搜索
引言SPM(statisticalparametricmapping）一个通用软件包。它的理论和思想最初是由英国的KarlFriston在1991年提出的,当时是为了处理PET功能成像数据。到了1994年KarlFriston推出SPM的第一个正式版SPM94,后来的SPM95(从这个版本开始能够对fMRI数据做处理)、SPM96,一直到现在的SPM99都是在SPM94的基础上加入新的算法和理论开发出来的。它的主要目的是对被试间或者被试内的不同成像结果作比较,得出一个具有统计学意义的结果,SPM处理过程中的每一步都是为了实现这个目的。SPM指的是统计参数图像,也就是这个软件的最终输出。它对所有成像数据的每一个像素点都分别计算,得出包含有每个像素点参数值的图像,这个参数图像是许多单次扫描图像所包含信息的精简和压缩。这样有利于我们读取和理解。它的主要贡献是解决了不同图像数据间的比较问题,给出了具有统计学意义的结果对大多数的成像技术(比如fMRI,PET,EEG等)所得的数据,我们都会遇到两个关键的问题,第一是不知道应该用什么统计模型来处理分析。这是因为我们不知道所采集数据的分布形式,再加上这些技术的空间分辨率不够高,使得每个体素都包含了周围组织的信息,数据预处理过程中的对齐,又使得每个体素和周围的体素产生了更大的关联。由于这些原因,我们就不能用普通的统计分布模型(比如泊松分布,高斯分布等)来处理这些数据。第二个问题是,由于体素之间的关联性,我们在做多组图像数据的比较时,有必要对结果做矫正。传统的方法是Bonferroni矫正,由于Bonferroni矫正主要应用于互不关联数据的统计计算,现在把它用到脑功能成像数据的处理当中,就会使得所输出的结果非常保守,在统计参数图像上几乎得不到明显的激活区。SPM给出了一种行之有效的统计方法———随机高斯场(randomgaussianfield),利用这个理论就能对不同的图像数据做统计学上的比较,其具体的应用就是对图像数据做高斯平滑滤波。2SPM的处理过程2.1数据的采集SPM对所处理的数据有一些严格的要求,在实验过程中要严格控制被试的头动。虽然SPM具有头动矫正功能,但在头动超过一定限度时,为保证实验的精确性,要坚决废弃那个序列的数据。对fMRI数据,在重建的时候要注意选择比例因子,使得输出的数据中的最大像素值在1000和2000之间。2.2数据的预处理预处理过程包含好个重要的步骤,这些步骤的主要目的就是使得SPM能够对这些数据做更好的统计分析。2.2.1图像对齐即使我们对被试的头部做了很好的固定,在实验过程中,被试也会不由自主有一些轻微的头动,这在fMRI实验中尤为明显。这一步就是把一个实验序列中的每一帧图像都和这个序列的第一桢图像按照一定的算法做对齐,以矫正头动。做完这一步,能给出该序列中被试的头动情况,以作为是否放弃该数据的依据。图1中Translation表示被试头部在X,Y,Z三个方向的平动,分别用红、绿、蓝三种颜色表示。Ro-tation表示被试头部在实验过程当中绕X,Y,Z三条轴的转动角度。横坐标代表这个序列所采集的所有图像,纵坐标表示的是偏移量和偏转角度,分别以毫米和度为单位。2.2.2空间标准化由于被试大脑在解剖结构上的差异,需要把不同的大脑图像进行空间标准化处理,将其转化为大小和朝向都相同的标准化图像。SPM所用的是蒙特利尔神经学研究所(MontrealeurologicalInstitute)的ICBM(Interna-tionalConsortiumforBrainMapping)152人标准脑图谱。它和传统意义上的标准脑图谱即Talairach脑图谱在大小和坐标上都有一定的差异。在这一步当中SPM提供了不同的模板,fMRI的功能像一般选用EPI.img模板,PET图像选用PET.img模板。空间标准化结果的好坏直接取决于扫描图像和模板之间的匹配程度。2.2.3高斯平滑这一步是对图像数据做高斯平滑。主要目的有两个,第一是确保图像数据具有随机高斯场的性质,以满足SPM的统计假设。第二是为了提高信噪比,图像对齐和空间标准化使得各个体素之间的关联性被改变,高斯平滑能够使相邻的体素共享更多的信息。高斯平滑的参数一般设定为分辨率的2～3倍。在fMRI实验中,由于仪器的差异,被试个体的差异,以及信噪比的不同,即使用相同的扫描矩阵,也会给出不同的分辨率,所以我们一般用体素的大小来表征分辨率。2.3建立模型这一步需要把你所认为的激活模式告诉SPM。通常这种激活模式对应于你的实验设计。从图中我们可以看出,这个实验序列一共有四种任务(也可以把控制看作任务)。2.4显示结果SPM当中,可以通过许多方式察看结果。甚至可以用别的程序,比如MRIcro来察看。这一步解决了两个关键的问题。第一是显示了明显激活的区域;第二是给出了激活区域的坐标,使我们能够找出这些激活区的精确的解剖部位。在这里,你可以通过不同的手段来控制某一个像素或者某一簇像素的激活。这些激活依赖于你所选择的显著性水平阈值,阈值的不同,给出不同的激活。通过调节置信度,也可以控制激活区域,在fMRI数据中,如果大脑的边缘区域有许多兴奋点,那么其中有一部分就有可能是运动伪影。得到激活区域的精确坐标以后,通过MNI脑图谱和Talairach图谱之间的关系,用一种非线性的变换,把MNI的坐标转换成Talairach坐标,这样就可以查出每个激活区的解剖位置。3SPM的应用下面给出的是我们小组利用SPM对脑功能成像数据处理之后得到的结果。参加实验的四位志愿者都是大学生,两男两女,平均年龄24岁,实验任务为默读汉字和阿拉伯数字。实验序列采用组块设计。下面是SPM所给出的实验结果。可以看出,在传统的语言中枢,也就是布洛卡(Broca)区和威尼克(Wernicke)区上,默读汉字的激活明显大于默读数字的激活。进一步的研究还在进行中。4总结应该说SPM是目前国际上最权威的脑功能成像处理分析软件。但也存在需要改进的地方,比如Windows版的SPM在输入参数的时候,如果其中一个出现错误,就需要把这一步当中前面所输入的参数重新输入。在激活图像信息获取方面,SPM用的是传统的“减法技术”,目前一些新的方法正在不断涌现,如“基于结构方程模型的网络分析法”和“时间分辨技术”[1]。“网络分析法”可以进一步解释参与某一脑功能的神经网络各子系统间的兴奋、抑制关系,该方法的提出是脑功能成像技术上的一次突破,它有可能最终取代“减法技术”。“时间分辨技术”则可以用来研究激活区的动态特性。另外在脑图像匹配算法方面,目前也出现了许多新方法,如“多分辨率相似性优化法”、“互信息法”等。“互信息法”能够实现图像在空间位置上的最佳匹配。相信在不久的将来,随着各种新技术、新理论的引入,SPM能够把脑功能成像研究带入一个新的时代。(在SPM的学习过程中,得到中国科学院高能物理所单保慈老师的许多指导,特此致谢。)[参考文献][1]唐孝威.脑功能成像[M].北京:中国科学技术大学出版社,1999.