基于机器学习的自适应超体素分割揭示了人脑中的躯体定位组织

有态度 有深度 有温度你的科研小伙伴

导读

除了在中央前回和中央后回的成熟的躯体组织外，目前强有力的证据表明躯体组织在感觉运动网络的其他区域也很明显。这就存在几个实验问题：感觉运动网络的活动在多大程度上依赖于效应器和独立于效应器的？在预测运动效应器时，感觉运动皮层有多重要？在分布的躯体组织网络中是否冗余，以至于去除一个区域对分类精度的影响是否很小？为了回答这些问题，研究者开发了一种新的实验方法。收集参与者分别用手、脚和嘴进行精确力控制任务时的fMRI数据。使用简单线性迭代聚类(SLIC)算法对全脑β系数图进行分割，构建自适应脑分割，然后基于不同空间分辨率的分组使用极端梯度提升(XGBoost)对效应器进行分类。这使我们能够理解数据驱动的自适应大脑粒度分割如何改变分类精度。结果显示在中央后回，中央前回和中央旁小叶区域存在效应器依赖活动。SMA、顶下小叶、顶上小叶和小脑各包含效应器依赖和效应器独立表征。机器学习分析表明，提高数据驱动模型的空间分辨率可以提高分类精度，分类精度达到94%，超体素超过1755个。研究者基于SLIC的超体素粒度分割优于使用已建立的大脑模板和随机模拟的分类分析。遮挡实验进一步证明了在分类效应器时，感觉运动网络的冗余性。本研究扩展了对人脑中效应器依赖和效应器独立组织的理解，并为预测用于运动控制任务的运动效应器所需的功能神经解剖学提供了新的见解。

图解摘要

前  言

躯体特定区是将身体的一个区域点对点映射到中枢神经系统的一个特定点。Penfield的开创性研究是用电刺激大脑皮层来绘制人脑的躯体特定区组织的。在初级运动皮层(M1)和初级躯体感觉皮层(S1)中，下肢位于背侧，靠近中线，手臂和手更偏向外侧，面部最偏向外侧和腹侧。躯体特定区组织并不局限于中央前回和中央后回(M1/S1)，fMRI和EEG研究都揭示了辅助运动区(SMA)、扣带运动区、前运动皮层、顶上和顶下小叶、岛叶、基底神经节和小脑的躯体特定区组织。目前对这些方面的认识是从实验范式中得来的，这些实验范式往往不能测量或控制通过效应器的运动表现。

之前的研究使用大脑信号来分类不同的效应器，并取得了不同程度的成功。尽管这些研究在评估效应器、做什么动作以及如何测量动作方面各不相同，但很明显的是个体水平的分类性能高于群体水平。在脑机接口情境下，当机器和大脑之间存在适应阶段时，在个体水平上对效应器进行分类是有利的，但这种方法并不总是能够很好地推广到其他个体。其他fMRI研究已经实现了多体素模式分析(MVPA)，根据预定义的感兴趣区域对运动进行分类。虽然BOLD信号可以有效地区分特定大脑区域内的效应器，但在整个大脑中实现数据驱动的聚类方法是具有挑战性的。

神经影像文献中使用的聚类方法包括K-means、mean-shift和spectral clustering。这些方法可以有效地进行聚类，但是随着数据集大小的增加，这些方法的灵活性和效率会降低。例如，K-means是一种优秀且通用聚类算法，但它更倾向于球型聚类，无法捕获几何形状的复杂聚类。Mean-shift算法能够很好地处理球型数据，并能自动选择最优的聚类簇数，但是它并不是高度可扩展的。Spectral clustering是一种基于图形的聚类方法，聚类不考虑形状和分布，但在聚类数量较少的情况下效果最好，且计算成本较高。因此，本研究使用了一种改进的简单线性迭代聚类(SLIC)算法，通过提供紧密型簇的灵活性(即分割)、提高计算效率和基于网格的初始化来解决这些限制性因素。

方  法

参与者：共20名右利手成年被试(年龄为20.50±0.92岁；10名女性)。所有参与者视力正常或矫正至正常视力，无残疾或神经系统疾病等。

Force任务：每个参与者在核磁共振扫描仪内执行三个Force输出任务。在所有条件下，参与者均仰卧，并使用右脚(见图1A)、右手(图1B)和双侧口(图1C)对分辨率为0.025 N的定制光纤力传感器进行力的输出。在进入扫描仪之前，记录每位参与者在练习过程中每个效应器(脚、手、嘴)的最大自发性收缩(MVC)。在一系列连续三次的MVC试次中，参与者保持最大力量收缩(MFC) 5s。试次之间有60s的休息时间。计算在每个持续MFC期间的平均力，并将三次试次的平均值作为参与者的MVC值。任务范式如图1D所示。每项任务都包含rest和force条件。在force条件下，两根水平杆分别代表产生力(绿杆)和目标力(白杆)。当杆变绿时，说明参与者产生4s的力。产生的力使得绿色的杆垂直移动，为参与者提供视觉反馈。白色的目标条保持静止，表示参与者的10% MVC目标。当横杆变红时，参与者休息2s。

