扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于大脑运动控制的功能磁共振图像序列分析
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口脑部扫描技术未来可提前诊断出自闭症
根据最新的研究发现，脑部扫描技术将可能告知医生潜在自闭症患者的患病前兆。来自阿拉巴马大学的研究人员使用了功能性磁共振成像(fMRI)扫描仪对孤独症谱系障碍患者以及病情已经得到控制的患者的脑部进行了扫描比对。他们发现，通过观察大脑各个部位的连接，可以找到自闭症患者的神经信号。
虽然这次研究的病人数量只有30名，但它无疑为自闭症的研究拓宽了道路。该项目首席研究员、心理学副教授Rajesh Kana说道，“研究显示，大脑活动可作为判断一个人是否可能患上自闭症的神经信号，它将很有可能在未来为医疗检测系统所使用。我们发现，大脑各个区域在信息传输的过程中会对彼此产生影响，这种活动在自闭症患者中就没有那么地活跃。这是（与正常人）非常不一样的地方。”
[责任编辑：teikaei ]
-5-4-3-2-1012345
当前平均分: 打分后显示
-5-4-3-2-1012345
当前平均分: 打分后显示| Protocol
Automatic Translation
This translation into Chinese was automatically generated through Google Translate. |
&JoVE Neuroscience
使用功能磁共振成像和弥散加权成像脑结构与功能分析
1,2, 1,3, 1,3, 1,4, 1,3, 1,3, 1,3
1, 2, 3, 4
Fill out the form to get a free trial:
Enter your email below to get your free 10 minute trial to JoVE!
Select your Position *
Technician
我们描述了一种新的方法，同时利用磁共振成像（MRI）脑功能和结构的分析。我们评估的大脑结构与高解析度的扩散加权成像和白质纤维束成像。与标准结构MRI不同的是，这些技术使我们能够直接相关的解剖大脑网络连接到功能特性的。
Date Published: 11/08/2012, ; doi:
Keywords: , , , , , , , , , ,
Phillips, J. S., Greenberg, A. S., Pyles, J. A., Pathak, S. K., Behrmann, M., Schneider, W.,
et al. Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging. J. Vis. Exp. (69), e4125, doi:10. (2012).
复杂的计算系统的研究，有利于通过网络地图，如电路图。这种映射是特别的信息，为研究大脑的功能作用的主要是通过其连接到其他脑区的大脑区域，满足。在这份报告中，我们描述了一种新的，非侵入性的方式对有关的大脑结构和功能磁共振成像（MRI）。这种方法相结合的远程光纤连接成像和功能成像数据结构，说明在两个不同的认知领域，视觉注意和面对的看法。结构进行成像，弥散加权成像（DWI）和纤维束成像，追踪水分子的扩散，沿大脑中的白质纤维束（ 图1）。这些纤维束的可视化，我们能够调查的远程连接体系结构的大脑。结果比较favora的布莱在DWI，扩散张量成像（DTI）是最广泛使用的技术之一。 DTI是无法解决的纤维束的复杂的配置，限制了它的实用程序，用于建设详细，解剖的知情模型的大脑功能。相比之下，我们的分析重现称为神经解剖学的精度和准确度。这样的好处是部分原因是由于数据采集程序，而许多DTI协议的措施扩散少量的方向（ 例如 ，6或12），我们采用的扩散频谱成像（DSI）1，2协议评估257个方向的扩散和在一个范围内的磁场梯度优势。此外，DSI数据使我们能够使用更复杂的方法重建采集的数据。在两个实验（视觉注意力和面孔识别），跟踪技术揭示了合作活跃的地区，人类的大脑解剖连接支持现存的假设，他们形成功能性的网络。 DWI使我们能够创建一个“电路二阿格拉姆“，并复制它以个人为主体的基础上，监测任务相关的大脑活动在网络的兴趣为目的。
