圖論現(xiàn)在正在成為系統(tǒng)神經(jīng)科學(xué)的標(biāo)準(zhǔn)工具。然而，將觀察到的大腦解剖和動(dòng)態(tài)變化賦予到一個(gè)復(fù)雜網(wǎng)絡(luò)表征表示通常涉及隱蔽的理論假設(shè)和方法選擇，這些假設(shè)和方法選擇影響從實(shí)驗(yàn)數(shù)據(jù)重建網(wǎng)絡(luò)的方式，并最終影響網(wǎng)絡(luò)屬性及其解釋。在這里，我們回顧了一些與大腦網(wǎng)絡(luò)重建相關(guān)的基本概念基礎(chǔ)和技術(shù)問題，并討論了它們?nèi)绾卧陉U明大腦功能的組織中相互影響。本文發(fā)表在Human Brain Mapping雜志。(可添加微信號(hào)siyingyxf或18983979082獲取原文，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群，原文也會(huì)在群里發(fā)布)。
溫故而知新，建議結(jié)合以下腦網(wǎng)絡(luò)相關(guān)解讀閱讀（直接點(diǎn)擊，即可瀏覽，加微信號(hào)siyingyxf或18983979082獲取原文及補(bǔ)充材料）：
靜息狀態(tài)fMRI功能連通性網(wǎng)絡(luò)中的比例閾值的選擇
網(wǎng)絡(luò)閾值和加權(quán)對(duì)結(jié)構(gòu)腦網(wǎng)絡(luò)的影響
現(xiàn)代物理評(píng)論：大腦網(wǎng)絡(luò)中的動(dòng)力學(xué)控制
重放，默認(rèn)模式網(wǎng)絡(luò)和記憶的級(jí)聯(lián)系統(tǒng)控制網(wǎng)絡(luò)和hubs
Nature Neuroscience：網(wǎng)絡(luò)神經(jīng)科學(xué)
PNAS：節(jié)食可調(diào)節(jié)年輕人腦網(wǎng)絡(luò)的穩(wěn)定性
網(wǎng)絡(luò)閾值和加權(quán)對(duì)結(jié)構(gòu)腦網(wǎng)絡(luò)的影響
復(fù)雜大腦網(wǎng)絡(luò)的結(jié)構(gòu)和功能人腦的連接性中心節(jié)點(diǎn)促進(jìn)了人腦網(wǎng)絡(luò)的模塊化 大腦狀態(tài)的重構(gòu)與認(rèn)知行為之間的映射 大腦是一種什么樣的網(wǎng)絡(luò)? 大尺度功能腦組織結(jié)構(gòu)：6個(gè)主要原則
圖論方法在大腦網(wǎng)絡(luò)中的應(yīng)用
大腦網(wǎng)絡(luò)結(jié)構(gòu)、功能和控制的物理學(xué)
腦網(wǎng)絡(luò)研究中的圖論指標(biāo)詳解
從宏觀尺度腦網(wǎng)絡(luò)的角度看結(jié)構(gòu)--功能關(guān)系
圖論在靜息態(tài)和動(dòng)態(tài)腦連接評(píng)估中的應(yīng)用：構(gòu)建腦網(wǎng)絡(luò)的方法
腦網(wǎng)絡(luò)組織的經(jīng)濟(jì)性
兒童神經(jīng)認(rèn)知網(wǎng)絡(luò)的動(dòng)態(tài)功能連接 動(dòng)態(tài)功能連接：前景、問題和解釋Nature reviews Neuroscience：認(rèn)知加工相關(guān)的默認(rèn)網(wǎng)絡(luò)自閉癥研究中的默認(rèn)網(wǎng)絡(luò)默認(rèn)網(wǎng)絡(luò)：最新的解剖、生理研究及其研究發(fā)展過程中的新觀點(diǎn)
腦網(wǎng)絡(luò)核心節(jié)點(diǎn)的發(fā)育
抑郁癥，神經(jīng)影像學(xué)和連接組學(xué)
重度抑郁癥多成像中心的泛化腦網(wǎng)絡(luò)標(biāo)志物
Biological Psychiatry：精分患者大腦的組織體積變化與腦網(wǎng)絡(luò)
Neuron：從簡(jiǎn)單映射到多維網(wǎng)絡(luò)
基于人腦連接組學(xué)將疾病癥狀映射于腦網(wǎng)絡(luò)
大腦連接障礙中跨腦疾病的連接圖論在識(shí)別人腦網(wǎng)絡(luò)連通性模式中的應(yīng)用
1.引言
復(fù)雜網(wǎng)絡(luò)理論在神經(jīng)科學(xué)中的引入代表了一場(chǎng)深刻的方法論革命，但在許多方面也是一場(chǎng)概念革命，促進(jìn)了新的研究途徑。網(wǎng)絡(luò)是節(jié)點(diǎn)和節(jié)點(diǎn)之間成對(duì)關(guān)系的集合，稱為邊或連接。賦予一個(gè)系統(tǒng)以網(wǎng)絡(luò)結(jié)構(gòu)意味著將它的某些部分與其它部分相聯(lián)系。盡管這一行動(dòng)顯然直截了當(dāng)，但從概念和實(shí)踐的角度來看，這一行動(dòng)非常重要，而且伴隨著一系列往往是隱含的假設(shè)。
用一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)來表示一個(gè)系統(tǒng)并不一定意味著這個(gè)系統(tǒng)的屬性就是相關(guān)網(wǎng)絡(luò)的屬性，也不一定意味著這個(gè)系統(tǒng)實(shí)際上是作為一個(gè)網(wǎng)絡(luò)來工作的。因此，在基礎(chǔ)層面上，網(wǎng)絡(luò)神經(jīng)科學(xué)必須解決這樣一個(gè)問題：網(wǎng)絡(luò)結(jié)構(gòu)是否反映了大腦現(xiàn)象的真實(shí)方面，或者是協(xié)同動(dòng)態(tài)活動(dòng)的附帶現(xiàn)象。但是，即使解決了上述問題，對(duì)神經(jīng)科學(xué)家來說，一個(gè)同樣重要的問題是如何從數(shù)據(jù)中提取這種結(jié)構(gòu)。因此，在解決本體論問題之前，有必要確定重建是否適當(dāng)?shù)剡M(jìn)行。當(dāng)然，“恰當(dāng)”的含義是非常重要的，是特定于背景的，關(guān)鍵取決于大腦活動(dòng)數(shù)據(jù)的收集、分析和解釋的方式。
根據(jù)經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)重建涉及的所有步驟需要謹(jǐn)慎選擇，因?yàn)閳D論本身并沒有提供方向。例如，對(duì)于用網(wǎng)絡(luò)結(jié)構(gòu)表示的空間的選擇，以及其邊界、節(jié)點(diǎn)和邊的定義，沒有標(biāo)準(zhǔn)。一般的重建過程，特別是這些選擇，在某種程度上與對(duì)所研究系統(tǒng)的特征的假設(shè)有關(guān)。例如，將大腦解剖和動(dòng)態(tài)賦予到一個(gè)網(wǎng)絡(luò)，表面上看起來可能是相當(dāng)相似的過程，但在一些基本的(不僅僅是技術(shù)的)方式上是不同的。一個(gè)明顯的區(qū)別在于邊的定義，前者比后者簡(jiǎn)單得多，但最基本的區(qū)別在于功能腦成像的對(duì)象的定義，即功能性腦活動(dòng)。
在余下的部分，我們回顧了功能網(wǎng)絡(luò)重建的概念基礎(chǔ)（第2節(jié)）。特別是，我們表明，定義功能腦活動(dòng)，從神經(jīng)成像數(shù)據(jù)中提取它，并用真正的功能網(wǎng)絡(luò)表示它。本文分析了在其他神經(jīng)科學(xué)綜述中很少涉及的問題，但這些問題對(duì)理解重建過程的技術(shù)方面至關(guān)重要（第3節(jié)）。本文還討論大腦功能活動(dòng)表征和網(wǎng)絡(luò)表征之間的相互作用，以及大腦活動(dòng)中功能的定義在多大程度上取決于大腦網(wǎng)絡(luò)重建的特定方式。
2. 網(wǎng)絡(luò)重建導(dǎo)論
系統(tǒng)水平的功能神經(jīng)成像技術(shù)提供神經(jīng)生理學(xué)的某些方面的離散時(shí)變成像（discrete time-varying images），通常與某些生理或認(rèn)知功能相關(guān)。因此，神經(jīng)影像學(xué)數(shù)據(jù)可能可以反映“真實(shí)”大腦活動(dòng)。
第一個(gè)重要問題是確定用于量化神經(jīng)成像數(shù)據(jù)的變量，允許恢復(fù)系統(tǒng)并使系統(tǒng)變成可觀察的條件和程度，即整個(gè)系統(tǒng)的內(nèi)部狀態(tài)可以從系統(tǒng)的輸出進(jìn)行重建。因此，神經(jīng)成像數(shù)據(jù)分析可以被認(rèn)為是一個(gè)重建或逆問題 (參見第2.2.2節(jié))。假設(shè)大腦活動(dòng)實(shí)際上具有某種結(jié)構(gòu)，例如對(duì)稱性，神經(jīng)成像數(shù)據(jù)分析的目的應(yīng)該是至少保留潛在結(jié)構(gòu)的某些特性。
