fMRI-fNIRS聯合成像功能磁共振成像functional magnetic resonance imagingfMRI能夠以較高空間分辨率觀察全腦活動和功能網絡包括丘腦、海馬及基底節等深部結構但對頭動較為敏感時間分辨率受血流動力學反應的限制滯后于神經活動功能近紅外光譜functional near-infrared spectroscopyfNIRs則可以在更安靜、便攜和接近真實行為的環境中連續記錄皮層氧合血紅蛋白HbO與脫氧血紅蛋白HbR的變化但空間定位和探測深度有限。兩種技術都通過血流動力學變化間接反映神經活動但在空間覆蓋、采樣方式、運動耐受性和應用場景上各有側重。而 fMRI–fNIRs 聯合成像就是把這兩種技術進行結合充分發揮兩者優勢實現對腦活動及其血流動力學過程的多尺度、多維度測量。一、為什么需要fMRI-fNIRs聯合成像fMRI 和 fNIRS 都可以用于研究腦功能但兩種技術適合解決的問題并不完全相同。fMRI 能夠獲得全腦 BOLD 信號可以觀察皮層和深部腦區的功能活動適合進行腦功能定位和腦網絡分析。但由于實驗需要在 MRI 掃描儀內完成對受試者動作限制較多不適合開展步行、康復訓練、語言交流等自然行為研究。fNIRS 通過檢測 HbO 和 HbR 濃度變化反映皮層血氧變化設備便攜可用于床旁監測、兒童研究和康復訓練等場景也能夠進行長時間連續采集。但 fNIRS 只能測量淺表皮層而且不同受試者頭型存在差異僅根據探頭位置很難準確判斷對應的腦區。因此兩種技術常結合使用。研究中通常先利用fMRI確定任務相關腦區再將 fNIRS 探頭配準到個體腦表面判斷探頭是否覆蓋目標皮層或者在同步采集條件下比較 BOLD、HbO 和 HbR 的變化是否一致隨后利用 fNIRS 在康復訓練、步行或社會互動等自然場景下持續監測相關腦區活動。這樣既能夠獲得較準確的腦功能定位又能夠實現連續監測。二、兩種聯合模式同步采集與異步采集同步采集是指在同一次實驗中同時記錄 fMRI 和 fNIRS其最大優勢是兩種模態對應同一時刻、同一任務狀態適合進行空間定位、跨模態驗證以及神經血管耦合研究。常見方案是將 fNIRS 主機放置在磁體室外通過超長光纖連接掃描儀內的 MR 兼容探頭。同步模式也面臨明顯限制探頭必須滿足磁兼容和安全要求頭線圈空間有限超長光纖會帶來光信號衰減動作幅度和任務類型受到 MRI 環境約束。因此同步研究多采用靜息態、手指敲擊、視覺刺激、N-back 或 Go/No-Go 等相對穩定的范式。異步采集則在不同時間或場景分別完成 fMRI 與 fNIRS。它更能發揮 fNIRS 的便攜性和運動耐受優勢適合步行、康復訓練、兒童任務和多人互動但無法同時用兩種模態捕捉神經活動。由于兩種數據不是同時采集被試狀態可能發生變化因此異步研究不能簡單地把兩個結果不一致歸因于模態差異還需要考慮時間、狀態和任務執行差異。圖1.fMRI-fNIRS 聯合實驗任務示意圖包括屏蔽室內的 fMRI-fNIRS 雙模態腦時空響應采集和屏蔽室外超高通道 fNIRS 多人腦響應采集。表1.fMRI-fNIRS 聯合使用的總體情況。檢測模式研究目的典型應用同步采集空間定位利用fMRI精確定位目標皮層區域提高fNIRS皮層定位精度增強腦功能定位的時空準確性。有效性驗證同步采集fMRI和fNIRS驗證fNIRS監測皮層血流動力學變化的準確性提高腦活動結果的解釋能力。機制研究同步分析BOLD、HbO和HbR變化研究神經血管耦合NVC及腦功能連接等神經機制。異步采集有效性驗證分別采集fMRI和fNIRS數據比較兩種模態在不同任務中的空間和時間一致性驗證fNIRS結果的可靠性。機制研究結合fMRI和fNIRS分析運動、認知及社會行為等腦功能機制探索腦連接及神經血管耦合的變化規律。三、標準流程從實驗設計到跨模態比較第一步是明確聯合成像的目的。空間定位、效度驗證和神經血管耦合通常優先采用同步采集自然動作、康復監測和長期隨訪更適合異步采集。