高原脫習(xí)服期大腦結(jié)構(gòu)變化

1、SPM8的處理流程及算法原理介紹本文處理數(shù)據(jù)用的是 SPM8這個軟件，SPM也就是我們所知道的統(tǒng)計參數(shù)圖，也是本文所使用的主要軟件，經(jīng)過這個軟件處理的磁共振成像的數(shù)據(jù)最終得出的就是統(tǒng)計參數(shù)圖,SPM這個軟件是由Friston教授等人在Matlab的基礎(chǔ)上做出的一款數(shù)據(jù)處理以及統(tǒng)計功能非常強(qiáng)大的軟件，他們設(shè)計這個軟件最初是為了用統(tǒng)計的方法對 SPECT , PET和fMRI的數(shù)據(jù)進(jìn)行處理和分析，最后得到統(tǒng)計參數(shù)圖。在使用SPM對數(shù)據(jù)進(jìn)行處理和分析的時候主要分為兩大部分：一、對數(shù)據(jù)的預(yù)處理過程；二、對數(shù)據(jù)的統(tǒng)計分析過程。那么下面就會比較詳細(xì)的將 SPM8的數(shù)學(xué)原理及操作步驟呈現(xiàn)出來。SPM8的處理

2、流程及算法原理.頭動校正(realignment)因為腦成像所持續(xù)的時間比較長，而且需要測量的次數(shù)比較的多，由于被試者的呼吸和血流脈動等本身內(nèi)部原因，所以頭動是無法避免的，因此進(jìn)行頭動校正。頭動校正指對每一幅圖像以一副圖像(一般的為第一副圖像)為標(biāo)準(zhǔn)進(jìn)行的變換從而來抵償未知的差異。簡要說來，對象圖像向目標(biāo)圖像的配準(zhǔn)是我們需要處理的問題。頭動校正只針對同一被試者的圖像數(shù)據(jù)，通過剛性變換來描述兩張不同的圖像之間所存在的位移關(guān)系。剛性變換分為平移和旋轉(zhuǎn)這兩種坐標(biāo)變換過程，表征變換的未知量是使用自動圖像匹配法”求出來的。這種算法認(rèn)為假如有兩副圖像能完全重合,那么這兩幅圖像相對應(yīng)的像素灰度值的比將會在任

3、意的位置上都會呈現(xiàn)出接近于一個常量，所以它是按照最小化的兩幅圖灰度值比方差來求取的位移參數(shù)。采用剛性變換時，頭部運動可以分解成頭部旋轉(zhuǎn)和平移兩個部分5。如果是在三維空間內(nèi)，則可以用6個參數(shù)對這種變換進(jìn)行表示。原始的圖像和目標(biāo)圖像分別用f和g來表示，圖像的變換第利用矩陣相乘來計算，以便于計算機(jī)實現(xiàn)。設(shè)在變換之前的空間坐標(biāo)是，經(jīng)過變換之后的空間坐標(biāo)是，則可以得出：其中是坐標(biāo)原點平移之后的變換，,，分別是繞x,y和z軸旋轉(zhuǎn)了角之后的變換。則其變換矩陣可表示為：目標(biāo)圖像為g=Mrf,由這三個平移的參數(shù)和三個旋轉(zhuǎn)的參數(shù)所構(gòu)成的變換被稱之為剛體變換，從而使原始的圖像和目標(biāo)圖像之間灰度值的平方差的和達(dá)到最小

4、，可以通過估計得到6個最優(yōu)參數(shù)。不同的個體同一模式圖像的配準(zhǔn)，還需另外6個參數(shù)，為三個縮放參數(shù)和三個剪貼參數(shù)，用矩陣表示為：是根據(jù)這12個參數(shù)共同決定的圖像變換被稱之為仿射變換。頭動校正分為兩步，第一部是需要求出方程中的十二個未知的且相對獨立的參數(shù)，第二步再做重切片reslice ,這其中包含重新分割空間以及計算新像素的灰度值。主要是根據(jù)三線性插值法、正弦插值法和 最近相鄰法這三種方法來計算新像素的灰度值，那么選擇哪一種方法就需要根據(jù)計算的精度和能力來進(jìn)行 選擇。.配準(zhǔn)(coregistration)較低分辨率的功能圖像需要疊加到高分辨率的解剖圖像上來進(jìn)行對功能區(qū)的辨認(rèn)的，可以用過配準(zhǔn) 這一功

