激情综合婷婷色五月蜜桃,欧美另类videosbestsex,日日噜狠狠噜天天噜AV,少妇无码一区二区三区

編者按：

受美國神經(jīng)影像學(xué)權(quán)威期刊AJNR雜志邀請，此篇綜述由首都醫(yī)科大學(xué)附屬北京友誼醫(yī)院呂晗醫(yī)生書寫，王振常教授把關(guān)，多位國內(nèi)外權(quán)威專家修改，美國神經(jīng)影像學(xué)會(huì)主席（ASFNR）、斯坦福大學(xué)Max Wintermark教授審校，2018年發(fā)表。內(nèi)容基礎(chǔ)、充實(shí)、易懂，一年多來已經(jīng)被國內(nèi)外引用超過50次，已經(jīng)成為部分單位開展相關(guān)研究的“教科書式”入門指南及“方法學(xué)進(jìn)階”查閱手冊。翻譯為中文，請同行參考。

引用：

Lv Han#,Wang Zhenchang, Elizabeth Tong, Leanne M Williams, Greg Zaharchuk, MichaelZeineh, Andrea N. Goldstein-Piekarski, Tali M. Ball, Liao Chengde, MaxWintermark*. Resting-StateFunctional MRI: Everything That Nonexperts Have Always Wanted to Know. AmericanJournal of Neuroradiology (AJNR), 2018, 39(8), 1390-1399.

血氧水平依賴性功能磁共振（BOLD-fMRI）是近些年來比較熱門的一種腦功能研究方法，它的成像基礎(chǔ)為神經(jīng)元被激活后，局部腦血流量及氧合血紅蛋白增加，氧合/脫氧血紅蛋白比例發(fā)生變化，導(dǎo)致局部磁化率變化而被磁共振（MR）檢測。

BOLD-fMRI包括任務(wù)態(tài)和靜息態(tài)（rs-fMRI）。rs-fMRI不需要受試者執(zhí)行特定任務(wù)或接受某種刺激，更適用于神經(jīng)外科疾病、精神病以及兒科患者，近年來在臨床研究中應(yīng)用越來越廣泛。

為了更容易地理解，可以將人的腦圖（Brain map）形象地比做地圖（map）�？吹貓D時(shí)，我們會(huì)關(guān)注“城市”（cities）以及連接城市的“高速路”(highways)。類似的，在分析腦活動(dòng)時(shí)，也可關(guān)注腦的局部活動(dòng)及不同腦區(qū)之間的功能連接。

因此，rs-fMRI數(shù)據(jù)分析方法大致分為兩種類型：功能分離（functional segregation）和功能整合（functional integration）。功能分離主要關(guān)注各不同腦區(qū)自身功能，功能整合則將大腦活動(dòng)集成為相互連接的網(wǎng)絡(luò)，主要關(guān)注不同腦區(qū)之間的交互。但從大腦的本身結(jié)構(gòu)出發(fā)，但看功能分離或者功能整合都是不足以完整理解大腦，必須將腦區(qū)的特異性和不同腦區(qū)的連通性整合在一個(gè)框架下進(jìn)行分析，這就是圖論分析。雖然圖論分析也有節(jié)點(diǎn)和連接的不同指標(biāo)，但是“圖”和“網(wǎng)絡(luò)”的表征使得的功能分離和功能整合可以被有機(jī)結(jié)合在一個(gè)框架下，能夠更加系統(tǒng)的出發(fā)進(jìn)行研究。

功能分離

功能分離是根據(jù)認(rèn)知功能的差異將大腦分成不同的腦區(qū)，這種思路最早來源于解剖學(xué)，尤其對腦疾病病人的解剖發(fā)現(xiàn)，疾病中出現(xiàn)的一些行為特征如失語、失動(dòng)或者震顫等都在大量同質(zhì)病人的腦解剖中被發(fā)現(xiàn)在鄰近腦區(qū)。后來在任務(wù)態(tài)功能磁共振的發(fā)展中出現(xiàn)了大量的研究工作，對大腦中多個(gè)執(zhí)行功能和認(rèn)知功能進(jìn)行了細(xì)致的定位工作，如視覺初級、高級皮層，聽覺初級、高級皮層，軀體感覺皮層，語言功能定位的Broca區(qū)、Wernick區(qū)等等。

