科研进展
  • 科研进展
  • 朱朝喆课题组在《Human Brain Mapping》发表文章,阐明基于经颅脑图谱(TBA)来优化近红外脑功能成像光极排布的理论基础
     
          2020年12月17日,北京师范大学认知神经科学与学习国家重点实验室朱朝喆教授课题组在《Human Brain Mapping》上发表了名为“Transcranial brain atlas‐based optimization for functional near‐infrared spectroscopy optode arrangement: Theory, algorithm, and application“的文章,即基于经颅脑图谱的fNIRS光极排布优化:理论,算法和应用。
     

          近红外光谱脑功能成像(fNIRS)是一种基于血氧代谢,非侵入的经颅神经影像技术。FNIRS具有便携,生态效度高,束缚性小,对头动不敏感的特点。基于这些优势,fNIRS很适合在自然场景中研究人脑功能,特别是记录人际交互时多个人的神经活动,即“超扫描“。同时还便于对如婴儿和老年人等无法扫描磁共振的特殊人群的脑影像研究。其次,fNIRS相比于功能磁共振,能够更全面的反应神经活动血红蛋白变化的信息,包括合氧血红蛋白(HbO2),脱氧血红蛋白(HbR),总血红蛋白。这使得研究者可以通过fNIRS-fMRI的联合记录,进一步理解和认识神经血管耦合的原理和BOLD信号来源。
     

          在fNIRS的实验中,通常使用在每个被试头壳上放置光极板来采集脑功能数据。试验后,使用逐导平均的方法得到一组被试的脑空间激活模式图。因此,需要保证在不同人头壳上光极板放置对应的成像位置的一致性。同时,fNIRS只提供有限对光极,如何将光极板应放置到能够测量到感兴趣区域(ROI)的头壳位置上是一个重要的问题。然而,通过在看得见的头壳上放置光极,来优化看不见的脑子上的测量位置,必须要借助颅脑对应信息。而fNIRS的研究通常不采集目标被试的结构像,所以只能使用替代的颅脑对应信息来优化光极的放置。如研究者已总结过一些稀疏的头壳位置对应的颅脑对应信息,如10/20, 10/10等,这样,研究者可以依据该信息来排布和放置光极。
     

          课题组前期工作提出经颅脑图谱的概念,基于大样本构建了高分辨率的颅脑对应。然而,对于如何利用经颅脑图谱,更好的优化fNIRS的光极排布和放置还不是很清晰。在该研究中,作者首先提出了基于TBA的光极板排布的理论基础。特别的,作者提出了两个fNIRS光极放置的评价指标。以为一组被试放置一个光极导为例,组成像变异(Group Imaging Variability,i.e. GIV)刻画测量位置在不同被试间的差异。组成像准确性(Group Imaging Acuracy, i.e. GIA),描述了测量在一组人中覆盖到目标区域(ROI)的比例。作者用模拟实验证明了利用CPC头壳坐标系统,缩小被试间放置头壳位置的变异,即可减小被试间脑内测量位置的变异,即GIV (图1)。同时,在假设头壳光极排布能够放置到一个头壳位置上的前提下,成像准确性可以被经颅脑图谱估计,由此即可选择在人群上能够以最大概率覆盖到ROI的头壳位置来排布光极。
     
    图1. 被试间头壳放置位置的变异和组成像变异(GIV)的关系(每组人数为Np=10, 20, 50)。(a)示例的头壳位置和测量位置在MNI152头模板上的显示(Np=20),可见头壳放置位置变异越大,脑内测量位置的变异越大。(b)模拟实验数据拟合出的头壳放置位置的变异与GIV的关系曲线,可见GIV随着头壳放置位置变异的增大而增大。同时,每组人数(Np)越多,预测区间更窄(95%),代表这种关系越稳定。
     

          第二,在实际的fNIRS成像中,通常涉及多对光极,并且其排布方式受到光极板的约束。那么如何在这种条件下获得最优的排布和放置就是一个重要的问题。作者提出了两步的算法来实现实际fNIRS的光极排布和放置。在第一步中,作者提出了自动优化光极排布和放置的算法,在计算空间的一个虚拟的头模型上,自动产生最优的光极排布 (图2)。在第二步中,通过头壳导航系统在每个被试的头上准确的放置光极板。
     
     
    图2. 自动优化光极排布算法流程。(i)光极板放置参数空间Ω(x, θ),x为光极板中心点(绿色点),θ为放置朝向(黑色箭头)。(ii-Vi)在xi,θj处优化的光极排布流程,黄色背景代表GIA的大小。(ii)首先在xi处放置一个种子导。(iii-Vi)在已有导的周围,选择能够形成的导的GIA最大的位置,依次放入接收极和发射极,直到所有的光极用完。(vii)形成对于xi,θj的最优的光极排布。(viii)将参数xi,θj对应的目标函数值映射到参数空间,选择目标函数最大值的光极排布,作为最终的优化结果。
     

          该论文通过经典的Finger-tapping和N-back任务来验证了该方法的可行性,并和传统的基于10/20的方法做了比较。相比10/20方法,作者发现该方法在两个放置指标,即GIV和GIA方面都好于传统的10/20方法。同时,任务激活结果也显示出基于TBA的排布和放置方案得到的激活更强,且更为集中在ROI内,同时也有更好的局部化特性。而10/20的激活结果较弱,且弥散到不同的位置上(图3)。整体而言,TBA得到的激活模式更为符合前人研究中得到的结果模式。
     
     
    图3. 当前方法和传统10/20方法的比较。上下两行分别为Finger-tapping任务和N-back任务。左,中,右分别为光极排布,光极放置和任务激活的结果。可见基于TBA的光极排布覆盖到了有更大GIA的头壳位置上,同时放置位置更为稳定。激活结果也显示出基于TBA的排布和放置方案得到的激活结果在更强,集中在ROI内的同时,也有更好的局部化特性。而10/20的激活结果较弱,且弥散到不同的位置上。
     

          该研究是课题组继经颅脑图谱的后续工作。第一作者为博士研究生赵阳,通讯作者为朱朝喆教授,来自北京师范大学认知神经科学与学习国家重点实验室。
     

          该论文得到国家自然科学基金重点项目,国家973项目等基金的支持。
     

          原文链接:https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.25318