CW-fDOT与标准的光学大脑模型：提升血流动力学敏感性及功能定位能力

《Neurophotonics》：CW-fDOT with a standard optical brain model: improving hemodynamic sensitivity and functional localization

　　SOB引导的定量CW-fDOT框架的整体工作流程。SOB代表标准光学大脑；CW-fDOT代表连续波功能 diffusion optical tomography（连续波功能扩散光学断层扫描）；MRI代表磁共振成像；FEM代表有限元方法；TD-DOT代表时域diffuse optical tomography（时域扩散光学断层扫描）；SS代表头皮-颅骨；GM代表灰质；WM代表白质；????代表吸收系数；??′??代表减少的散射系数；???????????代表氧合血红蛋白浓度的变化。

1. 引言
功能近红外光谱（fNIRS）是一种成熟且日益常用的神经成像技术，它结合了便携性、非侵入性、空间和时间分辨率之间的良好平衡以及高生态有效性。因此，它被广泛应用于认知神经科学、精神病学评估和神经发育评估中。在各种fNIRS技术中，连续波（CW）系统由于成本低、配置紧凑、易于集成以及适合可穿戴应用而最为常用。CW-fNIRS主要包括两种成像模式：功能光学地形图和功能扩散光学断层扫描（fDOT）。光学地形图操作简单、速度快且稳定性高，适合用于常规的大脑功能评估和监测。相比之下，CW-fDOT需要更复杂的系统配置和图像重建算法，但它能够实现三维（3D）功能成像，提供深度区分，并对吸收变化敏感。因此，CW-fDOT在精确的大脑功能评估、大脑血流动力学机制研究以及临床应用方面具有更大的潜力。然而，fDOT面临一些固有的实际挑战。CW-fDOT需要从有限的边界光强度测量中重建组织光学特性的高维分布，这本质上是一个病态逆问题。为了提高反演的稳定性，现有方法通常引入简化的分层几何结构或结合来自磁共振成像（MRI）和计算机断层扫描等结构成像模式的特定于受试者的解剖学先验。此外，光学特性的初始化会显著影响逆算法的收敛效率和重建精度。不适当的初始值可能导致收敛缓慢或收敛到局部最小值。先前的研究表明，基于解剖学的光学背景模型可以提高CW-fDOT的成像敏感性、空间定位和定量精度。尽管如此，获取每个受试者的个性化结构信息和绝对光学特性需要额外的设备、更长的实验时间和复杂的处理程序，这在一定程度上影响了CW-fDT系统的便携性和应用效率。因此，构建一个具有解剖学合理性和光学特性支持的可重用标准化模型对于提高CW-fDOT的实用性和重建可靠性非常重要。为了解决这些问题，本研究提出了一个基于标准光学大脑（SOB）模型的定量CW-fDOT框架。该框架首先将基于MRI的额叶解剖统计信息与通过时域DOT（TD-DOT）测量的体内组织光学特性结合起来，构建一个SOB模型。然后将此模型纳入CW-fDOT重建中，以约束组织层结构并提供生理学上合理的初始光学参数，从而提高反演过程的稳定性和空间精度。在这个框架中，MRI和TD-DOT为CW-fDOT重建提供了互补的先验。MRI提供高空间分辨率和优秀的软组织对比度，适合识别主要的大脑组织结构，包括头皮-颅骨（SS）层、灰质（GM）和白质（WM）。光学特性的测量使用TD-DOT而不是CW测量进行。虽然CW系统更方便，但它们主要记录稳态光强度变化，缺乏时间分辨信息。相比之下，TD-DOT使用超短脉冲光源和时间分辨探测器来记录时间点扩散函数，从而可以提取光子飞行时间（TOF）等与组织吸收和散射密切相关的信息。因此，本研究将基于MRI的解剖统计信息与TD-DOT测量的组织光学特性结合起来构建SOB模型，然后将其作为CW-fDOT重建的可重用先验。所提出的框架通过数值模拟、伪影实验和体内屏息实验进行了系统验证。与基于经验结构假设和固定初始光学特性的传统CW-fDT方法相比，基于SOB先验的重建方法提高了目标定位、结构保真度和定量恢复能力。此外，该方法增强了任务诱发的大脑血流动力学响应的提取，并提高了激活检测灵敏度和大脑状态分类性能。总体而言，本研究建立了一个定量CW-fDOT重建框架，它在建模准确性、实验可行性和便携性之间取得了平衡，为开发高精度和通用性的功能近红外脑成像方法提供了潜在的技术途径。

2. 材料与方法
图1展示了所提出框架的整体工作流程，包括两个阶段：SOB模型构建及其在CW-fDOT重建中的应用。首先，使用MRI获取额叶解剖信息，并通过组织分割、空间归一化和特定于组织的解剖特征的分析构建一个标准数字大脑（DB）。同时，使用TD-DOT测量体内组织光学特性，并将其与标准DB结合以生成SOB模型。然后将SOB模型纳入CW-fDOT重建中，并根据每个目标参与者的头部尺寸进行缩放，生成一个适应受试者的重建模型，从而为重建提供解剖学和光学先验。在重建过程中，进一步结合了源-探测器距离依赖的测量信息，以约束不同组织层的贡献并改善任务诱发血流动力学变化的3D恢复。

2.1. 参与者和伦理批准
本研究包括两个健康的右利手参与者队列。所有参与者均无神经系统或精神疾病史，并提供了书面知情同意书。研究方案得到了天津大学伦理委员会的批准（TJUE-2025-226）。SOB构建队列包括八名健康参与者（四名男性和四名女性；平均年龄为25.88±1.27岁），用于基于MRI的解剖建模和基于TD-DOT的组织光学特性估计。独立的CW-fDOT验证队列包括48名健康参与者（24名男性和24名女性；平均年龄为25.75±1.67岁）。验证队列的参与者没有进行个体MRI扫描或基于TD-DOT的光学特性重建，从而可以在没有个性化解剖或光学先验的情况下评估所提出的SOB引导的重建策略。