1。 MR数据采集设备 图2和图3中总结了数量的选择要在扩散MRI数据采集，数据重建，和纤维跟踪。请记住，这些选择通常涉及权衡，最好的选择可能取决于一个人的研究目标。例如，DSI和多壳HARDI（参见图2）通常使用较高的“b值”（ 即 ，强扩散加权）DTI。其结果是，这些方法有更好的角分辨率，这是必要的解决穿越或“接吻”纤维（ 即 ，纤维曲线朝向彼此，使得在一个单一的切线接触再次弯曲离开之前）。然而，这个增益角分辨率通常是在较低的信号-噪声比（SNR），EPI数据（ 图3）的成本实现。研究人员不妨考虑一下这种权衡的相关性，为他们的具体目标：如果一个研究集中在几个主要的纤维束的运动轨迹，不要交叉或并行运行的其他大片，然后一个方向的DTI扫描，高信噪比（SNR）是理想的。下纵束成像可能代表了这种情况。相比之下，SNR的损失可能是一个可接受的结果，如果一个研究者希望以跟随道通过复杂的口岸。 类似的权衡涉及头部运动的校正，涡流，和非线性的图像失真。 DWI协议使用回波平面成像（EPI， 见表1），这是容易受到磁场的不均匀性所造成的空气在鼻窦口袋，生理噪声，和其他因素3。这些不均匀性导致不希望的图像失真，尤其是在颞叶和眶额叶皮质，从而降低了纤维跟踪结果，在这些领域的有效性和可靠性。其他扭曲所建立的涡流CURRENTS，一个产品的快速MR梯度切换4。参加者的头部运动是另一种降低图像质量的因素和可能产生负面影响的跟踪技术。目前的方法，既可以纠正磁头移动和在低的b值的数据，如DTI的图像失真;然而，这些方法还没有被扩展到更高分辨率的方法，如DSI。在DSI数据施加图像校正方法的困难源于上述的低信噪比（SNR）（ 图3）。对于光纤脑区EPI失真很容易的跟踪，它可能是最好使用低方向性DTI或其他技术可以纠正图像失真。另一方面，如果需要高角分辨率在整个大脑中，研究人员可以选择使用DSI，HARDI，或类似的技术。 &公司&（2004年）5表明，研究人员交织T2整个DSI扫描没有扩散加权图像，提供用于运动校正的基准（例如，sEE文献。 6）。在所有情况下，研究人员应该知道的不利影响，在采集过程中头部运动：它是明智使用训练有素的参与者，通过咬酒吧，鼻卫士，填充，或其他保障措施的使用，并尽量减少运动。 这里给出的结果使用了257方向扩散频谱成像（DSI）协议，与梯度分布范围从b = 300?7000（参数见表1）。扩散频谱成像（DSI）的顺序要求现代磁共振扫描设备，用于收集高分辨率扩散数据的某些功能。我们注意到，该序列的时间要求是相当大的：，添了西门子三重奏扫描仪约43分钟。经过大量的实证检验，我们觉得这些数据的质量证明的持续时间和扫描的成本，然而，在选择收购协议，用户应该仔细掂量一下自己的研究目标对CApacities性和舒适性的参与者。我们也注意到，优质的DSI数据已被收集在尽可能少的时间为10分钟，与先进的采集技术7。
3特斯拉场强MR扫描仪，3T是要实现为高角方向DSI扫描的信号。
32通道相控阵头线圈：A头部线圈与高灵敏度和优异信号噪声比，需要收集的DSI数据。八和12通道的线圈提供较少的大脑的表面处的信号，因此，可能需要增加这些线圈的扫描时间来支持投影字段的准确映射。 头稳定：由于DSI扫描顺序的持续时间长，并不能应用，因为运动校正的DSI数据，优秀的头稳定是必要的，以控制主体移动。运动控制，填料和磁带一口吧，真空袋，或热塑面罩稳定主题！TS的头。超过2毫米，在任何方向上的平移运动或旋转运动的2°是过量的，并且可以被视为不包括数据的理由。
，FMRI演示设备：对于使用功能的种子，更多的设备fMRI扫描分析是必需的。根据不同的类型的地区进行本地化，这通常包括一个MR兼容的显示（如MR兼容的LCD投影机系统的），一个按钮响应系统，音响系统，并同步扫描仪采集的实验演示计算机。
2。扫描程序参考资料参与者的性质进行和取得知情同意的扫描。强调有必要尽量减少头部运动（尤其是在漫长的DSI扫描）。与会者提供的电影或其他视频娱乐在DSI扫描的选择。对于功能的扫描行为的任务，指示主题的屏幕任务releva的监控NT刺激和回应。 经过筛选MR禁忌，舒适，稳定参与者的头，用上面介绍的方法之一，扫描仪和幻灯片病床。 进行的初始球探扫描和校准。 设置切片处方的DSI扫描平行的一条假想的线，连接前部和后部commisures。确保DSI扫描切片覆盖了整个大脑。
DSI扫描，而这个问题的演示系统在扫描仪或手表娱乐放松。 的DSI扫描完成后，立即收集T1加权解剖扫描（ 例如 ，MPRAGE）购买使用共同注册（ 即 ，对准）与其他解剖或功能数据的DSI数据。 另外，收集在同一会话中使用标准的EPI脉冲序列的fMRI数据。 如果有必要，在一个单独的扫描会话进行fMRI扫描。科尔等一个MPRAGE在这两个会议，以推动两地注册的数据集。
3。解剖MRI处理对于表面分析fMRI数据和自动分割使用FreeSurfer，如下面所述，一个高分辨率的T1加权的解剖图像良好的白色灰质对比度是必需的。此图片的空间分析功能和弥散加权成像数据提供了一个共同的参考。在最先进的核磁共振成像扫描仪，图像被称为作为MPRAGE（磁化准备快速梯度回波）图像。大多数现代MPRAGE序列，可以提供足够的质量数据，在一个扫描周期（ 表1中的参数）。如果需要，两个或更多的扫描可以被平均分割改善灰度脑白质对比度。下面，我们解释的DWI和功能磁共振成像数据如何收集，这通常是与不同的体素的大小和不同的原点，可以自动对齐和重采样同时观看的MPRAGE。 详细描述的FreeSurfer解剖MRI处理流上可以找到的FreeSurfer维基（