第二個(gè)重要問題是，需要量化的東西通常不是大腦的動(dòng)態(tài)變化，而是大腦的功能活動(dòng)。用神經(jīng)成像技術(shù)記錄的活動(dòng)，如功能性磁共振成像(fMRI)、腦電圖(EEG)或磁腦電圖(MEG)，通常被稱為功能性的，但其本身并不是真正的功能性的。功能性大腦活動(dòng)可以被認(rèn)為是大腦動(dòng)態(tài)變化的一種特殊結(jié)構(gòu)。因此，功能性腦成像應(yīng)該提供真實(shí)和粗粒度空間各自結(jié)構(gòu)之間的映射。
最后，網(wǎng)絡(luò)神經(jīng)科學(xué)旨在描述大腦解剖和動(dòng)態(tài)變化的特征，并最終通過賦予它們一個(gè)網(wǎng)絡(luò)表征來發(fā)揮作用。一個(gè)網(wǎng)絡(luò)可以被認(rèn)為是一個(gè)連續(xù)空間的離散版本，具有特定的結(jié)構(gòu)。網(wǎng)絡(luò)節(jié)點(diǎn)和節(jié)點(diǎn)之間的關(guān)系(即邊)都被賦予了基本屬性?？傊?，系統(tǒng)水平的神經(jīng)成像的網(wǎng)絡(luò)分析涉及系統(tǒng)功能空間的復(fù)雜表征。至關(guān)重要的是，這些特性取決于大腦功能活動(dòng)的定義方式。定義腦功能活動(dòng)、從神經(jīng)成像數(shù)據(jù)中提取腦功能活動(dòng)并用真正的功能網(wǎng)絡(luò)表示腦功能活動(dòng)，相當(dāng)于許多粗粒化過程。
2.1 從腦動(dòng)態(tài)到腦功能活動(dòng)
最常見的表示系統(tǒng)水平腦活動(dòng)的方式，以及由標(biāo)準(zhǔn)神經(jīng)成像技術(shù)產(chǎn)生的時(shí)變數(shù)據(jù)，是作為嵌入在3D解剖空間中的潛在空間擴(kuò)展動(dòng)態(tài)系統(tǒng)的輸出。與腦動(dòng)態(tài)相關(guān)的空間Φ通常在從實(shí)驗(yàn)到發(fā)育或進(jìn)化的時(shí)域中，或者在頻域、相空間中被視為標(biāo)量場(chǎng)、矢量場(chǎng)或張量場(chǎng)。
不管它被定義在哪個(gè)領(lǐng)域，空間一般都有一些附加的結(jié)構(gòu)，也就是說，它的元素之間有某種關(guān)系。空間Φ通常等同于解剖空間本身，并被視為平滑的歐幾里得（Euclidean）空間。這意味著在這樣一個(gè)空間上定義了一個(gè)距離，也就是說，定義了一個(gè)計(jì)算連接該空間各點(diǎn)的曲線長(zhǎng)度的規(guī)則，并且可以使用標(biāo)準(zhǔn)計(jì)算工具在該空間內(nèi)進(jìn)行運(yùn)算，并比較或評(píng)估不同條件下的差異。然而，當(dāng)考慮整個(gè)大腦空間尺度時(shí)，解剖學(xué)和全腦動(dòng)態(tài)變化通常都不能被認(rèn)為是簡(jiǎn)單的歐幾里得空間。由腦回化產(chǎn)生的折疊結(jié)構(gòu)產(chǎn)生了具有非平凡的幾何形狀的物體。也許更重要的是，解剖學(xué)上相鄰的大腦腦區(qū)在動(dòng)態(tài)變化和功能上可能有根本的不同。Φ空間仍然可以使用一些幾何圖形，提供一種定義距離的方法。這可以通過假設(shè)解剖學(xué)嵌入的動(dòng)態(tài)空間是局部歐幾里得的來實(shí)現(xiàn)，這是解剖學(xué)數(shù)據(jù)分析中通常采用的近似。由此得到的空間是一個(gè)流形M，即由歐幾里得（Euclidean）小塊集合組成的幾何對(duì)象，Euclidean小塊是Φ空間的局部描述。總的來說，得到的幾何圖形在小塊內(nèi)是歐幾里得的，但是在更長(zhǎng)的空間上是不同的性質(zhì)標(biāo)度(參見第3.3.1節(jié))。這種空間的主要問題是理解其各部分可區(qū)分的條件，圖表如何相互關(guān)聯(lián)，如何處理兩個(gè)獨(dú)立圖表之間的重疊以及在不同坐標(biāo)中描述同一集合的變化 (見圖1)。
將大腦活動(dòng)視為動(dòng)態(tài)系統(tǒng)的輸出，可以將其建模為拓?fù)鋭?dòng)態(tài)系統(tǒng)，其中除了規(guī)定重疊圖表之間的匹配條件的規(guī)則之外，還定義了一些說明這種結(jié)構(gòu)的時(shí)間演化的函數(shù)。考慮到這種系統(tǒng)的動(dòng)態(tài)，情況就復(fù)雜了。這是因?yàn)榇竽X活動(dòng)不僅在解剖空間中具有非隨機(jī)結(jié)構(gòu)，而且在其動(dòng)態(tài)變化中也具有非隨機(jī)結(jié)構(gòu)。例如，在長(zhǎng)時(shí)間尺度下，大腦波動(dòng)的特征在于非平凡的屬性，如尺度不變性。這種性質(zhì)的存在導(dǎo)致例如時(shí)域中的特定幾何形狀(分形幾何形狀)。這種結(jié)構(gòu)與空間結(jié)構(gòu)相互作用，潛在地產(chǎn)生任意復(fù)雜的拓?fù)湫再|(zhì)。
2.1.1 功能空間的概念
神經(jīng)成像有助于達(dá)到認(rèn)知神經(jīng)科學(xué)的雙重目標(biāo)：一方面了解大腦解剖結(jié)構(gòu)和在其上的動(dòng)態(tài)變化如何控制功能，另一方面了解認(rèn)知或生理任務(wù)的需求如何作用于大腦解剖和動(dòng)態(tài)，在大腦中產(chǎn)生功能細(xì)分。這可以通過將認(rèn)知功能空間ψ{ψ1，ψ2，…，ψJ}映射到有限的，與可觀察到的大腦解剖學(xué)或生理學(xué)方面的一組功能有限集合{Φ1，Φ2，…，Φk}∈Φ上來實(shí)現(xiàn)，它與在靜息態(tài)或任務(wù)態(tài)被試者的指標(biāo) {γ1, γ2, …, γL} ∈Γ相關(guān)。使用神經(jīng)成像技術(shù)定義功能性腦活動(dòng)包括劃分兩個(gè)復(fù)雜空間，這兩個(gè)復(fù)雜空間分別通過行為和腦記錄技術(shù)變得可觀察，將結(jié)構(gòu)置于等價(jià)類的集合上，并且映射對(duì)應(yīng)的結(jié)構(gòu)，從而通過一個(gè)空間將另一個(gè)空間參數(shù)化。如何構(gòu)造這些分區(qū)，相應(yīng)的空間可能采取什么形式，什么可能被視為功能，取決于（Ψ,SΨ）和（Φ，SΦ），其中S表示一個(gè)通用結(jié)構(gòu)，通過π（或π’）定義的并相互映射的。在這樣的空間中，一個(gè)空間中的圖表之間的坐標(biāo)和轉(zhuǎn)換是由另一個(gè)空間中的相應(yīng)圖表來定義的。
功能空間的結(jié)構(gòu)
功能空間的細(xì)分取決于Φ和Ψ的定義方式，它們各自的結(jié)構(gòu)以及它們通過某些函數(shù)π（或π’）映射到彼此的方式（見圖2）。π可以被認(rèn)為是一個(gè)保持結(jié)構(gòu)的映射，因?yàn)槔硐肭闆r下，人們希望一個(gè)空間中的細(xì)分映射到另一個(gè)空間中的細(xì)分上，盡管它的本質(zhì)、屬性（例如，可逆性、連續(xù)性）等是基于情況而定的。功能結(jié)構(gòu)是兩個(gè)方面結(jié)合的結(jié)果：一方面是神經(jīng)生理空間的可及性結(jié)構(gòu)，也就是說，哪些可觀察到的變化在所評(píng)估的空間中是可實(shí)現(xiàn)的；另一方面是神經(jīng)生理中性結(jié)構(gòu)，即那些在一個(gè)空間中的變化對(duì)它們被投射到的空間沒有影響。這兩個(gè)因素的結(jié)合可能會(huì)產(chǎn)生一個(gè)相當(dāng)不平凡的結(jié)構(gòu)。值得注意的是，當(dāng)考慮功能而不是純粹的動(dòng)態(tài)時(shí)，各種重要的性質(zhì)，例如鄰近性和鄰域，可能會(huì)發(fā)生質(zhì)的變化，前者可能不是一個(gè)度量空間，甚至不是一個(gè)拓?fù)淇臻g。其他屬性的定義，如路徑依賴和魯棒性，也可能在動(dòng)態(tài)到功能的轉(zhuǎn)換中發(fā)生變化。
2.2 從功能活動(dòng)到功能網(wǎng)絡(luò)
2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
一種越來越流行的為神經(jīng)成像數(shù)據(jù)配備結(jié)構(gòu)的方法是賦予它們網(wǎng)絡(luò)結(jié)構(gòu)。一個(gè)網(wǎng)絡(luò)是一個(gè)對(duì)G=（V，E），其中V是節(jié)點(diǎn)的有限集合，E?V?V是V的有序?qū)Φ募?，稱為邊（或連接）。對(duì)于簡(jiǎn)單網(wǎng)絡(luò)，E是V上的對(duì)稱關(guān)系，對(duì)于有向網(wǎng)絡(luò)，E是反對(duì)稱關(guān)系。
