查看原文
其他

使用弥散MRI构建连接体:Why,How和But

周翊 茗创科技 2022-09-21


导读

为什么弥散MRI成为了体内映射连接组的主要方法?不同的图像采集参数、纤维示踪算法和其他方法选择如何影响连接组估计?决定连接组重建成败的主要因素是什么?这些是本文中要解决的一些关键问题。研究者概述了可用于估计宏观连接组的节点和边缘的关键方法,并讨论了开放问题和固有的局限性。基于弥散MRI的连接组映射方法仍处于初级阶段,并且由于连接组重建固有的挑战,请注意不要盲目应用深部白质纤维示踪成像。最后,本文强调了当前宏观连接组映射方法的一些关键缺陷,并希望推动该领域的发展。


前言

功能整合,即大脑中不同亚单位之间的相互作用和信息传递,部分是通过白质连接介导的。这些纤维通路的形成受遗传因素和环境因素的影响。在发育的早期阶段,最初会产生过多的突触,之后会根据生活经验修剪冗余的连接。从生命的最初几个月到成年,白质的持续成熟和髓鞘形成反映了学习和与外部刺激的相互作用。
这种依赖于经验的大脑连接模式阐明了白质通路的功能相关性。解剖连接限制了神经计算。事实上,一个大脑区域与其他区域的解剖连接模式可以在一定程度上预测该区域在系统层面的功能。这种连接指纹的概念及其功能含义增加了人们对连接和结构组织研究的兴趣。连接组这个术语大约在十几年前被提出,它描述了功能专门化的大脑区域之间外部连接的全面网络图。理想情况下,这样的地图不仅包含一系列连接区域,还包含每个连接的相对强度和方向。连接组学有可能揭示指导不同功能亚单位如何排列和相互影响的原则,以及这些过程如何在病理性大脑条件下受到干扰的新见解。
对大脑连接进行侵入性绘制的方法已经存在了几十年。在微观尺度上,自动化组织学染色、串行电子显微镜和3D荧光成像等技术现在可以用较少的劳动密集型方法和更少的成像失真来收集和处理更多的数据。然而,显微镜技术的小视野限制了它们对小型模型物种的适用性,例如秀丽隐杆线虫,以及在较大物种中绘制小组织片段的精致细节。在介观尺度上,化学示踪剂被认为是绘制更远距离白质连接的黄金标准,因为它们提供非常高的测量精度和细节。事实上,我们关于白质组织的大部分知识都是通过示踪研究获得的,并且已经获得了不同动物和尺度的宏观连接组矩阵。
非侵入性成像技术为活体人类大规模连接组重建提供了另一种方式。弥散磁共振成像(dMRI)和示踪成像技术已成功用于重建白质中纤维束的轨迹和估计微结构特性。与侵入性方法相比,这些方法是间接的:它们不明确测量感兴趣的数量,而是依赖模型和推论。因此,与相应的侵入性方法相比,它们容易出错,并且结果也更难量化。与化学示踪剂和显微技术相比,它们提供的空间分辨率要低得多,而且它们不能估计连接的方向性。然而,在人体内的连接映射提供了相当大的优势:可以同时研究许多学科中的许多连接;结构连接可以与功能、行为和遗传学一起绘制;可以探测与发育、衰老或病理相关的变化。
本文考虑了使用dMRI映射连接组的现有方法,讨论了不同图像采集参数、纤维示踪算法和其他方法的选择对连接组重建的影响,强调比较和验证研究为这些方法的潜力提供了证据,但也揭示了它们的不足。此外,还考虑了白质连通性的特征,这些特征本身就难以用现有的方法重建。这些特征限制了dMRI衍生量的生物学特异性,并激发了当前连通性映射范式的新发展和转变。

构建连接体

体内MRI方法提供了连接组的宏观视图。可以用dMRI和示踪成像重建的连接是穿过白质区域之间的外部通路。尽管这些仅占神经元连接总数的一小部分(约10%),但对于在系统层面上理解大脑是非常重要的,而且它们的特点是相当复杂。从dMRI图像推断宏观连接组是一项非常具有挑战性的任务,也是一个活跃的研究领域。这里将连接组映射分为两个部分:节点描绘和边缘映射(图1)。节点表示空间上不同的皮层和皮层下灰质区域,而边缘代表连接成对区域的白质纤维束。

