認(rèn)知神經(jīng)科學(xué)的分析方法并不總是與豐富的功能磁共振成像數(shù)據(jù)相匹配。早期的方法側(cè)重于估計(jì)單個(gè)體素或區(qū)域內(nèi)的神經(jīng)活動(dòng)，在trials或blocks上取平均值并在每個(gè)被試中分別建模。這種方法大多忽略了神經(jīng)表征在體素上的分布特性、任務(wù)期間神經(jīng)活動(dòng)的連續(xù)動(dòng)態(tài)、在多個(gè)被試上進(jìn)行聯(lián)合推斷的統(tǒng)計(jì)學(xué)方面的優(yōu)勢(shì)以及使用預(yù)測(cè)模型約束分析的價(jià)值。最近一些探索性的和理論驅(qū)動(dòng)的方法已經(jīng)開(kāi)始尋找具備這些特性的方法。這些方法強(qiáng)調(diào)了計(jì)算技術(shù)在功能磁共振影像（fMRI）分析中的重要性，特別是機(jī)器學(xué)習(xí)、算法優(yōu)化和并行計(jì)算等計(jì)算技術(shù)。采用這些技術(shù)將使新一代的實(shí)驗(yàn)和分析成為可能，這些實(shí)驗(yàn)和分析將改變大家對(duì)大腦中一些最復(fù)雜、最清晰的人類信號(hào)的理解，如：思考、意識(shí)和記憶等認(rèn)知行為。本文發(fā)表在Nature neuroscience雜志。
人類大腦成像技術(shù)起源于放射學(xué)，最初涉及放射性示蹤劑(例如，正電子發(fā)射斷層掃描(PET))，隨后發(fā)現(xiàn)MRI可以測(cè)量與神經(jīng)活動(dòng)相關(guān)的內(nèi)在血流動(dòng)力學(xué)信號(hào)(功能性MRI或功能性核磁共振成像)?；诜派湫允聚檮┑臄?shù)據(jù)的初步分析量化了絕對(duì)活性，減法方法的應(yīng)用（測(cè)量實(shí)驗(yàn)條件與對(duì)照條件的相對(duì)活性）使分析更加簡(jiǎn)單。最早的方法是使用t檢驗(yàn)統(tǒng)計(jì)比較每個(gè)位置（體積像素或“體素”（voxels））的測(cè)量結(jié)果。 這可以估算每個(gè)體素活動(dòng)根據(jù)實(shí)驗(yàn)操作而發(fā)生的變化，并用于構(gòu)建此類統(tǒng)計(jì)數(shù)據(jù)的“地圖”，從而表明大腦中活動(dòng)的分布。這種簡(jiǎn)單的方法面臨局限性：
首先，它涉及二進(jìn)制比較，這在識(shí)別連續(xù)過(guò)程時(shí)可能不夠強(qiáng)大。這部分由參數(shù)設(shè)計(jì)解決，該設(shè)計(jì)使用回歸來(lái)識(shí)別以預(yù)測(cè)方式響應(yīng)的體素。
其次，相對(duì)于神經(jīng)活動(dòng)，早期的方法受到血液動(dòng)力學(xué)反應(yīng)的延遲和延長(zhǎng)過(guò)程的影響。人們通常通過(guò)假設(shè)跨區(qū)域和個(gè)體具有連續(xù)的函數(shù)來(lái)開(kāi)發(fā)反卷積（deconvolution）方法來(lái)解決這一問(wèn)題。
第三，大腦成像數(shù)據(jù)的規(guī)模和統(tǒng)計(jì)比較的數(shù)量存在出現(xiàn)錯(cuò)誤發(fā)現(xiàn)（I型錯(cuò)誤）的高風(fēng)險(xiǎn)；因此，開(kāi)發(fā)出了在校正多重比較時(shí)利用有關(guān)數(shù)據(jù)先驗(yàn)的方法（例如，空間連續(xù)性）。
這些方法的發(fā)展以及對(duì)最重要的預(yù)處理方法（運(yùn)動(dòng)校正，時(shí)間層校正，時(shí)間和空間平滑以及跨個(gè)體的解剖對(duì)齊）的共識(shí)，共同導(dǎo)致了標(biāo)準(zhǔn)軟件工具箱的創(chuàng)建，這些工具箱已被廣泛使用了二十年。它們對(duì)功能磁共振成像研究產(chǎn)生了積極而深遠(yuǎn)的影響，實(shí)現(xiàn)了該領(lǐng)域的技術(shù)標(biāo)準(zhǔn)化并促進(jìn)了這些方法的傳播。 隨著整個(gè)科學(xué)領(lǐng)域中新穎的數(shù)學(xué)，統(tǒng)計(jì)和計(jì)算技術(shù)的出現(xiàn)，以及技術(shù)和計(jì)算能力的迅猛增長(zhǎng)，這些工具不斷發(fā)展并出現(xiàn)了新的工具。接下來(lái)，本文將討論其中的一些較新的技術(shù)發(fā)展，主要關(guān)注于日趨重視的新型計(jì)算方法。
回顧高級(jí)功能磁共振成像分析
在過(guò)去十年開(kāi)發(fā)的功能磁共振成像分析方法中，顯然可以證明計(jì)算在神經(jīng)科學(xué)中的核心作用。這些方法建立在計(jì)算機(jī)科學(xué)和工程學(xué)（例如，機(jī)器學(xué)習(xí)，圖論，控制理論）以及這些領(lǐng)域的進(jìn)步（例如，軟件和硬件優(yōu)化以及并行化）的技術(shù)和概念的基礎(chǔ)之上，這些技術(shù)和概念允許這些以及更多的傳統(tǒng)方法可以更高效并且更大規(guī)模地運(yùn)行。對(duì)神經(jīng)科學(xué)產(chǎn)生了數(shù)量和質(zhì)量上的影響。在這里，本文回顧了三種現(xiàn)代分析方法。
多變量分析
與考察單個(gè)體素或區(qū)域的單變量方法相反，多體素模式分析（MVPA）考慮所有體素活動(dòng)的空間模式，以恢復(fù)它們共同代表的信息。這些方法是有效的，盡管其原因尚有爭(zhēng)議。一方面，MVPA可能對(duì)亞體素尺度的信息敏感，因?yàn)樯窠?jīng)元群體在體素上呈現(xiàn)異質(zhì)分布。另一方面，信息的空間分布可能反映了由體素采樣的大尺度圖譜，在這種情況下，MVPA無(wú)法提供神經(jīng)選擇性的更精細(xì)證據(jù)。解決此問(wèn)題的一種有價(jià)值的方法是對(duì)神經(jīng)元活動(dòng)如何在體素水平上進(jìn)行建模，包括考察體素大小，認(rèn)知功能的分布和血管舒張反應(yīng)如何影響模擬體素活動(dòng)模式中保留的信息。
MVPA的最常見(jiàn)形式是使用機(jī)器學(xué)習(xí)中的分類器（圖1a），通常是線性模型，例如邏輯回歸。分類器為每個(gè)體素學(xué)習(xí)一個(gè)權(quán)重，這些權(quán)重一起確定不同認(rèn)知狀態(tài)之間的決策邊界。在訓(xùn)練期間，將調(diào)整權(quán)重以最大程度地使決策邊界分隔不同的認(rèn)知狀態(tài)。為了避免噪聲過(guò)擬合，通常會(huì)約束分類器的復(fù)雜度，包括使用正則化，這會(huì)懲罰不好的或不太可能的解決方案（例如，較大的權(quán)重）。在新數(shù)據(jù)上進(jìn)行測(cè)試時(shí)，權(quán)重用于計(jì)算體素活動(dòng)的加權(quán)總和，將其與邊界進(jìn)行比較以猜測(cè)類別。分類器可以以滑動(dòng)窗或者感興趣區(qū)域（ROI）的方式應(yīng)用于整個(gè)大腦。
