作者：井舒淇，曲正伟，于春海，张瀚中，牟佳慧，夏吉凯，滨州医学院烟台附属医院医学影像科；马恒，山东省烟台毓璜顶医院医学影像科

近年来，MRI被广泛应用于脑功能研究中，随着对精神神经障碍、心理障碍等疾病的重视程度及发病率的增加，相关的MRI技术在对探索此类疾病的神经生理机制发挥关键作用。本文就结构磁共振成像（structural magnetic resonance imaging，sMRI）、静息态功能磁共振成像（resting-state functional magnetic resonance imaging， rs-fMRI）及扩散张量成像（diffusion tensor imaging， DTI）等脑功能成像方法及相关测量工具的新进展进行综述，旨在为今后的相关研究提供参考和借鉴。

1.　结构磁共振成像（sMRI）

在神经精神病学研究中，sMRI的研究方法包括基于体素的形态学分析法（voxel-based morphometry，VBM）、基于皮层形态学分析（surface-based morphometry，SBM）和感兴趣区（region of interest，ROI）分析法。VBM相对来说应用最为广泛，这种技术通过将脑分割成一个个体素来实现对灰白质体积、表面积或密度等的量化，以此观察脑结构的改变。

一些研究表明，与运动功能密切相关的大脑区域的灰质密度或体积与运动能力有关。VBM还广泛被应用于研究抑郁症、精神分裂症、自闭症、阿尔茨海默病等疾病。与之不同的是，VBM主要用于估计灰质的体积，而SBM还可用于研究皮层的厚度和面积等。对于皮质形态的研究中，两种方法表现出类似的性能，在比较数据中，联合两种方法可以提高检测形态变化的准确性。

VBM涉及的典型处理过程包括头骨剥离和信号校正等作为前处理步骤，组织分割、空间归一化、归一化图像平滑和统计分析为主要处理步骤。SPM （the statistical parametric mapping software）和FSL （FMRIB software library）软件被广泛应用于VBM。

2.　静息态功能磁共振成像（rs-fMRI）

在脑功能成像中，rs-fMRI可以说应用最广泛。常规的磁共振成像主要关注生理结构，通过异常信号的改变或形态周围组织的改变等判断是否有病变或损伤，而功能性磁共振（functional magnetic resonance imaging， fMRI）则关注大脑的功能状态。fMRI最常通过利用各种刺激诱导局部脑组织血氧水平依赖（blood oxygenation level dependent， BOLD）信号发生变化来进行脑功能研究。根据在扫描过程中，受试者是否需要执行一定的任务，如视觉、记忆、语言、注意力等将fMRI分为静息态功能磁共振成像（resting state-fMRI， rs-fMRI）和任务态功能磁共振成像（task-based fMRI）。

1995年BISWAL发表了第一篇有关rs-fMRI的文章，他发现双手不仅在运动时两侧运动区同时被激活，在静息时两侧运动区的活动也是高度同步的，而且发现了静息状态下运动区之间的信号存在低频振荡（low frequency fluctuations， LFFs， 0. 01～0. 08Hz）的特性且不同脑区之间这种低频振荡存在一定的相关性，这种自发 BOLD 信号不同于心脏或呼吸活动引起的生理噪声是人脑静息状态时发生的神经元活动的现象。

rs-fMRI就是用于研究在无任务状态时大脑的自发活动，由于静息状态下受检者不需要执行任务，这使受试群体可包含患有帕金森、阿尔茨海默病、精神分裂症等疾病的患者，且具有信噪比高、影响因素少等优势，因此目前大多数研究是基于静息态下的。以下也主要对rs-fMRI相关应用及工具进行论述。