在某種意義上，網(wǎng)絡(luò)分析的運(yùn)作方式與神經(jīng)成像本身相同。神經(jīng)成像數(shù)據(jù)可以初步被認(rèn)為是帶有噪聲的動(dòng)態(tài)模型，該噪聲是在給定記錄設(shè)備上檢測(cè)不到的并對(duì)大腦活動(dòng)進(jìn)行平均。這意味著，在不可觀測(cè)活動(dòng)和可觀測(cè)活動(dòng)之間存在一個(gè)映射π: ΦNObs→ΦObs。將大腦空間與網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)聯(lián)構(gòu)成了一種特定的粗粒化，其中ΦObs的每個(gè)部分，一個(gè)基本上連續(xù)的空間(盡管經(jīng)驗(yàn)數(shù)據(jù)當(dāng)然是離散的)，用一個(gè)離散點(diǎn)來標(biāo)識(shí)。ΦObs可以被粗略地認(rèn)為是神經(jīng)活動(dòng)在特定神經(jīng)成像技術(shù)無法觀察到的尺度上發(fā)生的重正化。微觀尺度重正化為宏觀尺度的方式以及π映射所產(chǎn)生的性質(zhì)還不太清楚，但可以幫助確定Φ局部同構(gòu)于Rn的尺度，并可以有效地被視為拓?fù)淞餍巍?/span>
重要的功能元件也包含在網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)系中。在網(wǎng)絡(luò)神經(jīng)科學(xué)中，關(guān)系E基于連通性和相關(guān)性，廣義上通常被用作相關(guān)空間中相鄰的代理。連通度是拓?fù)淇臻g最重要的性質(zhì)之一，它表達(dá)了一個(gè)直觀的想法，即一個(gè)實(shí)體不能被表示為彼此分離的兩個(gè)部分的和。在保持給定空間的拓?fù)湫再|(zhì)的映射下，連通性是保持的。連接的選擇與動(dòng)態(tài)連接在健康大腦功能以及在一些神經(jīng)系統(tǒng)和精神疾病方面中的作用是一致的。連通性的選擇與動(dòng)態(tài)連通性在健康大腦功能和幾種神經(jīng)和精神疾病。組件節(jié)點(diǎn)之間的關(guān)系導(dǎo)致度量(盡管不是歐幾里德的)和拓?fù)湫再|(zhì)。
總之，雖然網(wǎng)絡(luò)表征原則上應(yīng)該闡明功能腦活動(dòng)的關(guān)鍵方面，但是反過來，關(guān)于什么應(yīng)該被視為功能性的假設(shè)對(duì)相關(guān)網(wǎng)絡(luò)具有深遠(yuǎn)的影響，在功能腦活動(dòng)的定義和量化之間引入了循環(huán)。
2.2.2 重建相關(guān)原則
網(wǎng)絡(luò)神經(jīng)科學(xué)是一個(gè)特殊的逆問題。就活動(dòng)場(chǎng)被離散化而言，關(guān)鍵方面不是動(dòng)態(tài)本身而是功能，使用網(wǎng)絡(luò)重建來表征功能腦活動(dòng)包括確定產(chǎn)生給定功能的所有網(wǎng)絡(luò)的集合。根據(jù)定義，反問題在沒有邊界條件的情況下是不適定的。規(guī)定這些條件涉及不同程度的任意選擇。重建應(yīng)該理想地滿足一些部分相關(guān)的標(biāo)準(zhǔn):
1.還原性。一個(gè)基本問題涉及到大腦活動(dòng)是否真的可以簡(jiǎn)化為一個(gè)網(wǎng)絡(luò)表征。大腦是一個(gè)無序的空間擴(kuò)展系統(tǒng)，具有復(fù)雜的動(dòng)態(tài)和不完全理解的功能組織。雖然復(fù)雜網(wǎng)絡(luò)的屬性能夠很好地反映這種系統(tǒng)的許多方面，例如其強(qiáng)烈的無序度，但離散化會(huì)導(dǎo)致多少信息丟失，以及信息丟失的程度取決于網(wǎng)絡(luò)重建的特定方式，這些仍然是很難理解的問題。
2. 可觀察性。網(wǎng)絡(luò)表征在何種程度和何種條件下能夠?qū)崿F(xiàn)良好的可觀測(cè)性。
3. 結(jié)構(gòu)相似性。理想情況下，網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)該反映功能空間的結(jié)構(gòu)，也就是說，它們之間應(yīng)該有一個(gè)保持結(jié)構(gòu)的映射。
4. 特性保留。一個(gè)合適的結(jié)構(gòu)應(yīng)該保留空間的基本動(dòng)態(tài)和結(jié)構(gòu)特性。這些特性包括(a)獲得系統(tǒng)動(dòng)態(tài)規(guī)則的能力以及對(duì)稱性。至少在經(jīng)典模擬中，網(wǎng)絡(luò)表示引入了對(duì)稱性，而對(duì)稱性可能不是系統(tǒng)固有的。
5. 內(nèi)在性。網(wǎng)絡(luò)屬性應(yīng)該是內(nèi)在的，也就是說，它們應(yīng)該相對(duì)于用來識(shí)別它們的網(wǎng)絡(luò)結(jié)構(gòu)的重建方式表現(xiàn)出某種不變性。
大腦動(dòng)態(tài)和功能網(wǎng)絡(luò)的哪些屬性可以、實(shí)際上做到了或應(yīng)該被記錄了以上原則，以及這些意味著什么，構(gòu)成了網(wǎng)絡(luò)重建中需要解決的基本問題。
如果您對(duì)腦網(wǎng)絡(luò)等數(shù)據(jù)分析感興趣，可瀏覽思影科技課程及服務(wù)，感謝轉(zhuǎn)發(fā)支持（可添加微信號(hào)siyingyxf或18983979082咨詢，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群）:
南京：
第七十六屆磁共振腦影像基礎(chǔ)班（南京，1.10-15）
第三十五屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班(南京，2.1-6）
第二十六屆腦影像機(jī)器學(xué)習(xí)班（南京，2.17-22）
重慶：
第二十三屆磁共振腦影像結(jié)構(gòu)班（重慶，2.8-13）
第七十三屆磁共振腦影像基礎(chǔ)班(重慶，2.17-22）
第二十五屆腦影像機(jī)器學(xué)習(xí)班（重慶，2.26-3.3）
北京：
第三十四屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（北京，2.9-14）
第七十五屆磁共振腦影像基礎(chǔ)班（北京，2.23-28）
上海：
第七屆擴(kuò)散磁共振成像提高班（上海，1.12-17）
第二十五屆磁共振腦影像結(jié)構(gòu)班（上海，2.3-8）
第二十九屆擴(kuò)散成像數(shù)據(jù)處理班（上海，2.11-16）
第十四屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班（上海，2.22-27）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI）數(shù)據(jù)處理
思影科技DTI-ALPS數(shù)據(jù)處理業(yè)務(wù)
思影科技腦結(jié)構(gòu)磁共振（T1)成像數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)ASL數(shù)據(jù)處理業(yè)務(wù)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動(dòng)物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長(zhǎng)類動(dòng)物fMRI分析業(yè)務(wù)
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
Artinis近紅外腦功能成像系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
3.大腦網(wǎng)絡(luò)重建
以網(wǎng)絡(luò)表征大腦動(dòng)態(tài)變化與將全局大腦活動(dòng)作為來自于振蕩神經(jīng)元集合的耦合的模型一致。在這個(gè)意義上，網(wǎng)絡(luò)神經(jīng)科學(xué)可以被視為一種特定的神經(jīng)場(chǎng)理論，其中有限數(shù)量的神經(jīng)塊根據(jù)給定的依賴于特定情景的拓?fù)浣Y(jié)構(gòu)進(jìn)行交互。
然而，不僅基于經(jīng)驗(yàn)數(shù)據(jù)編寫大腦動(dòng)態(tài)方程是一項(xiàng)艱巨的任務(wù)，而且在標(biāo)準(zhǔn)的系統(tǒng)水平的神經(jīng)成像中，定義振蕩器不是一件小事。在這些尺度上，節(jié)點(diǎn)的定義遠(yuǎn)不如單神經(jīng)元尺度上的直觀，在單神經(jīng)元尺度上，單位是明確定義的。節(jié)點(diǎn)應(yīng)該以不同的方式來識(shí)別。這通常涉及解剖空間上功能投影，由此節(jié)點(diǎn)映射系統(tǒng)的微觀尺度的空間局部特征。然而，解剖結(jié)構(gòu)-功能映射是復(fù)雜的，人們對(duì)其了解甚少。
功能網(wǎng)絡(luò)重構(gòu)通常表現(xiàn)為節(jié)點(diǎn)和邊定義的過程，并且包括一系列離散的步驟。這種劃分在很大程度上既是啟發(fā)式的，因?yàn)槊恳徊降臎Q策關(guān)鍵取決于其他步驟的選擇，也是不完整的，因?yàn)楣?jié)點(diǎn)和邊的表征在邏輯上是在選擇定義網(wǎng)絡(luò)結(jié)構(gòu)的空間之前進(jìn)行的。
