摘要
Biswal等人于1995年首次描述了静息状态功能磁共振成像（Rest-state fMRI），此后已广泛用于健康的受试者以及患有各种神经系统疾病、神经外科疾病和精神疾病的患者。与基于范例或基于任务的fMRI相反，静息状态的fMRI不需要受试者执行任何特定任务。静息状态fMRI信号的低频振荡（low-frequency oscillation）已被证明与自然神经活动有关。有很多方法可以分析静息状态的fMRI数据。在这篇评论文章中，我们将简要描述其中的一些方法，并强调每种优点和缺点。本说明旨在促进在临床环境中采用和使用静息状态功能磁共振成像。
一、Introduction
大脑控制着人体的所有复杂功能。在结构上，大脑大致分为不同的区域，专门用于处理和中转神经信号。在功能上，大脑是专门用于感知和认知过程的。这些专长区域协同工作，协调复杂的身体功能并允许人类行为。
神经元不包含任何内部能量储备，无论是葡萄糖还是氧气的形式。
激活后，它们会通过称为血液动力学响应（hemodynamic response）的过程由相邻的毛细血管提供更多的能量，这为它们提供了局部脑血流量的增加和氧气供应的增加，通常甚至超过了他们的需求。
该过程导致氧合血红蛋白和脱氧血红蛋白的相对水平发生变化，这些变化可以通过MRI成像根据其磁化率差异进行检测。这种成像方法称为血氧浓度依赖性（BOLD）对比成像。
常规上，已知BOLD信号变化是由二氧化碳（CO2）的动脉分压调节的。
最近的研究表明，BOLD信号由O2和CO2的动脉分压决定，而不是由单独的CO2决定。
BOLD信号的变化是fMRI的基石，传统上它被用于构建图谱，该图谱显示亚专业（subspecialized）的大脑区域，该区域被某些任务激活或对低频（0.01-0.1Hz）的刺激做出反应。
通过fMRI测量的神经活动波动的频率（低频并使用BOLD信号间接测量）和在神经生理学研究中测量的神经放电频率（高频并直接测量）不同。
神经活动波动的生物学意义首先是由Biswal等人在1995年描述，当受试者被要求进行双边手指在实验中敲击，研究人员发现左体感皮层与对侧半球同源区域之间的BOLD时间过程高度相关。
从那时起，fMRI被广泛用于健康受试者以及患有神经系统疾病和精神疾病的患者，以分析各种静息状态网络的同步和自发性波动。
由于神经血管耦合，BOLD信号虽然具有血管性质，但与神经元活动密切相关。
但是，神经激活后血液动力学响应的延迟是fMRI相对较差的时间分辨率的原因，并且BOLD信号可以在血液循环改变的大脑区域发生改变。
例如，病理性状况，脑外伤或缺氧性脑损伤可能会影响神经血管耦合，所以fMRI在评估这些病理情况下的神经活动方面会欠佳。因此，在设计校准的BOLD实验和解释功能连接性数据时，尤其是在患有血管病变的患者中，应考虑这些因素。
与基于范例或基于任务的fMRI相反，在没有刺激或任务（即静息状态）的情况下获得静息状态fMRI（rs-fMRI）。
rs-fMRI的原理也基于BOLD信号波动，与活动任务fMRI相同。
rs-fMRI专注于自发的BOLD信号改变。可以通过专门的扫描来获取数据，在该扫描中，指示个人简单地休息，或者从一系列任务中嵌入的休息时间推断出休息状态数据。
缺乏任务使rs-fMRI对于可能难以完成任务说明的患者（例如神经病，神经外科和精神病患者）以及儿科患者特别有吸引力。因此，在过去的20年中，rs-fMRI在研究和临床环境中的应用一直在增长。
有多种分析rs-fMRI数据的方法，根据所要提取的信息选择特定的方法。
本文试图提供rs-fMRI中使用的主要分析方法的广泛概述。我们将系统地描述这些方法，它们的优点和局限性。
这项工作将帮助非专业人士熟悉rs-fMRI技术，以及如何将其应用于神经系统疾病，神经外科疾病和精神病患者的利益。
二、Analytic Methods
rs-fMRI分析具有挑战性，因为海量数据量大且需要复杂的分析。
在应用任何一种分析方法之前，重新排列和消除混淆的伪影（例如，头部运动，CSF信号）是重要的预处理步骤。
rs-fMRI数据还需要其他主要预处理步骤，包括删除前10到20个时间点，时间切片，数据归一化和带通滤波。
其他可能的步骤，包括平滑过程，可以根据所应用的分析方法以不同的顺序执行。
一些软件：
统计参数映射，功能神经影像分析（AFNI）：http://http://afni.nimh.nih.gov/afni；
CONN工具箱：https://www.nitrc.org/项目/conn/；
MELODIC：https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/MELODIC；
fMRI Toolbox软件（GIFT）：http://http://mialab.mrn.org/software/gift/ 的Group ICA ，通常用于分析rs-fMRI数据。
管道也已经发展到几乎自动分析数据，这使得对非专家更容易的数据分析。
正确解释rs-fMRI数据结果需要了解解剖学、病理生理学和神经科学的知识，才能进行逻辑推断。
为了易于理解，可以将rs-fMRI数据中包含的大量信息与地图进行比较。
当人们看着地图时，可以专注于寻找将城市相互连接的城市或高速公路。同样，当人们分析rs-fMRI数据时，可以提取有关特定大脑区域的功能或不同大脑区域之间的功能连接性的信息。
分析方法可以大致分为两种类型：功能分离和功能集成。
功能分离着重于特定大脑区域的局部功能，主要用于brain mapping。功能集成着眼于不同大脑区域之间的功能关系或连通性，并将大脑评估为一个集成网络。
功能分离技术依赖于rs-fMRI活动的分析，而功能集成技术则依赖于rs-fMRI连接性的分析。
通过将rs-fMRI结果与我们查看地图的方式进行比较，可以更直观地理解这些不同的方法。
欲知后事如何，请关注我们的公众号~
参考文献
Lv, H., Wang, Z., Tong, E., Williams, L. M., Zaharchuk, G., Zeineh, M., … & Wintermark, M. (2018). Resting-state functional MRI: everything that nonexperts have always wanted to know. American Journal of Neuroradiology, 39(8), 1390-1399.
图源/谷歌图片
