玻尔百科在功能性磁共振成像（fMRI）中，要精确绘制大脑的动态活动图谱，实现时间上的精准性不仅是一项优势，更是一种必需。然而，fMRI数据采集的一个基本方面带来了重大挑战。与照片不同，一个fMRI容积图像并非在瞬间捕获。相反，它是在几秒钟内逐个切片构建而成的，这就像一个时间的拼图游戏，相邻的大脑位置在不同的时间点被采样。这种交错采集会模糊并扭曲潜在的神经信号，导致关于大脑功能的错误结论。
本文为理解和校正这一关键问题提供了全面的指南。它将阐述切片时间的核心原理、其后果以及为恢复时间准确性而开发的解决方案。第一章“原理与机制”将解构fMRI数据的采集方式，解释由此产生的时间伪影，并详细介绍用于校正这些伪影的数学技术。随后的“应用与跨学科联系”一章将展示为何这种校正对于从构建稳健的分析流程、绘制静息态网络到实现fMRI与其他高时间分辨率方法（如EEG）的集成等广泛的神经科学研究至关重要。
要理解我们如何锐化对大脑活动的时间视图，我们必须首先面对一个微妙的错觉。我们倾向于将功能性磁共振成像（fMRI）容积图像视为一幅三维照片——大脑活动的一个单一、瞬时的快照。但这并不完全正确。现实更像是一台平板扫描仪在页面上工作；页面的每一行都在稍有不同的时刻被捕获。
在fMRI中，“页面”是大脑，“行”是堆叠在一起形成三维容积的单个二维切片。采集一整个容积的切片所需的总时间被称为重复时间（TR）。但在该TR内，每个切片都有其独特的“出生日期”，即其特定的切片采集时间。这个看似微小的细节是一个深远挑战的根源，理解它便踏上了我们追求时间精准性的第一步。
如果你要用一支墨水笔在一张新纸上书写，你不会先写第1行，然后第2行，再然后第3行。因为写第2行时，你的手可能会压在第1行未干的墨迹上，导致 smudge（污迹）。一个更聪明的做法是先写第1行，然后跳到第3行，再到第5行，依此类推，首先填满奇数行。待墨水稍干后，你再回去填写偶数行。
MRI物理学家也得出了类似的结论。当他们用射频脉冲激发大脑的一个切片以获取信号时，部分能量可能会“泄漏”到相邻的切片，污染它们的信号。这被称为切片间串扰（slice cross-talk）。为了最小化这种情况，他们通常采用同样的巧妙策略：以交错（interleaved）顺序采集切片。常见的采集方案包括：
这种交错策略虽然在减少伪影方面很优雅，却打乱了大脑数据的时间顺序。例如，在一个包含16个切片、TR为秒的采集中，每个切片的采集时间可能是这样的：切片0在秒时测量，但空间上紧邻的切片1直到秒（在所有其他偶数切片被采集之后）才被测量。与此同时，切片2早在秒时就已经被测量了。 大脑的空间连续性不再反映在数据的时间连续性上。我们制造了一个时间拼图。
如果我们忽略这个时间拼图，把所有切片都当作是同时采集的，会发生什么？想象一下，你放置了几个麦克风来录制一个交响乐团。你想捕捉小提琴手演奏一个高亢、快速音符的精确瞬间。然而，你不知道的是，每个麦克风的录制开始时间都略有不同。当你稍后按开始时间对齐这些录音并播放时，小提琴那美妙、清脆的音符听起来会变得模糊不清和扭曲。整个交响乐团都失步了。
这正是fMRI中的问题所在。血氧水平依赖（BOLD）信号是我们衡量神经活动的替代指标，它是一个缓慢、平滑的波形，在几秒钟内上升和下降。如果我们试图捕捉大脑对一个短暂、 fleeting 的刺激的反应——就像在快速事件相关设计中那样——我们测量的确切时间就至关重要。如果我们在一个切片中采样BOLD信号的上升斜率，在另一个切片中采样信号的峰值，但却将这些测量视为同时发生的，我们将从根本上错误地描述大脑的反应。
有趣的是，这可能导致一种反直觉的错觉。一个在TR中较晚采集的切片可能会捕捉到BOLD信号上升曲线的较后部分。当我们错误地将这个测量值赋予与一个捕捉到曲线最开始部分的早期切片相同的时间戳时，较晚切片中的BOLD响应看起来会更早开始。这纯粹是由我们的测量方案造成的伪影，产生了一种人为的或表观延迟差异。