第二步是設計兩種模態均可解釋的實驗范式。同步研究應盡量限制大幅度運動和口頭反應并使用統一的刺激、事件時序和行為記錄異步研究則需要保證兩次實驗的任務難度、刺激順序和反應規則盡可能一致。第三步是分別完成 fMRI 與 fNIRS 預處理。由于兩種數據的物理機制和數據結構差異較大目前最常見、也最穩妥的方案是先獨立處理再在結果層、特征層或模型層進行融合。fMRI 數據需要完成時間校正、頭動校正、空間標準化、空間平滑及時間濾波等常規預處理操作并將功能像與個體結構像進行配準最終獲得適用于統計分析的 BOLD 數據。對于 fNIRS 數據首先需要將原始光強信號轉換為光密度再利用改良 Beer–Lambert 定律計算 HbO 和 HbR 濃度變化。隨后進行噪聲去除、運動偽影校正和基線校正以減少頭動、心跳、呼吸等因素對信號的影響。由于近紅外光在組織中傳播時會發生散射因此還需要進行光程校準提高血紅蛋白濃度計算的準確性。最后將光源、探測器及通道位置配準到個體結構像或標準腦空間明確每個通道對應的皮層腦區。完成預處理后兩種模態的數據分別進入腦激活分析或腦網絡分析。對于腦激活分析fNIRS通常采用 Block 平均、廣義線性模型GLM或小波分析等方法計算HbO 和 HbR 的激活情況fMRI 則主要采用 GLM 進行體素水平統計分析獲得全腦激活圖。對于腦網絡分析fNIRS 主要通過 Pearson 相關等方法構建皮層功能連接網絡并進一步進行圖論分析fMRI則可采用獨立成分分析ICA、種子點功能連接分析Seed-based analysis及動態功能連接分析等方法研究全腦腦網絡。最后將兩種模態得到的結果進行比較和融合。例如比較 fMRI 激活腦區是否與fNIRS 通道覆蓋區域一致分析 BOLD 信號與 HbO、HbR 變化之間的關系或者比較兩種模態得到的腦網絡特征是否具有一致性。通過空間配準、多模態統計分析及圖論分析可以綜合發揮 fMRI 高空間分辨率和 fNIRS 連續監測的優勢從而更全面地評價腦功能活動。圖2.fMRI-fNIRS 數據處理研究方法的示意圖。四、如何進行聯合分析目前聯合分析主要可分為結果層融合、時間序列融合、特征層融合和模型層融合四種方式。結果層融合Result-level Fusion 是目前應用最廣泛的方法也是實現難度最低的一種策略。研究者首先分別完成 fMRI 和 fNIRS 的統計分析例如采用廣義線性模型GLM獲得 BOLD 激活圖以及 HbO、HbR 激活結果再對兩種模態的分析結果進行比較。比較內容主要包括激活腦區是否一致、BOLD 與 HbO 或 HbR 變化方向是否一致、兩種模態激活強度之間的相關性以及激活圖的重疊程度、Dice 系數和峰值坐標距離等指標。該方法流程簡單、結果直觀適合驗證兩種模態是否能夠反映相同的腦功能活動但由于僅比較最終分析結果沒有充分利用兩種模態的時間信息因此能夠提供的信息相對有限。時間序列融合Time-series Fusion 則直接比較兩種模態采集到的動態信號。通常需要先將fMRI中某一腦區ROI的 BOLD 時間序列與空間對應的 fNIRS 通道 HbO 或 HbR 時間序列進行匹配。然而由于兩種技術的采樣率存在明顯差異例如fMRI通常每 1~2 秒采集一次而fNIRS采樣頻率可達到數Hz甚至十幾Hz因此需要首先進行重采樣或降采樣使兩種信號具有統一的時間尺度。此外BOLD 信號與 HbO、HbR 雖然都屬于血流動力學指標但響應特性并不完全相同因此分析時通常采用相關分析、滯后相關分析、交叉相關分析、小波相干分析、個體化血流動力學響應函數HRF建模以及動態連接分析等方法評價兩種信號之間的動態關系。需要注意的是即使兩種信號表現出較高的相關性也不能直接認為二者來源于相同的神經活動因為呼吸、心率、血壓等系統性生理波動同樣可能產生跨模態相關。特征層融合Feature-level Fusion 是目前多模態分析中較為常見的一種策略。