半岛全站如果是这种情况，则可以在颈动脉中发现这些sLFO信号，且延迟时间要早于在大脑中发现的信号。
血氧水平依赖性（BOLD）对比主要用于功能性磁共振成像（fMRI）中，以检测大脑的激活情况。
这种技术依赖于以下事实：脱氧血红蛋白是顺磁性的，这会导致T2*加权的图像中减少MR信号。
因此，BOLD对比度取决于体素中脱氧血红蛋白的量。大脑激活和BOLD对比之间的联系是神经血管耦合。
详细地讲，区域性大脑激活（神经元激发, neuron firing）会增加局部代谢率，从而增加血液流量和体积，从而为该部位带来更多的氧气和营养半岛全站。由于“氧化代谢的解偶联（ uncoupling of oxidative metabolism）”半岛全站，导致含氧血液供过于求。
氧合血红蛋白浓度的增加和脱氧血红蛋白浓度的减少导致T2*的局部增加，以及BOLD信号强度的增加。因此，BOLD信号不是对大脑激活的直接测量，而是对神经元激活导致的血液动力学变化的测量。
但是，许多其他生理过程会改变血流量，氧合和容量，也会引起BOLD信号改变。心脏搏动和呼吸信号，或更常见的是这些信号的别名版本，也可以在BOLD fMRI数据中看到。另外，未知来源的BOLD信号存在低频变化，统称为“低频振荡”
BOLD信号差异的低频来源之一是“系统低频振荡”（sLFO：〜0.1 Hz）。
与BOLD中的其他低频振荡不同，sLFO信号很可能是非神经元的，并且可以通过功能性磁共振成像在大脑中被广泛观察到。
在本文中，我们将使用该术语（sLFO），将该信号与由神经元活动变化引起的静止状态LFO BOLD信号区分开。
以前已经证明，根据静止状态fMRI数据中BOLD信号的全局信号（GS）估算出的sLFO可通过确定来自不同的体素的sLFO和BOLD信号之间的时间间隔来跟踪整个大脑的脑血流量。这表明sLFO与动态血流密切相关，因此会随其传播到大脑的不同部位。这些sLFO也可以在外周神经系统中被检测到。例如，近红外光谱利用氧合血红蛋白浓度的变化可以在指尖和脚趾处检测到sLFO。指尖处记录的sLFO领先脚趾的sLFO约3s，且两者均与同时获取的静止状态fMRI的GS高度相关。
BOLD信号既来自血液量的变化，又来自血液氧合。氧合血红蛋白浓度很好地代表了动脉血中血容量的变化，因为动脉血基本上被100％氧化。如果是这种情况，则在静止状态fMRI数据中，在外围以及整个毛细血管和静脉中看到的sLFO信号应在脑动脉的BOLD信号中观察到。此外，动脉中的sLFO信号应领先于毛细血管和静脉中的信号（顺序到达时间）。
在这项研究中，我们在动脉（即颈内动脉， internal carotid artery，ICA）中寻找sLFO BOLD信号，并将其与主要反映毛细血管和静脉血的GS以及在突出静脉（例如superior sagittal sinus, SSS，上矢状窦，和，internal jugular vein, IJV，颈内静脉）中发现的信号进行了比较。我们假设将在所有这些隔室中检测到sLFO BOLD信号（这些信号与GS之间以及彼此之间有显著的互相关），并且相对延迟时间将与来自动脉-通过毛细血管-到达静脉的血流保持一致。本研究旨在检验这些假设。
由于产生大动脉血管信号的对比机制尚不清楚，我们仍将其称为“ BOLD信号”。细节可以在讨论中找到。
血氧水平依赖(blood oxygen level dependent, BOLD)效应最先是由 Ogawa 等于1990 年提出, 他们发现氧合血红蛋白含量减少时, 磁共振信号降低, 并且还发现信号的降低不仅发生在血液里, 而且还发生在血管外, 于是认为这种效应是血液的磁场性质变化引起的。此后很多研究者进行了大量的理论和实验的工作, 总结出 BOLD-fMRI 的成像基础，神经元活动时, 局部脑血流量和耗氧量均增加, 但是两者增加有差异, 即脑血流量的增加多于耗氧量的增加, 这种差异使活动区的静脉血氧浓度较周围组织明显升高,去氧血红蛋白相对减少。去氧血红蛋白是顺磁性的物质, 在血管和其周边产生局部梯度磁场,使质子快速去相位, 因而具有缩短 T2 的作用。脑区激活时, 由于去氧血红蛋白减少, 缩短 T2 的作用也减少, 同静息状态相比, 局部脑区的 T2 或 T2F 相对延长, 因而在 T2 加权或者 T2F 加权的功能磁共振成像图上表现为信号相对增强。
使用FSL对Myconnectome进行的90个静止状态扫描进行了预处理。
由于对单个受试者进行了90次静息状态扫描，因此，在受试者 within-subject variation很小的情况下，可以轻松评估结果的可靠性。
