識別個(gè)體大腦的獨(dú)特功能結(jié)構(gòu)的是走向個(gè)體化醫(yī)學(xué)和理解人類認(rèn)知和行為變化的神經(jīng)基礎(chǔ)的關(guān)鍵一步（主要是因?yàn)楫?dāng)下的功能分區(qū)模板都是population水平的，雖然所有人的大腦在結(jié)構(gòu)上和功能上是具有一定的人群一致性的，但是大腦在功能和結(jié)構(gòu)上都存在著比較大的個(gè)體變異，尤其是在腦功能方面，因此，任務(wù)態(tài)fMRI為了能夠更精確的對被試腦功能激活的結(jié)構(gòu)定位進(jìn)行確定，會在個(gè)體空間進(jìn)行激活分析。如果能夠通過具體方法在當(dāng)下常用的靜息態(tài)數(shù)據(jù)中完成對個(gè)體的功能網(wǎng)絡(luò)分區(qū)，將極大的提高我們對功能網(wǎng)絡(luò)個(gè)體變異的理解，并且能夠更好的在組水平分析中考慮個(gè)體差異）。

    本文中作者開發(fā)了一種皮層分區(qū)算法，利用靜息態(tài)功能磁共振成像（fMRI）精確地繪制了個(gè)體水平下的功能組織?；诮M水平上的功能分區(qū)模版和大腦功能個(gè)體差異圖，在個(gè)體水平上進(jìn)行功能網(wǎng)絡(luò)的迭代搜索。這種方法繪制的功能網(wǎng)絡(luò)在個(gè)體內(nèi)部具有高度可重復(fù)性，并有效地捕捉到了個(gè)體間的差異。這個(gè)算法可以在不同的被試類型以及不同的數(shù)據(jù)類型上（比如，任務(wù)態(tài)態(tài)數(shù)據(jù)）都表現(xiàn)的很好。隨后，通過在患者大腦中進(jìn)行侵入性皮質(zhì)刺激來驗(yàn)證了該方法的有效性，表明其在臨床應(yīng)用中具有應(yīng)用潛力。接下來，我們來看看文章是如何做到的吧。本研究發(fā)表在Nature neuroscience雜志。

Introduction

    人腦皮層是根據(jù)不同的特征（例如細(xì)胞結(jié)構(gòu)和地形）來進(jìn)行組織的。大腦中的這些腦區(qū)貢獻(xiàn)了專門化的功能，這些功能作為分布式網(wǎng)絡(luò)的一部分進(jìn)行信息交互。無創(chuàng)神經(jīng)成像技術(shù)的最新進(jìn)展，尤其是功能磁共振成像的出現(xiàn)，使得探索人類大腦不同區(qū)域和網(wǎng)絡(luò)功能組織成為可能。前人的一些工作揭示了大腦功能網(wǎng)絡(luò)存在的高度復(fù)雜性，其中包括傳統(tǒng)大腦區(qū)域概念的組織、具有跨越和分裂腦區(qū)的組織屬性的網(wǎng)絡(luò)組織。此外，組織中存在個(gè)體差異，它們在整個(gè)皮質(zhì)中分布不均勻。在個(gè)體水平上獲得功能圖譜是了解人腦的解剖結(jié)構(gòu)與功能以及個(gè)體之間這種關(guān)系的穩(wěn)定性之間的關(guān)鍵步驟。

   識別個(gè)人大腦獨(dú)特的功能結(jié)構(gòu)的能力對于個(gè)體化醫(yī)療尤為重要。臨床和影像學(xué)研究，包括采用侵入性功能測量技術(shù)的研究，已證明大腦不同功能系統(tǒng)組織中存在明顯的個(gè)體差異。因此，在特定被試中定位功能架構(gòu)是臨床程序（例如手術(shù)計(jì)劃和腦刺激療法）的基本要求。但是，非侵入性功能映射技術(shù)通常在單被試水平上受到準(zhǔn)確性和可靠性的限制。迄今為止，在單個(gè)患者中進(jìn)行精確的功能映射仍然嚴(yán)重依賴于侵入性方法（比如術(shù)中對病人的某個(gè)腦區(qū)進(jìn)行電刺激，探測被試的任務(wù)反應(yīng)，如語言產(chǎn)出，看是否會造成病人的任務(wù)執(zhí)行障礙）。

   個(gè)體功能映射對于研究人類行為和認(rèn)知的差異也至關(guān)重要。對個(gè)體差異的功能成像研究通常使用通過解剖結(jié)構(gòu)或人群平均fMRI研究定義的感興趣區(qū)域（ROI）。為了提高特異性，可以使用基于任務(wù)態(tài)的功能定位方法定義個(gè)體水平的ROI。近來，人們在基于靜息態(tài)的功能連接的基礎(chǔ)上投入了更多的精力來開發(fā)用于單個(gè)被試的功能網(wǎng)絡(luò)的分區(qū)方法。個(gè)體水平下的功能劃分不僅可以用作特定功能的“定位器”，而且還可以根據(jù)功能特征（而不是宏觀的解剖學(xué)分界）提供跨被試對齊的基礎(chǔ)，以改善組水平下的分析。