）的; FreeSurfer输出包括多个皮质表面的陈述，以及地块划分的皮质皮层下结构的解剖特征和分割。我们建议运行AFNI /和SUMA脚本@ SUMA_Make_Spec_FS FreeSurfer输出，将输出到文件格式，可以很容易地使用AFNI / SUMA，FSL，SPM和其他神经影像学的套装软件中的工具进行处理。例如，登记的图像的合作可以执行的几个方案，如3dAllineate之一（AFNI / SUMA），FLIRT（FSL）bbregister（FreeSurfer），或的SPM Coregister功能。 进行解剖分割和皮质表面重建b?提交T1加权解剖图像FreeSurfer的自动算法（重新全部）。
SUMA使用@ SUMA_Make_Spec_FS脚本的导入FreeSurfer处理结果。此步骤创建NIFTI格式，版本的所有的卷中的FreeSurfer的输出，包括标准化，颅骨剥离强度版本的输入解剖图像。我们指的这个处理的解剖图像的表面体积，根据AFNI / SUMA术语的NIFTI这创建@ SUMA_Make_Spec_FS图像版本被命名为brain.nii的。
DSI B0图像对齐的表面体积（使用此图片版格式NIFTI，名为brain.nii，的SUMA目录中）。 下次的12点的仿射变换矩阵，用于在随后的共同注册。
4。功能磁共振成像（fMRI）处理功能磁共振成像分析可以定义生成或事后选择纤维的地区的利益（投资回报率）。任何回音可用于平面成像（EPI）脉冲序列的参数优化对于特定fMRI实验。同样，大量的软件包，如功能磁共振成像处理和分析存在的AFNI / SUMA（NIMH，美国国立卫生研究院）8日，9日 ，BrainVoyager（脑部创新）10，FSL（FMRIB，牛津大学），11，12，和SPM（威康信托神经影像中心，伦敦大学学院（University College London））13。 “功能磁共振成像处理和分析”一 节图4概括的基础上的AFNI /舒曼软件的包的分析途径。对于更详细的使用说明，读者可参照的优秀教程和其他教育材料的的AFNI / SUMA网站的（
）。 不同于标准功能的本地化分析，该强调的是经常发现的轨迹的最大活化纤维跟踪功能磁共振成像分析的最终目标。良好的统计过程需要研究人员事先指定α水平进行统计对比，但研究人员应该考虑的是，统计阈值的选择会影响功能激活的空间范围，从而光纤终端领域的程度。 在每一个人的fMRI数据校正被摄体头部运动，使用平均的图像作为参照图像的第一扫描器运行。 另外，执行片采集时间修正，特别是如果使用快速事件相关的任务设计。 纠正信号基线的运行之间的差异，通过正常化为每个体素的时间序列，在每个运行。 表示每个体素的时间序列，体素的百分比变化意味着随着时间的推移，对于一个给定的运行，使用的程序如3dcalc（AFNI / SUMA）或fslmaths（FSL）。 或者和z-变换为每个运行的每个体素的时间序列，基于信号的均值和st随着时间的推移andard偏差。 每个加工有限公司注册EPI运行到的的表面体积（brain.nii）的数据集生成的由FreeSurfer（见上文）。 连接所有EPI运行时间对于一个给定的个体。 地图每个EPI运行的表面使用3dVol2Surf（AFNI / SUMA），产生一个NIML的表面数据集每次运行。 使用平滑的白质和软膜的表面作为基准表面的映射;这些可想的为代表的灰色/白质边界和皮质表面，分别。 平均，在这两个表面之间的距离的信号。 可选皮质表面光滑EPI数据SurfSmooth（AFNI / SUMA）。 历元的时间对应于向被检者的每个实验条件创建单独的回归量。 这些回归系数（回归系数没有兴趣一起）提交到一般线性模型（GLM）的功能数据的分析。 对比度测试不同的回归量的权重，以产生一个“功能图”的统计值，在整个表面多个参与者可以进入β-重量值，如果用析因设计成一组水平的方差分析（ANOVA）。 导出阈值的功能映射到统计上的显著效果，采用族群误差率（高斯随机场论）14或虚假的发现率（FDR）15，16的调整，纠正多重比较。 创建地区的利益（投资回报率），将跟踪技术播种，从表面上显着的功能激活毗邻地区的每一个可分离的标签。 自动分类和标签ROI的使用空间聚类算法，，如SurfClust（AFNI / SUMA）。 另外，使用SUMA的档ROI功能的手工绘制的投资回报。 </李& 展开使用3dSurf2Vol（AFNI / SUMA）与简化过程中跟踪技术，最大限度地接触到白质的投资回报率。 在第6步，使用平滑的白质和软脑膜表面的映射。 设置f_p1_fr = -0.5，以便在每个表面节点下面的灰/白质边界的灰质厚度的50％增长的投资回报率。 设置f_pn_fr = 1，以便在相反的方向上的软膜表面增长的ROI。 使用AFNI程序cat_matvec的查找对准B0图像时产生的表面的音量（brain.nii）12点的仿射变换矩阵的逆。
niiApply功能的投资回报率的逆矩阵，以便使它们与DSI数据。