图1.实验设置和范式。

Force数据分析：在LabVIEW中使用自定义算法对力数据进行分析。计算每个次试次产生的平均力(占MVC的百分比)、产生力的变化和目标力误差，然后分别对每个效应器(手、脚、嘴)进行平均。这些测量是根据从每个4s力的脉冲中间2s中提取的数据计算出来的。采用均方根误差(RMSE)对目标力误差进行量化。通过力上升到峰值力的10%以上的时间点来确定试次的开始，通过力下降到峰值力的10%以下的时间点来确定试次的偏移。采用Shapiro-Wilk正态性检验来确定数据是否为正态分布。使用Bonferroni进行事后统计分析。

使用机器学习分类分析识别效应器依赖区域：使用机器学习分类分析来确定来自多个区域的大脑活动是否可以一起预测使用了哪个效应器，并确定哪些大脑区域对预测的贡献最大。首先对每个参与者的效应器进行参与者水平的全脑图平均(图2a)，然后对所有参与者(图2b)进行平均，以创建一个单一的全脑图。图中的每个体素代表一个平均β系数值，代表所有参与者、所有效应器和所有任务中BOLD信号变化的平均百分比。然后根据数据驱动算法识别超体素(图2c)。超体素降低了计算复杂度，通过迭代增加允许的超体素的数量，能够确定空间分辨率和分类器性能之间的关系。

图2.该流程图用于生成一个统一的超体素地图，适用于所有参与者。

超体素分割：使用三维简单线性迭代聚类(3D-SLIC)算法生成超体素。该算法分割数据点均匀一致，计算效率高。本研究实现了3D-SLIC15算法来分割三维空间(x，y，z)中的体素簇。该算法采用单个输入K，即期望的大小相同的超体素数量。每个超体素的大小近似为N/K，其中N为从fMRI体素计算出的β系数的三维图中的体素数量。对于每个超体素，计算所有效应器中每个参与者的平均β系数(图2e)。每个超体素代表一个单一的特征，反映了大脑某个区域的活动。因此，超体素的数量表明有多少特征被输入到分类分析中，特征数量的增加反映了空间分辨率的增加。分类分析的目的是确定哪些超体素(即特征或大脑区域)对预测使用的效应器贡献最大，同时也有助于确定超体素组合的总体性能准确性。超体素特征被输入到Python 3.7的机器学习算法中，以对效应器进行分类(图2f)。使用改进的梯度提升决策树(GBDT)，称为极端梯度提升(XGBoost)，它利用了弱学习者或浅决策树的集合。该算法输出超体素的权重(图2g)，提供在对效应器进行分类时，哪些超体素(以及大脑区域)被识别为是最重要的信息(图2h)。

遮挡测试：遮挡测试用于通过遮挡特定的大脑区域(例如将值设为0)来显示模型性能的变化。脑区对分类的贡献越大，遮挡模型的性能下降越大。为了评估某一大脑区域的贡献，将所有数据(包括训练数据和测试数据)的大脑区域值设为0。然后，使用相同的机器学习建立一个模型，使用区域受损的数据，并计算测试数据的分类性能。本研究使用AAL atlas挡住特定大脑区域和设置超体素数量到5000创建自适应的超体素分割，具有良好的空间分辨率和计算时间之间的平衡，在实际分割模型中具有1038个超体素。

结  果

Force数据：在各效应器之间，产生的平均力占MVC的百分比、目标力误差都无显著差异。效应器对输出力的变化有显著影响，Bonferroni事后检验揭示了由手和脚产生的力的可变性大于嘴。手和脚产生的力的可变性之间没有显著差异。

群体水平的体素分析：图4A显示了三个效应器的每个任务和休息对比的全脑t检验激活图。对于脚，激活定位于旁中央小叶内侧，与腿的感觉运动皮层区域一致。手的激活定位于左半球侧，这与用右手来执行任务是一致的。最后，与手相比，嘴型任务导致更多的左半球侧下方激活，以及更广泛的双侧激活。图4B显示了三种效应器的小脑激活图。图4C显示了单因素方差分析的结果，用于确定效应器之间的大脑活动差异。t检验显示，脚在内侧感觉运动皮层的激活显著增强，由暖色(黄红色)表示。冷色(蓝色)表示，手在左侧感觉运动皮层中的激活显著增强。脚与嘴的事后t检验显示，脚的内侧感觉运动皮层的激活明显更大，而嘴更偏向外侧，与舌头运动在左半球的定位一致。最下面一行是手和嘴的对比结果，发现嘴的双侧激活明显更大。在小脑中，图4D显示了，脚在右侧小叶IV-V的激活显著增强，而手在右侧小叶VI中表现出更大的激活。与脚相比，嘴的激活在左侧小叶VI中明显更大。最后，手与嘴的比较显示，手在右侧小叶VI中的激活明显更大。