3.1 空間識(shí)別
被賦予網(wǎng)絡(luò)結(jié)構(gòu)的空間與記錄動(dòng)態(tài)變化的解剖空間是同構(gòu)的。通常，解剖空間將構(gòu)成動(dòng)態(tài)的嵌入和配置空間。這種表征可以簡(jiǎn)化分析。例如，空間可以被賦予歐幾里得度量。此外，它使生理學(xué)術(shù)語(yǔ)的解釋和解剖與動(dòng)態(tài)網(wǎng)絡(luò)之間的比較變得簡(jiǎn)單明了。
在fMRI研究中，解剖空間不僅是大腦動(dòng)態(tài)變化發(fā)生的空間，也是成像數(shù)據(jù)收集的空間。所有大腦的解剖空間并不相同。特別地，在每個(gè)受試者的所謂的自然空間中收集fMRI數(shù)據(jù)，并且還可以將MEG和EEG數(shù)據(jù)源建模到自然空間。然而，用作功能網(wǎng)絡(luò)節(jié)點(diǎn)的大腦區(qū)域(參見3.2.1節(jié))是在一些標(biāo)準(zhǔn)空間中定義的，最常用的是MNI空間。因此，在網(wǎng)絡(luò)構(gòu)建之前，神經(jīng)成像數(shù)據(jù)通常被轉(zhuǎn)換到標(biāo)準(zhǔn)空間。該轉(zhuǎn)換旨在將不同受試者的成像映射到標(biāo)準(zhǔn)空間中。根據(jù)功能和解剖之間的假設(shè)聯(lián)系，這可以通過匹配大腦大小和輪廓或更詳細(xì)的解剖結(jié)構(gòu)如腦溝來實(shí)現(xiàn)。另一個(gè)更罕見的選擇是將ROI映射到每個(gè)受試者的個(gè)體空間，并在那里構(gòu)建網(wǎng)絡(luò)。一些研究報(bào)告了空間之間的網(wǎng)絡(luò)度量沒有差異，也有研究者表明個(gè)體空間中構(gòu)建的模型有更多的局部結(jié)構(gòu)和更清晰的局部節(jié)點(diǎn)。此外，在個(gè)體空間中計(jì)算的網(wǎng)絡(luò)度量比其標(biāo)準(zhǔn)空間的網(wǎng)絡(luò)更好地預(yù)測(cè)癲癇兒童的智商，盡管標(biāo)準(zhǔn)空間度量?jī)?yōu)于非標(biāo)準(zhǔn)化的個(gè)體空間度量。然而，標(biāo)準(zhǔn)空間變換對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和度量的影響還不完全清楚，最佳空間的選擇可能取決于多個(gè)因素，包括網(wǎng)絡(luò)節(jié)點(diǎn)的定義。
3.2 空間分割
節(jié)點(diǎn)是網(wǎng)絡(luò)結(jié)構(gòu)的基本對(duì)象，構(gòu)成了網(wǎng)絡(luò)分析的微觀尺度。除了它們的點(diǎn)態(tài)性質(zhì)，網(wǎng)絡(luò)理論對(duì)它們的性質(zhì)沒有任何規(guī)定。
從動(dòng)態(tài)腦成像數(shù)據(jù)中定義節(jié)點(diǎn)意味著空間分割，根據(jù)給定的屬性來確定空間的方向，并識(shí)別由離散點(diǎn)產(chǎn)生的開放集合。這是通過一個(gè)復(fù)雜的重正化過程來實(shí)現(xiàn)的，該過程涉及許多自由選擇，以定義以下部分相關(guān)的屬性:
1. 一般構(gòu)建標(biāo)準(zhǔn)/原則。這些可能包括基于解剖學(xué)的規(guī)則，例如求助于可用的圖集，和數(shù)據(jù)驅(qū)動(dòng)的方法。
有一類方法，數(shù)據(jù)驅(qū)動(dòng)方法，試圖盡可能少地依賴于先驗(yàn)理論，讓功能從動(dòng)態(tài)中浮現(xiàn)出來。最大的不確定性可能涉及到由記錄大腦設(shè)備的精度引起的微觀尺度的一對(duì)一映射。對(duì)于非侵入式的電生理技術(shù)，這種空間劃分可能與傳感器空間表面上一致，主要問題是傳感器如何很好地采樣動(dòng)態(tài)系統(tǒng)。在源重建空間上工作將允許在解剖學(xué)上定義的大腦區(qū)域活動(dòng)進(jìn)行更可靠的解釋，但是逆模型的準(zhǔn)確性和源點(diǎn)的劃分都會(huì)影響分析結(jié)果，并且往往會(huì)限制可重建網(wǎng)絡(luò)的大小。在fMRI中，用體素進(jìn)行分區(qū)，但是主要問題是找到在功能上有意義的分區(qū)。另一類方法，是基于先驗(yàn)圖譜，使用先驗(yàn)知識(shí)，例如解剖學(xué)或組織學(xué)，來定義解剖空間的分區(qū)，考慮到功能空間的無序性質(zhì)，一般想法是直接將功能上有意義的分區(qū)劃分出來。在這里，問題在于復(fù)雜的解剖-動(dòng)態(tài)-功能之間的關(guān)系。
2. 成員規(guī)則（Membership rules），例如解剖空間中的定位或統(tǒng)計(jì)標(biāo)準(zhǔn)，如聚類方法，直接反映了所選擇的重建原則。
3. 空間分割規(guī)則，例如，嚴(yán)格意義上的分割、模糊分割或重疊分割或大小規(guī)則，以不同方式對(duì)相關(guān)空間進(jìn)行分隔。此外，空間劃分不必是時(shí)間不變的，節(jié)點(diǎn)的定義可以是時(shí)間可變；例如，節(jié)點(diǎn)在解剖空間中可能是空間不穩(wěn)定的(參見第3.4.3節(jié))。
4. 幾何或拓?fù)湟?guī)則。通常，分割解剖空間包括稱為感興趣區(qū)域(ROI)的大節(jié)點(diǎn)。在這種情況下，通常需要解剖空間中的其他重要屬性，例如局部性、緊密性和連通性。這些屬性是由經(jīng)典的解剖到功能的投影所激發(fā)的，但也是由在相關(guān)空間中執(zhí)行操作的需要所激發(fā)的，例如比較空間的不同部分(參見第3.3.1節(jié))。
作為一項(xiàng)基本要求，分割應(yīng)該使從體素到ROI的轉(zhuǎn)換中丟失的信息量最小化。為此，感興趣區(qū)域必須在功能上是同質(zhì)的，或者換句話說，包括足夠相似的體素，以便用單個(gè)感興趣區(qū)域時(shí)間序列來表示。功能同質(zhì)性可以作為例如體素時(shí)間序列的相似性，體素連接性，描述體素激活的一般線性模型參數(shù)，或觀察到的活動(dòng)z得分來測(cè)量。功能同質(zhì)性的適當(dāng)測(cè)量的選擇取決于如何觀察ROI時(shí)間序列。
在所有這些措施中創(chuàng)造一個(gè)最優(yōu)分割是具有挑戰(zhàn)性的。因此，采用何種分割方案取決于研究的總體目的。例如，如果目的是表征腦功能或模擬腦活動(dòng)，那么節(jié)點(diǎn)應(yīng)該緊密地反映想要模擬的屬性。
3.2.1 定義ROI
使用ROI的動(dòng)機(jī)
典型的全腦fMRI大約有106個(gè)體素，而在MEG/EEG中，當(dāng)應(yīng)用源重建時(shí)，由數(shù)百個(gè)傳感器收集的數(shù)據(jù)通常被逆建模為約106個(gè)源點(diǎn)的時(shí)間序列。這些體素或源點(diǎn)可以作為功能性腦網(wǎng)絡(luò)分析的自然候選節(jié)點(diǎn)出現(xiàn)。然而，網(wǎng)絡(luò)節(jié)點(diǎn)通常描繪更大的體素或源點(diǎn)的空間連續(xù)團(tuán)塊，稱為ROI。ROI的適當(dāng)定義對(duì)于fMRI和源模型腦磁圖和腦電圖數(shù)據(jù)的分析同樣重要。通常，相同的ROI定義方法可用于分析兩種成像模式，特別是如果腦磁圖或腦電圖源重建基于MRI的解剖信息。相反，ROI定義的問題與傳感器空間MEG和EEG分析無關(guān)。
使用ROI作為網(wǎng)絡(luò)節(jié)點(diǎn)有幾個(gè)原因。最重要的是降維:大量的節(jié)點(diǎn)可能導(dǎo)致噪聲鄰接矩陣，特別是因?yàn)轶w素和源點(diǎn)時(shí)間序列的信噪比(SNR)通常不是特別高。一般來說，對(duì)于體素和源點(diǎn)級(jí)網(wǎng)絡(luò)，解釋關(guān)系甚至提供圖形表示可能會(huì)很困難。此外，體素和源點(diǎn)級(jí)網(wǎng)絡(luò)中的大量節(jié)點(diǎn)增加了計(jì)算成本。而且，已知認(rèn)知功能覆蓋大于單個(gè)體素或源點(diǎn)的皮質(zhì)區(qū)域。因此，ROI水平分析的結(jié)果可能比體素或源點(diǎn)水平分析的結(jié)果更容易在神經(jīng)生理學(xué)背景下解釋。
與許多其他網(wǎng)絡(luò)的節(jié)點(diǎn)不同，ROI在空間上不是點(diǎn)狀的。因此，它們的重建包括定義邊界和內(nèi)部屬性，這些屬性決定了每個(gè)區(qū)域與其他區(qū)域相互作用的方式。
先驗(yàn)圖集還是數(shù)據(jù)驅(qū)動(dòng)的分割？