5。磁共振弥散加权成像数据的处理弥散加权成像脑白质成像技术的总称，包括很多不同的combinati附加的数据采集和重建方法。也许，最常用的方法，简称为扩散张量成像（DTI）17，18，是根据数据采集的5-10分钟，测量在6或12个方向上的扩散。基于这些数据，漫射图案通常是仿照张量与一个简单的模型，它是最适合用于检测单个显性扩散方向。这一限制意味着，DTI不执行成像纤维相互交叉或在一个点上的“吻”。交叉接吻纤维更好的检测相结合的高清晰度图像的采集和重建方法，如高角分辨率扩散成像（HARDI）19-21，扩散频谱成像（DSI）1，2，q广义球成像（ GQI）,22-24。 一个257-的方向多壳DSI序列上运行的西门子3T扫描仪被用于收购的结果呈现在这里（参数eters于表1中）。所采集的数据进行重建与GQI方法24，它模拟漫射图案中每个体素的取向分布函数（ODF），可以检测同时在多个方向上的扩散。其他高角分辨率扩散序列应该产生类似的结果。请注意该正确重建ODFs，需要输入的梯度表（也称为作为b表）DSI Studio中，这里使用的DWI处理和跟踪技术方案的研究员。 （DSI工作室的详细使用说明，可以发现在软件的网站，
。）本表列出的梯度方向和磁场强度为每个所获得的DWI卷。梯度表取决于的MR收购协议，并从DICOM图像的DSI Studio中自动提取。但是，我们建议，研究人员比较这AUTOMatically提取梯度表，其扫描仪的DWI协议的标准表。 如果有必要，将MR图像。DCM（DICOM）的格式使用mri_convert（FreeSurfer）。 确定数据集的图像（S）B0图像（ 即不扩散加权平面回波图像采集与）。 转换B0图像（S）到NIFTI格式使用AFNI计划to3d的。 在DSI Studio中，打开DICOM图像相结合，创建一个源代码文件（SRC）。 提供一个梯度表（见上文）。 检查默认的重建的掩码包含了所有的灰质，不包括空白空间，头骨，或无脑组织。编辑口罩是必要的。 或者，创建一个重建B0图像由运行AFNI计划3dAutomask的面具。 选择一个高分辨率重建型号：DSI，GQI，或GQI变种的。 创建一个光纤信息文件（FIB）为代表的主要扩散方向（S）每一个像素。
6。通过全脑束成像评价数据的质量和跟踪参数跟踪与全脑种子纤维，是一种快速有效的方法来评估整体数据质量。它也提供了一个机会，为全局参数，特别是各向异性的阈值作为停止跟踪技术标准在决定适当的值。这个过程是必要的纤维跟踪过程中提高覆盖率和降低噪声之间的平衡。特别应注意在设置重点跟踪的参数，如角度阈值和跟踪阈值。 重要的是要注意，不同的大片可能会有所不同个体之间的相对各向异性，根据生物因素，如年龄和白质的完整性，以及外在因素，如硬件校准之间的会话。下面，我们建议了多种方法来平衡跟踪数据集之间的阈值。在任何时候，检查质量的跟踪结果进行比较，他们被称为神经解剖学。例如，纤维交叉纵裂已知半球之间的连接（ 即 ，胼胝体，前及后commissures的）之外的跟踪阈值太低，应提高，或可作为证据的头部运动伪影。 跟踪阈值，角度阈值应该是某一个人在不同的会话保持不变，因为纤维束的曲率在短期内不改变，如果有的话。同样，道曲率相对恒定的个人，在没有大脑的大小和形态的主要区别。不过，应注意在设置此参数的初始值。纤维，按照不大可能的轨迹，如发夹曲线，可能表明的角度门槛太高。 创建一个全脑种子区域。 设置一个初始跟踪阈值低信号屏蔽掉的体素。 设置角度阈值以允许纤维曲线在单个步骤中的n度。 设置跟踪步长，单位为mm。 设置所需数目的纤维或种子点。 进行全脑束成像检查ODF重建总体质量。 首先，选择跟踪阈值的中位数（跨数据集）。 加载全脑TRK文件，到TrackVis，一个纤维束的可视化和分析程序（马蒂诺生物医学成像中心，马萨诸塞州总医院）25。 将灰质（GM）卷中的SUMA目录（LH / rh.ribbon.nii），作为投资回报。 设置的GM投资回报作为在赛道上的过滤器，只接受有任何一端的纤维于一体的投资回报率。 验证大多数纤维（90-100％）的TRK文件中保持在过滤的磁道组。 重复播放有必要，调整在DSI工作室时间的跟踪阈值。 进一步的检查，跟踪阈值屏蔽掉空的空间体素（ 即大脑和周围的边缘空间内脑回），无需拆卸体素，这清楚地躺在白质。 另外，平衡整个数据集的跟踪阈值（ 即不同的会议和/或参加者）。 设置跟踪阈值，通过DSI Studio界面中根据需要选择一个数据集。 重命名。FIB由DSI Studio中创建的文件。垫扩展，并导入到MATLAB，每上的DSI工作室的网站（
）的说明。 阈值的值，你想创建一个直方图。 转换的值映射到z值。 跟踪阈值的Z-score的您最初设置的DSI工作室interfacE。 执行BD的所有其他数据集，发现跟踪阈值相对应的步骤e中的Z-score。 作为一个交叉检查的步骤，自动对焦，跟踪控制纤维枕极的有50万颗种子解剖的投资回报率在一组。 检查，此过程产生约纤维横跨数据集相同数量的（+
100根纤维）。
7。本地受限的束成像在本地受限的全脑纤维束，纤维束使得使用基于ROI的布尔操作，如指定卷的纤维必须或可能无法通过。其结果是，本地约束的纤维束提供更高的灵敏度和更大的控制，用于跟踪选择纤维的兴趣。全脑的的跟踪技术undersamples的空间可能的种子点，由于计算成本高的种子资金业务和有限的计算机图形内存。 （这是宝ssible作为欠采样的结果，这些约束将在未来，由于变动在分叉的算法，增加记忆能力，或其他因素。）减轻，全脑纤维束偏向的主导扩散通路在经常产生的结果大脑。用户提供的投资回报率来解决这个问题提供有限的目标区域具有高密度的种子点，使得它更容易捕捉到难以检测的纤维束。 在DSI Studio中创建一个全脑的种子区域。 装入一个或多个NIFTI地区的利益（投资回报率）的文件。 可以加载一个避税地区（ROA）文件来表示体素的纤维不应通过。 设置各向异性如上所述的阈值的阈值和角度。 执行跟踪。 检查质量通过比较纤维曲目的解剖细节。
