获得的大脑网络。

图6 (a)突显网络、(b)听觉网络、(c)基底神经节网络、(d)高级视觉网络、(e)视觉空间网络和(f)默认模式网络的冠状、矢状和轴向图像。

图7 (a)语言网络、(b)左执行控制网络、(c)右执行控制网络、(d)楔前叶网络、(e)初级视觉网络和(f)感觉运动网络的冠状、矢状和轴向图像。

1、突显网络Salience network

突显网络由背前扣带皮层、双侧岛叶和前辅助运动区组成。该网络的功能障碍会扰乱其他网络的功能，因为它在调节其他网络的动态变化中起着关键作用。此外，该网络在快速变化的行为中是必不可少的。也就是说，下一步做什么或不做什么是由网络的适当运作决定的。因此，突显网络的正常运作是控制认知过程的开始。

2、听觉网络Auditory network

参与听觉网络的区域有左右初级听皮层、颞横回、极平区和颞叶、外侧颞上回和后岛叶皮质。听觉皮层的功能分区明确，分别为前外侧颞横回、左、右。

3、基底节网络Basal ganglia network

该网络涉及基底神经节、黑质、下丘脑核、纹状体、内外苍白球。基底神经节的功能变化是帕金森病的主要原因，因为之前的研究发现基底神经节病变是帕金森病的核心。它是位于大脑基底的大脑深部结构。它涉及许多功能，如运动区域的控制，情绪，认知等。因此，它们在学习困难和复杂的行为中起着关键作用，由于它在运动过程中具有很强的协调性，它们涉及到需要运动的目标导向行为。

4、视觉网络Visual network

Beckmann等人观察到双侧和内侧距骨沟、舌回、楔前叶下区和丘脑外侧膝状核的同步激活，它们共同构成了视觉网络。其中，丘脑外侧膝状核功能上将视觉输入连接到初级视觉皮层。Damoiseaux等通过对rs-fMRI网络的研究，将舌回周围区域、外侧枕回和枕上回等区域识别为主要视觉区域。研究表明，视觉皮层有内侧和外侧区域。Beckmann等的报告指出，位于舌回外区、楔前叶下段和丘脑外侧膝状核的视区构成内侧视觉网络。由枕极和顶骨上区向外扩展枕颞交界区域构成外侧视觉网络。

5、视觉空间网络Visuospatial network

枕顶结合部的后顶叶皮层、楔前叶中线、后扣带皮层和额极的同步激活统称为视觉空间网络。许多研究发现，外侧后顶叶区域的病变可以影响空间注意力。所以这些发现表明后顶叶皮层参与了对显著的视觉空间线索的定位。

6、默认模式网络Default mode network

默认模式网络包括后扣带皮层、内侧前额叶皮层和外侧顶叶皮层。默认模式网络只在个体处于休息状态时才增加活动。它也被称为任务阴性网络(task-negative network)，因为当个体完成某些任务时，它就会变得不活跃。由于这个网络还参与社会认知功能，如内省、思维漫游、情绪处理、思考他人的精神状态等，这个网络也被称为心智化网络(the mentalising network)。

7、语言网络Language network

语言网络不仅涉及Broca区和Wernicke区，而且还延伸到前额叶、颞顶叶和皮层下区域。这个网络涉及的功能包括说话、理解、阅读、翻译、模仿等。此外，Broca区是镜像神经元所在的区域，当个体进行目标定向活动或观察到其他人的类似动作时，该区域的神经元放电频率会增加。镜像神经元帮助理解和模仿运动。

8、执行网络&执行控制网络Executive network and executive control network

执行网络是在涉及执行功能的fMRI任务中被激活的网络。它包括背外侧前额叶皮层和后顶叶皮层。

额内侧回、额上回、前扣带回、副扣带回、腹外侧前额叶皮层、丘脑皮层下区域构成执行控制网络。该网络在需要认知控制和工作记忆的任务中是活跃的。

与注意网络一样，执行网络在任务条件下也是活跃的，在休息条件下则表现出反相关网络。执行控制网络在目标导向的活动和智力活动的控制中发挥作用。

9、楔前叶网络Precuneus network

楔前叶是默认模式网络中的相关区域，其特点是在静息态下比其他网络具有高代谢率的热点（hot spots）。一些研究已经承认楔前叶在默认模式网络中的重要性。楔前叶参与了操纵心理图像和来自视觉空间意象研究的内在引导注意力，表明了它们在心理表征内在自我方面的独特能力。许多研究证实楔前叶在自传体记忆提取、情绪刺激处理和奖励结果监测等任务中发挥着重要作用。所有关于楔前叶的报道都表明，楔前叶在默认模式网络中具有中心作用，同时在各种行为加工状态中都可以观察到其独特的贡献。