缺乏大腦分割的標(biāo)準(zhǔn)方法產(chǎn)生了多種節(jié)點(diǎn)定義。從方法論的角度來看，各種ROI定義方法可以分為兩類。大多數(shù)分割技術(shù)基于先驗(yàn)圖譜，根據(jù)例如解剖或功能來定義。另一種方法是使用當(dāng)前數(shù)據(jù)的特征來分割大腦，即數(shù)據(jù)驅(qū)動(dòng)技術(shù)。
大腦功能從高度局部化到高度擴(kuò)展。圖譜方法基于以下假設(shè)：相對(duì)少量的局部ROI可以準(zhǔn)確地捕獲大腦動(dòng)態(tài)變化。然而，這一假設(shè)不能保證成立，并且很難用實(shí)驗(yàn)數(shù)據(jù)來檢驗(yàn)其有效性。事實(shí)上，在就功能同質(zhì)性以及從體素到ROI的轉(zhuǎn)換中信息的保留能力方面，數(shù)據(jù)驅(qū)動(dòng)的分割優(yōu)于先驗(yàn)地圖集。此外，基于fMRI數(shù)據(jù)和數(shù)據(jù)驅(qū)動(dòng)的分割方法的分類模型產(chǎn)生更高的預(yù)測(cè)準(zhǔn)確性。盡管有證據(jù)支持?jǐn)?shù)據(jù)驅(qū)動(dòng)的分割，先驗(yàn)圖集仍然被普遍使用，因?yàn)樗鼈円子趹?yīng)用，并且可以比數(shù)據(jù)驅(qū)動(dòng)的方法更直接地解釋結(jié)果。
從概念的角度來看，比較這些方法的不同之處在于它們?cè)试S功能出現(xiàn)的方式(參見第2.1.1節(jié))。這兩種方法屬于兩種性質(zhì)不同的方法，分別是理論驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)，在用于參數(shù)化大腦活動(dòng)的空間上有所不同?；趫D譜的方法使用解剖結(jié)構(gòu)上的局部功能投影，而數(shù)據(jù)驅(qū)動(dòng)的方法通常使用數(shù)據(jù)的動(dòng)態(tài)特征。令人感興趣的是，功能既作為動(dòng)態(tài)變化發(fā)生的空間的先驗(yàn)成分，又作為在適當(dāng)耦合值下從網(wǎng)絡(luò)動(dòng)態(tài)出現(xiàn)的關(guān)聯(lián)空間的子集。在數(shù)據(jù)驅(qū)動(dòng)的方法中，分割以及最終的功能都來自于動(dòng)態(tài)特征。
基于圖譜的分割方法，參數(shù)化空間在構(gòu)造上是靜態(tài)的，數(shù)據(jù)驅(qū)動(dòng)的分割方法，它可能是隨時(shí)間變化的。然而，隨著時(shí)間軸的折疊，這兩種方法失去其中一個(gè)不同的維度。這些因素有助于解釋為什么，盡管地圖集和數(shù)據(jù)驅(qū)動(dòng)方法之間的差異可能看起來是根本性的，但在某些情況下，這兩種方法可能會(huì)產(chǎn)生重疊的結(jié)果。
ROI邊界的重正化
在接下來的章節(jié)中，我們回顧了分割策略，這些策略根據(jù)它們所利用的大腦特征和它們旨在優(yōu)化的ROI屬性進(jìn)行分組。
微結(jié)構(gòu)分割。根據(jù)細(xì)胞水平的微觀結(jié)構(gòu)對(duì)大腦進(jìn)行分組具有悠久的傳統(tǒng)，可以追溯到Brodmann關(guān)于腦細(xì)胞結(jié)構(gòu)的開創(chuàng)性工作以及Vogt關(guān)于脊髓結(jié)構(gòu)的工作。這些分割策略是基于大腦中細(xì)胞類型的多樣性:不同的細(xì)胞被假設(shè)專門從事不同的任務(wù)，因此功能相似的ROI的邊界應(yīng)該遵循不同細(xì)胞類型之間的邊界。
早期的顯微結(jié)構(gòu)分割基于光學(xué)顯微鏡研究，沒有參考大腦的解剖標(biāo)志，而現(xiàn)代方法將細(xì)胞水平染色方法與大規(guī)模結(jié)構(gòu)神經(jīng)成像相結(jié)合。例如，Ding等人應(yīng)用尼氏染色和NFP和PV免疫標(biāo)記，以及MRI和擴(kuò)散加權(quán)成像，標(biāo)記了一名34歲女性大腦中的862個(gè)灰質(zhì)和白質(zhì)結(jié)構(gòu)。Julich–Brain項(xiàng)目結(jié)合了來自不同亞研究的概率細(xì)胞結(jié)構(gòu)圖，這些圖是使用從23名受試者中選擇的10名受試者的尸檢數(shù)據(jù)，通過改良的Merker染色和MRI的解剖學(xué)信息獲得的。目前，Julich-Brain圖譜包含每個(gè)半球120個(gè)區(qū)域，覆蓋了大約80%的皮層體積;然而，隨著新的子研究的發(fā)表，該圖集不斷更新新的區(qū)域。
解剖分割。在許多常用的分割策略中，定義皮質(zhì)區(qū)域的標(biāo)準(zhǔn)基于解剖空間中皮質(zhì)區(qū)域水平的結(jié)構(gòu)-功能關(guān)聯(lián)。解剖分割策略使用非侵入性成像方法收集的數(shù)據(jù)，通常是結(jié)構(gòu)性MRI。
解剖ROI通常被用作功能性腦網(wǎng)絡(luò)的節(jié)點(diǎn)，該功能性腦網(wǎng)絡(luò)由fMRI和源建模的腦磁圖和腦電圖數(shù)據(jù)構(gòu)建?？赡茏畛Ｓ玫氖亲詣?dòng)解剖標(biāo)記(AAL)圖譜。AAL的最新版本AAL3 包含166個(gè)ROI。另一種常用的解剖分割，Desikan–killi any圖譜是通過將40名不同年齡和健康狀況的受試者的皮質(zhì)手動(dòng)標(biāo)記為每個(gè)半球34個(gè)區(qū)域，并使用概率算法將這些區(qū)域轉(zhuǎn)化為皮質(zhì)圖譜而構(gòu)建的。Desikan-killi any地圖集還構(gòu)成了哈佛-牛津概率圖譜的一部分。在哈佛-牛津概率圖譜中，每個(gè)體素分別被賦予屬于48個(gè)皮層和21個(gè)皮層下ROI的概率。
哈佛-牛津概率圖譜, Desikan–Killiany, and AAL都提供了一個(gè)圖譜，在將數(shù)據(jù)從受試者的個(gè)體空間轉(zhuǎn)換到標(biāo)準(zhǔn)空間后，將ROI標(biāo)簽分配給體素。在空間分割中，ROI標(biāo)記的先驗(yàn)圖譜首先被變換到個(gè)體空間，并且在變換到標(biāo)準(zhǔn)空間之前，體素被賦予ROI標(biāo)簽。
由解剖分割創(chuàng)建的ROI的大小往往變化很大。雖然這種變化可能是大腦的真實(shí)屬性，但它也可能使網(wǎng)絡(luò)分析的結(jié)果產(chǎn)生偏差，這取決于網(wǎng)絡(luò)邊是如何定義的。為了消除這種偏差，一些研究進(jìn)一步微調(diào)了解剖ROI，將它們沿軸分割成體素或源點(diǎn)位置方差最大的子區(qū)域。
功能分割。在功能分割方法中，ROI被定義為功能等價(jià)類，即具有相似功能的體素或源點(diǎn)組。這些分割的定義取決于記錄技術(shù)和大腦活動(dòng)的時(shí)間尺度。功能性ROI可以由刺激特性和響應(yīng)函數(shù)來定義，例如，動(dòng)態(tài)范圍，即由刺激產(chǎn)生的可區(qū)分的神經(jīng)反應(yīng)，或動(dòng)態(tài)指令集，即不同的反應(yīng)的數(shù)量。另一方面，對(duì)于缺乏特征持續(xù)時(shí)間和刻板印象的過程，如思維或推理，功能分割在概念上和技術(shù)上都是艱巨的。
歷史上，ROI一詞指的是大腦的一部分，通常是一組fMRI體素，由于在某項(xiàng)任務(wù)中觀察到它的激活，因此受到特定關(guān)注。這仍然是定義功能性ROI的標(biāo)準(zhǔn)方式:ROI質(zhì)心被定義為與一個(gè)任務(wù)或一組任務(wù)相關(guān)的激活圖的峰值坐標(biāo)，并且ROI通過在質(zhì)心周圍設(shè)置相對(duì)小的球體或立方體來形成。這種方法產(chǎn)生至少近似均勻尺寸的ROI。通常，球形功能感興趣區(qū)域僅覆蓋一部分，這顯然會(huì)導(dǎo)致被排除體素的信息丟失。
以數(shù)據(jù)驅(qū)動(dòng)的方式分割需要額外的成像數(shù)據(jù)。因此，這些分割通常被用作先驗(yàn)圖譜，不能解釋受試者之間的個(gè)體差異。Blumensath等人通過最大化ROI內(nèi)體素時(shí)間序列的相似性而不是定位活動(dòng)峰值來解決這個(gè)問題。該方法是雙重的:第一，小團(tuán)塊在許多種子體素周圍生長(zhǎng)。接下來，使用分層聚類將這些團(tuán)塊組合成最終ROIs，在不同階段切割聚類樹產(chǎn)生不同數(shù)量的ROI。
另一種常用的功能分割方法，特別是在fMRI分析中，是獨(dú)立成分分析(ICA))。眾多的ICA方法可以分為兩個(gè)領(lǐng)域:時(shí)間ICA (tICA)和空間ICA (sICA) )。tICA識(shí)別時(shí)間上獨(dú)立的信號(hào)成分，可能源自空間上重疊的區(qū)域。根據(jù)定義，這些組件是不相關(guān)的，這排除了它們作為網(wǎng)絡(luò)節(jié)點(diǎn)的用途。另一方面，sICA將數(shù)據(jù)分成一組空間獨(dú)立的成分，即源自非重疊體素的成分。對(duì)于群體水平的分析，首先執(zhí)行群體sICA，然后將檢測(cè)到的成分注冊(cè)回每個(gè)受試者的原生空間。盡管sICA的空間獨(dú)立性要求，但是組件之間的時(shí)間依賴性是可能的，從而允許將網(wǎng)絡(luò)的邊定義為sICA時(shí)間組件之間的相似性?？臻g獨(dú)立性要求確保了基于sICA的節(jié)點(diǎn)不會(huì)重疊；然而，取決于所選擇的組件數(shù)量，節(jié)點(diǎn)可以是空間不連續(xù)的。