图1.生成宏观连接组包括节点和边。


节点描绘

指定一个将皮层和皮层下灰质细分为离散的、空间连续的小块的分割方案并不简单。组织图谱提供了最简单,可能也是最常用的方法。许多这样的图谱是可用的,它们可以配准到单个大脑,以确保被试之间的节点在平均大小、几何形状和位置方面是匹配的。然而,基于组织和其他模板的图谱并没有捕捉到区域功能边界中个体之间的变化,因此做出了一个简单的假设,即一个共同的分区代表所有个体。例如,AAL和哈佛-牛津图谱基于解剖地标,而Talairach Daemon和Juelich图谱的分割基于死后大脑的细胞结构特征。

数据驱动的分区提供了单独定制的替代方案。基于任务或静息态功能MRI的数据可用于定义包含数百名被试的人群中具有同质特征的区域。通过这种方式,区域是基于特定于连接体要映射的个体的功能特性来划分的。定义功能边界的方法多种多样,最近使用了多种模式和独特的测量方法。例如,Glasser等人(2016)同时使用多个特征,例如皮层折叠、髓鞘含量、静息态和基于任务的活动,来识别功能相关和特定人群的分割,充分关注个体差异。在Fan等人(2016)中,使用结构、功能和行为特征来识别跨不同区域一致的分割。

局限性和待解决的问题

dMRI和纤维束成像方法也可用于提取连接模式和探测功能边界。这已通过对皮层和皮层下大量区域的对照研究得到了证实。然而,正如在本文中所探讨的那样,当前结构连接组估计的局限性可能会限制此类节点描绘方法的准确性、可解释性和普遍性。虽然基于功能同质性的皮层分割是节点描绘的可行替代方案,但它也存在方法上的缺陷。此外,在区域边界的定义方面还存在一些概念性问题。在此,简要回顾其中的一些考虑因素。

个体差异:大脑功能和结构的个体差异使群体水平分割的可解释性变得复杂化。特征良好的区域,例如V1,在不同被试区域上的大小可能会有所不同。功能边界和皮层折叠之间的关系也是高度可变的。同初级区域相比,与高阶功能相关的区域在折叠模式中表现出更多的变异性,其中折叠可以是边界的合理预测因子。因此,组水平分割模板无法捕捉个体之间细微但重要的差异。对齐功能特征而不是简单地匹配几何形状或皮层折叠的配准框架可以提供解决该问题的方法。

区域内异质性:不同的模式可以表征一个区域的功能和地形组织。例如,不同区域内的地形组织可以构成同一区域的不同功能。V1和V2就是这样的例子,它们的中央和外围子区域与皮层的其他区域表现出不同的关系。这种区域内的异质性以及个体差异性使得边界划定非常具有挑战性。一个潜在的解决方案是定义区域之间的平滑过渡和模糊边界,而不是二元分割。然而,这种模糊性应该反映功能特征的不确定性,而不是数据噪声、折叠差异或对齐错误。

节点尺度和数量:在许多研究中,灰质细分的粒度是一个相对随意的选择。基于功能数据进行分割的数据驱动方法用于执行模型选择和定义分割的最佳节点数。然而,这些方法可能会因在真实功能相关性和可用数据的辨别力之间的权衡而发生冲突。例如,使用fMRI与MEG数据在空间和时间分辨率上存在不同的限制,这可能会影响模型的选择。因此,一些研究人员采用了多尺度方案,以确保研究结果具有普遍性,并且对给定分割的分辨率不敏感。

节点分割的粒度影响白质连接的映射过程。在实际操作中,边映射和节点描绘是独立执行的,这两个过程的输出仅在映射连接矩阵时才结合起来。具有较少区域的分割往往比更精细的分割提供更可复制和更“平滑”的映射,而更精细的分割原则上会保留更多的细节。与更精细的细分结果相比,低到中等规模的分割(大约几十到几百个区域)已被证明可以增加小鼠和猴大脑中dMRI估计的连接组与示踪剂的一致性。

