基于fmri数据构建脑功能连接图

Posted by WangW on December 15, 2019

最近用到了脑连接图,为了较快的达到这一目的,我采用了不求甚解的浏览资料,导致许多神经方面知识并不理解,稍后可能会补一些认知神经科学方面的知识。

基于fMRI数据构建脑功能连接图主要分为三个步骤:

  1. 获取节点(脑分区),有各种标准的分区方法比如AAL90, AAL116, Brodmann82, Power264等。只要选定了分区方法,那么就确定了节点;
  2. 利用fMRI数据以及节点获取连接矩阵;
  3. 通过连接矩阵和节点以及节点坐标获取脑图(可选);

介绍

高中生物就讲到过大脑里有亿级数量的神经元,神经元之间通过突触连接,以进行信息交流。因此大脑可以看作一个巨大的神经网络,神经元为节点,突触为边,如果我们可以清楚的了解这个巨大神经网络是怎么处理信息,怎么工作的,也就知道了大脑工作原理。

但就现在的科学技术来说,监视大脑所有的神经元以及突触连接是不可能的。但我们可以把一个大脑放到一个有网格标尺的三维空间中,测量每一个网格的核磁共振变化值。然后对大脑进行分区,如分维90个区域,每个区域包含多个网格,该区域的核磁共振值维其包含所有网格的平均值。可以把这90个区的每个区当作一个节点,如下图:

分区方法有各种模板,主要有ALL, Brodmann等模板,只要确定了模板,那么也就唯一确定了所有节点。

fMRI数据是通过核磁共振扫描获取,扫描仪一般2s就可以对大脑进行一遍核磁共振扫描,得到一张三维图。如果没2s扫描一次,扫描多次就可以得到随时间变化的一系列三维脑图,加上时间,共是四维数据。对于大脑的某个节点(固定前三维),可以得到一个时间序列。

每一个结点都如此。对于某两个结点,可以计算它们时间序列的pearson相关系数,如果超过既设阈值说明它们是协同,有连接的边(当然不是物理存在)。对任两个结点都计算相关系数值,就可以得到连接矩阵,也就得到了边。

从上面的描述可以知道得到的图,其中的结点不是真实的神经元,而是人为进行的分区,其中的边也不是真实的突触,而是相关性或协同性定义的,因此称为功能连接网络。

rs-fMRI,rs为resting state即静息态,指的是让被试处在不做任何任务时,采集fmri值。当然,在研究人做某些特定任务时的大脑活动,可以采集对应的fmri值。但实际上,即使人不做任何任务(静息态),脑也在不断活动,而做某些任务时某些连接更强烈,因此使用静息态研究基本的功能连接更合理些。但即使处在静息态,也无法得知人脑在想什么,或在想像做什么任务,这也是静息态的缺点。

rs-fMRI数据及预处理

fMRI数据

fmri数据主要有两种存储格式,DICOM和NIFTI。DICOM,文件后缀为 .dcm ,仪器在采集数据时并非直接同时得到三维空间所有网格点的值,而是移动切平面逐层测量,DICOM,把每一层都使用一个独立的文件存储,并用数字标记层数,组合这些层数才是一个三维数据。NIFTI,文件后缀为 .nii,直接为3维数据。

可以看看DICOM数据文件夹形式,这是在学习dparsf时里面看到的例子文件 Demonstrational Data for Resting-State fMRI ,看看里面的Funraw文件夹里的数据。

一般文件都是这种形式,FunRaw中保存各个被试文件夹,Sub_001,Sub为subject,指001号被试,该文件夹下保存在该被试的4维数据。

NIFTI数据,每个被试的数也是用sub_0012等形式命名的文件夹保存,里面直接是个 .nii 文件,实际 .nii 里面也是多个文件,每个文件为一个时间点的三维脑数据,但合并成一个.nii文件。可以在 这里 下载得到,文件一般很大达到G以上。

fMRI预处理

  1. 将DICOM文件转为NIFTI 数据。如果获得的数据是NIFTI就不用该步。
  2. 移除前n个时间点数据(remove first time points)。这是因为仪器开始时有个平衡过程,即开始时测得的图像也不准,故舍弃前几个。
  3. 时间层校正(slice timing)。每次采集一个3D脑图数据都是逐层扫描,且花了2s左右,这样一个3D脑图上的数据并不所有都是数据均同时采集,而是不同层有时间偏移。而计算结点相关时的时间序列是希望两个时间序列是相时的。因此做校正。
  4. 头动校正(realign)。被试试验时,难免不自主头发生轻微晃动,使得空间数据偏移。像拍照抖动一样。因此做校正。
  5. 空间标准化(normalize)。每个的脑部形状都是略有不同的,因此我们把数据变换到标准的脑空间中。虽然测试不同的脑,但都是放到同一标准脑中计算。
  6. 平滑化(smooth)。为了降低信噪比。
  7. 去线性漂移(detrend)
  8. 滤波(filter)
  9. 协变量回归(regression out the covariables)。为了降低脑部其它协变量的影响。
  10. Scrubbing

一般的软件中都包含了预处理过程。

构建脑连接网络

已现存很多能够自动化构建脑连接网络的软件,比如gretna, dparsf等。

gretna构建脑连接网络简介

gretna软件主要包含5大模块:

构建脑连接网络主要仅仅使用了第一个模块,该模块介绍如下:

FC Matrix Construction: This section allows researchers to 1) perform R-fMRI data preprocessing, including volume removal, slice timing, realignment, spatial normalization, spatial smoothing, detrend, temporal filtering and removal of confounding variables by regression; and 2) construct static or dynamic region of interest (ROI)-based functional connectivity matrices.

输出分析

最后会发现工作目录出现,GretnaSFCMatrixR 文件夹,里面为

第一个是节点文件,第三个是被试001号的脑连接矩阵。具体分析这两个文件夹,

结点文件中的结点属性,前三3为三维空间坐标,第4列为结点类别这里均为1,第5列为结点大小,第6列其实是结点名称这里没写。如下所示:

-39.5807	-5.71401	51.108	1	1.000000	-
40.2365	-8.38623	52.3802	1	1.000000	-
-19.2128	34.7426	42.474	1	1.000000	-
20.9405	30.7998	43.9931	1	1.000000	-
-17.8767	47.25	-12.8836	1	1.000000	-
17.7395	47.6141	-13.6109	1	1.000000	-
-34.268	32.3246	35.7804	1	1.000000	-
36.5444	32.998	34.1722	1	1.000000	-
-31.9333	50.4556	-9.33333	1	1.000000	-
32.7245	52.3776	-10.5816	1	1.000000	-
-49.3067	13.1779	20.2178	1	1.000000	-
49.3539	14.8219	21.4632	1	1.000000

边文件的连接矩阵

dparsf介绍

脑连接网络可视化(脑图)

使用了BrainNet Viewer软件。该软件和gretna都来自同一个社区驱动的合作实验室-NITRC


Next: