?

? ? ?纖維束成像是一種基于彌散加權(quán)磁共振成像(diffusion-weighted magnetic resonance imaging, DWI)的計(jì)算重建方法，它試圖揭示人腦白質(zhì)通路的軌跡，并推斷人類大腦潛在的結(jié)構(gòu)連接體。在神經(jīng)科學(xué)和精神病學(xué)領(lǐng)域，已經(jīng)開發(fā)了許多用于纖維束成像的算法，并將其應(yīng)用到連接體研究中去。由于人們對(duì)這一方法非常感興趣，已有研究使用廣泛的方法討論了纖維束成像的優(yōu)點(diǎn)和缺點(diǎn)。對(duì)人腦的纖維束成像是通過對(duì)主觀合理性或與類似Klingler那樣解剖的定性視覺一致性來評(píng)估的。雖然當(dāng)前已經(jīng)對(duì)這些方法的可重復(fù)性或數(shù)據(jù)預(yù)測(cè)誤差進(jìn)行了評(píng)估。但由于缺乏真實(shí)的解剖下纖維通路的信息，這些評(píng)估無法驗(yàn)證重建的準(zhǔn)確性。體外成像和追蹤或物理和數(shù)值虛擬模型可以在一定程度上以及在某些特定情況下進(jìn)行驗(yàn)證。然而，神經(jīng)系統(tǒng)是復(fù)雜的，目前還缺少關(guān)于通路的軌跡和它們的源頭以及人腦終止的精確的真實(shí)解剖信息。這使得我們很難對(duì)纖維束成像進(jìn)行定量和全面的可靠性評(píng)估，也很難確定在健康人和患者的大腦連通性方面哪些發(fā)現(xiàn)是可靠的。

? ? ??最先進(jìn)的纖維束成像算法是由DWI估計(jì)的局部定向場(chǎng)（local orientation fields）驅(qū)動(dòng)的，代表了感興趣的白質(zhì)束的局部切線方向（local tangent direction）。從概念上來說，只要通路有重疊、交叉、分支并且具有復(fù)雜的幾何形狀，從局部定向場(chǎng)推斷連通性的原理就會(huì)導(dǎo)致一些問題的出現(xiàn)。自從彌散纖維束成像發(fā)明以來，這些問題已經(jīng)在一些示意圖或理論論證中進(jìn)行了討論，但還沒有在腦成像中被量化。為了確定當(dāng)前纖維束成像的最新水平，作者組織了一次國(guó)際纖維束成像大賽(tractometer.org/ismrm_2015_challenge)。采用虛擬的大腦狀幾何結(jié)構(gòu)的DWI作為一種新的可靠性評(píng)估方法，該方法允許基于示蹤（Tractometer）連通性指標(biāo)對(duì)提交的數(shù)據(jù)進(jìn)行定量評(píng)估。

在比賽結(jié)束時(shí)，作者評(píng)估了由20個(gè)不同的研究小組提交的96條不同的纖維束通路，以評(píng)估算法能否很好地再現(xiàn)已知的連通性。這項(xiàng)研究還評(píng)估了必要的處理步驟，以找出當(dāng)前許多通路共有的關(guān)鍵缺陷。大多數(shù)提出的算法都能夠生成包含90%的真實(shí)解剖下纖維束的追蹤圖，恢復(fù)其大約三分之一的體積范圍。與此同時(shí)，大多數(shù)算法會(huì)產(chǎn)生大量的假陽性纖維束，即它們不是解剖下實(shí)際纖維束的一部分。當(dāng)使用更高質(zhì)量的數(shù)據(jù)時(shí)，如在高空間分辨率下使用局部纖維束定向時(shí)，結(jié)果也不會(huì)得到明顯改善。這些發(fā)現(xiàn)強(qiáng)調(diào)，需要新的技術(shù)和概念發(fā)展來解決這些限制。本文發(fā)表在Nature Communications雜志。（可添加微信號(hào)siyingyxf或18983979082獲取原文及補(bǔ)充材料）

?

方法

生成解剖下真實(shí)的纖維束。這組解剖下真實(shí)的遠(yuǎn)距離纖維束被設(shè)計(jì)成覆蓋整個(gè)人腦，并具有許多相關(guān)的空間構(gòu)型，如交叉、接觸、扭曲和扇形纖維，從而代表了體內(nèi)已知的主要纖維束的形態(tài)。獲得這些纖維束的過程包括三個(gè)步驟。

首先，在高質(zhì)量的活體彌散加權(quán)圖像上進(jìn)行全腦全腦纖維束成像。

然后，從生成的纖維束圖像中手動(dòng)提取25個(gè)主要的遠(yuǎn)距離纖維束。

在第三步中，對(duì)這些纖維束進(jìn)行細(xì)化，以獲得平滑且定義明確的纖維束。

作者選擇了HCP的Q3數(shù)據(jù)發(fā)布中包含的彌散加權(quán)數(shù)據(jù)集之一來執(zhí)行全腦整體纖維束成像。在其他自定義中，HCP掃描儀配備了一組高端梯度線圈，可實(shí)現(xiàn)100mTm?1的彌散編碼梯度強(qiáng)度。相比之下，大多數(shù)標(biāo)準(zhǔn)磁共振掃描儀的梯度強(qiáng)度約為30至40mT m?1。這種硬件設(shè)置允許采集具有極高分辨率(1.25mm各向同性，270個(gè)梯度方向)的數(shù)據(jù)集，同時(shí)保持良好的信噪比。所有的數(shù)據(jù)集都經(jīng)過了頭部運(yùn)動(dòng)、渦流和磁化率失真的校正，總體來說質(zhì)量非常高。

