靜息態功能磁共振成像在腦功能區定位中的初步應用

毛德旺，袁建華，丁忠祥， 狄幸波， 徐建國， 鄭稢

(浙江省人民醫院，浙江 杭州 310014)

·基礎與臨床研究·

靜息態功能磁共振成像在腦功能區定位中的初步應用

毛德旺，袁建華，丁忠祥， 狄幸波， 徐建國， 鄭稢

(浙江省人民醫院，浙江 杭州 310014)

目的：探討靜息態功能磁共振成像在腦功能區定位中的應用價值。方法對33例非腦腫瘤病例在Siemens Trio 3.0T 磁共振儀上進行靜息態腦功能成像(resting-state fMRI, R-fMRI))，并對R-fMRI數據采用新的獨立成分分析(Subject Order-Independent group ICA，SOI-GICA)處理。結果33例中，已最多能夠提取19個RSFC網絡(丘腦核團，突顯加工網絡，高級運動區，初級運動區，聽覺，背側注意網路，腹外側運動皮層，初級視覺，高級視覺，小腦，高級視覺，雙側額顳網絡(語言相關)，默認網絡后部，默認網絡，默認網絡后部，額頂網絡，右側額頂網絡，工作記憶，左側額頂網絡)。結論R-fMRI能較穩定地提取出多個大腦功能網絡，包括初級感知覺網絡(運動、聽覺、視覺網絡)和高級認知功能網絡(語言、注意、執行控制、工作記憶、默認網絡)，可為神經外科手術計劃的制定提供更加豐富的信息。

靜息態；功能磁共振成像；獨立成分分析；功能連接

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

在神經外科手術過程中，正確辨認大腦皮層功能區至關重要。 1937年Penfield和Boldery提出了直接使用皮層電刺激描繪相關功能區的方法，但無法探及深部皮層，術野暴露過大。任務態腦功能成像(functional MRI, fMRI)，可有效地彌補術中定位的缺陷[1]，但仍存在以下問題：部分患者難以配合導致功能定位失準；僅能定位少數功能區如運動、語言區；多次檢查其結果穩定性差，不利于術后對腦功能區保留及損傷情況復查。本文在Siemens Trio 3.0T 磁共振儀上利用靜息態腦功能成像(resting-state fMRI, R-fMRI)配合獨立成分分析(Independent Component Analysis，ICA)對33例非腦腫瘤病例提取腦功能區進行初步應用。

1 材料與方法

1.1 臨床資料

33例來本科行頭顱MRI檢查且身體各方面狀況較良好的病例，男15例，女18例，最大年齡84歲，最小年齡18歲，平均年齡48歲。

1.2 MR成像方法

采用Siemens Trio 3.0T 磁共振儀，雙通道相控陣頭顱CP線圈。受檢者仰臥，頭顱擺放并固定在頭顱CP線圈中，囑全身放松，保持安靜和清醒，閉上雙眼。全腦EPI-BOLD功能像：TR2000ms,TE 30ms, 層厚3.2 mm,層間隔0.8 mm, 層數31層,矩陣64×64, FOV 220×220 mm, 反轉角90°，掃描時間484s。全腦高分辨率3D-T1-MPRAGE像：TR8.5 ms ，TE3.2 ms,反轉角15°, FOV 250×250mm, 矩陣256 × 256, 層數176層，層厚1mm。

1.3 數據分析和處理

R-fMRI 數據經過SPM8 軟件進行預處理(slice timing, realignment, 2mm 空間平滑)。然后進入基于SOI-GICA(Subject Order-Independent group ICA)的MICA軟件進行個體水平的獨立成分分析(ICA)，SOI-GICA 計算分3個步驟：生成多個不同的“有效SCO”，對每個生成的有效SCO進行TC-GICA分析，整合多次TC-GICA結果。以成分數10～100 分別計算靜息態功能連接 (Resting-State Functional Connectivity, RSFC)網絡。將所得各腦功能區彩圖與全腦高分辨率3D T1三維重建圖融合，即得各腦功能區三維定位圖。

2 結果

33例R-fMRI數據通過SOI-GICA算法分析。運動、視覺、聽覺、語言、工作記憶、默認網絡等功能網絡全部病例能提取，丘腦核團能提取23例，突顯加工網絡能提取12例，額頂網絡能提取9例，背側注意網路能提取11例，小腦網絡能提取3例。本組最多能同時提取19個主要的RSFC網絡(丘腦核團，突顯加工網絡，高級運動區，初級運動區，聽覺，背側注意網路，腹外側運動皮層，初級視覺，高級視覺，小腦，高級視覺，語言，默認網絡后部，默認網絡，默認網絡后部，額頂網絡，右側額頂網絡，工作記憶，左側額頂網絡)，包括初級及高級腦功能網絡系統。

