隨著技術的進步，功能磁共振成像（fMRI）已成為腦疾病、認知神經科學等領域的重要研究手段。思影科技緊隨潮流，推出了一系列fMRI數據處理培訓課程，廣受相關領域研究者們的好評。在解決研究者們學習需求的同時，科研合作也變得日趨重要。為此，思影科技推出fMRI數據處理服務，以更好地協助解決大家面臨的科研問題，如感興趣請聯系楊曉飛siyingyxf或18983979082（微信號）進行咨詢，電話：18580429226
一、數據質量檢查
好數據是好結果的前提，思影科技會對您的數據進行細致的檢查，提高科研結果的嚴謹性。
主要包括：掃描參數檢查，包括TR、體素大小、掃描時長等參數，確保參數合適與統一；圖像偽跡檢查，包括鬼影、變形、信號spike等；其他檢查，包括前n個時刻的圖像是否穩定、圖像是否缺損等。對于可能發現的數據質量問題，思影將提供合適的參考意見。也可幫助客戶進行掃描參數的設計。
圖示：典型偽跡
二、數據預處理
不同的數據分析有不同的預處理要求，思影科技會根據您的需求確定合適的預處理步驟，最大程度降低數據噪聲。
主要包括：
時間層校正（slice timing），通過插值等數學方法保證一個掃描周期內各層掃描時間的統一，以滿足后續處理的要求；
頭動校正（head motion correction/ realign），評估被試頭動狀況，并調整因此造成的不同時刻的圖像錯位；
空間標準化（spatial normalization），通過一步/兩步配準法，將被試功能圖像配準到標準腦模板，以保證所有被試圖像對齊，便于后續統計；
空間平滑（spatial smoothing），以高斯平滑核進行空間卷積，降低空間標準化造成的圖像噪聲。
其他降噪步驟：消除線性趨勢（detrend），消除由于機器發熱、脈搏等因素造成的信號漂升；濾波（filtering）,過濾高頻、超低頻的噪聲信號；回歸噪聲協變量（nuisance regression），消除白質、腦脊液、頭動參數等的影響；Scrubbing，消除全腦信號/頭動過大的時間點的數據的影響。
注：預處理步驟需根據后續分析的指標做適當的調整，包括增刪步驟，調換步驟順序等；對于預處理過程中發現的不合格被試（頭動過大、空間標準化失敗等），也將給您提供及時反饋。
三、常規靜息態fMRI指標分析
常規指標可以反映大腦基本的活動狀況、腦區間的聯系強度等，一些腦疾病患者，在這些常規指標上便可能產生異常的變化。
（1）指標計算。
主要包括：
低頻振幅（ALFF/fALFF），可反映大腦局部活動強度；局部一致性（ReHo），可反映大腦局部BOLD信號的一致性；
功能連接（FC），可反映腦區間的功能聯系強度；
體素鏡像同倫連接（VMHC），可反映左右半球對側腦區間的聯系等。以上功能指標可進行合適的標準化處理，如除均值標準化、z-score標準化、Fisher’s z變換等。
功能連接密度（FCD），用以衡量大腦每個位點（體素）與其他位點（體素）之間的聯系程度。
注：功能指標包括但不限于上面描述；不同的指標具有不同的標準化方式，通常只選擇其中一至兩種。
ALFF
REHO
voxel-wise FC
ROI-wise FC
FCD
圖示：常規功能指標ALFF、ReHo、voxel-wise FC、ROI-wise FC、FCD的計算（依次序展示）
（2）統計。
根據客戶的實驗設計，采用合適的統計方法。主要包括：T檢驗，包括單樣本T檢驗、雙樣本T檢驗、配對T檢驗等；方差分析（ANOVA），包括單因素方差分析、重復測量方差分析、雙因素方差分析、多因素方差分析等；相關分析，功能指標與臨床/心理量表的相關性分析與檢驗。
多重比較校正，包括：體素水平（voxel-level）的FWE/FDR校正，團簇水平（cluster-level）的FWE/FDR校正，高斯隨機場（GRF）校正，Alphasim校正等。
（3）結果可視化。可選：切片視圖（slice view），將結果以不同視角分層面展示；渲染視圖（render view），將結果以3D立體化的方式展示。
