联合分析脑结构与功能：采用fMRI与扩散加权成像

以下实验的总体目标是利用磁共振成像技术同时分析大脑的结构与功能。通过高场强磁共振成像（MRI）实现该目标，其中采用弥散谱成像（DSI）来获取大脑白质结构图像，并利用血氧水平依赖功能磁共振成像（BOLD fMRI）测量大脑功能。随后对DSI数据进行处理，以生成大脑每个位置的多方向弥散估计值。

此外，对 fMRI 数据进行分析，以生成用于构建或选择虚拟白质纤维的兴趣区域。接下来，将这些兴趣区域与 DSI 数据进行配准，从而使功能数据与结构数据处于同一图像空间中。最后，对扩散数据进行纤维束追踪，以估算连接功能兴趣区域的白质通路。所得结果可显示假设存在功能连接的脑区之间的解剖连接程度。

基于功能性磁共振成像（fMRI）任务数据。近期越来越多的证据表明，复杂的认知操作是由多个协同工作的脑区网络共同执行的，而非由单一的脑区独立完成。为了充分阐明这些计算系统，有必要通过整合功能性磁共振成像，理解其功能特性与结构特性之间的关系。

利用扩散加权磁共振成像，可以研究脑网络连接及其如何产生复杂的人类行为。相较于扩散张量成像等标准方法，该扩散磁共振成像流程的主要优势在于，高角分辨率扩散加权成像与无模型重建方法的结合，使我们能够更精确地解析大脑中复杂的纤维构型。该技术的应用前景包括对神经心理状况的特征进行刻画。

例如，先天性面孔失认症患者表现出面孔识别能力受损。利用标准的弥散磁共振成像技术，已发现与正常对照组相比，面孔处理区域附近的白质纤维束出现退化。通过结合结构磁共振成像和功能磁共振成像，可以识别出连接面孔处理网络中特定节点的纤维结构缺陷。

该方法还可应用于临床环境中，例如神经外科手术规划。外科医生利用功能定位来识别与重要认知功能相关的灰质组织，以尽量减少手术过程中可能造成的意外损伤。结合额外的结构信息，如弥散加权成像，他们还可以尽量减少对连接这些功能区域的关键白质结构的损伤。

通常，初次接触该方法的人员会面临一个难点：目前尚无单一软件包能够完成该流程的所有必要步骤。因此，使用者必须在多个程序之间切换，同时保持统一的图像格式以及一致的方向和对齐方式。本方案提供了详细的指导说明，以帮助使用者顺利完成该流程。

此类结合结构与功能进行分析的方法，是功能性成像实验的自然延伸，后者已识别出与特定功能相关的脑区。在感兴趣的实验任务中，大多数先前的方法无法提供有关结构连接性的信息，而本方案所采用的方法则补充了这一关键环节。本实验使用西门子3特斯拉扫描仪，配备32通道相控阵头线圈，采集257个方向的扩散谱成像（DSI）扫描数据；高场强与32通道线圈对于实现这种高角分辨率扫描所需的信号强度至关重要。

最常用的扩散加权成像方法是扩散张量成像（DTI），通常采用5到10分钟的扫描时间，测量64个或更少的方向。DTI的一个局限性在于其难以分辨交叉和邻近的纤维束，而这些结构通过高分辨率采集与重建方法（如DSI）的结合能够更好地检测。需要注意的是，DSI方案需要约45至50分钟的成像时间，且无法对DSI数据应用运动校正。因此，建议通过使用咬合杆、泡沫垫或其他稳定技术尽量减少受试者移动，并选用经过高度训练的受试者。此外，基于任务的fMRI还需要额外的设备，例如与磁共振兼容的显示系统和按钮反应系统。

扫描前，务必获得知情同意并筛查磁共振禁忌证。随后向受试者简要说明将要进行的扫描过程，强调在进行DSI扫描期间必须保持静止。当受试者准备就绪后，舒适地固定其头部，将检查床推入扫描仪，执行初步定位扫描和校准。

然后将DSI扫描的切片与前连合和后连合对齐，并确保DSI扫描的切片覆盖整个脑部扫描范围。在受试者于扫描仪中静息或通过呈现系统观看电影时进行DSI扫描。DSI扫描完成后，采集一个T1加权的解剖学扫描图像，以供后续在同一或不同扫描会话中将DSI数据与其他解剖或功能数据进行共配准时使用。

同时获取基于任务的 FMRI 数据，用于行为任务的功能扫描。指导受试者在屏幕上监控与任务相关的刺激，并按要求作出反应。如果 FMRI 在另一天进行，则需另获取一次 T1 加权的解剖学扫描。

该处理方法利用对 fMRI 数据的基于表面的分析来生成用于纤维束成像的感兴趣区域（ROI），并有助于更好地可视化纤维束成像终点与功能 ROI 之间的对应关系。开始处理时，首先将采集的 T1 加权图像提交至 FreeSurfer 的自动化算法，该算法可实现灰质与白质的解剖学分割以及皮质表面重建。输出结果还包括一个由生成表面所依据的解剖图像处理而成的版本，称为表面图像（surface volume）。

接下来在ACNE中对fMRI数据进行预处理。然后将FreeSurfer的输出结果导入Summa A Acne软件，并将预处理后的功能数据映射到生成的表面。分析fMRI数据以生成统计图，进而创建功能定义的感兴趣区域（ROI），用于T束成像。

然后通过膨胀将基于表面的功能性感兴趣区域（ROI）扩展至白质，以在纤维束成像过程中最大化与纤维束的接触。最后，将膨胀后的ROI从表面坐标转换为体素坐标，并以NIfTI文件格式输出，用于处理扩散数据。首先，识别数据集中除B=0或基线图像以外的其他DICOM图像，并将其转换为NIfTI格式。