如果我们的目标是估计大脑响应的精确形状，即血流动力学响应函数（HRF），这种时间上的模糊化是灾难性的。本应整齐地落入我们分析中一个时间仓的信号，被泄漏和涂抹到相邻的时间仓中，扭曲了我们试图理解的动态过程。 核心原理是：忽略切片时间所引入的误差大小，与BOLD信号变化的快慢成正比。对于快速的事件相关设计，信号的时间导数很大，误差也因此很严重。而对于慢速的组块设计，信号上升到一个长长的平台期，在此期间导数接近于零，使得时间误差的影响远不那么重要。[@problem-id:4445780] [@problem-id:4164939]
为了让交响乐恢复同步，我们必须通过计算将所有麦克风的录音重新对齐到一个单一的、共同的时钟上。这就是切片时间校正（STC）的目标。它纯粹是一种时间插值，是数据点沿时间轴的重新排列，绝不能与运动校正相混淆，后者是对脑图像本身的空间重新对齐。 有两条同样优美的路径可以达到这个目标：
校正数据： 最直接的方法是调整数据本身。对于每个切片，我们知道其真实的采集时间。然后，我们可以使用数学插值来估计，如果它在一个共同的参考时间被测量，其信号会是什么样。但是，你如何在你实际测量之间测量信号呢？关键在于频域。傅里叶变换是物理学和工程学中最强大的工具之一，它告诉我们任何信号都可以表示为简单正弦波的总和。并且它带有一个神奇的属性：时间上的平移等同于频域中相位的简单旋转。因此，我们可以取我们的时间序列，将其转换为频率分量，应用实现所需时间平移所需的精确相位旋转，然后将其转换回来。这使得我们原则上能够完美地将数据重采样到一个新的、共同的时间轴上。
校正模型： 另一种，也可以说是更优雅的方法，是保持数据不变，而是让我们的统计模型变得更智能。我们不必假装所有切片都在同一时间测量，而是可以简单地告知我们的模型每个切片的真实采集时间。然后，模型可以为每个切片的数据生成一个独特的、时间正确的预测变量。这种方法是将模型与数据对齐，而不是将数据与一个共同的模型对齐，并且它在不需要插值和可能模糊原始数据的情况下实现了相同的目标。这种等效性是信号处理中对偶性的一个美丽例证。
但是，最佳的参考时间是什么？如果你和你的朋友们分散在一条路上需要会合，那个能让每个人的总行程距离最小化的点就是中点。同样的逻辑也适用于此。能够最小化所有切片平均“时间行程”或插值误差的最优参考时间，是采集窗口的中间点：。
MRI技术的最新进展，特别是同步多层（SMS）或多带（multiband）成像，极大地加快了数据采集速度。我们现在可以同时采集一组切片（一个“带”），而不是一次只采集一个切片。这使得TR可以非常短。这是否让STC变得过时了呢？
不完全是。虽然一个“带”内部的切片是同时采集的，但这些“带”本身仍然是按顺序采集的。因此，第一个和最后一个切片组之间的时间差异仍然存在。 然而，整个脑容积的最大时间差现在要小得多——通常小于一秒，而旧序列中则为几秒。
让我们在静息态fMRI的背景下考虑这一点，我们研究的是大脑缓慢、自发的波动。感兴趣的信号就像长而滚动的海浪，频率通常低于 Hz。我们可以计算时间延迟对两个脑区之间测得相关性的影响。延迟引入了一个相移，它会将真实相关性衰减一个因子。对于一个现代扫描，TR很短，最大延迟比如说秒，即使在感兴趣的最高频率（ Hz）下，相关性的损失也小于10%。
因此，现代的观点是细致入微的。对于旨在解决毫秒级大脑动态的快节奏事件相关研究，校正切片时间仍然至关重要。而对于使用非常快速TR的静息态或组块设计研究，由于时间差异相对于所研究现象的时间尺度很小，忽略STC的影响大大减小，在某些情况下甚至可以忽略不计。
我们已经确定，切片时间校正（一种时间重采样）和运动校正（一种空间重采样）通常都是必要的。按顺序执行它们就像复印一份复印件——每个插值步骤都会降低图像质量。
最优雅的解决方案是在一个统一的步骤中同时执行这两种校正。我们首先计算校正头部运动所需的空间变换和校正切片采集时间所需的时间平移。然后，我们将两者应用于一个组合的四维重采样操作中。这就像一场精心编排的舞蹈，每个数据点都在一次流畅的运动中被移动到其在空间和时间上的正确位置，从而最大限度地保留了原始数据的宝贵完整性。