基于獨(dú)立成分分析的分割方法尋找在時(shí)間或空間上獨(dú)立的大腦活動(dòng)成分。然而，大腦活動(dòng)成分不太可能在任一域中完全獨(dú)立，這質(zhì)疑了基于ICA的ROI的準(zhǔn)確性。PROFUMO方法通過使用貝葉斯推理模型將大腦活動(dòng)劃分為概率功能模式(PFM)來解決這個(gè)問題。雖然PROFUMO最大限度地提高了PFM在空間和時(shí)間上的聯(lián)合獨(dú)立性，但對(duì)于單獨(dú)在任何一個(gè)域中的獨(dú)立性沒有嚴(yán)格的條件。因此，PFM可能在空間上重疊并相關(guān)，允許研究它們之間的功能連接。
基于連接的分割。基于連接的分割旨在產(chǎn)生包含具有最大相似連接的體素或源點(diǎn)的ROI。這種方法將拓?fù)?span>(連接性、連續(xù)性、緊密性)和幾何(局部連續(xù)性)標(biāo)準(zhǔn)相結(jié)合。
這些分割既可以在單個(gè)受試者層面進(jìn)行，產(chǎn)生單個(gè)感興趣區(qū)域，也可以在群體層面進(jìn)行，結(jié)合在多個(gè)受試者中觀察到的關(guān)聯(lián)性?；谶B接的分割方法可以大致分為兩類:局部梯度方法和全局相似性方法。
局部梯度方法將ROI邊界檢測(cè)為兩個(gè)相鄰體素之間連通性的突然變化。這種方法是由Cohen等人引入并由Nelson等人進(jìn)一步開發(fā)的，為3mm網(wǎng)格中的每個(gè)種子點(diǎn)創(chuàng)建了與其余種子相比的連通性相似圖。然后，邊緣檢測(cè)算法在每個(gè)相似性圖中檢測(cè)潛在的ROI邊界。這些邊界的組級(jí)平均值給出了每個(gè)體素成為ROI邊界的一部分的概率，并且可以通過在該概率圖上應(yīng)用分水嶺算法來檢測(cè)ROI。后來，Power等人用一系列功能定義的ROI補(bǔ)充了這種分割方法，以創(chuàng)建Power atlas。Wig、Laumann和Petersen和Gordon等人提出了類似的方法。
梯度方法不直接解決體素連接的相似性，盡管它們?cè)趯?shí)踐中經(jīng)常產(chǎn)生具有相對(duì)高連接的同質(zhì)性的ROI。另一方面，基于全局連通性相似性的分割方法將具有最大相似連接性的體素聚類在一起，而不依賴于它們的空間位置。例如，Craddock等人使用標(biāo)準(zhǔn)化切割(NCUT)譜聚類獲得了ROI，該聚類最大化了聚類內(nèi)部的相似性和聚類之間的不相似性；優(yōu)化目標(biāo)可以是體素時(shí)間序列的時(shí)間相似性或它們的連接圖的空間相似性。通過在NCUT之前對(duì)連接矩陣進(jìn)行平均，或者通過對(duì)聚類成員矩陣進(jìn)行第二輪聚類，從41名受試者中獲得了用于先驗(yàn)使用的組級(jí)ROI地圖集。
基于全局相似性的分割方法可以產(chǎn)生比局部梯度方法產(chǎn)生的ROI更適合于網(wǎng)絡(luò)節(jié)點(diǎn)的ROI。然而，全局相似性的最大化不一定導(dǎo)致空間上連續(xù)的ROI。Craddock等人通過在聚類目標(biāo)函數(shù)中添加連續(xù)性項(xiàng)解決了這一問題。
與功能分割類似，基于連接的分割方法在腦磁圖和腦電圖研究中并不特別流行。由于成像模式的時(shí)間尺度的差異，從fMRI數(shù)據(jù)構(gòu)建的基于連接的先驗(yàn)圖譜對(duì)于分析腦磁圖和腦電圖數(shù)據(jù)可能不是最佳的。然而，許多數(shù)據(jù)驅(qū)動(dòng)的方法本質(zhì)上是網(wǎng)絡(luò)聚類方法，可以應(yīng)用于腦磁圖和腦電圖數(shù)據(jù)的源點(diǎn)級(jí)連接矩陣，以獲得基于連接的ROI。
隨機(jī)分割。除了基于神經(jīng)成像數(shù)據(jù)的不同特征的分割之外，可以隨機(jī)定義功能性腦網(wǎng)絡(luò)節(jié)點(diǎn)。通常，隨機(jī)分割用作參照，與其他分割方法進(jìn)行比較。
3.3 邊的識(shí)別
除了空間分割，大腦網(wǎng)絡(luò)重建的另一個(gè)關(guān)鍵步驟需要識(shí)別邊。邊在網(wǎng)絡(luò)結(jié)構(gòu)中起著雙重作用:一方面，它們包含了結(jié)構(gòu)的相關(guān)信息；另一方面，在統(tǒng)計(jì)力學(xué)方法中，系統(tǒng)的自由度由相互作用來表示，因此，邊而不是節(jié)點(diǎn)構(gòu)成了系統(tǒng)的真正粒子，它們的最大數(shù)量起到了系統(tǒng)體積的作用。
邊通常被設(shè)計(jì)成反映大腦動(dòng)態(tài)特征和功能的基本方面。因此，原則上，邊應(yīng)該包含研究目的所需的盡可能多的神經(jīng)生理學(xué)細(xì)節(jié)。然而，邊度量的神經(jīng)生理學(xué)似然性受到許多其他約束的影響。為了提供已知性質(zhì)的數(shù)學(xué)表征，邊重建主要從非線性動(dòng)力學(xué)和同步理論和信息論中得出其概念框架，以產(chǎn)生具有各種特征的各種邊的度量。
邊度量可以量化統(tǒng)計(jì)依賴性(通常稱為功能連接性)或因果相互作用(有效連接性)。一些連接度量可以是對(duì)稱的，而其他的，例如，格蘭杰因果關(guān)系，根據(jù)圖形學(xué)習(xí)算法或轉(zhuǎn)移熵是直接和不對(duì)稱的。測(cè)量可能會(huì)或可能不會(huì)區(qū)分直接和間接連接。
大腦記錄設(shè)備的特征，例如，設(shè)備的噪聲源和偽像或每種技術(shù)用來表征大腦活動(dòng)的生理信號(hào)特征，可能對(duì)重建邊的生理意義構(gòu)成進(jìn)一步的限制。例如，fMRI較差的時(shí)間分辨率嚴(yán)重限制了可能的度量范圍，因此功能連接通常通過大腦區(qū)域之間的Pearson相關(guān)性來估計(jì)。
另一方面，復(fù)雜的邊識(shí)別可以幫助補(bǔ)償網(wǎng)絡(luò)結(jié)構(gòu)中的噪聲。在腦磁圖和腦電圖分析中，這種噪聲的一個(gè)常見來源是信號(hào)混合，即由多個(gè)測(cè)量傳感器捕獲每個(gè)源的動(dòng)態(tài)引起的假邊 (詳情請(qǐng)參考第3.5.2節(jié))。由信號(hào)混合產(chǎn)生的假邊的很大一部分是零相位滯后連接，因此可以通過使用對(duì)零相位滯后連接不敏感的連接度量來消除。
總體而言，所使用的特定指標(biāo)由功能假設(shè)、可用數(shù)學(xué)工具和與記錄技術(shù)相關(guān)的約束以及給定研究的特定目標(biāo)所決定。
3.3.1 邊度量對(duì)網(wǎng)絡(luò)特性的影響
特定度量或度量類別的選擇可能潛在地引起相關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)的屬性的相應(yīng)改變。此外，雖然嵌入空間的選擇本質(zhì)上是與網(wǎng)絡(luò)分析無關(guān)的自由選擇，但是邊度量決定了子空間的性質(zhì)和它允許的操作集。
不同的邊度量也可能導(dǎo)致不同的物理學(xué)與系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)聯(lián)。例如，對(duì)稱連接很容易解釋平衡系統(tǒng)，然而，不對(duì)稱耦合矩陣可以用于解釋非平衡系統(tǒng)。從這個(gè)角度來看，與邊相關(guān)的選擇和這些邊的構(gòu)建方式，例如，具有空間和時(shí)間變化特性的混合重建，不僅代表了技術(shù)上的挑戰(zhàn)，也代表了理論上的挑戰(zhàn)，因?yàn)樗鼈冋T導(dǎo)了具有非平凡幾何形狀和相應(yīng)物理性質(zhì)的空間。
3.3.2 經(jīng)典重建與貝葉斯重建
具體來說，貝葉斯推理認(rèn)為數(shù)據(jù)是固定的，模型參數(shù)是隨機(jī)的，這與頻率論推理相反。此外，貝葉斯推理與頻率論不同，它估計(jì)全概率模型，包括假設(shè)檢驗(yàn)。忽視這種不確定性可能導(dǎo)致錯(cuò)誤拓?fù)浣Y(jié)構(gòu)的檢測(cè)，特別是導(dǎo)致對(duì)規(guī)則性和非隨機(jī)結(jié)構(gòu)。
3.3.3 修剪和二值化
