静息态功能磁共振成像在脑功能区定位中的初步应用

毛德旺，袁建华，丁忠祥， 狄幸波， 徐建国， 郑稢

(浙江省人民医院，浙江 杭州 310014)

·基础与临床研究·

静息态功能磁共振成像在脑功能区定位中的初步应用

毛德旺，袁建华，丁忠祥， 狄幸波， 徐建国， 郑稢

(浙江省人民医院，浙江 杭州 310014)

目的：探讨静息态功能磁共振成像在脑功能区定位中的应用价值。方法对33例非脑肿瘤病例在Siemens Trio 3.0T 磁共振仪上进行静息态脑功能成像(resting-state fMRI, R-fMRI))，并对R-fMRI数据采用新的独立成分分析(Subject Order-Independent group ICA，SOI-GICA)处理。结果33例中，已最多能够提取19个RSFC网络(丘脑核团，突显加工网络，高级运动区，初级运动区，听觉，背侧注意网路，腹外侧运动皮层，初级视觉，高级视觉，小脑，高级视觉，双侧额颞网络(语言相关)，默认网络后部，默认网络，默认网络后部，额顶网络，右侧额顶网络，工作记忆，左侧额顶网络)。结论R-fMRI能较稳定地提取出多个大脑功能网络，包括初级感知觉网络(运动、听觉、视觉网络)和高级认知功能网络(语言、注意、执行控制、工作记忆、默认网络)，可为神经外科手术计划的制定提供更加丰富的信息。

静息态；功能磁共振成像；独立成分分析；功能连接

Abstract：[Objective] To introduce the application of resting-state functional magnetic resonance imaging(rsfMRI)in the human brain function mapping ．[Method]33 patients underwent rsfMRI on Siemens Trio 3.0T MR, all MR images underwent independent component analysis (ICA) ．[Result] We can simultaneously extract and identify 19 human brain fuctional systems among 33 patients under rsfMRI and Independent Component Analysis . [Condusion] RsfMRI can simultaneously detect many different functional systems with only once scan ,including elementary functional network and advanced functional network ，leading to more complete and accurate presurgical evaluation。

Keywords：resting state;functional magnetic resonance imaging;independent component analysis; functional connectivitie

在神经外科手术过程中，正确辨认大脑皮层功能区至关重要。 1937年Penfield和Boldery提出了直接使用皮层电刺激描绘相关功能区的方法，但无法探及深部皮层，术野暴露过大。任务态脑功能成像(functional MRI, fMRI)，可有效地弥补术中定位的缺陷[1]，但仍存在以下问题：部分患者难以配合导致功能定位失准；仅能定位少数功能区如运动、语言区；多次检查其结果稳定性差，不利于术后对脑功能区保留及损伤情况复查。本文在Siemens Trio 3.0T 磁共振仪上利用静息态脑功能成像(resting-state fMRI, R-fMRI)配合独立成分分析(Independent Component Analysis，ICA)对33例非脑肿瘤病例提取脑功能区进行初步应用。

1 材料与方法

1.1 临床资料

33例来本科行头颅MRI检查且身体各方面状况较良好的病例，男15例，女18例，最大年龄84岁，最小年龄18岁，平均年龄48岁。

1.2 MR成像方法

采用Siemens Trio 3.0T 磁共振仪，双通道相控阵头颅CP线圈。受检者仰卧，头颅摆放并固定在头颅CP线圈中，嘱全身放松，保持安静和清醒，闭上双眼。全脑EPI-BOLD功能像：TR2000ms,TE 30ms, 层厚3.2 mm,层间隔0.8 mm, 层数31层,矩阵64×64, FOV 220×220 mm, 反转角90°，扫描时间484s。全脑高分辨率3D-T1-MPRAGE像：TR8.5 ms ，TE3.2 ms,反转角15°, FOV 250×250mm, 矩阵256 × 256, 层数176层，层厚1mm。

1.3 数据分析和处理

R-fMRI 数据经过SPM8 软件进行预处理(slice timing, realignment, 2mm 空间平滑)。然后进入基于SOI-GICA(Subject Order-Independent group ICA)的MICA软件进行个体水平的独立成分分析(ICA)，SOI-GICA 计算分3个步骤：生成多个不同的“有效SCO”，对每个生成的有效SCO进行TC-GICA分析，整合多次TC-GICA结果。以成分数10～100 分别计算静息态功能连接 (Resting-State Functional Connectivity, RSFC)网络。将所得各脑功能区彩图与全脑高分辨率3D T1三维重建图融合，即得各脑功能区三维定位图。

2 结果

33例R-fMRI数据通过SOI-GICA算法分析。运动、视觉、听觉、语言、工作记忆、默认网络等功能网络全部病例能提取，丘脑核团能提取23例，突显加工网络能提取12例，额顶网络能提取9例，背侧注意网路能提取11例，小脑网络能提取3例。本组最多能同时提取19个主要的RSFC网络(丘脑核团，突显加工网络，高级运动区，初级运动区，听觉，背侧注意网路，腹外侧运动皮层，初级视觉，高级视觉，小脑，高级视觉，语言，默认网络后部，默认网络，默认网络后部，额顶网络，右侧额顶网络，工作记忆，左侧额顶网络)，包括初级及高级脑功能网络系统。

3 讨论

人脑在清醒的静息态下，接受心输出量的11%，虽然脑仅占体质量的2%，但却占全身总耗氧量的20%[2]。脑在休息状态下全部能量的80%被用于参与谷氨酸盐循环和神经元的信号处理，提示在静息状态下存在明显的功能活动[3]。

