文献报告总结《用功能连接性梯度揭示人类皮层下组织的测绘》

文献报告总结《用功能连接性梯度揭示人类皮层下组织的测绘》

这篇文章是笔者于2021年1月22日的组会上报告文献的总结（同时进行斗鱼直播，有兴趣的可关注主播RfMRILab）

Topographic organization of the human subcortex unveiled with functional connectivity gradients

下载链接：文献 补充材料

老师好，大家好
我是严老师的硕士一年级学生邓昭宇
今天我分享的文献是《用功能连接性梯度揭示人类皮层下组织的测绘》
作者是墨尔本大学的田野博士，导师是Andrew Zalesky
这是发表在2020年11月的一篇Nature Neuroscience 的文章，影响因子是20

接下来是作者的简介

下面我将以以下顺序和大家分享这篇文献

1 引言

大脑图谱是理解人脑的测绘组成的基础。
但许多现有的人脑图谱仅仅做皮层的分割，皮层下结构的分割很稀有。
由于皮层下的研究不足，因此被称为Terra Incognita，也就是拉丁语中的未知之地。
皮层下结构对神经精神障碍和认知具有重要作用。 因此急需描绘皮层下结构的功能结构。
因此本篇的研究目标是：
用3T和7T的fMRI建立和证实一个综合的皮层下图谱，揭示人类皮层下的极其复杂的功能结构。

首先，在脑图谱的皮层测绘学上有两个概念：
皮层边界：指在皮层微结构、功能或连接性发生突然的空间变化的区域；
皮层梯度：指测绘变化在叠加组织轴上是连续的；（在测绘学上与皮层边界相对）
那么如果我们要把皮层下组织进行分割，做成图谱的话，有一个很重要的模型选择问题：
保证边界的描绘需要的变化量应该要多大？
（本文仅在通过正式的模型选择过程证明合理的情况下，绘制皮层下的功能连通性梯度并描绘皮层下边界。）

皮层下的几何结构与皮层的卷绕片状结构不同，需要新的范式发展皮层下测绘。
开发了梯度成像技术：
一种弥散MRI纤维素追踪技术，可以量化皮层下的连接性梯度，并用统计学原则的形式指导边界描绘。
（基于静息态功能连接）

总的来说这篇文章做了以下4样工作：
1 做出了新的图谱，有4个尺度，尺度1复现了经典的解剖的神经核，尺度4描绘出27个新的双侧区域。
2 使用超高场强fMRI(7T)重复实验，并能定制以适应个体连接差异。
3 同时任务诱发fMRI揭示了皮层下微妙的重组，用以适应不断变化的认知需求。
4 研究皮层下功能连接和个体在五个行为领域的差异之间的相关关系；并发现了在皮层—皮层下连接存在一个新的任务阳性—任务阴性的组织轴。

2 总体方法

数据用HCP (人类连接组计划) 1200版，的3T和7T的rfMRI与3T的tfMRI数据
3T的被试量上千，7T有183人。
后续用于研究再现性研究的独立数据集有10人。
其中，3T的每个被试做两次静息态用于重复验证。
关于Method中数据和预处理部分我就不多加介绍了

预处理：HCP数据去噪(ICA+FIX)，空间平滑，Wishart滤波(提高SNR)，FC功能连接
（为每个个体计算相似度矩阵，量化所有皮层下体素对功能连接性分布的相似度）
获得的数据是最少预处理并去噪（ICA + FIX）的fMRI数据
随后进行空间平滑处理，然后用新开发的Wishart滤波器进行调整，提高信噪比。
3T图像使用6mm FWHM（半高全宽）的高斯平滑核进行了平滑，而4mm FWHM用于7T图像。
然后测量每个皮层下体素与所有其他的皮层与皮层下体素之间的功能连接（FC）。
为每个个体计算一个相似度矩阵，以量化所有皮质下体素对对的功能连通性分布中的相似度。

随后还有一个皮层下区域划分问题，因此要描绘一个二值Mask进行图像处理
首先，作者使用概率性哈佛-牛津皮层下结构图谱对每一个皮层下区域描绘二值Mask；
然后，合并每个单独的皮层下区域，形成一个完整的皮层下二值Mask；
最后，把皮层下的Mask左右对称，能使后续的计算对称并提高信噪比；
随后又生成了一个二值灰质Mask，用的是MNI152概率性灰质图谱；
最终生成的Mask包含中脑、脑桥、小脑
最后，为了使Mask适配7T的数据，先把它切割到1.6毫米的分辨率，然后进行中值滤波平滑Mask边缘