2.2. MRI和TD-DOT引导的标准光学大脑模型构建
2.2.1. MRI数据采集和组织分割
由于不同颅脑横截面的脑组织形态高度相似，仅依赖颅内解剖结构难以以稳定和直观的方式定义额叶建模区域。相比之下，外部解剖标志物提供了更清晰和可重复的空间参考，减少了操作者依赖的主观性，并提高了感兴趣区域（ROI）定义和组织分割的一致性。因此，在MRI采集之前，放置了三个直径为4毫米的维生素A（VA）胶囊作为外部解剖标志物，如图2(a)所示。这两个胶囊放置在双侧太阳穴（A1和A2），以定义额叶建模区域的左右边界，而第三个胶囊放置在从前发线到鼻根四分之一的额线中线上（A3），以确定组织分割的终止切片。这些标志物也作为TD-DOT光学特性测量和CW-fDOT功能测量的共同空间参考，从而增强了多模态测量之间的空间对应关系。使用3.0T MRI扫描仪（Philips Ingenia Elision S）获取高分辨率的全脑3D T1加权图像，并导入Amira软件（Visage Imaging）进行组织分割和四面体网格化。

2.2.2. 模型归一化和统计网格标记
为了消除原始DB网格节点在统计分析中的个体头部尺寸差异，对所有原始DB进行了标准化。如图2(f)所示，八名参与者的头部尺寸测量表明，第一个和最后一个分割层之间的半径相似（在尾状核切片处：93.1±3.8毫米；在A3标志层处的平均半径：88.5±3.5毫米）。因此，定义了一个具有相同上下表面尺寸的标准大脑模型（SBM），参数如下：外半径=90毫米（起始层和结束层半径的平均值），内半径=35毫米（T0?O的平均长度），高度=37毫米（平均总分割高度），中心角度=115度（由分割区域比例得出）。
标准化工作流程如图3所示。详细方法遵循我们之前的工作，本节介绍了关键步骤。首先，将所有原始DB [图3(a)] 转换到SBM坐标系中，得到转换后的DB [图3(b)]。接下来，根据个体头围和分割高度（H(O)）计算XOY平面上的缩放系数 ??xoy=R(O)/R(S) 和沿??轴的缩放系数 ??z=H(O)?/H(S)，生成标准化DB [图3(c)]。然后将标准化DB注册到SBM网格（16,278个节点）[图3(d)]，并应用最近节点距离匹配来形成标准化的目标DB [图3(e)]。最后，使用最大概率方法确定WM和GM节点的分配，而SS使用坐标平均方法，从而得到包含统计组织类型信息的标准DB [图3(f)]。方程 (1)??(r(S)n,C(S)n,Ω(S)e)：
?{ { {?{ { {???(S)n=[x(S)n,y(S)n,z(S)n],n=1,2,…,N(S)C(S)n=c,c∈{1,2,…,C}??(S)e=[ie,je,ke,le],ie,je,ke,le∈{1,2,…,N(S)},其中 S 表示标准类型，??(S)n 是第n个节点的空间坐标，C(S)n 是第n个节点的组织类型（??=1–3 分别代表SS、GM和WM），??(S)e 是第e个四面体元素，ie,je,ke 和 le 是相应的节点。
图3
构建标准数字大脑模型的工作流程。(a) 原始DB。(b) 转换后的DB。(c) 标准化DB。(d) 标准大脑模型。(e) 标准化目标DB。(f) 标准DB。

