神经影像数据相关统计学习方法的综述（1）

作者介绍

张疏影：中国人民大学统计学院本科生

孟祥宇：中南大学数学与统计学院本科生

本系列推文是基于综述文章Zhu, H., Li, T., & Zhao, B. (2022). Statistical learning methods for neuroimaging data analysis with applications, https://arxiv.org/abs/2210.09217. 该文章将在2023年发表在Annual Review of Biomedical Data Science，它详细地介绍了复杂神经影像数据分析的一些问题、挑战、及统计学习方法，其中大部分内容源于对该综述文章的翻译。在此特别感谢原文的第一作者朱宏图教授对本译稿提出的宝贵修改意见。

一、神经影像介绍

神经影像指的是对中枢神经系统（CNS）的结构、功能及药理成像的过程。随着新的成像技术的飞速发展，医生和科研人员已经在临床和医学研究中广泛地收集各种神经影像数据及相关的医疗数据, 这里有三个重要应用场景。首先，在临床中，神经影像数据已经被广泛地应用在各种脑相关疾病的早期检测，诊断，治疗，和预后的临床护理，如老年痴呆症、自闭症，睡眠障碍，和精神分裂症。一些更具体的应用包括确定疾病对大脑的影响，比如中风或恶性胶质瘤，定位囊肿和肿瘤，以及发现肿胀和出血情况等等。其次，许多大型生物医学研究已经收集了大量高时空分辨率的神经影像数据（如sMRI、DWI、fMRI）以及其他相关信息（如基因组学和健康因素）。这些数据主要用来绘制在不同年龄阶段中人类大脑的功能和结构的连接图，以更好地了解脑相关疾病的病理、神经精神疾病和神经退行性疾病的进展、正常大脑发育，和脑癌的早期检测和诊断等等。最后，由影像中提取的生物标记物也被用在神经退化疾病的药物开发的临床试验中，具体的场景包含选择试验的参与者，建立生物标记物的分布、药物的靶点作用和药效活性，监测药物的安全性，以及测量疾病改善的程度。

虽然有大量关于神经影像数据分析（NDA）的统计学习方法的文献，但是目前缺乏一篇从数据收集，大型影像数据集，预处理方法，统计方法，到相关应用的端到端的综述，这是我们写这篇综述的初衷。最终，我们希望更多的研究人员在自己的研究中能够关联影像数据和其它领域的多类型数据，将大脑结构和功能，遗传特征，环境因素，健康因素，电子健康记录，和脑相关疾病关联起来， 最终建立一个动态的脑相关疾病的因果链路图。在这篇综述里面，我们把统计学习方法大概分为两类，包括个体影像数据的图像预处理方法（IPA）和基于人群影像数据的统计分析（PSA）。其中IPA方法可以进一步分为反卷积方法和结构学习方法，其中反卷积方法主要包含图像重建和图像增强，而结构学习方法主要包含图像分割和图像配准。我们进一步把PSA方法分为9大类别，包括试验设计、统计结果图、面向对象的复杂数据、降维方法、数据集成、缺失数据的插补方法、预测模型、影像遗传学，和因果发现。此外，由于大规模影像数据的一些特定的复杂性，主要包含复杂的大脑结构和功能、复杂的时空结构、极高的数据维度、影像数据的异质性、采样偏差、复杂的缺失模式、复杂的数据对象，和复杂的脑疾病因果链路，每类复杂性都带来许多统计挑战，需要特定的统计方法来解决它们。

二、神经影像技术回顾

首先，文章简要地回顾了八种代表性的神经影像的成像技术， 包含结构磁共振成像（sMRI）、扩散加权磁共振成像（DWI）、功能磁共振成像（fMRI）、正电子发射断层成像（PET）、计算机断层扫描（CT）、脑电图（EEG）、脑磁图（MEG）、和功能近红外光谱（fNIRS）。这八种成像技术对应八种不同的数据模态，文章中图1展示了不同模态的成像数据及其它们对应的特征，例如大脑内组织代谢可以由正电子发射断层成像(PET)技术的标准摄取比(SUR)图像来测量。

结构磁共振成像（sMRI）

结构磁共振成像（sMRI）测量不同组织（灰质和白质）的流体特征，创建高分辨率（0.5mm-1mm）、具有较大的灰质/白质信号差和许多大脑结构的细节。用sMRI可以计算许多衍生特征，包括皮质厚度、皮层折叠、沟深、基于分割的局部脑区的形变以及大小的度量， 由此sMRI能够定性和定量地度量大脑皮层和皮层下结构的发育和变化，包括大脑的大小和形状；同时广泛用于临床上疾病的检测，诊断、分期、随访以及大脑发育研究。

