張 政許永華楊利霞徐 林程 禹

?

頭動(dòng)相關(guān)噪聲對(duì)靜息態(tài)fMRI信號(hào)復(fù)雜度的影響

張 政1,2許永華2楊利霞2徐 林2程 禹1,2

【摘要】目的：應(yīng)用ApEn表示信號(hào)復(fù)雜度，探討頭動(dòng)相關(guān)噪聲對(duì)大腦靜息態(tài)fMRI信號(hào)復(fù)雜度的影響，以使rfMRI信號(hào)復(fù)雜度更準(zhǔn)確地反映大腦認(rèn)知能力。方法：計(jì)算“WU-Minn HCP”所提供38個(gè)個(gè)體兩期（REST1，REST2） rfMRI的“原始數(shù)據(jù)”“預(yù)處理后的數(shù)據(jù)”“預(yù)處理后再經(jīng)FSL+FIX降噪后的數(shù)據(jù)”的ApEn，將其按頭動(dòng)幅度從小到大編號(hào)排序得到FD-ApEn曲線，從1開始取連續(xù)7組數(shù)據(jù)計(jì)算標(biāo)準(zhǔn)差（1-7，2-8，…，70-76）得到FD-SD曲線。結(jié)果：原始數(shù)據(jù)（UNPROC）的FD-ApEn曲線隨頭動(dòng)幅度的增加有下降的趨勢(shì)，其FD-SD曲線在FD大于0.6后有上升的趨勢(shì)。FSL+FIX的處理使ApEn值增加，差異具有顯著意義（p＜0.05）。經(jīng)FSL+FIX處理后（CLEAN）的FD-ApEn曲線和FD-SD曲線的趨勢(shì)線都接近水平，預(yù)處理后（PREPROC）的曲線沒有這樣的改變。結(jié)論：頭動(dòng)相關(guān)噪聲引起了rfMRI信號(hào)ApEn值的減小，同時(shí)增加了個(gè)體間ApEn值的差異。FSL+FIX的處理可以去除頭動(dòng)相關(guān)噪聲引起的這種效應(yīng)，經(jīng)FSL+FIX處理后，rfMRI信號(hào)的復(fù)雜度可以更準(zhǔn)確地反映大腦認(rèn)知能力。

【關(guān)鍵詞】近似熵；頭動(dòng)相關(guān)噪聲；靜息態(tài)功能磁共振成像；復(fù)雜度

靜息態(tài)功能磁共振成像（resting-state functional magnetic resonance imaging，rfMRI）通過計(jì)算不同體素時(shí)間序列的相關(guān)性來評(píng)估該體素所代表腦區(qū)之間的相關(guān)程度［1］，可以在全腦呈現(xiàn)出一個(gè)隨時(shí)間變化的動(dòng)態(tài)網(wǎng)絡(luò)（resting-state networks，RSNs），在認(rèn)知功能障礙（如阿爾茨海默病，孤獨(dú)癥等）研究中已得到廣泛應(yīng)用［2］。相對(duì)于任務(wù)態(tài)的fMRI，rfMRI研究對(duì)噪聲更加敏感，結(jié)構(gòu)噪聲（如頭動(dòng)相關(guān)噪聲）對(duì)rfMRI信號(hào)產(chǎn)生的影響是非線性的，而且很難被有效去除［3-4］。近年來研究人員發(fā)現(xiàn)微小頭動(dòng)使相距較近的感興趣區(qū)（region of interest，ROI）之間相關(guān)性增強(qiáng)，相距較遠(yuǎn)的ROI之間相關(guān)性減弱，這種頭動(dòng)相關(guān)噪聲假說可以解釋部分“兒童-成年”“病人-對(duì)照”的組間差異［5］。與此同時(shí)，我們注意到熵作為一個(gè)衡量大腦認(rèn)知能力的指標(biāo)被廣泛研究［6］，大腦rfMRI信號(hào)的不確定性與復(fù)雜性可以用熵值來量化，借此熵可以通過評(píng)估rfMRI信號(hào)的復(fù)雜度來確定大腦的復(fù)雜度。rfMRI信號(hào)復(fù)雜度可能會(huì)受到頭動(dòng)相關(guān)噪聲的影響而不能準(zhǔn)確地反映大腦認(rèn)知能力，本研究將通過對(duì)“美國(guó)人類腦聯(lián)接組計(jì)劃”在標(biāo)準(zhǔn)條件下所采集rfMRI數(shù)據(jù)的頭動(dòng)相關(guān)噪聲分析，應(yīng)用ApEn表示信號(hào)復(fù)雜度，探討頭動(dòng)相關(guān)噪聲對(duì)大腦復(fù)雜度的影響。

