为了帮助各位脑影像科研同仁更好的进行脑影数据的处理和分析，脑海科技推出脑影像数据分析服务，感兴趣的朋友可以添加微信19906719439咨询详情。我们提供磁共振等数据处理服务，包括但不限于静息态功能磁共振分析，更全面和最新的高级分析服务详情请咨询微信。总之，您在文献中看到的磁共振有关的新方法，均可联系我们咨询相关服务，我们提供定制化算法和解决方案。
1
功能像质量控制
数据质量控制内容：
数据扫描参数检查：有重复时间（TR）、回波时间（TE）、扫描视野（FOV）、空间分辨率、采集时间等。
数据扫描质量检查：图像是否存在伪迹、图像变形等；图像是否缺损、图像扫描覆盖范围是否全。
数据预处理质量测试：检查被试头动是否过大、图像空间标准化效果等。
注：我们可以提供所有被试数据的扫描参数报告，可以查看被试扫描参数是否合适和一致，从而为数据预处理和数据分析提供被试筛选参考。对于数据预处理前以及预处理过程中发现的数据质量问题，我们将提供合适的参考意见并提供完整的数据质量检查报告。
fMRI数据中常见的伪影例子(Albughdadi, 2016)
2
数据预处理
数据预处理步骤包括：
时间层校正（Slice Time Correction），通过插值（Interpolation）等方法来获得多个脑片相同时间点的数据，即通过与未知点相邻的已知点的信号值来预测位置点的值。
头动校正（Motion Correction），用刚性变换把所有的图像中的脑都固定在同一个靶位置。减少被试在扫描的时候产生的细微头动，使得大脑中的每个体素对应大脑的同一个位置。
空间标准化（Spatial Normalization），通过不同的配准方法，使个体脑配准到标准空间上，保证所有被试都对齐，用于后续的统计。
其他降噪步骤：
空间平滑（Spatial Smoothing），以高斯平滑核进行空间卷积，降低空间标准化造成的图像噪声；
去线性趋势（Detrend），消除由于机器发热、脉搏等因素造成的信号漂升；
滤波（Filtering），过滤高频、超低频的噪声信号；
回归协变量（Nuisance Regression），消除白质、脑脊液、头动参数等的影响；
Scrubbing，消除全脑信号/头动过大的时间点的数据的影响。
预处理流程示意图
3
静息态局部指标分析
3.1 低频振幅（ALFF）
低频振幅(Amplitude of Low Frequency Fluctuation, ALFF)值与局部神经活动强弱相关，它可以直接表征每个体素的自发大脑活动,常用于测量0.01-0.08 Hz频率范围内的BOLD信号。数据经过预处理之后，ALFF分析由BLOD信号功率谱的平方根求和再取平均得到的（均方根）。
ALFF分析流程图(Yu-Feng et al., 2007)
3.2 比率低频振幅（fALFF）
比率低频振幅（fractional ALFF，fALFF）是在ALFF基础上得到的衡量各个体素在静息态下自发活动水平的指标,在一定程度上避免了ALFF易受脑室内脑脊液及生理噪声影响等弊端,能有效抑制静息态fMRI中的非特异性信号成分,显著提高对局部自发脑活动检测的敏感性和特异性(Zou et al., 2008)。数据经过预处理之后，fALFF分析由ALFF值除以整个频段ALFF值得到。
fALFF稳定性示意图(Zou et al., 2008)
3.3 波动幅度百分比（PerAF）
波动幅度百分比（Percentage Amplitude Fluctuation，PerAF）分析由每个时间点的信号强度减去时间序列的平均信号强度除以整个时间序列的百分比得到。PerAF指标类似于任务功能磁共振成像研究中的信号变化百分比。
PerAF可以避免ALFF分析中来自特定体素波动幅度的混淆(Jia et al., 2020)
3.4 小波低频振幅（Wavelet-ALFF）
小波低频振幅（Wavelet-amplitude of low-frequency fluctuation, Wavelet-ALFF）通过小波变换（WT）来描述低频振幅，对比传统的静息态功能磁共振通过快速傅里叶变换（FFT）来描述低频振幅，表示复杂波形方面更为有效，因为它对数据的非稳态或局部特征具有适应性，而且有许多具有不同形状的小波函数可用。
小波低频振幅计算公式(Luo et al., 2020)
3.5 局部一致性（ReHo）
局部一致性（Regional homogeneity, ReHo）分析方法利用肯德尔和谐系数（Kendall's concordance coefficient，KCC）来度量一个给定体素的时间序列与邻近的时间序列的同步性，以此反映局部脑区功能连通性或同步性(Zang et al., 2004)。
ReHo原理示意图
3.6 功能连接密度（FCD）