扩散加权磁共振成像（DWI）

扩散加权磁共振成像（DWI）主要用于测量生物组织内水分子的布朗运动，创建分辨率为1.25-3mm且包含多个b值的DWI图像。DWI能够通过图像灰度信号描述人体组织中水分子扩散运动受限制的方向和程度等信息，从而间接反映白质的微观结构，绘制大脑中白质纤维束。DWI可以计算很多衍生特征，包括沿白质轨迹（或在白质区域内）的不变度量（如各向异性扩散）和它相关的加权，以及二元网络度量（如连接所有白质区域对的纤维数量）。DWI目前已在临床上被用于肿瘤、疑似急性缺血性脑损伤、颅内感染、肿块、创伤和水肿的诊断，它并且还被用于构造连接组。

图1：不同成像技术以及提取的影像特征

功能磁共振成像（fMRI）

功能磁共振成像(fMRI)主要测量与脑功能相关的血氧水平依赖(BOLD)的血流反应，生成空间分辨率为3-4mm，时间分辨率为1-3s以及可以反映代谢功能和神经元活动的图像。它允许我们在某些特定任务、静息状态和自然状态下间接或无创地测量大脑功能，具体可以分为：基于任务的功能磁共振成像(tfMRI)和静息状态的功能磁共振成像(rsfMRI)。用fMRI可以计算一些衍生特征，包括体素激活模式(如beta图像)、基于区域的激活和交互模式，以及加权和二元网络度量(如所有感兴趣区域对的相关矩阵)。fMRI常被用于不同任务下的脑活动图检测、脑异常检测和术前脑功能检测。

正电子发射断层成像（PET）

    正电子发射断层成像(PET)主要通过测量放射性示踪剂(如18F-FDG)在人体内的代谢，生成空间分辨率为4-5mm、时间分辨率为几十秒到几分钟不等，用以揭示组织代谢(如血流、氧和葡萄糖代谢)的图像。一些基于PET的衍生特征包括，体素激活模式(例如，标准摄取比(SUR)图像)和基于区域的激活和交互模式。PET能够定性和定量地测量大脑的生理和解剖学以及生化特性，常被用于绘制脑功能图，并检测与阿尔茨海默病、焦虑和中风相关的脑神经生理学和神经化学异常。

计算机断层扫描（CT）

计算机断层扫描(CT)测量人体内不同组织对X射线的吸收情况，生成高空间分辨率（数十纳米）、可以无损地揭示器官的内部细节(例如软组织或骨骼)的图像。基于CT的衍生特征包括，局部或区域的体积和厚度的测量。CT能够定性和定量地测量大脑组织和大脑结构，如头骨和血管；已被用于诊断一系列疾病，如血管异常、脑萎缩、出血、肿胀、中风和肿瘤。但是，CT作为一种放射诊断技术可能会有一些不良后果，例如造成组织损伤或者诱发癌症。

脑电图（EEG）

脑电图（EEG）主要通过测量神经元电活动产生的电场，构建具有毫秒或更小的高时间分辨率的用于描述头皮电活动的电图。EEG能够间接且无创地测量皮层锥体神经元的同步树突活动。然而，EEG的空间分辨率较差（范围在），这主要取决于电极的数量（几十到几百之间不等）。基于EEG的衍生特征包括，事件相关电位（如刺激开始）、连通测量、网络测量和脑电图频谱内容中的神经振荡类型，包括（1-4Hz）、（4-8Hz）、活动（8-12Hz）、（13-30Hz）、低（30-70Hz）和高（70-150Hz）。EEG已被用于诊断和治疗脑肿瘤、脑损伤、脑功能障碍、睡眠障碍、焦虑、癫痫、炎症和中风。

脑磁图（MEG）

脑磁图（MEG）主要通过测量神经元电活动所产生的磁场，生成具有毫秒或更小的高时间分辨率和几毫米的中等空间分辨率的，用于描述脑电活动的电图。与头皮脑电图相比，MEG使用非常灵敏的磁强计来间接、无创地测量神经元树突突触后的细胞内电流的切向分量。MEG与EEG具有相似的衍生特征，MEG已被用于识别大脑的功能区域，包括感觉、运动、语言和记忆活动的中心，并用于寻找癫痫发作源的精确位置。