方 法

1.數(shù)據(jù)來源

數(shù)據(jù)來自美國(guó)人類腦聯(lián)接組計(jì)劃“WUMinn HCP（Washington University-University of Minnesota Human Connectome Project Consortium， http：//www.nitrc.org/projects/ hcp_wuminn）”，該計(jì)劃由NIH的16個(gè)研究所和華盛頓大學(xué)的“McDonnell Center for Systems Neuroscience”提供支持［7］。HCP致力于闡明神經(jīng)元連接通路與腦功能之間的聯(lián)系，繪制大腦的功能網(wǎng)絡(luò)。年齡分布在20～35歲的38個(gè)正常個(gè)體的rfMRI原始數(shù)據(jù)（UNPROC）、預(yù)處理后的數(shù)據(jù)（PREPROC）、預(yù)處理后再經(jīng)FSL+FIX方法降噪后的數(shù)據(jù)（CLEAN）以及頭動(dòng)相關(guān)參數(shù)（root mean squared head position change movement，RMS movement）被選取用于頭動(dòng)相關(guān)噪聲的研究。

2.設(shè)備與方法

數(shù) 據(jù) 由 西 門 子 定 制 的3T“Connectome Skyra”MR系統(tǒng)在 （standard operating procedures，SOPs）標(biāo)準(zhǔn)下采 集，TR 720ms， TE 33.1ms，反轉(zhuǎn)角52°，層厚2.0mm，72層， 2.0 mm isotropic voxels，矩陣104×90， Multiband factor 8， Frames per run 1200。rfMRI數(shù)據(jù)的預(yù)處理過程包括利用FreeSurfer （http：//surfer.nmr. mgh.harvard.edu/fswiki/FreeSurfer） 針對(duì)梯度場(chǎng)的非線性進(jìn)行的變形校正，通過FSL-FLIRT （http：//fsl.fmrib.ox.ac.uk/fsl/fslwiki/）進(jìn)行6個(gè)自由度的頭動(dòng)校正，以T1WI為模板進(jìn)行的配準(zhǔn)，濾波，均一化等［8］。對(duì)結(jié)構(gòu)噪聲的進(jìn)一步處理采用牛津大學(xué)開發(fā)的一套基于獨(dú)立成分分析的噪聲自動(dòng)分離系統(tǒng)FSL+FIX （http：//fsl.fmrib.ox.ac. uk/fsl/fslwiki/FIX）實(shí)現(xiàn)［9］。頭動(dòng)絕對(duì)位移［10］的均值（movement absolute RMS mean）被用來表征頭動(dòng)幅度（framewise displacement， FD）大小。