該方法首先分別從fMRI和fNIRS中提取具有代表性的特征再將這些特征聯合用于統計分析或模式識別。例如fMRI 可提取 ROI 激活 Beta 值、ALFF、fALFF、ReHo、功能連接、網絡效率以及 BOLD 響應幅度等指標fNIRS 則可提取 HbO 峰值、HbR 谷值、曲線下面積、激活起始時間、功能連接、網絡拓撲指標以及左右半球側化指數等特征。在獲得多模態特征后可進一步采用典型相關分析CCA、偏最小二乘分析PLS、多元回歸、聯合獨立成分分析jICA以及多模態機器學習等方法探索不同模態之間的關系從而獲得比單一模態更加豐富的信息。模型層融合Model-level Fusion 是近年來隨著人工智能技術發展而逐漸興起的一種分析策略。該方法利用一種模態的數據預測另一種模態的結果例如利用多通道 fNIRS 采集得到的 HbO 和 HbR 特征預測 fMRI 中某一腦區的 BOLD 激活或功能連接強度。常見模型包括線性回歸、主成分回歸、支持向量機、隨機森林、深度神經網絡以及圖神經網絡等。相比傳統統計分析模型層融合更適用于復雜非線性關系的建模但同時也對數據量和模型驗證提出了更高要求。在模型建立過程中應嚴格劃分訓練集、驗證集和獨立測試集避免同一被試的數據同時參與模型訓練和測試否則容易產生數據泄漏導致模型性能被高估。綜上所述四種融合策略分別對應不同層次的數據整合過程。其中結果層融合實現最為簡單適用于驗證兩種模態結果的一致性時間序列融合關注兩種信號的動態變化特征層融合側重于多模態信息整合模型層融合則利用機器學習進一步挖掘兩種模態之間的復雜關系是當前 fMRI-fNIRS 聯合分析的重要發展方向。五、應用場景一實現個體化腦功能定位在腦腫瘤切除、癲癇術前評估及腦功能保護等臨床應用中準確定位功能腦區具有重要意義。fMRI 具有較高的空間分辨率能夠準確定位運動皮層、視覺皮層等功能區域但受掃描環境限制難以開展床旁評估或重復監測。相比之下fNIRS 具有便攜、安全、可重復測量等優勢但其空間定位能力一直是制約臨床應用的重要因素。Zinos等2024利用全頭 fNIRS 和 fMRI 分別完成手指敲擊和視覺刺激實驗對比了兩種模態檢測皮層激活的空間一致性。結果表明全頭 fNIRS 能夠較好地重建運動皮層和視覺皮層的激活模式在群體水平與 fMRI 具有較高的空間重疊率在個體水平也表現出較好的空間一致性。研究認為全頭 fNIRS 能夠為個體水平的皮層功能定位提供可靠信息為臨床腦功能評估及術前功能定位提供新的技術支持。圖3.三位代表性受試者比較運動任務期間與皮層表面相關的 fNIRS 和 fMRI 活動的空間對應關系。六、應用場景二確定個體腦連接識別所需的采集條件Novi 等2023利用同步靜息態 fNIRS-fMRI 數據比較 BOLD、HbO、HbR 和 HbT 功能連接在個體識別中的表現。研究重點不是簡單判斷兩種模態是否一致而是評估采集時長和空間覆蓋范圍對識別準確率的影響。結果顯示增加重復掃描數據和納入更多腦區均可明顯提高識別性能當 fMRI 與 fNIRS 使用相同數量的腦區時HbT 功能連接的表現接近 BOLD。研究說明靜息態 fNIRS 要獲得穩定的個體連接特征應優先保證足夠的采集時間和較廣的皮層覆蓋而不是只增加局部密集通道。圖4.不同ROI數量下BOLD、HbO、HbR和HbT識別準確率的變化。七、應用場景三預測深部腦網絡功能連接由于近紅外光的穿透深度有限fNIRS 只能直接測量淺表皮層活動無法獲取丘腦、基底節等深部腦結構的信息。因此如何利用皮層信號推斷深部腦網絡活動成為近年來聯合成像的重要研究方向。相關研究采用圖卷積網絡Graph Convolutional NetworkGCN建立 fNIRS 與 fMRI 之間的跨模態預測模型根據皮層 HbO 和 HbR 信號預測皮層—丘腦功能連接。研究結果表明深度學習能夠充分挖掘皮層功能信息實現對部分深部腦網絡連接狀態的預測為利用便攜式 fNIRS 評估深部腦功能提供了新的技術方案。圖5.