功能连接密度（Functional connectivity density，FCD）由Dardo Tomas及其同事于2010年提出，FCD分析可以用来评估大脑每个体素与其他体素之间的时间序列的相关性,展示某个体素的功能连接强度。(Tomasi and Volkow, 2010)。FCD分析方法无需考虑脑区之间的关系，也无需选取种子点，直接由数据驱动，不仅计算速度更快，而且对于中心节点脑区的检测也更敏感和更容易。FCD分析可以分别计算短距离和长距离FCD（75mm为界）。短程FCD是通过对每个体素和其周围75 mm范围内的体素之间的时间序列进行相关分析来测量的。短程FCD可以反映某个体素与周围脑区的时间序列相关性。长程FCD=全脑FCD-短程FCD，可以反映长距离功能连接程度。
短距离和长距离的FCD空间分布图(Tomasi and Volkow, 2010)
3.7 功能连接强度（FCS）
功能连接强度（Functional connectivity strength, FCS）是功能连接网络相关研究中的一个常用指标，可以反映大脑不同区域在神经活动中的一致性程度。
FCS分析示意图(Q.-G. Li et al., 2020)
4
功能连接分析
4.1 功能连接（FC）
功能连接（Functional connectivity，FC）根据先验的种子点（感兴趣脑区）计算全脑的功能连接图，计算某种子点与大脑其它所有体素（voxel）或感兴趣区（ROI）之间的BOLD时间序列相关系数，以得出各脑区间的功能连接。voxel-wise FC。选择一或多个种子点ROI，然后每个种子点的平均时间序列与全脑每个体素的时间序列做相关性分析，得到种子点的全脑功能连接图。ROI-wise FC，选择N个ROI，各个ROI时间序列之间做相关性分析，得到一个N*N的两两ROI之间的相关矩阵。也可以根据不同的脑模板计算全脑功能连接，反映脑区间的功能联系强度。
功能连接分析示意图 (Zhou et al., 2017)
4.2 半球间镜像同伦功能连接（VMHC）
半球间镜像同伦功能连接（Voxel-mirrored homotopic connectivity, VMHC）方法可以衡量大脑半球间信息交流，即评估静息状态下半球间同伦位置信号的时间同步性。
半球间镜像同伦功能连接分析流程示意图 (Lu et al., 2021)
5
脑白质功能分析
大量研究发现，BOLD-fMRI可以有效的检测大脑灰质的自发神经活动，然而，白质的BOLD信号一直被忽视或被当成噪音处理。近年来，一些研究人员逐渐发现白质中的BOLD信号也是有一定的价值的。
5.1 脑白质功能局部指标分析
数据经过预处理之后，通过构建组水平的白质模板，计算脑白质功能局部指标，比如：白质ALFF/fALFF指标等。
白质ALFF分析流程示意图(Chen et al., 2021)
白质fALFF分析结果示意图(Porcu et al., 2021)
5.2 脑白质功能网络分析
数据经过预处理之后，通过构建组水平的白质模板，聚类算法等分析构建白质功能网络，并计算脑白质功能连接。
脑白质功能网络分析示意图(Li et al., 2022)
5.3 脑白质拓扑属性分析
数据经过恰当的预处理之后，通过构建组水平的白质模板，聚类算法等分析构建白质功能网络，并计算脑白质功能网络的拓扑属性。
脑白质功能网络的拓扑属性分析示意图(J. Li et al., 2020)
6
格兰杰因果分析（GCA）
格兰杰因果分析（Granger causal analysis， GCA）是有效连接的一种，也称有向连接。它是一种基于线性回归的方法 ，可用来评估一个时间序列是否可以正确预测另外一个时间序列。
7
复杂网络分析
复杂网络理论目前已被应用于神经科学的相关研究中。探究大脑网络的基本属性以及脑区间潜在的拓扑关系为窥探大脑内部的神经活动规律以及各种神经精神疾病的发病机理等重大神经科学问题提供全新的视角。另外，脑功能网络间的空间独立成分分析可以实现静息态脑功能模块空间模式和对应时间特征信号分离,揭示了脑功能模块之间加工过程的信息转换和整合关系。
7.1 独立成分分析（ICA）
独立成分分析（Independent Component Analysis，ICA）分析可以提取被试的感兴趣的独立成分（比如DMN等）。
ICA成分示意图(Jung et al., 2020)
7.2 脑功能网络连接分析（FNC）
脑功能网络连接分析（functional network connectivity，FNC）以独立成分为单位，计算独立成分之间的功能连通性。
FNC分析示意图(Rashid et al., 2014)
7.3 基于图论的脑网络拓扑指标分析
图论（graph theory）是分析脑连接组的有力数学工具，图论指标可以刻画脑网络的整体行为或者局部行为。基于图论的脑网络拓扑指标分析步骤包括：先通过使用适当的脑图谱（如AAL atlas）来计算所有脑区间的功能连接并构建静息态功能脑网络，再进行图论指标分析。
