思影科技灵长类动物fMRI分析业务
请点击上面“思影科技”四个字，选择关注我们，思影科技专注于脑影像数据处理，涵盖（fMRI，结构像，白质高信号分析，PET，DTI，DTI-ALPS，QSM，ASL，BOLD-CVR，影像组学，菌群，EEG/ERP，脑磁图，FNIRS，眼动）等，希望专业的内容可以给关注者带来帮助，欢迎留言讨论，也欢迎参加思影科技的课程，可添加微信号siyingyxf或18983979082进行咨询。(文末点击浏览）
随着科技的发展，人们对于大脑神经活动和运作模式的研究也越发深入，但是对于人脑的研究受到道德伦理审查的限制，无法进行特别的分析处理，由此引入模式动物，使得对于大脑的研究可以更加深入，而非人灵长类动物在研究中有其独有的优势：1、其与人有更加接近的大脑结构，进化得相对完善的大脑功能；2、其较高的智力水平可以协助研究人员完成较为复杂的行为认知研究；3、由于其较大的体型，可以支持其在人脑采集设备上进行采集，降低了对设备的要求，使得包括fMRI,asl,DTI,脑结构等分析方法也可在这类实验动物上进行。
为更好的服务客户，思影科技开展灵长类动物fMRI分析业务，如果您感兴趣请联系杨晓飞siyingyxf或18983979082（微信号）进行咨询，电话：18580429226
一、功能影响的数据质量控制：
高质量的数据在研究中尤为重要，思影科技为您的数据质量保驾护航。
数据质量检查的主要内容有：1、层数、体素大小、TR以及时间点数等扫描参数是否合理；2、图像伪影的检查，主要包括鬼影、变形以及信号spike等；3、其他检查，主要有图像完整性、前n个时间点场强是否稳定以及场强均匀性等。思影科技可根据分析要求对您的扫描参数以及处理方式提出优化建议。
二、fMRI数据的预处理
不同的分析目的对于预处理有相应的分析要求，思影科技将根据您的分析需求定制最适合与标准的预处理分析流程。
主要预处理内容有：
1、数据格式转换（dicom to nifti）
2、去除不稳定的时间点（remove timepoints）
3、时间层矫正（slice timing）；
4、头动矫正（realign/head motion
correction）；
5、功能像与结构像脑组织的提取（brain extaction）；
6、功能影像向对应模板的空间标准化 (spatial normalization）；
7、空间平滑操作(smooth)；
8、去线性趋势(detrend)；
9、回归协变量（nuisance covariates
regression）；
10、时间层滤波(filtering)；
fMRI数据预处理基本流程
三、常规fMRI指标的分析：
常规指标可以反映大脑基本的活动状况、脑区间的联系强度等，一些脑疾病模型在这些常规指标上便可能产生异常的变化。
（1）fMRI常规指标：
低频振荡振幅（ALFF）:ALFF用于测量大脑在低频部分由于神经活动引起的血氧变化，可用衡量大脑局部神经活动的强弱。
局部一致性（ReHo）：通过计算一定数目相邻体素在体素水平上的肯德尔和谐系数，可以反映静息时间段内局部血氧水平的功能一致性。
功能连接FC： Voxel-wise FC分析特定脑区对全脑各个体素之间的同步性，考虑特定区域对全脑的影响。
体素镜像同伦连接（VMHC）：可反映左右半球对侧脑区间的联系等。
以上功能指标可进行合适的标准化处理，如除均值标准化、z-score标准化、Fisher’s z变换等。
功能连接密度（FCD）：用以衡量大脑每个位点（体素）与其他位点（体素）之间的联系程度。
（2）统计：
根据不同的分析指标我们会使用不同的统计方法，对于ALFF\ReHo\roi-wise FC以及FCD这类的全脑体素级别的指标，使用SPM进行体素级别统计。根据您的实验设计，我们将为您提供适合统计方式，如T检验或者是方差分析等。
（3）结果可视化：
对于体素级别指标统计结果的可视化，使用层切图进行可视化，若涉及多组的比较，事后检验的结果将会用使用bar图进行可视化。
猴脑种子点功能连接示意图
四、独立成分分析（ICA）与功能网络连接（FNC)：
随着在人脑上发现了无任务期间激活的默认模式网络（DMN）。人们也开始在不同的物种上探索是否有类似功能的脑区，并以此为基础对大尺度功能网络展开了分析。
（1）独立成分分析(ICA)：基于盲源分离算法，由功能磁共振数据中拆分出DMN等各类独立成分（大尺度功能网络）。
大鼠、猴与人DMN示意图
（2）大尺度功能网络内连接分析：可选定关注的独立成分，比较成分内部在空间上分布的组间差异，根据实验设计，可以作T检验、单因素方差分析等。最后的可视化与常规fMRI指标相同。
（3）大尺度功能网络间连接分析(FNC)：可选定多个独立成分，计算独立成分之间的连接，并对其进行统计，查看组间连接的差异。