數據采集和構建連接矩陣。圖6.利用功能性近紅外光譜和圖卷積網絡預測皮層-丘腦功能連接。八、它適合回答哪些研究問題相比單獨使用 fMRI 或 fNIRS聯合成像更適合回答涉及空間定位、動態監測和跨模態驗證等問題主要包括以下幾個方面1fNIRS 測量到的皮層信號是否真實反映腦功能活動利用fMRI作為空間參考可驗證 fNIRS 探頭是否覆蓋目標腦區并比較 BOLD、HbO 和 HbR 在空間分布及激活模式上的一致性。2神經活動引起的血流動力學變化具有怎樣的規律同步采集 fMRI 和 fNIRS可分析 BOLD、HbO 和 HbR 之間的動態關系研究神經血管耦合及血流動力學響應特征。3MRI 內發現的腦功能變化能否延伸到真實場景利用fMRI確定關鍵腦區后可進一步采用 fNIRS 在步行、康復訓練、社會互動及課堂學習等自然環境中持續監測相關皮層活動。4fNIRS 能否作為 fMRI 的補充或替代通過比較兩種模態的腦激活、功能連接及網絡特征可評估 fNIRS 在腦功能定位、長期隨訪及床旁監測中的應用價值。5能否利用機器學習預測更多腦功能信息結合多模態數據可建立 fNIRS 與 fMRI 之間的映射模型探索利用皮層血氧信號預測全腦功能狀態或深部腦網絡活動的可行性。結語作為兩種典型的血流動力學成像技術fMRI 和 fNIRS 分別代表了全腦高空間分辨率成像和便攜式連續監測的發展方向。聯合成像并不是簡單地同時采集兩種數據而是根據具體研究目標在空間定位、時間動態、功能連接及機器學習等不同層面實現數據融合。總體而言可以把該方法理解為一種跨尺度、跨場景的血流動力學驗證路徑先利用共同實驗和可靠配準建立兩種信號的對應關系再把掃描儀內的精確定位擴展到床旁、康復和社會互動。其真正價值不在于讓兩套結果看起來一致而在于明確它們各自測到了什么、在哪些條件下可以相互驗證以及聯合后能夠新增哪些單模態無法回答的科學問題。參考文獻1. Yang L, Wang Z. Applications and advances of combined fMRI-fNIRS techniques in brain functional research[J]. Frontiers in Neurology, 2025, 16: 1542075.2. Zinos A, Wagner J C, Beardsley S A, et al. Spatial correspondence of cortical activity measured with whole head fNIRS and fMRI: Toward clinical use within subject[J]. NeuroImage, 2024, 290: 120569.3. Novi S L, Carvalho A C, Forti R M, et al. Revealing the spatiotemporal requirements for accurate subject identification with resting-state functional connectivity: a simultaneous fNIRS-fMRI study[J]. Neurophotonics, 2023, 10(1): 013510-013510.4. Tang L, Kebaya L M N, Vahidi H, et al. Predicting cortical-thalamic functional connectivity using functional near-infrared spectroscopy and graph convolutional networks[J]. Scientific Reports, 2024, 14(1): 29794.掃下方二維碼免費獲取fMRI-fNIRS聯合成像專題文獻及資料匯總 fMRI-fNIRS聯合成像：實現腦功能的多模態評估（附高分文獻下載）
