静息态功能磁共振成像中的动态功能连接
时间：2022-12-02 02:30:00
静息状态功能磁共振成像（rs-fMR imaging）它显示了一系列不同的大脑区域，在没有明确任务的情况下显示低频和时间相关的血氧信号波动，称为静态网络。通过rs-fMRI，对大脑功能的解剖学理解已经从局部化的角度发展到基于网络的结构。这些网络通常涉及共同激活的区域，并在受试者和扫描周期之间保持一致，这表明了大脑功能组织的一般原则。目前，假设时间稳定性通常用于静态网络的分析（temporal stationarity）的技术，并在整个扫描过程中计算线性依赖度，以描述跨区域连接的强度。
虽然在脑电图或脑磁图等更高时间分辨率的研究中很明显，但在分析中rs-fMRI在数据中，最初排除了神经生理过程的波动性，也就是说，假设数据在收集过程中是稳定的。然而，在不同的生理或病理大脑条件下，越来越多的研究被观察到fMRI网络连接或动态功能连接(dFC)时间变化。此外，有证据表明，区域间的相关性可以通过扫描任务执行的时间序列来调整，静态状态是一种无方向的清醒状态，可能包括不同程度的注意力、游泳和觉醒。这些认知变化将叠加在大脑内部功能的波动模式中。研究表明，dFC事实上，它可以在各种生理状态下捕捉大脑内部FC的变化，并且可能确实是比静态FC标记物更敏感。近年来，几项研究还发现了精神分裂症、自闭症、痴呆症、多发性硬化症和抑郁症患者的大脑dFC异常模式（特征是随时间变化或稳定）。事实上，其他思维过程中涉及的认知灵活性或稳定性也可能反映在不同时间的大脑状态上dFC加深对这些状态与认知能力关系的理解。
在本文中，作者简要回顾了一下dFC基本原原理进行了评估rs-fMRI中研究dFC该技术专注于频繁的状态模式，并讨论了它dFC的潜在临床应用。本文的目标不是全面总结，因为还有很多其他可用的资源，而是提供了一个广泛的概述，感兴趣的读者可以从本文提到的文献中进一步增加更具体的知识。本文发表在Neuroimaging Clinics of North America杂志。
图1 动态FC的示例图
同一受试3个不停脑区BOLD时间序列(ROI)它反映了大脑的同位区域。ROI和红色ROI的BOLD信号高度相关(Pearson系数为0.79)，而绿色ROI和红色ROI的BOLD信号基本无关(Pearson系数为0.02)。然而，当检查时间序列的子集时，所有三个ROI有一个瞬间同步周期，如蓝框所示。
大脑内在相关性与动态连接之间的关系
rs-fMRI分析的主要目的是检查受试者休息时大脑各区域的变化BOLD信号变化。研究通常采用简单的测量方法，如计算皮尔逊相关系数（图1）。一组类似的变化区域被认为代表了内部大脑网络。然而，人们必须明白，网络之间的差异并不像预期的那么明显。虽然将大脑区域分为不同的类别很方便，但在某种程度上，大脑网络的脑网络。例如，默认网络（DMN）子成分已被证明与不同的大脑区域有不同的相关和反相关模式。使用DMN分析前腹内前额叶皮质中的种子点得到的反相关区域主要由视觉空间关注网络的区域组成DMN分析后扣带回皮质中的种子点，表明与前额叶计划和控制回路的反相关性。这里有一个有趣的观察结果是主要的反相关区域和种子区域的位置分布——面向大脑的相反部分。通常被认为代表同一功能网络(如DMN）子成分实际上可能有不同的功能角色。