常见的图论指标有：全局指标：小世界属性（small-world）、最短路径（shortest length）、集聚系数（clustering coefficient）、全局效率（global efficiency）、局部效率（local efficiency）、同配性（assortativity）、同步性（synchronization）、层级性（hierarchy）等。局部指标：节点效率（nodal efficiency）、节点局部效率（nodal local efficiency）、节点度中心性（nodal degree centrality）、节点介中心性（nodal betweenness centrality）、节点集聚系数(nodal clustering coefficient)、节点最短路径（nodal shortest length）等。
图论全局指标示意图(Farahani et al., 2019)
8
脑活动动态特性分析
传统的静息态功能有一个潜在的假定，即功能连接在整个静息态扫描过程中是稳定不变的。然而，随着研究者们对功能连接的探究与理解的深入，他们发现人脑活动受到大脑当时所处的状态影响，具有非稳态性，有动态的变化过程。
8.1 动态局部指标分析
通常通过使用滑动窗加窗的方法来评估指标的动态特性，数据经过预处理之后，计算dALFF/dfALFF/dReHo指标。
dALFF指标分析示意图(J. Li et al., 2019)
8.2 动态功能连接分析（dFC）
通常通过使用滑动窗加窗的方法来评估指标的动态特性，数据经过预处理之后，计算dFC指标，并可通过聚类分析，将FC之间的连接状态聚类成几个类别，来分析其动态特性，包括平均停留时间（MDT）、状态个数、状态转换次数、状态转移矩阵等。
动态特性时间参数指标分析结果示意图(Allen et al., 2014)
8.3 动态功能连接密度（dFCD）
动态功能连接密度（Dynamic functional connectivity density，dFCD）通常使用滑动窗加窗的方法来评估指标的动态特性，数据经过预处理之后，进行dFCD分析，从而评估脑活动的动态特性。
dFCD分析结果示意图(R. Li et al., 2019)
8.4 动态功能连接强度分析（dFCS）
动态功能连接强度（Dynamic functional connectivity strength，dFCS）通常使用滑动窗加窗的方法来评估指标的动态特性，数据经过预处理之后，进行dFCS分析，从而评估脑活动的动态特性。
dFCS分析结果示意图(Luo et al., 2019)
8.5 动态功能连接网络分析（dFNC）
动态功能网络连接（dynamic functional network connectivity, dFNC)以独立成分为单位，计算独立成分之间的功能连接，并进行动态特性分析，包括聚类分析，将独立成分之间的连接状态聚类成几个类别，来分析其动态特性，包括平均停留时间（MDT）、状态个数、状态转换次数、状态转移矩阵等；连边分析，比较特定状态下的连边差异。
dFNC分析示意图(Damaraju et al., 2018)
9
基于功能指标的机器学习分析
9.1 支持向量机分析（SVM）
支持向量机分析（Support vector machine，SVM）是静息态磁共振研究中最常使用的分类方法，方法理论基础可靠性高，即使是用小样本的数据，也可以有良好的分类效果。通过计算准确率（Accuracy），敏感性（Sensitivity)，特异性（Specificity)，精确性（Precision）和接受者操作特征（ROC）曲线下的面积（AUC）等常见指标来衡量分类器的性能。SVM分析通过对提取的静息态功能磁共振的信号特征进行分类。
SVM分析示意图 (Shi et al., 2022)
9.2 支持向量回归分析（SVR）
支持向量回归分析(support vector regression, SVR)是SVM的重要应用分支，可用于被试认知能力、精神疾病严重程度、性格特质、情绪感受等在内的多种行为变量的预测研究中。
SVR分析示意图(Cui and Gong, 2018)
9.3 图神经网络（GNNs）
图神经网络分析（Graph neural network，GNNs）具有强大的图结构数据表示能力，能够从复杂的大脑网络中提取特征。
图神经网络分析示意图 (Kong et al., 2021)
9.4 图卷积神经网络分析（GCN）
图卷积神经网络分析（Graph Convolutional Network，GCN）是一种能够直接作用于图并且利用其结构信息的卷积神经网络。
图神经网络分析示意图 (Kong et al., 2021)
9.5 生成对抗网络分析（GAN）
生成对抗网络（Generative Adversarial Networks，GAN ）是一种深度学习模型，是无监督学习方法之一。GAN在多种分类和分割任务中均取得了出色的表现，利用GAN的对抗学习可以有效提升数据集的分类性能，特别是小样本情况下。
