November 8th, 2012
我们描述了一种新的方法,同时利用磁共振成像(MRI)脑功能和结构的分析。我们评估的大脑结构与高解析度的扩散加权成像和白质纤维束成像。与标准结构MRI不同的是,这些技术使我们能够直接相关的解剖大脑网络连接到功能特性的。
以下实验的总体目标是使用磁共振成像同时分析大脑结构和功能。这是使用高场 MRI 实现的,通过扩散光谱成像或 DSI 对大脑的白质结构进行成像,并使用粗体 FMRI 测量大脑功能。然后处理 DSI 数据,以在大脑的每个点产生多向弥散估计。
此外,还对 FMRI 数据进行分析,以生成或选择虚拟白质纤维的感兴趣区域。接下来,将感兴趣区域与 DSI 数据对齐,以便功能和结构数据位于公共图像空间中。最后,对扩散数据进行 t 束造影,以估计连接感兴趣功能区域的白质通路获得的结果显示假设功能连接的大脑区域之间的解剖连接程度。
基于 FMRI 任务数据。最近的收敛证据表明,复杂的认知作是由许多大脑区域协同工作的网络执行的,而不是由单个单一区域执行的。为了完全指定这些计算系统,有必要通过结合功能 MRI 来了解它们的功能和结构特性之间的关系。
通过弥散加权 MR 成像,人们可以检查网络连接以及这如何导致复杂的人类行为。与弥散张量成像等标准方法相比,这种弥散 MRI 管道的主要优势在于,高角分辨率弥散加权成像和无模型重建的结合使我们能够更好地解析大脑中复杂的纤维配置。这项技术的影响延伸到神经心理学状况的表征。
例如,先天性面容失认症,其中个体在面部识别方面表现出障碍。使用标准弥散 MRI 表明,与正常对照相比,靠近面部处理区域的白质纤维束退化。通过结合结构和功能 MRI,可以识别纤维中的结构缺陷,特别是连接面部处理网络中的节点。
这种方法也可以应用于临床环境,例如神经外科计划。外科医生使用功能标测来识别与重要认知功能相关的灰质组织,以最大限度地减少手术过程中的任何意外损伤。借助弥散加权成像等额外的结构信息,它们还可以最大限度地减少对连接这些功能区域的关键白质结构的损害。
通常,刚接触这种方法的人会努力解决这样一个事实,即不存在单个软件包来执行程序的所有必要步骤。因此,用户必须在多个程序之间移动,同时保持通用的图像格式以及一致的方向和对齐方式。我们的协议包括详细的说明,以指导用户完成此过程。
这种将结构和功能结合起来考虑的分析是已经确定 Coved 大脑区域的功能成像实验的自然消亡。在感兴趣的任务中,大多数以前的方法都无法提供有关结构连接的信息,这就是我们在本协议中的方法中添加的内容。使用西门子 3 特斯拉扫描仪进行 257 方向扩散光谱成像或带有 32 通道相控阵头线圈的 DSI 扫描,需要高场强和 32 通道线圈来实现这种高角度分辨率扫描的信号。
最常用的弥散加权成像方法是弥散张量成像或 DTI,使用 5 到 10 分钟的扫描,通常测量 64 个或更少的方向。DTI 的一个局限性是它难以分辨、交叉和吻合纤维,通过结合高分辨率采集和重建方法(如 DS)可以更好地检测这些纤维。我注意到 DSI 协议需要大约 45 到 50 分钟的成像,并且运动校正不能应用于 DSI 数据。因此,建议使用咬杆、泡沫填充或其他稳定技术来尽量减少移动,并且要使用训练有素的参与者,基于任务的 FMRI 需要额外的设备,例如 MR 兼容显示器和按钮响应系统。
扫描前,请务必获得知情同意并筛查 MR。禁忌。然后向参与者简要介绍要执行的扫描的性质,强调在 DSI 扫描期间需要保持静止。一旦参与者准备好开始舒适地稳定参与者的头部,然后将床滑入扫描仪,进行初始侦察扫描和校准。
然后将 DSI 扫描的切片与前后连合对齐,并确保 DSI 扫描的切片覆盖整个大脑运行。当拍摄对象在扫描仪中放松或在演示系统上观看电影时,DSI 扫描。DSI 扫描后,收集 T one 加权解剖扫描,以备后用于在相同或单独的扫描会话中将 DSI 数据与其他解剖学或功能数据共同注册。
还可以获取基于任务的 FMRI 数据,以便对行为任务进行功能扫描。指导受试者监控屏幕中与任务相关的刺激,并根据需要进行。如果在单独的日期进行 FMRI,请再进行一次 T 1 加权解剖扫描。