接下来，在 DSI Studio 中打开 DSI DICOM 图像，合并以创建源文件，并提供梯度表。然后，将默认重建掩模应用于基线图像，确保其包含所有灰质，但不包含空隙、颅骨或非脑组织。根据需要编辑掩模。

在此处使用 A-D-S-I-G-Q-I 或 GQI 方差选择一个高分辨率重建模型。本实验采用 GQI 选项。然后创建一个纤维信息文件，以表示每只田鼠中的主要扩散方向。

接下来，必须将功能性的感兴趣区域（ROI）转换至DSI空间。使用apni工具将DSIB零图像与nifty格式的解剖表面体积对齐。利用a acne程序cat mat反转得到的12点ALINE变换矩阵。

然后将逆矩阵应用于功能性感兴趣区域，将其转换至DSI空间。使用全脑种子进行纤维追踪是评估整体数据质量的一种快速有效的方法。同时，这也为确定全局参数（如追踪阈值）提供了机会，以开始创建全脑种子区域。

然后设置初始追踪阈值以屏蔽低信号体素，同时设置角度阈值。此外，设定追踪步长（单位为毫米）以及所需纤维数量或种子点数量。现在执行全脑纤维束成像，以检查整体ODF重建质量。

接下来，通过迭代执行全脑追踪并调整追踪阈值，找到最佳的追踪阈值。通过可视化全脑纤维束成像与灰质掩模在追踪中的重叠情况，确定一个可最大化到达灰质的纤维比例的阈值。当90%至100%的纤维到达灰质时，杂散纤维被最小化。此外，需检查追踪阈值是否能够屏蔽体素和空区域。例如，纵裂不应包含位于白质内的体素。作为交叉验证，从枕极解剖学ROI区域以大量种子（例如，500,000个）追踪一组对照纤维。

在已选定最佳纤维束成像参数后，需验证该流程在不同数据集间产生的纤维数量大致相同。接下来，执行基于感兴趣区域（ROI）约束的T纤维束成像，以检验关于功能定义脑区之间连接性的假设。首先在DSI Studio中加载fib文件，并创建全脑种子区域；然后加载一个或多个功能定义的感兴趣区域（ROI）NIfTI文件，并在DSI Studio的区域设置器中将其设置为ROI。

ROI 需要纤维束穿过，使用先前优化的参数设置追踪和角度阈值，并执行追踪。最后，将纤维束成像结果保存为 TRK 文件。接下来，进行端点密度分析，该分析可测量基于任务的功能激活在精确空间位置上的结构连接对应关系。

首先，将 nifty ROI 文件和 TRK 文件加载到 track fz 软件中，对不同区域执行布尔运算，并将每次运算的结果保存为新的 TRK 文件。利用扩散工具包（diffusion toolkit）中的功能，将 TRK 文件从 DSI 空间空间变换至表面体积空间，以便在高分辨率解剖背景上显示纤维数据。将经过变换的 TRK 文件和表面体积文件加载至 track vis 中进行结果检查，作为连接性的一种评估指标。计算位于某一 ROI 内的纤维末端总数，并以该 ROI 的体积进行归一化处理。

此处展示了使用全脑纤维束成像获得的最佳与次佳结果的示意图。这三幅图像均基于同一位受试者的257方向DWI数据集。此处显示的是最佳结果。

相比之下，此处显示的结果揭示了过于宽松的纤维束成像参数所产生的影响。我们可以看到，使用单一张量模型来重建DWI数据所导致的质量下降。在该图中，我们看到一个实例，展示了在面孔感知任务中被激活的脑区，该任务中受试者观看了面孔和日常物体的图片。

在进行功能性磁共振成像（fMRI）扫描时，位于腹侧颞叶中部的梭状回和下枕叶回这两个区域对人脸的血氧水平依赖（BOLD）信号反应显著强于对物体的反应。此处的图示场景展示了视觉皮层、感觉区域与后顶叶皮层中注意力控制区域之间的连接关系。该图板分别以红色、绿色和蓝色标示了V1、V2和V3种子区域的大致位置。

PPC种子区域标记为IPS 1，连接这些区域的纤维束根据其起始的枕叶ROI进行着色。图B显示了皮层表面上的功能定义区域：IPS区域为棕色，V1为红色，V2为绿色，V3为蓝色，以及各区域内的纤维末端。一旦掌握，单个受试者的数据采集可在30至90分钟内完成。

自动解剖表面重建通常需要16小时，而扩散加权数据的处理可在1小时以内完成。功能磁共振成像（fMRI）数据的处理与分析时间则根据行为任务和实验流程的不同而有所变化。纤维束成像所需时间也从几分钟到几小时不等，具体取决于追踪参数和感兴趣区域的约束条件。

在进行该操作时，需牢记纤维束成像结果可能存在假阳性与假阴性。应始终结合既往神经解剖学发现来评估纤维追踪结果，或在操作后采用功能连接分析等多模态方法进行交叉验证。此外，还可通过纤维位置的模式分类、终点分布的精细空间分析，以及白质完整性的纵向扫描等方法，进一步探究其与脑结构和功能之间的关系。

该技术为认知神经科学领域的研究人员探索健康人群及临床人群大脑结构与功能之间的关系提供了无创的研究途径。脑区间结构连接性可用于约束关于控制复杂人类行为的脑网络中信息流动的假设。观看本视频后，您应理解重建扩散加权成像数据并进行纤维束成像的关键步骤。

您还应理解执行质量检查和迭代参数测试以优化纤维追踪结果的重要性。最后，在观看本视频后，您应能更好地理解如何将解剖连接性与脑网络的功能特性相关联。