大尺度功能网络分析（FNC）
五、基于脑连接组的分析：
随着时间的发展，人们日益认识到大脑作为一个整体，开始将大脑抽象为以脑区为节点，以脑区间时间序列的相关性为连边构成的脑网络，以图论为工具对大脑的工作机制进行探索。
（1）功能网络构建：基于关心的脑区划分图谱，将大脑划分为多个区域，并提取区域内的平均时间信号，计算两两脑区之间的相关性。
（2）基于连边的分析：
NBS分析：即直接对连边进行分析，可比较连边的组间差异、检查连边随时间的变化以及与量表评分的相关性。
roi wise FC
（3）基于图论的分析：
1、图论属性的分析：图论作为分析网络的重要数学工具可用于刻画脑网络的全局特性以及局部特性，主要分析的图论属性有：
全局指标：小世界属性（small-world）、最短路径（shortest length）、集聚系数（clustering coefficient）、全局效率（global efficiency）、局部效率（local efficiency）、同配性（assortativity）、同步性（synchronization）、层级性（hierarchy）等。
局部指标：节点效率（nodal efficiency）、节点局部效率（nodal local efficiency）、节点度中心性（nodal degree centrality）、节点介中心性（nodal betweenness
centrality）、节点集聚系数(nodal clustering coefficient)、节点最短路径（nodal shortest length）等。
图论指标
六、梯度分析：
梯度分析：梯度可以帮助我们理解皮层的分布位置与实际的空间距离的关系，也可以帮助我们理解不同功能网络（分区）的分布模式及它们之间的相互关系。
梯度分析
七、动态分析：
可探究在一段时间上内被试功能连接的稳定性，同时也可借助聚类分析，对具有相似性的网络进行合并为一个状态，研究脑在不同状态下切换变化的情况。
dynamic fc analysis
八、任务态fMRI分析：
如果您更关注给定任务的情况下，受试者的大脑会如何反应，脑区间的联系会产生何种变化，那么，思影提供的任务态数据分析，是您的不二之选。
（1）激活分析。基于您的任务态实验设计，构建一般线性模型（GLM），设定合适的对比矩阵，查看由任务激活的脑区。组水平统计：包括T检验、方差分析、相关分析等，可进行多重比较校正（参考常规fMRI指标统计）。
（2）生理心理交互分析（PPI）。基于您的任务态实验设计，分析不同状态下感兴趣脑区间联系的变化。
（3）有效连接分析。可分析激活脑区间的因果联系。主要包括：动态因果模型分析（DCM），基于Friston等人提出的动态因果模型，并结合您的实验假设，刻画激活脑区之间的因果、促进/抑制关系；格兰杰因果分析（GCA），基于多变量自回归模型（MVAR），刻画激活脑区之间的因果关系。
（4）任务态MVPA分析：基于机器学习方法，对神经状态进行解码。主要包括：基于SVM、LDA等模型的解码；表征相似性分析（RSA）等。主要进行的是分类问题的解决，由于RSA分析和MVPA分析对于实验设计有着比较高的要求，建议如果想做此类分析，在实验设计前与我们联系，帮助您从更好的数据处理角度出发，进行实验设计的处理和优化。
九、定制化分析
阅读了一篇新方法的论文，是否期望把先进的方法组合应用在自己的研究？思影科技可以为您提供定制化分析服务。
（1）分析方法可定制。思影科技可根据您提供的模板文献，基于您的实验数据，实现文献中使用的数据分析方法。此外，未列出的分析方法，只要在思影科技的能力范围内，尽力实现您的想法。
（2）分析代码可定制。在没有现有的软件适用于您的数据分析需求时，思影科技会与您协商，通过编写代码实现您的想法，并提供代码的完整实现。
微信扫码或者长按选择识别关注思影
非常感谢转发支持与推荐
欢迎浏览思影科技的其他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19962074063进行咨询，目前思影采取预报名制度，所有课程均开放报名，受疫情影响部分课程时间或有调整，报名后我们会第一时间联系，会为您保留名额）：
核磁：
重庆：
北京：
南京：
上海：
脑电及红外、眼动：
北京：
重庆：
南京：
上海：
数据处理业务介绍：
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京）
此处给个“在看”及“点赞”，让更多朋友关注思影
阅读原文 最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。