对整个大脑的时空组织的全面表征对于理解人类大脑的功能和功能障碍都是至关重要的。灰质静息状态功能连接(FC)有助于揭示大脑固有的基线网络。然而，尽管有研究表明脑白质(WM)的FC在任务和休息时确实发生了变化，但白质(WM)几乎占大脑的一半，在这一表征中却基本被忽略。在本研究中，我们鉴定了静息态fMRI的9个白质功能网络(WM-FNs)和9个灰质功能网络(GM-FNs)。利用多路fMRI数据计算类内相关系数(ICC)，评估静态功能连接(SFC)和动态功能连接(DFC)的可靠性。在GM-FNs、WM-FNs和GM-WM-FNs中估计SFC、DFC和它们各自的ICCs之间的关联。GM-FNs的SFC强于WM-FNs，但对应的DFC较低，说明WM-FNs更具动态性。在GM-和WM-FNs中，SFC、DFC及其ICCs之间的关联相似。这些结果表明，WM fMRI信号包含与GM相似的丰富时空信息，可能为更好地建立全脑功能组织提供重要线索。
1 简介
功能磁共振成像(Functional magnetic resonance imaging, fMRI)是一种通过血氧合水平依赖(BOLD)信号间接检测神经元活动的无创方法。使用BOLD信号，可以在不受约束的内在活动中评估分离的大脑区域之间的时间同步活动，这被定义为功能连接(FC)测量。采用不同区域的灰质(GM)之间的FC测量,人类大脑基线功能网络(FNs),如运动网络,听觉网络,默认模式网络(DMM),和注意网络,可以可靠地提取。此外，fMRI的FC已被证明与年龄、神经反应、流体智力和性别有关。此外，各种精神障碍，如阿尔茨海默氏病、精神分裂症、抑郁症和自闭症，都被报道改变了FC。上述研究表明，脑功能参数在表征人脑功能和功能障碍方面有许多重要的应用。
然而，以往的fMRI FC研究大多集中在GM BOLD信号上，而来自白质(white matter, WM)的信号通常被认为是由噪声主导的，WM中的FC多被忽略。考虑到WM紧密地连接着GM的不同区域，并且占了人类大脑的近一半。一些研究已经开始在正常和临床人群中使用FC测量来探索WM信号的变化。Ding和同事证明，在不同的任务条件下，某些WM束的BOLD信号在特定的GM区域显示出不同的FC模式。以往的静息状态研究大多采用静态功能连接(SFC)来探讨不同脑区之间的时间同步性。Peer及其同事在静息态fMRI信号中采用了SFC方法，证实了不同的对称白质功能网络(WM-FNs)的存在，它与灰质功能网络(GM-FNs)和底层的WM束紧密相连。这一发现被我们之前的研究进一步证实，我们使用人类连接组项目(HCP)数据在GM-和WM-FNs(GM-WM-FNs, GM-WM-FNs)之间发现了可靠的WM-FNs和FC。此外，对称WM-FNs和GM感知运动系统之间的FC在精神分裂症患者中显示了异常变化，这表明GM和WM之间的连接(GM-WM)对维持人类大脑的正常功能至关重要。然而，这些在WM中使用时间平均FC的研究忽略了FC的动态特性。探讨脑皮层的动态特性及其可靠性有助于揭示脑皮层的基线网络，从而更好地理解全脑的时空动态。
累积的fMRI研究表明，动态功能连接(DFC)代表功能连接的时间变化，可以反映认知和行为关键方面的宏观神经活动模式的变化。DFC改变在各种精神疾病中已被广泛报道，如精神分裂症、重度抑郁症、自闭症和阿尔茨海默病。由于DFC测量在分析人类行为测量和各种精神障碍的大脑功能障碍中具有重要的应用，因此在多个静息状态fMRI扫描中估计DFC参数的可靠性是很重要的。Choe等采用3种常用的DFC估计方法对DFC的可靠性进行了估计，发现动态条件相关方差比滑动窗口(SW)和锥形SW得到的更可靠。此外，使用包含3种不同DFC统计量标准差(SD)、低频振幅(ALFF)和偏移的SW方法，Zhang和同事利用类内相关系数(ICC)探索了SFC、DFC及其可靠性之间的关联。然而，目前对DFC的研究主要集中在GM BOLD信号上，尚未研究DFC在WM中的时间特性和可靠性。