Figure 1 MVPA的類型
(a) 基于分類器的MVPA學(xué)習(xí)一個(gè)邊界，該邊界可區(qū)分與不同認(rèn)知狀態(tài)（例如，面部表情與場(chǎng)景表情）相關(guān)的fMRI模式。
(b) 基于相似度的MVPA涉及計(jì)算fMRI模式之間的成對(duì)距離矩陣，以（可選）將此矩陣與其他相似度矩陣進(jìn)行比較（例如，根據(jù)有關(guān)概念相似性的認(rèn)知理論進(jìn)行的預(yù)測(cè)）。
基于分類器的MVPA已被用于內(nèi)部認(rèn)知狀態(tài)的測(cè)量，例如被試正在思考或記住的內(nèi)容。 此類研究通常會(huì)跟蹤在fMRI中易于區(qū)分的狀態(tài)（例如，面部和場(chǎng)景處理）。但是，一些研究成功解碼了更細(xì)粒度的狀態(tài)。這種通用方法的一個(gè)挑戰(zhàn)是分類器是概率性的并且判別能力存在差異，因此，控制那些與目標(biāo)變量容易混淆的因素尤其重要，例如任務(wù)難度和反應(yīng)時(shí)間。
MVPA的第二種主要類型集中在體素模式的相似性上（圖1b）。活動(dòng)模式被視為高維體素空間中的點(diǎn)，其中點(diǎn)之間的距離表示它們的相似性。與其使用分類器劃分空間，倒不如將其視為成對(duì)距離的矩陣。矩陣的結(jié)構(gòu)可以通過(guò)將其與其他相似性矩陣（例如來(lái)自人類判斷或計(jì)算模型的相似性）進(jìn)行比較，從而來(lái)揭示區(qū)域中編碼的信息?；谙嗨贫鹊?/span>MVPA也已用于跟蹤學(xué)習(xí)是如何影響神經(jīng)模式。 這種一般方法與基于分類器的MVPA不同，所有體素的權(quán)重均相等，因此存在信息不足或被噪聲特征污染的風(fēng)險(xiǎn)。 另一個(gè)風(fēng)險(xiǎn)是，模式相似性很容易混淆，包括通過(guò)單變量活動(dòng)和時(shí)間鄰近性：在這種情況下，對(duì)相似性的影響可能被解釋為神經(jīng)模式在表示空間中匯聚或發(fā)散，而實(shí)際上神經(jīng)模式的底層結(jié)構(gòu)并沒(méi)有改變。
實(shí)時(shí)分析
在正常的工作流程中，fMRI數(shù)據(jù)收集之后，將從掃描儀傳輸?shù)椒?wù)器上，然后在數(shù)周，數(shù)月或數(shù)年內(nèi)進(jìn)行離線分析。通過(guò)在數(shù)據(jù)收集期間而不是在數(shù)據(jù)收集之后進(jìn)行分析，可以在幾秒鐘內(nèi)獲得結(jié)果呢？這個(gè)問(wèn)題引起了大家對(duì)實(shí)時(shí)功能磁共振成像的興趣。作為研究工具，實(shí)時(shí)功能磁共振成像為訓(xùn)練和/或新穎的實(shí)驗(yàn)設(shè)計(jì)提供了機(jī)會(huì)。特別是，通過(guò)動(dòng)態(tài)分析數(shù)據(jù)，可以將結(jié)果用于調(diào)整正在進(jìn)行的實(shí)驗(yàn)（圖2）。
最廣泛采用的調(diào)整方法包括嘗試通過(guò)被試的大腦活動(dòng)（神經(jīng)反饋）的反饋來(lái)影響被試。 受傳統(tǒng)上使用腦電圖進(jìn)行生物反饋的啟發(fā)，通常是通過(guò)訓(xùn)練被試增加或減少某些認(rèn)知過(guò)程或障礙所涉及的腦區(qū)活動(dòng)。 fMRI神經(jīng)反饋已在臨床上用于治療慢性疼痛，抑郁和成癮，以及探索基本的認(rèn)知功能。
值得注意的是，從這個(gè)領(lǐng)域早期開(kāi)始就存在實(shí)時(shí)功能磁共振成像和神經(jīng)反饋，盡管在此期間取得了一些成功，但這些方法在最近開(kāi)始復(fù)興起來(lái)了。一個(gè)可能的原因是，該領(lǐng)域?qū)ι窠?jīng)反饋何時(shí)起作用有了更好的了解，最近的研究是哪些心理策略有效，哪些大腦區(qū)域更可控而不是參與控制。MVPA相關(guān)方法的增長(zhǎng)可能對(duì)此也有所貢獻(xiàn)，因?yàn)榭刂铺囟ǖ男睦韮?nèi)容（反應(yīng)在分布式表征中）可能比控制與多種認(rèn)知功能相關(guān)的區(qū)域的平均活動(dòng)水平更容易。此外，以閉環(huán)的方式（例如，通過(guò)刺激對(duì)比或任務(wù)難度）將反饋合并到認(rèn)知任務(wù)中，可能會(huì)使被試感到更加自然，并且可以實(shí)現(xiàn)比通常使用的量表更大的實(shí)時(shí)設(shè)計(jì)范圍。 盡管如此，fMRI神經(jīng)反饋始終受到滯后的血液動(dòng)力學(xué)的限制，因此神經(jīng)反饋可能能為認(rèn)知和神經(jīng)過(guò)程提供最為豐富的信息，這些過(guò)程緩慢漂移，因此盡管存在延遲，但在反饋時(shí)可能處于相似狀態(tài)。
在神經(jīng)反饋研究中，被試使用實(shí)時(shí)結(jié)果來(lái)更改其策略或行為。實(shí)時(shí)功能磁共振成像的其他主要類別更加注重實(shí)驗(yàn)者對(duì)結(jié)果的處理方式。在“觸發(fā)”設(shè)計(jì)中，實(shí)驗(yàn)控制裝置監(jiān)視大腦區(qū)域的活動(dòng)水平，并在活動(dòng)量較低或較高時(shí)啟動(dòng)試驗(yàn)，并預(yù)測(cè)這兩種情況下產(chǎn)生的不同行為。這可能會(huì)增強(qiáng)fMRI的因果關(guān)系，因?yàn)榇竽X活動(dòng)是一個(gè)獨(dú)立變量，因此有可能（通過(guò)適當(dāng)?shù)目刂茀^(qū)域）了解給定區(qū)域是否足以滿足行為要求。在“自適應(yīng)”設(shè)計(jì)中，實(shí)驗(yàn)者不是確定是否進(jìn)行試驗(yàn)（無(wú)論大腦如何活動(dòng)都定期進(jìn)行試驗(yàn)），而是確定下一次試驗(yàn)的內(nèi)容（例如刺激或任務(wù)）。這樣做的目的是通過(guò)調(diào)整刺激參數(shù)直到區(qū)域的響應(yīng)達(dá)到最大來(lái)表征視覺(jué)系統(tǒng)的調(diào)整特性，但也可以用于檢查各種系統(tǒng)（例如，涉及注意力或記憶力的系統(tǒng)）。
