在过去的几十年里，功能性磁共振成像(fMRI)被广泛用于术前规划，有证据表明，附加信息可以改变很大一部分脑肿瘤患者的治疗方法。术前功能磁共振成像有助于减小开颅手术的规模，并通过促进术中定位或减少对定位的需要来缩短手术时间。使用基于任务的功能磁共振成像(task-based, fMRI tb-fMRI)可以可靠地定位特定的大脑功能区，如运动区或语言区。然而，tb-fMRI通常有一些缺点，如扫描时间长、需要患者的积极合作和参与，这在包括脑肿瘤患者在内的功能性或神经性残疾患者群体中并不总是可行的。静息态功能磁共振成像(resting-state fMRI, rs-fMRI)已经作为tb-fMRI的补充或替代而出现。这两种fMRI技术都使用依赖于血氧水平（BOLD）信号；在rs-fMRI中，患者不执行特定的任务，通过计算看似随机的BOLD波动在大脑各区域之间的相关性来生成各种内在的大脑网络，其中一些与tb-fMRI中看到的功能激活区域有相当大的重叠。独立成分分析(ICA)是将rs-fMRI信号分解成功能网络图谱的常用技术。早期的rs-fMRI研究探索了该技术在术前定位中的应用，结果显示，在健康对照组和有脑损伤的患者中，躯体运动网络(somatomotor network, SMN)与tb-fMRI生成的运动激活图高度重叠。ICA允许根据各个成分之间的时间进程差异将BOLD信号分离成不同的成分，这些成分包括网络或神经元源以及与噪声相关的信号。虽然ICA最近主要用于rs-fMRI，但也可以应用于tb-fMRI，以代替传统的一般线性模型分析，显示在一般线性模型分析中可能不明显的任务相关区域。由于即使当个体参与特定任务时，大脑区域之间自然发生的内在波动似乎也存在，因此ICA可应用于tb-fMRI以获取与任务相关的特定兴趣网络以外的各种网络的信息。对于我们想在术前定位中，获取运动和语言网络的典型目标来说，一个能够同时提供两种信息的单一成像序列是时间上最理想的。尽管使用rs-fMRI已经可靠地证明了SMN，但是在定位语言网络时存在较高的个体可变性，因此，仅仅使用rs-fMRI可能存在问题，而句子补全fMRI (sentence completion fMRI, sc-fMRI)可能仍然是必要的。那么，sc-fMRI是不是可能被潜在地用于识别SMN呢？因此，作者试图研究是否可以使用ICA从没有运动成分的语言任务(即sc-fMRI任务)中可靠地识别SMN，并将结果与rs-fMRI的结果进行比较。假设使用sc-fMRI的ICA可以可靠地定位SMN，从而提供了一种获取信息的有效替代方法，这可能会节省时间和资源。本文发表在Radiology杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。如需深入理解，可结合思影之前解读的Science文章阅读（点击以下链接即可浏览）：
Science：静息态fMRI可预测任务执行过程中大脑活动的个体差异
搜索放射学信息系统，确定并顺序纳入了2012至2016年间因术前脑成像而转诊进行功能磁共振成像的患者。排除任何在同一扫描过程中没有sc-fMRI和rs-fMRI扫描的患者。每个患者在接受功能磁共振之前都要在扫描仪外接受培训，以确保可以可靠地理解和执行任务。标准的组块（block）设计范式被用于sc-fMRI，控制和主动任务刺激的交替组块(开启20秒，关闭20秒)，总采集时间为4分钟。采用Prism临床成像软件进行sc-fMRI检查。根据作者的临床方案，实时功能磁共振成像图在任务功能磁共振成像期间进行质量控制，如果由于过度运动相关噪声或其他噪声而不理想，则重复运行。对于重复的句子补全任务，最终选择用于临床解释的任务用于分析。对于rs-fMRI，在6分钟内获得180个时间点。要求患者保持一个放松的姿势，闭上眼睛但不要入睡，尽可能保持静止，头部用垫子轻轻地稳定下来。sc-fMRI和rs-fMRI的扫描参数相同，但扫描时间不同(sc-fMRI为4分钟，rs-fMRI为6分钟)，使用3.0T 磁共振成像系统 (Siemens Healthineers)和12通道磁头部矩阵线圈。T2* 加权 BOLD 图像采用二维梯度回波平面成像获得，重复时间2000ms，回波时间30ms，翻转角90°，视野24 cm，采集矩阵64×64 × 33，4 mm厚度、间隔1 mm，交错采集，符合所在机构临床标准。