圖示：切片視圖（左）與渲染視圖（右）
注：統計方法與可視化方法可根據您的要求進行選擇。
四、Task-fMRI數據處理：
如果您更關注給定任務的情況下，受試者的大腦會如何反應，腦區間的聯系會產生何種變化，那么，思影提供的任務態數據分析，是您的不二之選。
（1）激活分析。基于您的任務態實驗設計，構建一般線性模型（GLM），設定合適的對比矩陣，查看由任務激活的腦區。組水平統計：包括T檢驗、方差分析、相關分析等，可進行多重比較校正（參考常規fMRI指標統計）。
（2）生理心理交互分析（PPI）。基于您的任務態實驗設計，分析不同狀態下感興趣腦區間聯系的變化。
（3）有效連接分析。可分析激活腦區間的因果聯系。主要包括：動態因果模型分析（DCM），基于Friston等人提出的動態因果模型，并結合您的實驗假設，刻畫激活腦區之間的因果、促進/抑制關系；格蘭杰因果分析（GCA），基于多變量自回歸模型（MVAR），刻畫激活腦區之間的因果關系。
圖示：動態因果模型（DCM）
（4）任務態MVPA分析。基于機器學習方法，對神經狀態進行解碼。主要包括：基于SVM、LDA等模型的解碼；表征相似性分析（RSA）等。主要進行的是分類問題的解決，由于RSA分析和MVPA分析對于實驗設計有著比較高的要求，建議如果想做此類分析，在實驗設計前與我們聯系，幫助您從更好的數據處理角度出發，進行實驗設計的處理和優化。
圖示：MVPA解碼分析示例
圖示：MVPA分析方法的流程示意圖
圖示：RSA分析方法的流程示意圖
（5）結果可視化（參考常規fMRI指標可視化）
圖示：RSA可視化例子
五、獨立成分分析（ICA）
默認模式網絡（DMN）的發現，推動了fMRI領域的研究。獨立成分分析這種數據驅動的方法，為大家打開了一個看待腦功能活動的新視角。
（1）獨立成分分解。基于Infomax等算法，將大腦活動分解成一系列子網絡（比如默認模式網絡、執行控制網絡等）。
圖示：基于ICA分解出的部分獨立成分
（2）ICA空間分析。提取被試的感興趣的獨立成分（比如DMN），比較差異。組水平統計可選：T檢驗、方差分析；并進行多重比較校正（參考常規fMRI指標可視化）。
（3）FNC/dFNC分析。以獨立成分為單位，計算獨立成分之間的功能連通性�？蛇M行：聚類分析，將獨立成分之間的連接狀態聚類成幾個類別，來分析其動態特性，包括平均居留時間（MDT）、狀態個數、狀態轉換次數、狀態轉移矩陣等；連邊分析，比較特定狀態下的連邊差異。
圖示：獨立成分之間的FNC
（4）結果可視化。ICA空間分析結果可視化參考常規fMRI指標可視化；FNC結果可使用圈狀圖可視化。
六、腦連接組（腦網絡）數據分析
研究者們越來越認識到，大腦是一個整體，而認識這個整體的一種方式，是把大腦視為由不同節點構成的腦網絡。
（1）靜息態功能腦網絡的構建。基于適當的腦圖譜（如AAL atlas），計算所有腦區間的功能連接，構建腦網絡。
（2）圖論指標分析。圖論（graph theory）是分析腦連接組的有力數學工具，圖論指標可以刻畫腦網絡的整體行為或者局部行為�？梢杂嬎愕膱D論指標有：
全局指標：小世界屬性（small-world）、最短路徑（shortest length）、集聚系數（clustering coefficient）、全局效率（global efficiency）、局部效率（local efficiency）、同配性（assortativity）、同步性（synchronization）、層級性（hierarchy）等。
局部指標：節點效率（nodal efficiency）、節點局部效率（nodal local efficiency）、節點度中心性（nodal degree centrality）、節點介中心性（nodal betweenness centrality）、節點集聚系數(nodal clustering coefficient)、節點最短路徑（nodal shortest length）等。