功能性近红外光谱（fNIRS）

功能性近红外光谱（fNIRS）使用红外光（650-900nm）来测量与大脑功能相关的皮层血氧水平依赖（BOLD）的变化情况，创建一个大脑皮层以下具有高时间分辨率（毫秒）和空间分辨率（毫米）的BOLD信号电图。fNIRS与EEG和fMRI具有相似的衍生特征。fNIRS已被应用于研究正常和病理性大脑的生理学区别，以及研究婴幼儿和儿童的行为和认知发育。

Tulay等人在2019年的研究中表明，人们对开发融合多种模态的神经成像技术非常感兴趣，因为没有一种单一的成像技术能够完全描述大脑生理和病理的复杂变化过程。运用不同模态的神经成像技术，可以得到信息的互补，从而绘制出大脑在不同临床条件、不同任务、休息状态和正常发育下的较为全面的脑图。具体地，多模态神经成像有三类，分别为结构-结构组合，功能-功能组合和结构-功能组合。例如，fMRI/EEG结合作为功能-功能组合的代表，既能提高空间和时间分辨率，又具有跨不同维度的交叉验证结果。CT-MRI同步扫描仪作为结构-结构组合的一种特例，将MRI的高对比度分辨率与CT的高空间分辨率相结合。结构-功能组合，包括EEG/sMRI、PET/CT、PET/MRI，将解剖结构与功能动力学联系起来，改善了对脑功能基础解剖结构的绘制，模拟了脑动态过程。此外，科学家们将DWI/sMRI提取的解剖网络与fMRI/EEG/MEG提取的局部动态特征以及PET提取的代谢作用相结合，提出了完整的脑模型（Deco等，2015）。这些全脑模型通常由三个基本元素组成，包括脑区分割（例如Glasswe等2016年提出的HCP-MMP）、人类连接组的解剖连接矩阵、每个大脑活动区域的局部动力学和与其他区域的交互作用。

三、图像预处理（Image Processing Analysis, IPA）方法

文章讨论了神经影像数据的四大主要特性，回顾了现有用于处理神经影像数据的主要IPA方法，并阐述了与IPA相关的主要统计挑战。

3.1脑影像数据的四大特性

  如何很好地处理脑影像数据必须考虑下述四大数据特征。

复杂的大脑

所有的神经成像技术都是为了间接或直接地测量人脑中的大脑、小脑、脑干、间脑（丘脑和下丘脑）、边缘系统、网状激活系统和脑室系统的结构和功能。例如，大脑是前脑的一部分，由大脑皮层的灰质作为外层，白质作为内层。它负责处理语言、运动功能、记忆、视觉、性格和其他认知功能。大脑皮层由额叶、颞叶、顶叶和枕叶组成，其表面则由脑回和脑沟组成。此外，人脑利用神经元作为信息信使，向大脑不同区域和身体发送电脉冲和化学信号，以控制生理过程，并对环境变化做出反应。此外，还有两组血管，包含椎动脉和颈动脉，向大脑提供血液和氧气。大脑中的这些结构是不同神经成像模型的目标对象。

复杂的时空结构

神经影像数据一共有三种不同的时空结构，包括时空的分辨率、时空平滑性，和时空相关性。在前面，本文已经讨论了八种神经成像技术不同的时空分辨率，一般来说，更好的空间（或时间）分辨率能够更好地进行空间或时间的定位，但是在某些情况下（如DWI），更好的空间分辨率会降低信噪比。此外，由于不同脑区固有的平滑结构，神经影像数据可能包含空间相邻的平滑区域和边缘相对不平滑的区域，由此影像数据里有局部较强的时空平滑性和时空相关性。此外，不同脑区之间的长距离相关性可能是由呼吸、心律和认知过程造起的。

高维数据

即使对单个受试者，神经影像数据及提取的特征数据都有极高的维度。例如，对于一位受试者，三维（3D）DWI图像的数量有几十到几百不等的全脑图，而它提取的特征数据包括各种扩散相关的三维图像，如扩散张量和各项异性分数、全脑纤维束数据可包含超百万条纤维束、沿白质束的扩散特性和结构连通性网络指标。对于一位受试者，三维tfMRIs的全脑图也有几百个，而提取的特征数据包括3D激活模式、基于脑区的激活和交互模式以及加权，和二元的脑网络指标。