使用FSL中的MELODIC工具来完成独立成分分析，以默认参数在rs-fMRI和sc-fMRI扫描上进行ICA检查；使用MCFLIRT进行头动校正。使用BET工具剥脑。采用了10mm的最大空间平滑核。对每个体素上的时间信号进行方差归一化，并使用自动维数估计来确定ICA成分的最佳数量。对每个患者分别进行单次ICA（本文的分析都是在个体空间完成的，避免了配准对数据的影响）。独立成分图的阈值设置为0.5，其中在混合模型拟合中，体素表示真实信号的概率超过了体素属于背景噪声的概率。生成的 ICA 图的呈现顺序随机分配给两名神经放射科医生（HIS 和 SKG，分别具有12年和11年的临床 fMRI 经验），他们使用MELODIC来独立检查每个患者的每个数据集的每个ICA成分，以基于预期的网络拓扑知识来识别潜在的SMN。神经放射科医生不清楚数据集的来源(sc-fMRI与rs-fMRI)。只记录了代表SMN的成分。通常，腹侧和背侧运动系统是分开的，因此分别评估了腹侧SMN(vSMN)和背侧SMN(dSMN)。对于每个已识别的运动成分，记录该成分的解释方差百分比。为了确认选择的准确性(仅在轴位图像上可能很困难)，通过使用覆盖在患者高分辨率结构上的三个正交平面（矢状面、轴位和冠状面）评估了相关的 ICA 图。对于一部分患者，手指轻击任务功能磁共振成像(fingertapping task fMRI, ft-fMRI)扫描可作为参考标准，并在初始盲选后用作覆盖图与dSMN的 ICA 图进行比较。ft-fMRI采用交替组块设计(开启30秒，关闭30秒)，持续3分钟。值得注意的是，在这个机构中，标准做法是在实际扫描之前培训患者如何执行为他们的研究选择的范式。对于一些患者，包括ft-fMRI；因此，在研究之前进行了运动任务练习。在相同的预处理后，进行标准的一般线性模型分析。根据临床实践对最终的统计图谱进行定性的阈值划分。如果在ft-fMRI激活焦点和包含手部运动区区域的dSMN部分之间存在定性的显著重叠，则ft-fMRI激活的定位和dSMN图的一致性被归类为“良好”。对于没有ft-fMRI的患者，将rs-fMRI和sc-fMRI的ICA图重叠，以确保一致性和定位。记录正确ICA成分上的任何差异和更新。连续数据比较采用t检验。计算评分者一致性系数来评估每个评分者初始选择的被试间的一致性。对于两个评分者之间的差异，以共识评分来表示，以便进行随后的回归分析。使用逻辑回归模型来探索范式顺序和标准的ft-fMRI任务的可用性的影响。作者进一步拟合了一个双变量逻辑回归模型来评估腹侧和背侧SMN的存在与其他变量的相关性。所有统计分析均使用R统计软件包进行。100名患者(平均年龄40.9岁（±14.8）；61名男性)符合纳入标准并纳入研究(图1)。患者的人口学数据、肿瘤位置和组织学诊断见表1。
注：除非另有说明，否则数据为患者数量。IDH=异柠檬酸脱氢酶，NOS=未另行规定。*年龄以平均±标准差表示。†海绵状血管瘤和动静脉畸形、癫痫、皮质发育不良、脑软化症。‡肿瘤部位之和大于病人数目(n=100)，因为有些病人累及多个部位。对于sc-fMRI，85例患者被识别出dSMN，69例患者被识别出vSMN。在86例和76例患者中，rs-fMRI分别成功地帮助识别出dSMN和vSMN。75例同时在sc-fMRI和rsfMRI上发现dSMN，53例在sc-fMRI和rs-fMRI上同时发现vSMN。在表2中报告了仅在一种模式下识别的网络的数量。
dSMN和vSMN在71次rs-fMRI扫描和65次sc-fMRI扫描中都被识别出来。在每组中，对于rs-fMRI，71次扫描中有37次(52%)出现在相同的ICA成分中，而对于sc-fMRI，65次扫描中有46次(71%)出现在相同的ICA成分中。在71次rs-fMRI扫描中34例(48%)和65例sc-fMRI扫描中19例(29%)可见dSMN和vSMN位于不同成分中。如图2所示，rs-fMRI(平均数±标准差，42.8个成分±6.6)和sc-fMRI(25.5个成分±3.5)的总ICA成分的平均数有显著性差异(P<0.05)。