    因此，達(dá)到個(gè)體水平下的精準(zhǔn)分析是神經(jīng)成像的主要目標(biāo)。具體來說，為了在臨床上是有用的，非侵入性功能成像技術(shù)必須滿足以下標(biāo)準(zhǔn)：

    （i）在單個(gè)被試內(nèi)具有高度可重復(fù)性（多次采集同一個(gè)被試數(shù)據(jù)時(shí)的可重復(fù)性）；

   （ii）對不同被試之間的功能差異敏感；

   （iii）應(yīng)與侵入性腦刺激的結(jié)果相匹配，因?yàn)楫?dāng)前大家認(rèn)為侵入性腦刺激是個(gè)體水平功能映射的金標(biāo)準(zhǔn)。

   根據(jù)這些標(biāo)準(zhǔn)，本文提出來一個(gè)基于功能連接的個(gè)體水平功能分區(qū)方法，可應(yīng)用于靜息態(tài)fMRI數(shù)據(jù)或任務(wù)態(tài)fMRI數(shù)據(jù)中提取的自發(fā)活動(dòng)。在多個(gè)數(shù)據(jù)集上評估了分區(qū)的可重復(fù)性及其對個(gè)體差異的敏感性。然后在一組接受侵入性皮層刺激的外科手術(shù)患者中檢查網(wǎng)絡(luò)分區(qū)的有效性。
  

   分區(qū)方法如下：       

    1.根據(jù)1000名健康被試的數(shù)據(jù)，首次估算了由18個(gè)網(wǎng)絡(luò)組成的功能皮層圖譜（作者使用的是Yeo, B.T. et al.2011發(fā)表的基于皮層形態(tài)的最水平功能網(wǎng)絡(luò)圖譜，全腦被分為共18個(gè)網(wǎng)絡(luò)），并使用FreeSurfer軟件投射到個(gè)體被試的皮層表面。將個(gè)體被試的血氧水平依賴（BOLD）功能磁共振信號的時(shí)間序列在每個(gè)網(wǎng)絡(luò)內(nèi)的皮層頂點(diǎn)（vertices）上進(jìn)行平均。這些基于圖譜的時(shí)間序列被用作后續(xù)優(yōu)化過程的“參考信號”。     

    2.單個(gè)被試在每個(gè)皮層頂點(diǎn)的功能磁共振信號與從上一步得到的18個(gè)參考信號做相關(guān)。每個(gè)皮層頂點(diǎn)根據(jù)其與參考信號的最大相關(guān)值被重新分配到18個(gè)網(wǎng)絡(luò)中的一個(gè)。置信值也被計(jì)算為最大相關(guān)值和第二大相關(guān)值之間的比率。例如，如果一個(gè)皮層頂點(diǎn)與網(wǎng)絡(luò)A的參考信號的相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.8，與網(wǎng)絡(luò)B的相關(guān)性次強(qiáng)，相關(guān)系數(shù)為0.4，則該皮層頂點(diǎn)屬于網(wǎng)絡(luò)A的置信度為0.8/0.4=2。在所有皮層頂點(diǎn)被重新分配到18個(gè)具有一定置信水平的網(wǎng)絡(luò)中的一個(gè)之后，在每個(gè)網(wǎng)絡(luò)中，置信值大于預(yù)選閾值（例如，>1.1）的皮層頂點(diǎn)的BOLD信號被平均，作為“核心信號”。為每個(gè)網(wǎng)絡(luò)計(jì)算幾個(gè)參數(shù)，包括預(yù)先估計(jì)的功能連接中的被試間個(gè)體差異和時(shí)間信噪比（SNR），這些參數(shù)在置信值超過給定閾值的皮層頂點(diǎn)處進(jìn)行歸一化和平均操作。     

    3.對于每個(gè)網(wǎng)絡(luò)，以加權(quán)方式平均從步驟（2）導(dǎo)出的核心信號和從步驟（1）導(dǎo)出的原始參考信號。在平均之前，將核心信號乘以在步驟（2）中計(jì)算的加權(quán)參數(shù)，包括被試間個(gè)體差異、信噪比和迭代次數(shù)。得到的信號估計(jì)值被用作下一次迭代的新參考信號。這種加權(quán)策略保證了原始的基于圖譜的參考信號在高個(gè)體差異腦區(qū)和高信噪比腦區(qū)的加權(quán)小于核心信號。隨著迭代的進(jìn)行，權(quán)重逐漸減小。利用這些包含個(gè)體信息和群體圖譜信息的新參考信號，進(jìn)一步將大腦皮層頂點(diǎn)重新分配到18個(gè)網(wǎng)絡(luò)中的一個(gè)。     

