基于模型的功能磁共振成像方法研究阐述.docVIP

基于模型的功能磁共振成像方法研究阐述 　　引言 　　20世纪90年代末，出现了功能磁共振成像(functionalmagneticresonanceimaging，fMRI)技术。由于它具有无创、相对高的空间分辨率、通过计算和统计能定位脑功能区等特点，已经被广泛应用于临床、心理学以及认知神经科学等研究领域。然而，随着研究的深入，单纯进行脑功能定位已经不再能够满足神经影像的研究需要，激活脑区在功能活动中的具体作用，以及某个功能活动是否还涉及到隐含的未知脑区，更加值得研究者的关注。由于现有fMRI数据分析不能量化内部参数，存在不能描述功能活动具体过程的局限性，所以引入描述内部变量和变化过程的计算模型，结合fMRI数据进行分析，成为了一种改进选项。随着标准模型的出现和可供选择模型的增多，使得各种模型和fMRI数据结合起来进行分析成为了可能。 　　从2003年开始，基于模型的fMRI方法(model-basedfMRIapproach)得以迅速发展。它是近10年来备受关注的神经影像分析方法，其目标是通过计算模型内部变量和某个特定脑区活动的关联性，使模型能够真实地反映某个功能活动。与传统fMRI数据分析不同，基于模型的fMRI方法能够深入探知在一个特定的脑区以及脑区环路中如何具体实现一个特定的功能活动，而不仅仅是标识某个任务活动的最终激活脑区。 　　首先，与传统的fMRI数据分析相比，基于模型的fMRI方法由于具有规范的数学表达描述，使得其能够量化所研究的特定功能活动过程。其次，传统的fMRI试验过程包括组块设计、事件相关设计、混合设计，而基于模型的fMRI方法更多需要借用事件相关和基于试验(trial)的方法来设计实验过程。再次，基于模型的fMRI方法可以在几个竞争计算模型中选择有着最佳数据解释的模型来提高其可信度。在时间精度上，由于模型可以自行定义时间步长(以ms或更小的时间间隔为单位)，所以即使是更为复杂的实验设计过程(如反应时更短的心理学试验)，也完全可以构建相应的计算模型。最后，这些模型以反复试验为基础来确定特定的内部变量，基于模型的fMRI方法是利用模型的内部变量而非模型的输出来进行预测的，这为探究认知过程或功能活动的神经生物学解释提供了直接证据。 　　1基于模型的fMRI方法的一般步骤 　　基于模型的fMRI方法的标准步骤是:先通过模型拟合行为数据来确定模型自由参数，然后对生成的模型预测时间序列进行回归，于是就可以找到大脑活动与这些内部变量相关的脑区。这整个过程能够揭示模型的内部变量和它们对神经结构的映射关系，可以探索某个大脑功能的神经发生机理，从而研究行为背后的工作机制。 　　从广义上来说，基于模型的fMRI方法就是将许多认知功能的定量计算模型应用到fMRI数据分析中的神经影像方法。这个计算模型能够描述一组刺激输入和一组行为反应之间的映射或变换。可以把刺激输入和行为反应之间的关系理解成某一个认知过程，实际上这个方法就是对认知过程建立数学或计算模型。传统的fMRI实验将刺激任务设定为事件相关、组块设计和混合实验设计，要解决的问题是某个特定的实验条件引起血氧水平依赖(bloodoxygenleveldependent，BOLD)信号反应时激活脑区的位置。而基于模型的fMRI方法所要探知的是参与某个特定认知过程被激活的一个特定脑区或一组脑区，以及在这些脑区间是如何协作完成活动的，实现了大脑从功能定位到信息流向的转变，它揭示的是大脑内部感兴趣变量与神经影像数据之间的关联。 　　基于模型的fMRI方法，至少包括以下3个重要且重合的步骤。第一步，定义一个计算模型。认知过程的计算模型一般被描述为计算、算法和实现水平3个阶段。计算水平指定计算的最终目标;算法水平重在如何实现计算理论，也就是说如何指定输入和输出以及输入和输出之间通过怎样的数学运算实现;实现水平指定算法如何在基础的神经回路中实现。由于神经元活动是由血流动力学反应间接测量的，再加上所得数据绝对时空分辨率不高，所以大部分用于fMRI数据分析的计算模型都描述为计算或算法水平阶段。也就是说，这些模型都注重认知过程中使用的数学运算表达，而并不关心如何实现这些计算以及实现过程是否和实际的神经元结构紧密匹配。总之，为某个认知过程定义一个计算模型，就是使用内部变量、以数学形式来合理地描述认知过程，而且有些模型允许通过自由模型参数扩展。 　　第二步，确定自由模型参数。在选定一个认知过程的计算模型之后，就必须确定自由的模型参数，这对随后fMRI结果的解释是至关重要的。原则上，用于选择模型参数的具体值有以下两种方式:一是所选择的这些参数值需要符合模型预测对观测的行为数据的最佳拟合，使模型预测和行为数据之间的差异最小;二