婴儿大脑影像重建，一项基于fNIRS通道空间分析的纵向研究
是新朋友吗？记得先点蓝字关注我哦～
这是一篇发表在 NeuroImage 关于婴儿大脑影像重建的文章，文章采用了纵向研究策略， 基于BRIGHT 项目冈比亚队列的fnirs据集，分析了从5 至 12 个月大的婴儿群体通道空间对头围和阵列位置的影响。在看这篇文章前，我们需要对纵向研究和横向研究，以及人类大脑的发育过程 有一定的了解，方便我们理解这篇文章的研究方法。
摘要：
从怀孕到两岁的前 1000天是大脑发育的关键阶段，越来越多的人致力于开发技术以帮助我们更好地理解这阶段的神经发育过程。功能性近红外光谱(fNIRS)可以在多种环境下纵向研究婴儿大脑功能。传统的fNIRS分析倾向于通道空间，通道空间组合了来自不同个体的等效通道的数据，这隐含地假设每个人的头围和头皮上的源探测器位置(即阵列位置)是恒定的。然而这个假设在纵向婴儿(头部生长最快阶段) fNIRS 分析中的有效性尚未被研究过。文章采用影像重建方法来分析，收集了 5 至 12 个月大婴儿的纵向fNIRS 数据。从群体和个体水平的数据中，研究头围和阵列位置的变化对于解剖和统计推断的影响。作者还从数据中试图调查群体规模对得出推论的影响。从个体和群体水平的数据中发现阵列位置的变化是得出的不同推论之间的驱动因素，但随着群体规模向完整队列规模的增加而减弱（5 个月时 N = 53, 8 个月时N = 40，12 个月时 N = 45）。结论：在我们数据集中的群体规模下，鉴于我们的数据集中的这些参数具有可变性，纵向婴儿fNIRS 数据的组间通道空间分析对头围和阵列位置恒定的假设是可靠的。这一发现支持在纵向婴儿fNIRS 研究中更广泛地使用影像重建技术。
引言:
生命最初的一千天——从受孕到 2 岁——是大脑和神经系统发育的关键阶段。在过去20年间，神经影像方法的应用和推广，尤其是功能性近红外光谱技术fNIRS，进一步加深了我们对该重要时期的大脑发育的理解。fNIRS是一种非侵入性光学神经成像技术，可测量皮质血红蛋白浓度的变化，以作为功能激活的标志。
在理解早期逆境对大脑和认知发展的影响时，纵向研究设计具有特别重要的意义，并且是全球健康项目普遍采用的框架。最近，fNIRS在全球健康项目中得到了特殊应用。在这些项目中， fNIRS技术相对于功能性磁共振成像（fMRI）的便携性、低成本和可获得性使得研究能够在低资源环境下进行。最近的例子包括印度农村地区的视觉工作记忆研究；孟加拉国城市的社会选择性；冈比亚农村的社会标记；以及几内亚比绍婴儿和儿童营养不良的监测和治疗。
然而，考虑到最近纵向发育研究数量的增加，特别是在全球健康神经影像研究的新前沿领域，当务之急的是使用适用于各种背景(如年龄和头围的变化)的分析方法。对于FNIRS,一系列光源和探测器放置在头部。每个检测器记录来自相邻光源子集的光强度，每个双波长光源和检测器对为一个通道。通常，fNIRS数据的分析发生在通道空间中，其中来自每个通道的数据在逐个通道的基础上进行预处理和统计检查。组水平通道空间分析基于这样一个概念，即从同一阵列的同一通道获取的数据可以在个体之间进行比较（并在个体之间进行组合）。这种方法有两个假设。首先是光源和探测器相对于颅骨标志的头皮位置差异在个体之间可以忽略不计。第二，给定的头皮位置与所有个体的潜在皮质解剖结构具有相同的空间关系。这在生命第一年的纵向研究中尤其重要，头围在1-12个月的年龄段增加了近四分之一。这个问题不仅涉及头皮-皮质的对应关系，还涉及与头围变化相关的皮质深度差异。
要从fNIRS数据生成影像，可以使用影像重建方法。影像重建采用头部解剖的结构先验知识来计算近红外光传播的前向模型，描述头部给定点的衰减变化将如何影响最终的fNIRS衰减测量结果。然后对该模型进行数学反演，并将从每个通道的fNIRS衰减测量得出的光密度数据与反演的前向模型相结合，以重建映射血红蛋白浓度变化的图像。
通道空间分析假设被试的头围和阵列位置恒定。这些参数的任何一个的变化都会影响从光源传输到探测器的近红外光的分布，从而影响大脑激活的测量。我们旨在提供一种分析，以隔离头围和阵列位置的变化对纵向获得的婴儿fNIRS数据分析的影响。由于这些影响从根本上与被试的三维解剖结构相关，因此此类分析需要光传输建模和影像重建方法。使用这种方法，我们可以在一致的解剖空间中直接比较头围和阵列位置的影响。因此，我们选择实施一种影像重建方法来隔离这些参数变化的影响，然后我们可以使用它来推断这些参数的变化对从通道空间分析得出的 fNIRS 数据分析结论的影响。
在这项工作中，我们使用影像重建作为工具来研究在纵向婴儿fNIRS数据的通道空间分析中假设恒定阵列位置和恒定头部尺寸的有效性。
具体而言，本文：
- 1 研究与标准通道空间分析相比，最佳实践影像重建方法的应用是否会导致不同的统计推断。
- 2 使用影像重建方法来研究阵列位置和头围的变化对fNIRS数据解释的影响。
- 3 使用影像重建方法来研究群体大小是否对最佳实践影像重建方法和等效于通道空间分析的图像空间之间的不同统计和解剖推断产生影响。
为了实现这些目标，本文利用了全球健康脑成像 (BRIGHT) 项目的数据。这是一项纵向研究，调查了生命最初 2 年的早期神经认知发育，同时跟踪两组婴儿；一个在冈比亚(N=225)，另一个在英国(N =62)。作为BRIGHT项目的一部分，fNIRS数据在六个年龄点收集：1、5、8、12、18和24个月大。来自该项目的数据已经过分析，以研究对工作记忆、社会认知、习惯和新奇检测等任务的神经反应与年龄相关的变化。由于其样本量很大，并且包含在三个年龄点获得的数据，直到 12 个月大，因此来自 BRIGHT 项目冈比亚队列的数据集非常适合实现上述目标。
2.方法
2.1 被试
共计104名5月龄婴儿、97名8月龄婴儿和97名12月龄婴儿的数据集纳入分析（详见原文）。
图1 a)表示BRIGHT阵列，列出源和探测器的位置(见图例)。b) 研究中包括的三名婴儿的前部帽子放置。水平虚线表示眉毛顶部的水平，垂直虚线表示中线。
A：帽子中间的垂直线相对于中线不居中，但帽子底部相对于眉毛顶部没有移位。
B：帽子底部相对于眉毛顶部位于上方，但相对于中线居中。
C：帽子相对于中线居中，与眉毛顶部对齐。
C）帽子放置的横向评估。参考光极的位移，通过高亮显示的点缀盘旋，测量平行于X -和ÿ -轴的位移（由“X-DISP。”和“y-DISP。”表示）。向前或向上方向的位移为正，而向后或向下方向的位移为负。
2.2 过程
为了采集fNIRS数据，婴儿佩戴定制的fNIRS帽子，该帽子由两个阵列组成，左右半球各一个，嵌入定制的软硅胶头带中。阵列每个半球总共包含6个光源和7个探测器（源-探测器间隔2cm），每个半球包含17个通道(图1a)。使用NTS fNIRS系统（GowerlabsLtd. London, UK）采集数据，该系统使用780 nm和850nm 的两个连续波长的光，采样率为 10 Hz。fNIRS 阵列的设计能够研究侧额叶到后颞叶脑区的反应，其中包括额下回；中上颞区；和颞顶骨交界处。
为了评估帽子的放置，在实验前和实验后拍摄了每个被试头部阵列的照片。在头的前部，帽子的预期放置应与一条垂直线对齐，该垂直线表示带子的中心与中线（与被试的鼻腔标志线对齐），并且硅胶带正好位于眉毛上方并与眉毛对齐。由于帽子放置不当的婴儿被试数据被排除，例如，图1b显示了三个婴儿的示例，其中包括头部前部水平但无垂直位移（A）、垂直但无水平位移（B）和头部前部无水平或垂直位移（C）。
通过在头部图像上叠加一组轴来量化参考光极的位移，从而横向评估帽子的位置。这种方法首先由 Blasi等人证明(2014)。帽子的预期位置把后三个较低的光极作为参考光极（见图1c），位于耳屏上方。重叠的x轴定义为从眉毛顶部沿耳朵最高点延伸的线，而y轴定义为穿过耳屏和耳轮前部的线。测量了x轴和y轴方向上的位移；向前或向上的位移记为正，而向后或向下的位移记为负。测量参考光极的x位移，同时测量该x位移值下底部头带的垂直位移，然后将其添加到较低的带厚度值中以获得y位移。每个个体每个半球的x和y位移值用于将阵列配准到头部模型。如果x位移值大于或等于1.6 厘米，则重新索引通道，使阵列向前或向后移动一个完整的通道空间。如果y位移大于1.6厘米，则以头带放置不当为由将婴儿排除在进一步分析之外。
此外，还测量了每个婴儿的头围、耳屏到耳屏的距离和鼻根到耳廓的距离。
使用Lloyd-Fox学者的听觉-视觉社会感知范式来评估，包括三个实验条件和一个基线条件。在每种情况下，都会呈现视觉社交视频，显示成年人向左或向右移动眼睛，或进行手部游戏。这些视频的时长从9秒到12秒不等。在视觉社交静音(VS)条件下，视觉-社交视频在没有音频的情况下呈现。在每三个试验中，有两次试验开始时，呈现听觉刺激，持续时间为8秒（由四种不同的声音组成）。听觉声音 (V) 条件是在视觉社交视频旁边向婴儿呈现两个成人说话者（咳嗽、哭泣、大笑或打哈欠）的非语音发声。听觉非声音(NV)条件是婴儿熟悉的非人类或动物产生的常见环境声音与视觉社交视频一起呈现。
实验条件一个接一个地改变，并呈现相同的条件顺序（VS、NV、V、VS、V、NV），直到婴儿表现出烦躁或厌烦的迹象，或者直至每种条件出现已经达到 5 次。在 fNIRS 数据采集过程中，记录了婴儿的视频以进行眼动追踪，以监测婴儿在每次试验中看屏幕的时间，作为婴儿注意力的指示。在实验条件之间呈现了基线条件，其中显示了运输类型（例如直升机、汽车和火车）的图像（详见补充材料）。
在这项工作中，我们重点关注对听觉声音刺激的反应。通常，对这种情况的反应是在其与对听觉非声音条件的反应对比的背景下进行研究的。然而，在这里我们旨在研究不同的数据分析方法（在图像空间和通道空间中）是否会导致从数据中得出不同的推论，而不是两种情况之间的对比。因此，我们选择关注对单个条件的响应。
fNIRS数据使用NirsPlot和Homer2进行预处理，它们都在MATLAB中实现。Bulgarelli等人先前已经报道了具体的通道和分析。
处理流程的第一步是删减通道，即强度读数低于某个阈值的通道、未通过心脏信号和频谱分析质量评估的通道和超过40%的通道被视为无效的数据被剔除。
然后将原始强度数据转换为光密度。使用样条插值和基于小波的滤波的组合来校正运动伪影。数据分别使用0.02和0.06Hz的高通和低通频率进行带通滤波，以校正数据中的缓慢基线漂移并消除高频噪声。采用修正的比尔-朗伯定律将光密度数据转换为含氧和去氧血红蛋白的浓度变化。使用Scholkmann 和 Wolf(2013)提出的公式计算每个波长和年龄的微分光程因子。
根据观看时间测量，婴儿注视屏幕的时间少于试验持续时间的60%的试次被排除在外。所有剩余的试次为每个被试每个条件的组平均值:定义的block持续时间从刺激开始时t=−2s开始到刺激开始时t=20s结束。因此，block的总持续时间是22秒。
如前所述，虽然所有四种条件的数据都经过预处理，但我们只关注相对于基线的听觉-声音刺激的反应。
在这项工作中，使用了五个数据处理流程：通道空间分析和四个影像重建通道。在通道空间分析中，将响应窗口期间婴儿的block平均浓度变化与听觉声音条件的基线进行比较。对于影像重建处理流程，每个个体的block平均浓度变化都使用修正的比尔-朗伯定律转换回光密度值。然后将光密度值用作影像重建步骤中的输入。
每个成像处理流程的基本轮廓如下：
1、根据某些头部测量值翘曲头部模型。
2、将光极位置记录到头部模型。
3、生成前向模型，该模型定义与每个通道相关的灵敏度分布。
4、反转前向模型，并与给定婴儿的block平均光密度数据一起用作重建函数的输入，以生成皮质表面血红蛋白浓度变化分布的时间进程图像。
5、对所有被试重复步骤1-4。
6、在逐个节点的基础上执行组水平统计分析，将响应窗口中被试的浓度变化值与基线进行比较。
对于第1步，可以根据(a)特定于受试者的头部测量值或(b)组平均头部测量值来翘曲头部模型。对于第2步，将阵列记录到头部模型有两种选择：（a）通过特定被试的阵列定位数据记录，或（b）通过组平均阵列定位数据记录。鉴于处理管道中的这两个步骤，每个步骤都有两个选项，总共有四个可能的影像重建处理流程。图2中概述了所有这四种处理流程。
图2 本研究中比较的不同处理流程的概述
出于此分析的目的，呈现的第一个处理流程被称为被试参数重建，其中被试特定的头部测量数据用于翘曲头部模型和配准阵列。鉴于此处理流程试图在特定被试的基础上考虑阵列位置和头围，这实际上是可以应用于此数据集的最佳实践影像重建通道。在复杂度的另一端，第二个处理流程使用组平均头部测量数据来翘曲头部模型和组平均阵列位置数据来配准阵列，被称为常数参数重构。该处理流程采用与通道空间分析相同的假设，并被视为等效于通道空间分析的图像空间。虽然一些fNIRS分析可能没有尝试考虑头部尺寸，但我们认为研究小组采取的合理最小步骤是获得头部尺寸的人口平均测量值，并使用该测量值来翘曲每个年龄组的头部模型。我们使用这种方法来定义我们的常量参数管道，它提供了一个合理的基线来比较我们的被试参数通道。
比较了影像重建通道的另外两种变化，两者都试图隔离头围和阵列位置变化的影响。恒定阵列位置重建（特定被试头部测量、组平均阵列位置）提供了一种隔离阵列位置变化影响的方法，恒定头部翘曲重建（组平均头部测量、特定被试阵列定位）提供了一种方法方法来隔离头围变化的影响。
我们承认某些fNIRS通道可能根本不考虑头围。因此，我们为每个年龄的 fNIRS 数据重新运行恒定参数通道两次，使用其他年龄的头部测量值，以模拟对所有婴儿使用单一尺寸头部模型的情况。
在影像重建过程中使用了婴儿头部的四层网格模型，该模型是由Shi等人(2011)提供的一组12个月婴儿的MRI结构数据构建的。一个单一的头部模型被跨年龄使用，并在空间上进行了适当的翘曲。在选择采用单头模型之前，我们使用Sanchez 等人(2012)提供的结构数据进行了广泛的初步分析，以评估本工作中调查的年龄范围的特定年龄模型。由于这些模型之间的解剖学差异（即组织的空间分布而不是模型大小），该分析表明敏感性差异很小，并在补充材料中提供。跨年龄使用单一模型也不需要将不同的头部模型配准到公共空间以进行跨年龄比较，这无疑会导致一定程度的错误。
将白质、灰质和脑脊液的二元组织掩膜结合起来，形成脑组织掩膜。脑组织面罩的外边界用于划分内颅骨边界，使用Betsurf从平均T1加权MRI模板中分割出外头皮边界。外头皮和内颅骨边界之间的所有体素被定义为脑外组织，头皮和颅骨的组合层；考虑到在婴儿MRI数据中难以区分这两种组织，因此将这两种组织合并为一个标签。使用iso2mesh包（Fang和Boas，2009 年，参见iso2mesh.sourceforge.net），所得的四层组织掩模用于创建四面体体积网格以及灰质表面网格。
自动解剖标记 (AAL)图谱由90个感兴趣的脑区组成的分割图谱，根据其文件头部的仿射变换信息被转换到12个月头部模型的空间。这使我们能够使用 AAL 图谱为灰质表面网格中的每个节点分配一个解剖标签。
使用ITK-SNAP手动确定五个颅骨标志（鼻根（Nz），枕骨隆突（Iz），左耳前点（Al），右耳前点（Ar）和顶点（Cz））的坐标。基于曲线行走程序，见 Homer2：www.nitrc.org/projects/homer2），使用颅骨标志坐标计算头部模型头皮表面上10-5位置（见图3）。然后将网格节点转换为坐标系，其中：
-Iz 的位置定义了原点
-连接 Iz 到 Nz 的线定义了 y 轴
-随着网格节点绕 y 轴旋转，Ar 和 Al 的 z 坐标近似相等。
图3 顶行：四层婴儿头部模型的矢状、轴向和冠状切片示例，显示白质 (WM)、灰质 (GM)、脑脊液(CSF) 和脑外组织 (ECT) 的分布。底行：头皮表面上的颅骨标志坐标（洋红色）位置和 10-5 位置（黑色）。
2.7.头部模型翘曲
头围数据、耳屏到耳屏通过Cz（近似为 Ar-Cz-Al）距离和鼻根到枕骨隆突通过Cz(Nz-Cz-Iz)距离用于迭代翘曲头部模型。对于需要使用被试特定头部测量的管道（被试参数和恒定阵列位置管道），这些测量用于将婴儿头部模型翘曲到每个被试的头部尺寸。对于不需要被试特定头部测量的管道（恒定头部翘曲和恒定参数管道），在每个年龄计算这些测量的平均值并用于迭代翘曲婴儿头部体积网格。在第5个月的评估时间点，未测量Nz-Cz-Iz 距离，因此根据头围和Ar-Cz-Al距离翘曲头部模型。
对于给定的被试，头部模型最初是根据头围进行缩放的；通过将受试者测量的（或组平均）头围除以头部模型的初始头围来计算翘曲系数。每个节点的x、y和z坐标乘以翘曲系数。计算翘曲模型的头围、Ar-Cz-Al距离和Nz-Cz-Iz 距离，然后使用与其对应的受试者测量值（或组平均值）之间差异最大的测量值重新翘曲。对于差异最大的距离，翘曲模型测量值除以受试者测量（或组平均值）值以产生另一个翘曲系数，然后乘以相关节点坐标（如果Ar-Cz-Al，则x和z坐标，如果Nz-Cz-Iz，则y-和z-坐标如果头围，则x-，y 和 z 坐标）。重复该过程，直到 Ar-Cz-Al 距离误差小于6mm，Nz-Cz-Iz 距离误差小于6mm，头围误差小于3mm。有关被试测量值的头部模型变形准确性的详细信息，请参阅补充材料。允许对头部测量（它们本身容易出现一定程度的误差）有一定程度的容忍度，消除了头部翘曲程序与头部测量过度拟合的可能性，这可能导致异常和解剖学上不可信的头部形状。选择的参数是过拟合、准确性和计算时间之间的平衡。在 Nz-Cz-Iz距离误差小于6mm，头围误差小于3mm。
有关被试测量值的头部模型变形准确性的详细信息，请参阅补充材料。允许对头部测量（它们本身容易出现一定程度的误差）有一定程度的容忍度，消除了头部翘曲过程与头部测量过度拟合的可能性，这可能导致异常和解剖学上不可信的头部形状。选择的参数是过拟合、准确性和计算时间之间的平衡。在补充材料中，我们提供了关于我们的迭代翘曲程序在为每个接受受试者参数管道的婴儿保留翘曲头部模型中被试测量的头部测量值的准确性的数据。Nz-Cz-Iz和Ar-Cz-Al的误差很少超过 2%，头围的误差很少超过0.2%。
2.8.阵列记录
对于每个半球，翘曲头模上的近似 x 轴定义为沿头皮表面从Iz到沿头部侧面的FPz的曲线，y轴通过定义头部中线上从耳前点到CCPz的曲线来近似。从照片中提取的参考光极的x和y位移值用于将参考光极配准到头部模型。最近邻之间的源探测器间隔为2cm，阵列中的其他光极沿平行于Iz-FPz曲线的两条曲线配准到与参考光极相关的头部模型。
对于被试参数和恒定头部翘曲管道，被试特定值用于将光节点记录到头部模型。对于恒定参数和恒定阵列位置管道，使用年龄组平均x轴和y轴位移值。图4中提供了头部模型上的配准阵列与对应的被试照片相比的示例。
图4 被试参数重建管道的阵列配准过程。A)阵列在示例婴儿上的横向放置图片，其中x轴和y轴重叠。B)在根据婴儿头部测量结果，翘曲的头部模型上近似的x轴和y轴。C) 与 Iz-FPz 曲线平行的曲线（绿色），用于配准与参考光极相关的光极，显示为红色圆圈。D)配准到头部模型的所有光极，其中探测器由蓝色圆圈表示，光源由红色圆圈表示。
2.9.光传输建模和影像重建
对于每个处理流程中的每个婴儿数据集，我们使用TOAST++（（Schweiger和Arridge，2014年），参见http://toastplusplus.org）对近红外光传输进行建模，以生成每个波长的前向模型。使用0.1的正则化超参数，执行零阶 Tikhonov正则化重建。影像重建中深度区分的一个要求是阵列中存在重叠通道（Lee et al.,2017）；这些通道表现出部分采样相同体积的灵敏度曲线（Boas等人，2004年；White，2010年））。此分析中未使用来自重叠通道的数据，因此影像重建仅限于体积网格的灰质节点。这在以前的地形图方法中已经表明，当收集有关皮质激活的数据时，可以提高重建图像的准确性（Boas和Dale，2005年；Boas等人，2004年）。此外，由于阵列中的源-探测器分离，我们预计不会对大量白质进行采样。
对于每个个体，正向模型以最大值的1%进行阈值处理以产生二值图像，该图像被映射到灰质表面网格以创建个体水平的灰质掩模。为每个年龄组制作了一个组水平灰质掩模，
它由至少四分之三被试的个体水平灰质掩模中存在的节点组成，类似于Wijeakumar(2019)等人采用的方法。DOT-HUB工具箱( www.github.com/DOT-HUB )促进了数据准备、网格划分、前向建模和重建。
2.10.重建图像的统计映射
在这项工作中，我们制作了T统计图，将给定年龄的被试对听觉声音条件的组水平反应与基线进行比较。统计映射是在灰质表面网格空间中进行的。刺激后12-16秒的时间窗口用于表示图像时间过程中血液动力学响应的峰值。这种窗口的选择是由先前使用相同范式的先前数据分析方法决定的。
对每个年龄和每个影像重建处理流程的氧合血红蛋白组水平图像进行了统计映射。我们还在结果部分展示了被试参数通道的脱氧血红蛋白组水平图像。被试响应窗口内的所有浓度变化值被连接起来，为组水平灰质掩膜中存在的每个节点生成一个向量；对基线窗口内的值（2秒预刺激开始）内的值进行相同的处理。使用双尾双样本t检验比较等效响应和基线向量。为了校正多重比较，根据灰质表面网格中的节点数采用了Bonferroni方法。
2.11. 通道空间分析的统计映射
我们进行了通道统计分析，比较了所有婴儿对听觉声音条件的组水平响应与基线，方法类似于成像处理流程的统计映射方法。对氧合和脱氧血红蛋白时间序列分别进行统计分析。通道要包含在给定年龄组的分析中，必须存在于（即未修剪）至少四分之三的个体中。使用12-16s时间窗口来表示响应峰值和2s刺激前基线，使用双尾双样本t检验比较所有婴儿每个通道中这些时期的浓度变化值的串联向量。为了校正多重比较，在通道（总共34个）的基础上采用了Bonferroni方法。
为比较组水平通道空间分析和重建图像进行，将头皮上的通道位置投影到皮质表面。在 fNIRS 工作中，通常假设通道对通道最敏感的大脑区域位于源和探测器之间的中间，并且距头皮表面的深度大约等于源 - 探测器间距的一半。利用这些知识，先前与婴儿 fNIRS 相关的工作已经证明了皮质投影以确定皮质标签和通道的位置。
对于每个年龄，头部模型通过组平均头部测量值翘曲，组平均阵列定位数据用于配准光极位置。每个通道的源和检测器之间头皮表面的中点投影到皮层上，方法类似于( Collins-Joneset al.,2020 ) 中演示的方法，该方法采用Möller-Trumbore 算法。
确定位于每个源探测器中点，半径为5毫米内的体积网格的表面节点（即头皮表面），并用于拟合平面。定义一个与该平面正交的向量，其长度增加直到它与灰质表面网格上的一个面相交。这个交叉点的位置被认为是通道的皮质投影。
2.12.窗口平均图像
对于每个人，每个通道的听觉声音条件的block平均预处理数据的持续时间为 22 s（由刺激前开始2 s基线期加上刺激开始后20 s组成），所以每个婴儿的重建图像是一个 221 帧的时间序列。为了在给定年龄点获得给定个体的单个图像，计算了 12-16 s窗口刺激后开始中每个灰质表面网格节点的平均值，以产生窗口平均图像。
2.13.指标提取
为了比较处理流程之间的图像，使用了两个指标：峰值节点偏移量和峰值节点的皮质标签，分别计算左右半球这两个指标。对于组水平别的受试者参数和常数参数图像，峰值点定义为组水平图像中分别具有最大正负T统计值的氧合和脱氧血红蛋白浓度变化的点。此外，确定了峰值节点的皮质标签。这是在每个年龄的两个半球完成的。
对于通道空间分析，峰值通道被定义为分别具有最大正负T统计值的氧合和脱氧血红蛋白浓度变化的通道。为了在通道空间分析和被试参数重建之间进行比较，确定了峰值通道投影的皮层标签，并将其用作类似于峰值节点的皮层标签的度量。这是在每个年龄的两个半球完成的。
在个体水平，峰值节点被定义为窗口平均图像中氧合血红蛋白浓度正变化最大的节点。这是为每个年龄段的婴儿的两个大脑半球完成的。我们只关注氧合血红蛋白浓度的变化，因为其响应比脱氧血红蛋白大，考虑到个体水平图像中较低的信噪比，这是一个重要的考虑因素。
在组和个体水平，我们将峰值节点偏移定义为来自给定处理流程的峰值节点与来自被试参数重构的峰值节点之间的欧几里德分离。这是在相关年龄组恒定头部翘曲模型的空间中计算的。此外，确定了峰值节点后，使用第2.6 节“头部建模”中介绍的方法获得的分割来识别该节点的皮质标签。
2.14.纵向增长措施的影响
作为我们对头围影响调查的一部分，我们试图调查峰值节点偏移与其他两个参数之间是否存在任何关联：头围（从婴儿身上测量，未进行年龄和性别校正）和头部生长轨迹（两个年龄点之间头围的变化z 分数）。此比较的目的是评估受试者特定参数的使用是否对头部尺寸偏离给定年龄组平均值或头部生长轨迹偏离世界卫生组织生长曲线所述预期轨迹的婴儿更具影响。这对于调查很重要，因为头围和生长轨迹的差异可能会导致通过头部的光传输存在显着差异，这可能导致人为的统计或解剖推断。
对于每个个体，计算头围与组平均值的差异。对于每个年龄和每个大脑半球，我们使用Pearson相关性测试了个体水平峰值节点偏移与以下各项之间的关联：
-1头围与组平均值的差异。
-2头围与组平均值差异的绝对值（不考虑差异正负）。
根据WHO参考曲线（世界卫生组织，2007年）将头围值转换为z分数。对于在两个或更多年龄点有数据的婴儿，计算z分数的变化。然后，我们使用Pearson相关性来测试个体水平峰值节点偏移与以下各项之间的关联：
-1 z分数的变化。
-2 z-score变化的绝对值（不考虑变化正负）。
2.15.组合分析
考虑到该数据集的头围和阵列位置的可用数据，被试参数重建代表最佳实践分析，而我们认为恒定参数重建是等效于通道空间分析的成像。我们进行了组合分析，以研究群体规模对被试参数和常数参数重建的解释可能如何不同的影响。
对于每个年龄和每个大脑半球，进行组合分析。首先，选择了10个婴儿随机组合的100个子队列。对随机选择的10名婴儿的每个子队列进行与对完整队列进行相同的统计分析。对于100个群体规模为10的子队列中的每一个被试参数和常量参数重建确定峰值节点的位置和皮质标签，并用于计算：
-1相对于群体规模的被试参数重建的平均峰值节点偏移。
-2群体规模不匹配的皮质标签的比例。
对于从11到完整队列大小的子队列组，重复此过程。
3.结果
本研究最初纳入的数据集（N5个月=104、N8个月=97、N12个月=97），根据以下标准排除婴儿：
•婴儿没有接受测试
○婴儿退出（N5-months=3, N8-months=8, N12-months=9）
○婴儿错过了就诊（N5个月=1，N8个月=2，N12个月=2）
•就诊时未进行 NIRS 数据采集（N5个月=7，N8个月=9，N12个月=11）
•未执行任务（根据此标准，没有婴儿被排除在外）
•婴儿变得挑剔（N5个月=6，N8个月=5，N12个月=9）
•实验错误
○P缺少帽子放置照片（N5个月=5，N8个月 =4，N12个月=1）
○fNIRS数据采集期间婴儿的视频丢失（N5个月=8、N8个月=5、N12个=3）
○任务中缺少事件标记（N5个月=1，N8个月=0，N12个月=0）
○其他技术问题：由于技术故障或人为错误而未保存数据（N5个月=1, N8个月=1, N12个月=2）
•帽子放置不当（N5个月=5，N8个月=12，N12个 =6）
•幸存通道数量低于最低阈值（N5个月=5，N8个月=1，N12个=1）
•听觉声音条件的有效试验不足（N5个月=3，N8个月=3，N12个月=4）
•头围测量缺失（N5个月=6，N8个月=7，N12个月=4）
总的来说，我们的最终样本量包括53名5个月大的婴儿（27名女性，平均年龄±标准差=163.17±12.15天）、40名8个月大的婴儿（19名女性，245.53±8.36天）45名12个月（24名女性，376.16±16.34天）。
3.1. 影像重建与通道空间的直接比较
首先，比较了代表最佳可用实践影像重建、被试参数重建和对通道空间分析管道进行了比较。图5显示了受试者参数重建在刺激后12–16s窗口内相对于基线的氧血红蛋白浓度变化的组水平皮质T-统计图。图5中还显示了比较相同时间窗口的组水平通道方T值的皮质投影。
图5 两种fNIRS数据分析方法的听觉声音条件响应的氧合血红蛋白浓度变化相对于基线的组水平T 统计图像。第一行：被试参数重建管道。底行：通道空间分析。显示的 T 统计值的显着性水平为p < 0.05，根据灰质表面网格中的节点数进行Bonferroni校正。
跨所有年龄的所有大脑半球的两条处理管道的空间分布非常一致，尤其是在颞叶。此外，在所有年龄组和双侧大脑半球，在颞中回观察到峰值节点和峰值通道投影，表明在组水平的两个处理流程的结果具有一致性。
然而，有些区域的推论存在差异，特别是在下额叶区域，如图5所示。在 5个月时的左半球和8个月时的右半球，组水平重建图像表明下额叶区域的变化比从通道空间推断的要大，而在12个月时的右半球，组水平重建图像表明更广泛的浓度变化。
图6显示了使用脱氧血红蛋白信号重复的相同分析，即复制了图5中看到的分析。从图6中可以看出，一般来说，这些结果似乎也大体上彼此一致。通道空间脱氧血红蛋白T统计值显示的激活空间分布似乎模拟了图像空间中所见。然而，T统计值本身在通道空间中似乎要低得多，这在所有年龄段的左半球和12个月时的右半球尤其明显。
图6 两种fNIRS数据分析方法的听觉声音条件响应的脱氧血红蛋白浓度变化相对于基线的组水平T统计图像。第一行：被试参数重建管道。底行：通道空间分析。显示的T统计值的显着性水平为p<0.05，根据灰质表面网格中的节点数进行Bonferroni校正。
在脱氧血红蛋白分析中，所有年龄组和两大脑半球，在颞中回观察到峰值节点和峰值通道投影，与氧合血红蛋白分析的情况一样。
通道空间位置的皮质投影显示，在组水平上，有四个皮质区域的氧合血红蛋白浓度发生显着变化：额下回、颞上回、颞中回和颞下回。每个半球投射到这四个区域的通道的最大绝对t统计值被用于氧和去氧血红蛋白分析。在受试者参数重建时，对这四个皮层区域分别取最大的绝对t统计值。在图7，我们展示了信道空间最大值和被试参数最大值之间的差异。一致认为，通道空间低估了与受试者参数重建相关的效应大小，12个月的氧合血红蛋白分析中的和跨年龄的脱氧血红蛋白分析中最为显著。
图7 与（a）氧血红蛋白和（b）脱氧血红蛋白浓度变化的受试者参数重建相关的通道空间分析的绝对最大T-统计量值的差异在四个皮质区域中，在氧血红蛋白通道空间分析中始终可以看到激活。对于按颜色分组的每对条形，左侧条形表示左半球该区域的差异，右侧条形（颜色较淡）表示右半球该区域的差异。注意：右半球8个月时，在通道空间分析或受试者参数组水平图像中，均未发现额叶下回激活。皮质区域如（c）所示。
3.2. 头围和阵列位置变化的影响
我们还旨在探讨头围和阵列位置的变化对fNIRS数据分析的影响。对所有四种影像重建处理流程在组和个体水平上进行比较。
3.2.1. 组水平
图8显示了四种不同影像重建处理流程的组水平氧合血红蛋白T统计图：被试参数、恒定头部翘曲、恒定阵列位置和恒定参数。定性地，可以看出被试参数和恒定头部翘曲重建相似，这表明头围队列内变化对组水平结果图像没有太大影响。还可以观察到，组水平恒参数重构图像与组水平常数阵列位置重构图像相似。
图8 四个处理流程的相对于基线的听觉声音条件响应的氧合血红蛋白浓度变化的组水平T统计图像。从顶行到底行：被试参数重构、恒定头部翘曲重构、恒定阵列位置重构、恒定参数重构。显示的 T 统计值的显着性水平为p < 0.05，根据灰质表面网格中的节点数进行Bonferroni校正。
来自不同处理流程的图像之间的重叠支持了这种定性观察，其中每个组水平图像的阈值是其最大值的50%。在这里，在每个年龄的两个半球中，我们看到阈值恒定头部翘曲和被试参数图像之间的重叠程度高于其他两个处理流程（见表1）。在每种情况下，受试者参数图像和恒定头部尺寸图像之间的50% 阈值重叠最大，尽管在8个月时左半球最低（但仍然如此）。在这种情况下，我们看到重建管道中的焦点响应更少，这可能是由于该队列群体规模最小。
表1 Jaccard 指数量化每个处理流程的阈值组水平图像与阈值组水平被试参数图像的重叠。来自每个处理流程的组水平图像的阈值是其最大值的50%。Jaccard指数为100%表示完全重叠，而0%表示根本没有重叠。
年龄 | 婴儿数 | 组水平阈值节点与受试者参数图像重叠（Jaccard 指数） | |||||
左半球 | 右半球 | ||||||
恒定头部翘曲 | 恒定阵列位置 | 常数参数 | 恒定头部翘曲 | 恒定阵列位置 | 常数参数 | ||
5个月 | 53 | 69.9% | 62.0% | 58.2% | |||
8个月 | 40 | 46.9% | 48.4% | 50.6% | |||
12个月 | 45 | 39.3% | 39.7% |
尽管恒定头部翘曲管道似乎最接近地模拟被试参数管道，重建管道中的组水平图像彼此大致一致。这表明组水平分析对头围和阵列位置的变化具有鲁棒性。
为了比较被试参数和恒定参数管道之间激活的焦点和空间特征，来自每个年龄的两个管道的每个组水平T统计图像都归一化为其最大值，并将阈值设置为最大值的50%到90%。这在图9中示出。在视觉检查中，对被试参数图像显得更加集中，而恒定参数水平图像中T统计值的空间分布显得更加分散。
图9 顶部：受试者参数（顶行）和恒定参数（中行）管道相对于基线的听觉发声条件下氧血红蛋白浓度变化的标准化和阈值组水平T-统计图像。每个图像在其最大T统计量值的50%到90%之间进行阈值化。底行：T-统计量值函数的累积激活面积。在较大的T统计量值下，受试者参数组水平图像中覆盖的区域始终低于恒定参数组水平图像中的情况，这表明受试者参数管道产生的图像具有更大的聚焦度。
为了更好地量化该度量，我们在图9中绘制了T统计值函数的激活累积面积。对于最大T统计值，被试参数组水平图像中覆盖的区域始终低于恒定参数组水平图像中的情况。这表明在被试参数图像中具有更大的集中度。
3.2.2. 个体水平
图10显示了与被试参数重建相关的三个处理流程在个体水平的峰值节点偏移。该分析是使用氧合血红蛋白浓度变化的图像进行的。可以观察到，与其他两个处理流程相比，每个半球中每个年龄的恒定头部翘曲峰值节点偏移量显着降低。
在所有情况下，恒定头部翘曲和恒定参数通道之间的个体水平峰值节点偏移差异统计显著，除了在12个月的左半球之外，所有情况下恒定头部翘曲和恒定阵列位置通道之间的差异也是如此。
图10 相对于被试参数重建，每个处理流程在个体水平的峰值节点偏移。在每个年龄的恒定头部翘曲模型的空间中计算峰值节点偏移值。使用配对t检验计算显着性水平。*代表p<0.05（修正），**代表p<0.01（修正），***代表p<0.001（修正）。
我们还量化了被试参数管道和常量参数通道之间的个体水平峰值节点偏移，因此每个年龄的头部模型的大小由其他两个年龄点的平均头部测量值决定。这是为了评估在所有年龄组中使用单一大小的头部模型的效果。在使用组水平年龄匹配头部测量和使用非年龄匹配测量获得的峰值节点偏移之间没有发现统计学上的显著差异。也就是说，使用非年龄匹配的翘曲头部模型的性能并不比恒定参数通道差。该结果显示在补充材料中。
3.3. 峰值节点偏移与头围和生长轨迹的关联
虽然我们看到阵列位置是被试参数和恒定参数组水平图像之间差异的主要驱动因素，但我们旨在研究个体水平峰值节点偏移量和头围与组平均值的差异幅度之间是否存在任何关联。
有24人有5月和8月的数据，20人有8个月和12个月的数据，25 人有 5月和 12月的数据，可以通过头围的轨迹进行分析。在任何年龄或任何这些年龄范围内，个体水平的峰值节点偏移与 z 分数的变化或头围与组平均值的差异之间没有观察到相关性。此外，对于进行的每次比较，没有发现统计学上显着的相关性。因此，我们没有发现任何证据表明由恒定参数重建得出的推论会因头围偏离组均值或头部生长轨迹而产生系统偏差。每个比较的完整结果可以在补充材料中找到。
3.4. 群体规模的影响
在图11中，我们显示了10个随机选择的5个月、8个月和12个月大的婴儿的子队列的组水平T统计响应图。在视觉检查中，与图8中的全队列相比，同等年龄和同等半球的两个加工流之间的差异更为明显。
图11 对于每个年龄随机选择的10名婴儿组成的子队列，组水平的T-统计图像显示了氧血红蛋白浓度相对于基线的对听觉发声条件响应变化。顶行：被试参数重建通道。底行：恒定参数重建通道。显示的T-统计量值的显著性水平为p<0.05，根据灰质表面网格中的节点数进行Bonferroni校正。
在图12中，我们绘制了随机组合被试组的平均峰值节点偏移量，作为群体规模的函数。在这种情况下，我们将峰值节点偏移细化为每个随机组合组的被试参数和恒定参数管道之间的组水平T统计图像中峰值节点位置的欧氏偏移。随着群体规模的增加，通常平均峰值节点偏移量会减少。
图12 峰值节点偏移作为群体规模的函数。红色阴影区域显示平均值 ± 标准误差。群体规模的增加导致峰值节点偏移量的减少，进而降低从组水平的结果中得出不同推论的可能性。注意：这种效果在左半球12个月时不太明显，但这可能与以下事实有关：恒定参数法似乎产生两个不同的峰值（一个在颞叶，一个在额叶下回，见图8）。
除了12个月时的左半球外，随着群体规模的增加，两个处理流程之间不匹配的峰值节点皮质标签的比例也有所下降（见图13）。
图13 受试者参数和恒定参数重建管道之间的皮质标签不匹配作为群体规模的函数。
4. 讨论
我们已经展示了一种使用从冈比亚婴儿队列中获得的fNIRS数据的影像重建方法。使用影像重建来量化和隔离头围和阵列位置变化的影响，我们发现，鉴于我们数据集中这些参数的变化，从组水平通道空间fNIRS分析得出的推论不太可能受到这些假设的显著影响，尽管它们的影响在个人水平上影响更大。我们发现阵列位置的变化是导致通道空间分析与个体和组水平的最佳实践影像重建之间存在差异的主要因素。我们的组合分析表明，随着群体规模的增加，阵列位置和头围的变化对统计和解剖推断的影响减弱。
4.1. 来自通道空间和影像重建的推论
该分析试图直接比较我们在通道空间中的数据的组水平分析与被试参数重建，这代表了在头围和阵列位置的可用数据下的最佳实践影像重建通道。如图5和6所示，两个处理流程之间的组水平被试参数重建和通道空间投影显著一致。对于组水平的氧合和脱氧血红蛋白分析，我们在通道空间投影中看到激活的区域也是被试参数重建中看到激活的区域，尤其是在颞叶，表明组水平两个处理流程之间的一致性。此外，对于每个年龄、半球和生色团，两个处理流程之间的峰值节点和峰值通道的皮质标签是一致的，这进一步证明了一致性。本分析中包含的通道空间和最佳实践影像重建的直接定性比较提供了证据，表明头围和阵列位置的变化对统计和解剖推断的影响在组水平上削弱。
对于大的效应规模和大的群体规模，分析通道空间中的数据不太可能导致对激活完全不同的推断；然而，对于较小的效应规模，使用被试参数影像重建的分析可能会更好地解决效应。在我们的数据中，通道空间分析始终低估了在图像空间中看到的效应规模（见图7）。这可能与影像重建使用光传输模型来解释受试者之间通道灵敏度差异有关，因此当取平均值时，对平均值有贡献的信号更有可能来自跨被试相同的皮层区域。
虽然我们使用的功能性数据预计会产生较大的影响，但影像重建仍然会产生较大的显著性，这一事实表明，对较小差异的研究（例如，纵向队列中与年龄相关的差异，脱氧血红蛋白反应的研究和较小群体的研究）可能受益于基于图像的分析。
4.2 .头围和阵列位置的影响
所提出的分析旨在隔离我们的数据集中的头围和阵列位置的变化对 fNIRS 数据分析的影响。恒定参数重建通道代表了一种成像方法，该方法在概念上等同于通道空间分析，因为它假设在被试之间一致的固定阵列，以及假设大脑解剖结构的固定模型。此外，可以使用一个参数的被试特定值和另一个参数的组平均值来隔离头围和阵列位置变化的影响。
在个体水平，我们的结果表明，被试参数和常数参数重建之间的差异是由阵列位置的变化驱动的。在图10中可以看出，恒定头部翘曲重建导致峰值节点偏移的最低水平，而不考虑阵列位置（无论是否考虑头围）导致更大程度的峰值节点偏移。此外，我们发现使用组水平年龄匹配头部测量和使用非年龄匹配测量获得的个体水平峰值节点偏移之间没有统计学上的显著差异（见补充材料）。我们的结果表明，对所有婴儿使用任何单头模型（翘曲到5-12 个月范围内的大小）不会导致比使用组水平年龄匹配翘曲的恒定参数管道性能变差。考虑到阵列位置的变化在驱动不同的推论中占主导地位，这一结论是预料之中的。
与被试参数相比，通过个体和组水平的恒定头部翘曲和被试参数方法获得的图像明显比其他两个通道更相似（参见图8和10）。我们的结果表明，被试参数和恒定参数通道之间的差异主要是由阵列位置的变化而不是头围驱动的。因此，我们得出结论，收集每个婴儿的阵列定位数据并采用影像重建方法对于提高个体水平fNIRS数据分析的可靠性至关重要。被试参数重建产生具有更聚集的图像（见图9）；因此，考虑特定被试的参数可以增加对激活空间定位的置信度，并且可能能够更好地解析激活特征，特别比通道空间分析或恒定参数重建的情况更小的群体规模。
被试参数和恒定参数图像在组水平的最大差异之一是在额下回；这在12 个月时的左半球尤为明显，我们在恒定参数图像中看到额下回有一个更大的峰值T统计值。在额叶区域看到的差异很可能是由于它们在头皮下的深度稍大。因此，头部模型的大小和形状对额叶区域的光子传输建模比浅皮质区域的影响更大。与在较浅深度的激活相比，更深的大脑激活对测量光子的影响更小，因此更深的激活将具有更低的信噪比。
我们试图调查队列内头围变化和生长轨迹是否与恒定参数重建中的峰值节点偏移相关，这是通道空间分析中是否存在与这些因素相关的系统偏差的替代。我们没有发现任何证据表明存在这种联系；对于任何相关性测试，头围偏离组平均值或 z 分数变化与峰值节点偏移之间的相关性不显著。此外，在这两个指标的极端情况下，峰值节点偏移量也没有明显的增大模式（见补充资料）。这意味着在通道空间分析中不存在与这些因素相关的系统误差。
从根本上说，将来自个体的等效通道的数据组合起来，隐含地假设等效通道探测皮质的等效解剖体积。为什么阵列位置的变化比头围的变化具有更大的影响，一种可能解释是由于头皮位置和底层解剖结构之间的对应关系。津木等人(2017)使用皮质投影方法证明10-10系统足以预测从出生到2岁婴儿的潜在宏观解剖皮质结构。这表明位于两个不同大小的头部（在给定年龄的合理解剖范围内）上的阵列可能覆盖相同的皮质区域。相比之下，如果阵列位置偏离组平均位置，这很可能将皮层的不同区域叠加（并暗示采样）到平均阵列位置所暗示的位置。
阵列位置变化的影响似乎对个体水平的峰值节点偏移有重大影响，但其影响在群体水平减弱。这表明，在fNIRS分析中在组水平假设恒定头围和阵列位置（通道空间分析中隐含的基本假设）的鲁棒性。这一发现与Blasi等人报道的发现一致。Blasi等人（2014年）发现，4至12个月大的婴儿的组水平氧合血红蛋白反应的重测信度很高，但在个人水平的信度要低得多。
4.3. 组合分析和群体规模效应
在组合分析中，对于每个年龄和半球，峰值节点偏移量随着群体规模的增加而减小；换句话说，随着群体规模的增加，常数参数结果会向（但永远不会满足）被试参数结果收敛。我们得出的结论是，这种减少表明，随着每组中包含更多的个体，头围和阵列位置的变化的影响变得不那么明显。这对通道空间分析具有重要意义，其中头围和阵列位置通常也被假定为常数。被试参数重建方法可能是优越的分析方法，但它们的好处对于较小的群体规模尤其明显。
在所有情况下，除了12个月时的左半球，两个处理流程之间不匹配的皮质标签的比例随着群体规模的增加而减少。在左半球12个月时，似乎有一个广泛的聚集跨越了颞上回和颞中回，这有助于解释峰值节点皮质标签的不匹配是如何在整个队列规模下发生的。
我们的结果表明，随着群体规模的增加，头围和阵列位置变化的影响减弱。尽管我们的结果表明，假设这些参数恒定在个人水平上是有问题的，但随着群体规模的增加，这些参数的变化（在我们的数据集中看到的程度）的影响会减弱。这进一步支持了我们的主张，即通道空间fNIRS分析对组水平纵向婴儿研究中这些参数的变化具有鲁棒性。我们的分析不允许我们解决更广泛的问题，即对于基于现场的fNIRS研究，多少个被试是合适的队列规模；这个问题高度依赖于预期的激活大小和相关实验的其他参数。
由于我们一直在使用婴儿特定的数据，因此我们无法说明是否会在不同的队列中观察到类似的结果（例如，头围不同的成年人）。然而，鉴于问题的基本特征（手动耦合到头部的光极）在所有年龄段都是一致的，增加群体规模似乎确实会增加信道空间分析的鲁棒性，并且当采用受试者参数影像重建方法时，这种鲁棒性将进一步增强（特别是当队列规模较小时）。此外，该结论应独立于所使用的统计分析；例如，广义线性模型分析也应该受益于采用被试参数重建。
4.4. 影像重建方法的好处
影像重建技术更适合包含重叠通道的高密度阵列，特别是如果它们还包括一系列源-探测器分离，这允许深度区分：这种形式的影像重建被称为漫反射光学断层扫描(DOT)。Fishell等人(2020)对哥伦比亚儿童的一项研究是实地应用高密度 DOT最新例子。Frijia等人(2020)使用的相同范式进行了婴儿高密度 DOT 研究。