个体受试者和跨中心/组间的异质性

神经影像数据可表述为

以上记为模型1，其中噪声包含各种噪声成分，如背景噪声（Smith 和 Nicholas, 2018）。模型1强调了两点，一是影像数据是大脑、设备、采集参数和不同噪声引入的不同因素的混合，二是大脑变化是由年龄、基因、种族、脑相关疾病，外部刺激、生活方式，和环境等因素一起作用而引起的。此外，即使是短时间内，单个受试者在同一扫描仪中测出来的功能图像可能变化较大，而结构图像比功能图像相对稳定得多。然而，同一个个体在两台不同扫描仪获得的同一类脑结构图像中，人们可观察到一些显著的差异。一个成熟的成像技术需要感兴趣的条件引起的大脑变化比由噪声、采集参数和设备引起的变化大。图2中A展示了基于UKB重测数据集的成像显型的类内相关系数（ICC）的可复现性。可以看到，大脑和心脏的结构特征比大脑的功能特征具有更强的可复现性，表明大脑功能的复杂性和可变性。

图2：基于UKB的7类不同影像学特征的可复现性（左图）和遗传性（右图），包括脑区体积、脑扩散系数参数、心脏MRI特征、基于脑独立成分分析的静息状态fMRI全连接和部分连接、12种基于网络的脑rsfMRI全连接和12种基于网络的脑tfMRI全连接。

文章接下来回顾了现有文献中的两类IPA方法，包括反卷积和结构学习。

3.2 IPA：反卷积

反卷积是指对有各种噪声成分的影像数据进行重建或去噪的计算或统计方法。反卷积可进一步分为图像重建和图像增强（Park等，2003；Hansen和Kellman，2015）。图像重建旨在从成像设备获得的原始数据来重建临床可解释的图像。例如，MRI图像是在k维空间获取的，需要特定的图像重建过程在图像空间来重建磁共振数据。MRI重建的几个关键方法包括噪声预白化、k空间零填充、原始数据滤波、傅里叶变换和相控阵线圈组合（Hansen和Kellman，2015）。最近，压缩感知算法和深度学习方法在快速MRI采集和重建中发挥了关键作用（Chen等，2022；Lustig等，2008）。此外，为了构建人脑相关的局部特征，在图像空间中的大多数影像数据仍然需要额外的重构。比如DWI的扩散张量、sMRI的皮质表面、DWI的白质纤维束以及fMRI和fNIS的血流动力响应函数（Ombao等，2016；Zhu等，2007；Yeh等，2021；Seghouane和Ferrari，2019；Liu等，2008；Jenkinson等，2012）。

图像增强是为了提升图像的质量，以便更好地进行表示和分析。常用的增强任务包括去噪、超分辨率、偏差场校正和纠偏。其中，针对模型1中所描述的设备和噪声这两大易混淆因素，现有文献提出了偏差场校正和纠偏。具体而言，影像数据中的偏差场是一种低频强度且非均匀的误差，是各种图像分析任务中潜在混杂因素，如组织分割（Song等，2017）。各种偏差校正方法，比如非参数非均匀强度归一化（N3）算法，根据偏差场来源和偏差校正中使用特征的不同，可分为前瞻性方法和回顾性方法两类（Song等，2017）。影像数据的纠偏旨在纠正在个体受试者中也存在的显著的组间和组内的差异，这些差异可能是由硬件、重建过程和采集参数所引起的。在多组间和多中心的影像数据集中，这种差异在不同的受试者中更为显著。因此，研究者对开发各种纠偏方法非常感兴趣，包括替代变量方法、meta分析、mega分析、基于仿真模具的纠偏深度学习或联合关联测试（Combat），和纠正影像数据集的组间和组内差异（Yu等，2018；Chen等，2021）。

3.3 IPA：结构学习

结构学习包括从重建的图像数据中提取感兴趣信号的计算和统计方法。它主要包含图像分割和图像配准（Sotiras等，2013；Li等，2019；Zhou等，2021；Shen等，2017；Bharati等，2022；Miller和Younes，2001；Grenander和Miller，2007；Hesamian等，2019；Srivastava和Klassen，2016）。