总之,描绘连接组节点的方法多种多样。最适合给定应用的节点数量和特定节点分区通常并不明显。以大脑解剖学或功能专业化为依据的分区在该领域获得了广泛的关注。未来,应该开发能够捕捉个体差异的分割策略。在微观尺度上,节点和神经元之间的相似性很明显,但在宏观尺度上定义节点就不那么清晰了。因此,评估粗解剖分割以及功能或随机描绘的更精细分割结果的一致性是很重要的。这两个尺度之间出现的不一致可能会揭示出某一特定发现的性质。

映射边缘

一旦定义了连接组的节点,就可以使用纤维示踪成像来估计边缘——区域对之间的连接路径。虽然存在其他间接方法,但基于dMRI的纤维示踪成像是唯一允许在体内定位白质束的方法。轴突纤维束连贯地组织在一起,使得水分子的扩散优先沿最小阻碍的方向发生,这些方向通常与纤维平行。相反,扩散在垂直方向上受到的阻碍最大。首选扩散方向(PDOs)可以间接映射到体素水平的纤维方向。纤维示踪成像方法在全局范围内整合体素信息,并传播与局部PDO最大切向的曲线,这些曲线提供了对白质束的估计。

有许多方法可用于绘制纤维方向和曲线传播。弥散张量模型是最简单的方法,它提供了对基础纤维配置的单峰近似。在复杂纤维模式的情况下,一个更为准确的模型是纤维取向密度函数(fODF),它表征了每个体素中的纤维分布。反卷积方法,参数或非参数、q-ball成像和扩散光谱成像是一些流行的方法,可以提供fODF估计和每个体素中交叉方向的离散数量。在许多追踪深部白质的实例中,已经证明了估计交叉的重要性和反卷积方法的成熟度。最近的一项研究表明,考虑用fODFs来跟踪从白质到灰质的转换是有好处的。

纤维示踪成像方法可以分为两类:局部方法,它们以循序渐进的方式传播与fODFs中提取的向量场相切的曲线(或流线);全局方法,根据全局准则估计最优路径。这样的路径不一定在它们到局部fODF/向量场的路径的每个点上都相切。原则上,它们不太容易受到局部误差的影响。局部方法是迄今为止最流行和最实用的方法。全局方法提供了一种有前途的替代方案,但它们需要进一步的验证,而且它们可能更繁琐且计算量更大。全局方法主要用于深度白质跟踪,因此它们在多大程度上共享或解决局部方法固有的局限性还有待探索。

局部流线方法可以进一步细分为确定性方法和概率性方法,这取决于它们执行的是确定性估计还是随机估计。确定性方法提供了两点之间扩散的最小阻碍路径的点估计。概率方法估计该路径的空间分布。一些研究评估了这些方法用于连接组重建的重测可靠性。与确定性方法相比,从概率性示踪成像得出的估计通常显示出更大的连接组重现性,减少残差空间中未对准误差的影响,并可能改善采样路径的某些统计特性(即正态性)。同时,它们可能会有损连接组的特异性和准确性。概率纤维示踪在流线型轨迹中产生更大的空间分散,这可能导致更多的虚假连接(特别是对于全fODF采样方法)。另一方面,来自确定性纤维示踪的连接组通常包含较少的连接,但结果显示个体内部和个体之间的差异很大(特别是在低角分辨率或低信噪比(SNR)的数据中)。目前尚不清楚这种变异中在多大程度上代表了个体之间真正的解剖变异,而不是由于局部纤维定向模型拟合不良、纤维示踪误差或流线与区域脑图谱之间的残差而导致的噪声。

种子策略也对找到连接组的边缘也有影响。流线通常从所有白质开始,与节点对相交的流线映射到相应的边缘。这种强力计算法最初被认为对长白质束的检测更敏感。另一种方法是从白质和灰质之间的边界播种。与生物学基础事实相比,边界播种最近被证明可提供更小的dMRI估计偏差(例如,更少的回旋偏差、更好的路径长度分布预测、稍微更好的灵敏度与特异性性能)。