2. 1　预处理常用步骤及工具

与VBM相类似的，fMRI获取完扫描的数据后，需要在分析数据之前进行一系列的预处理步骤，以尽可能减小噪声、伪影等对信号的干扰，从而使研究结果可靠性增加。在预处理中的步骤可以包括以下步骤：1）数据格式转换，比如把收集到的数据DICOM格式转化成 NIFTI格式进行分析；2）时间校正，如删除每个受试者前10个时间点的采集数据为受试者对环境的适应时间；3）头部校正，如被试的每一帧图像在各个方向上的最大位移须小于2 mm，最大旋转幅度须小于2°，平均帧位移量须小于0. 5 mm，不符合要求的图像被排除，这些数值根据不同实验纳入的阈值可能不同；4）采用频率0. 01～0. 08 Hz 的带通滤波去除如呼吸和心跳等产生的噪声，同时可以进一步通过协变量回归去除脑脊液或脑白质等信号对实验的影响；5）将回归后的功能数据对齐到MNI标准空间，标准化后的功能像数据被重采样为 3 × 3 × 3 mm3，为最常被使用的标准；6）用各向同性高斯核进行空间平滑，以改善信噪比和噪声分布的整体正态， 6×6×6 mm3 全宽半高平滑核最被广泛使用。经过预处理步骤后的数据而后进入下一步的分析中。

2. 2　方法

基于fMRI的无创性、相对较低的成本和良好的空间分辨率，fMRI可被用于疾病的生物标记物、监测治疗等研究中。在各种分析方法中，功能连接已被定义为探究静息状态大脑网络的强大工具，常见的静息态脑网络（resting state networks， RSNs）有躯体运动网络（somatomotor network， SMN）、视觉网络（visual network， VIS）、听觉网络（auditory network，AUD）、默认模式网络（default mode network， DMN）、背侧注意网络（dorsal attention network， DAN）、腹侧注意网络（ventral attention， VAN）、语言网络（language network， LAN）、额顶神经网络（frontoparietal network， FPN） 、显著网络（salience network，SAL）等。

2. 2. 1　基于种子的分析　

静息状态功能连接磁共振成像（resting state functional connectivity magneticresonance imaging， rsfcMRI）分析的最早形式是BISWAL等使用的基于种子的方法。以“种子”为中心，即依赖于特定的ROI 或ROI 集，并将该区域的BOLD 时间序列与所有其他区域的时间序列相关联，从而产生功能连接图。种子可以依据经验来选定，也可以通过任务的激活来确定。基于种子的分析方法简单易于操作，被广泛应用到各种研究中，包括热射病、冥想训练、不宁腿综合征等。

2. 2. 2　独立成分分析（independent componentanalysis， ICA）　

rs-fMRI 依赖于特定网络内的功能连接、空间分离和连续发放信号的解剖区域产生的自发低频波动。当提取出一组rs-fMRI信号时，它是复合形式的状态，不仅包含想提取的信号，也包括干扰作用的伪影或无效信号等，ICA用于识别和去除噪声和污染，从而提取有效信息。

与基于种子的分析不同，ICA不需要先验知识来选择ROI，ICA分析来自大脑所有体素的信号，它仅针对一个种子ROI进行计算。ICA会因为数学算法不同导致分离出来的成分不同，针对这一不稳定性，许多基于ICA的方法而被提出，例如robustica，以及在ICA基础上加以创新的方法，如DICA（ distributional independent component analysis）等。

2. 2. 3　图论分析　

基于图论的方法核心思想是构建一个脑网络，它由节点（感兴趣区域）和边（感兴趣区域之间的连接）构成。准确定义节点和边缘的方法对于网络构建至关重要，定义脑网络的区域和数量常是第一步，有许多分割方法，包括解剖图集、功能边界映射和基于BOLD 时间序列的数据驱动算法，每个研究构建的网络不尽相同。

