认知功能障碍是脑小血管疾病(cSVD)的显著标志。已有的功能磁共振成像研究强调了大脑活动模式和行为变异性之间的联系。本文的研究旨在描述cSVD的影像学标记物、动态连通性和认知障碍之间的关联。
本文从基于人群的Hamburg City Health Study中获得MRI和临床数据。通过白质高信号(WMH)和骨架化平均扩散率(PSMD)的峰宽对cSVD进行量化。并将静息态的BOLD信号聚类成离散的大脑状态，计算每种状态的停留百分比(%)和停留时间(s)。使用经过验证的测试评估病人多个领域的认知能力。使用回归分析量化白质损伤、空间共激活模式和认知功能之间的关联。
最后确定了979名被试(年龄45-74岁，WMH体积中位数是0.96 ml)的数据可用。聚类确定了五种大脑状态，其中默认网络激活(+)或抑制(-)状态的时间最长（状态占比；DMN+ 25.1 ± 7.2 %，DMN- 25.5 ± 7.2 %）。WMH的体积每增加4.7倍，DMN+或DMN-出现的几率就减少0.95倍。花在DMN相关的大脑状态上的时间与执行功能有关。
WM损伤、全脑空间共激活模式和认知之间的关联表明，在不同的大脑状态下的时间均等化是cSVD相关认知衰退的标志。与脑损伤和认知障碍相关的脑状态梯度的降低反映了神经认知老化在网络理论背景下的去分化假说。本文发表在Biological Psychiatry杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。
思影曾做过多期关于动态脑网络的文章解读，欢迎点击下文浏览：
外部刺激促使不同大脑状态之间的转换
动态功能连接组：最新技术和前景
Nature子刊：叙事理解过程中默认网络的动态重构
Nature子刊：高功能自闭症患者的大脑网络动态
动态功能连接：前景、问题和解释
利用fMRI大脑动力学研究人类的多方面行为和精神疾病
不同的丘脑皮层网络动力学与慢性腰痛的病理生理学有关
基于滑动窗口法的相关性能否揭示静息态fMRI中的动态功能连接？
动态功能脑网络状态中的EEG特征
Radiology:认知功能障碍的多发性硬化症患者的fMRI网络动态性减低
大脑的状态和转换
动态脑网络与创造力
IEEE Signal Processing Magazine：fMRI数据的时变脑连接
大尺度脑活动的动态模型
现代物理评论：大脑网络中的动力学控制
Brain：帕金森患者脑内功能网络连接异常
方法学：TDA：揭示大脑动态组织的新方法
介绍
脑血管病（cSVD）的临床表现包括中风、抑郁和认知障碍。在结构磁共振成像（MRI）上，cSVD可表现为白质高信号（WMH）、它可以自动量化，并且可能比其他标记物在病程中出现得更早。已有研究已经证明，WMH与信息处理和执行功能的缺陷有关。
网络神经科学研究在正常神经功能中远程相互连接的大脑区域之间相互作用的组织原理，以及网络中断与病理生物学和临床疾病相互作用的机制。为了进一步了解cSVD和认知缺陷之间的联系，一些研究调查了WMH对结构连接体的影响。一项平行的研究重点是功能连接（FC）的破坏，最终导致血管认知障碍的网络解体模型。
动态功能连接（dFC）研究揭示了无法用静息态功能连接方法评估的时空组织原理。这些包括大脑状态，其特征在于同步大脑活动的不同时间分离模式。虽然它们的数量仍存在争论，但其科学和临床实用性的证据正在积累中。对认知过程的进一步理解受益于dFC方法，因为它检测了不同行为相关的大脑动力学时间尺度，并对功能连接下的离散事件结构进行了评价。
然而，cSVD病理存在的空间共激活模式及其与认知障碍的关系尚不清楚。我们利用基于人群队列研究的数据，调查了cSVD病理学的相关性；静息态功能磁共振成像测量的大脑活动的时空组织和认知能力。基于与衰老和多发性硬化症认知障碍相关的dFC速度降低的结果，我们假设白质损伤的程度与时空模式复杂性的降低有关。此外，我们假设这些变化与认知障碍的测量有关。
材料与方法
补充图1中显示了成像和行为数据、处理和分析步骤的详细概述。补充方法中详细介绍了MRI序列参数、成像预处理步骤以及避免假阳性WMH分割的详细信息。
补充图S1：处理流程图
研究人群