2.2.3. 使用TD-DOT获取光学特性
通过TD-DOT基于广义脉冲光谱技术估计了不同脑组织的体内光学特性，其中校准的时间信号通过拉普拉斯变换转换为复频域，用于迭代反演。为了减少系统相关效应，包括仪器响应函数和源-探测器耦合变化，使用在与相同协议下从尺寸匹配的参考伪影获取的数据对目标测量进行了校准。考虑到TD-DOT重建的有限测量和病态性质，假设每个解剖组织区域内的光学特性是均匀的。因此，通过将体素级雅可比矩阵转换为区域级形式，将体素级重建简化为区域级估计：
方程 (2)???=???G，其中 ???、?? 和 G 分别表示区域级雅可比矩阵、原始体素级雅可比矩阵和组织-区域到体素的映射矩阵。G的每一列代表一个解剖组织区域，并定义了将这些体素分配给该区域。对于每个参与者，每个组织区域和波长都重建了平均吸收系数（????）和减少散射系数（??′??）。为了生成SOB模型的标准化光学先验，然后将重建的特定组织的光学属性在所有参与SOB构建的参与者中平均，针对相同的组织类型和波长。得到的平均光学属性被分配给标准DB模型的相应解剖层，从而生成了SOB模型。该模型可以表示为一个包含解剖结构（组织标签）和波长依赖的光学属性的有限元模型：公式（3）?OB?(??)={??(S)n,C(S)n,Ω(S)e,???OBn?(??)}，其中???OBCn?(??)表示根据其组织标签分配给节点n的波长??的标准化光学属性向量。用于获得这些特定组织光学属性的TD-DOT程序的详细信息，包括重建算法和系统配置，在补充材料的第S1节和第S2节中有描述。2.2.4. SOB模型的性能评估SOB模型的泛化能力从三个互补的角度进行了评估：解剖学准确性、光学属性的合理性以及光子传输的一致性。解剖学准确性是通过计算标准化DB模型和每个原始DB模型之间的非重叠节点比例来量化的。光学属性的合理性是通过将TD-DOT估计的不同组织层的????和??′??与文献中报告的范围进行比较来评估的。光子传输的一致性是通过使用开源基于网格的MC软件MMC.48,49实现的蒙特卡洛（MC）模拟来比较标准化DB模型和各个原始DB模型之间的光子传播特性来评估的。选择MC模拟是因为它可以灵活处理有限大小的3D边界、分层组织的光学属性以及局部吸收扰动。详细模拟参数在补充材料的表S1中提供，源-检测器阵列配置显示在图4中。光源放置在模型的中心，检测器对称排列，包括四个最近邻（1NN）检测器和四个次近邻（2NN）检测器，源-检测器距离分别为17.27毫米和29.76毫米。记录了每对源-检测器的平均时间点扩散函数（TPSF）曲线，并使用相对均方根误差（RRMSE）、相对平均飞行时间误差（RMTOF）、相对半高宽误差（RFWHM）和皮尔逊相关系数（r）进行定量比较。这些指标分别表征了点对曲线的偏差、时间位移、时间宽化和形态一致性。较低的RRMSE、RMTOF和RFWHM值，以及更接近1的r值，表明TPSF曲线之间的相似性更高。公式（4）?{ { { { { { { { { { { { {?RRMSE??=√1???∑????=1[TPSF???(??)?TPSF?????(??)]21???∑????=1TPSF?????(??)RMTOFrel,i=|MTOF???MTOF????|MTOF????,MTOF=∑????=1??·TPSF?(??)∑????=1TPSF?(??)RFWHMrel,??=|FWHM???FWHM????|FWHM??????i=∑????=1(TPSF???(??)????????????????TPSF??)?(TPSF?????(??)?????????????TPSF????)√∑????=1[TPSF???(??)??????????????TPSF??]2?√∑????=1[TPSF?????(??)?????????????RRMSE??=√1???∑????=1[TPSF???(??)????????????TPSF????]2,其中TPSF???(??)和TPSF?????(??)分别表示标准DB模型和第??个原始DB模型通过MC模拟在时间点??产生的TPSF曲线的光子计数；??表示时间点的数量，时间采样间隔为12.2皮秒，??=410。图4下载全尺寸图像用于光子传输一致性评估的数值模拟模型和源-检测器阵列配置。2.3. 基于SOB的的距离依赖性连续波fDOT（CW-fDOT）重建2.3.1. 理论尽管传统的CW-fDOT能够实现3D大脑功能重建，但其重建精度通常受到简化均匀模型和经验性光学属性初始化的限制。50,51结合受试者特定的解剖结构或关于光学背景的先验信息可以提高重建精度，23–25，但这降低了CW-fDOT应用所需的便携性和操作效率。为了平衡解剖学真实性、光学先验信息和实际应用性，本研究将SOB模型纳入CW-fDOT重建框架中，它既作为解剖学先验也作为光学属性初始化的基础。对于每个受试者，根据个体前额头部尺寸调整SOB模型，以生成个性化的SOB模型用于重建。XOY平面和??轴上的缩放因子是根据受试者的前额半径??frontal和前额高度??frontal相对于参考模型（??ref, ??ref）计算得出的：???????=??frontal/??ref, ????=??frontal?/??ref。这种缩放程序允许使用外部前额头部尺寸来调整SOB模型，而无需个体MRI图像。缩放后的SOB模型保留了标准化的组织标签和波长依赖的组织光学属性，从而为CW-fDOT重建提供了解剖学和光学先验。为了进一步利用CW-fDOT测量的深度依赖性敏感性，首先、其次和第三近邻（3NN）通道被纳入重建中，基于短分离通道主要对表层组织敏感，而较长分离通道逐渐包含来自更深层皮层组织的贡献的假设。52因此，制定了一个距离依赖的、特定于层的雅可比模型，如下所示：公式（5）?? ???????1?NN?????2?NN?????3?NN?? ??=?? ? ????SS1?NN,0,0??SS2?NN,??GM2?NN,??GM3?NN,??WM3?NN?? ? ????? ? ???????SS?????GM?????WM?? ? ??，其中?????1?NN、?????2?NN和?????3?NN分别代表1NN、2NN和3NN通道的边界光强度变化；??SS1?NN、??SS2?NN、??SS3?NN、??GM2?NN、??GM3?NN、??GM2?NN和??WM3?NN分别代表SS、GM和WM层的雅可比矩阵；?????SS=[??????????1,?,???????????????]、?????GM=[??????????1,?,???????????????]和?????WM=[??????????1,?,???????????????]代表SS、GM和WM层的分割节点处的??a变化；NS、NG和NW分别表示SS、GM和WM层中的节点数量。在这种公式中，假设1NN通道主要反映SS层的变化，2NN通道对SS和GM层都敏感，3NN通道包含来自SS、GM和WM层的贡献，即??GM1?NN=0、??WM1?NN=0和??WM2?NN=0。结合不同源-检测器分离的主导深度敏感性有助于减少层间干扰。2.3.2. 数据采集CW-fDOT数据是使用自主研发的便携式全并行码分多址fNIRS（CDMA-fNIRS）系统获取的。53该系统提供了780和830纳米的双波长、多源照明和多距离同步检测。光电极阵列采用了四个光源和四个检测器的交错配置[图5(a)]，形成了14个测量通道：六个1NN通道，源-检测器距离为17.08毫米，四个2NN通道，距离为30毫米，四个3NN通道，距离为45.46毫米。数据以20 Hz的频率采样，以记录任务诱发的血流动力学反应。硬件配置、信号调制和检测程序的详细信息在补充材料的第S4节中提供。图5下载全尺寸图像模拟、幻影和体内实验配置。(a) 单目标位置，以及具有1NN、2NN和3NN通道的4源/4检测器光电极阵列。(b) SS/GM层幻影几何结构。(c) 物理幻影。(d) CDMA-fNIRS系统的源-检测器配置。(e) 体内CW-fDOT数据采集。(f) 呼吸保持范式，包括30秒的基线期、三个重复的30秒休息/30秒呼吸保持试验，以及一个30秒的恢复期。2.4. 基于SOB的距离依赖性CW-fDOT的实验验证2.4.1. 数值模拟设计使用随机选择的原始DB模型进行了正向模拟，组织光学属性是根据使用TD-DOT估计的体内平均值分配的。然后使用SOB模型进行重建，从而可以对基于SOB的重建框架的泛化能力进行更客观的评估。正向数据生成和逆向重建中使用的前向建模都是使用MC模拟实现的，48,49，详细模拟参数列在补充材料的表S1中。如图5(a)所示，在正向模型中嵌入了一个半径为7.5毫米的球形目标，深度为10.5毫米，其中心位于??=0毫米，??=72毫米，??=18.5毫米，以模拟局部脑激活区域。为了评估血流动力学吸收变化对重建性能的影响，检查了目标与背景的吸收对比度比为1.5、2.0和3.0的情况。