基于模型的分析 fMRI中計(jì)算模型的關(guān)鍵用途是定義感興趣的假設(shè)信號(hào)。接近外圍的過(guò)程（例如視覺(jué)感知）通常涉及具體的，可量化的變量，這些變量相對(duì)容易概念化、操縱和度量。 例如，與測(cè)試更抽象的構(gòu)造（例如預(yù)測(cè)誤差或置信度）相比，如何設(shè)計(jì)實(shí)驗(yàn)來(lái)測(cè)試大腦區(qū)域參與彩色視覺(jué)的過(guò)程似乎會(huì)更清楚。其優(yōu)點(diǎn)不僅在于色彩的方式更加直觀，而且視覺(jué)心理學(xué)和神經(jīng)科學(xué)長(zhǎng)期以來(lái)一直由堅(jiān)實(shí)的計(jì)算理論（通過(guò)信號(hào)檢測(cè)理論等形式主義）作指導(dǎo)。這些理論最初來(lái)自工程學(xué)，但如今已根深蒂固于實(shí)驗(yàn)設(shè)計(jì)和分析中，它們指出了感知實(shí)驗(yàn)的關(guān)鍵步驟以及如何評(píng)估其操作。
相比之下，高級(jí)的認(rèn)知過(guò)程（例如決策，估值，控制和社會(huì)互動(dòng)）從計(jì)算理論中受益較慢，這些計(jì)算理論要求能夠量化這些認(rèn)知指標(biāo)。這些認(rèn)知過(guò)程的計(jì)算模型（例如，強(qiáng)化學(xué)習(xí)，決策理論，貝葉斯推理和博弈論）已越來(lái)越多地用作開(kāi)發(fā)有關(guān)基礎(chǔ)計(jì)算的精確假設(shè)的工具。例如，強(qiáng)化學(xué)習(xí)指定了當(dāng)前選擇結(jié)果如何影響未來(lái)的決策，而博弈論則描述了社會(huì)主體如何回應(yīng)彼此的行為。這些假設(shè)又可以用于生成有關(guān)神經(jīng)信號(hào)的預(yù)測(cè)（圖3）。具體來(lái)說(shuō)，如果模型正確地模擬了大腦中的計(jì)算過(guò)程，則可以使用該模型來(lái)估計(jì)時(shí)變信號(hào)，以用于其他主觀的、隱藏的變量。變量之間的相關(guān)性可以在大腦中尋找。
基于模型的功能磁共振成像使研究人員可以在大腦中定位模型變量。一旦知道了它們的位置，就可以在以后的實(shí)驗(yàn)中讀取這些信號(hào)，并使用它們來(lái)估計(jì)參數(shù)，以通過(guò)模型比較以及上述各種實(shí)時(shí)設(shè)計(jì)來(lái)判斷被試正在進(jìn)行哪些計(jì)算過(guò)程（例如預(yù)測(cè)對(duì)手的行為，計(jì)算決策變量）。最近的工作進(jìn)一步推動(dòng)了這一領(lǐng)域的發(fā)展，特別是通過(guò)將模型計(jì)算得出的時(shí)間序列與其他功能磁共振成像分析方法相結(jié)合，包括視覺(jué)類別解碼和重復(fù)抑制。
高級(jí)功能磁共振成像分析的方法
經(jīng)驗(yàn)數(shù)據(jù)的數(shù)量和理論模型的復(fù)雜性都處于持續(xù)快速增長(zhǎng)的階段。神經(jīng)科學(xué)面臨的主要挑戰(zhàn)是開(kāi)發(fā)可以隨著這種增長(zhǎng)而適當(dāng)擴(kuò)展的方法。在這里，文章討論了可解決此問(wèn)題的可擴(kuò)展方法，以及有助于促進(jìn)這些方法的先進(jìn)的技術(shù)。
尋找信號(hào)：識(shí)別有意義的波動(dòng)模式的方法。由于數(shù)據(jù)的復(fù)雜性，如果每位被試的觀察次數(shù)較少，可能會(huì)妨礙fMRI分析。如果每個(gè)體素都被視為變化的維度，則可以將體素上的活動(dòng)模式描述為這個(gè)高維空間中的點(diǎn)?？紤]到該空間的大小隨維數(shù)（體素）的增加而急劇增加，因此觀測(cè)值（volume）比體素少，這意味著與這些觀測(cè)值的活動(dòng)模式相對(duì)應(yīng)的點(diǎn)將會(huì)非常稀疏地填充這個(gè)高維空間。這使統(tǒng)計(jì)分析變得困難且統(tǒng)計(jì)效力不足，例如會(huì)導(dǎo)致MVPA中決策邊界放置不當(dāng)，進(jìn)而影響分類性能。這種“維度災(zāi)難”只會(huì)因嘈雜的血氧動(dòng)力學(xué)（BOLD）信號(hào)而進(jìn)一步加劇。面對(duì)這些挑戰(zhàn)，適合功能磁共振成像數(shù)據(jù)的模型需要約束條件，以幫助他們找到更大的噪聲堆中嵌入的信號(hào)“針”。這里，本文描述了可以共同提高識(shí)別有意義的認(rèn)知信號(hào)的能力的技術(shù)。
其中一種技術(shù)是共享響應(yīng)建模（shared response modeling，SRM），它將來(lái)自每個(gè)被試的fMRI信號(hào)響應(yīng)投影到一個(gè)低維空間中，該空間捕獲了不同被試之間時(shí)域信號(hào)共同的波動(dòng)特點(diǎn)（Box 1；圖4-5）。如果給被試相同的刺激或任務(wù)序列（例如，一部電影），從而引導(dǎo)他們的大腦經(jīng)過(guò)一系列認(rèn)知狀態(tài)（例如，視覺(jué)，聽(tīng)覺(jué)，語(yǔ)義），那么將識(shí)別出一系列與這些狀態(tài)高度相關(guān)的波動(dòng)模式。SRM的另一個(gè)好處是可以幫助解決上述數(shù)據(jù)匱乏的問(wèn)題：由于SRM空間是定義在共享的跨被試空間下的，因此可以在MVPA或其他分析之前合并來(lái)自多個(gè)被試的數(shù)據(jù)。無(wú)需SRM，跨被試的信號(hào)解碼也是可能的，但可能僅限于那些具有粗糙的神經(jīng)表征而因此可以容忍錯(cuò)誤的認(rèn)知狀態(tài)。實(shí)際上，SRM通過(guò)在局部區(qū)域內(nèi)對(duì)齊細(xì)粒度的空間模式來(lái)精確地改善MVPA。 此外，除了改善對(duì)齊方式和提高其他分析的靈敏度之外，SRM本身的輸出還可以提供有用的信息。
側(cè)重于共享響應(yīng)的另一面是側(cè)重于個(gè)人特有的信號(hào)響應(yīng)。盡管這些響應(yīng)未包括在SRM中，但它們不一定是噪音，實(shí)際上在被試中可能是高度可信的。確實(shí)，SRM可以通過(guò)在刪除共享的組水平上的響應(yīng)后檢查殘差來(lái)分離特異于被試的響應(yīng)，或者可以將SRM分層應(yīng)用于殘差以標(biāo)識(shí)子組。更普遍的是，越來(lái)越多研究將個(gè)體差異視為fMRI中有意義的變化。認(rèn)識(shí)到信號(hào)存在于一個(gè)群體的平均反應(yīng)或共同反應(yīng)之外，此類研究利用特異的但穩(wěn)定的響應(yīng)來(lái)解釋大腦功能，行為表現(xiàn)和臨床指標(biāo)等先前無(wú)法解釋的差異。