图像分割旨在将重建的神经影像数据标记为对临床和科研有意义的亚组，包括量化大脑发育、病理定位、手术规划，和图像引导干预。现有的图像分割方法大致可分为传统的分割技术、机器学习方法，和深度学习方法。比如，前者主要包括基于信号强度的方法或基于表面的方法，后者主要基于全连接网络FCNs和U-Net模型（Isensee等，2021；Hesamian等，2019）。图像分割任务包括头骨剥离、皮层和皮层下结构分割、白质纤维束分割、功能分割，和病变定位（Kalavathi和Prasath，2016；Eickhoff等，2018；Fischl，2012；Wasserthal等，2018；Havaei等，2017；Isensee等，2021）。这些技术可以提取大量重要的特征，包括大脑结构的局部特性，短期、中期和长期的结构和功能连接模式，以及结构和功能的标记。

图像分割任务有三个重要的应用。首先，它们极大地压缩了影像数据的维度，同时提供了强大的生物学解释。其次，精炼的大脑结构和功能分区提升了我们对人类大脑背后跨多区域、多尺度和多任务的脑区组织的理解。第三，图像分割的一个重要临床应用是计算机辅助诊断病灶定位，然后是预测病灶类型（Zhou等，2021）。

图像配准旨在将不同受试者的影像数据的空间坐标映射到同一空间坐标系（Bharati等，2022；Miller和Younes，2001；Grenander和Miller，2007；Hesamian等，2019；Srivastava和Klassen，2016）。图像配准的重要应用包括大脑图谱的构建、多模型融合、大脑发育的量化、总体分析、纵向分析、自动图像分割、形状分析和病理定位。大多数图像配准算法由三个部分组成，包括相似性度量、映射模型和优化过程。相似性度量可以是基于强度的，比如互信息或相关性指标，也可以是基于特征的，比如图像特征之间的距离，像点、线、和轮廓。映射模型可以分为刚性模型（包含平移和旋转）、仿射模型、同形模型，和变形模型。变形模型（Sotiras等，2013）可以进一步分为基于物理模型的方法，基于插值的方法，和基于知识的方法，这些方法会导致不设定问题的产生。它需要施加隐式和显式的正则化约束，如硬性约束、拓扑保持、体积保持和刚性约束。最近，人们对基于深度学习的图像配准方法越来越感兴趣，如深度迭代配准、深度监督配准、和深度无监督配准（Bharati等，2022）。这些基于深度学习的模型通过前向计算实现了几秒内完成配准，同时也与传统方法有着不相上下的准确性。

基于神经影像的人脑图谱构建是图像配准最重要的应用之一。其制图方法已被广泛应用于基于尸体创建解剖图谱，并建立了坐标和大脑结构之间的空间对应关系。近年来，由于许多先进的成像技术、脑绘图方法、大规模神经影像数据集和配准方法等的应用，我们见证了人类大脑图谱的巨大进化（如Yeo-Network，AHB，或HCP-MMP）（Glasser等，2016；Eickhoff等，2018；Toga等，2006；Nowinski，2021）。人脑图谱已经被应用于各种不同的重要场景，包括大脑结构、功能活动、解剖和功能连接、异常、遗传和蛋白质信息、脑细胞类型、寿命、时空尺度、和种族等等。在不久的将来，现代人脑图谱可能会对不同年龄、性别、行为任务、群体、和疾病状态的人群提供对大脑结构和功能的全面综合描述。

3.4 IPA的通用统计模型

文章讨论了一个通用的IPA统计模型，包括去噪、超分辨率、重建、分割和配准。首先考虑图像重建问题。假设有一组观测为，其中和分别为成像向量和预测向量，它们可能取决于成像设备、采集参数和噪声分量中的可观测混杂因素。假设给定，服从概率分布，其中为参数(函数)向量，为冗余参数向量，为函数向量。作者给出了两个例子。第一个例子考虑空间中的原始sMRI数据，那么是空间中的复磁共振成像(MRI)的测量值，包含它的坐标和其它MRI扫描参数，为空间的观察总数，而为图像空间中的sMRI。第二个例子是关于DWI数据，在这种情况下，为DWI，包含b值和扩散方向，为DWI的观察总数，为扩散张量的图像。许多反卷积方法的主要目的是通过极大化下面的式子（2）来估计：

其中和是两个基于先验信息的正则化项, 比如稀疏性和时空结构。接下来，文章又讨论了如何利用加权损失函数在(2)式中构造来对图像去噪。许多去噪方法通过在每个位置的邻近位置对信号进行合并来处理加权损失函数。此外，还可以建立一个递增的邻域尺寸序列，从最小尺寸到最大尺寸依次拟合(2)式中的加权损失函数，同时借鉴之前的尺寸信息来估计(Polzehl 和Spokoiny, 2000；Li 等，2011)。在这种情况下，可能依赖于每个位置的相邻位置上的所有观测值，因此它对位置和邻域大小都有很强的依赖性。具体来说，估计(2)式中的最小值，记为，然后用自适应平滑方法依次计算时的，并保持空间平滑和边界(Buades等，2005)。