局限性和待解决的问题

扩散到轴突的映射是不稳定的:寻找连接是基于从水扩散到纤维方向的映射。这种推断通常是一个不确定的问题,但使用近似值和假设可以识别问题。因此,改进数据质量和估计方法以减少由这些假设引起的潜在误差一直是dMRI研究的核心。MRI体素(即使在高分辨率下)太大而无法解析轴突。成千上万的轴突共存于一个成像体素所占据的体积内。因此,测得的宏观信号与感兴趣的尺度相差甚远。因此,不同的地面真值纤维模式会导致体素内的信号分布非常相似,如图2A所示。基于体素的fODF估计没有区分这些模式的信息。在这些fODF中寻找和使用离散局部最大值(实际上存在扇形或急剧弯曲模式时)可能会导致误报和漏报。在纤维示踪成像中利用这些信息并不简单,只有一些框架探索了这种集成。


图2.(A)可以产生非常相似的体素内dMRI信号的复杂纤维模式示例。(B)显示了不同模式的估计弥散张量(DT)和纤维定向密度函数(fODF)。(C)假设示例显示了非对称fODF对扇形几何形状内纤维追踪的影响。

另一个增加识别局部纤维方向难度的因素是扩散信号的轴对称。在相反方向上的扩散将产生相同的测量值。因此,体素方面的fODF估计也是对映对称的,即使地面真值模式不是。图2B和C显示了在追踪发散和收敛束时忽略这种不对称性所导致的误差。

寻找终端本质上是有限的:映射连接组需要在深部白质中进行准确的纤维跟踪,以及精确地确定灰质中的纤维终止点。使用纤维示踪成像技术来识别纤维端接本质上是困难的。事实上,纤维示踪成像不能以无监督的方式终止传播,需要使用启发式方法来确定端点。这使得终端标准成为一个重要的选择,也是解剖驱动规则可以提高结果可靠性的原因。例如,多次穿越白/灰质边界(WGB)可能会产生虚假的轨迹,并且由于灰质的低各向异性,在皮层内的传播可能容易出现更大的误差。

恢复连接的层状组织无法使用当前dMRI技术找到终端。皮层中的不同层可能优先连接到不同的区域。层特异性方向信息已通过离体组织的极高空间分辨率成像显示。然而,即使该信息可在体内获得(例如,Barazany等人(2012)提出的方法的一些变体),使用纤维示踪成像也无法估计到不同层的终止点,因为算法对突触端点不敏感。皮层下/小脑核也存在类似的问题,其中纤维示踪成像无法找到突触终止位置。然而,不同之处在于,主要皮层下结构固有较高的各向异性允许在其体积内探测地形组织和连接模式。

在皮层中,另一个影响终止点估计的障碍是表面白质纤维的存在,例如与WGB平行的U型纤维(图3)。这些纤维的密度在脑沟底部较高,这意味着dMRI估计的纤维方向大多平行于脑沟表面。因此,纤维示踪成像难以穿越边界并避开白质。Van Essen等人(2013)首次将脑沟的纤维示踪成像流线(与脑回相比)的代表性不足描述为脑回偏倚。对于更精细的分割方案和大量节点,这种偏差预计会更加明显,但对于更粗糙的分割也可能会带来混淆,特别是当节点间的平均曲率和沟深度分布差异很大时。


图3.(A)髓鞘染色切片显示了一个18个月大猕猴的扣带沟的纤维模式。主要的纤维方向平行于WGB。(B)折叠对径向轴和皮层厚度的影响[脑沟底部的皮层最薄(B区),脑回顶部的皮层最厚(C区)]。(C)基于估计表面和皮层厚度的预期回旋偏差。(D)使用表面与体积定义边界。


量化边缘

如上所述,纤维示踪成像可以估计出代表纤维束的轨迹。理想情况下,连接组还应包括连接强度的估计(例如轴突密度、髓鞘形成、直径)。dMRI不能提供这样的直接测量,但允许估计间接反映其中一些感兴趣属性的边缘权重。这些范围从简单的二元(表示边缘的存在或不存在)到反映微观或宏观结构连接的生物物理特性的近似值。

连接强度最典型的量化方法是使用流线计数函数,即与一对区域相交的流线数量。可以列举所有区域对的流线计数,以填充连接矩阵的单元格。允许在灰质内传播的流线可以与两个以上不同的区域相交,在这种情况下,它们有助于多对流线计数。可以施加解剖学上的约束来避免这种情况,即在白质/灰质界面或皮层下体积内终止流线。

