最近學習新的MRI 分析技術的感想

1. 以前的難題往往是在於資料分析的 protocol，雖然有辦法得到 data，但從 data 到解釋的結果(也就是一般所謂的 blob, 腦中亮起來的區域圖) 還需要相當的前處理與統計分析。而後者最需要的便是實驗的長度，嘗試分配，與fMRI 的實驗參數(TR, slice number, flip angle) 等訊息。這些內容也是認知心理科學家的訓練專長。但隨著 resting-state analysis 的普及，不需要任何實驗作業，只要躺在裡面休息五分鐘，再比較不同的受試類型(e.g., 精神疾病或發展異常等 vs. 正常對照組)，便可以發一堆paper 的方式，的確是相當吸引人(尤其是非心理專業，又有access to scanner 的專業，如臨床醫生等)。

2. 第二個分析的難題是fMRI 資料分析的上傳與維護，以前曾有過類似的努力(如 fMRI data center)，但結果並不是非常成功，後來維護的網站也關閉。但在目前大環境的強調雲端，與硬體成本的大輻降低，也讓這些成本變得可以負擔。

3. 最後一個，則是真的利用此種資料進行分析的成果稀少(最為人所熟知的一篇，是台灣中研院統計所劉長萱教授的2003 JOCN study)。但後續的類似研究的稀少，讓人也對維護 public accessible 的fMRI database 成本效益有所懷疑。

但以上的種種防止大家分享彼此資料的"藉口"，似乎都逐漸隨著 resting network, functional connectivity, 與分析軟體(如 AFNI 的 InstaCorr) 所逐漸打破。所以對於未來類似的結合不同專業的fMRI/MRI 等應用，應該會愈來愈多。且讓我們拭目以待吧!