    4.迭代步驟（2）和（3），直到算法達(dá)到預(yù)定義的停止標(biāo)準(zhǔn)；例如，如果在兩次連續(xù)迭代中98%的皮層頂點(diǎn)的網(wǎng)絡(luò)歸屬保持不變，或達(dá)到了預(yù)定的迭代次數(shù)，則停止算法迭代。

圖1. 使用迭代調(diào)整的方法繪制個(gè)體大腦中的功能網(wǎng)絡(luò)。該技術(shù)包括以下步驟：

（1）使用FreeSurfer將基于人群的功能腦圖譜配準(zhǔn)到個(gè)體的皮層表面。然后，在每個(gè)網(wǎng)絡(luò)中的皮層頂點(diǎn)上平均每個(gè)被試的BOLD信號時(shí)間序列。這些基于圖譜的時(shí)間序列被用作后續(xù)優(yōu)化過程的參考信號。

（2） 然后，個(gè)體在每個(gè)皮層頂點(diǎn)的BOLD信號與18個(gè)參考信號做相關(guān)。每個(gè)皮層頂點(diǎn)根據(jù)其與參考信號的最大相關(guān)性被重新分配到18個(gè)網(wǎng)絡(luò)中的一個(gè)。計(jì)算置信值（最大相關(guān)值和第二大相關(guān)值之間的比率）。重新分配每個(gè)皮層頂點(diǎn)后，對每個(gè)網(wǎng)絡(luò)中高置信度皮層頂點(diǎn)（例如，>1.1）的BOLD信號進(jìn)行平均，并將其稱為核心信號。

（3） 對于每個(gè)網(wǎng)絡(luò)，以加權(quán)方式平均從步驟（2）導(dǎo)出的核心信號和從步驟（1）導(dǎo)出的原始參考信號。具體地說，核心信號乘以從被試間個(gè)體差異和SNR以及迭代次數(shù)導(dǎo)出的加權(quán)參數(shù)。平均信號用作下一次迭代的新參考信號。利用這些新的參考信號，大腦皮層頂點(diǎn)被進(jìn)一步重新分配到18個(gè)網(wǎng)絡(luò)中的一個(gè)。

（4） 重復(fù)步驟（2）和（3），直到算法達(dá)到預(yù)定的迭代停止標(biāo)準(zhǔn)。

結(jié)果

1.分區(qū)是可靠的，能夠捕捉到被試間個(gè)體差異

    首先將分區(qū)算法(圖1)應(yīng)用于由23名被試組成的縱向數(shù)據(jù)集(數(shù)據(jù)集I)，這些被試在6個(gè)月的時(shí)間內(nèi)進(jìn)行了5次掃描。在迭代搜索期間，功能網(wǎng)絡(luò)的邊界在個(gè)體數(shù)據(jù)中估計(jì)的功能連接以及組水平圖譜的指導(dǎo)下逐漸細(xì)化。總體而言，初級視覺和感覺運(yùn)動(dòng)區(qū)的皮層頂點(diǎn)在迭代中表現(xiàn)出相對穩(wěn)定的網(wǎng)絡(luò)分配（這與我們的基本經(jīng)驗(yàn)是符合的，一般認(rèn)為這些更基礎(chǔ)的功能網(wǎng)絡(luò)在被試內(nèi)和被試間都具有更小的變異）。然而，在優(yōu)化過程中聯(lián)合皮層中的皮層頂點(diǎn)表現(xiàn)出較大的調(diào)整。

    在每個(gè)被試中所產(chǎn)生的功能圖譜在五次掃描中的結(jié)果在視覺上保持一致，無論是在初級感覺運(yùn)動(dòng)區(qū)還是在高階關(guān)聯(lián)區(qū)(圖2)。定量分析表明，在五個(gè)掃描中，被試內(nèi)的重復(fù)性很高(平均Dice系數(shù)為83%，Dice系數(shù)是一種集合相似度度量函數(shù)，通常用于計(jì)算兩個(gè)樣本的相似度，取值范圍在[0,1]，值越大，表明兩個(gè)集合的相似度越高)。同時(shí)，功能圖譜在不同個(gè)體之間差異很大(平均Dice系數(shù)=67%)，特別是在高級聯(lián)合區(qū)。

   結(jié)果表明迭代分區(qū)算法能夠?yàn)橥粋€(gè)人獲得可靠的功能網(wǎng)絡(luò)劃分，并可以反映個(gè)體間的網(wǎng)絡(luò)分布差異。最值得注意的是，每個(gè)被試的大腦都有具有獨(dú)特的功能網(wǎng)絡(luò)組織形式。

圖2. 功能腦分區(qū)在被試中具有很高的重復(fù)性，并捕捉到不同個(gè)體間的差異。23名健康被試在6個(gè)月內(nèi)接受了5次靜息態(tài)掃描。使用每次掃描的數(shù)據(jù)，個(gè)體被試大腦的功能組織被分成18個(gè)網(wǎng)絡(luò)。顯示了跨掃描重復(fù)性最高的三個(gè)被試的分區(qū)網(wǎng)絡(luò)。不同被試的功能圖有很大的不同，特別是在高階聯(lián)合區(qū)。

