Resting state functional MRI (R-fMRI) jest stosunkowo nową i potężną metodą oceny interakcji regionalnych, które występują, gdy osoba nie wykonuje wyraźnego zadania.
Niskoczęstotliwościowe (<0,1 Hz) fluktuacje BOLD często wykazują silne korelacje w spoczynku, nawet w odległych regionach istoty szarej. Przypuszcza się, że fluktuacje spontanicznej aktywności neuronalnej leżą u podstaw fluktuacji BOLD, chociaż dokładne mechanizmy powodujące fluktuacje neuronalne pozostają niejasne. Wzorce przestrzenne korelacji R-fMRI są stabilne, w tym sensie, że są podobne w wielu stanach „spoczynku”, takich jak oczy otwarte, oczy zamknięte i fiksacja, a także u różnych osób i w różnych sesjach. Ze względu na brak wymagań zadaniowych, R-fMRI nie obciąża projektu eksperymentalnego, zgodności uczestników i wymagań szkoleniowych, co czyni go atrakcyjnym dla badań rozwoju i populacji klinicznych.
Z eksperymentów na małpach makakach, korelacje R-fMRI często pokrywają się ze znanymi ścieżkami anatomicznymi, ale czasami obejmują regiony, które nie są bezpośrednio połączone. Stąd, funkcjonalna łączność (R-fMRI) i anatomiczna łączność (traktografia) są komplementarnymi, ale powiązanymi środkami, które razem zapewniają potężne podejście do analizy obwodów mózgowych.
Liczne badania, w tym wiele przez członków naszego konsorcjum, pokazują, że te przestrzenne wzorce są ściśle związane z podsystemami neuronowymi ujawnionymi przez fMRI aktywacji zadania (T-fMRI). Regiony, które współaktywują się z regionem zalążkowym w różnych zadaniach mają tendencję do bycia pozytywnie skorelowanymi z regionem zalążkowym w spoczynku. Mapa zbudowana z pojedynczego zalążka wykazuje specyficzny wzór korelacji w całym mózgu. Sugeruje to, że nawet względnie bliskie nasiona mogą wykazywać różne wzorce korelacji. Tak więc, przestrzenny układ korelacji pochodzących z różnych źródeł może pomóc w parcelacji mózgu. Przestrzenne wzorce korelacji mogą być również wykorzystane do stworzenia obszernych opisów na poziomie systemu/sieci interakcji funkcjonalnych w regionach mózgu, które mogą być porównane z opisami połączeń anatomicznych i aktywacji funkcjonalnych wywołanych zadaniem.
Zaproponowano wiele metod pozyskiwania i analizy danych R-fMRI. Głównym celem HCP jest znalezienie optymalnej kombinacji metod do parcelacji regionów mózgu i zrozumienia zależności między nimi. Pociąga to za sobą optymalizację wielu aspektów akwizycji danych (czas trwania skanu, rozdzielczość przestrzenna, wygładzanie przestrzenne podczas przetwarzania wstępnego) i analizy danych (metody oparte na ziarnie i metody analizy niezależnych składowych).
.