1995年，Biswal[4]等人首创性地提取了静息态BOID信号中的低频成分(<0．1Hz)，并对其进行了分析，发现：人脑左右半球的感觉运动皮层的BOID信号低频振幅(1ow frequency fluctuations，LFF)存在显著的相关性，并认为，这种相关性可以作为在静息状态下感觉运动皮层间存在功能连接的一个证据。更多的研究发现静息状态下BOLD低频振幅信号的同步性广泛地存在于运动[4,7]、语言[6,8]、听觉[6,7]、视觉[5,7]等系统及网络中。由此可以推测：大脑在静息状态下的功能活动是有其特定的规律和组织方式。这些研究成果使得静息状态下脑功能成像研究成为近年来神经影像学领域的热门方向之一。

静息态脑功能成像(R-fMRI )是将fMRI 结合“静息态”实验范式的一种成像方式。静息态指被试在扫描中安静躺下，全身放松，保持清醒，不进行系统的认知活动，不参与实验任务。R-fMRI 信号被认为反映了大脑的自发的神经活动，并可能与警觉、记忆巩固有关。大量研究均涉及静息态功能连接 (RSFC)。RSFC 刻画了在静息状态下，不同位置的脑区的低频活动存在同步性这一现象，已在运动、体感、听觉、视觉系统，以及更高级的语言注意、默认网络等功能系统中发现。

R-fMRI数据分析和处理目前报道较多的是采用种子点相关RSFC分析, RSFC定位结果严重依赖于种子点的位置及选取方式，对于有的功能区(如语言区)，种子点位置的确定因被试差异较大而实现困难。对于非对称功能系统(如语言区)定位，由于肿瘤占位导致病灶侧种子点选取极为困难。如依赖标准坐标进行种子点定位，又存在肿瘤fMRI图像配准难的问题。定位不同功能系统需设多个种子点，则进一步增加了难度。因此，目前的研究还基本局限于感觉运动区，其他也同样需要保护的重要的功能区却很少涉及。独立成分分析(ICA)是一种非常有效的数据驱动的脑成像数据多元分析工具[9]，可有效克服种子点相关方法的上述局限，于2004年成功应用于基于R-fMRI数据的RSFC网络提取[10]，已经被证明能够较稳定地提取出多个大脑功能网络并应用于基础和临床研究。本研究采用的是新近提出的SOI-GICA 算法[11]，克服了ICA 计算结果随机性的问题，它能让研究者在有限的时间和有限的计算资源的情况下，得到更稳定、准确、可靠的多个RSFC 计算结果。

利用R-fMRI操作简便、信噪比高、适应性强的优势，再配合使用新的SOI-GICA算法，稳定地提取出多个大脑功能网络，包括初级感知觉网络(运动、听觉、视觉网络)和高级认知功能网络(语言、注意、执行控制、工作记忆、默认网络)，本组实验已初步提取人脑19个功能网络。随着实验的进一步深入，可能会有更多的人脑功能网络被证实能够稳定地提取，将来应用于脑肿瘤多功能系统术前综合定位，为神经外科手术计划的制定提供更加丰富的信息，有助于神经外科医生制定最佳手术计划，减少术后并发症，最大限度提高脑肿瘤患者术后的生活质量。

[1]毛德旺,袁建华,丁忠祥,等.3.0T磁共振脑功能成像对额顶叶肿瘤神经微创手术的应用价值[J].医学影像学杂志，2012,22(5):693-695.

[2]Raichh ME．GusnardDA．Intrinsic brain activity setsthe stageforexpression of motivated behavior[J]．J Comp Neurol，2005,493(1):167-176.

[3]张龙江,杨桂芬. 静息态脑功能成像的研究与进展[J]. 国外医学临床放射学分册.2007,30(1):9-12.

[4]Biswal B, Yetkin F Z, Haughton V M, et al. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI[J]. Magn Reson Med, 1995, 34(4): 537-541.

[5]Lowe M J,Mock B J,Sorenson J A. Functional connectivity in single and multislice echoplanar imaging using resting state fluctuations[J].Neuroimage, 1998,7(2):119-132.

[6]Cordes D,Haughton V M,Arfanakis K,et al. Mapping functionally related regions of brain with functional connectivity MR imaging [J].AJNR Am J Neuroradiol, 2000,21(9):1636-1644.

[7]Cordes D,Haughton V M,Arfanakis K,et al. Frequencies contributing to functional connectivity in the cerebral cortex in "resting-state" data [J]. AJNR Am J Neuroradiol,2001,22(7):1326-1333.

[8]Hampson M, Peterson B S, Skudlarski P, Detection of functional connectivity using temporal correlations in MR images[J]. Hum Brain Mapp, 2002, 15(4): 247-262.

[9]Mckeown MJ, Sejnowski TJ. Independent component analysis of fMRI data: examining the assumptions. Hum Brain Mapp, 1998, 6(5-6): 368-372.

[10]Van de Ven VG, Formisano E, Prvulovic D, et al. Functional connectivity as revealed by spatial independent component analysis of fMRI measurements during rest. Hum Brain Mapp, 2004, 22(3): 165-178.

[11]Zhang H, Zuo XN, Ma SY, Zang YF, et al. Subject order-independent group ICA (SOI-GICA) for functional MRI data analysis. Neuroimage, 2010, 51(4): 1414-1424.

Preliminaryappficafionofresting-statefunctionalmagneticresonanceimaginginthehumanbrainfunctionmapping

MaoDewang,YuanJianhua,DingZhongxiang,DiXingbo,XuJianguo,ZhengJie
(Zhejiang Provincial People,s Hospital,Hangzhou310014,China )

R739.41；R445.2

A

1672-0024(2014)01-0048-03

毛德旺(1966-)，男，浙江温州人，本科，副主任技师。研究方向：磁共振功能成像

浙江省自然基金资助项目(编号：LY13H180016)