神经影像(核磁共振)概念及数据分析学习

一、神经影像数据是什么?

以前的医生检查人有没有病,可以看气色,有没有外伤,有没有鼻歪眼斜,口角流涎之类的现象,然后再把个脉,根据心跳和气运行的顺畅来判断身体哪里出现了问题。但是这些方法难以得到直观的身体内部的情况。毕竟不是人人都像尝百草的神农有一个透明的肚子。后来人们发现,通过声波或者光波透过不同物体后消减或反射回来的量的不同可以区分不同的物体。于是一些隔墙观物的影像学技术就得到了发展。而神经影像数据也就是根据影像学的方法得到的其中一种特殊的数据。就像骨骼、内脏检查要照CT( cranial computerized tomography,颅脑断层摄影术,原理是用X光连续拍摄物体多个断面的影像),B超或者核磁。【三者分别靠光波、声波和磁场变化来获得数据。】
对于脑子的检查也可以用一些机器。鉴于不同机器的价格差异比较大,最初在国内医院使用最多的是CT,这一方法的分辨率比较低,辐射较大,一段时间内不能多次测量。后来引入了PET(正电子发射断层扫描),价格昂贵,且需要注射一定剂量的同位素药品(一般为葡萄糖)。这两种方法多用于肿瘤的检查,因为肿瘤位置与正常部位对于X射线的透过率不同,且由于肿瘤细胞的新陈代谢速率很快,所聚集的葡萄糖的比例更高。
技术的发展给与理论的发展更大的空间。而理论的发展又催生了技术的进步。人们开始思考,神经活动的本身如何通过影像的方法来测量。能够有一种方法可以获知“我想要吃一个冰淇淋”时的脑活动吗?学过简单生物学的人都知道,神经内部以电的形式传递信息,而神经之前以化学递质的形式传递信息。而且,这样的神经活动过程需要血液带来的葡萄糖和氧气来提供能量。
这样一来,我们可以通过测量电(由于电磁转化)或者磁场的变化来间接得到神经活动的变化。这两种想法分别对应了EEG(脑电)和MEG(脑磁)。由于血液中的氧合血红蛋白的逆磁性和脱氧血红蛋白的顺磁性,又可以通过在强磁场下氢原子核的偏振回旋差异得到MRI(核磁)的数据。FNIRS则是通过一个穿过大脑皮层表面的红外线被吸收的程度不同来获得较为浅表脑区的神经活动变化。
总而言之,为了得到“你究竟在想什么”的直观影像数据,哲学家、数学家、生物学家、物理学家、工程师等等,共同造出了一大堆的机器,得到了一大推的数据,使用一大推的方程式和理论假设,终于得到了能够放在灯下、屏幕上看到的一张张直观的脑子图片。
下面文章中的神经影像集中于讨论fMRI。核磁成像的优势在于较高的时间分辨率和极高的空间分辨率(针对结构像来说)。核磁不需要注射药品,也不需要穿戴繁重的仪器,短时间内反复测量也不会对人体造成伤害。缺点是价格相对还是比较昂贵(相对于CT、EEG),机器占地面积大,维护费用高,操作需要专业人员,受测者需要躺在一个相对狭小的空间内忍受机器的噪声。对于抑郁症、PTSD(创伤后应激障碍)、躁郁症、幽闭恐惧症、多动症、婴儿等特殊的人群来说比较难以使用。
有关更多的fMRI的原理和数据预处理知识可以查看知乎上的Principles of fMRI的讲义神经影像(核磁共振)概念及数据分析学习_第1张图片

二、神经影像数据怎么收集?

具体来说MRI的数据怎么收集呢?市面上核磁机器的产家好几家,学术文章中的数据多是GE(通用电气)、西门子和菲利普的机子收到的。不同的机器,不管是不是同一个产家的同一个型号,就指单一的机器之间的数据就会有差异,不同批次之间的数据也会有差异。人不同踏入同一条河流,也不能测出同一个脑数据。当然这种差异是研究上的差异,对于个人去查个病之类的影响不大。虽然不同医院的确是会不认其它医院的检查结果的。对于这种差异的解决方法只有尽可能保持机器的稳定,少做大修。同一批的数据尽量在同一时间段的同一个数据中心上获得。另外在数据处理的过程中,使用一些数学方法来校正和减少误差,减少无关干扰。
以西门子3T的机器为例,一次核磁的数据过程是这样的:
Simens 3T功能磁共振扫描简单操作手册

三、神经影像数据的形式?