第二種有前景的技術(shù)基于如何把與認(rèn)知功能相關(guān)的神經(jīng)表征的知識(shí)，通過(guò)施加空間先驗(yàn)的方式在fMRI提取的大腦模式上進(jìn)行正則化。 一個(gè)簡(jiǎn)單但有力的想法是，這種表示是稀疏實(shí)現(xiàn)的：也就是說(shuō)，只有給定的感興趣過(guò)程可以調(diào)控相關(guān)體素的子集。但是，僅僅有稀疏性是不夠的，因?yàn)榕c認(rèn)知相關(guān)的模式也傾向于在空間上呈現(xiàn)結(jié)構(gòu)化的特征，從而使附近的體素共同激活。貝葉斯層次模型在實(shí)現(xiàn)這種同時(shí)具有稀疏性和結(jié)構(gòu)化先驗(yàn)方面特別有效。這些模型支持靈活的空間先驗(yàn)規(guī)范，并在具有相同潛在結(jié)構(gòu)的獨(dú)立觀測(cè)之間享有一樣的統(tǒng)計(jì)效力，例如來(lái)自多個(gè)被試的數(shù)據(jù)。
Topographic factor analysis（TFA）是一種利用結(jié)構(gòu)化稀疏性的貝葉斯方法：fMRI圖像是根據(jù)少量（稀疏）的具有預(yù)定功能形式（結(jié)構(gòu)）（例如徑向基函數(shù)）的局部源來(lái)描述的 。 給定一組fMRI圖像，TFA首先會(huì)推斷最能描述圖像的源的數(shù)量，位置和大小，以及指定每個(gè)源在每個(gè)圖像中的活躍程度的源權(quán)重。因?yàn)樵吹臄?shù)量通常明顯小于fMRI數(shù)據(jù)集中的體素的數(shù)量，所以基于TFA源的計(jì)算比基于體素的計(jì)算效率高出幾個(gè)數(shù)量級(jí)。當(dāng)然，空間先驗(yàn)和降維都存在消除感興趣信號(hào)的風(fēng)險(xiǎn)，因此需要探索更多方法來(lái)結(jié)合使用。
提取信號(hào)的第三種方法是計(jì)算體素或區(qū)域之間的協(xié)方差模式。這種“功能連接”可以編碼相關(guān)局部活動(dòng)中不明顯的區(qū)域之間的交互作用的信息。其中某些過(guò)程可能確實(shí)是這樣的，例如注意力，其中某些腦區(qū)會(huì)控制及影響其他腦區(qū)。確實(shí)，功能連接幫助揭示了視覺(jué)選擇機(jī)制，持續(xù)注意力能力的標(biāo)記物和支持更加普遍的認(rèn)知任務(wù)的大腦網(wǎng)絡(luò)。
挑戰(zhàn)在于，體素協(xié)方差模式比原始數(shù)據(jù)（約10的十次方個(gè)體素對(duì)）大幾個(gè)數(shù)量級(jí)，從而增加了搜索所需要的信號(hào)針的計(jì)算空間的大小。一種有效的解決方案是這樣的：通過(guò)把大腦分成一組區(qū)域或者集群來(lái)減少所面對(duì)的問(wèn)題的搜索空間的大小。但是，這需要對(duì)所研究的神經(jīng)過(guò)程所包含的功能“單元”進(jìn)行正確的假設(shè)，并且此類決策會(huì)影響最終的分析結(jié)果。上面描述的技術(shù)也可以幫助解決這個(gè)問(wèn)題：關(guān)注被試之間共享的方差模式可以闡明腦連接的結(jié)果（box2；圖6）。最后，可以在全體素尺度上分析協(xié)方差模式，但這需要計(jì)算優(yōu)化和并行化。 完全相關(guān)矩陣分析（FCMA）對(duì)此進(jìn)行了解釋，該算法使用高級(jí)算法來(lái)計(jì)算多個(gè)時(shí)間窗內(nèi)每個(gè)體素與其他體素的成對(duì)相關(guān)性，并在這些相關(guān)性上訓(xùn)練分類器以解碼保留的時(shí)間窗，同時(shí) 將這些計(jì)算拆分到高性能計(jì)算系統(tǒng)的多個(gè)線程，內(nèi)核和節(jié)點(diǎn)上。FCMA的一些缺點(diǎn)包括其對(duì)強(qiáng)大的計(jì)算能力的需求以及解釋和可視化結(jié)果的難度（分類器上的體素權(quán)重）。
最后，在功能磁共振成像中可能存在重要的認(rèn)知狀態(tài)信息，這些信息并不以體素活動(dòng)或體素之間的成對(duì)相關(guān)性表現(xiàn)，而是以高階網(wǎng)絡(luò)屬性顯示。這種關(guān)系可以通過(guò)圖論和拓?fù)鋽?shù)據(jù)分析來(lái)表征和量化。
知道從哪里開(kāi)始：用于指導(dǎo)和約束分析的模型。
迄今為止，所描述的新方法通過(guò)利用統(tǒng)計(jì)和計(jì)算方法的進(jìn)步來(lái)進(jìn)一步識(shí)別和放大fMRI數(shù)據(jù)中的信號(hào)。但是，這些方法本身僅是探索性的。盡管這具有不偏不倚的優(yōu)勢(shì)，但它無(wú)法進(jìn)一步加深對(duì)大腦所執(zhí)行的功能的了解。
與所有形式的分析一樣，有用的先驗(yàn)信息可以大大減少搜索空間并提高檢測(cè)到感興趣信號(hào)的可能性。先驗(yàn)不僅可以來(lái)自神經(jīng)組織的一般原理（如上所述），還可以來(lái)自關(guān)于特定過(guò)程結(jié)構(gòu)的更具體的信息。這種結(jié)構(gòu)可能是由刺激引起的：例如，來(lái)自大型在線數(shù)據(jù)庫(kù)的單詞共現(xiàn)模式的計(jì)算分析已被用于約束對(duì)那些被感知到的fMRI數(shù)據(jù)的分析。結(jié)構(gòu)也可能來(lái)自有關(guān)潛在認(rèn)知機(jī)制的假設(shè)，特別是當(dāng)這些機(jī)制可以定量地體現(xiàn)時(shí)。但是，大多數(shù)此類基于模型的分析（如前所述）都使用了簡(jiǎn)單的低維模型，通常是線性函數(shù)的形式。盡管這是一個(gè)有價(jià)值的開(kāi)始，但是此類模型無(wú)法描述大腦中高維且非線性的處理過(guò)程。
這種更復(fù)雜的模型在認(rèn)知心理學(xué)上有著悠久的傳統(tǒng)。 隨著計(jì)算能力的進(jìn)步和更大的訓(xùn)練集的出現(xiàn)，這種方法在過(guò)去的幾年中出現(xiàn)了戲劇性的復(fù)興，最明顯的是“深度學(xué)習(xí)”這類感知模型的興起。神經(jīng)科學(xué)界開(kāi)始通過(guò)將此類模型集成到神經(jīng)數(shù)據(jù)分析中來(lái)利用這些模型的強(qiáng)大性能。一種方法是從模型中模擬的神經(jīng)活動(dòng)模式的相似性結(jié)構(gòu)進(jìn)行有關(guān)fMRI活動(dòng)模式的相似性結(jié)構(gòu)的預(yù)測(cè)。通過(guò)這種方法，可以通過(guò)將模型的不同層映射到不同的大腦區(qū)域來(lái)生成關(guān)于神經(jīng)環(huán)路或信息處理過(guò)程的假設(shè)。