Hamburg City Health Study (HCHS)是一项前瞻性、基于人群的队列研究，旨在纳入45000名45-74岁的被试的横断面样本。通过从官方登记中随机选择，可以最大限度地减少偏差。在计划分析时，我们使用了所有可用的数据，当有4253名被试被纳入HCHS时，其中1000人接受了大脑影像的采集。第一例和最后一例患者分别于2016年6月和2017年2月接受检查。HCHS经Landesärztekammer Hamburg当地伦理委员会的批准，所有被试均提供了书面知情同意书。
临床描述
动脉高血压被定义为先前诊断高血压，处方抗高血压药物，或在研究门诊就诊期间血压超过140 mmHg（收缩压）或90 mmHg（舒张压）。糖尿病被定义为先前诊断的糖尿病分离，处方抗糖尿病药物，或血清葡萄糖水平超过126 mg/dl（空腹）或200 mg/dl（非空腹）。
在被试访问研究中心期间，通过神经心理学测试评估认知功能。简易精神状态检查(MMSE)用于筛查认知功能的整体损伤。CERAD神经心理学组的动物命名和学习/回忆单词表，被用来评估被试的语言流利性和工作记忆；Trail Making Test (TMT)被用来量化认知加工速度和执行功能。使用多项选择词汇测试(Mehrfach-Wortschatz-Test, MWT-B)来估计语义记忆。在本研究中，被试从5个包含4个发音相关的新词的潜在单词列表中选择一个项目。得分是正确识别的项目的数量，最高分数为37分。
WMH分割
使用FSL脑强度异常分类算法(BIANCA)中实现的k近邻分类在被试空间中分割WMH。使用FLAIR和T1w强度以及MNI坐标。从98个随机选择的被试中，对分类器进行人工分割的WMH训练。对于跨模态配准，使用HD-BET提取大脑图像，并使用具有6个自由度的FLIRT进行线性对齐。
病变概率图的后处理
使用最近的局部自适应阈值估计方法，从BIANCA输出创建二元病变图。LOCATE接受了和BIANCA相同的98个被试的训练。二值化后，包含少于30个病变体素的簇被丢弃。作为补充分析，病变体素被分为脑室周围（到脑室距离<10mm）或深部（>10mm）。
动态连接量化
通过对Schaefer图谱的400个区域中的BOLD信号进行平均来提取去噪后的体素水平的数据。这种分割尺度的选择是根据以往相关研究的结果，该工作表明，这种尺度的分割比更粗放的尺度更接近体素水平的聚类结果。
本文选择使用共激活模式(CAP)方法来量化动态功能连接。之所以选择这种方法，是因为它提供了1 TR的最大时间分辨率，具有较高的鲁棒性，并且不需要先验选择额外的参数，如滑动窗口方法中的形状和长度等。为了将同步大脑激活映射到离散的大脑空间，本文使用了无监督聚类：将所有被试的BOLD数据拼接成(nsubjects*ntime points) x 400的特征矩阵后，在400维大脑激活空间中进行k - means聚类，并计算与样本点之间的皮尔逊相关距离d。因此，我们将nsubjects * ntime BOLD-观测集划分为 k个簇C1, C2,… Ck,其质心为γ1、γ2,…,γk,使得簇内方差最小。
为此，本方法从一些初始的质心开始，使用Matlab中实现的迭代期望最大化算法kmeans++，在每一步中，将单个观测值分配到最近的质心，并将质心位置更新为由此分配的z变换观测值的均值，直到模型收敛。簇的数量在 k = 2 和 k = 12 之间变化，并且在随机初始条件下对每个k进行20次重复。通过评估每个k值处的最低误差解所解释的增量方差来确定最佳聚类数。聚类收敛后的簇被识别为大脑状态，并根据其质心的正、负激活的余弦相似度和七个先验定义的功能网络命名。为了量化空间共激活模式的动态特性，估计了特定于被试和状态的占比和停留时间。前者被定义为分配给每个大脑状态的BOLD的volume的比例，后者则是状态持续的平均时长。
统计分析
使用 Gamma 响应分布的多重插补分析和广义回归模型来描述心血管危险因素和cSVD标记物之间的关联。广义线性和beta回归模型用于量化对数转换的WMH体积和PSMD以及空间共激活模式之间的关联。对于认知评分，使用带有Gamma和二项分布的广义线性模型来评估与cSVD标记物和大脑动力学的关联。使用Wald t检验量化偏离缺失关联的零假设的统计显著性，并使用Bonferroni-Holm方法对认知测量和大脑状态的多重性进行校正。没有在缺血性白质疾病负担（WMH 体积，PSMD）和脑动力学（分数占用，停留时间）的不同比较中进行多重比较校正。对缺血性白质疾病负荷(WMH体积，PSMD)和脑动力学(状态占比，停留时间)的不同比较没有进行多重比较校正。