使用了一个优化的重叠源-检测器阵列，包括1NN、2NN和3NN通道，以提高检测灵敏度。为了明确SOB基础重建所取得的改进主要来源于解剖背景模型还是初始光学属性，比较了四种初始化条件：(1) Homo-Emp. init.，代表传统的CW-fDOT模型，使用了一个均匀的背景模型，并为整个头部模型分配了经验性的初始光学属性，其中????=0.01毫米?1和??′??=1毫米?1；(2) Homo-TVFW init. 保留了均匀的背景模型，但使用组织体积分数加权（TVFW）来确定初始光学属性。SS、GM和WM的体积分数分别为25.79％、30.35％和43.86％，得到加权的初始值????=0.0172毫米?1和??′??=1.1297毫米?1；(3) SDB-Emp. init. 使用了标准的DB解剖背景模型和经验性的初始光学属性，其中????=0.01毫米?1和??′??=1毫米?1；(4) SOB init. 将SDB解剖背景模型与组织特定的初始光学属性结合；SS、GM和WM层的初始光学属性是根据在780和830纳米下使用TD-DOT重建的组织平均值确定的。此外，考虑到真实的脑激活可能涉及多个区域，在补充材料的第S5节提供了一个比较Homo-Emp. init. 和SOB init. 的双目标模拟，以评估多区域激活条件下的重建性能。2.4.2. 幻影实验设计幻影实验作为数值模拟和体内实验之间的中间验证步骤。与数值模拟相比，它结合了真实的光学测量、系统噪声和实验不确定性，从而能够评估重建方法的实际鲁棒性。与体内实验相比，它允许在目标几何形状、位置和吸收对比度已知的情况下进行定量评估。为了确保可比性，幻影实验中的目标光学属性、吸收对比度和源-检测器阵列配置与数值模拟中使用的保持一致。由于GM和WM的光学属性相对相似但与SS层明显不同，因此将GM和WM近似为单一脑组织层。因此，设计了如图5(b)所示的SS/GM等效的双层幻影。这种设计保留了表层和大脑组织之间的主要光学差异，同时降低了制造复杂性并便于目标嵌入。如图5(c)所示，幻影由液体基底和固体球形目标组成。液体基底使用印度墨水、Intralipid和蒸馏水制备，而固体球形目标使用印度墨水、二氧化钛和硅胶制成，并用细针固定。源-检测器阵列配置显示在图5(d)中。2.4.3. 体内呼吸保持实验实验在安静、光线微弱的房间中进行。使用自定义的柔性头带将多通道光电极阵列固定在参与者的前额上，如图5(e)所示。阵列的位置使用与基于MRI的建模和TD-DOT测量相同的外部解剖标志点来确定，下边缘与眉毛的上边界对齐，两侧端靠近太阳穴。在实验之前，测量了每个参与者的头围和前额高度，以便对SOB模型进行特定于个体的缩放，然后将其用作CW-fDOT重建的结构和光学先验。使用了一个简单且可重复的呼吸保持范式来诱导前额区域的血流动力学变化。先前的研究54–56表明，控制性的呼吸保持、与呼吸困难相关的挑战和呼吸暂停可以激活前额皮层。与认知任务相比，呼吸保持任务更容易执行，并且需要参与者较少的持续注意力。如图5(f)所示，参与者首先进行了30秒的闭眼休息基线期，然后是三个交替的30秒休息和30秒呼吸保持周期，最后是30秒的闭眼休息期。指示参与者在整个实验过程中尽量减少头部运动。该范式使用MATLAB R2020a中的Psychtoolbox编程。2.5. 数据处理、统计分析和性能评估2.5.1. CW-fNIRS信号预处理和血红蛋白转换在数据采集期间，实时计算每个通道的原始光强度信号的变异系数（CV）。如果CV超过10％，则调整头带位置以改善光电极和头皮之间的光学耦合，并在必要时调整光源输出功率。然后重复测量，直到所有通道的CV值≤10％。通过这种质量控制程序，保留了所有参与者的完整14个通道集，确保后续重建和统计分析使用一致的源-检测器布局和相同数量的通道进行，从而避免了由不一致的通道配置引入的潜在偏差。然后使用频率范围为0.05至0.20赫兹的三阶带通滤波器处理原始的CW-fNIRS光强度信号，以抑制低频漂移和任务相关血流动力学频带外的高频生理噪声。使用Homo-Emp. init. 和SOB init. 方法，根据780和830纳米的????变化重建光强度信号。重构的双波长吸收变化根据线性光谱吸收关系进一步转换为血红蛋白浓度的变化。1-3 对于每个重构的节点和时间点，通过反转消光系数矩阵来计算氧合血红蛋白和脱氧血红蛋白浓度的变化：公式(6)[Δ?????(780)Δ?????(830)]=[??HbO?(780)??HbR?(780)??HbO?(830)??HbR?(830)]?[Δ??HbOΔ??HbR]，其中，??HbO和??HbR分别表示氧合血红蛋白和脱氧血红蛋白的波长依赖性摩尔消光系数。在本研究中，消光系数设定为??HbO?(780)=0.71??mM?1·cm?1，??HbO?(830)=0.97??mM?1，??HbR?(780)=1.08??mM?1，??HbR?(830)=0.69??mM?1。重构的氧合血红蛋白浓度变化（???????????）用于后续的功能分析。2.5.2. 基于广义线性模型（GLM）的GM层激活分析由于本研究关注由屏息任务引起的皮质血流动力学反应，因此对GM层进行了激活分析。对于Homo-Emp. init.方法，位于大脑外表面下10.5毫米以下的节点被大致定义为GM层。这个阈值是基于本研究中使用的MRI图像测量的头皮、颅骨和脑脊液的平均厚度来确定的。对于SOB init.方法，GM层是根据SOB模型提供的组织标签直接识别的。然后应用广义线性模型（GLM）57对每个参与者的重构GM节点时间序列进行激活分析：公式(7)????=???????+????，其中????表示GM节点n处的重构???????????时间序列，??表示根据屏息范式构建的设计矩阵；????和????分别表示估计的回归系数向量和残差误差。每个GM节点的相关??系数被提取作为激活特征。对于每种重构方法，对每个GM节点的所有参与者执行单样本t检验以评估任务相关激活的统计显著性。p<0.05的GM节点被认为是显著激活的，并比较Homo-Emp. init.和SOB init.方法的显著性水平，以评估每种方法识别GM层中任务诱发血流动力学反应的能力。2.5.3. 基于支持向量机（SVM）的任务/休息状态分类为了进一步评估两种重构方法获得的血流动力学特征区分任务状态和休息状态的能力，从Homo-Emp. init.和SOB init.重构结果中提取GM层特征，包括激活??值、峰度和偏度。在交叉验证的每个训练 fold 中，根据每个训练样本的??值对GM节点进行排名，并选择前100个GM节点。然后使用相应的特征值作为输入来训练高斯径向基函数（RBF）核的支持向量机（SVM）58分类器。对于相应的测试 fold，应用相同的节点排名和特征提取规则，并从每个测试样本中提取前100个具有最高??值的GM节点的特征进行分类。为了确保公平比较，对两种重构方法应用相同的特征提取程序、交叉验证划分和分类流程。使用八折交叉验证来评估分类性能，并通过准确率、接收者操作特征曲线（ROC）曲线下面积（AUC）、F1分数、精确度和召回率来量化性能。2.5.4. GM层和SS层的动态3D血流动力学分析为了进一步评估SOB init.方法的空间定位能力和定量敏感性，本研究分析了体内屏息任务期间GM层的动态3D ???????????反应。首先，将三个重复任务块的???????????反应在时间上对齐并对每个参与者进行平均，以减少试次间的变异性。然后对所有参与者的平均反应进行平均，以获得组级动态???????????反应。在此基础上，使用6秒的滑动时间窗口计算屏息任务期间的平均???????????。如图5(f)所示，首先使用任务前的静息基线计算30秒的静息状态平均???????????作为参考。然后使用6秒的滑动时间窗口计算屏息任务期间的平均???????????。为了表征主要反应区域的相对变化，选择了任务时间窗内???????????反应最强的前100个GM节点，并计算它们相对于每次试验开始后的前30秒静息期的振幅变化：相对增加 = [(mean????HbO,task?mean?????HbO,rest)/mean?????HbO,rest]×100%。这个指标用于表征主要激活区域的动态演变。因为屏息任务可能通过呼吸和自主调节引起脑外和全身血流动力学变化，所以进行了额外的SS层重构分析，以评估表面血流动力学反应对GM层重构结果的潜在影响。考虑到扩散光学测量中源-探测器分离的深度依赖性敏感性，使用主要对表面组织敏感的1NN通道进行SS层重构，采用与GM层分析相同的预处理流程。为了进一步评估表面生理波动是否会影响GM层重构，补充材料的第S6节提供了一个控制模拟，以评估SS层干扰对GM层重构的影响。2.5.5. 定量重构指标对于数值模拟和幻影实验，使用平均绝对误差（MAE）、结构相似性指数（SSIM）和对比度噪声比（CNR）来定量评估重构质量。