編者按：
受美國神經影像學權威期刊AJNR雜志邀請，此篇綜述由首都醫科大學附屬北京友誼醫院呂晗醫生書寫，王振常教授把關，多位國內外權威專家修改，美國神經影像學會主席（ASFNR）、斯坦福大學Max Wintermark教授審校，2018年發表。內容基礎、充實、易懂，一年多來已經被國內外引用超過50次，已經成為部分單位開展相關研究的“教科書式”入門指南及“方法學進階”查閱手冊。翻譯為中文，請同行參考。
引用：
Lv Han#,Wang Zhenchang, Elizabeth Tong, Leanne M Williams, Greg Zaharchuk, MichaelZeineh, Andrea N. Goldstein-Piekarski, Tali M. Ball, Liao Chengde, MaxWintermark*. Resting-StateFunctional MRI: Everything That Nonexperts Have Always Wanted to Know. AmericanJournal of Neuroradiology (AJNR), 2018, 39(8), 1390-1399.
血氧水平依賴性功能磁共振（BOLD-fMRI）是近些年來比較熱門的一種腦功能研究方法，它的成像基礎為神經元被激活后，局部腦血流量及氧合血紅蛋白增加，氧合/脫氧血紅蛋白比例發生變化，導致局部磁化率變化而被磁共振（MR）檢測。
BOLD-fMRI包括任務態和靜息態（rs-fMRI）。rs-fMRI不需要受試者執行特定任務或接受某種刺激，更適用于神經外科疾病、精神病以及兒科患者，近年來在臨床研究中應用越來越廣泛。
為了更容易地理解，可以將人的腦圖（Brain map）形象地比做地圖（map）�？吹貓D時，我們會關注“城市”（cities）以及連接城市的“高速路”(highways)。類似的，在分析腦活動時，也可關注腦的局部活動及不同腦區之間的功能連接。
因此，rs-fMRI數據分析方法大致分為兩種類型：功能分離（functional segregation）和功能整合（functional integration）。功能分離主要關注各不同腦區自身功能，功能整合則將大腦活動集成為相互連接的網絡，主要關注不同腦區之間的交互。但從大腦的本身結構出發，但看功能分離或者功能整合都是不足以完整理解大腦，必須將腦區的特異性和不同腦區的連通性整合在一個框架下進行分析，這就是圖論分析。雖然圖論分析也有節點和連接的不同指標，但是“圖”和“網絡”的表征使得的功能分離和功能整合可以被有機結合在一個框架下，能夠更加系統的出發進行研究。
功能分離
功能分離是根據認知功能的差異將大腦分成不同的腦區，這種思路最早來源于解剖學，尤其對腦疾病病人的解剖發現，疾病中出現的一些行為特征如失語、失動或者震顫等都在大量同質病人的腦解剖中被發現在鄰近腦區。后來在任務態功能磁共振的發展中出現了大量的研究工作，對大腦中多個執行功能和認知功能進行了細致的定位工作，如視覺初級、高級皮層，聽覺初級、高級皮層，軀體感覺皮層，語言功能定位的Broca區、Wernick區等等。
在靜息態功能磁共振研究中，具有較好的可重復性和較為明確生理意義的指標主要有兩種，分別是低頻振蕩振幅（ALFF）和局部一致性（regional homogeneity, ReHo）。它們反映的是局部腦活動（“城市”），不顯示不同腦區之間的功能連接（“高速路”）。盡管兩種分析結果有很多相似之處，但反映的內容是不同的，兩種方法相結合可得到更多的信息。
（1）低頻振蕩振幅（ALFF）分析
ALFF值與局部神經活動強弱相關，常用于測量0.01 - 0.1 Hz 頻率范圍內的BOLD信號，分數低頻振幅（fractional ALFF，fALFF）也是常用分析方法，即ALFF值除以整個頻段ALFF值得到（形象而言，分別反映城市中交通壓力的絕對值、相對值）。
ALFF的生理意義已經獲得了大量的探索，在一定程度上可以分不同的頻段得到解釋。一般認為：
1)頻率在0.010到0.027Hz之間可以反映皮層神經元的活動
2)頻率在0.027到0.073Hz之間可以反映基底神經節的活動