在这项研究中,我们假设从WM BOLD信号包含丰富的和鲁棒的时空信息，类似于从GM获得的。为了解决这个假说,WM分割掩模,包括128个随机出感兴趣的区域(roi),获得了用层次划分方法。随后，构建GM-和WM-FNs，并通过对基于分区的DFC矩阵进行K-means聚类来评估。对于每个成对的FNs，采用SW法计算所有FNs的SD值，得到一个DFC值。通过计算ICC值来估计GM-/WM-FNs内部和GM-WM-FNs之间DFC参数的可靠性。最后，通过Pearson相关系数估计SFC、DFC与ICCs之间的相关性。
2 方法简述
2.1 数据和预处理
HCP数据集用于当前的研究(https://db。hu manconnectome.org)，并纳入129名健康受试者，每个受试者都有静息状态fMRI和t1加权解剖图像。
使用静息态fMRI数据处理助手(DPARSF) (http://rfmri.org/DPARSF)和SPM12工具箱(http://www.fil.ion.ucl.ac.uk/spm/software/spm12)进行功能图像的预处理步骤。
2.2 组水平GM和WM mask的创建
为了最小化混合WM和GM信号，每个个体的分割结果被用来获取组级别WM和GM的mask(图1A,步骤3)。具体地说,对于每一个个体,每个体素在整个大脑被确认为WM,GM、或CSF,这为每个受试者生成了二元化的WM和GM掩模。然后，我们在所有受试者中分别计算这些高分辨率解剖分割的WM和GM掩模的平均值。组级WM掩模的定义采用以下2步:1)阈值>60%的受试者使用二值化的解剖掩模;2)然后，我们将解剖掩膜与功能数据进行比较，并在80%的受试者中去除被识别为WM但具有功能数据的体素。最后，为了排除大脑深层结构的影响，我们使用了哈佛牛津地图集来移除皮层下区域。由于我们的研究集中在大脑皮层，小脑被排除在组水平的WM掩模之外。对于群体层面的GM掩模，使用更宽松的阈值>20%的受试者用于识别T1图像中的GM体素，但我们排除了WM掩模中包含的任何体素。然后选择结果掩模的体素，使用功能数据中>80%受试者中存在的体素定义群体水平的GM掩模。
2.3 脑分区和SFC构建
与之前的研究 (图1A，步骤3)一样，将组级WM掩模分为128个随机大小近似相同的roi。具体来说，将组级WM掩模分为两个半球。然后使用分层法将每个半球掩模随机划分为64个roi。此外，为了便于与先前关于DFC测试重测信度的研究进行比较，我们使用了与该研究相同的GM分区模板(自动解剖标记[AAL]图谱)，包含116个区域(90个皮层/皮层下区域和26个小脑/蚓部区域)。由于我们的研究集中在大脑皮层，我们排除了26个小脑/蚓部区域。最后，排除AAL图谱组水平GM掩模外的体素。此外，为了计算AAL是否对我们的结果有影响，我们使用Dos图谱进行了相同的分析(补充3)。
对每个感兴趣区域，利用感兴趣区域内所有体素的时间序列提取平均时间序列，得到WM和GM分别为128和90个时间序列。对于每个被测对象，利用ROI时间序列各对之间的Pearson相关系数计算SFC，得到GM内(90*90)、WM内(128*128)内和GM-WM(90*128)之间的SFC矩阵。
2.4 SW分析和DFC
估计DFC最常用的方法是SW方法，该方法使用fMRI时间序列的窗口段在固定长度上连续计算相关矩阵。本研究选择40TRs窗长来探索GM/WM以及GM-WM的DFC.