 

2.分區(qū)廣泛適用于不同的數(shù)據(jù)類型

   為了更好地解決問題，在獨(dú)立于算法開發(fā)涉及的數(shù)據(jù)集I的樣本中對重測信度和對個(gè)體差異的敏感性進(jìn)行了定量分析。來自人類連接組項(xiàng)目（HCP）的100位被試的MRI數(shù)據(jù)（數(shù)據(jù)集II）用于驗(yàn)證研究。該隊(duì)列在年齡，掃描長度，種族，掃描儀類型和掃描協(xié)議方面與數(shù)據(jù)集I顯著不同。每位被試進(jìn)行了兩次靜息態(tài)功能磁共振成像（rs-fMRI）掃描和七個(gè)任務(wù)態(tài)功能磁共振成像掃描。rs-fMRI在不同的日期進(jìn)行；因此，它們可用于評估網(wǎng)絡(luò)分段的重測可靠性。

    每次迭代后使用Dice系數(shù)來測量被試內(nèi)的可靠性和被試間的差異(圖3A)。因?yàn)樗惴ㄊ怯没诳傮w的圖譜初始化的，所以在開始時(shí)，被試內(nèi)部的可靠性為1，被試間的差異為0（因?yàn)樽铋_始的時(shí)候，每個(gè)被試的個(gè)體網(wǎng)絡(luò)其實(shí)都是基于組水平網(wǎng)絡(luò)分割的，最后被試間是無差異的，并且同一個(gè)被試前后兩次數(shù)據(jù)的網(wǎng)絡(luò)分區(qū)是完全相同的）。隨著迭代過程的進(jìn)行，被試間的差異增加，被試內(nèi)的可靠性下降，但在幾次迭代后兩者都穩(wěn)定下來。

    迭代分區(qū)技術(shù)在這個(gè)獨(dú)立的數(shù)據(jù)集中表現(xiàn)出了普適性。從兩次rs-fMRI掃描得出的功能圖譜在被試內(nèi)高度一致(圖3B)。在同一被試的兩次rs-fMRI掃描中，Dice系數(shù)為82.4%±3.2%(平均S.D.)。值得注意的是，這些圖譜還顯示出顯著的被試間個(gè)體差異。任意兩個(gè)個(gè)體之間的Dice系數(shù)為60.5%±2.8%(對應(yīng)于被試間個(gè)體差異為39.5%)。網(wǎng)絡(luò)歸屬關(guān)系的被試內(nèi)一致性顯著高于被試間一致性(非配對雙尾t檢驗(yàn)，t=91.00，P<0.001)(圖3C)。

    一個(gè)重要的問題是迭代分區(qū)算法是否可以應(yīng)用于廣泛的任務(wù)態(tài)fMRI數(shù)據(jù)。鑒于目前已有大量的任務(wù)態(tài)fMRI數(shù)據(jù)集，而且任務(wù)態(tài)fMRI通常用于許多醫(yī)院的術(shù)前定位，如果能將該技術(shù)直接應(yīng)用于任務(wù)態(tài)數(shù)據(jù)，則該方法的實(shí)用價(jià)值將大大提高。為了測試這種可能性，對100名HCP被試的基于任務(wù)態(tài)的fMRI數(shù)據(jù)進(jìn)行帶通濾波（0.01–0.08Hz），并與靜息態(tài)數(shù)據(jù)相同的方式進(jìn)行數(shù)據(jù)預(yù)處理。可以從單個(gè)任務(wù)態(tài)的數(shù)據(jù)導(dǎo)出分區(qū)，但由于數(shù)據(jù)采集長度有限，可靠性較低（一般情況下，任務(wù)態(tài)數(shù)據(jù)不像靜息態(tài)數(shù)據(jù)關(guān)注采集時(shí)常對數(shù)據(jù)穩(wěn)定性的確保，任務(wù)完成后就會停止）。因此，將不同任務(wù)態(tài)的數(shù)據(jù)合并到每個(gè)被試中，以增加每個(gè)被試的數(shù)據(jù)量，并將任何特定任務(wù)態(tài)設(shè)計(jì)對連接估計(jì)的影響降到最低。

    對于每個(gè)個(gè)體被試，對級聯(lián)的任務(wù)態(tài)fMRI數(shù)據(jù)和級聯(lián)的靜息態(tài)數(shù)據(jù)進(jìn)行了迭代分區(qū)（圖3d）?；谌蝿?wù)態(tài)功能磁共振成像數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的分區(qū)結(jié)果相似（Dice系數(shù)= 81.7％或4.0％）?；陟o息態(tài)和基于任務(wù)態(tài)的分區(qū)圖譜之間的一致性與兩個(gè)靜息態(tài)掃描之間的可重復(fù)性一樣高（配對的雙尾t檢驗(yàn)，t（99）= 1.76，P = 0.08）（圖3c）。這些結(jié)果表明從任務(wù)態(tài)功能磁共振成像數(shù)據(jù)獲得單個(gè)被試的全腦功能圖譜的可行性。