更有趣的是，Chang和Glover证明，在rs-fMR在成像图像采集的不同时间段，当扣带返回后部的相关性（实际上是反相关性）时，全脑连接的模式略有不同，表明网络连接中的不稳定性（图2）。DMN它是一种活跃的网络，被认为是自发思维的流浪状态，没有特定的目标导向行为，通常表现为身体运动网络功能和DMN相反的网络)高度对立的相关模式。虽然这种反相关性是否是由处理方法的伪影引起的（超出了本综述的讨论范围）仍存在争议，但这两个网络之间仍存在一系列BOLD的同步性。另一种常被误解的观点是，反相关是没有意义的，但是，从某种意义上说，高相关性和高反相关性是等价的。在这两种情况下，基本过程是高水平的互动或沟通。缺乏沟通或互动不会表现为反相关，而是没有相关性。
图2 DMN子区与躯体运动网络子区与全脑功能连接的变化
在两个连续7分钟的静息数据片段中，用后扣带回种子ROI该区域呈负相关脑区，图中显示受试者的数据。两张图中，两个拮抗相关网络的分布不同，这表明相关性会随时间而变化。
一般评价动态功能连接性的方法
dFC随着时间的推移，评估大脑功能的基本原理有几种获取数据的方法；最简单的方法是滑动时间窗口来计算相关的时间窗口。每对时间序列之间的连接可以在指定的时间窗口中计算为皮尔逊相关系数，然后移动固定长度，并在扫描时间内重复相同的计算。重复此过程，直到窗口到达时间序列的终点，以获得时间连接。这些值通常总结成一个矩阵，描述大脑在扫描时间内的连接模式。
识别源时间序列的另一种方法是使用基于网络的连接参数，而不是基于种子或区域的连接参数。一组受试者可以在小组水平上独立分析（ICA），在整个队列中生成一致的脑网络图。反映每个网络或网络子成分代表性信号的每个时间序列ICA成分生成。反向重构每个体的对应子网络，以获得子网络的时间序列，并生成子网络和子网络的相关矩阵。然后，对这些数据采用滑动窗口方法，为每个受试者生成一组时变连接矩阵。Allen等人的研究证明，在这些方面dFC聚类后，可以看到一组一致的连接“状态”(state)(图3)。进一步分析显示了不同状态之间的转换模式。此外，研究子网络随时间变化的可变性/变异性（variability）发现了一个有趣的特征(图4)——不同的子网络表现出不同的可变性，他们称这些区域为不稳定区（zones of instability），映射在大脑上，发现前额叶内侧皮质，后扣带回皮质，下顶叶是大脑中可变性最大的区域。而且这些区域都构成了DMN的子网络。特别有趣的是，这些高变异性或不稳定的大脑区域与决定个性的大脑区域的空间分布重叠（图5）。Airan使用无监督算法与同事一起使用一组未标记的算法rs-fMRI图像和健康受试者的测试-重新测试rs-fMRI扫描数据配对。该算法能够高精度正确匹配受试者rs-fMRI数据；然后确定对算法区分受试者能力贡献最大的大脑区域，发现该区域由高级联合皮层组成，包括和DMN相关区域。从根本上说，大脑的联合区域也显示出高度的不稳定性。由于大脑的联合区域驱动着个体独特的处理过程，而不是功能更同质的区域，如初级皮层（运动皮层、视觉皮层等）。
图3 dFNC的分析过程
结合组水平ICA将fMRI数据分解为内部连接网络dFC进行评估（A），随后对产生的网络时间序列进行滑动窗口连接性分析。对于每个窗口，生成一个相关性矩阵，然后可以对所有矩阵进行聚类分析来识别状态，并确定给定对象在给定时间内占主导地位的状态（B）。
图4功能连接随时间变化较大的区域。
（A） 所有受试者内部大脑网络之间低频振荡的平均振幅，振幅越大，功能连接越可变。
（B） 不稳定区用置换检验计算（ZOI）分数。
（C）ZOI分数大于0.5（连接性高度可变性的区域）的网络映射到大脑表面的图像。值得注意的是，构成了这些区域DMN主要部件。
图5 最有助于从rs-fMRI在成像中识别个体区域。