使用MITK Diffusion進(jìn)行全腦纖維束成像，參數(shù)如下：900,000,000次迭代，顆粒長(zhǎng)度1 mm，顆粒寬度0.1 mm，顆粒重量0.002。此外，作者重復(fù)了6次纖維束成像，并將得到的全腦纖維束圖合并成一個(gè)由500多萬條流線組成的大型數(shù)據(jù)集。所選擇的參數(shù)使纖維束成像方法具有非常高的靈敏度。由于感興趣的區(qū)域是在第二步中手動(dòng)提取的，因此所產(chǎn)生的纖維束圖的特異性不那么令人擔(dān)憂。

由放射科專家使用手動(dòng)放置的感興趣的包含和排除區(qū)域來執(zhí)行纖維束分區(qū)。本研究遵循Stieltjes等人介紹的用于ROI設(shè)置和纖維束提取的概念。提取了25個(gè)主要纖維束，覆蓋整個(gè)大腦的聯(lián)合、投射和連合纖維束(圖1)。

如圖1所示，在手工提取后，進(jìn)一步細(xì)化單個(gè)遠(yuǎn)距離纖維束作為圖像模擬的真實(shí)解剖下纖維束。原始提取的纖維束具有大量過早終止的纖維束，單個(gè)流線不平滑。為了在沒有過早終止纖維束的情況下獲得平滑的纖維束，使用了Fiberfox(www.mitk.org33)分別模擬了每個(gè)原始纖維束的彌散加權(quán)圖像。由于單個(gè)纖維束圖像中不存在復(fù)雜的纖維結(jié)構(gòu)(如交叉)，也沒有模擬任何虛假的纖維束，因此使用簡(jiǎn)單的基于張量的流線型纖維束成像技術(shù)可以從這些圖像中獲得非常平滑和完整的纖維束。

使用類似大腦的幾何體模擬虛擬圖像。使用開源軟件Fiberfox(www.mitk.org33)模擬虛擬彌散加權(quán)圖像。作者采用了一個(gè)四室模型（four-compartment model），包括腦組織(軸突內(nèi)和軸突間)、灰質(zhì)和腦脊液(CSF)。選擇用于模擬腦室彌散加權(quán)信號(hào)的參數(shù)，以獲得典型的彌散特性和圖像對(duì)比度。軸突內(nèi)室用棒狀模型模擬，T2弛豫時(shí)間為110ms，彌散系數(shù)為1.2x10-9m2s?1。軸突間室用zeppelin飛艇模型模擬，T2弛豫時(shí)間為110ms。軸向彌散系數(shù)為1.2×10-9m2s?1，徑向彌散系數(shù)為0.3×10-9m2s?1。用球模型模擬了GM室，T2弛豫時(shí)間為80ms，彌散系數(shù)為1.0×10-9m2s?1。CSF室也用球模型模擬，T2弛豫時(shí)間為2500ms，彌散系數(shù)為2.0×10-9m2s?1。

作者選擇下面報(bào)告的采集參數(shù)來模擬代表實(shí)際(例如，臨床)設(shè)置的圖像，特別是具有2 mm各向同性體素、32個(gè)梯度方向和1000s mm?2的b值的5-10分鐘單次激發(fā)回波平面成像掃描。所選擇的采集設(shè)置代表了應(yīng)用纖維束成像研究的典型場(chǎng)景，并體現(xiàn)了大多數(shù)方法支持的共同點(diǎn)。因?yàn)榫哂懈遙值的采集、更多的梯度方向和更少的偽跡對(duì)纖維束成像更有利。此外，作者報(bào)告了在完美圖像質(zhì)量條件下的最小上限纖維束成像性能，使用的數(shù)據(jù)集直接包含高空間分辨率的解剖下真實(shí)纖維束方向信息，沒有虛假的纖維束(圖6)。

參數(shù)為矩陣大小90×108×90，回波時(shí)間108ms，停留時(shí)間1ms；T2弛豫時(shí)間為50ms。該模擬對(duì)應(yīng)于具有恒定線圈靈敏度的單線圈采集，沒有部分傅立葉變換，也沒有平行成像。相位編碼是從后向前的。還生成了兩幅具有后-前/前-后相位編碼的未加權(quán)圖像。

由于Fiberfox模擬了實(shí)際的k-空間采集，因此有可能在最終圖像中引入一些常見的偽跡。模擬了復(fù)雜的高斯噪聲，得到相對(duì)于平均白質(zhì)基線信號(hào)的最終信噪比約為20。十個(gè)尖峰隨機(jī)分布在整個(gè)圖像體積中(圖9a)。模擬了N/2個(gè)重影(圖9b)。由B0場(chǎng)不均勻性引起的失真是使用在實(shí)際采集中測(cè)量的現(xiàn)有場(chǎng)圖譜帶來的，并配準(zhǔn)到所使用的參考HCP數(shù)據(jù)集(圖9c)。在三個(gè)隨機(jī)選擇的體積中，頭部運(yùn)動(dòng)為隨機(jī)旋轉(zhuǎn)(圍繞z軸±4°)和平移(沿著x軸±2 mm)。體積6旋轉(zhuǎn)了3.36°，平移了1.74毫米，體積12旋轉(zhuǎn)了1.23°，平移了0.72毫米，體積24旋轉(zhuǎn)了3.12°，平移了1.55毫米。以1毫米的各向同性分辨率、約40的信噪比和作為解剖參考的無其他偽跡生成具有T1樣對(duì)比度的圖像。

圖9.?合成數(shù)據(jù)集中包含的偽跡的圖示。

?