流线计数可以以各种(非线性)方式对称、归一化或转换,旨在减少反映算法选择的混淆影响,并确保被试之间具有更好的一致性。幂变换,特别是对数,可以在分析之前应用于流线计数以实现正态性。通过节点大小的归一化可用于说明所选灰质分割中的体积/面积可变性。虽然在解剖学上,可能较大的大脑区域确实更紧密地连接在一起,但更多的流线可能会在纤维示踪成像的过程中终止于灰质和白质之间较大界面的区域。从概率纤维追踪获得的扩散路径概率反映了流线计数归一化条件的给定方向模型、种子策略和终端/计数标准。如前所述,由于流线的随机生成,概率追踪提供了扩散阻力最小路径上的空间分布。已有研究证明,路径概率的相对对比度与使用示踪剂测量的连接强度相关,类似于确定性流线计数。然而,路径概率也被许多不感兴趣的因素(如路径几何、噪声、模型误差)所混淆,这使得直接解释变得困难。

反映沿边缘微观结构特性的替代指标可被视为边缘权重。例如,体素特定的各向异性测量可以在分配给特定节点对的路径遍历的所有体素上进行平均。由此产生的区域平均测量表征了整个连接组边缘的各向异性。也可以使用其他微观结构测量,如从磁化传递对比图像得出的轴突髓鞘含量测量。在平均过程中可以使用不同的加权函数,以赋予神经束不同部分更大的权重。反映神经束宏观结构的特征是边缘量化的另一种可能性。事实上,与微观结构相比,路径的体积和横截面积更直接地与连接强度相关。

局限性和待解决的问题

距离偏差:由较长纤维束相互连接的较远区域之间的流线计数通常小于相邻区域之间的计数。算法限制促成了这种模式;例如,较长的纤维束更难用纤维示踪成像重建,因为流线必须传播更长的距离,并且每个传播步骤都为“错误转向”提供了机会。然而,示踪剂测量的连接强度随连接长度呈指数衰减,大多数连接短而强,长连接较弱。示踪剂当然存在一定的误差,但纤维示踪成像的算法距离偏差在多大程度上具有生物学特异性仍有待探索。

传播偏差:当流线从所有白质中传播时,较长的纤维束不可避免地会得到更多的采样,因为它们比较短的纤维束占据了更大的体积。为了补偿这种偏向于长纤维束的倾向,流线计数可以由构成该计数的流线的平均长度归一化。然而,鉴于许多束是片状的,并且在横截面积和形态方面差异很大,简单的归一化因素(例如流线长度)可能不足以校正占据更大体积区域的过采样。通过生成模型筛选流线,确保数据具有更高的保真度似乎是一种更有益的方法。从WGB接口启动流线是克服此限制的一种替代方法,并且可能提供更真实的路径长度分布,但这种传播方法难以追踪长纤维束。

脑回偏倚:由于示踪算法的局限性,这种偏差进一步被放大。脑回旋偏倚在生物学上是相关的。纤维示踪成像在脑回冠处的流线优先终止符合神经解剖学的预期。皮层往往在脑回冠处最厚,在脑沟底部最薄(图3B)。与底部相比,较大的皮层体积对应于脑冠处WGB的单位表面积。因此,即使每单位体积皮层穿过WGB边界的轴突数量大致相同,在脑回冠处每单位表面的轴突密度也会大于在脑沟底部的轴突密度。使用皮层厚度测量来计算这种预期偏倚(图3C),发现它比示踪成像预测的偏倚要低四到五倍。

数据质量的影响

到目前为止,已经讨论了算法和方法选择对构建连接组的影响。另一个影响dMRI衍生量估计的重要方面是数据质量。鉴于dMRI的固有局限性,如果发展允许:扩散到轴突映射的改善和部分体积的减少,更好的数据质量可以提供帮助。信噪比(SNR)、空间分辨率、角分辨率和角度对比度是直接影响这些因素的一些数据特征。即使使用更好的数据无法直接克服某些限制,但是在追踪白质方面具有明显的改进。更具体地说,更好的SNR或角分辨率提高了从扩散信号到纤维定向估计的映射精度和准确性。改善的角度对比度使得在体素内检测复杂纤维模式的灵敏度更高,进一步实现更精确的示踪成像。多角度对比(即b值)可以更好地估计局部体积和扩散室的分化,并进一步提高方向估计的准确性。图4举例说明了数据的空间和角分辨率的变化如何影响纤维示踪成像。需要注意的是,以牺牲噪声比或角分辨率为代价来增加空间分辨率实际上会导致性能不佳,特别是在追踪主要纤维束时。


