静息状态下脑功能连接的磁共振成像研究

静息状态下脑功能连接的磁共振成像研究

目录

Basic information

波谱学杂志 2010年 第27卷第3期

Concepts

  • 默认网络主要包括后扣带回皮层/楔前叶、外侧顶叶以及内侧前额叶皮层等脑区。
    • 楔前叶：与自身意识、自我中心的精神意象、情境记忆的提取等密切相关，并且是持续植物状态病人最早恢复意识的脑区；
    • 后扣带：是全脑皮层结构的中心结点；
    • 内侧前额叶：与认知功能相关，并可动态调节情绪加工过程。
  • 正常状态下，大脑消耗的能量约占人体总能耗的20%。然而，大脑在执行任务时所导致的能量消耗的增加是甚微的，更多的能量消耗被用来维持非任务状态(静息状态)的神经活动。
  • 静息状态(resting state)：是指被试保持清醒、不接收任何外部刺激或执行任何高级功能的状态。
    • 常用的静息态脑功能研究方法：
      • 功能磁共振成像(fMRI)
      • 正电子发射断层扫描(PET)
      • 脑电图(EEG)
      • 脑磁图(MEG)
      • 扩散光学成像(DOT)
  • 大脑在静息状态下的功能活动并非是“噪声”般杂乱无章的，而是有其特定的规律和组织方式。
  • 虽然原始的静息态BOLD信号时间序列中包含有生理噪声，但生理噪声并非BOLD信号低频涨落(low frequency fluctuations,LFF)及其在不同脑区中具有同步性的生理学基础。
  • 静息态下大脑中BOLD信号的低频涨落主要反映了神经细胞的自发活动，而其在不同脑区中的同步性则显示了静息态下脑功能的连接模式。
  • BOLD-fMRI：基于血氧水平依赖(blood-oxygen-level dependent,BOLD)效应的fMRI研究方法。(需要指出，BOLD-fMRI中所采集的信号并不直接反映神经细胞的活动，而是度量由神经细胞活动所引发的脑区中脱氧血红蛋白浓度的改变。)
    • 效应原理：生物体血液中的氧主要以与血红蛋白结合(氧合血红蛋白)的形式存在。氧合血红蛋白释放氧之后形成的脱氧血红蛋白具有顺磁性，可在血管及周边组织中产生局部不均匀磁场。受该局部磁场不均匀性的影响，血管及周边组织中不同水分子的磁共振信号间会发生散相(dephasing)，造成所观测到的宏观磁共振信号强度的降低，且脱氧血红蛋白含量越高，信号强度降低的幅度就越大；相反地，如果组织中脱氧血红蛋白的含量降低，组织的磁共振信号强度就会上升。
    • 激活脑区在磁共振图像上呈现亮信号的原理：当神经细胞活动增强时，其能量消耗增加，并随即引发局部脑血流(rCBF)的上升，以补充能量代谢所需要的底物-葡萄糖和氧气。神经细胞活动时耗氧量的增加与其所引发的rCBF的增加并不成比例。实验结果表明：神经细胞激活时所导致的rCBF增加(氧供给量的增加)幅度往往要大于氧气消耗量的增加幅度。由此，激活脑区最终表现为局部氧合水平升高，脱氧血红蛋白浓度降低，在磁共振图像上呈现亮信号。
    • 传统的BOLD-fMRI研究主要关注由外部刺激或执行任务所致的神经活动所引发的血氧水平的改变。
  • 功能连接：空间上远离的神经生理活动之间在时间上的相关性，其在脑功能研究中作为不相邻脑区间功能活动同步性的一种度量方式。
  • 静息态功能磁共振图像数据的相关预处理操作&作用：
    • 时间校正：消除脑不同部位fMRI信号采集时间不同所引起的差异；
    • 头动校正：纠正信号采集过程中由于被试头动造成的图像在空间上的错位；
    • 空间标准化：消除不同被试个体间的差异以便进行组分析(group analysis)，通常将被试的脑图像与标准脑模板进行配准；
    • 平滑：削弱随机噪声的影响；
    • 滤波：提取所需的低频涨落信号。

Key points

  • 静息态功能磁共振成像数据分析方法：
方法名称 实现流程 方法不足
种子相关分析 (1)确定特定脑区作为静息态研究的种子区域，提取该区域内各体素的时间序列，并计算得到该种子区域的平均序列；(2)计算该脑区的平均序列与全脑所有体素的时间序列之间的相关系数，以其值作为功能连接强度，从而得到与该种子区域正、负相关的所有体素信息；(3)通过统计方法选择有统计意义的相关体素，并将其定位于解剖结构图，从而得到种子区域的静息态功能连接图。 (1)获得的脑功能连接信息依赖于特定种子区域的选取(不同的种子区域可能得到不同的结果)，间接增加了结果解释的难度和可信度；(2)该方法没有考虑脑区间的间接相关(可通过偏相关等方法进行改进)。
ICA 该方法假设静息态下得到的BOLD信号时间序列是由相互独立的不同信号分量构成的。因此，可以通过数学运算将原始信号中的各种生理及系统噪声信号，以及各功能网络系统信号分别提取出来，并定位于解剖结构进行各静息态网络的研究。 (1)实际脑网络中的复杂结构可能使得不同来源的信号分量之间存在交叠，ICA方法无法将其完全分离，即原始假设：各功能网络相互独立过于理想化；(2)ICA结果分量的个数由研究者主观决定，与此同时，各分量的含义也是研究者的主观判断，因此，该方法在一定程度上依赖于主观假设和先验知识；(3)对方法得到的结果理解困难、可解释性较差，即无法从结果直接判定ICA结果中某分量的变化是由于其自身信号随时间波动的改变引起还是来自于它与其他分量之间连接强度的改变。
等级聚类 (1)选取多个种子区域作为感兴趣脑区，并计算各区域间的相关系数，产生相关系数矩阵来进行统计分析；(2)之后建立一定的聚类准则来定义和区分功能连接网络；(3)最后，形成等级树或者拓扑图来描述所有区域之间的连接信息。

Future considerations

  • 随机意识在多大程度上参与默认网络的构建？如何将其有效地避免和分离？
  • 静息态功能连接与解剖连接之间存在相关的理论正渐渐成为趋势和共识。
  • 皮层下脑区的功能研究和大脑各脑区的功能细分是目前的研究趋势。
posted @ 2022-06-02 10:59  闲晚  阅读(647)  评论(0)  编辑  收藏  举报