在靜息態(tài)功能磁共振研究中，具有較好的可重復(fù)性和較為明確生理意義的指標(biāo)主要有兩種，分別是低頻振蕩振幅（ALFF）和局部一致性（regional homogeneity, ReHo）。它們反映的是局部腦活動(dòng)（“城市”），不顯示不同腦區(qū)之間的功能連接（“高速路”）。盡管兩種分析結(jié)果有很多相似之處，但反映的內(nèi)容是不同的，兩種方法相結(jié)合可得到更多的信息。

（1）低頻振蕩振幅（ALFF）分析

ALFF值與局部神經(jīng)活動(dòng)強(qiáng)弱相關(guān)，常用于測量0.01 - 0.1 Hz 頻率范圍內(nèi)的BOLD信號，分?jǐn)?shù)低頻振幅（fractional ALFF，fALFF）也是常用分析方法，即ALFF值除以整個(gè)頻段ALFF值得到（形象而言，分別反映城市中交通壓力的絕對值、相對值）。

ALFF的生理意義已經(jīng)獲得了大量的探索，在一定程度上可以分不同的頻段得到解釋。一般認(rèn)為：

1)頻率在0.010到0.027Hz之間可以反映皮層神經(jīng)元的活動(dòng)

2)頻率在0.027到0.073Hz之間可以反映基底神經(jīng)節(jié)的活動(dòng)

3)頻率在0.073到0.198Hz之間和0.198到0.250 Hz之間分別與生理噪聲和白質(zhì)信號相關(guān)

優(yōu)點(diǎn)：基于體素的分析方法，無需先驗(yàn)假設(shè)，分析簡單，短期/長期（長達(dá)6個(gè)月）的穩(wěn)定性和可重復(fù)性好；相較于ALFF，fALFF反映灰質(zhì)信號更具特異性，但重復(fù)性略低。也可將ALFF和fALFF相結(jié)合進(jìn)行分析研究。

可參考(直接點(diǎn)擊）：

《大話腦成像》系列之九 —— 由 ALFF 說開去

（2）局部一致性（ReHo）分析

ReHo描述的是某個(gè)體素與周圍相鄰體素時(shí)間序列的同步性（形象而言，反映城中心和周圍之間交通活動(dòng)的同步性）。ReHo值越高，代表局部體素與鄰近體素的一致性越好，但并不一定說明局部神經(jīng)活動(dòng)越顯著。

ReHo通常在低頻范圍內(nèi)計(jì)算，通常在0.01 Hz到0.1Hz之間。它可以細(xì)分為不同的頻帶。低頻率(0.01 -0.04 Hz)的Reho對皮層活動(dòng)更敏感。在不同的頻帶上，ReHo測量的確切生物學(xué)意義還有待進(jìn)一步探索。幾項(xiàng)研究表明，在不同的神經(jīng)條件下，ReHo變化的頻率依賴性是會(huì)發(fā)生改變的。

在ReHo和ALFF的分析中，出現(xiàn)ALFF和ReHo重疊的區(qū)域，代表這些區(qū)域不僅在同一時(shí)間頻率上活動(dòng)，而且與相鄰的體素同步活動(dòng)。這種表現(xiàn)意味著這些區(qū)域不僅是活躍的，而且還涉及到一個(gè)相對較大的神經(jīng)元群。因此，兩個(gè)指標(biāo)雖然指向不同，但在分析過程中互相配合使用，是可以獲得更好的解釋力的。

優(yōu)點(diǎn)：基于體素的分析方法，同樣無需先驗(yàn)假設(shè)，穩(wěn)定性和可重復(fù)性好。

缺點(diǎn)：結(jié)果的生理意義有待深入分析。

200例健康志愿者ALFF和ReHo分析結(jié)果。

ALFF與ReHo的分析結(jié)果均可用于反映大腦的局部神經(jīng)活動(dòng)特征，異常腦區(qū)可作為ROI進(jìn)行下一步的功能連接分析。 

功能整合

不同于功能分離，功能整合應(yīng)當(dāng)是實(shí)現(xiàn)人類認(rèn)知任務(wù)的唯一途徑，大腦的各個(gè)腦區(qū)并不是孤立工作的，而是互相配合、各有權(quán)重的網(wǎng)絡(luò)。功能整合的分析著重于分析不同腦區(qū)之間的功能連接（“城市間的高速路”），目前常用的分析方法包括度功能連接度（FCD）分析，基于種子點(diǎn)的功能連接分析，獨(dú)立成分分析（ICA）和基于圖論的腦網(wǎng)絡(luò)分析（Graph Analysis）。 