MAE量化节点级的重构误差，SSIM评估结构保真度，CNR评估目标与背景的对比度相对于区域波动：公式(8)?{ { { { { { { ?MAE=∑??(??)??=1|Δ???real?(??)?Δ???recon?(??)|/??(??)SSIM=(2???????????Δ???real??????????Δ???recon+??1)?(2???real,recon+??2)(?????????Δ???2real+?????????Δ???2recon+??1)?(??2real+??2recon+??2)，CNR=|?????????Δ???ROI??????????Δ???ROB|√?????2ROI+(1???)???2ROB，??=??ROI/(??ROI+??ROB)，其中Δ???real?(??)和Δ???recon?(??)分别表示节点??处的真实和重构的吸收变化分布；?????????Δ???real和?????????Δ???recon分别表示真实和重构的吸收变化分布；??(??)=16,278是SOB中的总有限元节点数；??2real和??2recon分别表示真实和重构的吸收变化分布的方差；??real,recon是它们的协方差；??1和??2是引入的稳定常数，以避免除以零；?????????Δ???ROI和?????????Δ???ROB分别表示目标和背景区域内的平均重构吸收变化；??ROI和??ROB分别表示目标和背景区域的体积。较低的MAE、接近1的SSIM和较高的CNR表示更好的重构性能。3. 结果3.1. SOB模型的性能评估3.1.1. 解剖保真度如图6(a)所示，标准化模型和原始DB模型之间不重叠节点的平均比例在所有组织中均低于16.5%。图6下载原始尺寸图像标准光学脑模型的性能评估。(a) 通过SS层、GM层和WM层中不重叠节点的比例来量化的解剖保真度。(b) TD-DOT重构的组织光学性质与文献报告的SS层、GM层和WM层的值进行比较。35-41 (c) 不同模型之间模拟的时间点扩散函数（TPSF）曲线的比较；(d) 使用相对均方根误差（RRMSE）、相对飞行时间误差（RMTOF）、相对半高全宽误差（RFWHM）和皮尔逊相关系数r来评估标准化模型和单个数字脑模型之间的TPSF一致性。皮尔逊相关值乘以100以便于可视化。3.1.2. 组织特定的光学性质一致性如图6(b)所示，重构的组织光学性质与文献报告的35-41范围内的表面头部组织、GM层和WM层进行了比较。SS层的参考值主要基于报道的人类头部表面组织的光学性质，36而GM层和WM层的参考值来自已发布的脑光学性质研究。39 总体而言，重构的????和??′??在不同组织层内的范围都在或接近文献报告的范围。WM层的??′??观察到了轻微的偏差。3.1.3. 光子传输一致性图6(c)显示，从标准DB模型模拟的TPSF曲线的幅度略高于单个DB模型，但它们的整体轮廓是一致的。如图6(d)所示，定量TPSF评估显示，对于1NN通道，RRMSE、RMTOF和RFWHM分别为18.33%±1.70%、19.91%±3.10%和17.22%±9.71%，皮尔逊r为0.86±0.03。对于2NN通道，RRMSE为18.59%±3.44%，与1NN通道相似，而RMTOF和RFWHM分别为8.26%±8.70%和9.19%±10.08%。皮尔逊r对于2NN通道降低到0.62±0.12。这些结果表明，标准DB模型总体上保留了单个DB模型的主要光子传输特性，特别是在时间位移和时间展宽指标方面。3.2. 数值模拟在三种吸收对比比下，比较了四种重构方法（即Homo-Emp. init.、Homo-TVFW init.、SDB-Emp. init.和SOB init.）的性能。3D和二维（2D）重构图以及相应的轮廓图显示在图7(a)和7(b)中。在所有对比条件下，与Homo-Emp. init.相比，Homo-TVFW init.在振幅恢复方面只显示出轻微的改善；然而，其重构结果仍然表现出空间扩散、伪影和定位误差。相应的轮廓图也显示出明显的展宽和峰值位置移动，表明与均匀背景重构相比改进有限。相比之下，即使使用经验初始光学参数，SDB-Emp. init.也实现了更好的目标定位和空间聚焦。重构的目标区域和轮廓峰值更接近真实目标位置。SOB init.将组织特定的光学性质初始化纳入SDB解剖背景中，从而获得了更紧凑的目标重构、更清晰的目标边界和与真实分布最一致的轮廓图。图7下载原始尺寸图像在不同吸收对比比下单目标模拟中不同初始化策略的重构性能。在1.5、2.0和3.0的靶-背景吸收对比下比较了四种初始化策略：均匀背景经验初始化（Homo-Emp. init.）、均匀背景组织体积分数加权初始化（Homo-TVFW init.）、标准数字脑经验初始化（SDB-Emp. init.）和标准光学脑初始化（SOB init.）。(a) 重构的3D和2D吸收变化图像。(b) 与真实值相比的相应横截面轮廓。(c) MAE、SSIM和CNR的定量比较。图7(c)中显示的定量指标（包括MAE、SSIM和CNR）在三种吸收对比比下呈现出一致的趋势。总体而言，重构性能的顺序为SOB init. > SDB-Emp. init. > Homo-TVFW init. > Homo-Emp. init. 与Homo-Emp. init.相比，Homo-TVFW init.仅提供了有限的改进，而SDB-Emp. init.的表现优于两种均匀背景方法，表明结合标准DB解剖背景提高了重构的稳定性和定位精度。在所有方法中，SOB init.在所有三种吸收对比条件下都取得了最佳性能。随着吸收对比比从1.5增加到3.0，使用SOB init.获得的MAE从0.143降低到0.042，而SSIM从0.875增加到0.995，CNR从8.23增加到9.09。与Homo-Emp. init.相比，SOB init.在1.5、2.0和3.0的吸收对比比下分别减少了大约38.1%、23.0%和55.3%的MAE。这些结果表明，SOB init.在模拟实验中提高了重构精度、结构保真度和对比度恢复。3.3. 在真实测量条件下的幻影验证图8(a)显示了幻影重构结果。Homo-Emp. init.产生了明显的伪影和形状失真，特别是在低对比度条件下。在对比比为1.5时，使用Homo-Emp. init.得到的重构区域明显扩散，横截面轮廓呈现出与真实目标边界有显著偏差的宽平台状分布。随着对比比增加到2.0和3.0，使用Homo-Emp. init.得到的主要峰位置有所改善，但仍然观察到侧向假峰和边界拓宽。相比之下，SOB init.在所有三种对比条件下都产生了更集中的重构分布，更好地保留了目标形态和更清晰的目标边界。横截面轮廓进一步显示，使用SOB init.得到的峰值位置、曲线宽度和重构目标轮廓与真实目标分布更为一致。图8下载原始尺寸图像在三种吸收对比条件下单目标幻影重构。在1.5、2.0和3.0的靶-背景吸收对比下比较了均匀背景经验初始化（Homo-Emp. init.）和标准光学脑初始化（SOB init.）。(a) 重构的3D和2D吸收变化图像以及相应的横截面轮廓。(b) MAE、SSIM和CNR的定量比较。图8(b)中显示的定量指标显示，在所有对比水平上，SOB init.始终获得了较低的MAE、更接近1的SSIM值和更高的CNR。具体来说，在1.5、2.0和3.0的对比比下，使用Homo-Emp. init.得到的MAE值分别为1.63、1.50和1.42，而使用SOB init.得到的MAE值分别降低到1.15、0.58和0.30。相应地，SSIM值从Homo-Emp. init.的0.659、0.804和0.919增加到SOB init.的0.950、0.944和0.947。CNR值也从4.11、6.35和7.76增加到8.06、7.86和8.20。这些结果表明，SOB init.在实验条件下改善了目标定位、形态恢复和定量重构性能。3.4. 在真实测量条件下的SOB引导的距离依赖性CW-fDOT验证3.4.1.GM层的激活敏感性
如图9(a)和9(b)所示，与Homo-Emp. init.相比，SOB init.通常在GM节点中产生更低的??值，并将显著激活的GM节点数量增加了79.52%。这一结果表明，SOB init.提高了检测与任务相关的GM层血液动力学激活的敏感性。
图9
下载完整尺寸图片
体内GM层激活与任务/休息状态分类性能的比较。(a,b) 基于单样本t检验的GM层任务相关激活图，针对使用(a) Homo-Emp. init.和(b) SOB init.获得的??值。(c,d) 使用(c) Homo-Emp. init.和(d) SOB init.获得的PCA投影任务/休息特征分布和SVM决策边界。(e) 两种重建方法之间的分类指标比较，包括准确性、AUC、F1分数、精确度、召回率和特异性。(f) Homo-Emp. init.和SOB init.的ROC曲线。