fMRI-fNIRS聯合成像功能磁共振成像functional magnetic resonance imagingfMRI能夠以較高空間分辨率觀察全腦活動和功能網絡包括丘腦、海馬及基底節等深部結構但對頭動較為敏感時間分辨率受血流動力學反應的限制滯后于神經活動功能近紅外光譜functional near-infrared spectroscopyfNIRs則可以在更安靜、便攜和接近真實行為的環境中連續記錄皮層氧合血紅蛋白HbO與脫氧血紅蛋白HbR的變化但空間定位和探測深度有限。兩種技術都通過血流動力學變化間接反映神經活動但在空間覆蓋、采樣方式、運動耐受性和應用場景上各有側重。而 fMRI–fNIRs 聯合成像就是把這兩種技術進行結合充分發揮兩者優勢實現對腦活動及其血流動力學過程的多尺度、多維度測量。一、為什么需要fMRI-fNIRs聯合成像fMRI 和 fNIRS 都可以用于研究腦功能但兩種技術適合解決的問題并不完全相同。fMRI 能夠獲得全腦 BOLD 信號可以觀察皮層和深部腦區的功能活動適合進行腦功能定位和腦網絡分析。但由于實驗需要在 MRI 掃描儀內完成對受試者動作限制較多不適合開展步行、康復訓練、語言交流等自然行為研究。fNIRS 通過檢測 HbO 和 HbR 濃度變化反映皮層血氧變化設備便攜可用于床旁監測、兒童研究和康復訓練等場景也能夠進行長時間連續采集。但 fNIRS 只能測量淺表皮層而且不同受試者頭型存在差異僅根據探頭位置很難準確判斷對應的腦區。因此兩種技術常結合使用。研究中通常先利用fMRI確定任務相關腦區再將 fNIRS 探頭配準到個體腦表面判斷探頭是否覆蓋目標皮層或者在同步采集條件下比較 BOLD、HbO 和 HbR 的變化是否一致隨后利用 fNIRS 在康復訓練、步行或社會互動等自然場景下持續監測相關腦區活動。這樣既能夠獲得較準確的腦功能定位又能夠實現連續監測。二、兩種聯合模式同步采集與異步采集同步采集是指在同一次實驗中同時記錄 fMRI 和 fNIRS其最大優勢是兩種模態對應同一時刻、同一任務狀態適合進行空間定位、跨模態驗證以及神經血管耦合研究。常見方案是將 fNIRS 主機放置在磁體室外通過超長光纖連接掃描儀內的 MR 兼容探頭。同步模式也面臨明顯限制探頭必須滿足磁兼容和安全要求頭線圈空間有限超長光纖會帶來光信號衰減動作幅度和任務類型受到 MRI 環境約束。因此同步研究多采用靜息態、手指敲擊、視覺刺激、N-back 或 Go/No-Go 等相對穩定的范式。異步采集則在不同時間或場景分別完成 fMRI 與 fNIRS。它更能發揮 fNIRS 的便攜性和運動耐受優勢適合步行、康復訓練、兒童任務和多人互動但無法同時用兩種模態捕捉神經活動。由于兩種數據不是同時采集被試狀態可能發生變化因此異步研究不能簡單地把兩個結果不一致歸因于模態差異還需要考慮時間、狀態和任務執行差異。圖1.fMRI-fNIRS 聯合實驗任務示意圖包括屏蔽室內的 fMRI-fNIRS 雙模態腦時空響應采集和屏蔽室外超高通道 fNIRS 多人腦響應采集。表1.fMRI-fNIRS 聯合使用的總體情況。檢測模式研究目的典型應用同步采集空間定位利用fMRI精確定位目標皮層區域提高fNIRS皮層定位精度增強腦功能定位的時空準確性。有效性驗證同步采集fMRI和fNIRS驗證fNIRS監測皮層血流動力學變化的準確性提高腦活動結果的解釋能力。機制研究同步分析BOLD、HbO和HbR變化研究神經血管耦合NVC及腦功能連接等神經機制。異步采集有效性驗證分別采集fMRI和fNIRS數據比較兩種模態在不同任務中的空間和時間一致性驗證fNIRS結果的可靠性。機制研究結合fMRI和fNIRS分析運動、認知及社會行為等腦功能機制探索腦連接及神經血管耦合的變化規律。三、標準流程從實驗設計到跨模態比較第一步是明確聯合成像的目的。空間定位、效度驗證和神經血管耦合通常優先采用同步采集自然動作、康復監測和長期隨訪更適合異步采集。