8。端点密度分析加载NIfTI投资回报率和TRK文件，我置身于TrackVis。 执行区域之间的布尔运算。 作为一个新的TRK文件保存每个操作的结果。 使用track_transform（扩散工具包）功能，，空间变换TRK文件到的的表面体积（brain.nii）文件。 加载转化TRK文件和表面的体积（brain.nii）的，在TrackVis检查。
TRK和ROI文件加载到MATLAB进行定量的连通性估计。
{X / Y / Z}重心的投资回报率。 其中一项措施的连通性，计算总数量的光纤端点的投资回报率，标准化的ROI体积。 另外，计算欧氏的光纤端点和投资回报率之间的距离质心，作为衡量，投资回报率的特异性和一致性道的连接。
9。代表性的成果高分辨率扩散加权成像和纤维束成像可以应用于范围广泛的神经科学的问题。在本文中我们的重点是细节的耦合结构的连接与功能神经影像学方法。然而，我们注意到，任何应用DWI分叉的结果，需要仔细评估的数据采集协议，重建方法，并跟踪技术参数可以发挥显着的，独立的对最终产品的影响。图5最优和次优的结果全脑纤维束。所有这三个图像是基于相同的257-方向DWI数据集从一个单一的参与者;最优的结果示于左侧面板。与此相反，中间面板显示过分宽松的跟踪技术参数（FA和角度阈值）的影响。右侧面板显示质量的降低，结果，使用一个单一的张量模型来重建的DWI数据。 如何分叉的结果可以证实，我们有两个例子，并告知interpretati对功能成像数据。这些实验评估的认知过程，使创建的功能种子区域：即，面部知觉和视觉注意力。这些种子区域可以用来测试认知网络内的白质连接的问题， 图6示出了示例的过程中的面部感知任务激活的区域。同时进行fMRI扫描，的主题查看图片的面孔和日常物品。腹颞叶区域，在中间梭状回（MFG）和下枕中回（IOG），显着更大的BOLD响应的脸比对对象。这两个功能定义的区域作为种子区域，然后在纤维束（中列出的第6-7段）。 图6A大捆的纤维流线（显示为红色），连接这两个地区的利益，颞叶内，超过约12厘米的距离。注意和s的纤维紧密地堆积商场纤维弯曲度超过这一距离。此模式是在很长的距离（例如，参见文献26）中的一个-酮泛函网络内的连接的典型。 图6B示出了的IOG功能种子区域（黄色中所示）沿与个别纤维端点（红点） 。遍布的光纤端点的投资回报率。这表明，这些地区有直接的，远距离连接，可依据在人脸感知网络的快速通信的连接模式。 我们的第二个例子中（ 图7）示出了视觉皮层感官区域和注意控制的区域，在后顶叶皮层（PPC）的之间的连接。在这种情况下，两套功能的激活（枕叶和顶叶区域），通过独立的来自同一个人的fMRI数据集。顶叶的激活产生通过注意力转移任务的6个地点之间的VISU人场（有关详细信息，请参阅文献27），而枕区的定义标准的视野经络映射28，这是用来纪念的视觉皮层（V1 - V3）功能的种子区域之间的边界。 图7A显示的V1，V2和V3的种子区域（红色，绿色，蓝色，分别）的近似位置，PPC种子区域标记的IPS-1，和连接这些区域的纤维束。大港的颜色接种枕部的投资回报率。不像在颞叶（ 图6）的长，直的纤维，这些白质束覆盖一个较短的距离（范围为3 - 5厘米），并且，因此，更多的U形，并不太紧凑，因为它们从枕骨旅行叶顶叶图7b显示在功能上定义的区域在IPS（棕色）（红色），V1，V2（绿色），V3（蓝色）上的皮质表面，随着各地区的光纤端点。请注意隔离大片地区的种子在枕叶，很大程度的端点，插在IPS-1与对比。这表明，我们的PPC的区域（标识通过选择性注意任务期间fMRI的活性）可以是收敛的脑部区域，与结构连接到许多不同的节点的感官皮质。这种连通性模式可以允许更高的皮层区域，以调节活性年初皮质注意偏置信号的传输，这些信号有助于提高目标表示在视觉皮层29，30。
图1。弥散加权成像（DWI）。面板中的关键概念示意图 A：在均匀介质中，扩散是随机发生的，由于布朗运动。为了使大量的水分子，扩散是各向同性的，即，总的散射图案是球形。 B组：内轴突和轴索束的空隙中的水分子的扩散被限制由轴突的墙壁和其它支撑结构。因此，沿纤维束扩散是的各向异性：它是更大的比在其他方向沿纤维束的运动轨迹。 C组：高分辨率DWI方法使用，如取向分布函数（ODF）的模型，模型各向异性扩散的白质在复杂的配置。在这个例子中可以看出，ODFs可以区分单独的扩散途径的多个纤维束，在一个单一的点交叉。三人行包含两个或三个不同的纤维束是在大脑中。
图2。可以多种方式进行光纤跟踪研究的最重要的选择涉及获取协议，重建技术，和纤维束的方法。在当前的文件，我们ü本身的扩散频谱成像（DSI），收购协议 ;广义Q-采样成像（GQI）24重建和事实的确定性跟踪技术40，41。我们特别突出的无模型和混合重建技术，产生取向分布的功能（ODFs;参见图1）来表示在每个体素的扩散。研究人员可以选择不同的管道，根据预算，可利用的时间，需要高角分辨率，头部运动和非线性图像失真校正的重要性。这个数字是不是所有可行的收购，改建和跟踪技术，方法的完整列表。见Seunarine亚历山大42重建技术，优秀的评论。