2.5 聚类功能网络
对组级DFC矩阵进行K-means聚类(距离度量相关，10次复制)得到WM-FNs(图1A，步骤7)。聚类的数量从2到20，对每个聚类进行聚类效度指标肘准则(聚类内与聚类间距离之比)，得到最佳的WM-FN个数。
2.6 SFC和DFC的ICC分析
可靠性在很大程度上是对个体差异的统计评估。信度低，表明相关测量不适合研究个体差异。虽然有许多测试重测信度的测量方法，但在fMRI中最常用的测量方法是使用ICC。为了评估WM-和GMFNs中SFC和DFC的测试重测可靠性，对119名HCP受试者进行了2组ICC分析。
其中BMS是受试者之间的均方方差，WMS是受试者内部的均方方差，k是每个参与者的扫描重复次数(这里k =2)。
为了分析SFC、SFC ICC、DFC和DFC ICC之间的关联，我们估计了在GM-/WM-FNs内SFC ICC和GM-WM-FNs之间SFCICC的关联。
图1 功能网络聚类和生成DFC ICC映射的过程
3 结果
3.1 GM和WM内空间聚类模式
采用基于GM分区DFC矩阵的K-means聚类方法识别GM-FNs。聚类有效性指数的肘准则表明，GM-FNs的最优数量为9，该数字用于识别最终的聚类(图S1A)。GM-FNs包括:AN，左、右额顶叶网络(左右FPN)，内侧视觉网络(内侧VN)，外侧VN，后DM，感觉运动网络(SMN)，和前DMM，以及皮质下网络(SCN)(图2)。基于WM分区DFC矩阵的K-means聚类有效性指数肘准则显示，WMFNs的最优数量为9(图S1B)，分别为(图3):右侧前额叶WM-FN(RPF-WM-FN)，皮质脊髓下WM-FN (ICS-WMFN)，左侧前额叶WM-FN (LPF-WM-FN)，左侧放射后冠WM-FN (LPF-WM-FN)，右侧放射前冠WM-FN (RACR-WM-FN)，枕部WM-FN (OC-WM-FN)，右侧放射后冠WM-FN (RPF-WM-FN)，感觉运动表浅WM-FN (SMS-WM-FN)感觉运动中WM-FN (SMM-WM-FN)。
图2 k-means识别的9个GM-FNs
图3 k-means识别的9个WM-FNs
3.2 网络内SFC和DFC
图4显示了所有GM和WM分区的全脑组水平的SFC、DFC及其ICC图谱。图4A显示了GM分区的SFC、DFC、SFC ICC和DFC ICC映射。我们发现以下4个GM-FNs的SFC显示出较高的内部网络SFC（图3和4A):中间VN (SFC = 0.74, DFC = 0.2)、后DMN (SFC = 0.57,DFC = 0.27)、SMN (SFC = 0.66, DFC = 0.23)和前DMN (SFC = 0.52, DFC = 0.28)。SFC的ICC值普遍高于DFC的ICC值，说明SFC比DFC更可靠。正如所料，SFC值越高，SFC ICC越高，DFC值越高，DFCICC越小。
图4B显示了WM分区的SFC、DFC、SFC ICC和DFC ICC。以下2种WM-FNs表现出较高的SFC和低DFC (图4B和5):OC-WM-FN(SFC = 0.45, DFC = 0.30)和RPCR-WM-FN (SFC = 0.41, DFC =0.31)。WM-FNs的平均内部连接强度(SFC =0.34)显著弱于GM-FNs (SFC = 0.51，图5A)， WM-FNs的平均DFC (DFC = 0.32)显著高于GM-FNs (DFC = 0.28，图5B)。总的来说，对于WM分区，SFC ICC值高于DFCICC结果。根据GM-FNs的结果，DFC值越大，对应的DFC ICC越小。图4C展示了GM和WM分区之间的SFC、DFC、SFC ICC和DFC ICC映射。与GM和WM分区相似，连接强度高的SFC一般对应较低的DFC，且GM和WM分区之间SFC的ICC结果总体高于DFC的ICC结果。
图4 分区nask的SFC、DFC、SFC ICC和DFC ICC映射
图5 GM-和WM-FNs的内部网络SFC和DFC
3.3 网络间SFC和DFC
对于GM-FNs的SFC、DFC、SFC ICC和DFC ICC结果如图6A所示。我们发现，侧VN变现为与AN (SFC = 0.56)和内侧VN (SFC = 0.67)的高SFC，其对应的DFC图显示FC的低波动(DFC分别为0.28和0.23)。SMN和AN之间(SFC = 0.52, DFC = 0.29)以及左右FPN之间(SFC = 0.50, DFC = 0.29)也有相似的结果。此外，从整体上看，SFC ICCs的公信力高于DFC的公信力，说明SFC比DFC更可靠。