第二步是設計兩種模態均可解釋的實驗范式。同步研究應盡量限制大幅度運動和口頭反應并使用統一的刺激、事件時序和行為記錄異步研究則需要保證兩次實驗的任務難度、刺激順序和反應規則盡可能一致。第三步是分別完成 fMRI 與 fNIRS 預處理。由于兩種數據的物理機制和數據結構差異較大目前最常見、也最穩妥的方案是先獨立處理再在結果層、特征層或模型層進行融合。fMRI 數據需要完成時間校正、頭動校正、空間標準化、空間平滑及時間濾波等常規預處理操作并將功能像與個體結構像進行配準最終獲得適用于統計分析的 BOLD 數據。對于 fNIRS 數據首先需要將原始光強信號轉換為光密度再利用改良 Beer–Lambert 定律計算 HbO 和 HbR 濃度變化。隨后進行噪聲去除、運動偽影校正和基線校正以減少頭動、心跳、呼吸等因素對信號的影響。由于近紅外光在組織中傳播時會發生散射因此還需要進行光程校準提高血紅蛋白濃度計算的準確性。最后將光源、探測器及通道位置配準到個體結構像或標準腦空間明確每個通道對應的皮層腦區。完成預處理后兩種模態的數據分別進入腦激活分析或腦網絡分析。對于腦激活分析fNIRS通常采用 Block 平均、廣義線性模型GLM或小波分析等方法計算HbO 和 HbR 的激活情況fMRI 則主要采用 GLM 進行體素水平統計分析獲得全腦激活圖。對于腦網絡分析fNIRS 主要通過 Pearson 相關等方法構建皮層功能連接網絡并進一步進行圖論分析fMRI則可采用獨立成分分析ICA、種子點功能連接分析Seed-based analysis及動態功能連接分析等方法研究全腦腦網絡。最后將兩種模態得到的結果進行比較和融合。例如比較 fMRI 激活腦區是否與fNIRS 通道覆蓋區域一致分析 BOLD 信號與 HbO、HbR 變化之間的關系或者比較兩種模態得到的腦網絡特征是否具有一致性。通過空間配準、多模態統計分析及圖論分析可以綜合發揮 fMRI 高空間分辨率和 fNIRS 連續監測的優勢從而更全面地評價腦功能活動。圖2.fMRI-fNIRS 數據處理研究方法的示意圖。四、如何進行聯合分析目前聯合分析主要可分為結果層融合、時間序列融合、特征層融合和模型層融合四種方式。結果層融合Result-level Fusion 是目前應用最廣泛的方法也是實現難度最低的一種策略。研究者首先分別完成 fMRI 和 fNIRS 的統計分析例如采用廣義線性模型GLM獲得 BOLD 激活圖以及 HbO、HbR 激活結果再對兩種模態的分析結果進行比較。比較內容主要包括激活腦區是否一致、BOLD 與 HbO 或 HbR 變化方向是否一致、兩種模態激活強度之間的相關性以及激活圖的重疊程度、Dice 系數和峰值坐標距離等指標。該方法流程簡單、結果直觀適合驗證兩種模態是否能夠反映相同的腦功能活動但由于僅比較最終分析結果沒有充分利用兩種模態的時間信息因此能夠提供的信息相對有限。時間序列融合Time-series Fusion 則直接比較兩種模態采集到的動態信號。通常需要先將fMRI中某一腦區ROI的 BOLD 時間序列與空間對應的 fNIRS 通道 HbO 或 HbR 時間序列進行匹配。然而由于兩種技術的采樣率存在明顯差異例如fMRI通常每 1~2 秒采集一次而fNIRS采樣頻率可達到數Hz甚至十幾Hz因此需要首先進行重采樣或降采樣使兩種信號具有統一的時間尺度。此外BOLD 信號與 HbO、HbR 雖然都屬于血流動力學指標但響應特性并不完全相同因此分析時通常采用相關分析、滯后相關分析、交叉相關分析、小波相干分析、個體化血流動力學響應函數HRF建模以及動態連接分析等方法評價兩種信號之間的動態關系。需要注意的是即使兩種信號表現出較高的相關性也不能直接認為二者來源于相同的神經活動因為呼吸、心率、血壓等系統性生理波動同樣可能產生跨模態相關。特征層融合Feature-level Fusion 是目前多模態分析中較為常見的一種策略。