（3）連邊分析:
1.直接比較不同群體的腦連接組的差異，基于NBS校正方法，可以識別異常的腦網絡連通成分；
2.Rich-club分析，分析腦網絡是否具備Rich-club屬性，挑選出腦網絡中的核心腦區，計算核心腦區、非核心腦區內部及其之間的連接強度；
3.模塊化連邊分析，將腦網絡劃分為若干個內部聯系緊密的模塊，計算模塊間的連接強度。
圖示：小世界屬性、模塊化分析、Rich-Club分析
（4）動態腦網絡分析。通過加窗的方式，構建隨時間變化的動態腦網絡。后續可進行：聚類分析，將腦網絡聚類為若干個狀態，可分析特定狀態的組間差異，也可分析狀態指標，如平均居留時間（MDT）、狀態個數、狀態轉換次數、狀態轉移矩陣等；頻譜分析，分析動態腦網絡的頻譜能量活動。
圖示：動態腦網絡構建與聚類
（5）多層網絡分析。主要包括：圖論指標變異分析，可分析圖論指標的波動變化程度，衡量其隨時間是否穩定；多層網絡的模塊化、切換狀況等。
圖示：多層網絡分析——圖論指標的變異
（6）統計。上述圖論指標可以進行統計分析（T檢驗/方差分析/相關分析等），必要時進行多重比較校正（FWE/FDR校正等）。
（7）結果可視化。根據不同的分析方法，選擇合適的可視化方法：bar圖、點線圖、圈狀圖、Muxviz多層網絡可視化等。
注：本節中的動態腦網絡分析與dFNC分析類似，但尺度更小、更精細。
七、多模態數據融合分析
隨著磁共振領域研究的不斷增多，單一模態的分析已不具備足夠的說服力，基于多模態數據的分析，可能使您的研究脫穎而出，受到同行的認可和青睞。
（1）多指標耦合分析。基于回歸模型，分析不同模態指標的耦合程度（如前述常規fMRI指標與腦血流的耦合）。
（2）典型相關分析（CCA）。基于多模態CCA框架（mCCA），融合功能磁共振（fMRI）、結構磁共振（sMRI）、腦電（EEG）等模態數據，估計出一系列融合成分，并對成分做統計分析。
圖示：多模態數據融合模型(mCCA)
注：其他模態的指標計算，請關注思影科技其他模態的數據處理業務介紹。
八、腦影像機器學習分析
醫學研究人員想知道，哪些神經影像生物標記，可以幫助區分病人/健康人？認知研究人員想知道，哪些腦區的指標可以區分不同的心理狀態？基于腦影像的機器學習分析，或許可以幫助大家找到答案。
（1）基于體素的MVPA分析。基于常見的功能指標，構建機器學習模型，實現對不同群組的分類以及對量表得分的預測。常見的功能指標包括：ALFF、ReHo、FC等；常見的機器學習模型包括：支持向量機（SVM）、線性判別分析（LDA）、Logistic回歸、隨機森林（Random Forest）、RVR、Elastic Net等。
（2）基于腦網絡的機器學習分析。基于腦連接組數據，同樣可以提供上述分類/回歸分析（參見（1））。此外，思影科技可以提供腦網絡特有的預測模型，即CPM分析。
（3）結果可視化。基于體素的MVPA分析可以提供權重圖，以展示對分類/回歸貢獻較大的腦區；基于腦網絡的機器學習分析可以提供點線圖和圈狀圖。
注：功能指標、機器學習模型包括但不限于上面描述。
九、定制化分析
閱讀了一篇經典論文，在大呼過癮的同時，是否期望把先進的方法組合應用在自己的研究？思影科技可以為您提供定制化分析服務。
（1）分析方法可定制。思影科技可根據您提供的模板文獻，基于您的實驗數據，實現文獻中使用的數據分析方法。此外，未列出的分析方法，只要在思影科技的能力范圍內，盡力實現您的想法。
（2）分析代碼可定制。在沒有現有的軟件適用于您的數據分析需求時，思影科技會與您協商，通過編寫代碼實現您的想法，并提供代碼的完整實現。
微信掃碼或者長按選擇識別關注思影
如對思影課程感興趣也可微信號siyingyxf或18983979082咨詢。覺得有幫助，給個轉發，或許身邊的朋友正需要。請直接點擊下文文字即可瀏覽思影科技其他課程及數據處理服務，歡迎報名與咨詢，目前全部課程均開放報名，報名后我們會第一時間聯系，并保留名額。
|