图2.箱线图显示了rs-fMRI和sc-fMRI中独立成分分析(ICA)成分的数量。sc-fMRI的成分数明显低于rs-fMRI(平均值分别为25.5和42.8，P<0.05)。方框表示四分位距，竖线表示最大值和最小值，横线表示中位数。2例患者在rs-fMRI和sc-fMRI均未发现dSMN和vSMN，8例患者在两种检查方式下均未发现vSMN。在14例患者中，rs-fMRI的ICA图未显示dSMN。在这14名患者中，有5名(36%)只发现了vSMN。在其余9名患者(64%)中，rs-fMRI未发现SMN。在15名患者的sc-fMRI研究中，没有发现dSMN；在这15名患者中，有4名(27%)发现了vSMN，其余11名患者(73%)没有发现SMN。在14例rs-fMRI ICA图未显示dSMN的患者中，有10例(71%)sc-fMRI可检出dSMN。vSMN的这一比率为67%(24例患者中有16例)。相反，在sc-fMRI未显示dSMN的15例患者中，有11例(73%)可在rs-fMRI上检测到dSMN；在sc-fMRI未检测到vSMN的患者中，rs-fMRI对vSMN的检出率为74%（31例患者中的23例）。rs-fMRI和sc-fMRI显示dSMN的一致性为75%(100例患者中有75例)。VSMN的符合率为53%(100例患者中有53例)。对61例患者进行ft-fMRI检查，并以此作为诊断dSMN的参考标准。所有rs-fMRI和sc-fMRI dSMN图都与运动ft-fMRI扫描的激活簇重叠。33例患者在sc-fMRI前进行ft-fMRI检查，28例患者在sc-fMRI后进行ft-fMRI检查，其余39例患者均未进行ft-fMRI检查(表3)。逻辑回归分析显示，运动ft-fMRI是在sc-fMRI之前还是之后进行，对rs-fMRI或sc-fMRI有无运动网络或这些网络与运动任务的一致性没有显著影响(P=0.25)。
表3.ft-fMRI、rs-fMRI和sc-fMRI的一致性率。表4中报告了基于fMRI检查类型和ft-fMRI扫描可用性的dSMN和vSMN的存在。逻辑回归显示，无论是否进行ft-fMRI检查，rs-fMRI和sc-fMRI发现dSMN或vSMN的机会没有差异(dSMN P=0.17；vSMN P=0.91)。
表4.根据ft-fMRI的可用性，在rs-fMRI和sc-fMRI中存在dSMN和vSMN。图3显示了一例左侧额叶胶质瘤累及中央前回的样本患者的rs-fMRI、sc-fMRI 和 ft-fMRI 叠加。运动成分的平均百分比解释方差没有显着差异，但与 rs-fMRI 相比，sc-fMRI 的值趋向于更高的值。对于dSMN, sc-fMRI的平均百分比解释方差(±标准差)为4.28%±1.1,rs-fMRI的平均百分比解释方差为2.92%±1.5。对于vSMN, sc-fMRI为4.14%±1.2,rs-fMRI为2.62%±1.9(图4)。
图3.对左额叶胶质瘤延伸至运动皮层的样本患者（35岁男性）进行扫描，有轻微的肿块效应。正交切片显示的是参考十字准线，以及大脑的三维表面渲染图像，所有图像均带有fMRI 覆盖层。红色覆盖层 = rs-fMRI，绿色覆盖层 = sc-fMRI;蓝色覆盖层 = ft-fMRI。颜色的交叉点表示覆盖层的重叠：黄色表示 rs-fMRI 和 sc-fMRI 的交叉；品红色是rs-fMRI 和 ft-fMRI的交叉；青色是sc-fMRI 和 ft-fMRI的交叉。白色区域（重叠圆圈上的浅粉色）表示所有三个 fMRI 覆盖层的重叠。箭头指向中央前回手部 omega（hand omega）外侧缘的中央沟。
图4.箱线图显示了在独立成分分析成分图的整个解释方差范围内感兴趣的成分（躯体运动网络）的解释方差百分比。与rs-fMRI 相比，sc-fMRI 的平均解释方差百分比更高；但是，它们之间没有差异。方框表示四分位距，竖线表示最大值和最小值，横线表示中位数。
dSMN 和 vSMN 的评分者之间存在很强的一致性，dSMN的k值为0.958 (P＜0.001)，vSMN的k值为0.837 (P＜0.001)。