3)頻率在0.073到0.198Hz之間和0.198到0.250 Hz之間分別與生理噪聲和白質信號相關
優點：基于體素的分析方法，無需先驗假設，分析簡單，短期/長期（長達6個月）的穩定性和可重復性好；相較于ALFF，fALFF反映灰質信號更具特異性，但重復性略低。也可將ALFF和fALFF相結合進行分析研究。
可參考(直接點擊）：
《大話腦成像》系列之九 —— 由 ALFF 說開去
（2）局部一致性（ReHo）分析
ReHo描述的是某個體素與周圍相鄰體素時間序列的同步性（形象而言，反映城中心和周圍之間交通活動的同步性）。ReHo值越高，代表局部體素與鄰近體素的一致性越好，但并不一定說明局部神經活動越顯著。
ReHo通常在低頻范圍內計算，通常在0.01 Hz到0.1Hz之間。它可以細分為不同的頻帶。低頻率(0.01 -0.04 Hz)的Reho對皮層活動更敏感。在不同的頻帶上，ReHo測量的確切生物學意義還有待進一步探索。幾項研究表明，在不同的神經條件下，ReHo變化的頻率依賴性是會發生改變的。
在ReHo和ALFF的分析中，出現ALFF和ReHo重疊的區域，代表這些區域不僅在同一時間頻率上活動，而且與相鄰的體素同步活動。這種表現意味著這些區域不僅是活躍的，而且還涉及到一個相對較大的神經元群。因此，兩個指標雖然指向不同，但在分析過程中互相配合使用，是可以獲得更好的解釋力的。
優點：基于體素的分析方法，同樣無需先驗假設，穩定性和可重復性好。
缺點：結果的生理意義有待深入分析。
200例健康志愿者ALFF和ReHo分析結果。
ALFF與ReHo的分析結果均可用于反映大腦的局部神經活動特征，異常腦區可作為ROI進行下一步的功能連接分析。
功能整合
不同于功能分離，功能整合應當是實現人類認知任務的唯一途徑，大腦的各個腦區并不是孤立工作的，而是互相配合、各有權重的網絡。功能整合的分析著重于分析不同腦區之間的功能連接（“城市間的高速路”），目前常用的分析方法包括度功能連接度（FCD）分析，基于種子點的功能連接分析，獨立成分分析（ICA）和基于圖論的腦網絡分析（Graph Analysis）。
（1）度功能連接度（FCD）
FCD通過計算中某個體素與其他體素之間的BOLD時間序列的相關性，顯示該體素的功能連接強度（即高速路的“樞紐”），而非具體的連接路徑。還可以75mm為界，計算短距離和長距離FCD。短程FCD是通過對每個體素和其周圍75 mm范圍內的體素之間的時間序列進行相關分析來測量的。短程FCD可以反映該體素周圍的區域Bold功能連接程度。長程FCD是全腦FCD減去短程FCD的結果，可以反映長距離功能連接程度。優點：基于體素的分析方法，分析方法簡單，無需先驗假設；缺點：不顯示連接路徑；可重復性一般。
200例健康志愿者FCD分析結果。
（2）基于種子點的功能連接分析（Seed-based FC）
計算某種子點與大腦其它所有體素（voxel）或感興趣區（ROI）之間的BOLD時間序列相關系數，以得出各腦區（“城市”）間的功能連接（“高速路”）。種子點或ROI可以是基于先驗假設或其他文獻結果，也可以基于ALFF、ReHo或FCD的結果。
基于種子點的分析目前已經發展成為了功能連接分析一個主要的技術手段，種子點的選取往往是這類研究的重點。在這種思路下，全腦分析也可以基于種子點實現。并且在現在希望能夠研究不同腦區的有向腦網絡或者網絡信息因果關系的大背景下，基于種子點的分析具有能夠和先驗假設配合的優勢，相比于其他方法在探究動態變化和因果關系的研究中具有更廣闊的前景。
優點：簡單易懂，結果直觀；
缺點：需要先驗信息定義種子點，因此會引入主觀因素；結果會根據種子點的不同而發生變化，因此不可避免存在選擇偏倚。
200例健康志愿者基于種子點的功能連接分析結果，以后扣帶回作為種子點。顯示軟件：BrainNet Viewer (http://www.nitrc.org/projects/bnv/)。
可參考（直接點擊）：
《大話腦成像》系列之十四 -- 功能連接
（3）獨立成分分析（ICA）