这种处理方法利用基于表面的 FMRI 数据分析来生成用于束成像的 ROI,并允许更好地可视化束成像终点和功能 ROI 之间的对应关系。要开始处理,首先,将获取的 T one 加权图像提交给 Free Surfers 自动算法,该算法执行灰质和白质的解剖分割以及皮质表面重建。输出还包括从中创建表面的解剖体积的处理版本,称为表面体积。
接下来,对痤疮中的 FMRI 数据进行预处理。然后将免费的冲浪者输出导入 summa a acne 软件,并将预处理的功能数据映射到生成的表面上。分析 FMRI 数据以生成统计图,从中可以创建功能定义的 T 束造影 ROI。
然后通过扩张将这些基于表面的功能性 ROI 扩展到白质中,以在束成像过程中最大限度地与流线接触。最后,将膨胀的 ROI 从表面坐标转换为体积坐标,并输出为漂亮的文件以处理扩散数据。首先,确定数据集中的哪些 DICOM 图像、其他 B 零或基线图像,并将这些图像转换为漂亮的格式。
接下来在 DSI Studio 中,打开 DSI DICOM 图像并合并以创建源文件并提供渐变表。接下来,将默认重建蒙版应用于基线图像,并确保它包含所有灰质,不包括空白空间、颅骨或非脑组织。编辑必要的掩码。
在此处使用 A-D-S-I-G-Q-I 或 GQI 方差选择高分辨率重建模型。使用 GQI 选项。然后创建一个纤维信息文件来表示每个田鼠的主要扩散方向。
接下来,必须将功能性 ROI 转化为 DSI 空间。使用 apni 将 DSIB 零图像与漂亮格式的解剖表面体积对齐。使用 acne 程序 cat mat 反转生成的 12 点 ALINE 变换矩阵。
然后将倒排矩阵应用于函数 ROI,将其转换为 DSI 空间。使用全脑种子跟踪纤维是评估整体数据质量的一种快速有效的方法。它还提供了一个机会来确定全局参数的值,例如要开始的跟踪阈值,创建一个完整的大脑种子区域。
然后设置初始跟踪阈值以遮罩低信号体素以及角度阈值。此外,设置跟踪步长(以毫米为单位)和所需的纤维或种子点数。现在进行全脑束造影以检查整体 ODF 重建质量。
接下来,通过迭代执行全脑跟踪并调整跟踪阈值来找到最佳跟踪阈值。通过可视化全脑束成像和跟踪中的灰质掩码的重叠,找到一个最大化到达灰质的纤维比例的阈值,当 90% 到 100% 的纤维到达灰质时,嘶嘶作响的噪声纤维最小化此外,检查跟踪阈值是否掩盖了体素和空白空间。例如,没有去除体素的纵向裂缝,它显然位于白质中作为交叉检查轨道,一组来自枕极解剖 ROI 的控制纤维,带有大量种子,例如 500, 000。
既然已经选择了最佳束成像参数,请检查该程序是否在数据集中产生大致相同数量的纤维。接下来,执行 ROI 约束的 T 束造影术,以检验有关功能定义的大脑区域之间连接的假设。首先加载 fib 文件,并在 DSI Studio 中创建一个完整的大脑种子区域,然后加载一个或多个功能定义的感兴趣区域 nifty 文件,并在 DSI Studio 区域设置器中将它们设置为 ROI。
ROI 将需要流线通过它们,使用先前优化的参数设置跟踪和角度阈值并执行跟踪。最后,将 tractography 输出另存为 TRK 文件。接下来,执行端点密度分析,它可以测量结构连接与基于任务的功能激活的精确空间位置的对应关系。
要开始将漂亮的 ROI 和 TRK 文件加载到 track fz 软件中,请在区域之间执行布尔运算,并将每个作的结果保存为新的 TRK 文件。使用扩散工具包功能在空间上将 TRK 文件从 DSI 空间转换为表面体积空间,以便在高分辨率解剖衬垫上查看纤维数据,在轨道可见光中加载转换 TRK 文件和表面体积,以检查结果作为连通性的一种衡量标准。计算按 ROI 量标准化的 ROI 中的光纤终端节点总数。
在这里,我们看到了使用全脑束成像的最佳和次优结果的插图。所有三个图像都基于来自单个参与者的相同 257 方向 DWI 数据集。此处显示了最佳结果。