該方法首先分別從fMRI和fNIRS中提取具有代表性的特征再將這些特征聯合用于統計分析或模式識別。例如fMRI 可提取 ROI 激活 Beta 值、ALFF、fALFF、ReHo、功能連接、網絡效率以及 BOLD 響應幅度等指標fNIRS 則可提取 HbO 峰值、HbR 谷值、曲線下面積、激活起始時間、功能連接、網絡拓撲指標以及左右半球側化指數等特征。在獲得多模態特征后可進一步采用典型相關分析CCA、偏最小二乘分析PLS、多元回歸、聯合獨立成分分析jICA以及多模態機器學習等方法探索不同模態之間的關系從而獲得比單一模態更加豐富的信息。模型層融合Model-level Fusion 是近年來隨著人工智能技術發展而逐漸興起的一種分析策略。該方法利用一種模態的數據預測另一種模態的結果例如利用多通道 fNIRS 采集得到的 HbO 和 HbR 特征預測 fMRI 中某一腦區的 BOLD 激活或功能連接強度。常見模型包括線性回歸、主成分回歸、支持向量機、隨機森林、深度神經網絡以及圖神經網絡等。相比傳統統計分析模型層融合更適用于復雜非線性關系的建模但同時也對數據量和模型驗證提出了更高要求。在模型建立過程中應嚴格劃分訓練集、驗證集和獨立測試集避免同一被試的數據同時參與模型訓練和測試否則容易產生數據泄漏導致模型性能被高估。綜上所述四種融合策略分別對應不同層次的數據整合過程。其中結果層融合實現最為簡單適用于驗證兩種模態結果的一致性時間序列融合關注兩種信號的動態變化特征層融合側重于多模態信息整合模型層融合則利用機器學習進一步挖掘兩種模態之間的復雜關系是當前 fMRI-fNIRS 聯合分析的重要發展方向。五、應用場景一實現個體化腦功能定位在腦腫瘤切除、癲癇術前評估及腦功能保護等臨床應用中準確定位功能腦區具有重要意義。fMRI 具有較高的空間分辨率能夠準確定位運動皮層、視覺皮層等功能區域但受掃描環境限制難以開展床旁評估或重復監測。相比之下fNIRS 具有便攜、安全、可重復測量等優勢但其空間定位能力一直是制約臨床應用的重要因素。Zinos等2024利用全頭 fNIRS 和 fMRI 分別完成手指敲擊和視覺刺激實驗對比了兩種模態檢測皮層激活的空間一致性。結果表明全頭 fNIRS 能夠較好地重建運動皮層和視覺皮層的激活模式在群體水平與 fMRI 具有較高的空間重疊率在個體水平也表現出較好的空間一致性。研究認為全頭 fNIRS 能夠為個體水平的皮層功能定位提供可靠信息為臨床腦功能評估及術前功能定位提供新的技術支持。圖3.三位代表性受試者比較運動任務期間與皮層表面相關的 fNIRS 和 fMRI 活動的空間對應關系。六、應用場景二確定個體腦連接識別所需的采集條件Novi 等2023利用同步靜息態 fNIRS-fMRI 數據比較 BOLD、HbO、HbR 和 HbT 功能連接在個體識別中的表現。研究重點不是簡單判斷兩種模態是否一致而是評估采集時長和空間覆蓋范圍對識別準確率的影響。結果顯示增加重復掃描數據和納入更多腦區均可明顯提高識別性能當 fMRI 與 fNIRS 使用相同數量的腦區時HbT 功能連接的表現接近 BOLD。研究說明靜息態 fNIRS 要獲得穩定的個體連接特征應優先保證足夠的采集時間和較廣的皮層覆蓋而不是只增加局部密集通道。圖4.不同ROI數量下BOLD、HbO、HbR和HbT識別準確率的變化。七、應用場景三預測深部腦網絡功能連接由于近紅外光的穿透深度有限fNIRS 只能直接測量淺表皮層活動無法獲取丘腦、基底節等深部腦結構的信息。因此如何利用皮層信號推斷深部腦網絡活動成為近年來聯合成像的重要研究方向。相關研究采用圖卷積網絡Graph Convolutional NetworkGCN建立 fNIRS 與 fMRI 之間的跨模態預測模型根據皮層 HbO 和 HbR 信號預測皮層—丘腦功能連接。研究結果表明深度學習能夠充分挖掘皮層功能信息實現對部分深部腦網絡連接狀態的預測為利用便攜式 fNIRS 評估深部腦功能提供了新的技術方案。