迄今為止，這類模型大多數(shù)成功應(yīng)用到視覺(jué)系統(tǒng)中的模型構(gòu)建。受到更高認(rèn)知水平過(guò)程的生物學(xué)啟發(fā)的模型能否提供關(guān)于其他大腦系統(tǒng)的類似有力的見(jiàn)解仍然是一個(gè)懸而未決的問(wèn)題。 其中一個(gè)困難則是類似過(guò)程的“ground truth”難以定義：感知模型可以在數(shù)百萬(wàn)張帶有明確標(biāo)簽的圖片上訓(xùn)練（標(biāo)簽上標(biāo)明了照片中包含了那些物體），但是沒(méi)有類似的記憶或思想語(yǔ)料庫(kù)，也沒(méi)有可接受的詞匯或描述其內(nèi)容的基礎(chǔ)數(shù)據(jù)集。即使存在這樣的數(shù)據(jù)，血液動(dòng)力學(xué)響應(yīng)在時(shí)空上的點(diǎn)擴(kuò)散性質(zhì)，以及大家對(duì)BOLD活動(dòng)的神經(jīng)生理學(xué)方面的理解還不盡完美，使得將模型單元中的模擬激活轉(zhuǎn)化為預(yù)測(cè)fMRI激活模式這個(gè)過(guò)程變得復(fù)雜。實(shí)際上，盡管重復(fù)隨機(jī)采樣對(duì)分析過(guò)程提供了一定的穩(wěn)定性，但在fMRI體素中對(duì)神經(jīng)元集群進(jìn)行采樣并進(jìn)行局部平均的規(guī)模和方式可能會(huì)對(duì)體素活動(dòng)模式所攜帶的信息產(chǎn)生重大影響。數(shù)學(xué)和計(jì)算方法的不斷進(jìn)步可能有助于解決這些問(wèn)題，并允許在功能磁共振成像數(shù)據(jù)分析中使用更細(xì)致和接近現(xiàn)實(shí)的神經(jīng)功能模型。
完成工作：用于高效分析的可擴(kuò)展計(jì)算。作者認(rèn)為，未來(lái)的分析方法需要全面探索數(shù)據(jù)和開(kāi)發(fā)模型。上面的方法可能需要極高的計(jì)算量和大量的數(shù)據(jù)，中間過(guò)程所需的操作量和存儲(chǔ)空間將隨數(shù)據(jù)集的大小呈指數(shù)級(jí)增長(zhǎng)，甚至更糟。例如，SRM要求矩陣求逆，其計(jì)算代價(jià)等于所有被試的影像數(shù)據(jù)合并的體素總數(shù)，FCMA在特征選擇期間為每個(gè)體素訓(xùn)練基于種子的全腦連接分類器。高分辨率和多波段成像，再加上對(duì)所有被試的數(shù)據(jù)進(jìn)行聯(lián)合計(jì)算，將使問(wèn)題變得更糟。要完成單個(gè)數(shù)據(jù)集的分析，即使將其部署在現(xiàn)代計(jì)算服務(wù)器上，也可能需要數(shù)年才能完成。當(dāng)然，這將使實(shí)時(shí)應(yīng)用無(wú)法實(shí)現(xiàn)，并且減緩了科學(xué)發(fā)現(xiàn)和進(jìn)步的速度。
這些計(jì)算瓶頸吸引了計(jì)算機(jī)科學(xué)家的興趣，不僅有來(lái)自機(jī)器學(xué)習(xí)的專家，而且還有來(lái)自算法和系統(tǒng)研究的專家?？梢酝ㄟ^(guò)有效的數(shù)學(xué)轉(zhuǎn)換和數(shù)值方法來(lái)降低算法的復(fù)雜性。利用multicore，manicore和GPU板等現(xiàn)代硬件，可以將算法進(jìn)一步優(yōu)化一到兩個(gè)數(shù)量級(jí)。更智能地使用緩存和內(nèi)存層次結(jié)構(gòu)；改善處理步驟之間的數(shù)據(jù)分級(jí)；以及利用指令級(jí)并行性，例如單指令，多數(shù)據(jù)（SIMD）和矢量浮點(diǎn)單元。神經(jīng)影像分析還可以在計(jì)算機(jī)網(wǎng)絡(luò)或者數(shù)據(jù)和模型級(jí)別上實(shí)現(xiàn)并行化。在數(shù)據(jù)并行化中，每個(gè)處理器都保留模型的完整副本以訓(xùn)練部分?jǐn)?shù)據(jù)。在模型并行化中，每個(gè)處理器接收模型的一部分以訓(xùn)練所有數(shù)據(jù)，共享參數(shù)以幫助模型參數(shù)收斂。網(wǎng)絡(luò)并行化必須設(shè)計(jì)用于最小且有效的通信，例如使用消息傳遞接口（MPI）協(xié)議?？傊?，這些措施將使神經(jīng)科學(xué)家能夠充分利用高性能計(jì)算資源，并具有網(wǎng)絡(luò)上每臺(tái)計(jì)算機(jī)近乎線性加速的潛力。但是，這需要神經(jīng)科學(xué)家獲得計(jì)算專業(yè)知識(shí)才能實(shí)現(xiàn)這些方法和/或與計(jì)算科學(xué)家發(fā)展緊密的合作關(guān)系。
除了使用計(jì)算技術(shù)擴(kuò)大神經(jīng)影像分析的規(guī)模外，這種分析還可以通過(guò)以不同的方式擴(kuò)大規(guī)模而受益，從少數(shù)擁有專業(yè)技術(shù)和設(shè)備的實(shí)驗(yàn)室和機(jī)構(gòu)，到更廣泛的使用fMRI的研究人員的社區(qū)。這就要求開(kāi)發(fā)的代碼可以被其他人共享和運(yùn)行，還需要標(biāo)準(zhǔn)化文件類型和用于標(biāo)注實(shí)驗(yàn)細(xì)節(jié)的詞典，以便可以使用代碼來(lái)分析新數(shù)據(jù)。為了促進(jìn)實(shí)驗(yàn)的復(fù)現(xiàn)，薈萃分析，課堂指導(dǎo)和人員培訓(xùn)，應(yīng)在論文中附上代碼和實(shí)驗(yàn)參數(shù)以及相應(yīng)的原始數(shù)據(jù)。最后，即使共享代碼和/或數(shù)據(jù)，此處討論的許多未來(lái)分析也只能在大型集群上有效地運(yùn)行，而大型集群僅對(duì)一部分用戶可用。可以通過(guò)將數(shù)據(jù)分析業(yè)務(wù)轉(zhuǎn)換為software-as-a-service（SaaS）或“云”生態(tài)系統(tǒng)（Box3；圖7）來(lái)改善這種情況，該方法徹底改變了許多領(lǐng)域和行業(yè)。這類領(lǐng)域的發(fā)展將再次需要神經(jīng)科學(xué)家和計(jì)算科學(xué)家之間的密切合作。
Box 1 共享響應(yīng)模型（SRM）
在標(biāo)準(zhǔn)的對(duì)齊之后，可以通過(guò)對(duì)所有被試中每個(gè)體素的值進(jìn)行平均，在組水平上融合fMRI數(shù)據(jù)。盡管這減少了被試間的數(shù)據(jù)噪聲，但是被試之間功能信號(hào)的解剖位置的變化使他們共享響應(yīng)的估計(jì)變得模糊。 SRM提供了一種替代方法，將每個(gè)被試的數(shù)據(jù)聯(lián)合分解為一組共享的特征時(shí)間序列和對(duì)每個(gè)特征的特定于某個(gè)被試的特征圖譜（圖4）。