相比之下,这里看到的结果显示了过宽松的 t 束造影参数的影响。在这里,我们看到了使用单个张量模型重建 DWI 数据导致的质量降低。在此图中,我们看到一个在人脸感知任务期间激活的区域示例,其中查看了人脸和日常对象的图片。
在对中间的两个腹侧颞区进行 FMRI 扫描时,梭形回和枕下回对面部的大胆反应明显大于物体。这里的图形场景显示了视觉皮层、感觉区域和后顶叶皮层中注意力控制区域之间的联系。此面板分别以红色、绿色和蓝色显示 V 1、V 2 和 V 3 种子区域的大致位置。
标记为 IPS one 的 PPC 种子区域和连接这些区域区域的光纤轨道区域由它们所在的枕叶 ROI 着色。图 B 显示了皮质表面 IPS 中棕色、V 1 为红色、V 2 为绿色和 V 3 为蓝色的功能定义区域,以及每个区域中的光纤端点。掌握后,可以在 30 到 90 分钟内完成单个参与者的数据采集。
自动解剖表面重建通常需要 16 小时,而弥散加权数据可以在不到一个小时的时间内处理完毕。处理和分析 FMRI 数据的时间因行为任务和实验程序而异。束成像时间要求也从几分钟到几小时不等,具体取决于跟踪参数和感兴趣区域约束。
在尝试此程序时,重要的是要记住,束造影结果可能容易受到假阳性和假阴性的影响。始终在先前神经解剖学发现的背景下评估您的纤维跟踪结果,或使用收敛方法,例如功能连接分析遵循此程序。可以执行其他方法,如纤维位置的模式分类、端点分布的详细空间分析和白质完整性的纵向扫描,以进一步研究与大脑结构和功能的关系。
这项技术为认知神经科学领域的研究人员在健康人类和临床人群中非侵入性地探索结构功能关系铺平了道路。大脑区域之间的结构连接可以用来限制关于信息通过控制复杂人类行为的大脑网络流动的假设。观看此视频后,您应该了解重建弥散加权成像数据和进行纤维束造影的关键步骤。
您还应该了解执行质量检查和迭代参数测试以优化纤维跟踪结果的重要性。最后,看完这个视频后,你应该对如何将解剖学连接与大脑网络的功能特性联系起来有了更好的理解。
View the full transcript and gain access to thousands of scientific videos
本研究提出了一种使用磁共振成像(MRI)同时分析大脑功能和结构的新方法。通过采用高分辨率扩散加权成像和白质纤维束追踪技术,该研究建立了解剖学连接性与大脑网络功能特性之间的直接关系。
This method enables biopharma researchers to non-invasively map structural connectivity between functionally active brain regions, supporting target validation in neuropsychiatric drug discovery. By integrating diffusion spectrum imaging with fMRI, it provides a mechanistic framework to de-risk hypotheses about neural circuit engagement by therapeutic candidates. The approach enhances predictive confidence in early discovery by linking anatomical pathways to functional readouts relevant to complex cognitive domains.
The method integrates into the discovery continuum from hypothesis generation through lead optimization, providing structural context for functional screening data and enabling iterative refinement of target engagement models.