圖3.基于HCP被試的被試內(nèi)可靠性和被試間差異的定量分析。

(A)每次迭代后分區(qū)圖譜的被試內(nèi)可靠性和被試間差異。陰影區(qū)域表示S.D.。

(B)三個(gè)示范被試的網(wǎng)絡(luò)。

(C)基于靜息態(tài)功能磁共振成像的分區(qū)顯示出較高的被試內(nèi)可靠性和較高的被試間個(gè)體差異。在任何兩個(gè)個(gè)體之間(被試間)，只有60.5%±2.8%(平均S.D.)的大腦皮層頂點(diǎn)被分配到相同的網(wǎng)絡(luò)。比較同一被試(被試內(nèi)部)的兩次掃描，82.4%±3.2%(平均S.D.)皮層頂點(diǎn)被分配到相同的網(wǎng)絡(luò)。所有100名HCP被試基于任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的分區(qū)結(jié)果(任務(wù)態(tài)與休息)顯示81.7%±4.0%(平均S.D.)。

(D)從三個(gè)示例被試的融合靜息態(tài)/任務(wù)態(tài)數(shù)據(jù)導(dǎo)出的網(wǎng)絡(luò)分區(qū)。

 

3.大腦的偏側(cè)化反映在網(wǎng)絡(luò)劃分上

   半球偏側(cè)化是人腦的一個(gè)重要的組織原則，也是大腦發(fā)育個(gè)體差異的潛在標(biāo)志。在這里作者量化了個(gè)體網(wǎng)絡(luò)分布的偏側(cè)性。對于每個(gè)網(wǎng)絡(luò)，根據(jù)左半球的皮層頂點(diǎn)數(shù)和右半球的皮層頂點(diǎn)數(shù)計(jì)算橫向指數(shù)（LI）。在18個(gè)由迭代分區(qū)產(chǎn)生的網(wǎng)絡(luò)中，確定了兩個(gè)表現(xiàn)出強(qiáng)烈不對稱性的網(wǎng)絡(luò)。最左側(cè)化網(wǎng)絡(luò)包括額葉下回和傳統(tǒng)上與語言相關(guān)的顳頂葉交界區(qū)（圖4a）。在100名被試中，只有少數(shù)人表現(xiàn)出這種神經(jīng)網(wǎng)絡(luò)的不典型的右側(cè)化（圖4a）。最右側(cè)的側(cè)化網(wǎng)絡(luò)包括島葉和角回，傳統(tǒng)上與腹側(cè)注意有關(guān)。這兩個(gè)網(wǎng)絡(luò)的側(cè)化顯示出中等的可重復(fù)測量能力。為了直接檢驗(yàn)左偏分區(qū)網(wǎng)絡(luò)與語言功能之間的關(guān)系，在工作記憶任務(wù)中繪制了顯示激活的區(qū)域（Z閾值>1.96，對應(yīng)于未校正的雙尾P閾值<0.05）。在組水平上，71.2%的左偏分區(qū)網(wǎng)絡(luò)的皮層頂點(diǎn)落在顯示語言相關(guān)激活的區(qū)域內(nèi)（圖4b），這表明該左偏分區(qū)網(wǎng)絡(luò)與語言功能相關(guān)。最后, 調(diào)查了52名左撇子和52名右撇子（數(shù)據(jù)集三）的功能網(wǎng)絡(luò)的偏側(cè)性，并與年齡、性別、種族、教育程度、fMRI數(shù)據(jù)采集、數(shù)據(jù)質(zhì)量和其他參數(shù)進(jìn)行了匹配。

    迭代分區(qū)應(yīng)用于每個(gè)個(gè)體，以識別出18個(gè)網(wǎng)絡(luò)。同樣，與語言相關(guān)的網(wǎng)絡(luò)和與注意力相關(guān)的網(wǎng)絡(luò)在兩組中均表現(xiàn)出最強(qiáng)的偏側(cè)性。與慣用左手的被試相比，慣用右手的被試在與語言相關(guān)的網(wǎng)絡(luò)中顯示出更強(qiáng)烈的側(cè)向化趨勢（平均LI 0.20 vs 0.16，未配對的雙尾t檢驗(yàn)，t（102）= 1.9，P = 0.057），并在腹側(cè)注意力相關(guān)網(wǎng)絡(luò)中顯著增強(qiáng)側(cè)化作用（平均LI -0.14 vs -0.07，未配對的雙尾t檢驗(yàn)，t（102）= 3.1，P = 0.003）（圖4c）。

圖4. 大腦的側(cè)化反應(yīng)在網(wǎng)絡(luò)分區(qū)中。

（a） 兩個(gè)網(wǎng)絡(luò)的LIs在100名HCP受試者中表現(xiàn)出最強(qiáng)的側(cè)化；正值表示左側(cè)化。最強(qiáng)的左偏網(wǎng)絡(luò)位于傳統(tǒng)語言區(qū)，最強(qiáng)的右偏網(wǎng)絡(luò)位于傳統(tǒng)腹側(cè)注意區(qū)。