全局特征和局部特征用来描述构建的脑网络的具体特性，全局特征包括：网络密度、全局效率（Eg）、局部效率（ELOC）、聚类系数（CP）、最短路径长度（LP）、归一化聚类系数（γ）、归一化路径长度（λ）和小世界参数（σ）；局部特征包括效率（Ne）、聚类系数（NCP）和最短路径距离（NLP）等。生成模型、多层模型、代数拓扑学、动态网络是目前应用于图论的新的研究方法，图论方法对于理解大脑网络的结构体系、发展和进化至关重要。

2. 2. 4　同步一致性分析（regional homogeneity analysis， ReHO）　

ReHO 同样基于大脑体素来研究。ReHO 通常在0. 01～0. 1 Hz的频率范围内计算，并可细分为不同的频带。边缘-皮质环路的区域一致性变化可能参与了边缘性人格障碍的青少年患者的神经机制；在糖尿病视力障碍患者中，双侧小脑后叶、右侧枕上回、枕中回和双侧额上回的ReHO值升高且该类患者对侧眼的最佳矫正视力与右侧枕上回、枕中回的平均ReHO值呈正相关。

2. 2. 5　低频波动幅度（the amplitude of low frequency fluctuations， ALFF）　

ALFF与ReHO类似，也是用来表征rs-fMRI局部特性的指标。它实际是一种全脑分析算法，ALFF 中的低频范围指在0. 01～0. 1（或0. 08）Hz之间，由于受呼吸、心脏运动等伪影影响，部分ALFF（the fractional amplitude of lowfrequencyfluctuations， fALFF）被引入。随着对研究结果的广度和可信度的提高，dALFF、Waveletdb2-ALFF逐渐被提出并广泛应用，ALFF 一类的研究在精神神经障碍中最为广泛，尤其是在抑郁症方面，有学者也曾针对高原失眠患者进行相应脑区的研究。

随着rs-fMRI 领域的发展，对用户友好的rsfMRI数据处理工具箱的需求越来越大。以上叙述的方法都可以通过MatLab工具箱-rs-fMRI数据分析工具箱 （Resting-State fMRI Data Analysis Toolkit，REST，http：//www. restfmri. net）进行计算。REST与上文所论述的SPM兼容，数据可以用SPM进行前处理，然后再输入REST进行后续分析。因为在分析大样本数据集时，SPM需要进行大量复杂而耗时的操作，基于SPM和REST中的一些函数，MATLAB另一个用于rs-fMRI 数据的流水线分析工具箱DPARSF而被提出，除了可以完成一系列的预处理步骤，还可以进行功能连接性、ReHO、ALFF 和fALFF 分析。

DPABI （Data Processing & Analysis of Brain Imaging，http：//rfmri. org/DPABI）的优势则是效率提高，它从REST和DPARSF演变而来，几大突出特点是结合了头部运动控制和测量标准化方面的最新研究进展、提供了对动物模型友好的分析工具包、为基于任务的fMRI数据预处理提供了更好的预处理流水线。MRIcron（https：//www. nitrc. org/projects/mricron/）可以将DICOM 格式转换为NIFITI 格式，可以将结果投射到不同的图谱中，进行结果的分析等。

3.　扩散张量成像（diffusion tensor imaging, DTI）

如果说磁共振成像是追踪水分子中的氢原子，那么DTI 则是根据水分子的移动方向来进行的。根据分子在空间的某一特定方向上的弥散距离相同或不相同，弥散方式可以分为两类：一种是在纯水环境中，由于水分子没有任何障碍，其向各个方向的运动距离保持一致，这种现象被称为各向同性弥散；另一种弥散现象是具有方向依赖性的，在按照特定方向排列的组织中，比如在脑白质纤维束中，分子向各个方向的弥散距离是不一样的，这种现象被称为各向异性弥散。

