ds000254

该数据集包含使用多波段、多回波同时伪连续ASL（pCASL）和BOLD采集的静息状态数据。数据集详细描述了采集序列的组成，包括不平衡的伪连续ASL标记模块、后标记延迟期（PLD），以及随后的多波段激发和多回波、梯度回波EPI读出。此外，还应用了Blipped-CAIPI以减少MB成像中切片去混叠导致的g因子噪声放大。每个受试者进行了一次双侧手指敲击任务MBME ASL/BOLD扫描，使用不平衡pCASL标记方案，标记时间为1.5秒，PLD为1.5秒。数据集还包括了扫描的详细参数和质量控制措施。This dataset comprises resting-state data acquired using multi-band, multi-echo pseudo-continuous arterial spin labeling (pCASL) and blood-oxygen-level-dependent (BOLD) imaging. The dataset provides a detailed description of the acquisition sequence, which includes an unbalanced pseudo-continuous ASL labeling module, a post-labeling delay (PLD), followed by multi-band excitation and multi-echo, gradient-echo echo-planar imaging (EPI) readout. Additionally, Blipped-CAIPI was applied to reduce g-factor noise amplification due to slice aliasing in multi-band imaging. Each subject underwent a bilateral finger-tapping task MBME ASL/BOLD scan using an unbalanced pCASL labeling scheme with a labeling duration of 1.5 seconds and a PLD of 1.5 seconds. The dataset also includes detailed scanning parameters and quality control measures.

原始信息汇总

数据集概述

数据收集方法

• 使用多波段、多回波同时伪连续ASL（pCASL）和BOLD采集的静息态数据。
• 序列包括不平衡伪连续ASL（pCASL）标记模块，随后是后标记延迟期（PLD）。
• 采用多波段激发和多回波、梯度回波EPI读出，应用Blipped-CAIPI减少因切片解混叠导致的g因子噪声放大。
• 每个回波作为一次拍摄的一部分连续获取，最后一个重复是用于CBF量化的M0图像。

实验设计

• 每个受试者进行一次双侧手指敲击任务MBME ASL/BOLD扫描。
• 使用不平衡pCASL标记方案，标记时间=1.5秒，PLD=1.5秒。
• 采用部分k空间采集，有20条过扫描线，使用R=2的平面加速以保持较晚的TE在合理范围内并减少总读出时间。

技术参数

• 回波数量：4
• 回波时间（TE）：9.1, 25, 39.6, 54.3 ms
• 重复时间（TR）：3.5秒
• 多波段因子（MB-factor）：4
• 激发次数：11（总切片数=11×4=44）
• 视野（FOV）：240 mm
• 分辨率：3×3×3 mm
• 翻转角（FA）：90°
• RF脉冲宽度：6400 ms
• 扫描持续时间：356秒，包括扫描开始时的64秒校准重复。
• 总共获取73次重复。

数据处理

• 使用Pydeface对所有解剖图像进行去标识化处理。
• MRIQC用于数据集的质量控制，结果位于derivatives/mriqc。

搜集汇总

数据集介绍

构建方式

ds000254数据集通过多频带、多回波同时伪连续动脉自旋标记（pCASL）和血氧水平依赖（BOLD）采集技术构建。该序列包含一个不平衡的伪连续ASL标记模块，随后是标记后延迟期（PLD），接着采用多频带激发和多回波梯度回波EPI读出。为了减少多频带成像中的g因子噪声放大，还应用了Blipped-CAIPI技术。每个回波在一次扫描中连续获取，最后一个重复是用于脑血流量（CBF）量化的M0图像。每位受试者接受了一次双侧手指敲击任务的多频带多回波ASL/BOLD扫描，扫描参数包括标记时间1.5秒、PLD 1.5秒、部分k空间采集等。

特点

ds000254数据集的特点在于其多频带多回波ASL/BOLD采集技术，能够同时获取ASL和BOLD信号，提供丰富的脑血流和功能信息。数据集包含多个回波时间（TE）和重复时间（TR），使得研究者能够进行多参数分析。此外，数据集还提供了M0图像，用于脑血流量的定量分析。数据集经过MRIQC质量控制，确保数据可靠性，并通过Pydeface工具对解剖图像进行去识别处理，保护受试者隐私。

使用方法

ds000254数据集的使用方法包括通过OpenfMRI平台或Neurostars论坛进行讨论和获取。研究者可以利用MRIQC工具对数据集进行质量控制分析，确保数据的可靠性。数据集中的多回波ASL/BOLD数据可用于脑血流和功能连接的定量研究，M0图像则用于脑血流量的精确计算。研究者还可以通过Pydeface工具对解剖图像进行去识别处理，确保数据符合隐私保护要求。

背景与挑战

背景概述

ds000254数据集是一个专注于静息态脑功能成像的研究数据集，采用了多波段、多回波的伪连续动脉自旋标记（pCASL）和血氧水平依赖（BOLD）信号采集技术。该数据集由OpenfMRI平台发布，旨在为神经科学研究提供高质量的脑成像数据。数据集的核心研究问题在于通过多模态成像技术（ASL/BOLD）的结合，探索脑血流（CBF）与神经活动之间的动态关系。其独特的采集序列设计，包括不平衡的pCASL标记模块和多回波梯度回波EPI读取，为研究脑功能网络提供了新的视角。该数据集自发布以来，已成为神经影像领域的重要资源，推动了脑功能连接和血流动力学响应的深入研究。

当前挑战

ds000254数据集在构建和应用中面临多重挑战。首先，多模态成像技术的融合要求高精度的时序控制和数据处理，以确保ASL和BOLD信号的同步采集与准确分离。其次，多波段成像技术虽然提高了时间分辨率，但也引入了g因子噪声放大的问题，需要通过Blipped-CAIPI等技术进行校正。此外，多回波采集的设计虽然有助于提高信号的信噪比，但也增加了数据处理的复杂性，尤其是在量化脑血流时，需要精确校正不同回波时间对信号的影响。最后，数据集的匿名化处理和质量控制（如使用Pydeface和MRIQC）虽然确保了数据的隐私和可靠性，但也增加了数据预处理的工作量和技术门槛。这些挑战共同构成了该数据集在神经影像研究中的核心难点。

常用场景

经典使用场景

ds000254数据集在神经科学研究中，主要用于探索大脑静息状态下的血流动力学变化。通过多波段、多回波的同时伪连续动脉自旋标记（pCASL）和BOLD采集技术，该数据集能够提供高时空分辨率的脑血流和血氧水平依赖信号，为研究大脑功能连接和神经血管耦合机制提供了重要数据支持。

实际应用

ds000254数据集在临床和基础研究中具有广泛的应用价值。例如，在神经退行性疾病（如阿尔茨海默病）的研究中，该数据集可用于评估患者脑血流和氧代谢的变化，为疾病的早期诊断和治疗提供依据。此外，该数据集还可用于研究脑卒中后的神经可塑性变化，为康复治疗提供科学依据。

衍生相关工作

基于ds000254数据集，许多经典研究工作得以展开。例如，研究者利用该数据集开发了新的多回波BOLD信号处理算法，显著提高了脑血流和氧代谢的量化精度。此外，该数据集还被用于验证新型神经影像分析工具，如基于机器学习的脑功能网络分析方法，推动了神经影像技术的进一步发展。