表現(xiàn)指標(biāo)和評(píng)估。這些小組提交了一整套流線集及其方法的簡(jiǎn)要說明。未考慮到與操作員有關(guān)的潛在誤差，但這些誤差很可能對(duì)最終結(jié)果的質(zhì)量起到了推動(dòng)作用。概率性的纖維束成像技術(shù)使用用戶定義的不確定閾值進(jìn)行預(yù)處理，每個(gè)小組在提交之前獨(dú)立決定該閾值。

VC（有效連接，意思是構(gòu)建出來的真實(shí)存在白質(zhì)連接）的示蹤儀定義對(duì)于當(dāng)前的纖維束成像算法是極其嚴(yán)格的，因?yàn)樗枰骶€(1)不在任何點(diǎn)離開解剖下真實(shí)纖維束，以及(2)準(zhǔn)確地終止在彌散的解剖下真實(shí)的纖維束端點(diǎn)定義的端點(diǎn)區(qū)域內(nèi)。因此，作者采用了另一種定義，其標(biāo)準(zhǔn)不那么嚴(yán)格，基于穩(wěn)健的形狀距離指標(biāo)和流線之間的聚類。纖維束特定的閾值是手動(dòng)設(shè)置的，以考慮纖維束形狀和與其他纖維束的接近程度。對(duì)于偏側(cè)化的纖維束，使用以下距離使得兩側(cè)的距離相同：CA和CP為2 mm；CST和SCP為3 mm；扣帶為5 mm；穹窿、ICP、OR和UF為6 mm；FPT、ILF和POPT為7 mm；CC、MCP和SLF為10 mm。

一旦確定了VCs，剩下的流線可以分為IC流線和非連接流線。使用基于QuickBundles的聚類算法對(duì)剩余的無效流線進(jìn)行聚類。通過包含流線的多數(shù)投票來識(shí)別每個(gè)結(jié)果聚類的最佳匹配端點(diǎn)區(qū)域。如果將多個(gè)聚類分配給同一對(duì)區(qū)域，則會(huì)合并它們。未分配給任何聚類或低于長(zhǎng)度閾值的流線被標(biāo)記為不連接。

在該分類的簡(jiǎn)化分類的基礎(chǔ)上，計(jì)算了以下指標(biāo)：

1.VC比率：VCs /流線的總數(shù)（0到100之間的百分比）。

2. VB：對(duì)于至少有一個(gè)有效流線關(guān)聯(lián)的每個(gè)纖維束，此計(jì)數(shù)器遞增一個(gè)（0到25之間的整數(shù)）。

3. IB：在解剖下真實(shí)的25個(gè)纖維束，每個(gè)具有兩個(gè)端點(diǎn)區(qū)域，有1275個(gè)可能的端點(diǎn)區(qū)域組合。將25個(gè)VBs從等式中取出，1250個(gè)潛在的IBs保持（0到1250之間的整數(shù)）。

?4.重疊：由與纖維束相關(guān)聯(lián)的至少一個(gè)有效的流線遍歷的解剖下真實(shí)的纖維束的體積比例。該值顯示纖維束成像結(jié)果如何恢復(fù)纖維束的原始體積（0到100之間的百分比）。

?5.?過度估計(jì)：由至少一個(gè)與該纖維束相關(guān)的有效流線遍歷解剖下真實(shí)的纖維束的體積之外的體素除以解剖下真實(shí)的纖維束內(nèi)的體素總數(shù)的分?jǐn)?shù)。該值顯示VCs超出解剖下真實(shí)的纖維束體積的程度(介于0和100之間的百分比)。對(duì)于VC的傳統(tǒng)定義，此值始終為零，但對(duì)于本研究中采用的非嚴(yán)格標(biāo)準(zhǔn)，此值可以為非零值。

按照先前定義的評(píng)估標(biāo)準(zhǔn)，研究主要是關(guān)于參照的準(zhǔn)確性，而不是關(guān)于纖維束成像的重復(fù)性或穩(wěn)健性。

多變量分析。在多變量線性混合模型中考察了實(shí)驗(yàn)設(shè)置的影響。描述不同提交方法的實(shí)驗(yàn)變量被作為固定效應(yīng)包括在內(nèi)(圖2b)。VC比率、VB計(jì)數(shù)、IB計(jì)數(shù)、纖維束重疊百分比和纖維束過度估計(jì)百分比被建模為因變量，每個(gè)變量都用于單獨(dú)的模型的計(jì)算。提交的小組被建模為隨機(jī)效應(yīng)。使用軟件SAS 9.2，Proc Mixed進(jìn)行分析。

?

結(jié)果

數(shù)據(jù)集和提交。

先前對(duì)纖維束成像方法的研究已經(jīng)選擇了人造纖維幾何結(jié)構(gòu)來構(gòu)建合成真實(shí)的解剖模型。在這里，作者基于高質(zhì)量的人類連接體項(xiàng)目(HCP)數(shù)據(jù)集的纖維束幾何來定義這項(xiàng)研究的模型，該數(shù)據(jù)集是由多個(gè)全腦整體纖維束成像圖?(圖1)構(gòu)建的。按照Stieltjes等人的做法，從中提取了25個(gè)主要纖維束。這一纖維束解剖事實(shí)數(shù)據(jù)集包括先前使用死后解剖學(xué)和電生理方法描述的聯(lián)合束、投射束和連合束。總體而言，大腦纖維束占據(jù)了人腦白質(zhì)體積的71%。該數(shù)據(jù)集的特點(diǎn)是一個(gè)類似大腦的遠(yuǎn)程連接的宏觀結(jié)構(gòu)，基于虛擬的彌散信號(hào)，模擬體內(nèi)類似DWI臨床的采集。另外還模擬了一個(gè)類似于T1對(duì)比的解剖圖像作為參考。