图3。扩散磁振造影收购变量的相互作用，扫描时间和AB应对WTO来解决光纤口岸高扩散的对比。是解决在复杂的交叉配置的纤维所必需的。这种反差取决于几个因素，包括梯度方向的数目（ 即 ，可能的纤维取向的数目）和b-值（它表示的扩散加权的程度）。在这里，我们提出的b值和梯度方向的数目增加的典型效果。请注意，该表仅表示趋势，和个别技术可能有不同的影响，扫描持续时间时，信号 - 噪声比（SNR），和扩散对比度。一般情况下，可以改善对比度通过增加数目的梯度方向和b值的大小。然而，在较高的b值，扩散加权图像信号对噪声比的减少，往往增加和扫描时间被。
图4。图形大全Ry的解剖MRI，DWI-MRI，和fMRI处理流中的文本黑色的各处理步骤中描述的性质，而绿色文字表示可以使用的软件，该软件。虚线的框表示可选的步骤，可能并不适用于所有项目。在这个例子中，进行处理，在AFNI /的SUMA包（除非DSI的Studio或TrackVis被表示）。可比其他影像学分析软件包的功能通常会被取代。许多这些图中所示的步骤已经部分合并成方便的脚本由软件开发人员：我们特别指读者的FreeSurfer重建所有的管道（
） 。另外，我们注意到几个软件包提供完整的DWI数据处理的管道，但是，这些包在自己的强项和弱点不同，和一些不包括工具的工作与高角分辨率扩散磁振造影数据。
图5。插图全脑纤维束具有不同的重建方法和跟踪技术参数。所有图像均是来自于相同的数据集，了257方向扩散频谱成像（DSI）的倍数b值（7,000 / mm 2时 ，5壳）序列。 A组：最佳的效果，通过使用一个高分辨率的，的ODF基于重建的方法来实现。甲0.06的相对高的跟踪阈值被选择，以便生成只从强各向异性体素的纤维;及55°的角度的阈值被选择为妨碍纤维的产生与生物不切实际的曲率（ 即 ，“循环”纤维）。 ?OTE明确划分南北半球的纵向裂缝，分离;也注意如下预期纤维捆绑的脑沟/脑回的轮廓。面板B：相同的重建方法被用来作为在（A），但FA和角度阈值分别设定较宽松在成像（分别为0.03和85°时，）期间。跟踪参数不当，可能会导致产生大量的“垃圾”纤维，隐瞒真实信息的有关解剖结构。参见第5章，“数据质量评估和跟踪参数，通过全脑束成像”，建议选择适当的参数。 C组：使用一个单一的张量模型，在DWI的最广泛使用的方法之一进行重建数据。相应的跟踪参数（同为A），单张量模型再现了许多已知的主要纤维束，脑回的轮廓有些矢状面视图中可见。然而，它也产生更多的假阳性比ODF模型：旅游的注意纤维水平 LY整个纵裂。
图6。束成像面孔识别实验结果。面板（A）所示的简化导致从功能从面孔识别实验确定的投资回报的纤维束之间。一般劣质枕中回（IOG）和中期梭状回（MFG）由黄色椭圆形表示。面板（B）示出了表示在面板（A）上显示的放大视图后颞叶皮质表面腹侧纤维IOG端点。从面孔识别功能磁共振成像实验中呈现黄色的投资回报率。注意在IOG定义功能的激活和纤维端点之间的协议。这些纤维从MFG，涉及的大脑区域的面孔识别跟踪。p :/ / /files/ftp_upload/fig6large.jpg，“目标=”_blank“&点击这里查看大图。
图7。束成像的结果从视觉注意实验委员会 （A）示出的流线从纤维束之间的功能的ROI从视觉注意力实验27确定所导致。一般领域的后顶叶皮层（IPS-1）和视觉皮层（V1d，V2d，V3D）表示彩色的椭圆。纤维束提供相应的颜色：红色为V1d，为V2d绿色，和蓝色的V3D。面板（B）示出的端点面板中所示的纤维（A）上显示后（壁层和枕）皮质表面的放大侧视图。颜色公约相匹配的面板（A）。因从视觉注意功能磁共振成像实验感兴趣的地区皮质表面上显示。所有3篇ETS大片/端点收敛在IPS-1的区域，这被认为是包含视觉注意力关注的来源可能是在视觉皮层的目标偏置信号的优先级的地图。大港IPS-1主要指叉，而枕部的这些纤维束的两端清楚区分的视觉皮层区域。
257方向扩散频谱成像（DSI）扫描，并使用一两次，重新调整自旋回波EPI序列和多个Q值与一个43分钟的采集时间（TR = 9916毫秒，TE = 157毫秒，体素大小= 2.4×2.4×2.4毫米，视角范围= 231×231毫米，β-最大= 7,000 / mm 2时 ，5贝壳）
T1加权MPRAGE的序列（1毫米×1毫米×1毫米，176的矢状面片，TR = 1870，TI = 1100，FA = 8°，GRAPPA = 2）
功能磁共振成像 &/ TD&
T2 *加权平面回波成像（EPI）脉冲序列（31斜轴位片，面决议2毫米x 2毫米，3毫米片的厚度，无间隙，重复时间[TR] = 2000毫秒，回波时间TE = 29毫秒，翻转角= 90°，，GRAPPA 2，矩阵的大小= 96×96，视场FOV] = 192毫米）
表1。神经影像采集参数。 Subscription Required. Please recommend JoVE to your librarian.
