腦電-磁共振成像融合

基本介紹

• 中文名：磁共振成像
• 外文名：Magnetic Resonance Image, MRI

背景簡介

大腦內部運作機制研究是21世紀的一大挑戰，功能神經成像在了解大腦功能和障礙方面有著極好的套用前景(Friston, 2009)，現已經成為神經科學研究和臨床套用的重要工具。無創高時間、高空間解析度成像是大腦研究所期待的工具。藉助它有利於了解人類注意、執行、記憶等機制，有利於揭示如癲癇活動的起源和傳播等機制。目前，主要的人腦無創技術有磁共振成像(Magnetic Resonance Image, MRI) 、腦電圖(electroencephalogram, EEG)和腦磁圖(magnetoencephalogram, MEG)等。它們在時空解析度方面有著各自的優劣勢。結合不同神經成像模式（多模態成像，特別是腦電-磁共振成像融合）不僅可能實現優勢互補提高時空解析度(圖1)，而且還有助於我們對單一模態中神經活動的理解(Biessmann, Plis, Meinecke, Eichele, & Muller, 2011; Huster, Debener, Eichele, & Herrmann, 2012; Laufs, 2012)，從而，推進我們對神經和精神疾病的病理生理學理解。

圖1：融合的動機：通過各模態實現優勢互補。

腦電-磁共振成像融合

多模態成像主要是整合神經活動的不同測量模式。其中，EEG作為一種無創記錄大腦活動電生理信號的方式，具有很高的時間解析度（毫秒級），但空間解析度較低；而另一種目前常用的無創技術，MRI則正好相反。顯然，這兩種無創記錄方式的結合有可能產生高時空解析度的綜合神經成像技術。其優越的時空解析度將有利於研究認知相關的大腦功能運作機制以及神經和精神類疾病。本文僅介紹結構信息[結構磁共振成像(structural MRI, sMRI), 彌散張量成像(diffusion tensor imaging, DTI)]和功能信息(EEG, fMRI)的融合。值得注意的是，結構信息的採集相對比較規範；而EEG-fMRI同步採集需要在兼容的採集系統下實現EEG記錄和fMRI掃描同時進行，從而可將實驗刺激或自發振盪引起的神經電生理活動和代謝活動都記錄下來(圖2)。

圖2：EEG-fMRI同步採集系統(Laufs, Daunizeau, Carmichael, & Kleinschmidt, 2008)

1腦電-磁共振成像信息的融合

EEG-sMRI/DTI的融合

EEG與MRI的融合，首先體現在由sMRI為EEG源定位提供頭部容積導體模型，它對於源成像的精確度是至為重要的。基於sMRI，可以構建個體特徵的邊界元模型、有限元模型或有限體元模型。在EEG與DTI數據融合方面，現有研究主要是利用EEG數據獲得的神經元節律活動信息和DTI數據得到的纖維束或者彌散等信息，分析探討大腦節律與結構基礎的關係(Valdes-Hernandez et al., 2010; Whitford et al., 2011)。整體上來講，將高時間解析度的EEG與高空間解析度的sMRI/DTI進行信息融合，以探索大腦功能與結構之間的聯繫，仍是一個極具前途與挑戰的課題。

EEG-fMRI融合

有關EEG與fMRI的融合，目前有多種不同的融合方法(Biessmann, et al., 2011; Huster, et al., 2012; Rosa, Daunizeau, & Friston, 2010)。通常將EEG-fMRI融合分為以下三類：1、空間信息融合，2、時間信息融合，3、模型/對稱融合。如圖3所示。

圖3：融合的三種思路：(i).空間信息的融合; (ii).時間信息的融合;(iii).時-空信息的對稱融合。

(i)空間信息融合

空間整合的一種常用方法是利用功能磁共振成像激活圖作為EEG源位置的先驗信息。已有的方法包括功能磁共振成像約束的偶極子定位方法和fMRI-約束/加權的分布源成像方法。由於增加了fMRI空間約束條件，EEG逆問題的不適定性可在一定程度上得到緩解。近年來，也有課題組創新性的將獨立成分分析所獲得的fMRI功能網路，作為EEG源定位的先驗信息引入到EEG源估計的EB(empirical Bayes)模型之中, 發展出了基於fMRI網路信號約束的EEG源定位技術(Lei et al., 2010)。

(ii)時間信息融合

時域上的整合是利用在時域或頻域的EEG動態信號特徵為功能磁共振成像提供信息。這些特徵信息通常來自於特定時間段或特定頻段的數據。通常是將此電磁記錄獲得的變數與常規的血流動力學回響函式（hemodynamic response function, HRF）卷積，然後與基於體素的BOLD信號作線性回歸（general liner model, GLM），以確定相應感興趣電磁信號特徵的fMRI統計激活圖。Lei等發展了一種基於經驗貝葉斯(empirical Bayes, EB)模型反演HRF函式的方法(Lei, Qiu, Xu, & Yao, 2010)。該技術利用EEG提供的高時間解析度的神經活動時間信息和強度信息，重建出相應fMRI的血流動力學函式。

(iii)模型對稱融合

上述兩種融合分析方法，分別側重於一種模態對另一模態的幫助。此外，EEG-fMRI融合還包括由“發生模型驅動”或“信號模型驅動”的融合方法。典型的例子是DCM (Friston, Harrison, & Penny, 2003; Kiebel, Garrido, & Friston, 2007)。由於模型驅動的融合通常建立在神經生理學基礎之上，因此這些模型的反演將有助於我們理解神經活動的起源及相應調節機制，但是模型的構建比較困難。為此一些研究者也通過研究EEG與fMRI信號間的相互依賴關係，即用互信息來實現EEG與fMRI的融合(Valdes-Sosa et al., 2009)，這種信號模型驅動的實現可採用先對EEG和BOLD信號分別進行空間和時間逆問題求解，然後藉助兩者時間特徵的最大化相關實現融合。

綜上所述，在同步EEG-fMRI融合方面，迄今為止，已經有許多方法技術用以整合EEG與fMRI。然而，有關整合信息的可信度目前尚不明確。最近，Dong等在現有研究的基礎上，提出了一種層級框架用以區分有關整合結果的可信度，並用這種層級框架來理解腦活動(Dong et al., 2014)。只有通過了時間與空間兩個方面的匹配才可得到可信度最高的、高時空解析度的信息。仿真實驗和真實數據驗證表明，該框架對於解釋人腦的認知過程是一個可行的方案。