SRM（共享響應(yīng)模型）的最簡(jiǎn)單用法是提取解剖ROI上的共享響應(yīng)。通過(guò)這種方式，SRM和相關(guān)方法可以顯著提高組水平推斷的敏感性。例如，在功能數(shù)據(jù)對(duì)齊到解剖數(shù)據(jù)之后，正在觀看電影的某個(gè)短片可以以更高的準(zhǔn)確度進(jìn)行分類。將SRM應(yīng)用于大范圍的腦區(qū)意味著該區(qū)域內(nèi)的所有體素都對(duì)最終得出的結(jié)果有貢獻(xiàn)。這可能與將空間局部活動(dòng)與特定的認(rèn)知功能相關(guān)聯(lián)的目標(biāo)相抵觸。為了解決這些問(wèn)題，可以在小的窗口中使用SRM，以獲取共享信息的局部指標(biāo)。
使用可用的fMRI數(shù)據(jù)集中的一部分計(jì)算SRM，并使用交叉驗(yàn)證確定特征數(shù)k。盡管可以使用讓被試進(jìn)行相同試驗(yàn)序列的任何實(shí)驗(yàn)設(shè)計(jì)，或者可以將相同序列的相同試驗(yàn)序列拼接在一起的任何實(shí)驗(yàn)設(shè)計(jì)，但通常使用電影和故事等刺激來(lái)生成此類訓(xùn)練數(shù)據(jù)（例如，一系列認(rèn)知任務(wù)）。然后將保留的測(cè)試數(shù)據(jù)（包括來(lái)自新被試的數(shù)據(jù)）投影到共享響應(yīng)空間中，以進(jìn)行進(jìn)一步分析。這樣的測(cè)試數(shù)據(jù)可以與訓(xùn)練數(shù)據(jù)具有相同的類型，例如，允許對(duì)新的短片片段進(jìn)行解碼（圖5）?；蛘?，測(cè)試數(shù)據(jù)可以來(lái)自受控實(shí)驗(yàn)室的實(shí)驗(yàn)（與訓(xùn)練數(shù)據(jù)不同，不需要通用的試驗(yàn)序列或裝置），而SRM只需將預(yù)處理流程中的標(biāo)準(zhǔn)對(duì)齊替換掉即可。根據(jù)經(jīng)驗(yàn)，如果訓(xùn)練刺激或試驗(yàn)強(qiáng)烈且可變地參與實(shí)驗(yàn)過(guò)程，則SRM將提高檢測(cè)測(cè)試數(shù)據(jù)中感興趣的認(rèn)知過(guò)程的敏感性。使用SRM進(jìn)行預(yù)處理時(shí)的一個(gè)限制是必須收集其他數(shù)據(jù)進(jìn)行訓(xùn)練，從而減少了與研究問(wèn)題主要相關(guān)的數(shù)據(jù)量（以及潛在的統(tǒng)計(jì)能力）。
Figure 4 SRM的計(jì)算流程。
fMRI數(shù)據(jù)從m名接受相同刺激的被試中采集得到，然后將數(shù)據(jù)保存為矩陣X（voxels by time）。每個(gè)矩陣X通過(guò)概率隱分量模型被分解為一個(gè)特定于被試的包含k個(gè)腦圖的矩陣W與一個(gè)共享時(shí)序響應(yīng)矩陣S（每個(gè)時(shí)間維上的特征長(zhǎng)度為k）的乘積。也就是說(shuō)，對(duì)于每個(gè)被試：X=WS+R,其中X、W和殘差R（圖中未顯示）是每個(gè)被試特有的，但是S是所有被試間共享的。
Figure 5 SRM與其他的multisubject方法的對(duì)比。
當(dāng)被試觀看和/或聆聽(tīng)相同刺激時(shí)，收集三個(gè)fMRI數(shù)據(jù)集。然后將收集到的數(shù)據(jù)在TAL空間或者MNI空間上對(duì)齊，從而為所有被試的數(shù)據(jù)提供一個(gè)通用的坐標(biāo)系。在這些例子中，僅對(duì)特定ROI中的體素的BOLD活動(dòng)信號(hào)進(jìn)行分析。通過(guò)嘗試根據(jù)其他被試的測(cè)試數(shù)據(jù)來(lái)確定單獨(dú)拿出來(lái)的被試的測(cè)試數(shù)據(jù)中的短片片段，從而評(píng)估刺激過(guò)程中共有的認(rèn)知狀態(tài)的強(qiáng)度。這是在使用跨被試因子模型之前或之后完成的：主成分分析（PCA），獨(dú)立成分分析（ICA），超對(duì)準(zhǔn)（HA）或SRM。對(duì)于降維方法（PCA，ICA，SRM），使用了k = 50個(gè)特征。假設(shè)短片片段是獨(dú)立的，則機(jī)會(huì)精度為0.001。
Box 2 被試間功能連接
功能磁共振成像分析的最廣泛使用的分析方法之一就是功能連接（FC）分析——不同腦區(qū)BOLD活動(dòng)的時(shí)間協(xié)方差及其如何隨外部輸入和內(nèi)部目標(biāo)而隨之變化的函數(shù)。 通常計(jì)算單個(gè)種子ROI與大腦其他區(qū)域（圖6a）之間的某種指標(biāo)得到FC，但它也可以通過(guò)計(jì)算所有可能的體素對(duì)或區(qū)域?qū)χg的數(shù)值指標(biāo)得到。
“功能連接”一詞表示由區(qū)域之間的直接相互作用引發(fā)的區(qū)域間的協(xié)方差。但是，情況并非總是如此，因?yàn)閰f(xié)方差可以間接地由共同影響該區(qū)域的生理因素（例如呼吸或心跳）引起，也可以由該區(qū)域與同一外部刺激的同步性間接引起。只要比較兩個(gè)或多個(gè)實(shí)驗(yàn)條件下的協(xié)方差，就可以控制生理雜聲，只要生理變化與實(shí)驗(yàn)設(shè)計(jì)無(wú)關(guān)即可。
在這里，本文關(guān)注分離區(qū)域之間的由刺激驅(qū)動(dòng)的協(xié)方差的補(bǔ)充問(wèn)題。一種新的FC變體，稱為被試間功能相關(guān)（ISFC），它通過(guò)計(jì)算被試之間的區(qū)域協(xié)方差來(lái)實(shí)現(xiàn)此目標(biāo)（例如，將被試1中的區(qū)域A與參與者2中的區(qū)域B相關(guān)聯(lián)；圖6b）。鑒于內(nèi)在的神經(jīng)反應(yīng)無(wú)法在被試之間的大腦系統(tǒng)對(duì)齊，因此，處于靜息態(tài)的ISFC（當(dāng)沒(méi)有刺激存在時(shí)）得到的協(xié)方差模式應(yīng)較低且在統(tǒng)計(jì)學(xué)上不顯著。但是，當(dāng)神經(jīng)反應(yīng)于特定的刺激時(shí)，ISFC可以分離出被試間共享的協(xié)方差。