对于WM-FNs的SFC、DFC、SFC ICC和DFC ICC结果如图6B所示。我们发现，RPCR-WM-FN与LPCR-WM-FN(SFC = 0.6)和RACR-WM-FN (SFC = 0.59)具有较高的SFC，其对应的DFC值具有较低的波动(分别为0.26和0.27)。此外，LPF-与LPF- WM-FNs(SFC = 0.56, DFC = 0.27)、SMS-与SMM-WM-FNs(SFC = 0.54, DFC = 0.28)、LPF-与RACR-WM-FNs(SFC = 0.52, DFC = 0.29)、LPCR-与RACR-WM-FNs(SFC = 0.29)之间也有相似的结果。与GM-FNs相似，WM-FN SFC ICC值总体上高于DFC ICC值。
图6 功能网络的SFC、DFC、SFC ICC和DFC ICC映射
3.4 SFC,DFC,SFC ICC,DFC ICC之间的联系
为了估计SFC、DFC、SFC ICC和DFC ICC之间的关联，我们展示了所有FC对的所有这些度量之间的散点图（图7）。WM/GM分区和GM-WM分区之间存在两种正相关和两种负相关(图8A，表1)。我们还估计了GM-/WM-FNs内SFC、DFC、SFC ICC和DFC ICC之间以及GMWM-FNs之间的联系(图8B，表1)。与图8A(表1)得到的结果相似，我们还观察到2个正相关和2个负相关。
图7 在SFC、DFC、SFC ICC和DFC ICC之间在大脑分区的所有FC对之间散点图
图8 SFC、DFC、SFC ICC及DFC ICC之间的关联
4 讨论
本研究探讨静息态fMRI中WM BOLD信号的时空特征和WMDFC可靠性。此外，分别在WM/GM内和GM-WM之间估计了SFC、DFC及其各自ICCs之间的关联。我们的研究进一步验证了通过对GM DFC矩阵进行K-means聚类可以得到GM-FN。使用同样的聚类方法，本研究也得到了9个WM-FNs。另一方面，无论是在WM/GM范围内还是在GM-WM范围内计算SFC和DFC图，SFC和DFC之间都存在负相关关系，表明SFC值低导致DFC高，反之亦然。总体而言，SFC的ICC图高于DFC的ICC图，说明在WM/GM内部以及GM-WM之间，SFC比DFC更可靠。此外，对于intra-GM-FNs的SFC强于intra-WM-FNs，而对于intra-GM-FNs对应的波动较低。我们进一步发现，在WM/GM和GM-WM中，SFC、DFC及其对应的ICCs之间的关联高度相似(图7)，表明WM BOLD信号的动态特征与GM相似，具有丰富的FC时间特征。
我们认识到，在本研究中，来自WM的BOLD信号被怀疑是由于部分体积效应而来自GM的下渗作用。为了最大限度地减少GM信号的影响，分别对WM和GM进行空间平滑，并仅使用分离的WM和GM体素对每个被试进行相应的掩模识别。此外，使用高质量的HCP数据集可以在一定程度上缓解这种局限性。随着多层成像技术的迅速发展和可靠成像技术的成熟，高信噪比和空间/时间分辨率的神经成像技术有望实现。最后，目前的研究没有进一步分析WM中的频谱并与GM进行比较，探索SFC/DFC与频谱的关系并与GM进行比较，还需要进一步的研究。
5 总结
本文研究了静息态fMRI中WM BOLD信号的动态特性和DFC的可靠性。分别在WM/GM和GM-WM之间估计SFC、DFC和它们各自的ICCs之间的关联。主要研究结果如下：1)我们验证了对GM内部的DFC矩阵进行K-means聚类可以得到GM-FNs，该方法也适用于获得WM-FNs；2) WM的动态特性与GM相似，包括DFC与SFC和DFC ICC呈负相关，SFC ICC与SFC和DFC ICC呈正相关。总体而言，在WM/GM内部和GM-WM之间，SFCICC图均高于DFC。3)我们也注意到GM-WM之间的SFC和DFC特性的差异。intra-GM-FNs的SFC强于intra-WM-FNs，对应的DFC较intra-GM-FNs低。研究结果表明，WM的BOLD信号包含丰富的时空信息，可以从静息态fMRI信号中获得与GM相似的重要DFC参数。
参考文献：White Matter Functional Connectivity in Resting-State fMRI: Robustness, Reliability, and Relationships to Gray Matter