圖1.合成數(shù)據(jù)集概述。頂部總結(jié)了虛擬模型的生成過程。虛擬圖像由25個(gè)主要纖維束生成，如圖底部所示。其中包括胼胝體(CC)、扣帶回(CG)、穹隆(FX)、前連合(CA)、視輻射(OR)、后連合(CP)、小腦下腳(ICP)、小腦中腳(MCP)、小腦上腳(SCP)、頂枕腦橋束(POPT)、皮質(zhì)脊髓束(CST)、額葉(FPT)、下縱束(ILF)、鉤束(UF)。中間的連接圖顯示了虛擬設(shè)計(jì)。每一段的位置與涉及到的區(qū)域在端點(diǎn)處對(duì)應(yīng)(自上而下：額葉、顳葉、頂葉、枕葉、皮質(zhì)下區(qū)、小腦、腦干)。輻射中每一段的長(zhǎng)度和連接數(shù)是根據(jù)各自纖維束端點(diǎn)區(qū)域的體積選擇的。

來自12個(gè)國(guó)家的20個(gè)在彌散成像方面擁有廣泛專業(yè)知識(shí)的研究小組(圖2a)參加了比賽，他們提交了總共96個(gè)纖維束成像圖，這些圖像使用不同的預(yù)處理、局部重建、纖維束成像和后處理算法的各種纖維束成像生成纖維束通路(圖2b)。

圖2.?團(tuán)隊(duì)和纖維束通路設(shè)置總結(jié)。

a.團(tuán)隊(duì)所屬實(shí)驗(yàn)室的位置。

b.用于處理的不同通路的配置(A:頭動(dòng)校正，B:b值梯度校正，

C:圖像失真校正，

D:尖峰校正，E:去噪，F:升采樣，

G:彌散張量成像之外的彌散模型，H:確定性方法之外的纖維束成像，I:解剖先驗(yàn)，J:流線濾波，K:高級(jí)流線濾波，L:流線聚類)。

?

如果您對(duì)DWI及腦影像數(shù)據(jù)處理感興趣，歡迎瀏覽思影科技課程及服務(wù)（可添加微信號(hào)siyingyxf或18983979082咨詢）：

?

?

表現(xiàn)指標(biāo)和評(píng)估。

使用示蹤連通性指標(biāo)對(duì)提交的材料進(jìn)行定量評(píng)估。基于已知的真實(shí)解剖下纖維束，作者計(jì)算了與有效連接(VC)比率相對(duì)應(yīng)的真陽性，即連接有效端點(diǎn)的流線的比例和關(guān)聯(lián)的有效纖維束數(shù)目(VB)，其中，纖維束由一組流線組成（即緊密排列在一起的許多streamline構(gòu)成一個(gè)大的纖維束）。此外還計(jì)算了對(duì)應(yīng)于無效連接(IC)比率和相關(guān)無效纖維束(IB)數(shù)量的假陽性，以及基于纖維束體積重疊(OL)和體積過度估計(jì)(OR)的重建體積比(以百分比表示)。

纖維束成像包含了大多數(shù)真實(shí)的解剖下纖維束。現(xiàn)有纖維束的體積重建在不同的纖維束之間差別很大。圖3a顯示了根據(jù)OL計(jì)算的百分比，所識(shí)別的VB可以被分組為非常困難、困難和中等難度的三個(gè)聚類。圖3b顯示了通過不同的纖維束成像技術(shù)重建的相應(yīng)示例。所有提交的材料都難以重建最小的纖維束，即橫截面直徑不超過2 mm的前連合(CA)和后連合(CP)，或者是一個(gè)或兩個(gè)體素(非常困難，0%<=OL<10%)。難以重建的纖維束可以部分恢復(fù)(10%<=OL<50%)。中等難度的纖維束為胼胝體(CC)、下縱束(ILF)、上縱束(SLF)和鉤束(UF)，體積恢復(fù)率平均大于50%(50%<=OL<=100%)。計(jì)算Pearson積矩相關(guān)系數(shù)以評(píng)估OL和OR之間的關(guān)系(r=0.88，p<10-8)，表明重建更大部分纖維束的概率(OL)和產(chǎn)生虛假的纖維束?(OR)之間存在直接聯(lián)系。

圖3.纖維束成像技術(shù)識(shí)別了大多數(shù)解剖下實(shí)際纖維束，但不代表實(shí)際纖維束的全部范圍。

a.解剖下實(shí)際纖維束中不同纖維束達(dá)到的分?jǐn)?shù)概述。參賽作品的平均重疊(OL)和平均超標(biāo)(OR)分?jǐn)?shù)(紅色：非常困難，綠色：困難，藍(lán)色：中等困難)。

b.DTI確定性(DET)纖維束表征來自20個(gè)提交材料的團(tuán)隊(duì)中的6個(gè)，高角分辨率彌散成像(HARDI)確定性追蹤技術(shù)來自9個(gè)提交材料的團(tuán)隊(duì)中的0個(gè)，以及HARDI概率(PROBA)追蹤來自12個(gè)提交材料的團(tuán)隊(duì)中的2個(gè)。第一欄展示了供參考的基本事實(shí)VB。報(bào)告的OL和OR分?jǐn)?shù)對(duì)應(yīng)于各自算法類內(nèi)達(dá)到的最高OL分?jǐn)?shù)。

圖4顯示，25個(gè)VBs中平均有21個(gè)(中位數(shù)23)被參賽團(tuán)隊(duì)識(shí)別，只有4個(gè)團(tuán)隊(duì)提交了包含60%以上OL的纖維束圖像。沒有一份提交的材料中包含全部25個(gè)VBs，但10份材料(10.4%)恢復(fù)了24個(gè)VBs，69份?(71.9%)發(fā)現(xiàn)了23個(gè)或更多的VBs (圖5a)。然而，纖維束成像顯然需要改善其纖維束的完整空間范圍的恢復(fù):所有提交的纖維束體積重疊(OL)的平均值為36±16%，平均過度估計(jì)(OR)為29±26%(圖4c)。在單個(gè)流線水平上，有效連接數(shù)平均為54±23%(圖4a)。

圖4. VBs和IBs纖維束成像重建的組間差異。以連接有效區(qū)域的流線百分比（a）檢測(cè)到的VBs和IBs的數(shù)量(b)以及重疊(OL)和過度估計(jì)(OR)分?jǐn)?shù)的形式（c）概述不同團(tuán)隊(duì)達(dá)到的分?jǐn)?shù)。黑色箭頭所指的材料在后續(xù)的圖中使用到。

?