3.4.2. 任务/休息状态分类性能
如图9(c)和9(d)所示，在2D主成分分析（PCA）投影的特征空间中，使用Homo-Emp. init.获得的特征相对分散，休息状态和任务状态之间有相当大的重叠。相比之下，SOB init.产生了更加紧凑且分离更好的特征群集，以及更清晰的SVM决策边界。图9(e)中的定量结果显示，SOB init.在所有分类指标上的得分都超过了0.8，包括准确性、AUC、F1分数、精确度、召回率和特异性，而Homo-Emp. init.的相应得分在0.6到0.75之间。图9(f)中的ROC曲线进一步表明，SOB init.产生的曲线通常高于Homo-Emp. init.，这表明使用SOB init.提取的GM层血液动力学特征在任务/休息状态分类方面具有更好的区分能力。

3.4.3. 血液动力学浓度变化的动态3D分布
如图10(a)所示，GM层的?????HbO响应在六个连续时间窗口内增加了15.42%，其中98.47%的增加发生在任务开始后的前两个窗口（30至36秒和36至42秒）。主要响应集中在右侧中间前额区的上部。SS层的重建结果如图10(b)所示。在休息期间和屏息的早期阶段，右侧表层区域的?????HbO仅增加了4.93%。在任务开始后的36至42秒，左侧表层区域出现?????HbO的减少，并且随着屏息的持续而逐渐扩大和加深。与GM层响应相比，SS层的?????HbO变化在空间上更为分散，幅度也较小。
图10
下载完整尺寸图片
使用SOB init.重建的屏息任务期间?????HbO的动态3D分布。每次试验的30秒休息期被用作基准参考。0至30秒的时间段表示每次试验的休息基线，而30至60秒的屏息期被划分为五个连续且不重叠的6秒窗口：30至36秒、36至42秒、42至48秒、48至54秒和54至60秒。(a)GM层。(b)SS层。

