脑成像与脑连接

脑成像与脑连接

目录

• 脑成像与脑连接
• Basic information
  • Concepts
  • Key points
  • Future considerations

Basic information

中国生物医学工程学报 2011年 第30卷 第1期

Concepts

• EEG具有毫秒量级的时间分辨率，而fMRI的空间分辨率则能达到毫秒级。
• 人类的大脑只占人体总质量的2%，却消耗20%的人体能量，而且任务诱发的能量代谢改变通常也只占大脑基础状态能量需求的5%。就神经环路而言，大部分神经活动都与外部事件或刺激无关，这些自发的神经元活动消耗的能量占大脑总能量消耗的60%-80%。
• 大脑在静息状态存在高活动高代谢的空间模式(默认模式网络(default mode network,DMN))。
• 癫痫是一种与神经元反复异常放电有关的神经功能紊乱。
• 目前为止，人们已经在正常人群中稳健地标示了8个静息态功能网络。

Key points

• 基于fMRI约束的EEG成像(非对称融合)
  • 原理：利用fMRI中得到的激活空间分布来约束EEG源的定位。
  • 实现方式：将激活团簇作为偶极子源的种子点或者按激活强度修改分布源的权重。
  • 不足：fMRI的激活源可能与EEG的产生源并不匹配，有错误或遗漏的风险。
  • 改进：基于fMRI功能网络的源定位技术(NESOI)，把任务相关网络和静息网络都作为先验空间约束，再借助贝叶斯超参数的稀疏性来降低错误先验的影响。
• 基于EEG信息的fMRI分析(非对称融合)
  • 原理：从EEG中提取感兴趣的特征，再将它们与标准血氧动力学响应函数(HRF)卷积来构建fMRI时间过程的广义线性模型。
  • 注意事项：(1)HRF的形状受个体差异、被试年龄、功能区位置、刺激任务和扫描范式等所影响。(2)可靠的EEG特征提取依赖于参考电极的选择，采用新近的零参考技术，有助于不同实验室结果对比。
• EEG/fMRI对称融合(STEFF)
  • 原理：fMRI空间独立成分被用来构造EEG源分布的先验，实现对电生理响应相关的头表分布的成像。同时，从EEG时间独立成分提取的单次动态信息被用来构造fMRI时间过程的设计矩阵，用以实现对HRF的估计。
  • 流程图：

)

• 静息态脑功能网络的研究方法
  1. 基于种子区的相关分析方法
     • 原理：选取一个感兴趣区(种子区)，提取出BOLD信号时间序列，再计算它与其它大脑像素之间的时间相关，根据相关程度确定功能连接范式。
     • 不足：结果依赖于种子区的选定，对信号内的混杂伪迹敏感，不能同时对多个系统进行处理。
     • 优势：简单、敏感、易于判定。
  2. 基于独立成分分析(ICA)的方法
     • 原理：不需要先验信息，仅通过对混合信号的盲分解提取统计独立的空间范式。
     • 不足：结果依赖于成分个数的选择，对成分的理解比基于种子区的方法更难。
     • 优势：直接对全脑信号进行分析。
  3. 聚类分析方法
     • 原理：基于不同像素的数据之间的相似程度进行分组的一类方法。
     • 不足：对信号内混杂的伪迹敏感。
     • 结果：同一组(网络)内的像素的信号具有高的相似性，而组间的像素的信号的相似性低。
• 结构脑网络构建方法：
  1. 基于形态学的结构磁共振
     • 原理：计算不同脑区的皮层厚度等指标的相关系数，并设定相关系数的阈值，在超过阈值的两个脑区之间设置一根连线就可得到基于形态写的结构网络。
     • 补充：大脑形态学主要是指大脑的灰质体积、灰质密度、皮层厚度和皮层表面积等。
  2. 基于弥散张量的弥散磁共振
     • 原理：依据水分子的扩散特性，在神经纤维中水分子的扩散由于受到髓鞘的束缚，表现了更高的各向异性。根据弥散张量成像各向异性中的主弥散方向，可以追踪神经纤维的走向，进而构建基于纤维束的结构网络。

Future considerations

• 如何从理论层面将EEG与fMRI两者之间的空白地带更加合理地填补，实现两种信息的有效融合，构造并研究基于融合信息的脑网络？
• 如何完全阐明静息状态下自发的低频震荡的起源？推进电生理的静息态脑网络研究，并通过多模态信息的融合，发现神经精神疾病的特异性网络标志是值得深入研究的方向。
• 结构脑网络分析方面，解剖方法不适合活体进行，而基于形态学的方法不能应用到单个被试，基于纤维示踪的方法在纤维交叉和长纤维的重建方面仍有困难。
• 发展高效的高角度分辨率的弥散成像技术(HARDI)是一个重要的方向。
• 如何将这些成像方法与临床更好地结合，实现真正的临床应用？