圖5.VBs和IBs概述以及無效流線聚類的示例。

a.連接矩陣中的每個(gè)條目表示已識(shí)別相應(yīng)纖維束的提交數(shù)量。每個(gè)纖維束的兩行和列代表頭端點(diǎn)和尾端點(diǎn)區(qū)域。連接矩陣顯示了大多數(shù)提交文件中確定的大量現(xiàn)有區(qū)域(紅色)。它還表明跨團(tuán)隊(duì)被系統(tǒng)性重建的虛假纖維(藍(lán)色)。

b.80%以上的提交材料被一致識(shí)別為IBs，但在解剖事實(shí)數(shù)據(jù)集中不存在。例如，AF是由ILF和SLF交叉流線產(chǎn)生的，而IFOF是由ILF和UF交叉流線產(chǎn)生的。MdLF、FAT、SFOF和VOF是其他具有高度代表性的IBs。

?

纖維束圖像包含的無效纖維束包多于有效纖維束。36±17％的重建的個(gè)體流線連接區(qū)域并未實(shí)際連接。未連接任何端點(diǎn)的流線的分?jǐn)?shù)為10±15％。即使不是解剖下實(shí)際纖維束的一部分，這些流線也常常以密集、結(jié)構(gòu)化和連貫的形式出現(xiàn)。提交的纖維束圖像包括88±58 IBs的平均值，是它們平均含有的VBs數(shù)量的四倍多(圖4b)。這證明了目前最先進(jìn)的纖維束成像算法無法控制假陽性。這些IBs中有41例在大多數(shù)提交的材料中出現(xiàn)（圖5）。纖維束水平上的總體平均精度為23±9％（召回率為85±15％，特異性為93±5％）。至少有23個(gè)?VBs的材料中顯示出不少于37個(gè)IBs（平均值?88±39，n=69）。具有23個(gè)或更多VBs的材料在99到204 IBs之間被識(shí)別的體積纖維束重疊大于50％。

81%- 95%的提交者系統(tǒng)性地發(fā)現(xiàn)了圖5b所示的纖維束，但這并不是實(shí)際解剖下纖維束的一部分。有趣的是，這些無效的流線簇中有幾個(gè)在解剖位置上與神經(jīng)纖維束有相似之處，如前額斜束(FAT)、弓狀束(AF)、額枕下束(IFOF)、中縱束(MdLF)、終囊束、額枕上束(SFOF)、垂直枕束(VOF)。這些發(fā)現(xiàn)表明，纖維束存在的證據(jù)不應(yīng)僅從目前的纖維束成像中獲得，而應(yīng)輔之以其他解剖學(xué)和電生理學(xué)方法。

?

較高的圖像質(zhì)量可能會(huì)提高纖維束成像的有效性。

為了確認(rèn)這項(xiàng)研究的發(fā)現(xiàn)揭示了纖維素成像本身的基本屬性，并且與特定的虛擬模擬過程的影響無關(guān)，作者直接在真實(shí)解剖下纖維束的方向上運(yùn)行了兩個(gè)獨(dú)立的確定性流線型纖維束成像數(shù)據(jù)(圖6)，而不使用彌散加權(quán)數(shù)據(jù)。該實(shí)驗(yàn)針對(duì)多個(gè)分辨率(2、1.75、1.5、1.25、1.0、0.75和0.5 mm)重復(fù)進(jìn)行。因此，該設(shè)置獨(dú)立于圖像質(zhì)量、偽跡以及來自特定纖維束通路和虛擬生成過程的許多其他影響。根據(jù)實(shí)際解剖方向，纖維束成像的通路達(dá)到了76±6%的重疊分?jǐn)?shù)，這是以前在類似的過度估計(jì)水平上所沒有達(dá)到的(29±8%)。VC比率在71%~82%之間。然而，纖維束圖像仍包含102±24個(gè)IBs(最小的73個(gè))。

圖6.?在真實(shí)纖維束解剖方向上沒有噪聲影響的纖維束圖像仍然受到IB問題的影響。使用確定性纖維束成像方法的兩個(gè)獨(dú)立方法獲得的結(jié)果（GT1和GT2）。

a.連接有效區(qū)域的簡(jiǎn)化百分比。b.檢測(cè)到的VBs和IBs數(shù)量。c.體積重疊和覆蓋分?jǐn)?shù)在纖維束上取平均值。

?

方法上的創(chuàng)新可能會(huì)提高纖維束成像的有效性。結(jié)果表明，虛擬數(shù)據(jù)集中許多結(jié)點(diǎn)的幾何形狀太復(fù)雜，即使給出了一個(gè)完美的真實(shí)解剖方向，也不能用現(xiàn)有的追蹤算法來解決。因此，這些問題似乎與方向性信息中的模糊性有關(guān)(圖7)。

圖7.?彌散方向和纖維幾何形狀之間的模糊對(duì)應(yīng)關(guān)系。使用體素、局部和全腦級(jí)別的三個(gè)圖示作為示例來說明彌散成像信息中可能包含的模糊性信息，這些模糊性可能導(dǎo)致可替換的纖維束重建。

(A)假設(shè)真實(shí)解剖下纖維束的體素內(nèi)交叉導(dǎo)致體素水平的成像信息模糊。

(B)類似地，局部纖維交叉的成像表征可以通過幾種其他配置來解釋。

(C)在全腦水平，由多個(gè)纖維束共享的白質(zhì)區(qū)域(所謂的“瓶頸”，虛線矩形表示)可能導(dǎo)致許多虛假的纖維束重建。假設(shè)真實(shí)解剖下的纖維束只有兩束(紅色和黃色束)，就會(huì)出現(xiàn)四個(gè)潛在的假陽性纖維束。請(qǐng)注意，在全腦水平的例子中使用的假設(shè)基礎(chǔ)事實(shí)在解剖學(xué)上是不正確的，因?yàn)榇蠖鄶?shù)胼胝體纖維是同源分布的(即，連接兩個(gè)半球上的相似區(qū)域)。

?