在探究了切片时间校正的原理之后，我们现在面临一个所有优秀科学核心的问题：“所以呢？” 为什么这个复杂的时间校正，这个对我们数据的微妙调整，在理解大脑的宏伟蓝图中如此重要？正如我们将看到的，答案是，这个看似微小的步骤是现代神经影像学的基石，是贯穿我们整个分析结构的一条关键线索。它的应用并非孤立的奇闻异事，而是与我们探索心智的完整性和复杂性紧密相连。
想象你是一位大师级工匠，负责修复一幅珍贵但略有损坏的马赛克镶嵌画。每一块瓦片都是一个数据点，你的工具是预处理算法。你知道你必须清洁瓦片，修正它们的位置，或许还要填补一些裂缝。但是你应该按什么顺序工作呢？在瓦片固定到位后再去清洁可能会很困难，而从一开始就把它放在错误的位置可能会毁掉整幅画。
这正是神经影像分析师面临的挑战。我们的“马赛克”是四维fMRI数据集，而“损坏”来自各种来源：头部运动、磁场扭曲，以及我们刚刚讨论过的切片交错采集。为了修复这幅画，我们有一套校正工具：运动校正、切片时间校正、畸变校正和空间标准化。我们应用这些工具的顺序并非品味问题，而是物理和数学因果关系的问题。
一个深刻的见解是，许多这些校正都是空间变换——它们对图像进行扭曲和重采样。每次我们重采样，我们都会轻微地模糊图像，就好像在打磨马赛克瓦片的边缘。“千次插值之死”（death by a thousand interpolations）可能发生在笨拙的工匠手中，他可能执行一次校正，重采样整个数据集，然后又进行另一次校正，再次重采样。而技艺大师们实践的优雅解决方案是，首先计算所有必要的空间扭曲——刚体运动、非线性畸变场、到标准大脑模板的映射——然后将它们在数学上组合成一个单一的、宏大的变换。然后，这个复合扭曲只应用一次，将每个原始数据点一步到位地、优雅地带到其最终目的地，从而尽可能多地保留原始细节。
那么，切片时间校正在这场舞蹈中处于什么位置呢？它必须在任何空间重采样之前进行，排在第一位。为什么？因为一个体素的时间序列是一段神圣的历史。它是大脑中一个固定点上BOLD信号的故事。切片时间校正作用于这段历史，小心翼翼地调整其时间线。但是，一旦我们执行了空间变换，我们的体素就不再纯粹。它们变成了其邻居的混合体、插值体。一个重采样后体素的时间序列是一个合成的合唱，而不是一个单一的声音。对这个合唱应用时间校正，就犯了一个范畴错误；单一时间历史的基本假设已经被打破。因此，良性流程遵循这一逻辑：首先，我们修复每个体素的时间线（切片时间校正）；只有在那之后，我们才修复它在空间中的位置。
但是，如果我们选择不改变数据呢？还有其他方法吗？这正是统计建模之美展现的地方。通用线性模型（GLM）是一个非常灵活的工具。它允许我们提出问题：“这个体素的活动有多少可以被我假设的大脑过程所解释？” 如果我们的数据在时间上发生了偏移，也许我们可以简单地移动我们的假设来匹配它。
想象一下你有一个预测BOLD响应的模板，。然而，特定切片中的数据对应于一个移位后的版本，。一个优美的数学技巧，泰勒展开，告诉我们对于小的移位，这个新函数可以很好地被原始函数及其变化率（其时间导数）的组合所近似：。
这为我们提供了一个替代切片时间校正的绝妙方法。我们不必校正数据，而是可以丰富我们的模型。对于我们GLM中的每个实验回归量，我们可以添加其时间导数作为第二个回归量。然后，模型可以自由地找到原始回归量及其导数的最佳线性组合，以拟合每个体素中的数据。这有效地让模型“吸收”了依赖于切片的相移，为每个切片拟合一个轻微时间移位的响应，而无需对原始数据进行重采样。这揭示了我们工作中一个深刻的对偶性：我们可以“修复数据以适应模型”，也可以“修复模型以适应数据”。两者都是通往同一目标的有原则的路径。
时间的重要性远远超出了对外部任务的响应。现代神经科学的伟大发现之一是，大脑从未真正闲置。在休息状态下，它展现出广阔、缓慢波动的自发相关活动模式，形成了所谓的静息态网络。对这种内在结构或“连接组”的研究依赖于一个简单的度量：遥远大脑区域BOLD时间序列之间的相关性。
