「機能的磁気共鳴画像法」の版間の差分

　機能的磁気共鳴画像とは、[[磁気共鳴画像]] (magnetic resonance imaging; MRI)を用いて生体の[[脳]]や[[脊髄]]を一定時間連続的に撮像し、脳活動（神経活動と[[シナプス]]活動等の総和）と相関するMRI信号の変動を非侵襲的に計測する技術である。

　1990年代の初頭に開発されるやいなや、当時ヒト脳機能イメージング研究手法の主流であった[[ポジトロン断層像]]（[[PET]]）による血流・代謝測定を置き換えた。現在では、脳機能イメージング研究の代名詞として、健常脳の機能分離や機能連関の理解、あるいは精神・神経疾患の病態生理の解明のため、欠かすことのできないツールとなっている。ただしfMRIは、PETと同様、脳活動の本態である神経細胞の電気化学的活動そのものを測定しているのではなく、脳活動の代用マーカー（surrogate marker）としての局所酸素代謝・血流動態を画像化していることには留意が必要である。また、脳活動に由来するfMRI信号の変動は、脳活動以外の要因による信号変動と比較して必ずしも大きくないため、興味のある脳活動を抽出するために適切な画像・信号処理を行うことも重要である。本項目では、脳機能を解明するツールとしてのfMRIの原理、解析法とそれらを応用した脳科学研究の潮流を概説する。

　1990年代後半のPET研究により、[[内側前頭前野]]、[[後部帯状回]]や両側[[外側頭頂葉]]などは、課題遂行時と比べて安静時にむしろ脳血流が増加することが知られていた<ref><pubmed> 25938726</pubmed></ref>。安静時に著明な自発的神経活動を示すこれらの領域は、[[Marcus Raichle|Raichle]]により[[デフォルトモードネットワーク]]（default mode network, DMN）と名づけられ、基底状態の脳の統合性に関わる内因性機構として提唱された。一方で、Biswalは1995年に安静状態のfMRIを解析し、両側[[運動感覚野]]の信号が主に0.1Hz以下の低い周波数(f)帯域において1/fのパターンで同期していることを見出していた<ref name=Biswal1995><pubmed> 8524021</pubmed></ref>。このようなfMRI信号同期は、[[安静状態神経ネットワーク]]（resting-state network, RSN）が有する機能結合（functional connectivity, FC）を反映すると考えられた。さらに興味深いことに、安静時fMRIにより、Raichleの提唱したDMN内の脳領域間には強い機能結合が存在することがわかった<ref><pubmed> 12506194</pubmed></ref>。このように2つの独立した研究の潮流が融合したことで、安静時fMRIを用いて局所の自発脳活動と領域間の機能結合状態を評価できる可能性に大きな注目が集まった。その後、安静時fMRIの信号同期性がサル脳における神経連絡性に対応していることも判明した<ref name=Ogawa1990></ref>。

　このような機能的コネクトーム解析を行う際には、通常のピアソンの相関係数ではなく[[wj:偏相関分析|偏相関分析]]（partial correlation）を用いることで、2領域間に固有性の高いFCを評価できることが示唆されている<ref><pubmed> 22248579</pubmed></ref>。また機能的コネクトームを用いた新たな機能結合性モデルの提唱や、より高次な解析への展開（[[wj:グラフ理論|グラフ理論]]、独立成分分析、機械学習など）、他の指標や測定（脳波や臨床兆候など）との関連付け、疾患バイオマーカーの探索等の様々な研究も行われている。一方でヒトの脳コネクトーム研究単独では結果の妥当性の検証が難しいため、動物脳での検証も重要であり、例えば[[神経連絡トレーサー]]と機能的結合の比較は重要な課題である。

　独立成分分析はデータ駆動型の解析でありブラインド信号分離の技術として多くの分野で活用されている。[[wj:主成分分析|主成分分析]]（principle component analysis, PCA）と比べ、データマイニングの手法として柔軟であると考えられている。主成分分析では無相関、つまりベクトルとして直交する成分のセットが解析的に一意に定まる。これに対し独立成分分析では、互いに他の情報を持たないという特性（独立性）が大きくなるよう成分を分離する。無相関であっても独立ではないことがあるから、独立性は相関性よりも柔軟な条件である。確率変数としてデータの空間的な分布を採るか、経時変化を採るかによって、空間的独立成分分析と時間的独立成分分析が可能である。fMRIデータが空間的に高次元であることから、初期のfMRIでの活用は空間的独立成分分析により数十個の独立成分を求めるものであった。神経解剖学的に解釈可能な皮質ネットワークを得ることができデフォルトモードネットワークの同定にも使用される（'''図6'''）。独立成分分析は従前から脳波など電気生理データのノイズ除去に利用されてきたが、機械学習判別によって個人レベルのfMR元データから構造ノイズ成分を除去する前処理過程にも独立成分分析が利用されている(fMRIデータの前処理の項参照）。

　1990年後半からfMRI研究は飛躍的に世界中に広まり多くの成果をあげてきた。その間に基礎となるMRI技術も大きく進展し、質の高いデータが得られるようになった。初期の研究の興味は脳の機能局在・分離の同定にあったが、2010年代以後はネットワークとしての脳の解明に興味がシフトした<ref><pubmed> 22481337</pubmed></ref>。一つの研究が扱うfMRIデータの数も、数10人から数百人、数万人の規模へと拡大し、種としてのヒトの脳機能構築やその複雑性の理解、個体差の理解へと興味が広がった。2010年から2016年まで、米国NIHの支援により大規模研究プロジェクトHuman Connectome Project（HCP）が行われた。このプロジェクトでは、[[wj:ワシントン大学|ワシントン大学]]セントルイス医学校および[[wj:オックスフォード大学|オックスフォード大学]]が中心となり約1200名の健康な若年成人被験者を対象として、安静時fMRI、標準的な課題を用いた課題fMRI、構造MRI（T1・T2強調画像）、[[拡散強調画像]]を撮像し、脳内の機能的結合と構造的結合について統合的に解析を進めた。このプロジェクトは（１）質が高い画像データを大量に取得する、（２）空間分解能を犠牲にすることなくデータを処理する手法を開発する、（３）FACT、すなわち皮質機能(Function)・連絡性(Connectivity)、構造(Architecture)、位置(Topography)の情報を統合した脳の領域分割（parcellation）を行う、（４）取得した生データ、解析データ、データ解析に必要なプログラム・コードを無料で公開する、といった多くの野心的な目標を達成し、現在も世界のMRI脳科学研究に大きな影響を与え続けている。