统计分析在R v4.0.5中进行的。
结果
样本特征
从 HCHS 收集了1000个MRI数据，其中具有可用成像数据的为986名被试。WMH的分割如图1-A所示。WMH的空间分布如图1-B所示。排除四名没有发现WMH的被试。剩余WM体积的数值分布向右倾斜，中位数为 0.96 ml（IQR 0.46-2.2 ml）（图1-C）。计算924名被试的PSMD（58例未进行弥散加权成像）。PSMD中位数为0.000217 (IQR 0.000194–0.000245)。
图1 白质病变负荷分布。
A)个体空间中WMH分割的步骤：i)原始FLAIR图像；ii)BIANCA病灶概率图；iii)对由LOCATE得到的空间变换阈值进行Voronoi分割；iv)二值化病变掩模，保留至少包含30个相邻体素的簇。蓝色表示深部(红色表示室周)白质病变，与脑室的距离截距为10mm。
B)WMH空间分布。为了可视化，将单个病变掩码转换为非线性MNI模板空间。注意深部和脑室周围白质病变的尺度是不同的（注意colorbar）。
C)非零WMH体积（n=979独立被试）在对数尺度上的数值分布。插图表示平均值/标准偏差（红色）以及中值/IQR（橙色）。
图2 白质病变体积与认知能力评分之间的相关性(共979名独立被试)。
六边形的颜色深度表示每个六边形值范围内的个体患者数据的数量。实线表示来自简单未校正的广义线性模型的估计值(顶行:MMST，词汇，单词列表)
下一行:动物命名，TMT A/B Gamma)。阴影带表示逐点的95%置信带。插图报告了对协变量年龄和性别进行（'Adj'）和没有（'Raw'）校正的效应量大小和P值。P(H)表示Bonferroni-Holm在认知分数（六项测试）中校正的P值。
有3名被试没有临床资料，因此对剩下的979名被试(441名女性，约占45%)进行影像学、心血管危险因素和认知功能的联合分析。平均年龄62.5岁(标准差8.2岁)。在纳入样本的患者中，666人患有高血压(71.5%；47例丢失)，156人是活跃吸烟者(17.5%；87例丢失)，82例被诊断为糖尿病；80例丢失；平均BMI为26.7 kg/m2(标准差为4.5 kg/m2；57例丢失)。292名被试的Framingham风险（一个用来评估血管风险因素的值，越大风险越高）指数超过7。
979名被试中，共673名（68.7%）有完整的认知得分。汇总统计数据以及与年龄的关系见表1。在大多数人群里，年龄越大，认知能力越差。然而，年龄较大的被试在词汇选择测试中表现更好。
表1 小血管疾病与人口统计学和心血管危险因素的关系
心血管危险因素、WMH容量和认知之间的关系
更多的WMH量与更高的年龄、糖尿病、肥胖和吸烟有关。WMH容量与高血压无显著相关性。PSMD与较高的年龄、女性、高血压、糖尿病和吸烟有关。效应量大小的报告在表2。
表2 认知表现得分汇总
由广义线性回归模型得出的WMH体积与认知评分之间的关系如图3所示。校正年龄和性别后，白质病变的程度与执行功能受损相关。WMH体积每增加4.7倍(对应四分位比Q1WMH/Q3WMH)，TMT -B任务的完成时间会增加1.06倍(95% CI 1.01-1.10) (P 0.0075, PHolm0.0448)，其中Bonferroni-Holm校正对不同认知分数进行了6项测试。在延迟记忆测试中，WMH容量与短期记忆的减少之间存在关联，估计四分位比值为0.93 (95% CI 0.87 - 1.01, P 0.0778)。
补图3显示了PSMD和认知功能之间的类似关联。根据年龄和性别进行校正后，PSMD（四分位比Q1PSMD/Q3PSMD）每增加1.26倍，TMT-B完成时间增加1.06倍（95% CI 1.02- 1.12, P 0.0032, PHolm 0.0161)，从MWT-B词典中正确识别单词的几率增加1.10倍(95% CI 1.04-1.16, P0.0022, PHolm 0.0130)。