在这里，切片时间不仅是一个麻烦，更是一层面纱，可能会掩盖我们试图寻找的真正连接。考虑两个真正存在生物学耦合的大脑区域A和B。如果它们位于在不同时间采集的切片中，比如说存在的偏移，它们测得的时间序列将系统性地失步。对于它们共享活动的任何频率为的振荡分量，这个时间延迟会引入一个相移，它们之间测得的相关性将被人为地乘以一个与成比例的因子而减小。一个真实的连接可能因为采集伪影而显得微弱，甚至完全被错过。为了绘制大脑真实的连接组，我们必须首先通过应用切片时间校正来揭开这层面纱。
到目前为止，我们一直专注于确保神经信号的时间准确性。但是噪声呢？我们的大脑和身体充满了生理信号——呼吸、心跳——它们污染了BOLD信号。这些信号通常很快，其频率高于我们采样率所施加的奈奎斯特极限（）。这导致它们“混叠”，伪装成恰好落在神经活动感兴趣频带内的较慢信号。
在这里，切片时间校正扮演了一个有趣且有些反直觉的角色。这些快速的生理信号对切片采集的精确时间极为敏感。未经校正时，它们的混叠伪影是一团涂抹不清、复杂的混乱。通过执行切片时间校正，我们实质上是恢复了这种生理噪声更准确的时间结构。这并不能消除噪声，但它使噪声的行为更有规律，在不同切片间更一致。因此，我们设计用来捕获和移除生理噪声的模型（如RETROICOR）可以更有效地完成其工作，解释更大部分的伪影方差。在一个美妙的悖论中，通过校正时间，我们获得了对噪声更清晰的视图，这反过来又使我们能够更成功地移除它，留下一个更干净、更纯粹的我们所关心的神经活动的估计。
科学充满了这样的提醒：天下没有免费的午餐，每个数据处理步骤都有其后果。扫描过程中的一次突然头部急动可能会在原始数据的单帧中产生一个大的、尖峰状的伪影。它虽然难看，但在时间上是局部的。当我们应用切片时间校正时会发生什么？插值算法，无论是线性的还是基于sinc函数的，都像一个滤波器。它“看到”了那个尖锐的尖峰，并在其重建平滑连续信号的努力中，将伪影的能量涂抹到几个相邻的时间点上。尖锐的尖峰变成了一个多帧的模糊。一个曾经很容易发现的伪影现在被隐藏起来，稀薄地分布在时间中。
这是否意味着我们应该放弃校正？完全不是。这意味着我们必须更聪明。这个明显的悖论迫使我们进行更深层次的理解。如果我们知道导致涂抹的滤波器，我们就可以设计一个“反滤波器”——一个白化变换——来逆转这个过程。通过应用这个白化变换，我们可以通过计算将涂抹的伪影重新集中成一个尖锐的尖峰，使其再次易于被稳健的统计方法检测和移除。这一来一回的博弈，是线性系统理论在解决现实世界分析问题中力量的精彩展示。
神经科学的终极追求是综合来自多种测量技术的信息。像脑电图（EEG）这样的技术可以以毫秒级的精度跟踪神经动态，但空间定位能力较差。相反，fMRI具有出色的空间分辨率，但在时间上较慢。一个主要目标是整合它们，利用来自EEG的精确时间信息来指导fMRI数据的分析。
这种雄心勃勃的融合立即撞上了fMRI时间问题的墙壁。想象一下，试图将一块瑞士手表（EEG）与一个老爷钟（fMRI）对齐，而这个老爷钟的分针已知有高达30秒的误差，并且误差根据你观察钟面的不同部分而不同。整个事业将是无望的。在这个类比中，切片时间校正就是校准老爷钟的行为。它是确保EEG衍生的模型的时间与整个大脑BOLD数据的时间具有有意义关系的绝对、不容商榷的先决条件。它是让这两个不同世界能够说一种共同的时间语言的关键桥梁。
事实上，我们之所以能如此自信地认为这一步是必要的，唯一的原因是我们能够设计实验来证明它。通过在TR内的随机时间呈现刺激，并使用光电二极管获得基准真实时间，我们可以直接测量大脑响应的延迟。没有切片时间校正，我们会看到一个清晰、系统的误差：估计的响应延迟与切片的采集时间直接相关。进行了切片时间校正后，那种伪影相关性消失了，我们的延迟估计变得更准确、更精确。
最后，所有这些复杂的科学都建立在一个谦卑的基础之上：良好的记录保存。除非扫描的基本时间参数——RepetitionTime和SliceTiming偏移列表——被保存并与数据共享，否则所有这些校正或分析都是不可能的。这是现代数据共享标准，如脑成像数据结构（BIDS）的简单而深刻的使命。这些简单的文本文件是让我们的方法透明、我们的结果可被验证、我们的科学可被复现的通用语。它们是构建整个理解大厦的无形基石。