高分辨率DWI和纤维束成像提供了一种强大的方法，为研究人类大脑的连接结构。在这里，我们目前的证据表明，这种结构性的体系结构是有意义的脑功能，通过功能磁共振成像评估。通过使用跟踪技术种子基于fMRI的任务的激活，我们发现证据表明，合作活跃期间视觉注意的脑区解剖学connectedconsistent与功能性神经解剖学的先验知识（ 图7）。同样，面孔识别功能性神经解剖学是符合我们目前的结构连接的结果（ 图6）。解剖连接的知识是必要的，虽然不足够的，推断出一个直接在一个给定的任务的脑区之间（反之亦然 ）的功能性连接。在许多影像学研究中，结构和功能的直接连接被推断有问题的基础上的并发函数的单独信号激活。这样的推论忽略了其他的解释：例如，两个大脑区域可能会出现活跃，因为他们都有一个共同的输入，因为全球的神经调节影响的实验设计不控制，甚至是因为一个共同的噪声源，如头运动。 MR扩散跟踪技术提供融合远端脑区的动态功能之间的关系，确认可能的连接基板它们之间存在的证据。 纤维跟踪研究，用户应考虑的几个限制和警告。最根本的是确定性的纤维束产生的纤维流线表示可能的扩散路径，而不是真正的纤维束。应遵循现有的神经解剖知识的假阳性和假阴性结果，并解释纤维束束成像结果可能会受到影响。最好事先证据的白质Connectivity来自“金标准”技术，如显微切割或示踪标记。特别有用的是来自死后人类大脑的纤维束轮廓的概率地图，如创建由Buergel，Amunts的，和他的同事31日 ;免费的在线资源，如数字解剖学家项目（
）也可以提供有益的指导。我们注意到，EEG，MEG的功能连通性分析，和，BOLD fMRI数据只提供了微弱的证据，如果有的话，解剖脑区之间的连接。 一个额外的警告涉及假纤维简化的延续，它可以发生在两个独立的扩散途径大致对齐的端至端，和它们出现流入彼此。在这种情况下，纤维束算法可能继续超越真实的停止点。例如，丘脑传入从脑干和丘脑传出神经皮质的背部分可能也有类似的方向。因此，束成像算法可以欺骗到生产长纤维从脑干上升，通过丘脑，出现在皮质结束。这种的假纤维可以导致从交接的两个解剖学上正确的通路，其中每一个是正确的本身。然而，他们也可能导致从解剖学无效的纤维轨迹。其他常见的虚假延续，包括纤维，通过颞极入岛和纤维交叉的纵向裂缝外已知半球之间的交叉点（ 即 ，胼胝体和的commissures）。经常会出现这些错误的延续，因为：1）部分容积效应裂片/半球;或2）的边界模糊不清，因为跟踪已设置阈值过于宽松。正如我们上面提到的，研究人员必须评估纤维跟踪结果在现存的neuroana光tomical知识。作为最后的警告，我们注意到，扩散磁共振成像和纤维束成像提供无连接的方向性信息：那就是，他们无法辨别前馈反馈纤维，或传入传出神经。 确定性的纤维束可以是有益的假设检验，作为纤维简化它产生沿特定的轨迹，可以进行比较，假设构成点 - 点连接的推断。但是，用户也不妨考虑概率跟踪方法（ 见图2）。概率方法的主要优势是他们产生信心，估计两点之间，根据积累的扩散概率在体素连接这些点32的扩散途径。相反，确定性跟踪技术的结果不考虑的不确定性，其存储在一个虚拟的光纤的传播的每个步骤这种不确定性增加步长大小，用户设定的参数，被增加。产生的概率跟踪技术的信心估计可能是特别有用时，试图确定的相对可能性的两个或两个以上不同的传播途径，而且，用户可以很容易地掩盖了体素的与低信心估计，有可能不给予确定性方法。确定性的跟踪技术一样，但是，概率方法没有决定性地证明白质纤维束的存在，相反，他们表现出的可能扩散途径。 用户可能会发现确定性分叉的结果更直观的可视化，结果通常是3维的纤维流线，让观众迅速逮捕可能的纤维轨迹。相比之下，概率跟踪技术的结果通常表示为2维片的体积数据的。这些图像显示热图CONtiguous体素，对应于扩散概率内一个阈限呼吸道卷，而不建模可能的纤维内的道的轨迹。无论用户选择跟踪技术和可视化方法，他们应该认识到纤维跟踪结果表明可能的传播途径，这两种方法的结果可能包括I型和II的统计误差。 我们的研究小组已用这里描述的技术，可视化和量化皮质33道，胼胝体34，和视觉注意系统27连接，以及皮质投射映射电路在基底神经节35。在某些情况下分叉的结果可能会产生新的结果：例如，Wang 等人 （提交），采用高分辨率DWI前面已经详细描述过的纤维束，交叉验证的尸体解剖36。这些的结果，如可提供动力调查的大脑功能，以评估新发现的大片功能性的效用。最后，非侵入性的，高分辨率DWI持有承诺在许多临床情况，如神经外科规划37;手术治疗的肿瘤，出血和cavernovas 38;和创伤性脑损伤（TBI）39。本集团已采用这些技术中有大量的神经外科和创伤性颅脑损伤患者，行为症状与破坏光纤连接。 最终，容易获得关于全球脑连接的信息将允许研究人员建立更好的模型的大脑。例如，梯度测量的白质连接可以用来提高源定位在MEG /脑电图，或放置fMRI的基础的有效的连通性分析的约束。高分辨率跟踪技术也有可能破坏或病理性的大脑连接，以提高模型苏通道也可以出现在TBI或自闭症。最后，高分辨率跟踪技术可以使研究人员能够更好地融入人性化的功能神经解剖学的知识，与人类大脑的非侵入性的研究。我们希望并预期，越来越多的研究人员将研究的潜力相结合的高分辨率弥散加权成像对脑功能的评估。 Subscription Required. Please recommend JoVE to your librarian.