3.數(shù)據(jù)分析

近似熵（approximate entropy，ApEn）用于評(píng)價(jià)時(shí)間序列的復(fù)雜度［11］，計(jì)算每個(gè)時(shí)間點(diǎn)采集volume 的SD值，這些值組成長(zhǎng)度為1200的時(shí)間序列，ApEn的值與m和r的取值有關(guān)，取m=2，r=0.2σ （σ是原始數(shù)據(jù)的標(biāo)準(zhǔn)偏差），通過MATLAB實(shí)現(xiàn)ApEn的計(jì)算。將38個(gè)個(gè)體兩期（LR-REST1，LRREST2）共76組數(shù)據(jù)按RMS Movement從小到大編號(hào)排序，分別繪制UNPROC、PREPROC、CLEAN 的ApEn值隨FD的變化曲線即FD-ApEn曲線，從1開始取連續(xù)7組數(shù)據(jù)計(jì)算標(biāo)準(zhǔn)差（1-7，2-8，…，70-76），標(biāo)準(zhǔn)差與7組數(shù)據(jù)頭動(dòng)幅度的平均值一一對(duì)應(yīng)，繪制FD-SD曲線。

4.統(tǒng)計(jì)學(xué)方法

使用SPSS軟件對(duì)預(yù)處理前后和FSL+FIX處理前后數(shù)據(jù)的ApEn進(jìn)行t檢驗(yàn)，P＜0.05表示差異具有顯著性。

結(jié) 果

如FD-ApEn曲線（圖1A）所示，隨FD的增加，經(jīng)預(yù)處理后即PREPROC的ApEn值逐步減小，其趨勢(shì)線呈下降的趨勢(shì)（斜率為-0.0044）；如FD-SD曲線（圖1B）所示，經(jīng)預(yù)處理后即PREPROC的ApEn值在FD大于0.60后，隨FD的增加ApEn的SD有增加的趨勢(shì)。

原始數(shù)據(jù)REST1的ApEn值為1.10±0.23，經(jīng)預(yù)處理后為1.14±0.23差異無顯著性，而經(jīng)FSL+FIX處理后為1.47±0.10，差異具有顯著性；原始數(shù)據(jù)REST2的ApEn值為1.12±0.24，經(jīng)預(yù)處理后為1.15±0.26，差異無顯著性，而經(jīng)FSL+FIX處理后為1.4±20.10，差異具有顯著性（表1）。FSL+FIX的處 理 后，隨FD（movement absolute RMS mean）的增加，如FD-ApEn曲線（圖1A）所示，CLEAN的ApEn值僅在微小范圍內(nèi)變動(dòng)，其趨勢(shì)線接近水平（斜率為-0.0004）；且在FD-SD曲線（圖1B）中，CLEAN隨FD的增加，其趨勢(shì)線也接近水平（斜率為0.0002）。

表1 預(yù)處理前后和FSL+FIX處理前后ApEn值的比較

圖1 橫坐標(biāo)為頭動(dòng)絕對(duì)位移的大小，縱坐標(biāo)為ApEn值和ApEn的標(biāo)準(zhǔn)差。黑色，藍(lán)色，紅色三條曲線分別代表經(jīng)預(yù)處理和FSL+FIX處理后的數(shù)據(jù)（CLEAN）、經(jīng)預(yù)處理后的數(shù)據(jù)（PREPROC）、原始數(shù)據(jù)（UNPROC）。A）FD-ApEn曲線。繪制CLEAN和PREPROC的線性趨勢(shì)線（UNPROC與PREPROC的趨勢(shì)線接近重合，圖中未標(biāo)注），其斜率分別為-0.0004和-0.0044。B）FD-SD曲線。依FD從小到大對(duì)76組數(shù)據(jù)編號(hào)排序，從1開始取連續(xù)7組數(shù)據(jù)計(jì)算標(biāo)準(zhǔn)差（1-7，2-8，…，70-76），標(biāo)準(zhǔn)差與7組數(shù)據(jù)頭動(dòng)幅度的平均值一一對(duì)應(yīng)。用二次函數(shù)y=9E-05x2-0.0057+0.2541對(duì)PREPROC曲線擬合，其極小值為（31，0.21），編號(hào)31對(duì)應(yīng)的FD為0.60。FD大于0.60后，隨FD的增加ApEn的標(biāo)準(zhǔn)差有增加的趨勢(shì)，而曲線CLEAN的趨勢(shì)線斜率為0.0002接近水平。

