从结构到功能：脑成像的新前沿
一种新的脑成像模态正在崛起。功能性超声成像（fUSI）近期开始在人体研究中展示其潜力。许多人熟悉利用超声波生成静态图像的结构式超声（如B超），而功能性超声则截然不同：它能以极高帧率捕捉脑组织的“电影”，追踪由神经活动引发的血流细微变化。
尽管对比度来源与功能性磁共振成像（fMRI）相同，但fUSI有望实现高出一个数量级的线性分辨率（体素数量增加1000倍）。此外，由于无需磁体，其设备更小巧、成本更低且信噪比更高。该技术与低强度聚焦超声（LIFU）天然契合，后者可通过聚焦能量调节大脑特定区域功能，为精神和神经系统疾病提供新疗法。结合造影剂或基因治疗，fUSI甚至可能超越血流动力学反应，以超分辨率测量血管网络或直接探测神经活动。尽管超声波难以穿透颅骨，但fUSI已在术中操作中得到验证，并在植入声学透明颅骨的患者身上成功展示。
鉴于大量技术细节散见于各应用论文的方法部分或长篇著作中，笔者在深入调研并研读800页教科书后，梳理了fUSI的物理工作原理及分析方法。目前可用的fUSI模拟分析工具多锁定在Matlab环境中，为此，笔者在Github上发布了一系列Python教程，供开发者跟随学习。本文旨在帮助读者理解fUSI的工作机制及其尚未触及的性能极限。
fUSI的高层工作原理
与传统超声类似，fUSI使用换能器发射超声波。超声波在脑组织中传播，遇到阻抗变化（如红细胞、气泡或颅骨）时发生背向散射。通过测量这些散射波，可重构局部阻抗变化。在使用18 MHz高频时，线性分辨率可达约100微米。
功能性成像的核心在于捕捉血流动力学效应。神经元放电消耗能量，引发血管舒张和血液涌入。这些血液在数量、流速和含氧量上与基线不同。fUSI利用移动红细胞导致的背向散射波干涉模式变化（即“散斑”，speckle）进行成像。fUSI以超过千赫兹的频率获取图像，追踪散斑随时间的变化。其信号变化幅度高达20%，远超fMRI BOLD信号的几个百分点。
类比而言，这如同通过高速视频分析水面波纹来量化水流运动，而非依赖长曝光下的静态平滑图像。然而，高帧率可能降低信噪比，且头部运动可能干扰分析。以下将详细解析这些问题的解决方案。
技术深度解析
超快平面波与图像重构
传统超声通过扫描聚焦光束成像，而fUSI采用非聚焦平面波，一次性照亮整个成像平面。单个脉冲即可产生整幅图像，重复频率可达15 kHz。实际应用中，通过多角度传输和相干复合，将有效帧率调整至合理水平。
图像重构旨在从时间序列信号中推断散射体密度。最流行的方法是延迟求和波束成形算法（DAS）：计算声波从换能器传播至像素点并返回的时间，对原始信号施加延迟后求和，通过建设性干涉确定散射体位置。尽管从线性重构角度看，DAS并非数学上的最优解（未使用伪逆法），但其精度损失微乎其微，且计算高效。
血流信号分离与运动校正
获取高速图像序列后，通常通过计算标准差的移动窗口估计值来测量纹理变化，即功率多普勒（Power Doppler, PD）。PD主要对移动散射体的数量（脑血容量）敏感，而非速度。
PD对全局运动（如脉搏、呼吸或受试者移动）极为敏感。经典解决方案是杂波滤波（clutter filtering），利用奇异值分解（SVD）丢弃主导的全局运动分量。然而，这种方法可能丢弃过多信息。更优方案是使用分段刚性运动估计器（如NoRMCorre）在校正全局运动后，再进行温和的杂波滤波。
此外，相较于标准差，信号的自相关函数能更好地反映散射体速度（脑血流量）。这为研究提供了正交通道。虽然端到端深度学习也是潜在方向，但受限于公开数据稀缺，目前模拟数据仍是训练基础模型的主要途径。
数据分析与应用前景
fUSI的时间序列数据可采用与fMRI相同的分析方法，如广义线性模型（GLM）、解码器和多体素模式分析（MVPA）。例如，可使用GLM识别受运动意图调制的体素，或使用逻辑回归解码操纵杆移动方向。
一个关键开放问题是：fUSI的高分辨率能在多大程度上提升解码准确性？对于平滑编码的变量（如视网膜拓扑图），优势可能有限；但对于颗粒状编码的变量（如初级视觉皮层的方向选择性），高分辨率带来的收益更为显著。这对于界定fUSI在脑机接口和精神疾病研究中的应用范围至关重要。
然而，信号质量受血管拓扑结构限制。毛细血管信号选择性最高但极微弱；大静脉信号强但混合了大面积排水区的信息，选择性差。小静脉似乎处于最佳平衡点：fUSI激活图像显示，调制最佳的信号往往位于大静脉外围，推测即为小静脉所在。
结语
fUSI仍处于早期阶段，但潜力巨大。为提高该技术的可访问性，笔者开源了包含超声波传播、结构重构、功能重构及真实数据分析的四个Jupyter笔记本。这些代码托管于Github，欢迎社区贡献与改进。随着工具链的完善，更多计算神经科学家和工程师将能参与到这一前沿领域的探索中。