ISFC（被試間功能相關(guān)）對(duì)于濾除自發(fā)性神經(jīng)反應(yīng)特別有效，后者對(duì)FC有重要作用，同時(shí)提高了對(duì)特定刺激過(guò)程的敏感性。若要查看此情況，請(qǐng)考慮在fMRI掃描中進(jìn)行四個(gè)實(shí)驗(yàn)：聽(tīng)一個(gè)7分鐘的故事，聽(tīng)故事中的句子被打亂的版本，聽(tīng)故事中的單詞被打亂的版本以及沒(méi)有任何刺激的靜息態(tài)。盡管不同刺激之間存在很大差異，但是通過(guò)計(jì)算每個(gè)被試的FC，然后在組水平（18名被試）上進(jìn)行平均計(jì)算得到的FC在四個(gè)實(shí)驗(yàn)條件下均保持穩(wěn)定，這表明局部協(xié)方差受（內(nèi)在相互作用）支配，對(duì)動(dòng)態(tài)刺激引起的方差相對(duì)不敏感。
這些結(jié)果可以與相同數(shù)據(jù)的ISFC結(jié)果進(jìn)行對(duì)比，后者在不同條件下均表現(xiàn)出很大差異（圖6d）：對(duì)于打亂的單詞，僅在聽(tīng)覺(jué)皮層和處理單詞的早期語(yǔ)言區(qū)域中觀察到了ISFC； 對(duì)于打亂的句子，ISFC擴(kuò)展到更廣泛的語(yǔ)言網(wǎng)絡(luò)，涵蓋了Wernicke和Broca等區(qū)域； 對(duì)于完整的故事，ISFC包含完整的默認(rèn)模式網(wǎng)絡(luò)。此外，隨著故事的展開(kāi)，ISFC揭示了在短時(shí)間窗口內(nèi)協(xié)方差模式配置的可靠變化。這種在處理現(xiàn)實(shí)生活中的信息過(guò)程中跟蹤區(qū)域同步變化的能力為將大腦網(wǎng)絡(luò)的動(dòng)態(tài)與刺激特征和人類行為聯(lián)系起來(lái)開(kāi)辟了新途徑。
與SRM一樣，ISFC對(duì)個(gè)體獨(dú)特方差模式具有一定的限制。因此，應(yīng)與FC結(jié)合使用，尤其是當(dāng)要捕獲有意義的噪聲相關(guān)性和穩(wěn)定的個(gè)體差異的時(shí)候。
Figure 6 被試內(nèi)和被試間的功能交互。
（a）功能連接（FC）分析的示意圖，通過(guò)計(jì)算被試大腦中單個(gè)種子ROI（黃色）與大腦的其余部分之間或在所有可能的體素對(duì)之間的相關(guān)性（如FCMA）。
（b）被試之間功能相關(guān)（ISFC）分析的示意圖，在所有被試的大腦中，通過(guò)計(jì)算單個(gè)種子ROI與大腦其余部分之間的相關(guān)性或者計(jì)算所有可能的體素對(duì)之間的相關(guān)性。
（c）基于體素的功能連接協(xié)方差矩陣揭示了不同實(shí)驗(yàn)條件下的相似網(wǎng)絡(luò)組織。這四個(gè)實(shí)驗(yàn)條件是：（i）完整的故事，（ii）句子打亂，（iii）單詞打亂和（iv）靜息態(tài)。
（d）基于體素的ISFC協(xié)方差矩陣揭示了網(wǎng)絡(luò)內(nèi)依賴刺激的交互作用。通過(guò)k均值聚類將協(xié)方差矩陣組織成五個(gè)網(wǎng)絡(luò)：默認(rèn)模式網(wǎng)絡(luò)，兩個(gè)子網(wǎng)絡(luò)（DMNA和DMNB）；背側(cè)語(yǔ)言網(wǎng)絡(luò)（dLAN）；腹側(cè)語(yǔ)言網(wǎng)絡(luò)（vLAN）; 和聽(tīng)覺(jué)皮層（AUD）。
Box 3 實(shí)時(shí)云軟件服務(wù)（SaaS）
隨著神經(jīng)影像數(shù)據(jù)集越來(lái)越大和分析算法變得越來(lái)越復(fù)雜，fMRI分析的計(jì)算需求也在不斷增長(zhǎng)。傳統(tǒng)上，這些計(jì)算需求需要本地高性能計(jì)算集群的支持。集群雖然在計(jì)算上是高效的，但要花費(fèi)數(shù)百萬(wàn)美元。不僅需要占用相當(dāng)大的空間，而且還需要大量的支持人員，這使得許多fMRI研究人員和機(jī)構(gòu)無(wú)法使用它們。此外，隨著計(jì)算需求的快速增長(zhǎng)，這些系統(tǒng)無(wú)法靈活擴(kuò)展。云計(jì)算提供了了另一種解決方案，以可負(fù)擔(dān)和可訪問(wèn)的方式提供可擴(kuò)展資源。 可以使用SaaS來(lái)利用這些資源，從而使研究人員可以在全球任何地方按需進(jìn)行數(shù)據(jù)分析，而無(wú)需開(kāi)發(fā)和部署新的軟件或管理服務(wù)器。SaaS先前已在神經(jīng)科學(xué)中使用，并已被其他幾個(gè)科學(xué)領(lǐng)域所采用。
實(shí)時(shí)功能磁共振成像是SaaS的一個(gè)很好的例子，因?yàn)樾枰焖?，可擴(kuò)展和有彈性的計(jì)算。每個(gè)獲取的腦影像將被發(fā)送到云服務(wù)器上進(jìn)行分析，并在完成收集下一個(gè)腦影像之前返回結(jié)果，以進(jìn)行神經(jīng)反饋或?qū)嶒?yàn)調(diào)整。除了滿足這些緊迫的時(shí)間期限外，實(shí)時(shí)云分析的目標(biāo)是使在線使用可以離線執(zhí)行的全部分析成為可能。作為一個(gè)計(jì)算量特別大的測(cè)試用例，研究人員一直在開(kāi)發(fā)FCMA的實(shí)時(shí)云版本。與相關(guān)性計(jì)算，特征選擇和分類器訓(xùn)練相關(guān)的計(jì)算特別需要內(nèi)存和計(jì)算周期。實(shí)時(shí)應(yīng)用中一個(gè)更高要求的因素是，這些步驟需要多次執(zhí)行，并且隨著每個(gè)腦影像的采集而逐步執(zhí)行，而不是從批處理數(shù)據(jù)的末尾一次執(zhí)行。
在實(shí)現(xiàn)實(shí)時(shí)FCMA時(shí)，研究人員設(shè)計(jì)了一種系統(tǒng)架構(gòu)，該系統(tǒng)架構(gòu)原則上可用于實(shí)時(shí)執(zhí)行其他密集的fMRI分析計(jì)算（圖7）。掃描儀控制室配有一個(gè)簡(jiǎn)單的工作站，該工作站可以收集和傳輸從掃描儀出來(lái)的重建后的大腦影像。它使用超文本傳輸協(xié)議（HTTP）接口向云傳輸信息和從云接收信息。云托管一個(gè)代表性的狀態(tài)傳輸（REST）前端服務(wù)器，該服務(wù)器與分布式后端（由主流程協(xié)調(diào)）進(jìn)行通信，該后端提供了組成管道階段的一組靈活的流程。其中一些階段包括使用一組機(jī)器進(jìn)行分布式并行進(jìn)程進(jìn)行大型計(jì)算。簡(jiǎn)單的計(jì)算（例如空間濾波和分類器評(píng)分）僅需要一臺(tái)機(jī)器。該系統(tǒng)能夠提供多種服務(wù)，允許來(lái)自不同神經(jīng)影像中心同時(shí)進(jìn)行實(shí)時(shí)功能性核磁共振成像實(shí)驗(yàn)。該系統(tǒng)還被設(shè)計(jì)為具有容錯(cuò)能力，并且對(duì)機(jī)器故障具有魯棒性，從而確保了其科學(xué)研究的可靠性。此類云服務(wù)最終將使所有功能磁共振成像分析受益，提高數(shù)據(jù)處理與分析的標(biāo)準(zhǔn)化和實(shí)驗(yàn)的可重復(fù)性——僅需要后端硬件和軟件進(jìn)行大規(guī)模分析，而一旦需要專用系統(tǒng)，該分析流程就可以被所有用戶使用且易于使用。