注：机器学习分析方法包括但不限于上述分析方法，其他机器学习包括：强化学习/迁移学习/集成学习，您可以提供的需求或者您感兴趣的分析方案，我们可以为您提供定制化的机器学分析服务。
10
功能梯度连接分析
功能梯度连接分析（Connectivity Gradient）
梯度分析示意图 (Margulies et al., 2016)
11
统计分析及校正
对于以上数据指标分析，我们可以根据数据详情和具体的研究需求提供单样本T检验、双样本T检验、配对样本T检验、单因素方差分析以及双因素方差分析等，并提供对应的多重比较校正(FWE、FDR、GRF、AlphaSim 以及TFCE）分析，网络拓扑指标分析可以提供置换检验、参数检验，NBS校正等统计分析。
12
结果可视化
针对数据分析结果，我们可以提供数据分析流程图，统计结果脑区三线表，结果脑区轴位图，BrainNet基于皮层的可视化脑图，统计结果柱状图，散点图等等。结果可视化分析服务包括但不仅限于以上可视化结果图的类型，您可以提供您的需求及类似的参考文献，我们提供定制化可视化图片服务。
定制化分析
我们可以根据您的研究或者需求，或者根据您提供的参考文献内容，结合您的数据详情，为您进行数据分析方案评估、设计和定制，为您提供定制化的数据分析方法和解决方案。
联系我们
脑海科技提供磁共振等数据处理服务，包括但不限于静息态功能磁共振分析，如果对以上数据服务感兴趣的朋友可以添加微信19906719439咨询详情，想了解更全面和最新的高级分析服务的朋友也可以微信咨询。总之，您在文献中看到的磁共振有关的新方法，均可联系我们咨询相关服务，我们提供定制化算法和解决方案。
团队介绍
贾熙泽，杭州脑海科技首席执行官，常熟市第二人民医院磁共振脑成像研究中心副主任、特聘研究员，大连市友谊医院特聘教授，潍坊医学院附属医院特聘专家，佳木斯大学信息电子技术学院硕士生导师，兼任杭州师范大学附属医院认知与脑疾病研究中心副研究员。现任中国心理学会积极心理学专委会委员、浙江省数理医学学会放射学专委会委员和浙江省康复医学会神经调控专委会委员。具有计算机、心理学及神经科学交叉背景，擅长静息态磁共振方法学、基于脑影像的Meta分析，并师从任俊教授从事脑影像技术在积极心理学中的应用。目前主持国家自然科学青年基金项目，浙江省智能教育技术与应用重点实验室开放研究基金重点项目，入选杭州市青年科技人才培育工程项目，作为主要参与人参与8项国自然科学基金项目、1项科技部国家重大慢性非传染性疾病重点研发计划课题。师从臧玉峰教授，开发了RESTplus。目前合作发表SCI论文40余篇，以主要作者在Science Bulletin、The Journal of Headache and Pain及Journal of Affective Disorders等杂志发表文章20余篇（第一作者或通讯作者），文章被SCI杂志引用586 余次，i10-index=17。
杭州脑海科技有限公司于2021年组建了杭州脑海科技有限公司认知神经科学实验室，主要从事最新脑影像算法的复现、研发及在脑疾病中的应用。目前团队成员50余人，具有高度交叉背景，涵盖：计算机、统计学、心理学、临床医学以及英语等专业，每位成员受过系统化的科研培训，具有扎实的科研背景并专攻1-2个研究方向。2021年至今，团队成员以主要作者在Science Bulletin、 Human brain mapping、The Journal of Affective Disorders、The Journal of Headache and Pain等期刊发表SCI文章30余篇，其中的核心成员具有比较扎实的大脑功能信号相关的科研基础，担任多个杂志的编辑或审稿人，包括：IEEE Journal of Biomedical and Health Informatics、Human Brain Mapping、Cerebral Cortex、CNS Neuroscience & Therapeutics、Journal of Affective Disorders、Neuroimage: Clinical、Neuroimage: Report、Journal of Magnetic Resonance Imaging、European Child & Adolescent Psychiatry、Social Cognitive and Affective Neuroscience、Journal of Sleep Research、World Journal of Diabetes.、International Journal of Geriatric Psychiatry、Frontiers in Aging Neuroscience、Brain research、Neural Plasticity、Frontiers in Neuroscience、Scientific report、BMC Medical Imaging等20余个杂志。
参考文献