补图S3：在n=98名被试的子样本中，手动和自动分割的WMH体积的散点图(留一验证，每个被试是一个红圈)。应用BIANCA和LOCATE后，保留了至少包含30个体素的簇。普通最小二乘回归线用红色表示(标准化回归系数beta 0.94, CI95% 0.87 - 1.01)，真实值与预测完美匹配的假设(黑线)。
作为离散大脑状态的共激活模式
在400维欧几里德空间中，当k从2到12时，计算了将BOLD信号聚类成k个离散的簇所解释的方差，以及与每一个额外的簇相关的增量R2增益，如图3-A所示。小于1%的额外方差可以通过增加超过k=5的聚类的数量来解释。而且，在这个值下，至少一次都没有出现任意一个状态的被试数量显著增加了(图3-B)。因此本研究选择k=5进行了进一步的分析。识别出的重复空间共激活模式的团簇如图3-C所示。根据它们与默认网络(DMN)、视觉网络(VIS)和额顶控制网络(FPCN)的相似性，本文将这些状态命名为DMN+、DMN-、FPCN+、VIS+、VIS-(图3-D)。
图3 将预处理后的BOLD信号拼接后由k-mean聚类得到的离散大脑状态。
A)聚类簇的数目的增长对累计方差和方差增量的影响，拐点在红点表示的选择（k=5）。
B) 随着k的增长，至少有一个未能到某个聚类状态的被试的数量。当聚类少于6时，每个被试至少访问每个聚类一次。
C)十个个体的状态空间轨迹示例。时间以重复时间的倍数表示(TR=3s)，颜色表示不同的大脑状态(紫色，DMN+；绿色，DMN-；蓝色，VIS+；红色，VIS-；橙色，FPCN-)。
D)绿点和红点表示每个状态的正负分量之间的余弦相似度，以及7个预定义的静息态网络的每一个二元指标。
E)每个大脑状态的解剖表示，其质心在400维激活空间中的坐标映射到Schaefer图谱中相应的色块。
文章为了结果的稳定性，将WMH体积低于全样本WMH体积分布的第一个或高于第三个分位数的数据分开构建了患者的大脑状态，结果发现这些被试的大脑状态是相似的。簇质心之间的空间相关性在0.956 (FPCN-)和0.999 (DMN+)之间变化。
全脑空间共激活模式
被试大约每两帧转换一次大脑状态(转换的中位数为68，IQR为64-71；平均停留时间(1.85±0.16)×TR)。整体转换率和平均停留时间与WM损伤相关。估计的WMH体积增加4.7倍，对应的附加状态转换0.64次和停留时间减少0.043秒。同样，PSMD增加1.26倍与附加状态转换0.55 (95% CI 0.05 - 1.06, P 0.0342)次和停留时间减少0.015 × TR (95% CI 0.001 - 0.030×TR, P 0.0376)相关。
本研究观察到DMN+(平均±标准差:25.1±7.2%)和DMN-(25.5±7.2%)网络的使用率高于VIS-(15.8±7.0%)、VIS+(17.6±6.7%)和FPCN-(16.0±6.2%)网络。DMN+(1.98±0.40 TR)和DMN-(2.01±0.41 TR)状态下的平均停留时间均长于VIS-(1.60±0.36 TR)、VIS+(1.65±0.36 TR)和FPCN-(1.62±0.34 TR)状态。
在针对年龄和性别校正的回归中，具有较高WM体积的患者在高占用状态DMN+中花费的时间更少（每4.7- 占用 DMN+ 的几率降低 0.95 倍），WMH 体积增加的倍数更大（P 0.0108，PHolm 0.0325），在对应于不同大脑状态的五次测试中进行了校正0.0010，PHolm 0.0050）。在线性尺度上，这些数字分别对应于 0.75 (DMN+) 和 0.84 (DMN-) 个百分点（pp）的停留占比的减少和 1.0 FPCN- 的增加。与此一致的是，较高的 WMH 负担与默认网络状态下的平均停留时间减少相关（DMN+：相对缩短 0.98，P 0.0776，PHolm 0.3100；DMN-：0.97，P 0.0020，PHolm 0.0099），对应线性尺度上的绝对减少分别为0.03×TR (DMN+) 和0.06×TR (DMN-)。PSMD也有类似的结果（补充图 5）。
图4 白质病变体积与占用率(FO)/平均停留时间(DT)之间的关联作为空间共激活模式的特定状态指标。