（1）度功能連接度（FCD）

FCD通過計(jì)算中某個(gè)體素與其他體素之間的BOLD時(shí)間序列的相關(guān)性，顯示該體素的功能連接強(qiáng)度（即高速路的“樞紐”），而非具體的連接路徑。還可以75mm為界，計(jì)算短距離和長距離FCD。短程FCD是通過對每個(gè)體素和其周圍75 mm范圍內(nèi)的體素之間的時(shí)間序列進(jìn)行相關(guān)分析來測量的。短程FCD可以反映該體素周圍的區(qū)域Bold功能連接程度。長程FCD是全腦FCD減去短程FCD的結(jié)果，可以反映長距離功能連接程度。優(yōu)點(diǎn)：基于體素的分析方法，分析方法簡單，無需先驗(yàn)假設(shè)；缺點(diǎn)：不顯示連接路徑；可重復(fù)性一般。

200例健康志愿者FCD分析結(jié)果。

（2）基于種子點(diǎn)的功能連接分析（Seed-based FC）

計(jì)算某種子點(diǎn)與大腦其它所有體素（voxel）或感興趣區(qū)（ROI）之間的BOLD時(shí)間序列相關(guān)系數(shù)，以得出各腦區(qū)（“城市”）間的功能連接（“高速路”）。種子點(diǎn)或ROI可以是基于先驗(yàn)假設(shè)或其他文獻(xiàn)結(jié)果，也可以基于ALFF、ReHo或FCD的結(jié)果。

基于種子點(diǎn)的分析目前已經(jīng)發(fā)展成為了功能連接分析一個(gè)主要的技術(shù)手段，種子點(diǎn)的選取往往是這類研究的重點(diǎn)。在這種思路下，全腦分析也可以基于種子點(diǎn)實(shí)現(xiàn)。并且在現(xiàn)在希望能夠研究不同腦區(qū)的有向腦網(wǎng)絡(luò)或者網(wǎng)絡(luò)信息因果關(guān)系的大背景下，基于種子點(diǎn)的分析具有能夠和先驗(yàn)假設(shè)配合的優(yōu)勢，相比于其他方法在探究動(dòng)態(tài)變化和因果關(guān)系的研究中具有更廣闊的前景。

優(yōu)點(diǎn)：簡單易懂，結(jié)果直觀；

缺點(diǎn)：需要先驗(yàn)信息定義種子點(diǎn)，因此會(huì)引入主觀因素；結(jié)果會(huì)根據(jù)種子點(diǎn)的不同而發(fā)生變化，因此不可避免存在選擇偏倚。

200例健康志愿者基于種子點(diǎn)的功能連接分析結(jié)果，以后扣帶回作為種子點(diǎn)。顯示軟件：BrainNet Viewer (http://www.nitrc.org/projects/bnv/)。

可參考（直接點(diǎn)擊）：

 《大話腦成像》系列之十四 -- 功能連接

（3）獨(dú)立成分分析（ICA）

利用盲源分離的方法，分離出空間上相互獨(dú)立、時(shí)間序列相關(guān)的功能網(wǎng)絡(luò)，通常分離出的幾種靜息態(tài)腦網(wǎng)絡(luò)包括但不限于：默認(rèn)網(wǎng)絡(luò)，聽覺網(wǎng)絡(luò)，突顯網(wǎng)絡(luò)，執(zhí)行控制網(wǎng)絡(luò)，視覺網(wǎng)絡(luò)，感覺運(yùn)動(dòng)網(wǎng)絡(luò)，背側(cè)視覺網(wǎng)絡(luò)（額頂注意網(wǎng)絡(luò)）等。在當(dāng)前，基于ICA的腦網(wǎng)絡(luò)分析和動(dòng)態(tài)腦網(wǎng)絡(luò)分析是研究方法的熱點(diǎn)之一，受到許多研究者的青睞。優(yōu)點(diǎn)：不需要先驗(yàn)假設(shè)，是一種數(shù)據(jù)驅(qū)動(dòng)的分析方法；可提取受試者所有可識別的網(wǎng)絡(luò)進(jìn)行分析，結(jié)果更豐富，且重復(fù)性好。缺點(diǎn)：結(jié)果可能存在非特異性，部分結(jié)果也可能是因?yàn)槊}搏或呼吸而導(dǎo)致的，因此部分結(jié)果有時(shí)難以解釋。且ICA只能顯示腦網(wǎng)絡(luò)，而不顯示不同腦網(wǎng)絡(luò)之間的連接。