（b） 最強(qiáng)的左偏分區(qū)網(wǎng)絡(luò)與在語言任務(wù)中顯示激活的區(qū)域重疊。圖譜顯示在左側(cè)網(wǎng)絡(luò)中顯示重疊的受試者百分比和顯示語言激活的受試者百分比。

（c） 偏利影響功能網(wǎng)絡(luò)的側(cè)化。計(jì)算了52名左撇子和52名匹配的右手受試者的語言相關(guān)網(wǎng)絡(luò)和腹側(cè)注意相關(guān)網(wǎng)絡(luò)的側(cè)化指數(shù)。

 

4.分區(qū)網(wǎng)絡(luò)與任務(wù)態(tài)fMRI的比較

個(gè)體任務(wù)態(tài)誘發(fā)反應(yīng)的可靠性受多種因素的影響，其中一些因素可以擴(kuò)展到靜息態(tài)網(wǎng)絡(luò)的分析中。許多研究使用任務(wù)態(tài)fMRI激活圖來驗(yàn)證或評估靜息態(tài)fMRI結(jié)果的準(zhǔn)確性。在這里，本文量化了任務(wù)態(tài)fMRI激活圖的被試內(nèi)可靠性和由迭代分區(qū)得到的功能網(wǎng)絡(luò)。在本研究中，在數(shù)據(jù)集II（100名HCP被試）中評估了兩種常規(guī)檢查的腦功能，即術(shù)前繪圖、運(yùn)動(dòng)和語言功能。通過常規(guī)的任務(wù)態(tài)誘發(fā)反應(yīng)和迭代網(wǎng)絡(luò)對每個(gè)被試的手運(yùn)動(dòng)網(wǎng)絡(luò)和語言網(wǎng)絡(luò)進(jìn)行分區(qū)定位。

任務(wù)態(tài)-誘發(fā)反應(yīng)的評估使用單一的任務(wù)態(tài)運(yùn)行，并在兩次掃描中顯示出一定范圍內(nèi)的被試可靠性。使用Dice系數(shù)評估各種閾值的可靠性（從Z=1.96到Z=10.0，增量為0.1）。運(yùn)動(dòng)任務(wù)態(tài)的最大信度為40.4%（Z=6.76），語言任務(wù)態(tài)的最大信度為34.4%（Z=1.96）。然后對靜息態(tài)數(shù)據(jù)段進(jìn)行迭代分區(qū)，長度與運(yùn)動(dòng)和語言任務(wù)態(tài)運(yùn)行的長度相匹配（分別為3m 34s和3m 57s）。與任務(wù)態(tài)誘發(fā)反應(yīng)相比，迭代分區(qū)在兩次運(yùn)行中具有更高的重復(fù)性（配對雙尾t檢驗(yàn)，t（99）=11.2，P<0.001；配對雙尾t檢驗(yàn)，t（99）=21.9，P<0.001，語言網(wǎng)絡(luò)），手運(yùn)動(dòng)網(wǎng)絡(luò)的Dice系數(shù)為66.6% ±10.2%，語言網(wǎng)絡(luò)為61.5% ± 9.1%（平均S.D.）。

 

5.皮層電刺激驗(yàn)證

使用了8名手術(shù)患者的臨床數(shù)據(jù)集，這些患者在手術(shù)前在MRI中執(zhí)行了一系列運(yùn)動(dòng)任務(wù)態(tài)（數(shù)據(jù)集IV）。此外，還收集了6名患者的靜息態(tài)數(shù)據(jù)。他們的手和舌感覺運(yùn)動(dòng)區(qū)域是通過皮層電刺激（ECS）定位的，這是目前用于術(shù)前功能定位的金標(biāo)準(zhǔn)。該數(shù)據(jù)集為評估迭代分區(qū)算法的臨床適用性提供了一個(gè)機(jī)會。

根據(jù)運(yùn)動(dòng)任務(wù)態(tài)功能磁共振成像（fMRI）數(shù)據(jù)對每個(gè)患者進(jìn)行分區(qū)，這些數(shù)據(jù)經(jīng)過帶通濾波（0.01–0.08Hz），并以與100名HCP被試相同的方式處理（數(shù)據(jù)集II）。手部和舌頭區(qū)域也用傳統(tǒng)的任務(wù)態(tài)激活方法來繪制。感覺運(yùn)動(dòng)ECS識別的區(qū)域用作參考（圖5a）。傳統(tǒng)任務(wù)態(tài)激活所識別的運(yùn)動(dòng)和感覺區(qū)域與ECS圖的一致性較低（圖5b）。相比之下，通過迭代分區(qū)識別的感覺運(yùn)動(dòng)區(qū)域與ECS（皮層電刺激）地圖更為一致（圖5c），這表明迭代分區(qū)技術(shù)是有效的，可以作為ECS的預(yù)篩選方法（補(bǔ)充圖6）。此外，置信值大于預(yù)定閾值（例如，任意閾值為1.1）的多功能網(wǎng)絡(luò)的分區(qū)圖可以提供侵入性皮質(zhì)刺激的ROI的粗略估計(jì)（圖5d），可能縮短刺激程序。為了評估我們的分區(qū)技術(shù)在術(shù)前定位中的潛力，我們評估了數(shù)據(jù)集IV中8名外科患者手部和舌部感覺運(yùn)動(dòng)圖在不同置信閾值下的敏感性和特異性。通過改變?nèi)蝿?wù)態(tài)激活的t閾值，計(jì)算任務(wù)態(tài)fMRI的敏感性和特異性。