利用盲源分離的方法，分離出空間上相互獨立、時間序列相關的功能網絡，通常分離出的幾種靜息態腦網絡包括但不限于：默認網絡，聽覺網絡，突顯網絡，執行控制網絡，視覺網絡，感覺運動網絡，背側視覺網絡（額頂注意網絡）等。在當前，基于ICA的腦網絡分析和動態腦網絡分析是研究方法的熱點之一，受到許多研究者的青睞。優點：不需要先驗假設，是一種數據驅動的分析方法；可提取受試者所有可識別的網絡進行分析，結果更豐富，且重復性好。缺點：結果可能存在非特異性，部分結果也可能是因為脈搏或呼吸而導致的，因此部分結果有時難以解釋。且ICA只能顯示腦網絡，而不顯示不同腦網絡之間的連接。
200例健康志愿者ICA分析結果。
A，默認網絡 B，聽覺網絡 C，內側視覺網絡 D，外側視覺網絡 E，感覺運動網絡 F，楔前葉網絡 G，背側視覺網絡（額頂注意網絡） H，基底神經節網絡 I，執行控制網絡 J，視覺空間網絡
可參考（直接點擊，即可瀏覽）：
大話腦成像之獨立成分分析
（4）圖論分析
圖論已被廣泛用于研究復雜網絡的屬性，描述了大腦在局部和整體進行高效且有序的信息傳遞，為分析腦網絡的拓撲結構提供了理論框架。分析的關鍵參數包括聚類系數（Clustering coefficient）、特征路徑長度（Characteristicpath length）、節點度（Node degree）、中心度（Centrality）、模塊度（Modularity）等�？蛇M行全腦網絡分析，亦可對某個腦網絡開展針對性分析。
在當下的圖論分析中，圖論指標的變化是很靈活的。隨著研究人員對圖論方法和其背后的生理意義的理解的加深，在不同的研究中已經變化出了很多指標。并且多層網絡方法也是得益于圖論分析發展起來的，因此，圖論方法的掌握對更高階段的數據挖掘和探索是必要的。
優點：利用現有軟件可自動分析（GRETNA，http://www.nitrc.org/projects/gretna），無需先驗假設，結果偏差較��；
缺點：結果不直觀，需要豐富的理論基礎，有時解釋困難。
節點和邊是圖論的基礎，例如根據AAL模板，大腦包含116個節點，邊代表節點之間可能存在的功能連接。可參考（直接點擊瀏覽）：
《大話腦成像》系列之十五——淺談小世界網絡
近年來，還有學者提出“chronnectome”（時間連接組學）的概念，認為大腦網絡的空間特性是隨時間而不斷發生改變的，它與其他大腦網絡的關系也隨之改變。形象而言，在MR數據采集的幾分鐘時間里，連接“城市”間高速路上的“交通狀態”（信息傳遞）是動態變化的�；谠摾碚�，多位學者已經針對健康被試及不同患者開展最新研究，并得到了非常有價值的成果。Rs-fMRI分析方法越來越多，不同方法間相互優勢互補。了解每種分析方法的優缺點，根據需求綜合應用，才能更好地實現研究目標。�？蒲谐晒�！
請微信搜索“思影科技”關注我們，關注我們的公眾號，獲得更多精彩腦科學內容，如需原文或對思影科技課程感興趣請添加微信號siyingyxf或19962074063
歡迎瀏覽思影的數據處理課程以及數據處理業務介紹。（請直接點擊下文文字即可瀏覽思影科技其他課程，歡迎添加微信號siyingyxf或19962074063進行咨詢，仍接受報名，受疫情影響部分課程時間或有調整，報名后我們會第一時間聯系）：
第六屆任務態fMRI專題班（重慶4.8-13）
第二十八屆磁共振腦影像基礎班（重慶2.24-29）
第十四屆磁共振腦網絡數據處理班（重慶3.18-23）
第二十屆腦電數據處理中級班（重慶3.7-12）
第二十九屆磁共振腦影像基礎班（南京3.15-20）
第十五屆磁共振腦網絡數據處理班（南京4.13-18）
第十屆腦影像機器學習班（南京3.3-8）
第六屆小動物磁共振腦影像數據處理班(3.27-4.1)
第十二屆磁共振彌散張量成像數據處理班（南京3.21-26）
第九屆磁共振腦影像結構班(南京2.26-3.2）
第八屆腦電數據處理入門班（南京3.9-14）
第七屆眼動數據處理班（南京4.9-13）
第七屆近紅外腦功能數據處理班(上海4.2-7）
思影數據處理業務一：功能磁共振（fMRI）
思影數據處理業務二：結構磁共振成像(sMRI)與DTI
思影數據處理業務三：ASL數據處理
思影數據處理業務四：EEG/ERP數據處理
思影數據處理服務五：近紅外腦功能數據處理
思影數據處理服務六：腦磁圖（MEG）數據處理
招聘：腦影像數據處理工程師（重慶&南京）