暖色表示个体间高度独特的区域(最高红色)和更大的能力来区分个体(或者从另一个意义上说，它是一个决定个性的区域)。较冷的颜色表试者之间的连接模式相对一致，因此对个人识别几乎没有贡献。正如预期的那样，联合区对个性的贡献更大。值得注意的是，许多地区包括DMN图4中描述的区域和区域ZOIs重叠明显。
此外，外源性药物也可以调节dFC状态。研究异氟醚水平对dFC一项影响研究发现，异氟醚水平的增加会导致停留时间(即惯性增加)在特定状态下增加，状态间转换的频率也会降低。随着麻醉水平的提高，状态总数也在减少。这也间接支持了动态相关性在本文其他地方描述的自我表现中的作用。
最近，人们探索了使用精神改变剂（特别是迷幻剂）作为治疗可能对传统治疗方法产生耐药性的新机制。例如，赛洛西宾已被用于戒烟干预或治疗抑郁症。服用赛洛西宾时，动态连接模式发生明显变化；虽然作者没有明确说明dFC变化与行为测量有关，但也可以期待服用赛洛西宾后的研究进展dFC类似于行为测量的变化。
其他研究表明，滑动窗口分析与行为测量之间存在相关性，而静态连接分析则无法找到。例如，动态连接因子分析会产生一组具有共同变化的连接边，可分为不同的组。研究表明，注意网络背面的动态特征可以预测注意任务的表现。
更广泛地说，对比思维散漫时的静态FC和dFC研究表明，虽然静态FC测量值与痛苦刺激后的思维扩散水平无关，但滑动窗口分析显示，与痛苦刺激无关的思维扩散率较高，与较大连接指标的可变性较弱，但相关性明显。strog>可以推测，像这样的dFC方法可以与神经反馈机制结合使用，作为慢性疼痛综合征的潜在治疗方法。
作为基于种子/感兴趣区域（ROI）分析的扩展，图论方法已被用于研究功能连接性的网络特性，包括dFC分析。节点代表大脑区域，边代表它们之间的连接。例如，可以很容易地计算出小世界性或网络效率。模块化被用于表示共享相似连接性属性的节点的聚类团块，以检测网络中的社区结构。图论方法还可以描述两组互补的属性。第一，特定节点分配给特定模块时其随时间的可变性，第二，描述特定模块的边模式强度的可变性（图6）。带权值属性的图论分析可以通过将节点本身的特定属性整合到整个图结构中扩展对图成分的特征的可解释性。例如通过使用带权值的图，个体节点（即带注释的节点）的BOLD振幅和功能连接模式的社区结构（即图的边缘）之间的差异被显示出可以预测新运动技能学习中的个体差异。
图6在dFC中应用图论分析
节点相当于种子区域或感兴趣的区域，可以从中提取时间序列。边表示节点对之间的连接。一组连接性很强但与其他节点弱的节点会构成社区或模块。在时间上表现出相似强度或共同变化的一组边会被定义为子图（subgraph）。每个颜色表示一个模块或子图。随着时间的推移，特定节点可以是不同模块的一部分（左下），或者子图中的特定边有不同水平的强度或表达模式（右下）。
节点的社区分配或模块分配随时间的变化，在某种意义上可以被认为是思维游荡的的过程，或者从更积极的角度来看是网络灵活性。滑动窗口分析以及随后的动态图构建和这种灵活性度量的计算（定义为一组预定义节点的社区分配的平均变化）表明，与健康对照组相比，精神分裂症患者的大脑网络灵活性显著增加。此外，与健康对照组相比，精神分裂症患者的一级亲属（没有患病证据）的灵活性也显著增加。因此，dFC分析也可能有助于对各种疾病的高危个体进行风险分层。最后，在同一项研究中，作者证明，与安慰剂相比，健康对照组服用NMDA拮抗剂右美沙芬可增加网络的灵活性。这一发现支持了精神分裂症NMDA受体功能减退的假说。
在经典的滑窗分析之外的方法