此外，使用FreeSurfer生成的前中心和后中心溝回標(biāo)記來屏蔽任務(wù)態(tài)激活圖，以提高特異性。這種操作模仿了人類專家的程序，他們通常忽略ROI之外的噪聲激活反應(yīng)。然后繪制了迭代并行算法（圖5e）、傳統(tǒng)的任務(wù)態(tài)激活映射和用解剖標(biāo)記掩蓋的任務(wù)態(tài)激活的接收器的ROC曲線（ROC曲線主要是用于X對Y的預(yù)測準(zhǔn)確率情況，一般用在對模型的特異性和敏感性的綜合性能評估，橫坐標(biāo)X軸為 1 – 特異性，也稱為假陽性率（誤報(bào)率），X軸越接近零準(zhǔn)確率越高；縱坐標(biāo)Y軸稱為敏感度，也稱為真陽性率（敏感度），Y軸越大代表準(zhǔn)確率越好。）。迭代分區(qū)方法顯著優(yōu)于其他兩種基于任務(wù)態(tài)的方法，且曲線下面積（AUC）顯著增大（P=0.008和P=0.015，Wilcoxon秩和檢驗(yàn)；迭代分區(qū)AUC為0.91，任務(wù)態(tài)功能磁共振數(shù)據(jù)的AUC為0.76），然后我們將迭代分區(qū)應(yīng)用于數(shù)據(jù)集IV中6名患者的純靜息態(tài)數(shù)據(jù)（圖5e）。ROC曲線與基于任務(wù)態(tài)fMRI數(shù)據(jù)的原始分區(qū)結(jié)果無顯著差異（AUC=0.91 vs 0.89，P=0.22，Wilcoxon秩和檢驗(yàn)）。最后，檢查了對于每個(gè)個(gè)體，使用迭代分區(qū)是否真的比使用基于人群的圖譜更有利（圖5e和補(bǔ)充圖6）。迭代分區(qū)算法在運(yùn)動(dòng)映射方面明顯優(yōu)于組水平圖譜（AUC=0.91 vs 0.78，P=0.015，Wilcoxon秩和檢驗(yàn)）。

圖5. 單個(gè)腦區(qū)分區(qū)識別的感覺運(yùn)動(dòng)網(wǎng)絡(luò)對應(yīng)于侵入性皮層刺激定位的功能區(qū)域。

（a）以ECS識別的感覺運(yùn)動(dòng)區(qū)為金標(biāo)準(zhǔn)，采用多種方法對8例手術(shù)患者的手、舌感覺運(yùn)動(dòng)區(qū)進(jìn)行了定位。紅點(diǎn)表示負(fù)極；黃點(diǎn)表示正極。

（b） 傳統(tǒng)任務(wù)激活識別的感覺和運(yùn)動(dòng)區(qū)域與ECS圖的一致性較低。

（c） 基于任務(wù)fMRI數(shù)據(jù)的迭代分區(qū)識別出的手感覺運(yùn)動(dòng)區(qū)域與ECS圖一致。地圖顯示了具有高置信度值（>1.2）的皮層頂點(diǎn)。

（d） 個(gè)體腦區(qū)分割可作為ECS的預(yù)篩選方法。該地圖顯示了具有高置信度值（>1.1）的皮層頂點(diǎn)的網(wǎng)絡(luò)歸屬關(guān)系。

（e） 八位外科病人手部和舌部感覺運(yùn)動(dòng)圖在五種映射方法的不同閾值范圍內(nèi)的敏感性和特異性的統(tǒng)計(jì)分析：八位受試者任務(wù)功能磁共振成像的迭代分區(qū)技術(shù)（綠色），六位受試者純靜息狀態(tài)功能磁共振成像的迭代分區(qū)技術(shù)（黑色）、將基于人群的圖譜直接投影到每個(gè)個(gè)體（藍(lán)色）、單獨(dú)繪制傳統(tǒng)任務(wù)激活圖（紫色）和用FreeSurfer生成的解剖標(biāo)簽的任務(wù)激活圖（紅色）

 