實(shí)時(shí)功能磁共振成像通常在本地工作站上進(jìn)行，甚至可以用于高級(jí)分析，因此，重要的是要考慮SaaS所帶來(lái)的好處，而不是像FCMA這樣的大規(guī)模方法。上面提到了一些云計(jì)算的實(shí)際好處——增強(qiáng)了實(shí)時(shí)fMRI對(duì)沒(méi)有強(qiáng)大計(jì)算能力的本地工作站站點(diǎn)的訪問(wèn)能力，并推進(jìn)了分析軟件的配置，維護(hù)和升級(jí)——但是依舊還有許多優(yōu)越的計(jì)算優(yōu)勢(shì)，例如并行計(jì)算。特別是，SaaS允許靈活分配計(jì)算機(jī)，以多種方式處理同一數(shù)據(jù)。例如，如果要從MVPA提供神經(jīng)反饋，則可以在不同的腦區(qū)或搜索窗口上訓(xùn)練和測(cè)試多個(gè)分類器，然后可以使用性能最優(yōu)的分類器提供高保真度反饋。 同樣，可以實(shí)時(shí)掃描分析參數(shù)的空間以優(yōu)化性能。 SaaS的潛在限制是它涉及中央硬件資源，這些硬件資源必須有大量經(jīng)費(fèi)或者資本投資來(lái)支持。 另一個(gè)重要的考慮因素是，掃描儀圖像可能包含有關(guān)人類被試的個(gè)體識(shí)別信息（例如，頭文件，面部重建），因此將它們異地發(fā)送到未經(jīng)過(guò)科學(xué)倫理審查的地方可能會(huì)出現(xiàn)問(wèn)題。 一些云計(jì)算提供商提供了符合HIPAA的服務(wù)器，這將有助于減輕這種擔(dān)憂，此外，可以在將圖像傳輸?shù)椒?wù)器之前清除圖像中的可識(shí)別信息。
Figure 7 實(shí)時(shí)云系統(tǒng)架構(gòu)。
fMRI掃描儀通過(guò)互聯(lián)網(wǎng)將采集到的腦影像數(shù)據(jù)發(fā)送到中央系統(tǒng)上，然后由系統(tǒng)返回神經(jīng)反饋。每個(gè)掃描儀都使用服務(wù)器集群來(lái)獲取自己的數(shù)據(jù)分析結(jié)果（此處為FCMA），實(shí)時(shí)提供神經(jīng)反饋，并通過(guò)重復(fù)的特征選擇和分類器訓(xùn)練來(lái)持續(xù)地更新分類器。
總結(jié)：
功能磁共振成像存在了不到二十年。在本文中，作者總結(jié)了有助于引導(dǎo)功能磁共振成像進(jìn)入第三個(gè)十年的分析方法。fMRI分析將受益于與相近領(lǐng)域的緊密結(jié)合，例如認(rèn)知科學(xué)，計(jì)算機(jī)科學(xué)，工程學(xué)，統(tǒng)計(jì)學(xué)和數(shù)學(xué) 。隨著這些領(lǐng)域（和神經(jīng)科學(xué)）在技術(shù)行業(yè)中的代表越來(lái)越多，隨著研究的新應(yīng)用，也將出現(xiàn)新的融資機(jī)會(huì)和合作關(guān)系。同時(shí)，人們?cè)絹?lái)越關(guān)注可重復(fù)性，公共數(shù)據(jù)庫(kù)，代碼共享，這將為人們提供新的，負(fù)擔(dān)得起的，可訪問(wèn)的數(shù)據(jù)源和新的發(fā)現(xiàn)途徑。即使收集數(shù)據(jù)集的研究人員在大海撈針中找到針頭，也肯定有更多的針頭藏在大海中，尤其是與其他數(shù)據(jù)集結(jié)合并使用正在開(kāi)發(fā)的強(qiáng)大技術(shù)進(jìn)行分析時(shí)。
本文更多地從計(jì)算科學(xué)和數(shù)理理論的角度出發(fā)，總結(jié)了一些最前沿的fMRI分析方法，并引導(dǎo)接下來(lái)fMRI分析方法的發(fā)展方向，比較具有前瞻性。
請(qǐng)微信搜索“思影科技”關(guān)注我們，關(guān)注我們的公眾號(hào)，獲得更多精彩腦科學(xué)內(nèi)容，如需原文或?qū)λ加翱萍颊n程感興趣請(qǐng)?zhí)砑游⑿盘?hào)siyingyxf或19962074063
歡迎瀏覽思影的數(shù)據(jù)處理課程以及數(shù)據(jù)處理業(yè)務(wù)介紹。（請(qǐng)直接點(diǎn)擊下文文字即可瀏覽思影科技其他課程，歡迎添加微信號(hào)siyingyxf或19962074063進(jìn)行咨詢，仍接受報(bào)名，受疫情影響部分課程時(shí)間或有調(diào)整，報(bào)名后我們會(huì)第一時(shí)間聯(lián)系）：
第六屆任務(wù)態(tài)fMRI專題班（重慶4.8-13）
第二十八屆磁共振腦影像基礎(chǔ)班（重慶2.24-29）
第十四屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（重慶3.18-23）
第二十屆腦電數(shù)據(jù)處理中級(jí)班（重慶3.7-12）
第二十九屆磁共振腦影像基礎(chǔ)班（南京3.15-20）
第十五屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（南京4.13-18）
第十屆腦影像機(jī)器學(xué)習(xí)班（南京3.3-8）
第六屆小動(dòng)物磁共振腦影像數(shù)據(jù)處理班(3.27-4.1)
第十二屆磁共振彌散張量成像數(shù)據(jù)處理班（南京3.21-26）
第九屆磁共振腦影像結(jié)構(gòu)班(南京2.26-3.2）
第八屆腦電數(shù)據(jù)處理入門(mén)班（南京3.9-14）
第七屆眼動(dòng)數(shù)據(jù)處理班（南京4.9-13）
第七屆近紅外腦功能數(shù)據(jù)處理班(上海4.2-7）
思影數(shù)據(jù)處理業(yè)務(wù)一：功能磁共振（fMRI）
思影數(shù)據(jù)處理業(yè)務(wù)二：結(jié)構(gòu)磁共振成像(sMRI)與DTI
思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理
思影數(shù)據(jù)處理業(yè)務(wù)四：EEG/ERP數(shù)據(jù)處理
思影數(shù)據(jù)處理服務(wù)五：近紅外腦功能數(shù)據(jù)處理
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
招聘：腦影像數(shù)據(jù)處理工程師（重慶&南京）BIOSEMI腦電系統(tǒng)介紹