使用任何形式的滑动窗口分析的主要限制是最佳窗口周期的先验选择。为了选择最佳长度，必须在特异性（足够长以检测可靠的dFC波动）和灵敏度（足够短以不错过真正的dFC变化）的最佳范围之间进行权衡；然而，这仍然是一个比较随意和存在争议的问题。滑动窗口分析的另一个限制是需要固定的窗口长度，从而将分析限制在窗口大小内的频率范围内的波动，而不是数据的实际频率，这可能更具有可变性。一种方法是计算不同宽度的特定离散时间窗口中神经元激活模式的相似性。每个时间窗口表示邻接矩阵中的一个节点，可以计算与跨时间窗口的其他节点之间的相关性。与Erhardt和Allen的发现类似，一组一致的大脑状态会随着时间的推移而出现；此外，不同的时间窗口长度显示出不同的连接性模式；正如预期的那样，缓慢（较长）的时间尺度显示出更简单、更广泛的模式，而快速（较短）的时间尺度显示出更详细的相关性变化。
还有多种其他方法可以克服滑动窗口分析的这种局限性。时频分析（Time– frequency analysis）是滑动窗口分析的一种改进，允许在多个频率下对FC进行时间探索，通过向参数空间添加额外维度，使观测窗口适应原始时间序列的频率。动态连接性检测（Dynamic connectivity detection）是用数据驱动的窗口选择代替任意选择滑动窗参数的另一种方法。该方法允许检测FC发生变化的时间点，并在这些变化点内定义dFC分析的时间窗口。值得注意的是，最近发展了一种类似的方法，它最初选择了较短的窗口长度，然后逐渐增加，直到数据中的局部平稳性假设失效。通过这种方法，各种大小的定制窗口可以出现在大脑活动的整个时间序列中。
准周期模式分析（Quasiperiodic pattern analysis, QPPA）是滑动窗口分析的一种改进，在某些情况下，它对窗口长度的选择具有相对不变的敏感性（图7）。在这种方法中，一组连续的图像被采样并用作模板。然后，计算该模板和源数据之间的滑动相关性，产生描述源数据和模板之间的时变相似性强度的波形。从相似度峰值中提取图像，并对其进行平均，以生成更新的模板。重复此过程，直到两次连续迭代中模板的稳定性不变。如图7所示，窗口长度的选择对与模板的滑动相关性没有很大影响。在对小鼠、大鼠和人类中的QPPA的研究中也有类似的发现。但是，一些使用QPPA的研究表明选择初始时间点作为模板对最终结果的一致性没有影响，而其他研究表明，这种初始选择确实导致了结果的差异，因此这一点还存在较多的争议。在研究人类等认知能力较高的物种时，后者当然是有意义的，因为随着时间的推移，神经认知变化的频率更高，大脑状态之间的差异也更大。尽管存在这一局限性，QPPA方法仍显示了网络信号在大脑中传播的一致模式。
图7准周期模式分析QPPA。
最初对一组连续的图像进行采样（左a），并将其用作模板。然后计算模板和源数据之间的滑动相关性（左b）。然后对构成相关性峰值（左c和d）的段进行平均，并将其合并到更新的模板中，重复上述步骤，直到在两次连续迭代中模板的稳定性不变。在这项研究中，窗口长度的选择对与模板的滑动相关性没有显著影响（右图a和b）。
