全面的功能磁共振成像分析软件包的可用性使分析功能磁共振成像数据集和获得结果成为可能，而无需仔细查看原始数据，但我们认为对于功能磁共振成像研究人员而言，密切关注原始数据和处理过程中每一步的数据非常重要 ，以确保其质量。否则，人们就有可能沦为那句古老格言的牺牲品：“垃圾进了，垃圾出了。”在这一部分中，我们将概述一些可以用来探索和可视化fMRI数据中伪影存在的方法。
1. 检测扫描仪伪像
由于MRI扫描仪的问题，可能会出现许多伪影。尖峰是由于扫描仪中的电气不稳定(例如，由于静电放电)导致的亮度的短暂变化。它们通常在图像中显示为规则的条纹图案(参见图3.2)。在当前一代的MRI扫描仪上，尖峰信号出现的频率相对较低，但当它们出现时，可能会对分析产生很大的不利影响。
在回波平面采集中，当K空间的不同线之间存在轻微的相位偏移时，重影就会发生，也可能由于心跳或呼吸等周期性运动而发生重影。在MRI图像的相位编码方向上，它看起来像一个昏暗的人脑幽灵(见图3.3)。当查看亮度窗口设置为整个图像范围的图像时，可能很难看到重影；通过在图像查看程序中降低强度窗口的顶值可以更容易地看到重影(如图3.3所示)。在功能磁共振成像中，如果大脑的一个区域在另一个区域有重影，重影可能会导致激活似乎发生在大脑之外，也会导致大脑内激活的错误定位。在最新一代的MRI系统上，重影很少会对功能磁共振成像造成严重问题，但仍然会偶尔出现严重的重影问题。当检测到它们时，应该咨询您当地的MRI技术人员或物理学家进行检查。
2. 时间序列动画
当将fMRI时间序列视为动画时，人眼非常善于检测变化。有几个工具允许查看动画时间序列；例如，在FSLView中，只需单击Movie Mode按钮即可将时间序列作为动画查看。随着时间的推移，任何明显的变化都可以被调查，以便更好地理解它们的来源。
3. 独立分量分析
功能磁共振成像分析通常通过创建统计模型(例如，任务效果的模型)，然后找到该模型能够很好地解释数据的区域来进行。然而，有时我们希望在数据中找到形式未知的信号，例如检测fMRI数据中的伪影。有一组探索性数据分析方法可以通过检测数据中的系统模式来实现这一点。这些方法将四维数据集分解成一组时空分量，这些时空分量以不同的比例混合在一起，从而获得观测信号。有许多不同的方式可以执行这样的分解，这些方式通常在对组件施加的约束种类上有所不同。例如，主成分分析(PCA)找出多维空间中彼此正交的一组分量，而独立分量分析(ICA)找出一组彼此独立的分量。
事实证明，ICA对于识别fMRI数据中的伪影非常有用。图3.4显示了使用FSL旋律ICA工具检测到的此类ICA成分的示例。ICA特别适用于识别与头部运动的扫描内效应或其他非刚性运动效应相关的信号，这些信号无法通过标准运动校正技术去除。
一旦识别出一组人工成分，这些成分就可以从数据中移除，从而创建一个“去噪”的数据集。重要的是，此类成分的识别应基于明确的拒绝标准以防止偏差； 该标准通常将基于主成分的空间和时间特性。例如，一个标准可能是，如果成分在切片之间显示强烈的交替(这是使用常见交错方法收集fMRI数据时与运动相关的效果的良好证据；请参见图3.7)以及在一个或多个时间点显示大峰值的时间进程(请参见图3.4)，则成分将被拒绝。已经开发了用于ICA成分的自动分类的方法，该方法可以提供比人工分类更可靠和公正的人工相关组件检测。但是，我们发现对MRI初学者来说，手动检查ICA成分是一项有用的练习，因为它可以更好地了解fMRI数据集中可能存在的各种信号。
以上内容来自《Handbook of functional MRI Data Analysis》。