图像分割和配准也可以表述为(2)式的特例。对于图像分割，和分别是用于分割的输入图像数据和输出的分割结果，为标注图像数据的个数，可以是一个时空正则化项。对于图像配准，假设和分别是源图像和目标图像。在这种情况下，，，其中是一个变换模型，是一个选择用于匹配的匹配准则, 被施加于上以产生某种约束(例如，微分同胚) (Bharati 等，2022; Miller 和Younes，2001; Grenande和Miller，2007;Hesamian等，2019;Srivastava和Klassen，2016)。

3.5与 IPA相关的主要统计挑战

在本小节的最后，作者回顾了重建、增强、分割和配准四大IPA技术，它们是图像预处理的关键模块，但这些模块都需要进行大量的验证，这也是一项艰巨且十分困难的任务。例如，尽管深度学习比传统方法显著地提升了分割精度，但这些分割方法需要在好的标注数据中进行验证。然而，目前还没有一个公开的、具有详细标注信息的高质量的神经影像数据集，这极大地限制了分割方法在临床上的应用。相比之下，公开数据集ImageNet对计算机视觉中的深度学习方法的发展起了至关重要的作用。为了解决标注数据的瓶颈，我们需要完善几个关键的任务，包含好的标注流程，收集有代表性的数据集，开发主动学习和强化学习的流程(Budd等，2021；Zhou等，2021)，以及评价图像分割的系统。以上建议对于验证大多数图像配准方法来说也是有效的。

最后作者介绍了一个完整的DWI数据预处理的例子，它包含七个基本步骤：(i) 纤维束方向重建，(ii) 白质纤维束的跟踪，(iii) 白质纤维束的分割，(iv) 白质纤维束的配准，(v)沿白质纤维束扩散特性和结构连通性度量的提取，(vi)可视化，和(vii)统计分析。虽然在过去二十年中，步骤(i)-(vii)已经取得了重大技术进展，但步骤(ii)-(iv)仍然面临重大技术障碍。具体来说，根据多重纤维束成像技术的结果，大多数最先进的算法产生的假白质纤维束比有效白质纤维束要多得多(Schilling等，2019，2022)，从而导致错误的结构连通性度量。这些错误的白质纤维束主要是由DWI成像技术的局限性和白质纤维束结构的复杂性造成的。例如，最近一次比较有影响力的DWI相关算法的挑战赛，任务是对6个受试者的白质纤维束数据集分割为14个白质束(Schilling等，2021)。比赛结果显示57个顶级分割流程和技术算法表现出很大的差异性。这种差异主要是由白质纤维结构的复杂性, 缺乏好的验证数据集, 和聚类技术本身的局限性造成的。此外，白质纤维束的追踪和分割的不确定性极大地影响下游白质纤维结构连通性指标的提取和量化(Schilling等，2021)。另一个技术障碍是现有的白质纤维束配准算法有很大的瑕疵 (Srivastava和Klassen, 2016)，而且这些方法忽略了沿纤维束的扩散特性信息(Zhang 等， 2018)，由此导致配准结果不准确。最后，基于纤维束的空间统计方法(TBSS) (Smith 等，2006) 是一种具有高复现性的鲁棒方法（图2），它将白质的扩散特性投影到整个大脑白质骨架上来进行统计分析，但TBSS不具有单个纤维束的特性。

参考文献

[1] Bharati, S., M. Mondal, P. Podder, and V. Prasath (2022). Deep learning for medical image registration: A comprehensive review. arXiv preprint arXiv:2204.11341.

[2] Buades, A., B. Coll, and J.-M. Morel (2005). A review of image denoising algorithms, with a new one. Multiscale modeling and simulation 4(2), 490–530.

[3] Budd, S., E. C. Robinson, and B. Kainz (2021). A survey on active learning and human-in-the-loop deep learning for medical image analysis. Medical Image Analysis 71, 102062.