图4.不同空间和角分辨率下的示踪成像(来自手部运动皮层区域)。


网络分析

可以以数据驱动的方式或假设驱动的区域来考虑网络属性。复杂网络在数学运算中已经研究了几个世纪,它们以图著称,并且完全由它们的节点和边定义(图1和图5)。这里将考虑如何使用图论和网络科学来理解连接组的全局组织。

图5.脑图的网络属性特征。


图的边要么是有向的,要么是无向的。由于dMRI无法确定扩散方向(与可以区分传入和传出的纤维束追踪方法相反),因此从示踪成像推断出的边总是无向的。此外,图的边可以是加权的或二元的(表示边的存在或不存在)。


调整密度和权重

阈值法应用于具有加权边的脑图,降低了图中的连接密度,旨在消除虚假边,从而提高特异性。阈值法可以进一步应用于二值化图,并通过强调可能被边权重的巨大变化所掩盖的网络属性,从而简化某些分析的可解释性。另一方面,阈值化处理可能会忽略有用的信息。因此,这些方法的适用性取决于感兴趣的特定问题。
最简单的阈值化方法,称为基于权重的阈值化,包括消除权重低于给定全局阈值的任何边。为了生成二值图,将忽略与其余边相关的权值,只留下边是否缺失(连接矩阵为0)或存在(连接矩阵为1)的信息。基于权重的阈值法将图密度的混淆引入到个体组之间的比较中。图密度,即由一条边直接连接的所有节点对的比例,从根本上影响图的属性。将相同的全局阈值应用于不同的脑图并不一定能确保生成的阈值图具有相同的密度。因此,当发现阈值脑图的复杂属性在个体之间存在差异时,尚不清楚这些差异是否只是由于图密度的差异造成的。基于密度的阈值处理克服了这种混淆。为每个个体确定一个唯一的阈值,以确保所有个体的图密度固定。这种方法的缺点是,由于使用了不同的绝对阈值,个体之间伪连接的数量可能不同,这引入了新的混淆因素。
为了保留或强调脑图的特定特征,已经开发了各种不同的阈值化方法。将图分割成互不连接的节点岛是不可取的,并且在解剖学上也是不现实的。为了避免碎片化,可以基于权值最高的边形成最小生成树。根据定义,这将生成一个连接图,其中所有节点对之间路径都可以找到。然后将更多边逐步添加到最小生成树中,直到达到所需的图密度。局部阈值方法试图保留跨越多个边缘权重尺度的图结构。全局阈值处理总是基于单个阈值,而局部阈值处理方法(如视差滤波)寻求计算每个节点及其相关连接的不同阈值。最后,可以执行阈值化以保留组中个体之间一致发现的边缘。

虽然阈值化不是脑图分析的必要前提,但它通常用于:(i)改进拓扑描述符的解释;(ii)减轻计算和存储负担;(iii)在对网络属性进行组间比较时,控制组间图密度差异的影响;(iv)最小化虚假(假阳性)连接的数量。与未能检测到真正的连接(假阴性)相比,包含虚假连接(假阳性)对脑图拓扑分析的危害要大得多,因此阈值化被认为是最大化脑图特异性的关键步骤。阈值法的选择应以后续分析的要求为指导。例如,如果目标是测试与每条边相关的权重的组间差异,则生成二值图的阈值方法是不合适的。


