随着技术的进步，功能磁共振成像（fMRI）已成为脑疾病、认知神经科学等领域的重要研究手段。思影科技紧随潮流，推出了一系列fMRI数据处理培训课程，广受相关领域研究者们的好评。在解决研究者们学习需求的同时，科研合作也变得日趋重要。为此，思影科技推出fMRI数据处理服务，以更好地协助解决大家面临的科研问题，如感兴趣请联系杨晓飞siyingyxf或18983979082（微信号）进行咨询，电话：18580429226
一、数据质量检查
好数据是好结果的前提，思影科技会对您的数据进行细致的检查，提高科研结果的严谨性。
主要包括：扫描参数检查，包括TR、体素大小、扫描时长等参数，确保参数合适与统一；图像伪迹检查，包括鬼影、变形、信号spike等；其他检查，包括前n个时刻的图像是否稳定、图像是否缺损等。对于可能发现的数据质量问题，思影将提供合适的参考意见。也可帮助客户进行扫描参数的设计。
图示：典型伪迹
二、数据预处理
不同的数据分析有不同的预处理要求，思影科技会根据您的需求确定合适的预处理步骤，最大程度降低数据噪声。
主要包括：
时间层校正（slice timing），通过插值等数学方法保证一个扫描周期内各层扫描时间的统一，以满足后续处理的要求；
头动校正（head motion correction/ realign），评估被试头动状况，并调整因此造成的不同时刻的图像错位；
空间标准化（spatial normalization），通过一步/两步配准法，将被试功能图像配准到标准脑模板，以保证所有被试图像对齐，便于后续统计；
空间平滑（spatial smoothing），以高斯平滑核进行空间卷积，降低空间标准化造成的图像噪声。
其他降噪步骤：消除线性趋势（detrend），消除由于机器发热、脉搏等因素造成的信号漂升；滤波（filtering）,过滤高频、超低频的噪声信号；回归噪声协变量（nuisance regression），消除白质、脑脊液、头动参数等的影响；Scrubbing，消除全脑信号/头动过大的时间点的数据的影响。
注：预处理步骤需根据后续分析的指标做适当的调整，包括增删步骤，调换步骤顺序等；对于预处理过程中发现的不合格被试（头动过大、空间标准化失败等），也将给您提供及时反馈。
三、常规静息态fMRI指标分析
常规指标可以反映大脑基本的活动状况、脑区间的联系强度等，一些脑疾病患者，在这些常规指标上便可能产生异常的变化。
（1） 指标计算。主要包括：
低频振幅（ALFF/fALFF），可反映大脑局部活动强度；局部一致性（ReHo），可反映大脑局部BOLD信号的一致性；
功能连接（FC），可反映脑区间的功能联系强度；
体素镜像同伦连接（VMHC），可反映左右半球对侧脑区间的联系等。以上功能指标可进行合适的标准化处理，如除均值标准化、z-score标准化、Fisher’s z变换等。
功能连接密度（FCD），用以衡量大脑每个位点（体素）与其他位点（体素）之间的联系程度。
注：功能指标包括但不限于上面描述；不同的指标具有不同的标准化方式，通常只选择其中一至两种。
ALFF
REHO
voxel-wise FC
ROI-wise FC
FCD
图示：常规功能指标ALFF、ReHo、voxel-wise FC、ROI-wise FC、FCD的计算（依次序展示）
（2） 统计。
根据客户的实验设计，采用合适的统计方法。主要包括：T检验，包括单样本T检验、双样本T检验、配对T检验等；方差分析（ANOVA），包括单因素方差分析、重复测量方差分析、双因素方差分析、多因素方差分析等；相关分析，功能指标与临床/心理量表的相关性分析与检验。
多重比较校正，包括：体素水平（voxel-level）的FWE/FDR校正，团簇水平（cluster-level）的FWE/FDR校正，高斯随机场（GRF）校正，Alphasim校正等。
（3）结果可视化。可选：切片视图（slice view），将结果以不同视角分层面展示；渲染视图（render view），将结果以3D立体化的方式展示。