[4] Chen, Y., C.-B. Schonlieb, P. Liὸ, T. Leiner, P. L. Dragotti, G. Wang, D. Rueckert, D. Firmin, and G. Yang (2022). Ai-based reconstruction for fast mri—a systematic review and meta-analysis. Proceedings of the IEEE 110(2), 224–245.

[5] Chen, A. A., C. Luo, Y. Chen, R. T. Shinohara, and H. Shou (2021). Privacy-preserving harmonization via distributed combat. NeuroImage, 118822.

[6] Deco, G., G. Tononi, M. Boly, and M. L. Kringelbach (2015). Rethinking segregation and integration: contributions of whole-brain modelling. Nature Reviews Neuroscience 16(7), 430–439.

[7] Eickhoff, S. B., B. Yeo, and S. Genon (2018). Imaging-based parcellations of the human brain. Nature Reviews Neuroscience 19(11), 672–686.

[8] Fischl, B. (2012). Freesurfer. NeuroImage 62(2), 774–781.

[9] Glasser, M. F., T. S. Coalson, E. C. Robinson, C. D. Hacker, J. Harwell, E. Yacoub, K. Ugurbil, J. Andersson, C. F. Beckmann, M. Jenkinson, et al. (2016). A multi-modal parcellation of human cerebral cortex. Nature 536(7615), 171–178.

[10] Grenander, U. and M. I. Miller (2007). Pattern Theory From Representation to Inference. Oxford University Press.

[11] Hansen, M. S. and P. Kellman (2015). Image reconstruction: an overview for clinicians. Journal of Magnetic Resonance Imaging 41(3), 573–585.

[12] Havaei, M., A. Davy, D. Warde-Farley, A. Biard, A. Courville, Y. Bengio, C. Pal, P.-M. Jodoin, and H. Larochelle (2017). Brain tumor segmentation with deep neural networks. Medical image analysis 35, 18–31.

[13] Hesamian, M. H., W. Jia, X. He, and P. Kennedy (2019). Deep learning techniques for medical image segmentation: achievements and challenges. Journal of digital imaging 32(4), 582–596.

[14] Isensee, F., P. F. Jaeger, S. A. Kohl, J. Petersen, and K. H. Maier-Hein (2021). nnu-net: a selfconfiguring method for deep learning-based biomedical image segmentation. Nature methods 18(2), 203–211.

[15] Jenkinson, M., C. F. Beckmann, T. E. Behrens, M. W. Woolrich, and S. M. Smith (2012). Fsl. NeuroImage 62(2), 782–790.

[16] Kalavathi, P. and V. Prasath (2016). Methods on skull stripping of mri head scan images—a review. Journal of digital imaging 29(3), 365–379.

[17] Li, G., L. Wang, P.-T. Yap, F. Wang, Z. Wu, Y. Meng, P. Dong, J. Kim, F. Shi, I. Rekik, et al. (2019). Computational neuroanatomy of baby brains: A review. NeuroImage 185, 906–925.

[18] Li, Y., H. Zhu, D. Shen, W. Lin, J. H. Gilmore, and J. G. Ibrahim (2011). Multiscale adaptive regression models for neuroimaging data. Journal of the Royal Statistical Society. Series B 73(4), 559–578.

[19] Liu, T., J. Nie, A. Tarokh, L. Guo, and S. T. Wong (2008). Reconstruction of central cortical surface from brain mri images: method and application. NeuroImage 40(3), 991–1002.

[20] Lustig, M., D. L. Donoho, J. M. Santos, and J. M. Pauly (2008). Compressed sensing mri. IEEE signal processing magazine 25(2), 72–82.

[21] Miller, M. I. and L. Younes (2001). Group actions, homeomorphisms, and matching: A general framework. International Journal of Computer Vision 41(1-2), 61–84.

[22] Nowinski, W. L. (2021). Evolution of human brain atlases in terms of content, applications, functionality, and availability. Neuroinformatics 19(1), 1–22.

[23] Ombao, H., M. Lindquist, W. Thompson, and J. Aston (2016). Handbook of Neuroimaging Data Analysis. CRC Press.

[24] Park, S. C., M. K. Park, and M. G. Kang (2003). Super-resolution image reconstruction: a technical overview. IEEE signal processing magazine 20(3), 21–36.

[25] Polzehl, J. and V. Spokoiny (2000). Adaptive weights smoothing with applications to image restoration. Journal of the Royal Statistical Society. Series B 62(2), 335–354.