10、感觉运动网络The sensorimotor network

这个网络实际上是Biswal等人使用基于种子的分析研究的第一个rs-fMRI网络。在FC的研究中，正是这种网络在左右区域之间表现出了高度的相关性。许多研究表明，左右半球运动皮层之间存在高度的功能相关性。在躯体感觉运动皮层中，位于中央沟后侧的Brodmann 1、2、3区代表身体的不同运动区域，如腿、手和脸。来自面部的独特信号与来自手或腿的信号完全不同，因为每个来自不同运动区域的信号会形成不同的可分离簇。

小结

rs-fMRI连接性是一项新技术，为探索认知研究提供了极好的机会，因为它在许多临床疾病的病理学上都是可靠的，如阿尔茨海默病、精神分裂症、自闭症谱系障碍、抑郁症和情绪障碍、帕金森病、创伤性脑损伤、学习障碍等。由于不同的技术有助于在大脑中产生不同方面的连接，每一种技术的处理涉及完全不同的步骤，最终的量化参数也随着不同的技术而变化。

静息态fMRI的临床应用

许多研究已经评估了rs-fMRI的临床应用潜力。然而，目前还不确定神经放射学家是否已经开始将该技术用于临床决策。在大多数中心，它被用作研究工具，以了解这种技术的未来应用。ICA已经成为一种很有前景的评估功能语言网络的技术，从而在各种神经系统疾病中得到应用。已有报道称，rs-fMRI可以定位感觉运动皮层，并提供手、足、口亚区。脑肿瘤患者的Rs-fMRI连接分析有助于识别和可视化关键网络，从而有助于功能的保存。在右海马硬化的中颞叶癫痫患者的发作间期，发现了整个大脑的rs-fMRI连接异常，他们表现出右半球的rs-fMRI连接减少，而左半球的rs-fMRI连接增加。研究表明，阿尔茨海默病不仅影响默认模式的网络连接性，还同样地影响更大规模的网络。对行为变异性额颞叶痴呆患者的网络连接分析发现区域之间的连接减少了，不同于与阿尔茨海默病相关的区域。

很少有研究对rs-fMRI连接进行图论分析及其他指标分析，如精神分裂症患者的ALFF和fALFF。研究发现，与健康对照组相比，精神分裂症患者表现出明显更少的整体连接性，而双相情感障碍患者的整体连接性处于中间水平，与精神分裂症患者和健康对照组明显不同。研究发现，在帕金森病的早期阶段，大脑网络的整体组织受到了干扰。其早期表现为总体效率下降、模块和枢纽被破坏。另一项针对震颤型帕金森病的研究发现FC改变与患者的临床表现之间存在相关性。此外，rs-fMRI还发现了它在预测瑜伽和冥想后的心理状态方面的应用。结果表明，有经验的冥想者处理自我参照加工的默认模式网络区域之间的连接较弱，而背内侧前额叶皮层和默认模式网络的右顶叶下小叶之间的连接较强。虽然rs-fMRI仍是一种研究工具，但由此产生的科学文献也日益增多。如果该技术能够获得一致的结果，我们认为，在不久的将来，rs-fMRI可以作为一种很有前景的临床工具，并可能取代传统的fMRI技术。

总结

任务态功能磁共振成像(Task fMRI)和rs-fMRI是两种基于BOLD信号改变的技术，由于它们的非侵入性而非常有效。血流动力学反应是神经群体隐藏状态的标记物，因此rs-fMRI可以在患者不用做什么努力的情况下就得出更多的临床意义。尽管这两个技术可能不能互相补充，但仍然有一些相似之处。这开始并促使研究人员探索大脑连接分析的更多应用，识别由病理变化引起的BOLD信号低频波动的异常，这可能有助于疾病的诊断和预后，从而在手术前和手术后监测大脑的功能网络结构，并提供一个可行的治疗选择。