總結(jié)：

   本文中提出了一種基于功能連接的個(gè)體大腦皮層功能網(wǎng)絡(luò)劃分方法。每個(gè)大腦都有獨(dú)特的特征。分區(qū)網(wǎng)絡(luò)在被試中可重復(fù)進(jìn)行多次掃描，并可限制個(gè)體間功能組織的差異，包括大腦偏側(cè)化的差異。本文發(fā)現(xiàn)這種方法可以應(yīng)用于不同人群，并擴(kuò)展到任務(wù)態(tài)fMRI數(shù)據(jù)。以有創(chuàng)性皮層刺激為金標(biāo)準(zhǔn)，評價(jià)了手術(shù)患者迭代功能分區(qū)的敏感性和特異性，并與常規(guī)任務(wù)態(tài)fMRI進(jìn)行了比較。本文的研究結(jié)果表明，個(gè)體皮層分區(qū)算法能夠正確定位個(gè)體的功能網(wǎng)絡(luò)，具有潛在的臨床應(yīng)用價(jià)值。

    總體來說，本文方法的價(jià)值在于以下三個(gè)方面：

l  揭示大腦組織的個(gè)體差異

   對個(gè)體差異具有高度敏感性的精確分區(qū)技術(shù)將有助于發(fā)現(xiàn)有意義的生物標(biāo)記物以用于認(rèn)知能力或疾病狀態(tài)的鑒定，并為調(diào)查行為或遺傳關(guān)聯(lián)提供更大的統(tǒng)計(jì)能力。

l  臨床干預(yù)的意義

    個(gè)體水平的功能圖譜對臨床實(shí)踐有很強(qiáng)的指導(dǎo)意義，特別是對于依賴于精確功能定位的手術(shù)計(jì)劃和腦刺激。目前，基于任務(wù)態(tài)的功能磁共振成像的術(shù)前成像由于信噪比低、重測可靠性有限以及與來自侵入式皮層刺激的類似成像的重疊有限而受到限制，這就對其臨床應(yīng)用提出了疑問。在一小群外科病人中，本文的方法與傳統(tǒng)的任務(wù)態(tài)相比，通過迭代分區(qū)可以更精確地定位感覺運(yùn)動(dòng)網(wǎng)絡(luò)。

   為了使這種分區(qū)策略在繪制患者的語言和記憶網(wǎng)絡(luò)圖時(shí)有用，需要進(jìn)一步優(yōu)化和驗(yàn)證。盡管如此，本方法的初步觀察表明，分區(qū)能夠可靠地識別與語言任務(wù)態(tài)激活區(qū)域重疊的強(qiáng)左偏網(wǎng)絡(luò)和位于傳統(tǒng)腹側(cè)注意區(qū)域的右偏網(wǎng)絡(luò)。此外，這些網(wǎng)絡(luò)的偏側(cè)化可能與利手有關(guān)。這些觀察結(jié)果表明，這種迭代的、個(gè)性化定制的分區(qū)方法捕獲了大腦網(wǎng)絡(luò)組織中個(gè)體差異的很大一部分。

l  改進(jìn)群體分析的跨被試對齊

    建立被試之間的功能對應(yīng)關(guān)系是進(jìn)行組水平下功能成像分析的首要條件。盡管腦解剖和功能之間的聯(lián)系還沒有完全建立起來，而且個(gè)體之間的聯(lián)系可能會有所不同，但大多數(shù)功能磁共振成像處理工具都是根據(jù)諸如由結(jié)構(gòu)磁共振成像識別的全局形態(tài)學(xué)等解剖特征，將個(gè)體與一個(gè)共同的模板對齊。

    如果功能網(wǎng)絡(luò)與宏觀解剖學(xué)沒有緊密聯(lián)系，它們很可能會錯(cuò)位。例如，語言網(wǎng)絡(luò)的分布是高度可變的，甚至可能分布在不同個(gè)體的不同半球上，因此，為研究語言功能而調(diào)整研究對象可能特別具有挑戰(zhàn)性。即使在基于曲率的數(shù)據(jù)仔細(xì)對齊之后，也發(fā)現(xiàn)功能區(qū)域中存在大量的被試間個(gè)體差異，這在很大程度上消除了宏觀解剖個(gè)體差異。

    利用靜息態(tài)連通度進(jìn)行功能網(wǎng)絡(luò)分區(qū)，特別是在個(gè)體水平進(jìn)行分區(qū)，可以為群體水平分析提供一種互補(bǔ)的、基于連接的功能定位方法。像本文這里描述的分區(qū)方法可以為跨被試的配準(zhǔn)提供一組功能性的標(biāo)志，為新的腦圖像對齊提供策略。
原文：Parcellating cortical functional networks in individuals
如需原文及補(bǔ)充材料請加思影科技微信：siyingyxf 或者18983979082（楊曉飛）獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。覺得對您的研究有幫助，請給個(gè)轉(zhuǎn)發(fā)，以及右下角點(diǎn)擊一下在看，是對思影科技莫大的支持。

微信掃碼或者長按選擇識別關(guān)注思影

非常感謝轉(zhuǎn)發(fā)支持與推薦