NeuroImage︱浙大吴丹课题组发布基于新生儿多模态影像数据的多尺度分割脑区模板

撰文︱李名扬

审阅︱吴   丹责编︱王思珍，方以一

研究者普遍认为大脑皮层可以被分成很多结构、功能属性上存在显著差异的区域。一个好的分区模板可以帮助研究者对大脑进行更加细致的研究，同时有利于不同研究之间结果的比较[1]。目前在成人中已经存在很多高质量的模板，这些模板有的依据大脑沟回信息将皮层分为数十个区域 [2]。，有的则利用更加精细的功能，或结构连接信息将皮层分为数百个区域[3]。，可以广泛适用于不同尺度的研究。但是，新生儿阶段的大脑分区模板则非常有限，目前只有基于新生儿大脑结构信息和功能连接信息制作的分区模板。前者只包含数十个脑区[4]。，难以对脑区进行更加精细的研究，而后者则是通过自动化算法获的分区模板，虽然提示线粒体功能异常可能是抑郁症脑内突触变化的细胞生物学基础。（因编辑失误，本蓝色文字，非本稿件内容）具有数百个区域[5]。，但是左右半球对称性差，且大部分脑区都缺乏足够的可解释性。所以本研究旨在利用新生儿多模态影像数据来构建一组多尺度的分区模板，以适应新生儿阶段脑连接组学研究的需要。

2023年3月31日，浙江大学生物医学工程与仪器科学学院吴丹教授课题组在 NeruoImage上发表了题为“Multi-modal multi-resolution atlas of the human neonatal cerebral cortex based on microstructural similarity” 的文章，发布了一组利用新生儿皮层形态成像、弥散成像、功能成像等多组学数据构建的新生儿大脑皮层分区模板，该模板包括一组手动生成的较为对称的分区（210脑区）模板和多组由自动化算法生成的更加精细的模板（300，400，500），以适用于未来对新生儿大脑上的连接组学及结构-功能耦合研究。（拓展阅读：吴丹课题组相关研究进展，详见“逻辑神经科学”报道（点击阅读）：Neuro-Oncol︱浙大吴丹/张洪锡课题组通过新型弥散磁共振技术实现儿童神经胶质瘤的病理分级与分子分型）

目前新生儿大脑分区模板都只是使用单一模态的影像信息作为分区标准，例如利用结构图像信息分区的M-CRIB模板[4]，使用白质纤维信息分区的JHU模板6，或者是使用静息态功能图像信息分区的UNC FC 模板[5]。但是，单一模态影像数据所能提供的信息相对贫乏，例如通过沟回信息一般就只有数十个大脑分区，不适合对皮层更加精细的研究。而功能连接信息结合自动化算法虽然能够按照研究者预设的参数将大脑分成数百个脑区，但是这些脑区只是对功能连接具备较好的同质性，如果用在结构连接的分析上则可能带来一定的偏差。结合多模态影像数据可以获得更加丰富的信息[1]，这些信息可以使得对大脑的分区更加精细。同时，不同模态信息对分区结果也可以起到相互验证的效果，因而得到更加可靠且不至于极端偏向于特定模态信息的结果。

作者使用来自人类发展连接组学（dHCP）研究中348名新生儿的多模态影像组学数据7（结构，静息态功能和弥散磁共振成像）来生成这样一个模板（生成流程见图1）。作者通过T1和T2加权数据得到皮层厚度，皮层T1/T2 髓鞘化程度，通过弥散张量模型的到常见的各向异性指数（FA）、平均扩散系数（MD）、轴向（AD）和径向（RD）扩散指数，通过NODDI模型得到突触密度和定向扩散系数，以及通过静息态功能磁共振数据得到低频振幅（ALFF）和低频振幅分数(fALFF)，作者将所有10种指标投射到dHCP提供的标准皮层模板上，作者分区的基本逻辑就是如果相邻的点在以上10种指标上具有很高的相似性，那么这些点就应该被化分成一个区域。具体而言，作者先通过主成分分析先对10种信息进行降维，作者选择前5个主成分（可以解释90%的变异）通过计算顶点之间的马氏距离来估计皮层上各个顶点之间的相似性。再利用“watershed by flooding”算法计算这些距离图像对应的梯度图像，这些梯度反应了相似性的变化，变化较高的地方就是潜在的脑区间边界[8]。作者将所有梯度图像平均起来获得一张全脑的边界密度图像，这样从图像中就已经可以看出一些明显的边界了(图2)。