在不断努力优化成像效率的情况下，本文的发现可能在特定情况下有效地消除导致冗余信息。这项研究将重点放在了术前大脑定位上，并研究了常用的语言任务(即句子补全任务)与静息态功能磁共振成像(rs-fMRI)相比较，是否可以表征躯体运动网络(SMN)，因为后者已越来越多地用于术前的运动网络的映射。这项研究表明，背侧SMN（dSMN）确实可以从sc-fMRI（100名患者中的85名）中提取，与rs-fMRI（100名患者中的86名）的提取程度相似。有趣的是，在很大比例的患者中(14名患者中有10名(71%))，sc-fMRI能够帮助识别dSMN，而rs-fMRI不能帮助识别dSMN，vSMN也有类似的发现(24名患者中有16名)。利用该信息，使用sc-fMRI提取SMN的第一次尝试可能是值得的，如果不成功，尝试单独的运动任务或包括rs-fMRI，但需要注意的是，对于这个单一目的，rs-fMRI将是一项长的研究。除此之外还证明，对于本研究中使用的sc-fMRI和rs-fMRI的典型扫描时间，与rs-fMRI相比，sc-fMRI中可供选择的ICA成分更少(平均分别为25.5个对42.8个；P＜0.05)，这可能转化为使用sc-fMRI更容易和/或更快地识别SMN。先前的一项研究表明，使用基于种子的分析，可以从健康个体的运动任务功能磁共振成像中确定内在大脑网络的特征。这项研究对此进行了扩展，以证明在脑占位性病变患者中，通过使用ICA方法可以从语言任务fMRI扫描中表征内在的SMN。在有占位性病变的患者中使用基于种子的分析的一个具体限制是难以放置准确的感兴趣种子区域。ICA没有这个限制，网络的任何部分的失真都可以在网络的整体拓扑分布的背景下更好地评估，特别是基于大脑的非失真部分。值得一提的是，与腹侧系统相比，在rs-fMRI和sc-fMRI中，背侧运动系统的发现更容易识别。大多数术前运动网络的研究中，至少在这个机构和大多数其他机构的研究中，术前运动任务都更多地与背侧网络的识别有关。在tb-fMRI上，vSMN通常更难识别，因为随着口面部肌肉的运动，不可避免的会出现头部运动。此外，有证据表明，vSMN的动态连接模式不同于dSMN的动态连接模式。这项发现支持背侧和腹侧运动系统的不同行为，前者更容易用sc-fMRI(100例dSMN患者中85例和vSMN患者100例中69例)和rs-fMRI(100例dSMN患者中86例和vSMN患者100例中76例)识别。额外的技术改进，可能包括动态连通性分析，可能对未来的研究有帮助，从而提高表征vSMN的可靠性。总体来说，就临床应用而言，需要一种方法，即在范式完成后就可以立即对sc-fMRI 数据进行处理和分析，以决定终止研究（如果显示良好的SMN）或继续进行专门的运动映射或rs-fMRI采集。本研究表明，除了语言系统的目标定位之外，在语言任务功能磁共振成像中可靠地发现躯体运动网络是可能的。通过sc-fMRI识别运动网络可以消除对单独运动任务的需要，从而减少总体扫描时间。因此，未来的研究可以进一步开发加速ICA技术以及更稳定的ICA方法。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技莫大的支持，感谢！
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
核磁：
北京：
第一届任务态fMRI提高班(北京，8.25-30)
第十九届DTI数据处理班(北京，8.19-24)
第十七届脑影像机器学习班（北京，9.3-8）
第九届小动物磁共振脑影像数据处理班（9.11-16）
第二十三届磁共振脑网络数据处理班（北京，9.17-22)
第二届磁共振脑网络数据处理提高班（北京，9.23-28)
第四十七届磁共振脑影像基础班（北京，10.22-27）
第二十一届脑网络数据处理班(上海，8.20-25)
第三届磁共振脑网络数据处理提高班（上海，10.12-17）
第十届任务态功能磁共振数据处理班（上海，8.12-17)
第十五届磁共振脑影像结构班（上海，9.7-12）
第四届DWI提高班(上海，9.23-28）
第四十五届磁共振脑影像基础班（重庆，8.26-31)
第十八届脑影像机器学习班（重庆，9.12-17）
第十五届近红外脑功能数据处理班（上海，9.13-18)
第二届MNE-Python脑电数据处理班（上海，8.26-31)
第三十二届脑电数据处理中级班（上海，10.20-25）
第十四届近红外脑功能数据处理班（重庆，8.14-19)
第三十一届脑电数据处理中级班（重庆，8.20-25)
北京：
第十届脑电信号数据处理提高班（北京，10.16-21）
第十六届近红外脑功能数据处理班（北京，10.28-11.2）
南京：
第十八届脑电数据处理入门班（南京，9.3-8)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