200例健康志愿者ICA分析結(jié)果。

A，默認(rèn)網(wǎng)絡(luò) B，聽覺網(wǎng)絡(luò) C，內(nèi)側(cè)視覺網(wǎng)絡(luò) D，外側(cè)視覺網(wǎng)絡(luò) E，感覺運(yùn)動(dòng)網(wǎng)絡(luò) F，楔前葉網(wǎng)絡(luò) G，背側(cè)視覺網(wǎng)絡(luò)（額頂注意網(wǎng)絡(luò)） H，基底神經(jīng)節(jié)網(wǎng)絡(luò) I，執(zhí)行控制網(wǎng)絡(luò) J，視覺空間網(wǎng)絡(luò)

可參考（直接點(diǎn)擊，即可瀏覽）：

 大話腦成像之獨(dú)立成分分析

（4）圖論分析

圖論已被廣泛用于研究復(fù)雜網(wǎng)絡(luò)的屬性，描述了大腦在局部和整體進(jìn)行高效且有序的信息傳遞，為分析腦網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)提供了理論框架。分析的關(guān)鍵參數(shù)包括聚類系數(shù)（Clustering coefficient）、特征路徑長度（Characteristicpath length）、節(jié)點(diǎn)度（Node degree）、中心度（Centrality）、模塊度（Modularity）等�？蛇M(jìn)行全腦網(wǎng)絡(luò)分析，亦可對某個(gè)腦網(wǎng)絡(luò)開展針對性分析。

在當(dāng)下的圖論分析中，圖論指標(biāo)的變化是很靈活的。隨著研究人員對圖論方法和其背后的生理意義的理解的加深，在不同的研究中已經(jīng)變化出了很多指標(biāo)。并且多層網(wǎng)絡(luò)方法也是得益于圖論分析發(fā)展起來的，因此，圖論方法的掌握對更高階段的數(shù)據(jù)挖掘和探索是必要的。

優(yōu)點(diǎn)：利用現(xiàn)有軟件可自動(dòng)分析（GRETNA，http://www.nitrc.org/projects/gretna），無需先驗(yàn)假設(shè)，結(jié)果偏差較��；

缺點(diǎn)：結(jié)果不直觀，需要豐富的理論基礎(chǔ)，有時(shí)解釋困難。

節(jié)點(diǎn)和邊是圖論的基礎(chǔ)，例如根據(jù)AAL模板，大腦包含116個(gè)節(jié)點(diǎn)，邊代表節(jié)點(diǎn)之間可能存在的功能連接。可參考（直接點(diǎn)擊瀏覽）：

《大話腦成像》系列之十五——淺談小世界網(wǎng)絡(luò)

近年來，還有學(xué)者提出“chronnectome”（時(shí)間連接組學(xué)）的概念，認(rèn)為大腦網(wǎng)絡(luò)的空間特性是隨時(shí)間而不斷發(fā)生改變的，它與其他大腦網(wǎng)絡(luò)的關(guān)系也隨之改變。形象而言，在MR數(shù)據(jù)采集的幾分鐘時(shí)間里，連接“城市”間高速路上的“交通狀態(tài)”（信息傳遞）是動(dòng)態(tài)變化的�；�于該理論，多位學(xué)者已經(jīng)針對健康被試及不同患者開展最新研究，并得到了非常有價(jià)值的成果。Rs-fMRI分析方法越來越多，不同方法間相互優(yōu)勢互補(bǔ)。了解每種分析方法的優(yōu)缺點(diǎn)，根據(jù)需求綜合應(yīng)用，才能更好地實(shí)現(xiàn)研究目標(biāo)。�？蒲谐晒Γ�

請微信搜索“思影科技”關(guān)注我們，關(guān)注我們的公眾號，獲得更多精彩腦科學(xué)內(nèi)容，如需原文或?qū)λ加翱萍颊n程感興趣請?zhí)砑游⑿盘?/b>siyingyxf或19962074063