图示：切片视图（左）与渲染视图（右）
注：统计方法与可视化方法可根据您的要求进行选择。
四、Task-fMRI数据处理：
如果您更关注给定任务的情况下，受试者的大脑会如何反应，脑区间的联系会产生何种变化，那么，思影提供的任务态数据分析，是您的不二之选。
（1）激活分析。基于您的任务态实验设计，构建一般线性模型（GLM），设定合适的对比矩阵，查看由任务激活的脑区。组水平统计：包括T检验、方差分析、相关分析等，可进行多重比较校正（参考常规fMRI指标统计）。
（2）生理心理交互分析（PPI）。基于您的任务态实验设计，分析不同状态下感兴趣脑区间联系的变化。
（3）有效连接分析。可分析激活脑区间的因果联系。主要包括：动态因果模型分析（DCM），基于Friston等人提出的动态因果模型，并结合您的实验假设，刻画激活脑区之间的因果、促进/抑制关系；格兰杰因果分析（GCA），基于多变量自回归模型（MVAR），刻画激活脑区之间的因果关系。
图示：动态因果模型（DCM）
（4）任务态MVPA分析。基于机器学习方法，对神经状态进行解码。主要包括：基于SVM、LDA等模型的解码；表征相似性分析（RSA）等。主要进行的是分类问题的解决，由于RSA分析和MVPA分析对于实验设计有着比较高的要求，建议如果想做此类分析，在实验设计前与我们联系，帮助您从更好的数据处理角度出发，进行实验设计的处理和优化。
图示：MVPA解码分析示例
图示：MVPA分析方法的流程示意图
图示：RSA分析方法的流程示意图
（5）结果可视化（参考常规fMRI指标可视化）
图示：RSA可视化例子
五、独立成分分析（ICA）
默认模式网络（DMN）的发现，推动了fMRI领域的研究。独立成分分析这种数据驱动的方法，为大家打开了一个看待脑功能活动的新视角。
（1）独立成分分解。基于Infomax等算法，将大脑活动分解成一系列子网络（比如默认模式网络、执行控制网络等）。
图示：基于ICA分解出的部分独立成分
（2）ICA空间分析。提取被试的感兴趣的独立成分（比如DMN），比较差异。组水平统计可选：T检验、方差分析；并进行多重比较校正（参考常规fMRI指标可视化）。
（3）FNC/dFNC分析。以独立成分为单位，计算独立成分之间的功能连通性。可进行：聚类分析，将独立成分之间的连接状态聚类成几个类别，来分析其动态特性，包括平均居留时间（MDT）、状态个数、状态转换次数、状态转移矩阵等；连边分析，比较特定状态下的连边差异。
图示：独立成分之间的FNC
（4）结果可视化。ICA空间分析结果可视化参考常规fMRI指标可视化；FNC结果可使用圈状图可视化。
六、脑连接组（脑网络）数据分析
研究者们越来越认识到，大脑是一个整体，而认识这个整体的一种方式，是把大脑视为由不同节点构成的脑网络。
（1）静息态功能脑网络的构建。基于适当的脑图谱（如AAL atlas），计算所有脑区间的功能连接，构建脑网络。
（2）图论指标分析。图论（graph theory）是分析脑连接组的有力数学工具，图论指标可以刻画脑网络的整体行为或者局部行为。可以计算的图论指标有：
全局指标：小世界属性（small-world）、最短路径（shortest length）、集聚系数（clustering coefficient）、全局效率（global efficiency）、局部效率（local efficiency）、同配性（assortativity）、同步性（synchronization）、层级性（hierarchy）等。
局部指标：节点效率（nodal efficiency）、节点局部效率（nodal local efficiency）、节点度中心性（nodal degree centrality）、节点介中心性（nodal betweenness centrality）、节点集聚系数(nodal clustering coefficient)、节点最短路径（nodal shortest length）等。