作者考察了在合成虛擬和人體數(shù)據(jù)集中遇到的模糊性。例如，在顳葉多個(gè)纖維束重疊，并且明顯超過了大多數(shù)體素中纖維束方向的數(shù)量。如圖8所示，彌散信號(hào)中的單一的纖維束方向規(guī)則地表示多個(gè)纖維束。這樣的漏斗（funnels）體現(xiàn)了用于纖維束成像中的困難瓶頸，這導(dǎo)致了如圖7c和圖8c中描繪的用于連接相關(guān)聯(lián)的纖維束端點(diǎn)的合理配置的大量組合可能性。因此，對(duì)于真實(shí)數(shù)據(jù)集以及合成虛擬，數(shù)十個(gè)結(jié)構(gòu)化和相干的纖維束通過該瓶頸，表現(xiàn)出相似的纖維束總數(shù)和廣泛的解剖學(xué)上合理的幾何形狀。基于真實(shí)HCP數(shù)據(jù)的示蹤圖顯示了理論上合理的整個(gè)纖維束穿過顳葉瓶頸，即使在局部彌散信號(hào)通常僅顯示一個(gè)纖維束方向(參見圖8d)。要解決這些問題，更好地利用補(bǔ)充DWI估計(jì)的局部定向場(chǎng)的額外信息來源，方法創(chuàng)新是必要的。

圖8.?瓶頸和纖維束圖像的根本不適性。

a.將六個(gè)實(shí)際纖維束的可視化聚集到左顳葉的瓶頸區(qū)域中的幾乎平行的漏斗中（由正方形區(qū)域表示）。每個(gè)體素的纖維束（方框“#有效纖維束”）清楚地超過彌散信號(hào)中的峰值方向（方框“#信號(hào)峰值”）。?

b.通過相同區(qū)域的體內(nèi)纖維束成像圖中的HCP可視化流線。

c.已識(shí)別出超過50％的示例性IBs，顯示纖維束成像圖不能區(qū)分連接不同端點(diǎn)區(qū)域的大量合理組合可能性。

d.?自動(dòng)快速捆綁（QuickBundle）—從通過時(shí)間ROI的活體示蹤圖中聚集流線。成簇的纖維束以不同的綠色色調(diào)說明。這些簇代表了通過HCP數(shù)據(jù)集的瓶頸區(qū)域的真陽性和假陽性纖維束的混合。

?

處理步驟的統(tǒng)計(jì)分析。

在多變量的線性混合模型中研究了不同提交材料中的結(jié)果的方法邏輯設(shè)置，并揭示了個(gè)體處理步驟對(duì)纖維束成像結(jié)果的影響（表1）。纖維束成像算法的選擇，以及追蹤后濾波方法以及潛在的彌散模型對(duì)整體分?jǐn)?shù)有很大的影響，揭示了敏感性和特異性之間的明顯權(quán)衡。根據(jù)解剖先驗(yàn)手動(dòng)編輯的纖維束圖像對(duì)識(shí)別的VBs數(shù)量(平均效應(yīng):3.8±2.6束)和纖維束重疊(平均效應(yīng):?15±11%)有負(fù)面影響。然而，這些技術(shù)對(duì)平均纖維束過度估計(jì)有積極影響(平均效應(yīng):?16±9%)。值得注意的是，團(tuán)隊(duì)3使用聚類的方法對(duì)圖像進(jìn)行了后期處理，達(dá)到了92%的有效連接流線。

表1.?綠色表示顯著的積極影響(p<0.05)，而紅色表示顯著的負(fù)面影響(p<0.05)。數(shù)字表示對(duì)該指標(biāo)及其標(biāo)準(zhǔn)偏差的估計(jì)平均影響。

?

討論

作者使用白質(zhì)束和連通性的真實(shí)解剖數(shù)據(jù)集評(píng)估了當(dāng)前最先進(jìn)的纖維束成像方法，這些數(shù)據(jù)集代表了人類活體腦成像中可能出現(xiàn)的挑戰(zhàn)。先進(jìn)的纖維束成像技術(shù)與當(dāng)前的彌散虛擬技術(shù)相結(jié)合，成功地恢復(fù)了大多數(shù)VB，覆蓋了其體積范圍的77%。這一結(jié)果表明，目前的方法和團(tuán)隊(duì)有能力處理DWI中的大量偽跡，并克服纖維束重建過程中的局部交叉情況。然而，纖維束成像也在實(shí)際不存在流線的地方產(chǎn)生厚實(shí)而密集的看似合理的纖維束。當(dāng)聚焦于由大多數(shù)提交系統(tǒng)地恢復(fù)的64個(gè)纖維束時(shí)，64%的纖維束實(shí)際上不存在解剖實(shí)際位置。目前的纖維束成像通路，甚至在高分辨率圖像上追蹤真實(shí)解剖位置方向，都會(huì)產(chǎn)生大量的假陽性纖維束。所采用的基于虛擬的方法不能在絕對(duì)意義上量化與體內(nèi)連接相關(guān)的影響；也就是說，研究結(jié)果并不意味著任何正在做纖維束成像的人都應(yīng)該預(yù)料到所報(bào)告的VB與IB的比率和覆蓋范圍與過度估計(jì)范圍的比率。然而，目前的研究結(jié)果確實(shí)暴露了與全腦纖維束成像相關(guān)的模糊性程度，并表明纖維束成像的計(jì)算問題遠(yuǎn)遠(yuǎn)超出了纖維束方向的局部重建和數(shù)據(jù)質(zhì)量問題。因此，這項(xiàng)研究結(jié)果總體上對(duì)纖維束成像和連通性測(cè)繪領(lǐng)域提出了一個(gè)核心和開放的挑戰(zhàn)。