4. 讨论
本研究开发并验证了一个基于SOB的、与距离相关的CW-fDOT框架，以提高重建准确性、功能定位和血液动力学敏感性，而不需要特定的受试者解剖学或光学属性数据。模型评估确认了SOB模型作为可重复使用先验的可行性，而数值模拟、幻影实验和体内屏息验证表明，结合SOB先验一致性地提升了CW-fDOT的重建性能。

4.1. SOB模型作为先验的可行性
结果显示，SOB模型能够有效保留CW-fDOT重建所需的主要解剖结构、组织光学属性和光子传输特性。解剖学保真度分析显示，标准化DB模型与个体DB模型之间的非重叠节点比例在所有组织中低于16.5%。这表明，尽管标准化模型无法完全再现受试者间的细微解剖学差异，但它可以保留额叶组织的主要空间分布，并为CW-fDOT重建提供相对稳定的解剖学先验。在组织光学属性方面，TD-DOT重建的????和??′??通常接近文献中报告的范围，这表明估计的属性在生理上是合理的。白质的??′??观察到轻微偏差，这可能与测量技术、样本条件和受试者间的差异有关。这也表明属性可能更容易受到方法学因素的影响，应通过使用更大的样本量和更宽的波长范围来进一步验证。
标准DB模型与个体DB模型之间生成的TPSF曲线的比较进一步支持了使用SOB模型作为CW-fDOT先验的可行性。两组模拟的TPSF显示出良好的整体一致性，表明标准DB可以保留光子传播的主要时间特性。定量比较显示，在较短的源-探测器分离距离下，TPSF差异相对较小，RMSE、RMTOF和RFWHM值较低，皮尔逊相关系数较高。这些发现表明，表层和中等深度区域的光子传输特性得到了很好的保留。在较长的分离距离下，整体点差仍然有限，光子传播的MTOF和时间展宽也得到了很好的维持。然而，皮尔逊相关系数有所下降，可能是因为长距离通道对深层组织更敏感，并涉及更长的光子路径，导致沿传播路径的个体解剖学差异积累。
总体而言，SOB模型保留了CW-fDOT重建所需的关键解剖学、光学和光子传输特性。因此，它可以作为一个生理上合理的先验模型，以提高重建的稳定性和准确性。为了支持未来的重用，SOB模型已公开可用（DOI: 10.5281/zenodo.20825735）。同时，结果还表明，SOB无法完全消除特定于受试者的解剖学差异，特别是在深层组织或更长光子传播路径中。未来的研究应扩大样本规模，发展更精细的解剖学建模策略，并优化组织光学属性估计，以提高SOB模型的通用性。

4.2. SOB解剖学和光学先验的机制性贡献
四种初始化策略的比较有助于澄清解剖背景模型和初始光学属性对CW-fDOT重建的相对贡献。尽管Homo-TVFW init.使用了接近均匀背景模型下真实组织平均值的首初光学属性，但其相对于Homo-Emp. init.的改进是有限的。重建结果仍然显示出明显的空间扩散、伪影和定位偏差。这表明，在均匀背景假设下，仅优化初始光学属性不足以消除由简化的解剖模型引起的光子传输模型不匹配。相比之下，即使使用经验性的初始光学属性，SDB-Emp. init.也显著改善了目标定位和空间聚焦，重建区域和轮廓峰值都更接近真实目标中心。这表明，结合SDB解剖背景模型提供了更好地反映头部实际光子传播环境的空间约束，从而抑制了吸收变化传播到生理上不可信区域，提高了结构准确性和空间保真度。因此，与仅优化初始光学属性相比，解剖背景模型在改善CW-fDOT重建性能方面发挥了更关键的作用。在SDB解剖背景的基础上，SOB init.进一步结合了特定于组织的光学属性初始化，从而实现了更紧凑的空间结构、更清晰的目标边界和更稳定的幅度恢复。这表明，解剖结构先验主要提高了光子敏感性分布的空间合理性，而特定于组织的光学属性进一步增强了前向模型在模拟实际光子传播过程中的准确性。这两种先验的结合可以共同减少由几何和光学属性偏差引起的误差，从而提高逆重建的定量准确性和鲁棒性。
此外，真实的脑功能活动通常涉及多个空间分离的皮质区域，而不仅仅是单一的焦点激活。为了评估所提出框架对复杂激活模式的适用性，我们进行了双目标模拟。结果（补充材料，图S3）显示，SOB init.在不同的吸收对比度下保持了良好的定位准确性和形态保真度，表明所提出的框架有潜力提高重建复杂皮质血液动力学模式的可靠性。