圖5.數據采集和構建連接矩陣。圖6.利用功能性近紅外光譜和圖卷積網絡預測皮層-丘腦功能連接。八、它適合回答哪些研究問題相比單獨使用 fMRI 或 fNIRS聯合成像更適合回答涉及空間定位、動態監測和跨模態驗證等問題主要包括以下幾個方面1fNIRS 測量到的皮層信號是否真實反映腦功能活動利用fMRI作為空間參考可驗證 fNIRS 探頭是否覆蓋目標腦區并比較 BOLD、HbO 和 HbR 在空間分布及激活模式上的一致性。2神經活動引起的血流動力學變化具有怎樣的規律同步采集 fMRI 和 fNIRS可分析 BOLD、HbO 和 HbR 之間的動態關系研究神經血管耦合及血流動力學響應特征。3MRI 內發現的腦功能變化能否延伸到真實場景利用fMRI確定關鍵腦區后可進一步采用 fNIRS 在步行、康復訓練、社會互動及課堂學習等自然環境中持續監測相關皮層活動。4fNIRS 能否作為 fMRI 的補充或替代通過比較兩種模態的腦激活、功能連接及網絡特征可評估 fNIRS 在腦功能定位、長期隨訪及床旁監測中的應用價值。5能否利用機器學習預測更多腦功能信息結合多模態數據可建立 fNIRS 與 fMRI 之間的映射模型探索利用皮層血氧信號預測全腦功能狀態或深部腦網絡活動的可行性。結語作為兩種典型的血流動力學成像技術fMRI 和 fNIRS 分別代表了全腦高空間分辨率成像和便攜式連續監測的發展方向。聯合成像并不是簡單地同時采集兩種數據而是根據具體研究目標在空間定位、時間動態、功能連接及機器學習等不同層面實現數據融合。總體而言可以把該方法理解為一種跨尺度、跨場景的血流動力學驗證路徑先利用共同實驗和可靠配準建立兩種信號的對應關系再把掃描儀內的精確定位擴展到床旁、康復和社會互動。其真正價值不在于讓兩套結果看起來一致而在于明確它們各自測到了什么、在哪些條件下可以相互驗證以及聯合后能夠新增哪些單模態無法回答的科學問題。參考文獻1. Yang L, Wang Z. Applications and advances of combined fMRI-fNIRS techniques in brain functional research[J]. Frontiers in Neurology, 2025, 16: 1542075.2. Zinos A, Wagner J C, Beardsley S A, et al. Spatial correspondence of cortical activity measured with whole head fNIRS and fMRI: Toward clinical use within subject[J]. NeuroImage, 2024, 290: 120569.3. Novi S L, Carvalho A C, Forti R M, et al. Revealing the spatiotemporal requirements for accurate subject identification with resting-state functional connectivity: a simultaneous fNIRS-fMRI study[J]. Neurophotonics, 2023, 10(1): 013510-013510.4. Tang L, Kebaya L M N, Vahidi H, et al. Predicting cortical-thalamic functional connectivity using functional near-infrared spectroscopy and graph convolutional networks[J]. Scientific Reports, 2024, 14(1): 29794.掃下方二維碼免費獲取fMRI-fNIRS聯合成像專題文獻及資料匯總