影像重建方法产生的图像固定配准到头部模型，在皮质解剖模型上显示浓度变化。与本研究中使用AAL图谱的方式类似，可以将分割图谱纳入重建图像的分析中，允许将皮质标签归因于头部模型中的节点或体素，从而能够在人群中比较等效皮质区域的反应。
此外，使用头部模型中存在的解剖信息，可以将重建的图像配准到公共空间，以便与从几种互补的功能成像模式（如脑电图(EEG)、脑磁图(MEG) 和 fMRI）获取的数据进行比较。这可以使纵向获得的 fNIRS 数据直接与从儿童和成人群体收集的fMRI数据进行比较，有助于弥合我们对功能发育的理解的差距。我们的工作代表了对纵向婴儿人群进行此类比较的重要一步，特别是在实地研究中。用高密度阵列收集的fMRI和fNIRS 数据之间的这种比较已在成人中进行)。
影像重建在fNIRS数据分析中结合了光传输模型。光传输模型也已被用于推断皮质激活标记，而无需采用影像重建方法，例如Perdue 等人(2019)采用的方法。然而，这种方法仍然将关于功能激活的统计推断局限于离散化的任意通道空间。
重建皮质浓度变化的空间连续图像，无需假设给定通道和头皮位置与单个皮质位置相关的需要。对离散通道空间的约束分析无法研究皮层本身激活的空间特征的复杂性。影像重建方法可以研究功能反应的空间分布和聚集的纵向变化，我们在这项工作中已经开始研究。
据我们所知，Wijeakumar等人进行了先前唯一的纵向影像重建研究，该研究是在该年龄范围内的婴儿进行的，但这项研究没有明确研究12个月及以下婴儿的纵向成像，并且被试比我们分析中的队列少得多。因此，我们的研究构成了12个月以下婴儿基于现场的纵向影像重建的基础。婴儿影像重建方法的改进，在这项工作的演示的基础上，可以帮助改善婴儿影像重建的定位误差和分辨率，但也必须关注在低资源环境下这样做，因为获取特定于受试者的MRI数据、数字化光电极定位数据和使用高密度阵列可能不可行。
4.5. 头部模型
影像重建需要头部解剖模型。理想情况下，头部模型可以从个人自己的 MRI扫描中获得，从而具有受试者的特异性；然而，这种方法对于BRIGHT项目是不可行的。在此处的年龄范围内，有多个适合年龄的MRI数据来源。在这项工作中，我们使用了由Shi等人获取和预处理的结构数据构建的头部模型。(2011) 我们的目标是将其包含在 Github ( www.github.com/DOT-HUB )上我们小组的工具箱中。Akiyama等人构建了6个月大婴儿的MRI图谱。对于本工作范围内多个年龄点的结构头部模型，神经发育MRI数据库中发布了相关数据。我们的小组还发布了几个模型，可通过我们的网站 ( www.ucl.ac.uk/dot-hub ) 获得。
在这项工作中，我们不使用特定年龄的头部模型。我们使用来自五个任意选择的5个月大婴儿的阵列位置数据对正向建模进行了初步敏感性分析，并使用适合年龄的模型（来自神经发育MRI数据库）来研究解剖结构的纵向变化和阵列位置、头围和光传输上的颅骨标志位置的影响。我们发现，由于每个阵列位置的纵向解剖变化导致通道质心的中值变化为3.0mm（中值绝对偏差 1.1mm），远小于阵列位置变化的影响（中值 7.4 mm，中值绝对偏差）偏差 3.8毫米）和统计显着性 ( p < 0.0001)。完整的结果显示在补充材料。
纵向解剖变化对光传输的影响水平也必须放在我们的阵列配准方法的背景下。定性地，在图4中可以看出，我们的方法是对阵列位置的合理近似，用于配准阵列的数据是专门从被试中提取的。然而，鉴于我们没有使用数字化定位系统收集数据或采用复杂的摄影测量方法，我们无法对我们的阵列配准方法进行定量评估。阵列配准过程导致的灵敏度分布误差可能大于纵向解剖结构变化的影响。
跨年龄使用相同模型的另一个好处是，无论模型如何变形，都存在明确的一对一节点对应关系。这消除了将不同头部模型配准到公共空间的需要，这本身就容易出现一定程度的错误。这种一对一的节点对应关系用于在不同年龄的公共空间中显示组水平图像，如图1和图2所示。5，6，8，9和11。
此外，考虑到我们采用了皮质约束重建方法，我们希望皮质表面清楚地显示主要的脑回和脑沟，这是影响我们选择头部模型的另一个因素。与Sanchez等人的平均数据相比，使用Shi等人的平均数据（附带注册的AAL图谱）可以提取出更清晰的皮质表面。
没有一组西非婴儿的MRI数据可用于构建头部模型。目前尚不清楚这项工作中的头部模型源自生活在高收入国家的婴儿，当用于表示冈比亚婴儿的头部结构时，可能会使我们的结果产生偏差。鉴于目前缺乏来自该人群的结构MRI数据，这是不可能确定的，鉴于西非缺乏MRI装置，特别是高场成像系统，这可能难以获得。此外，我们无法获得所调查年龄婴儿的任何个人水平数据。这强调需要更多公开可用的来自该年龄段婴儿的高质量MRI数据，类似于由柯林斯-琼斯等人。
4.6. 未来的工作
这项研究验证了在组水平得出的通道空间fNIRS推论，并有助于增强对先前纵向队列fNIRS研究得出的结论的信心。然而，正如已经概述的那样，用影像重建方法分析fNIRS数据本身可能是有益的。虽然影像重建分析在 fNIRS 中的仍然相对少见，但它们并不过分复杂，并且可能在未来几年变得无处不在。现在有几个软件包可以进行基于影像重建的处理（例如Homer3（https://openfnirs.org/software/homer/）、NeuroDOT（Eggebrecht 和 Culver，2019年））。我们在这项工作中使用的工具是DOT-HUB工具箱的一部分，并且已经开源（www.github.com/DOT-HUB）。
在这项工作中展示的影像重建管道结合了光传输模型，使解剖和功能数据能够相互关联，并能够研究和理解激活的空间特征。因此，我们设想在未来纵向婴儿fNIRS研究的出版物中广泛使用影像重建。
5. 结论
使用影像重建方法分析纵向获得的婴儿fNIRS数据，我们发现从组水平通道空间fNIRS分析得出的推论对于恒定头围和阵列位置的隐含假设具有鲁棒性。我们发现阵列位置的变化，而不是头围，是导致群体和个体水平通道空间和图像空间分析之间差异的主要因素。此外，我们已经表明，阵列位置变化的影响随着群体规模的增加而减小。我们设想在纵向婴儿fNIRS研究中使用影像重建将变得广泛，以允许将解剖信息纳入数据分析，并有可能实现跨模式的功能数据组合。
-往期精彩-
脑电数据处理的方法及手册
近红外数据处理的方法及手册
核磁数据处理的方法及手册