没有利益冲突的声明。
表确认和资金来源。这项工作是支持由NIH RO1-MH54246（MB），美国国家科学基金会BCS0923763（MB），美国国防高级研究计划局（DARPA）根据合同NBCHZ090439（WS），海军研究局（ONR）办公室奖N-0399（WS），和美国陆军研究实验室（ARL）根据合同W911NF-10-2-0022（WS）。的看法，意见，和/或发现在此演示文稿的作者，不应该被解释为代表的官方意见和政策，任何明示或暗示的保证，上述机构或美国国防部。
Wedeen, V. anJ., Hagmann, P., Tseng, W. I., Reese, T. G., Weisskoff, R. M. . Magnetic Resonance in Medicine. 54, (6),
(2005).Wedeen, V. J., Wang, R. P., Schmahmann, J. D., Benner, T., Tseng, W. Y. I., Dai, G., Pandya, D. N., et al. . NeuroImage. 41, (4),
(2008).Pipe, J. Pulse Sequences for Diffusion-weighted MRI. . 12-35 Elsevier London (2009).Le Bihan, D., Poupon, C., Amadon, A., Lethimonnier, F. . Journal of Magnetic Resonance Imaging: JMRI. 24, (3), 478-488 (2006).Tuch, D. S. Magnetic Resonance in Medicine. 52, (6),
(2004).Sakaie, K. E., Lowe, M. J. . NeuroImage. 34, (1), 169-176 (2007).Reese, T. G., Benner, T., Wang, R., Feinberg, D. A., Wedeen, V. J. . Journal of Magnetic Resonance Imaging. 29, (3), 517-522 (2009).Cox, R. W. . Computers and Biomedical Research. 29, (3), 162-173 (1996).Cox, R. W., Hyde, J. S. . NMR in Biomedicine. 10, (4-5), 171-178 (1997).Goebel, R. . NeuroImage. 3, S604 (1996).Smith, S. M., Jenkinson, M., Woolrich, M. W., Beckmann, C. F., Behrens, T. E. J., Johansen-Berg, H., Bannister, P. R., et al. . NeuroImage. 23, Suppl 1. S208-S219 (2004).Woolrich, M. W., Jbabdi, S., Patenaude, B., Chappell, M., Makni, S., Behrens, T., Beckmann, C., et al. . NeuroImage. 45, Suppl 1. S173-S186 (2009).Friston, K. J. . Academic Press (2007).Nichols, T., Hayasaka, S. . Statistical Methods in Medical Research. 12, (5), 419-446 (2003).Benjamini, Y., Hochberg, Y. . Journal of the Royal Statistical Society, Series B (Methodological. 57, (1), 289-300 (1995).Logan, B. R., Rowe, D. B. . NeuroImage. 22, 95-108 (2004).Basser, P. J., Mattiello, J., LeBihan, D. . Journal of Magnetic Resonance, Series B. 103, (3), 247-254 (1994).Basser, P. J., Mattiello, J., LeBihan, D. . Biophysical Journal. 66, (1), 259-267 (1994).Frank, L. R. . Magnetic Resonance in Medicine. 45, (6), 935-939 (2001).Frank, L. R. . Magnetic Resonance in Medicine. 47, (6),
(2002).Tuch, D. S., Reese, T. G., Wiegell, M. R., Makris, N., Belliveau, J. W., Wedeen, V. J. . Magnetic Resonance in Medicine. 48, (4), 577-582 (2002).Descoteaux, M., Angelino, E., Fitzgibbons, S., Deriche, R. . Magnetic Resonance in Medicine. 58, (3), 497-510 (2007).Tuch, D. S. Magnetic Resonance in Medicine. 52, (6),
(2004).Yeh, F. C., Wedeen, V. J., Tseng, W. -Y. I. IEEE Transactions on Medical Imaging. 29, (9),
(2010).Wang, R., Benner, T., Sorensen, A. G., Wedeen, V. J. . Proc. Intl. Soc. Mag. Reson. Med. ).Sundaram, S. K., Kumar, A., Makki, M. I., Behen, M. E., Chugani, H. T., Chugani, D. C. . Cereb Cortex. 18, (11),
(2008).Greenberg, A. S., Verstynen, T., Chiu, Y. -C., Yantis, S., Schneider, W., Behrmann, M. . The Journal of Neuroscience. 32, (8),
(2012).Slotnick, S. D., Yantis, S. . Human Brain Mapping. 18, (1), 22-29 (2003).Greenberg, A. S., Esterman, M., Wilson, D., Serences, J. T., Yantis, S. . The Journal of Neuroscience. 30, (43),
(2010).Kastner, S., Ungerleider, L. G. . Annual Review of Neuroscience. 23, 315-341 (2000).Bürgel, U., Amunts, K., Hoemke, L., Mohlberg, H., Gilsbach, J. M., Zilles, K. . NeuroImage. 29, (4),
(2006).Behrens, T. E. J., Jbabdi, S. . 333-352 Elsevier London (2009).Verstynen, T., Jarbo, K., Pathak, S., Schneider, W. . Journal of Neurophysiology. 105, (1), 336-346 (2011).Jarbo, K., Verstynen, T., Schneider, W. . NeuroImage. In press (2012).Verstynen, T., Badre, D., Jarbo, K., Schneider, W. . Under review (2012).Wang, Y., Fernández-Miranda, J. C., Verstynen, T., Pathak, S., Schneider, W. . Under review (2012).Fernandez-Miranda, J. C., Engh, J. A., Pathak, S. K., Madhok, R., Boada, F. E., Schneider, W., Kassam, A. B. . Journal of Neurosurgery. 113, (5), 990-999 (2010).Fernandez-Miranda, J. C., Engh, J., Pathak, S., Wang, Y., Jarbo, K., Verstynen, T., Boada, F., Schneider, W., Friedlander, R. . Under review (2012).Shin, S., Verstynen, T., Pathak, S., Jarbo, K., Hricik, A., Maserati, M., Beers, S., Puccio, A. M., Okonkwo, D., Schneider, W. . Journal of Neurosurgery. In press (2012).Mori, S., Crain, B. J., Chacko, V. P., Van Zijl, P. C. M. . Annals of Neurology. 45, (2), 265-269 (1999).Tournier, J., Mori, S., Leemans, A. . Magnetic Resonance in Medicine. 65, (6),
(2011).Seunarine, K. K., Alexander, D. C. . Elsevier London (2009).
You must be signed in to post a comment. Please
Related Videos
Copyright &#xa9; JoVE . All Rights Reserved. |
| ISSN XMyJoVE Corp. | One Alewife Center, Suite 200 | Cambridge, MA | 02140 | tel.