討 論

Sokunbi等［11］通過視覺信息處理任務(wù)的IT（inspection time）、MHT（moray house test）和RPM（Raven's Standard Progressive Matrices）對(duì)40個(gè)個(gè)體進(jìn)行了認(rèn)知能力的評(píng)價(jià)，并計(jì)算了大腦各功能區(qū)rfMRI信號(hào)的ApEn值，他發(fā)現(xiàn)部分腦區(qū)的ApEn與認(rèn)知能力呈正相關(guān)，此后大腦rfMRI信號(hào)的熵作為一種評(píng)估大腦復(fù)雜度的指標(biāo)被廣泛研究。與本研究計(jì)算全腦平均信號(hào)不同的是，Sokunbi計(jì)算了每個(gè)體素時(shí)間序列的ApEn，他認(rèn)為只有部分腦區(qū)的ApEn改變可以反映認(rèn)知能力的改變。值得注意的是Sokunbi認(rèn)為與認(rèn)知能力相關(guān)的腦區(qū)與Power在2012年發(fā)現(xiàn)的受到頭動(dòng)相關(guān)噪聲干擾的腦區(qū)存在重合［12］，因而無法肯定Sokunbi發(fā)現(xiàn)的、反映認(rèn)知能力的腦區(qū)是否受到了頭動(dòng)相關(guān)噪聲的干擾。

本研究結(jié)果顯示未經(jīng)處理的rfMRI信號(hào)（UNPROC）的FD-ApEn曲線隨頭動(dòng)幅度的增加有下降的趨勢(shì)，表明頭動(dòng)相關(guān)噪聲增加可使rfMRI信號(hào)的ApEn值降低。在Liu的實(shí)驗(yàn)中，實(shí)驗(yàn)組（年齡66±3歲）相對(duì)于對(duì)照組（年齡23±2歲）rfMRI信號(hào)可能含有更多的頭動(dòng)相關(guān)噪聲［5］，其結(jié)果顯示實(shí)驗(yàn)組的ApEn值更小。既然頭動(dòng)相關(guān)噪聲的增加和認(rèn)知能力的下降均會(huì)引起ApEn的減小，那么實(shí)驗(yàn)組與對(duì)照組的差異可能由認(rèn)知能力下降引起，也可能是頭動(dòng)相關(guān)噪聲導(dǎo)致的。與此同時(shí)，本研究發(fā)現(xiàn)UNPROC 的FD-SD曲線隨頭動(dòng)幅度的增加有上升的趨勢(shì)（在FD＞0.6后），也就是說頭動(dòng)相關(guān)噪聲在一定閾值后繼續(xù)增加可引起ApEn的SD值增加，即個(gè)體間ApEn的差異增加，這種效應(yīng)增加了實(shí)驗(yàn)樣本ApEn值的離散度。如果去除頭動(dòng)相關(guān)噪聲，則用ApEn可以更準(zhǔn)確地反映大腦的認(rèn)知能力，結(jié)果的可靠性會(huì)進(jìn)一步提高。

