个体功能网络分区的分割方法

识别个体大脑的独特功能结构的是走向个体化医学和理解人类认知和行为变化的神经基础的关键一步（主要是因为当下的功能分区模板都是population水平的，虽然所有人的大脑在结构上和功能上是具有一定的人群一致性的，但是大脑在功能和结构上都存在着比较大的个体变异，尤其是在脑功能方面，因此，任务态fMRI为了能够更精确的对被试脑功能激活的结构定位进行确定，会在个体空间进行激活分析。如果能够通过具体方法在当下常用的静息态数据中完成对个体的功能网络分区，将极大的提高我们对功能网络个体变异的理解，并且能够更好的在组水平分析中考虑个体差异）。

分区方法如下：

​

1. 根据1000名健康被试的数据，首次估算了由18个网络组成的功能皮层图谱（作者使用的是Yeo, B.T. et al.2011发表的基于皮层形态的最水平功能网络图谱，全脑被分为共18个网络），并使用FreeSurfer软件投射到个体被试的皮层表面。将个体被试的血氧水平依赖（BOLD）功能磁共振信号的时间序列在每个网络内的皮层顶点（vertices）上进行平均。这些基于图谱的时间序列被用作后续优化过程的“参考信号”。
2. 单个被试在每个皮层顶点的功能磁共振信号与从上一步得到的18个参考信号做相关。每个皮层顶点根据其与参考信号的最大相关值被重新分配到18个网络中的一个。置信值也被计算为最大相关值和第二大相关值之间的比率。例如，**如果一个皮层顶点与网络A的参考信号的相关性最强，相关系数为0.8，与网络B的相关性次强，相关系数为0.4，则该皮层顶点属于网络A的置信度为0.8/0.4=2。**在所有皮层顶点被重新分配到18个具有一定置信水平的网络中的一个之后，在每个网络中，置信值大于预选阈值（例如，>1.1）的皮层顶点的BOLD信号被平均，作为“核心信号”。为每个网络计算几个参数，包括预先估计的功能连接中的被试间个体差异和时间信噪比（SNR），这些参数在置信值超过给定阈值的皮层顶点处进行归一化和平均操作。
3. 对于每个网络，以加权方式平均从步骤（2）导出的核心信号和从步骤（1）导出的原始参考信号。在平均之前，将核心信号乘以在步骤（2）中计算的加权参数，包括被试间个体差异、信噪比和迭代次数。得到的信号估计值被用作下一次迭代的新参考信号。这种加权策略保证了原始的基于图谱的参考信号在高个体差异脑区和高信噪比脑区的加权小于核心信号。随着迭代的进行，权重逐渐减小。利用这些包含个体信息和群体图谱信息的新参考信号，进一步将大脑皮层顶点重新分配到18个网络中的一个。
4. 迭代步骤（2）和（3），直到算法达到预定义的停止标准；例如，如果在两次连续迭代中98%的皮层顶点的网络归属保持不变，或达到了预定的迭代次数，则停止算法迭代。

图1. 使用迭代调整的方法绘制个体大脑中的功能网络。该技术包括以下步骤：

（1）使用FreeSurfer将基于人群的功能脑图谱配准到个体的皮层表面。然后，在每个网络中的皮层顶点上平均每个被试的BOLD信号时间序列。这些基于图谱的时间序列被用作后续优化过程的参考信号。

（2） 然后，个体在每个皮层顶点的BOLD信号与18个参考信号做相关。每个皮层顶点根据其与参考信号的最大相关性被重新分配到18个网络中的一个。计算置信值（最大相关值和第二大相关值之间的比率）。重新分配每个皮层顶点后，对每个网络中高置信度皮层顶点（例如，>1.1）的BOLD信号进行平均，并将其称为核心信号。

（3） 对于每个网络，以加权方式平均从步骤（2）导出的核心信号和从步骤（1）导出的原始参考信号。具体地说，核心信号乘以从被试间个体差异和SNR以及迭代次数导出的加权参数。平均信号用作下一次迭代的新参考信号。利用这些新的参考信号，大脑皮层顶点被进一步重新分配到18个网络中的一个。

（4） 重复步骤（2）和（3），直到算法达到预定的迭代停止标准。

本文中提出了一种基于功能连接的个体大脑皮层功能网络划分方法。每个大脑都有独特的特征。分区网络在被试中可重复进行多次扫描，并可限制个体间功能组织的差异，包括大脑偏侧化的差异。本文发现这种方法可以应用于不同人群，并扩展到任务态fMRI数据。以有创性皮层刺激为金标准，评价了手术患者迭代功能分区的敏感性和特异性，并与常规任务态fMRI进行了比较。本文的研究结果表明，个体皮层分区算法能够正确定位个体的功能网络，具有潜在的临床应用价值。

总体来说，本文方法的价值在于以下三个方面：

• 揭示大脑组织的个体差异

对个体差异具有高度敏感性的精确分区技术将有助于发现有意义的生物标记物以用于认知能力或疾病状态的鉴定，并为调查行为或遗传关联提供更大的统计能力。

• 临床干预的意义

个体水平的功能图谱对临床实践有很强的指导意义，特别是对于依赖于精确功能定位的手术计划和脑刺激。目前，基于任务态的功能磁共振成像的术前成像由于信噪比低、重测可靠性有限以及与来自侵入式皮层刺激的类似成像的重叠有限而受到限制，这就对其临床应用提出了疑问**。在一小群外科病人中，本文的方法与传统的任务态相比，通过迭代分区可以更精确地定位感觉运动网络**。

为了使这种分区策略在绘制患者的语言和记忆网络图时有用，需要进一步优化和验证。尽管如此，本方法的初步观察表明，分区能够可靠地识别与语言任务态激活区域重叠的强左偏网络和位于传统腹侧注意区域的右偏网络。此外，这些网络的偏侧化可能与利手有关。这些观察结果表明，这种迭代的、个性化定制的分区方法捕获了大脑网络组织中个体差异的很大一部分。

• 改进群体分析的跨被试对齐

建立被试之间的功能对应关系是进行组水平下功能成像分析的首要条件。尽管脑解剖和功能之间的联系还没有完全建立起来，而且个体之间的联系可能会有所不同，但大多数功能磁共振成像处理工具都是根据诸如由结构磁共振成像识别的全局形态学等解剖特征，将个体与一个共同的模板对齐。

如果功能网络与宏观解剖学没有紧密联系，它们很可能会错位。例如，语言网络的分布是高度可变的，甚至可能分布在不同个体的不同半球上，因此，为研究语言功能而调整研究对象可能特别具有挑战性。即使在基于曲率的数据仔细对齐之后，也发现功能区域中存在大量的被试间个体差异，这在很大程度上消除了宏观解剖个体差异。

利用静息态连通度进行功能网络分区，特别是在个体水平进行分区，可以为群体水平分析提供一种互补的、基于连接的功能定位方法。像本文这里描述的分区方法可以为跨被试的配准提供一组功能性的标志，为新的脑图像对齐提供策略。

标签：分割,迭代,皮层,网络,个体,信号,功能,分区
来源： https://blog.csdn.net/xj4math/article/details/121056366