图1. 利用多模态图像信息生成边界密度图像的流程图。

图2. 平均距离图、平均梯度图和边界密度图。

在确定最终分区之前，作者对以上过程进行了一些检验，以确保结果的稳定性和可重复性。一方面，作者通过剔除（或者加入）影像信息来确认作者所计算的梯度图像是否具有一定的稳定性，结果这些操作并不会对最终的梯度图像有明显的影响，另一方面，作者通过分半检验来确认以上信息在群体水平上的可重复性，并发现所有原始指标，以及衍生数据在两组人上的相关性都大于0.95，说明作者所使用的信息具有群体水平上很高的可重复性。

对脑区分区时，作者先是使用“watershed by flooding”算法来进行自动化的脑区划分，并生成了300 （图3），400和500三种分辨率的结果以方便后续研究的选择。但是作者发现自动化算法对参数敏感，并且生成的结果左右对称性差，不具备较高的可解释性。因此，作者又结合先验的解剖知识人工的生成一个分区模板，作者在上述梯度密度图像的基础上，人工选择出左右对称的边界进行分区，凭借经验剔除噪音引起的边界，并且对生成的分区进行统计检验，确保每条边界都能够显著区分相邻的区域的距离信息（脑区内顶点距离显著小于脑区间的顶点距离），以及原始数据信息（在原始10种信息中至少有一种信息能够被显著区分）。最终生成一组包含210脑区的，左右半球较为对称的脑区模板 （图3）。发布的模板可以在https://github.com/MingyangLeee/Neonatal-multimodal-parcellation 获得。

图3，a)通过自动算法(300脑区)和手动方法(210脑区)生成的分区模板。b)分区模板实际分区边界线和原始的边界密度图。

文章结论与讨论，启发与展望

总之，这一研究生成的模板结合了新生儿多模态影像组学的信息，具有较好的稳定性和可重复性，其中手动生成的模板具有较好的对称性，其中各个分区都有明确的结构位置标注，具有较强的可解释性。另外自动化算法生成的模板具有更多的脑区，可以适用于更加细致的研究目的。但是目前工作中仍有一些不足的地方，第一是作者当前的工作并未整合进一些连接组的信息，例如静息态功能连接和白质结构连接， 这些连接信息可能可以提供更加有意义的区分依据。第二是作者手动的分区带有较高的主观因素，未来可以考虑加入机器学习或者深度学习的方式来进行自动化的分区，以兼顾分区的可解释性和客观性

原文链接：https://www.sciencedirect.com/science/article/pii/S1053811923002173

本研究第一作者为吴丹教授课题组博士后李名扬。研究受到科技部基金、国家自然科学基金和浙江省科技厅基金资助。同时感谢dHCP团队公开的数据。

吴丹教授课题组聚焦于磁共振成像技术与神经影影像分析，诚邀对医学影像感兴趣的博士生和青年研究员。实验室详情请见https://person.zju.edu.cn/danwu