3 连接性梯度和梯度成像

下面介绍第一个研究结果，连接性梯度和梯度成像
这是功能连接梯度映射的示意图
（首先为每个皮层下体素映射全脑功能连接，然后计算映射中的空间梯度（能连续表示整个皮质下的功能连接变化））
全脑的fMRI信号以TM的矩阵表示（T 时间帧，M 灰质体素）
随后用PCA主成分分析提取出主成分，把维度压缩到TT-1，然后将它和皮层下体素的fMRI信号进行Pearson相关，得到N*T-1的连接性矩阵（N 皮层下体素）
使用Fisher r-to-z变换对相关系数进行变换，矩阵中的每行是连接指纹，用ita方系数进行相似性量化，得出个体的相似度矩阵（一对皮层下体素的相似性）
然后相似度矩阵通过加权邻接矩阵转换为稀疏图，然后根据L=D-W计算出拉普拉斯矩阵（D是度矩阵：每一列元素数量放到对角线）
最后计算拉普拉斯矩阵的特征向量，特征值为零的特征向量被丢弃，具有第2、3、4最小特征值的特征向量，被称为梯度I、II、III （降维算法，希望相互间有关系的点在降维后的空间中尽可能的靠近；反映出数据内在的流形结构）
三个梯度表征了整个皮层下功能连接的空间变化的连续模式
看左下角的图，由于梯度IV及以后的方差低于5%，效力不足，因此只研究梯度I-III

下面介绍作者开发的新技术：梯度成像
这是一种类似纤维束示踪成像的技术，能表征功能连接的空间梯度，是基于组的指标
它对所有个体的相似度矩阵（S）求平均，然后计算得到群体的特征向量
然后把每个梯度的值投影到MNI标准空间的3D解剖结构上进行可视化（图例是梯度I）
用Sobel算子对3D特征图的所有皮质下体素计算方向梯度，得到梯度方向图，并进行了左右对称以提高SNR（Sobel，边缘检测方法）
梯度的方向和大小表明该体素的功能连接的变化程度
（新的梯度成像程序，提供原理性的框架，用于可视化和分析功能连接中的空间梯度）
用约束张量模型把3D的张量拟合到每个皮层下的体素，雪茄型的张量表明皮层下功能连接沿着张量最长轴快速变化，球面型表明在所有方向上有恒定的连接
用插值流线法进行流线传播，当流线到达Mask边界时终止，生成流线图
使用Diffusion Toolkit进行梯度成像，用TrackVis进行可视化
同时也对梯度II、III进行梯度成像，结果的局部最大值是一致的；梯度II、III与梯度I相关，因此只用梯度I来描述功能边界
可以看到，梯度I描述的功能分界，把皮层下分为2部分：背侧部分和腹侧部分

如图所示，梯度一把皮层下分为两侧对称的背侧部分和腹侧部分的流线图
背侧（苍白球、壳核、伏隔核、尾核）
腹侧（杏仁核、前/后海马、前/后丘脑、内/外丘脑）
可以看到梯度大的流线已经把核团进行了粗糙的分割

多样性曲线
多样性曲线是一种群体一致特征图及其梯度幅度的曲线参数化，从而能进行统计推断
生成步骤：
1 将梯度幅值投影到每条流线上；
2 用动态时间规整（DTW）把流线和代表流线进行空间对齐；
3 在对齐的流线上求平均，得出组代表多样性曲线
优势的梯度与潜在的神经解剖学表现出良好的对应性（局部极大值用黑三角标出）
在背侧的流线组中出现3个局部极大值，分别对应4个结构之间的3个解剖边界
腹侧出现了9个局部极大值，同样可以作分类

4 一个新皮层下图谱

下面是新图谱的生成
在多样性曲线中，极大值的大小能相差十倍以上，说明一些区域间的假定边界比其它区域更陡
那么多大的峰值才能分割？
在图上，有一条灰色的零假设的空多样性曲线，表示的是不存在离散边界的数据；阴影表示95%的置信区间
只要拒绝零假设就说明是显著的，就能说分割是正确的
为了避免随机效应和混淆，生成空数据能从统计学上确定梯度图像中的局部最大值是否大于预期
空数据生成方法，生成100个随机图并进行平均
在右上图中，
结点代表皮层下体素，连线代表功能连接相似；左边是观测值，右侧是零假设的空数据；
对两个图进行对比就能拒绝零假设，得到边界
最后，使用分水岭变换算法将皮层下体素划定分水岭，分割为连续区域（聚类算法）