5、能激活解剖圖像以及映射圖來進(jìn)行實現(xiàn)。因為效應(yīng)以及磁敏感效應(yīng)導(dǎo)致了圖像的幾何和精度發(fā)生了 變形，因此需要對已經(jīng)變形的圖像進(jìn)行反卷積的校正。這就是一個單體多模態(tài)配準(zhǔn)。等人提出了以聯(lián)合頭部形態(tài)和尺寸的貝葉斯最大后估量的方法,以及利用中間圖像呈現(xiàn)出多種類型 的功能數(shù)據(jù)及解剖數(shù)據(jù)來進(jìn)行精確配準(zhǔn)。如果對數(shù)據(jù)進(jìn)行空間歸一化，那么這些變形都可以得到很好解決。.標(biāo)準(zhǔn)化由于被試者之間的大腦結(jié)構(gòu)存在著一些區(qū)別，當(dāng)對不同被試者采用相同的成像的方法而獲得的圖像進(jìn)行空間統(tǒng)一的時候.那么剛性變換就不再適用了.所以就必須用帶有總體形變的仿射變換以及局部非線 性變換把它們統(tǒng)一化到標(biāo)準(zhǔn)腦上。由于軟件中選用了和所定義的腦圖譜空間作

6、為了變換的基礎(chǔ).因此制作 了、和及其他幾種不同的成像方法的標(biāo)準(zhǔn)腦基準(zhǔn)圖像.所以當(dāng)用戶在做圖像標(biāo)準(zhǔn)化的時候.可以根據(jù)自己 所需要選擇的成像方法來選擇軟件自帶的相應(yīng)的基準(zhǔn)圖像。因為軟件原本只帶有人類大腦的標(biāo)準(zhǔn)圖像，所以如果想要做其他動物的功能成像等其他的研究，那么用戶可以為了便于完成圖像標(biāo)準(zhǔn)化而自己制作標(biāo)準(zhǔn)腦。在進(jìn)行圖像標(biāo)準(zhǔn)化的過程中則首先需要做的是帶有整體形變的仿射變換，在軟件中被采用的就是前 述的方法，然后為了消除扔久存在的局部的細(xì)微的差異則需要通過非線性變換這種方法來獲得。當(dāng)非線性 變換時則需要增加約束，則需要其形變函數(shù)是光滑的，所以它就選擇了預(yù)先已經(jīng)定義好聊天的光滑的基本 空間函數(shù)的線性組

7、合，比如低空間頻率的三維離散余弦函數(shù)變換（）。其具體算法如下：在已經(jīng)采用 12個參數(shù)的仿射變換將原始圖像同模板圖像外形配準(zhǔn)以后，采用局部非線性決定圖像和模板問的參數(shù)。采用一組 周期是低頻的基本函數(shù)的線性組合來表達(dá)非線性，從坐標(biāo)到坐標(biāo)丫的空間變換為：（5）在這里代表的意思是在第 k維上的第j個系數(shù)，所表示的是位置處與的第j個偏差函數(shù)。偏差函數(shù)的選擇是基于所需變換的分布及其邊界形狀來進(jìn)行選擇的。僅僅使用低頻離散正弦變換（DST）就可以做到邊界在各個方向上都不會做移動；假如說對邊界王權(quán)沒有約束的話，則使用三維離散余弦變換變換（DCT）是最合適的選擇。這兩種方法都使用同一組基本函數(shù)來表達(dá)各個方向的變換

8、。另外，DST及DCT巧妙結(jié)合起來則可以完成一些非常靈活的變換：如過使三維圖像上拐角處的點固定不動，而圖像表面上其他的點 則可以在任意的方向上移動；或者圖像上的點只是在平行于圖像表面上任意運動。盡管有比較多的種方法都能來做圖像標(biāo)準(zhǔn)化，但還沒有哪一種能夠做到將一個被試大腦上的每個溝 回都可以準(zhǔn)確地對應(yīng)到另一個大腦上，這一方面是因為要將結(jié)構(gòu)變化很大的不同大腦變換成一樣的本身就 非常困難，需要很多的參數(shù)；另外的一方面，由于計算能力的限制，不太可能實現(xiàn)非常復(fù)雜的非線性變換 以考慮細(xì)微差別。從這點上說，如果實驗研究可以單個被試、單個被試去做其結(jié)果將更可靠些，對于由于 需要通過分組方法做的研究，理解結(jié)果時