4.3. 功能敏感性、分类性能和3D动态血液动力学
本研究采取了从数值模拟到物理幻影实验，最后到体内屏息实验的逐步验证策略。数值模拟提供了具有已知真实值的受控条件，使得不同初始化策略之间可以进行直接的定量比较。幻影实验引入了真实的源-探测器耦合变异性和系统噪声，同时保持了已知的目标几何形状和吸收对比度，从而在真实的实验条件下评估了所提出方法的性能。体内实验进一步检验了这种改进的重建性能是否可以转化为功能血液动力学检测和大脑状态的区分。在这些验证实验中，SOB init.始终优于传统的Homo-Emp. init.方法。在数值模拟和幻影实验中，改进主要体现在更准确的目标定位、更清晰的边界、更好的轮廓一致性、更高的结构保真度和更强的对比度恢复上。这些结果表明，SOB先验不仅在理想化的模拟条件下提高了重建质量，而且在涉及系统噪声和实验变异性的真实测量条件下也是如此。体内屏息实验进一步证明了这种重建改进的功能相关性。与Homo-Emp. init.相比，SOB init.改善了激活区域的识别。在任务/休息状态分类中，SOB init.在PCA投影的特征空间中产生了更紧凑且分离更好的GM层特征，并提高了SVM分类指标，包括准确性、AUC、F1分数、精确度和召回率。这些发现表明，引入SOB可以增强功能状态分类，这对于未来的大脑状态监测、神经认知评估和便携式神经成像工作流程非常重要。屏息任务期间的3D动态GM层???????????结果显示，任务开始后???????????增加了15.42%，其中大部分响应增强发生在早期时间窗口。主要重建响应位于右侧中间前额叶的上部区域，这与呼吸控制引起的前额叶区域在自主调节中的作用一致。这表明，基于SOB的CW-fDOT框架可以跟踪GM层中任务激发血液动力学响应的3D空间演变。
此外，由于屏息任务可能会引起全身生理反应，包括呼吸调节、动脉CO2的变化和表层血管氧化的变化，我们进一步分析了基于1NN数据的SS层?????HbO响应。结果表明，与GM层相比，SS层?????HbO的变化通常更为分散，幅度较小，并表现出不同的空间分布模式。这些发现表明，屏息期间的表层血液动力学响应在空间形态和响应强度上与主要的GM层激活响应有所不同，表明表层血液动力学变化对GM层重建结果的贡献相对较小。然而，单独的体内SS层分析无法完全排除表层生理干扰对GM层重建的潜在影响。因此，本研究进一步在受控模拟条件下评估了SS层干扰对GM层重建的影响。结果（补充材料，图S4）显示，在引入SS层生理干扰后，重建的GM层激活区域仍然接近真实目标位置，空间形态保持良好，没有明显的定位偏移。定量评估还表明，SS层干扰仅导致重建质量的有限降解。这些结果表明，所提出的基于SOB的、与距离相关的CW-fDOT重建框架能够在表层生理干扰存在的情况下保持稳定的GM层定位和对比度恢复，显示出一定的鲁棒性。这种鲁棒性可能与距离加权策略和SOB模型提供的组织结构先验的结合效应有关。距离加权策略可以利用不同源-探测器分离距离的敏感性差异，而SOB模型为SS层、GM层和WM层提供了解剖学约束。这些因素共同有助于在重建过程中更适当地区分表层和深层信号，从而减少SS层干扰对GM层定位的影响。尽管如此，表层生理干扰仍然是fNIRS和CW-fDOT研究中的一个重要问题。
未来的工作应包括更密集的通道覆盖范围、短分离回归和同时进行的生理监测，以进一步改善皮质激活与表层和全身生理反应的分离。

4.4. 实际意义、局限性和未来工作
所提出框架的主要价值在于它在不影响CW-fNIRS系统的便携性、低成本和易用性的同时，提高了CW-fDOT的重建性能。尽管特定受试者的解剖结构和光学参数可以提高重建精度，但它们会增加实验成本、延长数据采集时间，并使工作流程变得更加复杂，从而限制了它们在大规模研究、重复测量和临床筛查中的应用。相比之下，SOB（声学光学BS）引导的框架将解剖学和光学先验信息整合到CW-fDOT（连续波光子扩散传输）中，通过根据个体头部尺寸调整SOB来实现。这种方法在解剖学真实性、参数初始化的可靠性、便携性和可行性之间取得了实际的平衡，因此可能有助于推动CW-fDOT在认知神经科学、神经认知评估、脑状态监测和临床筛查中的更广泛应用。

然而，仍需认识到一些局限性，未来的工作可以在以下方面进一步改进这一框架：首先，当前的SOB模型仅基于来自八名健康志愿者的数据构建，因此应将其视为一种概念验证的、人群标准化的模型和方法学验证框架，而不是具有足够人群代表性的最终光学脑图谱。未来的研究应建立一个专门的多模态数据库用于SOB建模，包括具有不同性别、年龄、地理背景和头部尺寸特征的参与者。除了高分辨率的结构MRI数据外，还应系统地收集与TD-DOT/CW-fDOT测量区域匹配的头表面尺寸参数和空间配准信息。样本大小的确定不应仅依赖于固定阈值，而应综合考虑解剖统计数据的稳定性、组织光学特性以及随着样本量增加时CW-fDOT重建性能的变化。来自健康人群的开放式MRI数据集（保持完整的外头轮廓并提供足够的空间分辨率）可以作为有用的补充。与疾病相关的数据集（例如脑肿瘤分割挑战数据库）也可以用来探索病理脑结构对模型配准、光子传输模拟和功能重建精度的影响。

其次，本研究主要评估了在基于MC（蒙特卡洛）的光子传输框架内SOB先验的贡献。SOB先验是否能在不同的光子传输模型、背景结构假设和光学属性设置下产生一致的改进效果，仍有待系统研究。未来的研究还应优化基于SOB的个性化配准和校正方法。当前框架主要根据有限的个体头部尺寸参数来调整SOB模型以获得近似的结构先验。在未来的工作中，可以加入更多的头表面解剖标志点、光电极位置信息以及个体头部形状参数，以改善SOB模型与实际头部解剖结构之间的空间对应关系。还可以引入信号校正方法（如短通道回归）来减少颅外干扰，包括头皮相关信号。这些策略有望提高鲁棒性、个体适应性，并在不同受试者之间的CW-fDOT测量条件下提高结果的可重复性，而不会显著增加实验复杂性。

第三，当前的CW-fDOT方法测量的是血红蛋白浓度的变化而非绝对浓度。重建信号的幅度可能受到个体解剖差异、组织光学特性变化、信号漂移等因素的影响。因此，尽管SOB先验提高了重建的稳定性和空间定位精度，但在比较绝对信号幅度时仍需谨慎解读。最后，当前的体内验证主要基于前额屏气范式。这种范式简单、可重复，并能诱导相对稳定的血流动力学反应；然而，其反应模式无法完全反映复杂认知、感觉或运动任务期间的皮质激活情况。因此，目前的结果主要支持SOB引导框架用于重建前额血流动力学反应的可行性和有效性。未来的研究应将该框架扩展到多个脑区，最终扩展到整个大脑，并结合更复杂的认知、感觉、运动和临床任务范式。这将有助于系统地评估SOB先验在更大建模领域、不同源-检测器配置和更复杂的光传播条件下的稳定性和适用性，从而推动该框架从局部方法学验证向脑网络研究和临床功能评估的过渡。

**结论**：本研究提出了一个基于SOB引导的定量CW-fDOT框架，该框架整合了MRI获得的前额解剖统计信息和TD-DOT测量的组织光学特性作为可重复使用的解剖学和光学先验，用于CW-fDOT重建。通过减少对特定受试者解剖结构和光学特性测量的依赖，该框架提高了重建精度和功能信息提取的准确性，同时保持了CW系统的便携性、低成本和操作简便性。这种方法为更精确的定量功能脑成像提供了可行的路径，并可能有助于未来的应用，包括认知神经科学、脑状态监测和临床筛查。