对于观察和追踪脑白质纤维束，DTI 作为一种非侵入性的方法，几乎为首选。DTI 常用采集技术为平面回波成像（echoplanar imaging， EPI）技术，与常规生理运动相比，这种方法的成像时间显著缩短，从而大幅度减少了运动产生的伪影。反映各向异性的参数包括各向异性分数（fractional anisotropy， FA）、平均弥散率（mean diffusivity，MD）、相对各向异性（relative anisotropy， RA）、容积比指数（volume ratio， VR）、轴向扩散率（axial diffusion， AD）、径向扩散率（radical diffusion， RD）等，DTI最大的阻碍是交叉纤维，如果体素含有相互交叉的纤维，该方法可能会导致虚假的结果。

DTI Studio（http：//www. mristudio. org）是一个可在Microsoft Windows 系统上运行的DTI 处理程序，它可以对数据进行涡流校正、张量计算、纤维跟踪等。基于强大的功能和丰富的工具包，FSL FMRIB（functional magnetic resonance imaging of the brain）Software Library，https：//fsl. fmrib. ox. ac. uk/fsl）不仅可以对fMRI BOLD数据进行分析处理，DTI也同样适用。

FSL可提供一系列的图像预处理工具，以提高图像质量，还可以进行统计分析，用于比较不同组之间的差异，另外FSL还包括多种可视化工具，用于显示数据和分析结果，如FSLeyes 等 。FreeSurfersoftware （https：//surfer. nmr. mgh. harvard. edu）可以为结构MRI提供完整数据流。MRtrix （http：//www.mrtrix. org）工具也可以进行相应的预处理步骤，并且可以实现对纤维束的追踪。

基于DTI数据的预处理步骤包括涡流校正、剥脑、DTI参数结解算、配准、平滑及统计分析等，针对实验目的不同，具体的处理步骤也不尽相同。例如对于基于白质纤维束的空间统计分析（tract-basedspatial statistics， TBSS），计算除FA、AD、RD、MD 和MO等指标后，再使用非线性图像配准功能将受试者的FA 图像与蒙特利尔神经研究所（the montreal neurological institute， MNI）模板对齐。

从受试对象的FA图像生成平均FA图像，然后细化以创建平均FA骨架图像。将受试者的FA图像投影到特定学习的平均FA骨架图像上，然后执行基于体素的排列统计测试，后进行下一步分析。DTI数据的量化分析方法主要包括感兴趣区域分析、基于体素的分析（voxel-based analysis， VBA）和基于白质纤维束的空间统计分析（tract-basedspatial statistics， TBSS）。VBA 和TBSS 是基于全脑配准的分析方法。

对于纤维束的研究，自动纤维量化（automated fiber-tract quantification， AFQ）（https：//github. com/jyeatman/AFQ）技术则识别并分离具体的纤维束，在每条纤维束上划分相应的节点，是一种更为细致的研究方法。最直观的，DTI通过观察病变与关键功能区的关系，从而对外科术式具有指导意义。LOLLI 等在脑肿瘤患者基于BOLD 功能磁共振成像和DTI 纤维追踪研究表明，于术前脑功能区标测对手术入路和预后具有指导意义。近年来，DTI也被应用到认知障碍如阿尔茨海默病等疾病中。此外，DTI成像有助于脊髓损伤的诊断及病情变化的预估，为临床预后提供帮助。

综上所述，多参数MRI 技术不仅可以观察患者脑白质的结构情况，而且能够观察患者脑白质的代谢情况。该类技术被广泛应用于脑功能研究中，特别在探索神经精神障碍、心理障碍等疾病的神经病理生理学机制中发挥了独特的作用，为临床提供了新型的评估甚至治疗手段。但其局限性在于不同的研究由于样本量的大小、临床表现各异、研究方法及统计方法不一致，研究结果可能存在差异。未来将随着技术的不断进步和研究的不断深入，多参数MRI 在临床和科研中的应用将更加广泛，有助于为个体化医疗和精准治疗提供有力支持。

来源：井舒淇,曲正伟,于春海,等.基于多参数MRI的脑功能研究进展[J].医学影像学杂志,2025,35(03):112-116.DOI:10.20258/j.cnki.1006-9011.2025.03.026.