在許多情況下，前面的邊緣識(shí)別步驟的自然結(jié)果是加權(quán)集合:當(dāng)用于估計(jì)功能連接的度量產(chǎn)生值而不是統(tǒng)計(jì)測(cè)試時(shí)，對(duì)應(yīng)于檢測(cè)到的功能強(qiáng)度，將權(quán)重分配給每個(gè)邊緣。然后，這樣的集合通常被二值化，也就是說，根據(jù)應(yīng)用于邊權(quán)重的一些規(guī)則來修剪全連通圖，并且將權(quán)重分配給幸存的邊。對(duì)加權(quán)集合的直接分析原則上代表了最好的解決方案，因?yàn)樗鼈兙幾肓岁P(guān)于大腦動(dòng)力學(xué)的所有可用信息；另一方面，任何修剪過程都不可避免地刪除一些信息。盡管如此，網(wǎng)絡(luò)二值化帶來了一些重要的優(yōu)勢(shì)。
網(wǎng)絡(luò)二值化有兩個(gè)主要方法，分別稱為絕對(duì)閾值和比例閾值。在前一種情況下，強(qiáng)度超過絕對(duì)閾值τ的所有邊被保留，而所有其它邊被刪除。這可能導(dǎo)致網(wǎng)絡(luò)指標(biāo)的統(tǒng)計(jì)學(xué)顯著差異，即使這些差異不是由于潛在的疾病相關(guān)拓?fù)洳町?。因此，這種方法被認(rèn)為不太適合病例對(duì)照研究。第二種方法通過在每個(gè)網(wǎng)絡(luò)中保留固定數(shù)量的最強(qiáng)邊，因此稱為比例。
3.4 網(wǎng)絡(luò)動(dòng)態(tài)學(xué)
在實(shí)踐中，大腦功能的網(wǎng)絡(luò)重建往往獨(dú)立于潛在的動(dòng)態(tài)特征。這意味著，功能大腦網(wǎng)絡(luò)通常被構(gòu)建為靜態(tài)網(wǎng)絡(luò):在整個(gè)測(cè)量時(shí)間序列上計(jì)算連接，從而獲得代表整個(gè)測(cè)量的平均連通性的網(wǎng)絡(luò)結(jié)構(gòu)。這種方法可能有助于提高連通性估計(jì)的靈敏度，從而產(chǎn)生噪聲更小的網(wǎng)絡(luò)。然而，由于大腦需要在連續(xù)變化的環(huán)境中對(duì)變化的刺激作出響應(yīng)，便會(huì)自然而然地假設(shè)功能連接也隨時(shí)間變化。因此，靜態(tài)方法可能無法揭示功能連接的全貌。更深入理解功能網(wǎng)絡(luò)動(dòng)態(tài)的重要一步是時(shí)間記憶組的概念。雖然連接體代表大腦區(qū)域之間的靜態(tài)連接，但時(shí)間連接體還涉及時(shí)間維度，將大腦功能描述為一組重復(fù)發(fā)生的時(shí)間連接模式。
功能性腦網(wǎng)絡(luò)的動(dòng)態(tài)學(xué)可以從多個(gè)不同的角度來解決。在下文中，我們采用 Iraji, Miller, Adali, 和 Calhoun的三重劃分：網(wǎng)絡(luò)邊的變化、用作網(wǎng)絡(luò)節(jié)點(diǎn)的ROI邊界的變化以及邊和節(jié)點(diǎn)的變化。
3.4.1 邊的動(dòng)態(tài)學(xué)
在從fMRI和MEG/EEG數(shù)據(jù)中提取的功能大腦網(wǎng)絡(luò)中，已經(jīng)廣泛報(bào)道了邊權(quán)重和相關(guān)網(wǎng)絡(luò)結(jié)構(gòu)的變化。這些變化發(fā)生可以在更長(zhǎng)的時(shí)間尺度上，比如在人類的一生中或健康與疾病之間，或在更短的范圍內(nèi)，例如不同認(rèn)知任務(wù)之間以及在休息時(shí)隨著時(shí)間的推移而自發(fā)產(chǎn)生。即使是功能連接的自發(fā)變化也不是隨機(jī)的:功能性大腦網(wǎng)絡(luò)在不同的亞穩(wěn)態(tài)連接模式之間產(chǎn)生波動(dòng)。功能大腦網(wǎng)絡(luò)往往會(huì)隨著時(shí)間的推移和不同任務(wù)發(fā)生重組。
大多數(shù)關(guān)于功能大腦網(wǎng)絡(luò)短期動(dòng)態(tài)的研究都使用時(shí)間窗。在這種方法中，神經(jīng)成像時(shí)間序列被分為一組連續(xù)或重疊的時(shí)間窗口，并在每個(gè)窗口內(nèi)構(gòu)建一個(gè)網(wǎng)絡(luò)。窗口應(yīng)足夠短，以捕捉功能連接的變化，而窗口長(zhǎng)度過短容易導(dǎo)致噪聲連接估計(jì)。最佳窗口重疊取決于手頭的研究問題。通常，在不同時(shí)間窗口中構(gòu)建的網(wǎng)絡(luò)共享一組公共節(jié)點(diǎn)，這允許研究單個(gè)邊和更多全局網(wǎng)絡(luò)屬性隨時(shí)間的演化。
盡管時(shí)間窗方法很受歡迎，但對(duì)其結(jié)果的解釋并不完全簡(jiǎn)單。特別是，需要仔細(xì)評(píng)估觀察到的功能連接變化的統(tǒng)計(jì)顯著性。使用貝葉斯推理將數(shù)據(jù)劃分為具有特征活動(dòng)和連接模式以及先前未知生命周期的狀態(tài)或通過時(shí)頻分析，其中小波傳遞相干用于量化兩個(gè)信號(hào)的相似性，作為時(shí)間和頻率的函數(shù)可以解決這個(gè)問題。然而，盡管這些方法檢測(cè)在某個(gè)時(shí)間點(diǎn)顯示相似動(dòng)態(tài)的區(qū)域，但是它們不構(gòu)建網(wǎng)絡(luò)，因此不允許進(jìn)一步的面向網(wǎng)絡(luò)的分析。
3.4.2 ROI邊界的變化
到目前為止，大多數(shù)功能腦網(wǎng)絡(luò)動(dòng)態(tài)學(xué)的研究都集中在靜態(tài)感興趣區(qū)域之間的連接上。然而，ROI的內(nèi)部連接結(jié)構(gòu)和功能同質(zhì)性都會(huì)隨著時(shí)間而變化。因此，如果目標(biāo)是最小化節(jié)點(diǎn)重正化中的信息損失，則ROI應(yīng)當(dāng)以時(shí)變方式改變。例如，Salehi等人使用基于樣本的聚類從fMRI數(shù)據(jù)中定義時(shí)間依賴性功能ROI。這些ROI的邊界在認(rèn)知任務(wù)之間是不同的。
空間同步組方法將大腦分為源或時(shí)間同步的神經(jīng)組件。這些源可以是ROI或更大的功能系統(tǒng)(有時(shí)稱為大腦網(wǎng)絡(luò))；大腦功能網(wǎng)絡(luò)的節(jié)點(diǎn)代表來源。源不必是靜態(tài)對(duì)象；相反，它們可以表現(xiàn)為與源時(shí)間序列強(qiáng)烈同步的體素的一組空間狀態(tài)。由于源的空間位置可能會(huì)隨時(shí)間變化，因此靜態(tài)節(jié)點(diǎn)無法模擬其連通性。
作為源空間狀態(tài)變化的一個(gè)例子，Iraji，DeRamus等人報(bào)告了fMRI數(shù)據(jù)中存在的四種不同狀態(tài)，每種狀態(tài)由一組部分不同的體素組成，用于眾所周知的默認(rèn)模式網(wǎng)絡(luò)。在另一項(xiàng)fMRI研究中，Iraji，Fu等人檢測(cè)了九個(gè)大腦系統(tǒng)的空間狀態(tài)，并進(jìn)一步將它們聚類為不同系統(tǒng)的空間狀態(tài)的功能模塊，這些空間狀態(tài)比其他系統(tǒng)更頻繁地同時(shí)出現(xiàn)。在腦磁圖數(shù)據(jù)中也報(bào)道了類似的所謂靜止?fàn)顟B(tài)網(wǎng)絡(luò)的時(shí)變空間狀態(tài)。
3.4.3 具有時(shí)變的節(jié)點(diǎn)的時(shí)變網(wǎng)絡(luò)
迄今為止，很少有研究應(yīng)用網(wǎng)絡(luò)工具來研究具有時(shí)間相關(guān)節(jié)點(diǎn)的功能性大腦網(wǎng)絡(luò)。Nurmi、Korhonen和ki vel介紹的方法基于多層網(wǎng)絡(luò)。該網(wǎng)絡(luò)的層代表時(shí)間窗，并且通過將fMRI體素聚類成具有最大功能同質(zhì)性的ROI，在每層上獨(dú)立地定義節(jié)點(diǎn)。層內(nèi)邊緣根據(jù)皮爾森相關(guān)性或一些其他相似性度量來量化功能連接性，而層間邊代表ROI的空間重疊。在構(gòu)建網(wǎng)絡(luò)后，該方法允許進(jìn)行更復(fù)雜的分析，例如，多層聚類分析。
使用時(shí)間相關(guān)節(jié)點(diǎn)需要特別嚴(yán)格的方法：隨著時(shí)間的推移，重新規(guī)范化ROI邊界可能導(dǎo)致節(jié)點(diǎn)數(shù)量的波動(dòng)，并且在比較相關(guān)拓?fù)鋾r(shí)應(yīng)當(dāng)小心。然而，考慮到腦網(wǎng)絡(luò)動(dòng)態(tài)特性的證據(jù)越來越多，使用時(shí)間相關(guān)節(jié)點(diǎn)進(jìn)行腦網(wǎng)絡(luò)分析的益處是顯而易見的。事實(shí)上，腦網(wǎng)絡(luò)的時(shí)空動(dòng)力學(xué)研究是網(wǎng)絡(luò)神經(jīng)科學(xué)最重要的未來方向之一，而新的具有時(shí)間依賴節(jié)點(diǎn)的網(wǎng)絡(luò)方法的出現(xiàn)只是一個(gè)時(shí)間問題。
3.5 缺失數(shù)據(jù)、子采樣和誤差
4.結(jié)論