[26] Schilling, K. G., V. Nath, C. Hansen, P. Parvathaneni, J. Blaber, Y. Gao, P. Neher, D. B. Aydogan, Y. Shi, M. Ocampo-Pineda, et al. (2019). Limits to anatomical accuracy of diffusion tractography using modern approaches. NeuroImage 185, 1–11.

[27] Schilling, K. G., F. Rheault, L. Petit, C. B. Hansen, V. Nath, F.-C. Yeh, G. Girard, M. Barakovic, J. Rafael-Patino, T. Yu, et al. (2021). Tractography dissection variability: what happens when 42 groups dissect 14 white matter bundles on the same dataset? NeuroImage 243, 118502.

[28] Schilling, K. G., C. M. Tax, F. Rheault, B. A. Landman, A. W. Anderson, M. Descoteaux, and L. Petit (2022). Prevalence of white matter pathways coming into a single white matter voxel orientation: The bottleneck issue in tractography. Human brain mapping 43(4), 1196–1213.

[29] Seghouane, A.-K. and D. Ferrari (2019). Robust hemodynamic response function estimation from fnirs signals. IEEE Transactions on Signal Processing 67(7), 1838–1848.

[30] Shen, D., G. Wu, and H.-I. Suk (2017). Deep learning in medical image analysis. Annual review of biomedical engineering 19, 221–248.

[31] Smith, S. M. and T. E. Nichols (2018). Statistical challenges in “big data” human neuroimaging.

Neuron 97(2), 263–268.

[32] Smith, S. M., J. M., H. Johansen-Berg, D. Rueckert, T. E. Nichols, C. E. Mackay, K. E. Watkins, O. Ciccarelli, M. Cader, P. Matthews, and T. E. Behrens (2006). Tract-based spatial statistics: voxelwise analysis of multi-subject diffusion data. NeuroImage 31, 1487–1505.

[33] Song, S., Y. Zheng, and Y. He (2017). A review of methods for bias correction in medical images. Biomedical Engineering Review 1(1).

[34] Sotiras, A., C. Davatzikos, and N. Paragios (2013). Deformable medical image registration: A survey. IEEE transactions on medical imaging 32(7), 1153–1190.

[35] Srivastava, A. and E. P. Klassen (2016). Functional and shape data analysis, Volume 1. Springer.

[36] Toga, A. W., P. M. Thompson, S. Mori, K. Amunts, and K. Zilles (2006). Towards multimodal atlases of the human brain. Nature Reviews Neuroscience 7(12), 952–966.

[37] Tulay, E. E., B. Metin, N. Tarhan, and M. K. Arıkan (2019). Multimodal neuroimaging: basic concepts and classification of neuropsychiatric diseases. Clinical EEG and neuroscience 50(1), 20–33.

[38] Wasserthal, J., P. Neher, and K. H. Maier-Hein (2018). Tractseg-fast and accurate white matter tract segmentation. NeuroImage 183, 239–253.

[39] Yeh, C.-H., D. K. Jones, X. Liang, M. Descoteaux, and A. Connelly (2021). Mapping structural connectivity using diffusion mri: Challenges and opportunities. Journal of Magnetic Resonance Imaging 53(6), 1666–1682.

[40] Yu, M., K. A. Linn, P. A. Cook, M. L. Phillips, M. McInnis, M. Fava, M. H. Trivedi, M. M. Weissman, R. T. Shinohara, and Y. I. Sheline (2018). Statistical harmonization corrects site effects in functional connectivity measurements from multi-site fmri data. Human brain mapping 39(11), 4213–4227.

[41] Zhang, Z., M. Descoteaux, J. Zhang, G. Girard, M. Chamberland, D. Dunson, A. Srivastava, and H. Zhu (2018). Mapping population-based structural connectomes. NeuroImage 172, 130–145.

[42] Zhou, S. K., H. Greenspan, C. Davatzikos, J. S. Duncan, B. Van Ginneken, A. Madabhushi, J. L. Prince, D. Rueckert, and R. M. Summers (2021). A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises. Proceedings of the IEEE.

[43] Zhou, S. K., H. N. Le, K. Luu, H. V. Nguyen, and N. Ayache (2021). Deep reinforcement learning in medical imaging: A literature review. Medical image analysis 73, 102193.

[44] Zhu, H., H. Zhang, J. G. Ibrahim, and B. S. Peterson (2007). Statistical analysis of diffusion tensors in diffusion-weighted magnetic resonance imaging data (with discussion). Journal of the American Statistical Association 102(480), 1085–1102.