脑图的网络特性

在过去十年中,人们发现了脑图的许多有趣特性。这些特性并不是人类大脑所独有的,通常在许多物种和成像中普遍存在。脑图是结构模块化的小世界网络。模块化小世界网络的特点是节点社区之间紧密相连,主要以相对较短的连接为主,同时也通过少量长距离连接稀疏地连接到其他节点社区。这些紧密相连的社区(模块)可以促进网络分离和专门的信息处理。这些模块之间较长的连接有助于网络集成和分布式信息处理。脑图中的模块往往是空间定位的,并包含执行特殊功能的皮层区域,例如视觉、听觉或运动处理任务。
脑图还包括一个紧密相连的核心枢纽节点,形成一个富人俱乐部。枢纽节点与许多其他节点连接,并作为神经信息发散和收敛的焦点。脑图的节点在程度上差异很大。事实上,大多数脑图中节点度的分布可以用截断幂律(无标度分布)来描述,这意味着存在少量高度连接的枢纽节点。一个枢纽节点要成为富人俱乐部的一部分,还必须与其他富人俱乐部节点紧密连接。俱乐部的非枢纽节点称为外围节点或局部节点。富人俱乐部是一个网络核心,在整合和协调专业模块的活动中起着至关重要的作用。组成脑图俱乐部的典型枢纽节点包括尾状核、丘脑、楔前叶、额上回和中扣带回(图6B)。脑图的另一个属性是网络经济。长连接被认为对神经系统来说代价高昂,因为它们占用更多的空间并消耗更多的代谢资源。然而,少量的长距离连接对于确保信息可以在不同模块之间有效集成至关重要。网络经济是指网络拓扑的成本与网络集成信息的效率之间的权衡(图6C)。大量研究表明,神经系统已经进化到能够在网络效率和网络成本之间进行权衡。
比较群体脑图的网络特性可以揭示健康和疾病中的大脑网络组织的新见解。可以在许多不同尺度上对连接组执行统计推断。最简单的数据驱动方法是独立测试与每条边相关的权重,以确定组间差异或与某种认知表现测量的统计关联。特定网络的方法可用于识别给定网络结构的组间差异,并进行多重比较校正。基于网络的统计就是这种非参数方法的一个例子,该方法能够识别拒绝零假设(组之间没有差异或与所选分数没有关联)的相互连接的子网络。鉴于大脑病理学很少单独影响单个连接,这些大规模单变量方法旨在识别组间连接强度显著不同的多个网络元素。在许多脑部疾病中,白质连接提供了发现病理机制传播和空间传播的途径,因此,与疾病相关的连接效应通常会形成相互连接的子网络也就不足为奇了(图6D)。

总结

利用dMRI绘制体内宏观连接组,对于探索大脑组织和提高我们对大脑连接模式以及网络特性的认识方面具有良好的应用前景,这些是很难用替代技术来阐明的。然而,使用dMRI绘制连接组仍然具有挑战性,研究人员必须了解这些影响连接组重建的适用性、准确性和解释方面的固有限制。本文在构建连接组的各个阶段中提出了新的、有趣的和具有挑战性的问题,为选择不同方法和方法改进提供了新的机会,同时也是该领域持续发展所必需的。
原文:Building connectomes using diffusion MRI: why, how and but.

DOI: 10.1002/nbm.3752


小伙伴们点个“在看”,加(星标)关注茗创科技,将第一时间收到精彩内容推送哦~


更多精彩课程推荐

_

 第八届脑电数据分析启航班

(训练营:2022.10.9~11.6)

► 点击阅读

_

● 第八届近红外训练营

(线上:2022.9.24~10.16)

► 点击阅读


_

● 第五届磁共振数据分析技术基础

(直播:2022.10.6~10.17)

► 点击阅读


_

● 磁共振弥散张量成像(DTI)数据处理班

(直播:2022.9.15~9.28)

► 点击阅读


_

● 第四届多模态脑网络数据处理班

(直播:2022.8.30~9.8)

► 点击阅读


_

 第一届磁共振脑影像结构班

(直播:2022.9.3~9.18)

► 点击阅读


_

● 核磁机器学习班

(直播:2022.10.7~10.21)

► 点击阅读


_

● 第四届磁共振ASL(动脉自旋标记)数据处理班

(直播:2022.10.19~10.23)

► 点击阅读

_

● 第六届脑电数据分析进阶班

(录屏课:2022.9)

► 点击阅读


_

● 第六届脑电数据分析入门班

(录屏课:2022.9)

► 点击阅读


_

● 第六届跨频率耦合专题班

(录屏课:2022.9)

► 点击阅读

_

● 第二届脑电深度学习入门班

(录屏课:2022.9)

► 点击阅读

_

● 第七届脑电机器学习班

(录屏课:2022.9)

► 点击阅读

_

● 第四届任务态磁共振数据处理学习班

(录屏课:2022.9)

► 点击阅读

_

● 第二届meta分析课程

(录屏课:2022.9)

► 点击阅读


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!

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存