定義大腦活動(dòng)中的功能是一項(xiàng)艱巨的任務(wù)。功能網(wǎng)絡(luò)重建最終使功能性腦活動(dòng)可以進(jìn)行表征，因此有助于解決這一問題。然而，正如我們所說明的，它所提供的功能圖像至少部分地依賴于對(duì)功能的先驗(yàn)假設(shè)。因此，對(duì)諸如“網(wǎng)絡(luò)表征在多大程度上有助于揭示大腦現(xiàn)象學(xué)”等基本問題的回答，“網(wǎng)絡(luò)屬性是如何出現(xiàn)的？，”“它們有功能意義嗎？，”“我們可以從標(biāo)準(zhǔn)的神經(jīng)成像技術(shù)記錄中重建大腦活動(dòng)的哪些網(wǎng)絡(luò)相關(guān)方面？”在某種程度上取決于重構(gòu)這些網(wǎng)絡(luò)的方式，更具體地說，基于重建過程的（通常是隱蔽的）假設(shè)。人們對(duì)方法的重要程度知之甚少，各種問題仍然沒有答案。例如，所有的網(wǎng)絡(luò)屬性對(duì)方法的選擇是否都同樣敏感？現(xiàn)有文獻(xiàn)表明，某些性質(zhì)可能比其他性質(zhì)更穩(wěn)健。例如，使用不同的節(jié)點(diǎn)定義的大腦網(wǎng)絡(luò)有非常相似的無標(biāo)度和小世界特征，即便是基于隨機(jī)選擇的節(jié)點(diǎn)。然而，盡管在健康受試者的簡(jiǎn)單網(wǎng)絡(luò)分析中，所選擇的腦分割可能相對(duì)不重要，但當(dāng)旨在檢測(cè)由于例如疾病或衰老而導(dǎo)致的網(wǎng)絡(luò)結(jié)構(gòu)的細(xì)微變化時(shí)，節(jié)點(diǎn)定義的作用可能更為關(guān)鍵。
評(píng)估網(wǎng)絡(luò)表征在多大程度上真實(shí)地記錄了大腦執(zhí)行其功能的方式，最終等同于確定拓?fù)湫再|(zhì)是內(nèi)在的還是外在的，從而更好地理解功能動(dòng)態(tài)學(xué)的出現(xiàn)。要做到這一點(diǎn)，就需要在各級(jí)采取步驟。
在網(wǎng)絡(luò)表征水平，這涉及到構(gòu)建一個(gè)能夠記錄，并且理想情況下，能夠生成這些屬性的結(jié)構(gòu)。一方面，盡管邊(和節(jié)點(diǎn))定義的幾個(gè)方面在很大程度上獨(dú)立于構(gòu)建網(wǎng)絡(luò)的空間，并且這里所說的許多內(nèi)容同樣適用于多層圖、超圖或簡(jiǎn)單圖等結(jié)構(gòu)，但標(biāo)準(zhǔn)網(wǎng)絡(luò)結(jié)構(gòu)的替代結(jié)構(gòu)可能會(huì)修改微觀網(wǎng)絡(luò)規(guī)模屬性并引入新的屬性。另一方面，重溫功能網(wǎng)絡(luò)重建的基礎(chǔ)及其主要目標(biāo)是我們重新考慮在追求該目標(biāo)時(shí)所使用的結(jié)構(gòu)的作用。一個(gè)依賴于時(shí)間的、可能在空間上重疊的節(jié)點(diǎn)結(jié)構(gòu)還能被稱為網(wǎng)絡(luò)并被這樣分析嗎？同樣，網(wǎng)絡(luò)神經(jīng)科學(xué)可能會(huì)經(jīng)歷一個(gè)軌跡，其中節(jié)點(diǎn)和連接將以不同的方式思考，可能會(huì)整合神經(jīng)活動(dòng)的不同已知屬性，如抑制或復(fù)雜的反饋回路。因此，它們的規(guī)格將不同于當(dāng)前的規(guī)格。雖然網(wǎng)絡(luò)特征在歷史上是基于動(dòng)力系統(tǒng)和信息理論來預(yù)測(cè)的，但網(wǎng)絡(luò)神經(jīng)科學(xué)可能會(huì)越來越多地從計(jì)算拓?fù)浠蚪y(tǒng)計(jì)物理學(xué)等學(xué)科，以及不同層次和不同類型的解釋中構(gòu)造。
在評(píng)估層面，這將涉及檢查統(tǒng)計(jì)數(shù)據(jù)，但更重要的是，還包括網(wǎng)絡(luò)屬性的功能顯著性。總體而言，相關(guān)問題系列應(yīng)為：從數(shù)據(jù)到網(wǎng)絡(luò)的映射是否可靠？是否具有統(tǒng)計(jì)學(xué)顯著性？它在功能上是否重要？然而，最終，真正的突破還需要在不同層面上理解真正的大腦功能的方式并發(fā)展平行概念。
最后，有一個(gè)方面默默地支撐著大多數(shù)功能網(wǎng)絡(luò)重建的工作，但很少被明確地表達(dá)出來，那就是復(fù)雜網(wǎng)絡(luò)表征是大腦活動(dòng)的一種非常簡(jiǎn)化的表征，通常集中在一些特定的方面，例如，信息如何在不同的大腦區(qū)域傳播并尋求特定問題的答案，例如，病理學(xué)如何改變這種傳播。一個(gè)網(wǎng)絡(luò)表征可能是有用的，它的價(jià)值是特定情景的，而不是一般性的。網(wǎng)絡(luò)神經(jīng)科學(xué)家應(yīng)該選擇那些最適合他們特定目標(biāo)的方式進(jìn)行表征。
如需原文及補(bǔ)充材料請(qǐng)?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對(duì)思影課程及服務(wù)感興趣也可加此微信號(hào)咨詢。另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群，原文也會(huì)在群里發(fā)布，如果我們的解讀對(duì)您的研究有幫助，請(qǐng)給個(gè)轉(zhuǎn)發(fā)支持以及右下角點(diǎn)擊一下在看，是對(duì)思影科技的支持，感謝！
微信掃碼或者長(zhǎng)按選擇識(shí)別關(guān)注思影
非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請(qǐng)直接點(diǎn)擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號(hào)siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報(bào)名，報(bào)名后我們會(huì)第一時(shí)間聯(lián)系，并保留已報(bào)名學(xué)員名額）：
核磁：南京：
第七十六屆磁共振腦影像基礎(chǔ)班（南京，1.10-15）
第三十五屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班(南京，2.1-6）
第二十六屆腦影像機(jī)器學(xué)習(xí)班（南京，2.17-22）
北京：
第三十四屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（北京，2.9-14）
第七十五屆磁共振腦影像基礎(chǔ)班（北京，2.23-28）
上海：
第七屆擴(kuò)散磁共振成像提高班（上海，1.12-17）
第二十五屆磁共振腦影像結(jié)構(gòu)班（上海，2.3-8）
第二十九屆擴(kuò)散成像數(shù)據(jù)處理班（上海，2.11-16）
第十四屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班（上海，2.22-27）
第七十七屆磁共振腦影像基礎(chǔ)班（上海，3.3-8）
重慶：
第二十三屆磁共振腦影像結(jié)構(gòu)班（重慶，2.8-13）
第七十三屆磁共振腦影像基礎(chǔ)班(重慶，2.17-22）
第二十五屆腦影像機(jī)器學(xué)習(xí)班（重慶，2.26-3.3）
腦電及紅外、眼動(dòng)：南京：
第二十九屆腦電數(shù)據(jù)處理入門班（南京，2.26-3.3）
北京：
第二十六屆近紅外腦功能數(shù)據(jù)處理班（北京，1.12-17）
第五屆R語(yǔ)言統(tǒng)計(jì)班（北京，2.1-5）
第三十屆腦電數(shù)據(jù)處理入門班（北京，2.16-21）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI）數(shù)據(jù)處理
思影科技DTI-ALPS數(shù)據(jù)處理業(yè)務(wù)
思影科技腦結(jié)構(gòu)磁共振（T1)成像數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)ASL數(shù)據(jù)處理業(yè)務(wù)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動(dòng)物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長(zhǎng)類動(dòng)物fMRI分析業(yè)務(wù)
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
思影科技眼動(dòng)數(shù)據(jù)處理服務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
Artinis近紅外腦功能成像系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