图4.脑区激活图。

分类分析：当增加允许的特征数量时，该模型能够更好地预测正在使用的效应器。图6中显示了所有超体素模型的精度模式，表明在大约100个超体素时性能超过80%。使用1755个超体素，模型精度达到94%。AAL、Brainnetome和Harvard-Oxford皮层地图的精度也低于SLIC超体素。随着空间分辨率的增加，超体素模型在区分效应器方面表现良好。每个模型中每个效应器的F1得分显示了分类复杂性的不同趋势(图6B)。仔细观察会发现，当使用较低数量的超体素(即较低的空间分辨率)时，很难对脚效应器图进行分类。这表明脚需要更大的空间分辨率才能更好地进行分类。嘴效应器在分类上的提升不如脚陡峭，这表明即使在相对较低的空间分辨率下，嘴效应器在fMRI数据中也更加显著。手效应器位于其他两个效应器之间，并遵循与脚效应器映射相似的趋势。

图6.左A：所有超体素模型的精度；右B：各效应器分类复杂性的趋势。

混淆矩阵显示了真实效应器标签和预测效应器标签之间的预测关系(图7)。只有一个超体素的超体素模型在混淆矩阵中看起来是随机分布的，其精度较差。当超体素从1增加到10000时，主对角线得分变得更高，而跨标签的错误分类更少。矩阵表明，所有模型在所有三个标签上的表现都是一样的，在主对角线上的得分几乎是相等的。

图7.真实和预测效应器标签之间的预测关系。

为了确定一个大脑区域在所有模型中进入前10的频率，研究者计算了一个超体素的质心点在解剖区域内被识别的次数。因此，在一个模型中，多个超体素可能位于同一解剖区域。图8A和8B显示了在解剖模板上的超体素重叠计数和在人体运动区域模板上的超体素重叠计数。图8A显示，与体素分析一样，中央后回簇向前延伸，穿过中央前回进入初级运动皮层和前运动皮层，而旁中央小叶主要集中在初级运动皮层的内侧区域(图8B)。图8C和D显示了这些区域的子集。图8C显示，超体素通常位于中央后回(n=29)、旁中央小叶(n=21)和小脑(n=16)。接下来，研究者使用遮挡范式来确定躯体特定区中的冗余性。对每个区域进行遮挡，然后重新运行模型，观察其对平衡精度的影响。虽然图8D显示移除左侧中央后回导致精度下降到80%以下，但总的来说，图中显示精度保持在80-90%的范围，这表明没有哪个区域在预测效应器方面是必不可少的。

图8

讨  论

本研究使用fMRI来评估全脑和小脑的特定躯体的大脑活动。研究采用了单变量分析和多变量机器学习分析来表征、区分和分类与每个效应器相关的大脑激活。体素分析和分类分析在中央后回、中央前回和旁中央小叶区域确定了效应器依赖激活。单变量体素分析确定了枕中回和壳核是效应器独立激活的区域。最后，SMA、顶下和顶上小叶，以及小脑各包含效应依赖和效应独立表征。机器学习分析表明，提高数据驱动模型的空间分辨率可以提高分类精度，分类精度可达84-95%，超体素数在1000左右。本研究中基于3D-SLIC的超体素粒度分割优于使用已建立的大脑模板和随机模拟的分类分析。遮挡实验进一步证明了在对效应器进行分类时，感觉运动网络的冗余性。

原文：Unraveling Somatotopic Organization in the Human Brain using Machine Learning and Adaptive Supervoxel-based Parcellations.

更多精彩课程推荐

• 非常欢迎大家留言、转载、收藏或分享~
• 本文来自微信公众号“茗创科技”。如需转载，请在“茗创科技”后台回复“转载”，并附上所需转载的文章标题以及您的ID。
  

  微信加群

需要原文资料的小伙伴，可以添加茗创科技周翊工程师的微信号MCKJ-zhouyi或致电17373158786。另外，茗创科技创建了文献互助群，为大家提供免费帮忙下载文献服务、技术咨询、前沿研究和电子书等海量学术资源分享。请联系周翊工程师，邀请您入群。

MC_Brain

茗创科技工作室

觉得有帮助，欢迎转发收藏或者点个在看哦~

听说点在看的人SCI接收率都提升了18%呢！