六边形的颜色深度表示落在每个单元格内的患者数量。实线表示在分数占用情况下使用logit link函数的固定分散beta回归估计的总体平均值（顶行），以及在停留时间的情况下使用Gamma响应函数和logit link函数的简单广义线性回归（底行））。阴影带表示逐点95%置信带。停留时间以TR为单位（重复时间，2.5秒）。插图报告了对协变量年龄和性别进行（'Adj'）和没有（'Raw'）校正的效果大小和P值。
在任何大脑状态下，年龄和停留占比或停留时间之间都没有显著的关系。
大脑动力学测量和认知表现之间的联系
不同大脑状态的转换率或状态占比与认知功能之间没有关联。根据年龄、性别、受教育年限和白质疾病严重程度(WMH体积)校正的回归模型显示，执行功能的缺陷（以TMT B部分较长的完成时间来衡量）与处于DMN+状态的时间更少相关(每增加一个TR减少0.94倍;95% CI 0.88-1.00, P 0.0477, PHolm >0.9999，对不同的大脑状态和认知域进行了超过30次的校正测试，并在状态VIS-上花费了更多的时间(每TR增加1.08倍;95%-CI 1.00-1.16, P 0.0478, PHolm >0.9999)。词汇测试得分越高，处于状态VIS+的时间越长(每TR增加1.12倍;95%-CI 1.02-1.23, P 0.0181, PHolm 0.5430)。在占用率或停留时间和其他认知评分之间没有观察到显著的相关性(补充表1)。
讨论
本研究的分析产生了两个主要的结果：首先，在将离散的大脑状态识别为周期性活动的簇并再现其特征占用模式之后，发现WMH负荷的增加与在高占用状态下花费的时间减少和在低占用状态下花费的时间增加有关。其次，处于默认网络状态的时间是执行功能任务中表现不佳的独立预测因子。
本文进一步分析了HCHS的一个风险增强亚组。结果发现，本样本受cSVD病理的轻度影响，WMH容量中位数为0.9 ml，其原因是中位年龄较低，为62.5岁，本文采用了基于先验解剖信息的分割方法，以避免WMN计算时的假阳性。
在不同的认知领域中，只有TMT-B的执行功能与年龄校正后的WMH体积相关。WMH负荷每增加4.7倍，完成时间增加6%的效应量估计，这与英国生物库以前的报告一致，该研究发现，在“Snap”纸牌游戏的一种变体中，WMH每增加2.7倍，相关的反应时间增加4.5%。以往研究和本文观察到的以执行功能和皮质功能(如情景记忆)相对保留为最大损伤的神经心理缺陷模式是血管性认知障碍的典型表现，这也证实了缺血性WM疾病主要是皮层下病理。补图5和补图6显示WMH和执行功能障碍之间的联系可能在很大程度上是由心室周围病变驱动的。
将全脑BOLD信号聚类后，共识别出五种离散的大脑状态。与之前的报告一致，与非DMN状态相比，以激活或抑制默认网络(DMN+/-)为特征的大脑状态的停留时间和占用率更大。
本文的第一个主要发现有助于寻找时空大脑动力学的结构决定因素。在人类连接体计划的分析中，空间嵌入的大脑网络的全局几何和拓扑结构被认为是调节大脑激活时间波动的重要因素。针对离散的大脑状态，将网络控制理论应用于费城神经发展队列的研究表明，状态之间的转换概率受到沿结构连接体的线性传播的限制。因此可以想象，WMH会优先破坏远程纤维，会导致大脑的网络通信受损，如DMN，它依赖于大脑的前后区域内的分布式处理。虽然缺血性WMH对静态FC的影响之前已被广泛描述，但动态FC最近才在缺血性血管疾病的背景下被研究：
在一项针对19名皮质下缺血性血管疾病(SVID)患者的小型研究中，发现与健康对照组相比，处于高占用弱连接大脑状态的时间增加。最近，一项对101名SVID患者的研究发现，在从无症状到遗忘和非遗忘的轻度认知障碍的临床谱系中，大脑状态占位模式没有一致的变化。由于纳入标准和白质病理严重程度的差异，以上结果与本研究的可比性有限。
本文发现的结果也与与局灶性病变相关的时空脑动力学紊乱大体一致：在缺血性中风患者中，滑动窗口分析显示与运动功能相关的大脑网络的皮层、皮层下和小脑亚区的偏好改变，这些偏好受到临床缺陷的严重程度的调节。在一个单独的队列中，严重受影响的中风患者优先占据以高动态分离为特征的大脑状态，这反映了中风后结构连接组的重要方面。在描述性水平上，观察到与DMN相关的高占用状态下花费的时间减少，与WMH负荷增加相关的低占用状态下花费的时间同时增加，可以被描述为大脑状态偏好的去分化。