9、需要考慮到標(biāo)準(zhǔn)化方面的這個特點。4.平滑平滑是以一個光滑的空間核函數(shù)對圖像進(jìn)行卷積。實際上，這僅僅是個濾波過程，起作用是可以降 低在圖象重建的過程中所引入的誤差，及由于被試者與模板間的很小的差異所帶來的匹配存在誤差的現(xiàn)象。單單從空間頻率的這個角度來看的話，產(chǎn)生誤差一般為高頻域，然而低頻信號這是能反映出神經(jīng)活動的測 量信號，由此可以看出,僅僅只需要一個低通濾波器就可以起到提高信噪比的作用，同時基于對空域和頻 域內(nèi)局部平滑特性的考慮， 作為核函數(shù)的通常都是半高寬 （FWHM）為410mm 的高斯函數(shù)， 式6是二維 高斯分布函數(shù)的表達(dá)式。式6中，表示從中心遠(yuǎn)點的半徑，式中的被稱為高斯函數(shù)的半高寬。通

10、過高斯濾波器進(jìn)行圖像的 平滑處理，可以有效消除尺度遠(yuǎn)小于空間常數(shù)的圖像結(jié)構(gòu)。在真正進(jìn)行高斯平滑化處理的過程中，應(yīng)該首 先確定半高寬參數(shù)，然后再構(gòu)造離散型高斯模版的圖像，然后通過腦功能圖像與模板圖像之間的卷積運算 實現(xiàn)平滑化濾波處理。.統(tǒng)計分析在實驗研究中非常重要且存在爭議的部分就是對數(shù)據(jù)分析的部分。在處理某類問題上，如運動探測 和運動校正算法等，都已經(jīng)得到了共識。但是在其他的很多問題上，比如合適的統(tǒng)計檢驗、對不同病人之 間的數(shù)據(jù)比較、經(jīng)過數(shù)據(jù)分析得出的結(jié)果的觀察以及報告等，到目前為止還沒有統(tǒng)一的認(rèn)識和觀點。因此,就目前的許多軟件工具來說，各自有各自的優(yōu)缺點。在數(shù)據(jù)分析中最重要的步驟是數(shù)據(jù)重排、

11、立體的數(shù)據(jù) 標(biāo)準(zhǔn)化和進(jìn)行統(tǒng)計學(xué)推論。激活模式通常對應(yīng)于實驗設(shè)計。確定每個被試序列任務(wù)的時間流程和回歸類型，進(jìn)行去線性漂移、高低通濾波等去噪音操作，最后指定并估計模型?，F(xiàn)在一般采用t分布進(jìn)行統(tǒng)計檢驗，在軟件中給定顯著性 水平，當(dāng)大于臨界值時就認(rèn)為該體素點的腦激活信號變化符合組塊設(shè)計參考函數(shù)，那么就認(rèn)為該點就是實 驗設(shè)計任務(wù)想要尋找的激活點。將得到的結(jié)果分別對每個任務(wù)進(jìn)行單樣本檢驗，得到有統(tǒng)計意義的平均結(jié)果。如果事先并不知道或不了解大腦的特定功能或者某種病變的解剖學(xué)定位，那么必須對實驗數(shù)據(jù)作統(tǒng) 計分析，確定和實驗相關(guān)的激活效應(yīng)。在數(shù)據(jù)經(jīng)過預(yù)處理的各個步驟之后，就可以對逐象素點同時進(jìn)行統(tǒng) 計分析。統(tǒng)

12、計分析可以分為有參變量統(tǒng)計分析和非參變量統(tǒng)計分析這兩類，由于目前對每個體元的數(shù)據(jù)進(jìn) 行估計的主要方法是參變量方法，所以本文中只對參變量統(tǒng)計分析這一方法展開介紹。參變量統(tǒng)計分析方 法，即：假定得到的數(shù)據(jù)是服從于某一個確定的概率分布的，則根據(jù)一直的模型來確立假設(shè)，并且對模型 中的未知參數(shù)進(jìn)行估計，就能夠得到服從于某種分布的統(tǒng)計量，最后要進(jìn)行假設(shè)檢驗，這是典型的參變量 統(tǒng)計分析過程。參變量統(tǒng)計分析包括兩個步驟：第一，建立模型并計算統(tǒng)計量，這個統(tǒng)計量表明零假設(shè)(所有三維象素都沒被激活)是否成立，經(jīng)過計算形成了每個象素點的統(tǒng)計量圖像。第二，估計統(tǒng)計量，限制假設(shè)檢驗的第一類錯誤（即棄真錯誤）的發(fā)生，可靠定位腦內(nèi)被激活的象素的部位。而參變量統(tǒng)計分析使用的統(tǒng)計模型絕大多數(shù)是基于一般線性模型 （,）的框架6-7 o. 一般線性模型在某種程度上，進(jìn)行統(tǒng)計分析和推斷的基礎(chǔ)是一般線性模型（，）。假如做了一次實驗，在試驗中得到了一個響應(yīng)變量（比如某個象素的局部腦血流量或者腦組織成分的灰度值），表明掃描的次數(shù)，在統(tǒng)計意