由于所有图像属于同一subject，简化了registratioin，从而将alignment误差降至最低，这对于以低信噪比（SNR）在静止状态数据中map动脉至关重要。
Myconnectome的多频带rest state采集是高质量的数据，具有相对较高的时间（TR = 1.16 s）和空间分辨率（〜2.5 mm 3）。
解剖(anatomic)数据包括具有高空间分辨率的重复T1和T2加权扫描，这使我们能够准确识别大血管（动脉和静脉）。
Myconnectome的结构和功能数据涵盖了头部的整个范围和颈部的很大一部分，从而可以识别出很大一部分ICA。
数据是公开可用的，因此可以独立验证这些结果（我们的方法，软件和结果将在线提供）。详细的扫描参数已在前面进行了描述。
在T1加权解剖扫描中，左右ICA清晰可见（见下图a），这是由于梯度回波T1加权扫描中流入血液的增强。
另一方面，在T1或T2加权图像中不容易识别大静脉。但是，通过使用T1和T2加权图像之间的比率，可以增大图像中大血管中信号的对比度。如图所示图b，ICA，SSS和IJV在比率图像中都亮。通过仔细地对图像进行阈值处理，我们可以非常准确地提取ICA，SSS和IJV（见下图c）。
从对象的平均T1w图像（a）和T1w (T1加权)除以T2w的平均图像（b），左右颈内动脉（L-ICA，R-ICA）半岛全站，矢状窦（SSS），左右内颈静脉（L-IJV和R-IJV）是可区分的（由（b）和（c）中的箭头指示）。这些血管在低分辨率静止状态fMRI图像的一个示例上的投影（d）。
这vessel投影用作masks，以从每个静止状态扫描中提取相应的平均时间序列（TS），即左ICA，右ICA，SSS，左IJV和右IJV。在0.005-0.1 Hz的范围内对时间序列进行了滤波，以消除高频噪声和信号漂移。最后半岛全站，计算每个时间序列与全局信号之间的相关系数和时间延迟。
图1展示了分析的流程。使用前面概述的程序，确定了五个vessel（左和右ICA，SSS和左和右IJV）。
对于每个静止状态的扫描结果，使用在预处理步骤中计算的registration matrix 将这些高分辨率血管图像register到低分辨率功能图像。register的一个示例显示在图1（d）。然后将这五个已register的血管图像用作mask，以提取每个血管的相应time courses。
如图1（c）所示，ICA和IJV在高分辨率图像中显然是可分离的（无重叠）。但是，当我们将它们register到低分辨率静止状态图像时，这些血管（ICA和IJV）的边界可能会重叠（图1（d））。当这些register后的图像用作mask以提取相应的时间序列时，我们在FSL函数（fslmeants –w）中使用了加权平均选项以最大程度地减小registration误差，尤其是在那些重叠的边界体素中。加权平均也用于从SSS中提取BOLD信号。
最后，当使用诸如带通滤波和最佳延迟搜索之类的处理步骤时，显著性可能会被高估。
为了评估这项研究中的虚假相关阈值(spurious correlation threshold)（高于该水平的相关被认为是显著的），我们进行了所谓的“不匹配”互相关计算。例如，为了评估ICA和GS之间的虚假相关性水平，我们有意从不同的sessions中选择了ICA和GS，这应该是不相关的。通过保持其余处理过程相同（例如，滤波，相关性和峰值选择），我们可以计算MCCC中虚假相关性的分布以及相应的时延。此外，我们采用了two-sample Kolmogorov–Smirnov检验，以查看实际计算得出的MCCC分布和时延是否与“不匹配”计算得出的差异大。
如图2所示，显示了从一个静止状态扫描session（在过滤之前）获取的对应于GS，右ICA，SSS和右IJV的样本BOLD信号。这些fMRI time course的相应傅里叶变换（FTs）显示在右侧面板中。GS，SSS和IJV BOLD信号看起来非常相似，这可以通过FT图中的低频范围内的重叠频率分布得到证实（图2（b）和（C））。
（c）右颈内静脉（R-IJV）的示例时间序列（TS）（及其对应的傅里叶变换（FT）） BOLD信号
（d）右颈内动脉（R-ICA）BOLD信号。在FT中，阴影线表示GS的FT，阴影区表示带通滤波器的范围。