以前的研究報(bào)告了簡(jiǎn)化條件下的高無效連接率?(www.tractometer.org)，并且已經(jīng)使用示意圖表示和理論論證討論了纖維束成像中的一些潛在的模糊性。白質(zhì)瓶頸區(qū)域在過去已經(jīng)討論過，并且是關(guān)于纖維束成像發(fā)現(xiàn)的關(guān)鍵。目前的結(jié)果揭示了在活體人腦研究中可能會(huì)發(fā)現(xiàn)的更復(fù)雜條件下這些限制的后果，解決了以前未解決的重要問題。這一發(fā)現(xiàn)來自于一個(gè)類似大腦的幾何結(jié)構(gòu)，它包含了一些已知的主要遠(yuǎn)距離連接，覆蓋了71%的白質(zhì)。未來版本的虛擬計(jì)劃包括更多的纖維束，如AF、MdLF和IFOF的顳葉中、下部投射，以及更小的U-纖維、前腦內(nèi)側(cè)纖維、深核以及它們之間的聯(lián)系。此外，更先進(jìn)的彌散建模方法將允許生成更真實(shí)的DWI信號(hào)，可能會(huì)以更高的空間和q-空間分辨率進(jìn)行模擬。

然而，這些發(fā)展不會(huì)解決纖維束成像的根本模糊性，因此只對(duì)研究的主要結(jié)果產(chǎn)生有限的影響。結(jié)果表明，即使在使用信號(hào)的最大角度精度，也就是說，使用真實(shí)解剖方向，假陽性的纖維束也以相似的速度出現(xiàn)。這些發(fā)現(xiàn)證實(shí)了先前研究中所示的那些問題以及涉及纖維束成像中的基本問題制定：從局部方向場(chǎng)推斷連通性。通過添加更多纖維束來增加虛擬的解剖復(fù)雜性，很有可能導(dǎo)致假陽性率的進(jìn)一步提高。當(dāng)前虛擬構(gòu)建過程類似于潛在的限制，因?yàn)樗婕袄w維束成像自身，從而引發(fā)自我驗(yàn)證問題。在直接的方法比較中應(yīng)該考慮這一方面，因?yàn)榭赡艽嬖趯?duì)類似于用于虛擬生成的算法的偏見。然而，這一警告對(duì)我們的一般發(fā)現(xiàn)的影響非常有限。可以預(yù)期的是，在解剖學(xué)復(fù)雜性較高的虛擬中，可通過使用獨(dú)立的方法(如偏振光成像，polarized light imaging)來實(shí)現(xiàn)的纖維束圖像的識(shí)別限制將變得更加明顯。綜上所述，研究觀察結(jié)果證實(shí)了計(jì)算問題的根本不適定性，這是目前的纖維束成像方法努力解決的問題。

因此，解決IBs問題需要進(jìn)行實(shí)質(zhì)性的方法創(chuàng)新。目前的幾個(gè)研究方向可能會(huì)提高纖維束成像的特異性。流線濾波技術(shù)可以優(yōu)化信號(hào)預(yù)測(cè)誤差，以減少纖維束成像偏差。它們是整合非局部信息的更一般趨勢(shì)的一部分，也是超越原始方向性向量的先進(jìn)彌散微結(jié)構(gòu)建模的一部分。機(jī)器學(xué)習(xí)驅(qū)動(dòng)的纖維束成像技術(shù)的最新進(jìn)展在提高特異性方面顯示出巨大的潛力。作者虛擬的未來版本將具有多個(gè)b值、更好的信噪比和更少的偽跡，以進(jìn)一步鼓勵(lì)這些方向的研究。

此外，纖維束成像應(yīng)該越來越多地采用來自體外組織學(xué)、高分辨率尸檢DWI或互補(bǔ)電生理學(xué)的可靠解剖學(xué)先驗(yàn)，以獲得最佳指導(dǎo)。雖然手動(dòng)或自動(dòng)清理流線可能會(huì)有所幫助，但真正的挑戰(zhàn)是我們對(duì)需要重建的解剖結(jié)構(gòu)的知識(shí)有限。目前，使用Klingler方法進(jìn)行的尸檢揭示了人腦白質(zhì)的宏觀組織，盡管該方法在復(fù)雜纖維結(jié)構(gòu)或皮質(zhì)附近有一些前述的纖維束成像上的局限性。未來的研究將不得不進(jìn)一步深入了解白質(zhì)組織的基本原理，并越來越多地學(xué)習(xí)如何利用這些信息來進(jìn)行腦白質(zhì)成像。