（3）连边分析:
1. 直接比较不同群体的脑连接组的差异，基于NBS校正方法，可以识别异常的脑网络连通成分；
2. Rich-club分析，分析脑网络是否具备Rich-club属性，挑选出脑网络中的核心脑区，计算核心脑区、非核心脑区内部及其之间的连接强度；
3. 模块化连边分析，将脑网络划分为若干个内部联系紧密的模块，计算模块间的连接强度。
图示：小世界属性、模块化分析、Rich-Club分析
（4）动态脑网络分析。通过加窗的方式，构建随时间变化的动态脑网络。后续可进行：聚类分析，将脑网络聚类为若干个状态，可分析特定状态的组间差异，也可分析状态指标，如平均居留时间（MDT）、状态个数、状态转换次数、状态转移矩阵等；频谱分析，分析动态脑网络的频谱能量活动。
图示：动态脑网络构建与聚类
（5）多层网络分析。主要包括：图论指标变异分析，可分析图论指标的波动变化程度，衡量其随时间是否稳定；多层网络的模块化、切换状况等。
图示：多层网络分析——图论指标的变异
（6）统计。上述图论指标可以进行统计分析（T检验/方差分析/相关分析等），必要时进行多重比较校正（FWE/FDR校正等）。
（7）结果可视化。根据不同的分析方法，选择合适的可视化方法：bar图、点线图、圈状图、Muxviz多层网络可视化等。
注：本节中的动态脑网络分析与dFNC分析类似，但尺度更小、更精细。
七、多模态数据融合分析
随着磁共振领域研究的不断增多，单一模态的分析已不具备足够的说服力，基于多模态数据的分析，可能使您的研究脱颖而出，受到同行的认可和青睐。
（1）多指标耦合分析。基于回归模型，分析不同模态指标的耦合程度（如前述常规fMRI指标与脑血流的耦合）。
（2）典型相关分析（CCA）。基于多模态CCA框架（mCCA），融合功能磁共振（fMRI）、结构磁共振（sMRI）、脑电（EEG）等模态数据，估计出一系列融合成分，并对成分做统计分析。
图示：多模态数据融合模型(mCCA)
注：其他模态的指标计算，请关注思影科技其他模态的数据处理业务介绍。
八、脑影像机器学习分析
医学研究人员想知道，哪些神经影像生物标记，可以帮助区分病人/健康人？认知研究人员想知道，哪些脑区的指标可以区分不同的心理状态？基于脑影像的机器学习分析，或许可以帮助大家找到答案。
（1）基于体素的MVPA分析。基于常见的功能指标，构建机器学习模型，实现对不同群组的分类以及对量表得分的预测。常见的功能指标包括：ALFF、ReHo、FC等；常见的机器学习模型包括：支持向量机（SVM）、线性判别分析（LDA）、Logistic回归、随机森林（Random Forest）、RVR、Elastic Net等。
（2） 基于脑网络的机器学习分析。基于脑连接组数据，同样可以提供上述分类/回归分析（参见（1））。此外，思影科技可以提供脑网络特有的预测模型，即CPM分析。
（3）结果可视化。基于体素的MVPA分析可以提供权重图，以展示对分类/回归贡献较大的脑区；基于脑网络的机器学习分析可以提供点线图和圈状图。
注：功能指标、机器学习模型包括但不限于上面描述。
九、定制化分析
阅读了一篇经典论文，在大呼过瘾的同时，是否期望把先进的方法组合应用在自己的研究？思影科技可以为您提供定制化分析服务。
（1）分析方法可定制。思影科技可根据您提供的模板文献，基于您的实验数据，实现文献中使用的数据分析方法。此外，未列出的分析方法，只要在思影科技的能力范围内，尽力实现您的想法。
（2）分析代码可定制。在没有现有的软件适用于您的数据分析需求时，思影科技会与您协商，通过编写代码实现您的想法，并提供代码的完整实现。
如对思影课程感兴趣也可微信号siyingyxf或18983979082咨询。觉得有帮助，给个转发，或许身边的朋友正需要。请直接点击下文文字即可浏览思影科技其他课程及数据处理服务，欢迎报名与咨询，目前全部课程均开放报名，报名后我们会第一时间联系，并保留名额。
更新通知：第十届脑影像机器学习班（已确定）