除了以上方法，最近还提出了另外两个用于dFC研究的多元波动性模型，它们细化了滑动窗口的概念：动态条件相关性（DCC，dynamic conditional correlation）和指数加权移动平均值。这些方法是时间序列之间条件协方差/相关性的参数模型，为滑动窗口方法的一些局限性提供了解决方案，例如噪声敏感性和对FC中细微和突然变化的次优检测。尤其是DCC，在有效估计FC的动态变化方面显示出巨大的潜力。之前的研究表明，DCC对随机噪声引起的FC变化不太敏感。此外，DCC模型中的所有参数都是通过不需要先验选择的拟极大似然方法计算的。在该模型中，首先计算每个时间序列的动态方差/相关性，然后使用标准化残差估计dFC度量。Lindquist及其同事的一项研究在一系列模拟研究中比较了DCC和其他常用技术的特性，并报告DCC在检测FC的时间变化时显示了灵敏度和特异性之间的最佳平衡。作者还强调，DCC为动态方差和相关性的统计推断提供了一个框架，这在其他技术中是缺乏的。因此，他们建议使用DCC方法，该方法将最大限度地提高dFC测量的准确性和可靠性。
在另一项研究中，Choe和Collegues利用健康受试者队列的测试-再测试rs-fMRI数据和ICA成分图（类似于Erhardt的研究）得出的时间序列发现，DCC不仅在估计动态相关性的平均值方面与滑动窗分析具有可比性，它在估计网络对间方差的可靠性方面也有优势。这个分析的一个有趣且非常实用的副产品是，测量ICA成分之间的边方差有助于区分真实的内在大脑网络ICA成分和噪声成分。内在网络在任何网络子成分对之间表现出高方差，而噪声成分在与其他噪声成分和任何网络子成分之间表现出一致的低方差。这样，对ICA中噪声成分的自动化和可靠标记就成为可能，这是采用rs-fMRI作为转化工具的一个重要因素。
作为任务fMRI的辅助手段，rs-fMRI越来越多地被用于术前脑定位，在所有潜在的临床应用中，rs-fMRI最有希望成为临床实践的工具。然而，rs-fMRI在临床实践中的应用仍然没有普及。需要考虑有重叠的神经生理学基础，例如rs-fMRI和任务fMRI中的神经血管解耦合。rs-fMRI的一个潜在限制因素是其运动网络的准确性在个体层面的可变性。这种变化的潜在来源是什么？在使用DCC检查运动网络子组件的时变连接模式时，Syed和同事发现，即使在运动网络的子系统内，也存在一组变量是个体间一致的，无论其连接模式或状态如何（图8）。值得注意的是，对每个状态的停留时间的测量表明，最普遍的状态（约占总扫描时间的20%）不是运动网络子成分之间高度相关的状态，而是一种相关性相对较低的“休眠”状态（见图8）。运动网络成分内相关性较高的状态仅代表第二普遍的状态，约为17%至18%。考虑到通过基于种子的方法或ICA对运动网络识别的主要贡献将主要来自网络内高连接性的状态，这意味着，本质上只有不到20%的数据实际贡献于目标网络识别。换句话说，我们有可能通过特定大脑网络在静息状态时段内的参与度获得准确的网络拓扑结构。因此，rs-fMRI数据的DFC分析可用于提高网络刻画的可靠性和准确性，这是术前脑定位的必要条件。
图8躯体运动网络（SMN）的dFC
左边的网络图显示了DCC分析生成的时变矩阵聚类后发现的10种连接状态。右边的条形图显示了在扫描时段内特定状态的时间长度或停留时间。最普遍的状态（图中的状态2）是SMN（the somatomotor network）子段之间的一般中间连接状态。SMN的高连接性状态（状态1）是第二普遍的状态，仅在不到20%总扫描长度中可见。Syed及其同事对其他显著的中间状态进行了详细描述。
总结
动态FC为rs-fMRI分析增加了另一个维度，提供了使用传统静态rs-fMRI分析技术无法确定的功能连接信息。使用dFC可以发现一致的大脑状态集和功能连接性的空间改变，这些测量与不同的意识或意识状态相关，并进一步显示为不同疾病中的病理改变。由于rs-fMRI在术前脑定位的应用中日益增加，因此dFC可能是一种很有前途的工具，可以在未来添加到临床功能神经成像的辅助诊断工具中。