即使經(jīng)過常規(guī)預(yù)處理中基于“剛體模型”的頭動(dòng)校正（如SPM8-Realign，F(xiàn)SL-FLIRT），fMRI信號(hào)中依舊包含大量頭動(dòng)相關(guān)噪聲［13］。任務(wù)態(tài)fMRI研究中，刺激和響應(yīng)符合一般線性模型，頭動(dòng)相關(guān)噪聲對(duì)感興趣區(qū)信號(hào)的干擾有限；而靜息態(tài)fMRI研究中沒有刺激信號(hào)，頭動(dòng)相關(guān)噪聲對(duì)RSNs的確定會(huì)產(chǎn)生很大干擾。目前已發(fā)展了多種方法對(duì)rfMRI圖像進(jìn)行進(jìn)一步的頭動(dòng)校正（如FSL+FIX，小波分析，多元回歸等）［5］， 然而在大腦復(fù)雜度的研究中，大部分研究人員針對(duì)頭動(dòng)相關(guān)噪聲僅做了基于“剛體模型”的頭動(dòng)校正［6］，而通過進(jìn)一步頭動(dòng)矯正對(duì)大腦復(fù)雜度影響的研究尚未見報(bào)道。本研究結(jié)果顯示，與僅經(jīng)FSL-FLIRT 6個(gè)自由度預(yù)處理的rfMRI信號(hào)ApEn值相比，F(xiàn)SL+FIX的進(jìn)一步頭動(dòng)矯正使ApEn值增加，差異具有顯著意義（P＜0.05）。經(jīng)FSL+FIX進(jìn)一步進(jìn)行頭動(dòng)矯正后的FD-ApEn曲線（即CLEAN曲線）和“FD-SD曲線”的趨勢(shì)線都接近水平，預(yù)處理后的曲線（PREPROC曲線）沒有這樣的改變。說明FSL+FIX相對(duì)于預(yù)處理（FSL-FLIRT）可以有效地去除頭動(dòng)相關(guān)噪聲，使反映復(fù)雜度的rfMRI信號(hào)ApEn不再隨著頭動(dòng)相關(guān)噪聲的增加而減小，減小了頭動(dòng)相關(guān)噪聲的干擾對(duì)個(gè)體間ApEn值差異的影響。

頭動(dòng)噪聲對(duì)rfMRI信號(hào)造成的影響是多方面的，包括改變體素的內(nèi)容、破壞磁場(chǎng)的均勻性、spin history effect等，這種影響是非線性的，即使FSL+FIX方法也未能完全去除頭動(dòng)相關(guān)噪聲［4］，而且其他結(jié)構(gòu)噪聲對(duì)ApEn同樣產(chǎn)生影響（圖1A）。經(jīng)FSL+FIX方法去除頭動(dòng)相關(guān)噪聲后個(gè)體間ApEn依舊存在差異，這種差異是認(rèn)知能力的差別還是殘余噪聲的差別仍然需要進(jìn)一步研究。

本研究對(duì)頭動(dòng)相關(guān)噪聲和大腦復(fù)雜度的關(guān)系做了初步研究，計(jì)算了全腦的ApEn，但尚未探索各腦區(qū)ApEn受頭動(dòng)相關(guān)噪聲的影響，而且頭動(dòng)相關(guān)噪聲導(dǎo)致大腦復(fù)雜度減小的數(shù)學(xué)模型也需要進(jìn)一步論證。我們的結(jié)果證實(shí)頭動(dòng)相關(guān)噪聲引起大腦rfMRI、fMRI信號(hào)的熵減，指出在大腦復(fù)雜度研究中數(shù)據(jù)處理的紕漏，驗(yàn)證了FSL+FIX去除這種效應(yīng)的有效性，對(duì)后續(xù)頭動(dòng)相關(guān)噪聲對(duì)大腦復(fù)雜度影響的研究具有一定的參考價(jià)值。

參 考 文 獻(xiàn)

［1］Biswal B， Yetkin FZ， Haughton VM， et al. Functional connectivity in the motor cortex of RESTing human brain using echo-planar MRI. Magnetic Resonance in Medicine， 1995， 34：537-541.

［2］Barkhof F， Haller S， Rombouts SA.. RESTing-State Functional MR Imaging： A New Window to the Brain. Radiology， 2014， 272：28-48.

［3］Logothetis NK. What we can do and what we cannot do with fMRI. Nature， 2008， 453： 869-878.

［4］Salimi-Khorshidi G， Douaud G， Beckmann CF， et al. Automatic denoising of functional MRI data： Combining independent component analysis and hierarchical fusion of classifiers. Neuroimage， 2014，90：449-468.