WMH体积与大脑状态偏好去分化之间的关联可能会被年龄混淆。因为年龄增长是cSVD的风险因子，白质的结构属性则被认为是生物脑年龄的重要成像标志物。另一方面，在整个生命周期中，大脑的时空激活模式的变化还没有被很好地理解。通过对动态FC的演化模式的识别，复杂性的降低已被确定为脑功能信号在时空动态中与年龄变化相关的的标志。
在780名青少年中，年龄的增长与更高的状态转变的“灵活性”相关。在对51名儿童和年轻人的横断面分析中观察到与年龄增长相关的更多可变连接模式的类似结果，表现为平均停留时间和状态占用率的梯度变化。有趣的是，在本研究的样本中，任何状态下的占用率和停留时间都与年龄无关。这仍然与倒U形关系兼容，因为本文的样本中62.5岁的中位年龄相对接近（104）中描述的年龄-FC关系的最高点。相反，WMH病理和大脑状态指标之间的联系确实存在，这一事实可能指向时间和“大脑年龄”之间的复杂关系，其中WMH病理“预测”了功能变化。
本文的数据还表明，大脑状态偏好的去分化与执行功能缺陷有关。这种效应主要发生在对注意力相关认知任务至关重要的功能性大脑状态，如DMN。先前的静态FC分析显示，较低的DMN完整性对TMT-B有年龄依赖性的影响。本文的研究结果为这一假设提供了证据，即正常的认知功能取决于良好调节的大脑动力学，其特征是潜在状态之间转换的灵活性和复杂性。衰老的去分化假说认为，大脑皮层对行为需求的反应在整个生命周期中变得不那么具有选择性。这种选择性的丧失可能表明认知中断，并解释了与年龄相关的执行功能和处理速度的变化。大脑功能连接组织的变化可能与年龄相关的认知功能去分化有关。本文的结果表明，去分化也发生在动态网络水平，表现为在不同的大脑状态下花费的时间更均衡（即DMN网络的状态更少）。本研究发现的另一种可能的解释是：大脑状态的去分化可能作为一种补偿机制发生。然而，观察到的去分化和执行障碍之间的关联表明，这种补偿是不成功的。
总结：
本研究首次提出了在cSVD存在下，全脑时空共激活模式的特征及其与相关认知缺陷的相关性。本文主要通过WMH的总量来量化cSVD的严重程度。并将PSMD作为白质微结构疾病的标志物。通过重现两种成像标记都捕捉到的cSVD病理学的互补面来证明本研究存在良好的复现性。进一步的动态FC的研究发现：缺血性白质疾病的成像标记物与在不同大脑状态下花费的时间的均衡有关，同时，这种大脑状态的去分化也与作为皮层下认知损伤标志的执行功能缺陷有关。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！
微信扫码或者长按选择识别关注思影非常感谢转发支持与推荐
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
核磁：
北京：
第五十九届磁共振脑影像基础班（北京，4.14-19）
第二十九届磁共振脑网络数据处理班（北京，4.22-27）
第二十五届DTI班（北京，5.6-11）
第十一届磁共振ASL班（北京，5.12-15）
第二十二届脑影像机器学习班（北京，5.28-6.2）
第二十届磁共振脑影像结构班（北京，6.4-9）
重庆：
第十九届磁共振脑影像结构班（重庆，4.13-18）
第六十届磁共振脑影像基础班（重庆,4.21-26）
第五届影像组学班（重庆，5.19-23）
上海：
第十二届任务态功能磁共振数据处理班（上海，4.21-25）
第六十一届磁共振脑影像基础班(上海，5.7-12）
更新：第二十八届磁共振脑网络数据处理班（上海，5.22-27）
更新：第四届影像组学班（上海，6.2-6）
脑电及红外、眼动：
南京：
第二十三届脑电数据处理入门班（南京，4.23-27）
北京：
第二十五届脑电数据处理入门班(北京，5.16-20）
上海：
第三届脑电机器学习数据处理班（Matlab版，上海，5.15-20）
第三十六届脑电数据处理中级班(上海，5.28-6.1）
重庆：
第二十二届近红外脑功能数据处理班（重庆，5.24-29）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
思影科技EEG/ERP数据处理业务
思影科技近红外脑功能数据处理服务
思影科技脑电机器学习数据处理业务
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