形式包括,从数据本身来讲,得到的可能是细胞的活动数据,也可能是组织结构的数据。前者正如上文所说,可以是电磁感应的变化,也可以是葡萄糖和氧气水平的涨落。而后者可以是灰质白质的体积形态(T1像,VBM),也可以是白质的走向(DTI算出的FA各向异性)。
静息态fMRI、DTI和VBM分别是什么东西
PET、MEGI、fMRI、DTI、fNIRS这些方法得到的数据的格式是不同的。fMRI(functional Magnetic Resonance Imaging)得到的数据最原始的格式是dicom文件,没有后缀名。使用SPM(基于MATLAB)、REST、DPARSF等等软件包都可以将dicom文件转化成.nii文件格式,这种数据转化的形式是用得比较广泛的。
另有影像数据格式的大佬级文章如下:
常见的医学影像数据形式
医学影像数据格式和格式转换
NIFTI格式(.Nii)数据格式分析

四、神经影像数据的分析?

fMRI数据的分析一般包括:数据的预处理,激活情况分析(组内1st-level、组间2nd-level),功能连接。再接着独立成分分析(ICA)、主成分分析(PCA)、深度学习、大数据分析等等。
静息态数据分析大佬级别完整版:
zhanghan_功能磁共振数据处理-北京2012+
数据分析的方法有许许多多,大神们写出的软件包也有许许多多。关于数据处理的学习不仅要与时俱进,更需要脚踏实地。虽然不懂原理也可以算出结果,但是懂得原理才能发展出更多更好的计算方法。
一些数据分析的细节
ANOVA与ANCOVA的区别
时间序列——去趋势 detrended
多重假设检验与Bonferroni校正、FDR校正
关于fMRI的坐标
MNI and Talairach atlas的坐标
MNI and Talairach atlas的坐标(英文原版)
Talairach空间、MNI空间、Native空间、Stereotaxic空间
fMRI计算软件中相关的坐标系知识

由于放射科和神经科在查看脑图像时方向是不同的,所以在使用软件包分析数据时要特别注意图像的朝向。
放射科左脑在右,右脑在左;神经科左脑在左,右脑在右。
左手坐标系和右手坐标系

五、神经影像数据分析结果的解释?

最初对于脑激活的假设是纯粹叠加的,也就是说,“想吃冰淇淋”减去“什么都不想”就等于“想吃冰淇淋”的脑活动。
但是更多的研究质疑了这种纯粹的叠加假说。大脑的不同区域可能负责不同的神经活动。比如枕叶负责视觉,颞叶有关听觉,顶叶有关注意,前额叶与人格相关,还有一些脑损伤的研究,发现海马、杏仁核、脑岛、布洛卡区、威尔尼克区,甚至镜像神经元和祖母细胞。脑的功能分区导致了功能连接假说的发展。
而不断发展的数据分析方法也需要更加精细化的对于结果的解释。脑活动不再是简单的激活与不激活,还有可能是负激活与正激活,同时激活与继时激活等等。图论在脑数据分析中的应用,也催生了脑网络的概念。
脑网络研究相关概念

六、从神经影像到大数据和机器学习

正如上一部分最后提到的图论的概念,由于脑数据本身就具有的数据量庞大,数据结构复杂,数据指向不明确的特性,很自然的,神经科学与脑影像研究的发展就与大数据和深度学习有着天然的相关性。
但是如今的大数据,机器学习与深度学习已经渐渐脱离了神经科学本身而发展为相对独立的学科。而神经科学还需要依附于大数据的方法。
神经科学与影像对于认识人的认知活动真的具有那么大的作用吗?血液动力学响应真的能够说明神经活动的变化吗?认知神经科学是否陷入了数据驱动的瓶颈?未来还不是很明确。
神经影像的学习需要多学科知识的交叉应用。研究者需要学习庞大的知识体系和繁杂的知识细节,只有不断深入学习,才能真正举重若轻地使用“影像”这一工具来研究更多有价值的理论成果。

你可能感兴趣的:(fMRI)