3 討論

人腦在清醒的靜息態下，接受心輸出量的11%，雖然腦僅占體質量的2%，但卻占全身總耗氧量的20%[2]。腦在休息狀態下全部能量的80%被用于參與谷氨酸鹽循環和神經元的信號處理，提示在靜息狀態下存在明顯的功能活動[3]。

1995年，Biswal[4]等人首創性地提取了靜息態BOID信號中的低頻成分(<0．1Hz)，并對其進行了分析，發現：人腦左右半球的感覺運動皮層的BOID信號低頻振幅(1ow frequency fluctuations，LFF)存在顯著的相關性，并認為，這種相關性可以作為在靜息狀態下感覺運動皮層間存在功能連接的一個證據。更多的研究發現靜息狀態下BOLD低頻振幅信號的同步性廣泛地存在于運動[4,7]、語言[6,8]、聽覺[6,7]、視覺[5,7]等系統及網絡中。由此可以推測：大腦在靜息狀態下的功能活動是有其特定的規律和組織方式。這些研究成果使得靜息狀態下腦功能成像研究成為近年來神經影像學領域的熱門方向之一。

靜息態腦功能成像(R-fMRI )是將fMRI 結合“靜息態”實驗范式的一種成像方式。靜息態指被試在掃描中安靜躺下，全身放松，保持清醒，不進行系統的認知活動，不參與實驗任務。R-fMRI 信號被認為反映了大腦的自發的神經活動，并可能與警覺、記憶鞏固有關。大量研究均涉及靜息態功能連接 (RSFC)。RSFC 刻畫了在靜息狀態下，不同位置的腦區的低頻活動存在同步性這一現象，已在運動、體感、聽覺、視覺系統，以及更高級的語言注意、默認網絡等功能系統中發現。

R-fMRI數據分析和處理目前報道較多的是采用種子點相關RSFC分析, RSFC定位結果嚴重依賴于種子點的位置及選取方式，對于有的功能區(如語言區)，種子點位置的確定因被試差異較大而實現困難。對于非對稱功能系統(如語言區)定位，由于腫瘤占位導致病灶側種子點選取極為困難。如依賴標準坐標進行種子點定位，又存在腫瘤fMRI圖像配準難的問題。定位不同功能系統需設多個種子點，則進一步增加了難度。因此，目前的研究還基本局限于感覺運動區，其他也同樣需要保護的重要的功能區卻很少涉及。獨立成分分析(ICA)是一種非常有效的數據驅動的腦成像數據多元分析工具[9]，可有效克服種子點相關方法的上述局限，于2004年成功應用于基于R-fMRI數據的RSFC網絡提取[10]，已經被證明能夠較穩定地提取出多個大腦功能網絡并應用于基礎和臨床研究。本研究采用的是新近提出的SOI-GICA 算法[11]，克服了ICA 計算結果隨機性的問題，它能讓研究者在有限的時間和有限的計算資源的情況下，得到更穩定、準確、可靠的多個RSFC 計算結果。

利用R-fMRI操作簡便、信噪比高、適應性強的優勢，再配合使用新的SOI-GICA算法，穩定地提取出多個大腦功能網絡，包括初級感知覺網絡(運動、聽覺、視覺網絡)和高級認知功能網絡(語言、注意、執行控制、工作記憶、默認網絡)，本組實驗已初步提取人腦19個功能網絡。隨著實驗的進一步深入，可能會有更多的人腦功能網絡被證實能夠穩定地提取，將來應用于腦腫瘤多功能系統術前綜合定位，為神經外科手術計劃的制定提供更加豐富的信息，有助于神經外科醫生制定最佳手術計劃，減少術后并發癥，最大限度提高腦腫瘤患者術后的生活質量。

[1]毛德旺,袁建華,丁忠祥,等.3.0T磁共振腦功能成像對額頂葉腫瘤神經微創手術的應用價值[J].醫學影像學雜志，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]張龍江,楊桂芬. 靜息態腦功能成像的研究與進展[J]. 國外醫學臨床放射學分冊.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，浙江溫州人，本科，副主任技師。研究方向：磁共振功能成像

浙江省自然基金資助項目(編號：LY13H180016)