在纖維束成像方面取得的潛在進(jìn)展將對(duì)結(jié)構(gòu)連接的圖形分析研究產(chǎn)生重要影響。迄今為止，這種分析(例如，在精神病學(xué)環(huán)境中)所證明的診斷或預(yù)測(cè)能力不應(yīng)該讓我們忽視纖維束成像的哪些方面是可靠的，哪些是不可靠的。目前的一個(gè)發(fā)現(xiàn)與連接體領(lǐng)域特別相關(guān)：傳統(tǒng)的指標(biāo)要求流線精確地結(jié)束于纖維束的頭部或尾部區(qū)域，對(duì)于纖維束的解剖和連通性評(píng)估來說，限制太多了。沒有一份材料中生成精確流線與真實(shí)解剖下纖維束和擴(kuò)大的端點(diǎn)掩蔽完美重疊。這一發(fā)現(xiàn)與之前的報(bào)告一致，之前的報(bào)告發(fā)現(xiàn)灰質(zhì)(GM)中的纖維束終止是不準(zhǔn)確的，并突顯了使用T1圖像上的分區(qū)的體素定義來選擇相關(guān)流線的方法的一個(gè)重要限制。作者虛擬的未來版本將包括白質(zhì)/灰質(zhì)皮層帶的真實(shí)解剖下分區(qū)，以幫助解決這些問題的進(jìn)一步發(fā)展，并將評(píng)估方法擴(kuò)展到應(yīng)用于圖論指標(biāo)。

?

總結(jié)：

總體看來，雖然仍存在種種限制，但DWI目前仍是繪制人體中短期和長(zhǎng)期結(jié)構(gòu)大腦連通性的唯一工具，并且對(duì)于比較大腦、檢測(cè)差異和模擬大腦活動(dòng)是必不可少的。這項(xiàng)發(fā)現(xiàn)應(yīng)該會(huì)促進(jìn)新的纖維束成像方法的發(fā)展，這些方法使用目前的方法進(jìn)行了仔細(xì)的評(píng)估。下一代纖維束成像算法最重要的目標(biāo)是提高重建現(xiàn)有纖維束的完整空間范圍的能力，同時(shí)更好地控制假陽性連接。解剖學(xué)先驗(yàn)、先進(jìn)的彌散微結(jié)構(gòu)建模和多模態(tài)成像更緊密的整合有助于解決信號(hào)中的模糊性問題，并克服當(dāng)前的纖維束成像的限制。從根本上說，為了提高我們對(duì)人類腦白質(zhì)解剖學(xué)的認(rèn)識(shí)，建立解剖學(xué)上正確的人體連接，迫切需要在纖維束成像中進(jìn)行方法學(xué)上的創(chuàng)新。

?

如需原文及補(bǔ)充材料請(qǐng)?zhí)砑铀加翱萍嘉⑿?#xff1a;siyingyxf或18983979082獲取,如對(duì)思影課程及服務(wù)感興趣也可加此微信號(hào)咨詢。覺得對(duì)您的研究有幫助，請(qǐng)給個(gè)轉(zhuǎn)發(fā)支持以及右下角點(diǎn)擊一下在看，是對(duì)思影科技莫大的支持，感謝！

?

?

非常感謝轉(zhuǎn)發(fā)支持與推薦

?

歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請(qǐng)直接點(diǎn)擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號(hào)siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報(bào)名，報(bào)名后我們會(huì)第一時(shí)間聯(lián)系，并保留已報(bào)名學(xué)員名額）：

核磁：

?

第十七屆DTI數(shù)據(jù)處理班（上海，4.25-30）

?

第十八屆DTI數(shù)據(jù)處理班（上海，7.2-7)

?

第三屆DWI數(shù)據(jù)處理提高班（南京，5.17-22）

?

第二十屆腦網(wǎng)絡(luò)數(shù)據(jù)處理班（上海，5.12-17）

?

第一屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（上海，5.22-26）

?

第十六屆腦影像機(jī)器學(xué)習(xí)班（上海，7.23-28)

?

第八屆小動(dòng)物腦影像數(shù)據(jù)處理班（上海，5.6-11）

?

第四十二屆磁共振腦影像基礎(chǔ)班（上海，6.5-10）

?

第四十一屆磁共振腦影像基礎(chǔ)班（重慶，5.9-14）

?

第十三屆腦影像結(jié)構(gòu)班（重慶，6.8-13)

?

第九屆任務(wù)態(tài)數(shù)據(jù)處理班（北京，5.27-6.1）

?

第四十屆磁共振腦影像基礎(chǔ)班（南京，4.24-29）

?

第四十三屆磁共振腦影像基礎(chǔ)班（南京，7.1-6)

?

腦電及紅外：

?

第十六屆腦電數(shù)據(jù)處理入門班（北京，6.10-15)

?

第十五屆腦電數(shù)據(jù)處理入門班（重慶，7.12-17)

?

第十四屆腦電數(shù)據(jù)處理入門班（南京，5.10-15）

?

第二十七屆腦電數(shù)據(jù)處理中級(jí)班（南京，6.1-6.6)

?

第十二屆近紅外腦功能數(shù)據(jù)處理班（上海，6.15-20)

?

第九屆腦電信號(hào)數(shù)據(jù)處理提高班（上海，7.8-13)

?

第三屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（上海，6.25-30）

?

數(shù)據(jù)處理業(yè)務(wù)介紹：

?

思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)

?

思影科技彌散加權(quán)成像（DWI/dMRI）數(shù)據(jù)處理

?

思影科技腦結(jié)構(gòu)磁共振成像數(shù)據(jù)處理業(yè)務(wù)（T1)

?

思影科技嚙齒類動(dòng)物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)

?

思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理

?

思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹

?

思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)

?

思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)

?

思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)

?

思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理

?

思影科技眼動(dòng)數(shù)據(jù)處理服務(wù)

?

招聘及產(chǎn)品：

?

招聘：腦影像數(shù)據(jù)處理工程師（上海）

?

BIOSEMI腦電系統(tǒng)介紹

?

目鏡式功能磁共振刺激系統(tǒng)介紹

?

?

總結(jié)

以上是生活随笔為你收集整理的Nature Communications：基于弥散张量成像的人类纤维束连接体方法面临的挑战的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。