[科普中国]-脑电-磁共振成像融合

背景简介

大脑内部运作机制研究是21世纪的一大挑战，功能神经成像在了解大脑功能和障碍方面有着极好的应用前景(Friston, 2009)，现已经成为神经科学研究和临床应用的重要工具。无创高时间、高空间分辨率成像是大脑研究所期待的工具。借助它有利于了解人类注意、执行、记忆等机制，有利于揭示如癫痫活动的起源和传播等机制。目前，主要的人脑无创技术有磁共振成像(Magnetic Resonance Image, MRI) 、脑电图(electroencephalogram, EEG)和脑磁图(magnetoencephalogram, MEG)等。它们在时空分辨率方面有着各自的优劣势。结合不同神经成像模式（多模态成像，特别是脑电-磁共振成像融合）不仅可能实现优势互补提高时空分辨率(图1)，而且还有助于我们对单一模态中神经活动的理解(Biessmann, Plis, Meinecke, Eichele, & Muller, 2011; Huster, Debener, Eichele, & Herrmann, 2012; Laufs, 2012)，从而，推进我们对神经和精神疾病的病理生理学理解。

图1：融合的动机：通过各模态实现优势互补。

脑电-磁共振成像融合多模态成像主要是整合神经活动的不同测量模式。其中，EEG作为一种无创记录大脑活动电生理信号的方式，具有很高的时间分辨率（毫秒级），但空间分辨率较低；而另一种目前常用的无创技术，MRI则正好相反。显然，这两种无创记录方式的结合有可能产生高时空分辨率的综合神经成像技术。其优越的时空分辨率将有利于研究认知相关的大脑功能运作机制以及神经和精神类疾病。本文仅介绍结构信息[结构磁共振成像(structural MRI, sMRI), 弥散张量成像(diffusion tensor imaging, DTI)]和功能信息(EEG, fMRI)的融合。值得注意的是，结构信息的采集相对比较规范；而EEG-fMRI同步采集需要在兼容的采集系统下实现EEG记录和fMRI扫描同时进行，从而可将实验刺激或自发振荡引起的神经电生理活动和代谢活动都记录下来(图2)。

图2：EEG-fMRI同步采集系统(Laufs, Daunizeau, Carmichael, & Kleinschmidt, 2008)

1脑电-磁共振成像信息的融合EEG-sMRI/DTI的融合

EEG与MRI的融合，首先体现在由sMRI为EEG源定位提供头部容积导体模型，它对于源成像的精确度是至为重要的。基于sMRI，可以构建个体特征的边界元模型、有限元模型或有限体元模型。在EEG与DTI数据融合方面，现有研究主要是利用EEG数据获得的神经元节律活动信息和DTI数据得到的纤维束或者弥散等信息，分析探讨大脑节律与结构基础的关系(Valdes-Hernandez et al., 2010; Whitford et al., 2011)。整体上来讲，将高时间分辨率的EEG与高空间分辨率的sMRI/DTI进行信息融合，以探索大脑功能与结构之间的联系，仍是一个极具前途与挑战的课题。

EEG-fMRI融合

有关EEG与fMRI的融合，目前有多种不同的融合方法(Biessmann, et al., 2011; Huster, et al., 2012; Rosa, Daunizeau, & Friston, 2010)。通常将EEG-fMRI融合分为以下三类：1、空间信息融合，2、时间信息融合，3、模型/对称融合。如图3所示。

图3：融合的三种思路：(i).空间信息的融合; (ii).时间信息的融合;(iii).时-空信息的对称融合。

**(i)**空间信息融合

空间整合的一种常用方法是利用功能磁共振成像激活图作为EEG源位置的先验信息。已有的方法包括功能磁共振成像约束的偶极子定位方法和fMRI-约束/加权的分布源成像方法。由于增加了fMRI空间约束条件，EEG逆问题的不适定性可在一定程度上得到缓解。近年来，也有课题组创新性的将独立成分分析所获得的fMRI功能网络，作为EEG源定位的先验信息引入到EEG源估计的EB(empirical Bayes)模型之中, 发展出了基于fMRI网络信号约束的EEG源定位技术(Lei et al., 2010)。

**(ii)**时间信息融合

时域上的整合是利用在时域或频域的EEG动态信号特征为功能磁共振成像提供信息。这些特征信息通常来自于特定时间段或特定频段的数据。通常是将此电磁记录获得的变量与常规的血流动力学响应函数（hemodynamic response function, HRF）卷积，然后与基于体素的BOLD信号作线性回归（general liner model, GLM），以确定相应感兴趣电磁信号特征的fMRI统计激活图。Lei等发展了一种基于经验贝叶斯(empirical Bayes, EB)模型反演HRF函数的方法(Lei, Qiu, Xu, & Yao, 2010)。该技术利用EEG提供的高时间分辨率的神经活动时间信息和强度信息，重建出相应fMRI的血流动力学函数。

**(iii)**模型对称融合

上述两种融合分析方法，分别侧重于一种模态对另一模态的帮助。此外，EEG-fMRI融合还包括由“发生模型驱动”或“信号模型驱动”的融合方法。典型的例子是DCM (Friston, Harrison, & Penny, 2003; Kiebel, Garrido, & Friston, 2007)。由于模型驱动的融合通常建立在神经生理学基础之上，因此这些模型的反演将有助于我们理解神经活动的起源及相应调节机制，但是模型的构建比较困难。为此一些研究者也通过研究EEG与fMRI信号间的相互依赖关系，即用互信息来实现EEG与fMRI的融合(Valdes-Sosa et al., 2009)，这种信号模型驱动的实现可采用先对EEG和BOLD信号分别进行空间和时间逆问题求解，然后借助两者时间特征的最大化相关实现融合。

综上所述，在同步EEG-fMRI融合方面，迄今为止，已经有许多方法技术用以整合EEG与fMRI。然而，有关整合信息的可信度目前尚不明确。最近，Dong等在现有研究的基础上，提出了一种层级框架用以区分有关整合结果的可信度，并用这种层级框架来理解脑活动(Dong et al., 2014)。只有通过了时间与空间两个方面的匹配才可得到可信度最高的、高时空分辨率的信息。仿真实验和真实数据验证表明，该框架对于解释人脑的认知过程是一个可行的方案。

本词条内容贡献者为:

尧德中 - 教授 - 电子科技大学 神经信息教育部重点实验室