为了清晰的在图3a里展示，来自ICA的BOLD信号被反相（乘以-1）来跟GS比较（因为MCCC, maximum cross correlation coefficients为负）。MCCC和相应的时间延迟也列了出来。在此，时间延迟的负值表示ICA中的BOLD信号领先于GS（领先于GS）。图中的阴影线（a，c和d）代表GS，而红色，蓝色和浅蓝色线（a，c和d）分别代表右侧ICA（反相），SSS和右侧IJV的BOLD信号。图3（b）显示了右侧ICA BOLD信号与GS之间的互相关函数（相关系数与时间延迟）。
上面板显示完整的相关函数（时间延迟从-600到+600 s），下面板显示搜索窗口从-15 s到+15 s。我们可以看到负相关系数不是虚假相关的结果，因为它的值（-0.8）比相邻的正峰值（〜0.4）大得多半岛全站。此外，如图3（b），这项研究的一般性结论不取决于窗口的选择。
为了在图中更清楚地显示负相关，已将（a）中的R-ICA时间序列反转（乘以-1）。（b）中显示了（a）的ICA BOLD信号和GS之间的完整互相关，其中包括完整的时间范围（顶部）和部分时间范围（底部）。在每个曲线图（a，c，d）中显示了最大互相关系数（MCCC）和在每种血管类型的fMRI与GS之间计算出的相应时间延迟（ΔT）。ΔT意味着GS领先于另一个信号。
图4显示了从90个静止状态扫描会话计算出的互相关峰值（a）和相应的时延（b）：（1）GS和SSS之间（蓝色），（2）GS之间，左ICA（橙色）和右ICA红色的）。对于GS和SSS sLFO BOLD信号，MCCC（0.81 ±0.10）和时间延迟（3.22 ±0.59 s）在90个session中的88个高度一致。这是因为相同的sLFO BOLD信号在GS和SSS中都占主导地位，如图2 和图3。
（a）从90个静止状态扫描session中计算出的最大互相关系数（MCCC），介于全局信号（GS）和：SSS（蓝色），左ICA（L-ICA：橙色）和右ICA（R-ICA：红）。这些MCCC的分布（在-1和1之间）在右侧的图中以匹配的颜色显示。
对于GS和ICA sLFO BOLD信号，在90个会线中，我们获得了连续的负MCCC（-0.52 ±0.13和-0.55 ±0.15）和时间延迟（-2 .85 ±0.61 s和-3.04 ±0.75 s）。正值MCCC和时间延迟将从平均值的计算中排除。但是，那些排除的点不一定全部来自虚假相关。细节可以在discussion的“互相关效应”中找到。如图3，正延迟值表示GS领先于另一个信号。
为了评估虚假相关的影响，我们比较了从“不匹配”相关之间获得的模拟零分布( simulated null distribution )（MCCC和时间延迟）的分布：
Kolmogorov-Smirnov是比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设H0:两个数据分布一致或者数据符合理论分布。D=max f(x)- g(x)，当实际观测值DD(n,α)则拒绝H0，否则则接受H0假设。KS检验与t-检验之类的其他方法不同是KS检验不需要知道数据的分布情况，可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数据分布符合特定的分布时，KS检验的灵敏度没有相应的检验来的高。在样本量比较小的时候，KS检验最为非参数检验在分析两组数据之间是否不同时相当常用。
PS：t-检验的假设是检验的数据满足正态分布，否则对于小样本不满足正态分布的数据用t-检验就会造成较大的偏差，虽然对于大样本不满足正态分布的数据而言t-检验还是相当精确有效的手段。
为了了解大血管（即动脉和静脉）中信号之间的关系，我们计算了MCCC以及右侧IJV与（1）SSS（蓝色），（2）左侧之间90个静止状态扫描sessin的相应时延ICA（橙色）和右ICA（红色）。结果显示在图6。
如图4，获得具有相同相关模式的高度一致的结果。时间延迟中的负号表示SSS的信号，而ICA领先于正确的IJV的信号。在图4，我们看到右侧ICA的sLFO信号领先SSS约6.07 s（2.85 + 3.22 s），而SSS的sLFO信号领先IJV的1.10 s。因此，ICA信号和IJV信号之间的累积时间延迟约为7.17 s，这与直接在ICA中计算的7.02±0.87 s相符，所有分布均具有显着性（p 0.001）。
在这项研究中，我们已经在公开可用的MyConnectome数据集上演示了以下内容。首先，在从ICA提取的sLFO BOLD信号与GS, SS, IJV之间的负相关。其次，我们发现了来自ICA，GS和静脉的sLFO信号之间一致的时延，这与通过脑血管树的血液传输时间一致。
访问手机版
微信公众号
行业动态