吴丹教授课实验室合照

（照片提供自吴丹教授课实验）

转载须知：“逻辑神经科学”特邀稿件，本内容著作权归作者和“逻辑神经科学”共同所有，欢迎个人转发分享，未经授权禁止转载，违者必究。

辑神经科学群：文献学习2

扫码添加微信，并备注：逻辑-文献-姓名-单位-研究领域-学位/职称      

往期文章精选【1】Science︱重磅！胞内抗体TRIM21介导小鼠模型中tau蛋白免疫治疗的有效性【2】PHR︱重医谢鹏团队揭示核受体相关蛋白Nr4a2的抗抑郁新机制【3】J Neuroinflammation｜复旦汪军/王彦青团队揭示小胶质细胞AhR受体调控吞噬作用改善脱髓鞘损伤中的机制
【4】Transl Res︱南师大郭志刚/胡志刚团队发现促进CAR-T细胞高效通过血脑屏障治疗脑胶质瘤新机制【5】PNAS︱新技术-新发现-新想法：李毓龙/罗敏敏团队揭示“睡眠因子”腺苷的释放及调控机制
【6】CNSNT︱阿尔茨海默病基线期神经网络特征是rTMS靶点选择的重要依据【7】Neurosci Bull︱上理宋波团队揭示神经元中三羧酸循环NAD+还原反应可以释放中红外光子
【8】Neuron︱突破！神经元类型决定了α-突触核蛋白和tau蛋白毒性【9】Neuron︱北大李毓龙团队利用新型GRAB探针，解析组胺在睡眠-觉醒过程中的动态变化【10】PNAS︱首次！浙大/浙中医大陈忠团队建立全脑3D组胺能神经投射图谱科研学习课程精选【1】多模态脑影像数据的处理与分析及论文写作培训班（4月15-16日，腾讯会议）【2】Python生物信息从入门到进阶研讨会（4月7-9日，腾讯会议）【3】计算机辅助药物设计技能实操研讨会（4月15-16日，腾讯会议）【5】肠道菌群与代谢组学研究策略研讨会（4月22-23日  腾讯会议）【6】单细胞测序与空间转录组学数据分析研讨会（4月15-16日，腾讯在线会议）【7】膜片钳与光遗传及钙成像技术研讨会（4月8-9日 腾讯会议）学术会议预告【1】会议通知︱第五届北京·山东BABRI脑健康与认知障碍高峰论坛暨第三届中国老年脑健康大会（2023年4月21-23日，山东济南）【2】会议通知︱中国神经科学学会神经胶质细胞分会2023学术年会暨“神经胶质细胞代谢调控与疾病”专题国际研讨会（2023年5月5-7日，苏州）
【3】会议通知︱2023年成瘾与脑科学国际研讨会暨中国药物滥用防治协会成瘾与脑科学分会第一届学术会议（2023年4月9-10日，深圳）【4】会议通知︱2023中国衰老科学大会第一轮通知（2023年4月21-23日，北京）【5】会议通知︱中国神经科学学会神经影像学分会2023学术年会（2023年5月19-21日，广州）【6】学术会议预告︱Novel Insights into Glia Function & Dysfunction（2023年4月24-28日，日本）【7】会议通知︱第六届中国神经科学学会神经退行性疾病分会年会会议通知（2023年4月7-9日，湖南长沙）          参考文献（上下滑动查看）  1. Glasser, M. F. et al. A multi-modal parcellation of human cerebral cortex. Nature 536, 171–178 (2016).
2. Desikan, R. S. et al. An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest. Neuroimage 31, 968–980 (2006).3. Schaefer, A. et al. Local-Global Parcellation of the Human Cerebral Cortex from Intrinsic Functional Connectivity MRI. Cereb. Cortex 28, 3095–3114 (2018).4. Alexander, B. et al. A new neonatal cortical and subcortical brain atlas: the Melbourne Children’s Regional Infant Brain (M-CRIB) atlas. Neuroimage 147, 841–851 (2017).5. Shi, F., Salzwedel, A. P., Lin, W., Gilmore, J. H. & Gao, W. Functional Brain Parcellations of the Infant Brain and the Associated Developmental Trends. Cereb. Cortex 28, 1358–1368 (2018).6. Feng, L. et al. Age-specific gray and white matter DTI atlas for human brain at 33, 36 and 39 postmenstrual weeks. Neuroimage 185, 685–698 (2019).7. Hughes, E. J. et al. A dedicated neonatal brain imaging system. Magn. Reson. Med. 78, 794–804 (2017).8. Gordon, E. M. et al. Generation and Evaluation of a Cortical Area Parcellation from Resting-State Correlations. Cereb. Cortex 26, 288–303 (2016).          

编辑︱王思珍
本文完