［5］Power JD， Schlaggar BL， Petersen SE. Recent progress andoutstanding issues in motion correction in RESTing state fMRI. Neuroimage， 2015，182：536-551.

［6］Sokunbi MO. Sample entropy reveals high discriminative power between young and elderly adults in short fMRI data sets. Frontiers in Neuroinformatics， 2014，108：8.

［7］Van Essen DC， Smith SM， Barch DM， et al. The WU-Minn Human Connectome Project： an overview. Neuroimage， 2013， 80：62-79.

［8］Glasser MF. The minimal preprocessing pipelines for the Human Connectome Project. Neuroimage， 2013， 80：105-124.

［9］Smith SM， Beckmann CF， Andersson J， et al. RESTing-state fMRI in the Human Connectome Project. Neuroimage， 2013， 80：144-168.

［10］Bright MG； Murphy K. Removing motion and physiological artifacts from intrinsic rfMRI fuctuations using short echo data. Neuroimage，2013， 64：526-537.

［11］Sokunbi MO， Staff RT， Waiter GD， et al. Inter-individual Differences in fMRI Entropy Measurements in Old Age. Biomedical Engineering IEEE Transactions on， 2011， 58：3206 - 3214.

［12］Power JD. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage，2012， 59：2142-2154.

［13］Van Dijk KR， Sabuncu MR， Buckner RL. The influence of head motion on intrinsic functional connectivity MRI. Neuroimage， 2012，59：431-438.

中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志，2016，22：212-216

Chin Comput Med Imag，2016，22：212-216

1 School of Life Sciences， Shanghai University

2 Shanghai Clinical Research Center， Chinese Academy of Sciences / Shanghai Xuhui Central Hospital

Address： 966 Huaihai Middle Rd.， Shanghai 200031， P.R.C.

Address Correspondence to XU Yong-hua （E-mail： yhxu@scrc.ac.cn）

Funding item： "Strategic Priority Research Program （B）" Chinese， No. XDB02010400.

中圖分類號(hào)：R445.2

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1006-5741（2016）-03-0212-05

收稿時(shí)間：（2015.10.20；修回時(shí)間：2016.02.02）

作者單位：1上海大學(xué)生命科學(xué)學(xué)院2中科院上海臨床中心/徐匯區(qū)中心醫(yī)院放射科

通信地址：上海市徐匯區(qū)淮海中路966號(hào)，上海 200031

通信作者：許永華（電子郵箱：yhxu@scrc.ac.cn）

項(xiàng)目基金：中科院戰(zhàn)略性先導(dǎo)科技專項(xiàng)（B類）No. XDB02010400

The Complexity of Resting State BOLD fMRI is Influenced by Motion

ZHANG Zheng1， 2， XU Yong-hua2， YANG Li-xia2， XU Lin2， CHENG Yu1， 2

【Abstract】Purpose：To explore the relationship between motion and approximate entropy （ApEn） which was used as an index of the complexity and the synchronicity of resting state BOLD fMRI signal. Methods：The ApEn of “raw data”， “spatially and temporally pre-processed data” and “data with artifacts removed using FSL+FIX” were calculated. The data which inclued a set of 38 healthy young adults were obtained from the WU-Minn HCP. FDApEn curve and FD-SD curve were drawn when the 38 subjects' ApEn and the SD of consecutive 7 subjects' ApEn （1-7， 2-8， …， 70-76） were reordered and numbered according to FD. Results：ApEn was increased signifcantly after the process of FSL+FIX （p＞0.5）. Trend line of "CLEAN" and "PREPROC" showed that ApEn was decreased （SD of ApEn is increased） with the increase of motion amplitude and this trend disappeared after the structure noise was removed . Conclusion：Motion may cause the decrease of ApEn and the increase of individual differences， FSL+FIX can remove these effects. These results suggest the need for greater care in dealing with subject motion.

【Key words】Approximate entropy （ApEn）； Movement noise； Resting state fMRI， Complexity