根据前面的方法，
得出了8个双边区域构成的相对粗糙的图谱，称为”I级图谱“
I级图谱复现了广为人知的解剖核团，杏仁核、海马、丘脑（分割2部分）、苍白球、伏隔核、尾核、壳核

梯度映射、边界勾画、模型选择，形成一个更佳的图谱，”II级图谱“，由16个双边区域组成
然后对各个分离出来的区域进行独立的零假设验证，并对其进行递归计算，直到无法拒绝任何区域的零假设；
由此产生了4个逐渐精细的皮层下图谱 （I级：16区、II级：32区、III级：50区、IV级：54区）

在分割皮层下脑区的过程中有一些规则
首先，通过对梯度幅值图像和投影的多样性曲线做零假设的统计测试，能确定是否划定边界
其次，还有3个辅助标准：
1 范围大小，分割出来的体素不能少于100
2 先验知识，与已有的解剖或细胞结构的边界一致
3 半球间同源，如果不能拒绝对侧半球对应位置的零假设，就不能划定边界
如此递归地分级分割，便得到分层的分割图谱（结点的颜色是根据其划定的条件上色的）
其中，灰色圈内的是I级图谱，叶子结点是IV级图谱
绿色：拒绝零假设，分割
绿色带黄圈：拒绝零假设，但违反了尺寸标准，块太小不能划分
红色：无法拒绝零假设，不分割
（†先验知识划分，‡半球内同源标准）
由此可见，尺度I不是只在建立新的分类方法，而是建立模型选择程序的有效性
在后面分别对每个子区域的多样性曲线进行计算，如此递归地分割，直到任何候选边界无法拒绝零假设

这是边界描绘的流程图
上部分基本就是梯度成像的流程
分割出来的皮层下结构通过最外围的流程线进行递归，细分为越来越精细的功能子区，直到不能再拒绝零假设；
模型选择：是指确定功能连接的空间变化，选择描绘边界还是将其表示为渐进的连续体
（黑色虚线代表的事递归的路径，蓝色的流程代表基准测试 ）
尺度I的模型选择和更精细尺度不同，由于出现众多候选边界；
需要将根据观察到的多样性曲线的梯度幅度和空模型生成的多样性曲线进行基准测试（蓝色框），模型选择用于测试峰幅度是否超过零分布；再用分水岭算法进行分割
对于更精细的尺度（>1） 区域较小，通常包含单个候选边界；
用Kolmogorov-Smirnov(KS)检验评估实验观察的梯度幅度和零梯度幅度之间的体素的分配平等的零假设；其它的标准有：1 最小尺寸标准；2 先验解剖学知识；3 半球间同源； 再用分水岭算法分割（KS检查数据是否符合某种分布）

随后作者们制定了命名方案，如表所示
虽然尺度I、II一般地概括了解剖的边界，但在更精细的尺度上解剖学边界和本研究的功能连接边界出现分歧。
a图和b图分别是丘脑和海马的现有组织学图谱和本研究的图谱的Dice系数图（两个样本之间的相似度）
横轴是新图谱的结构，纵轴是现有的组织图谱
丘脑：尽管拆分的分辨率不同，但新图谱的区域能映射到一个或一簇核团上。空间对应关系中等到良好（Dice系数0.3-0.7）
海马：海马的对应关系较差，由于新图谱中子场的灰质平行于海马纵轴，而海马垂直于此轴

5 分割一致性

接下来到下一部分，分割一致性
在得到一个新的皮层下图谱后，就要对它的效度和可重复性进行验证；而效度指标是功能信号的块的内部同质性
计算第二次扫描（REST2）获得的块内同步性来测量同质性，第一次扫描（REST1）用于分割； 分别计算每个区域的同质性，然后取所有区域的平均值，得到I-IV尺度的分割同质性估计
分割同质性计算过程： （N区域内体素，T时间序列）
把特定区域的体素结合时间序列整合成矩阵，用PCA主成分分析选出第一个主成分，估计其方差，作为局部一致性（与ReHo不同），最后，把被试的所有区域的局部一致性作平均，得出分割一致性
然后对皮层下进行随机边界生成的、保留了几何属性的分割；即空数据

不出所料，同质性从尺度I到IV单调增加
为了测试分割的同质性是否显著大于随机情况，对随机分割的集合的一致性进行了评估
（Violin图示100个随机生成的分割的集合的分布；红点是观测值）
尺度II-IV一致性显著超过随机的数据，而尺度I不显著；因为尺度I包含了多个功能不同的亚区，同质性较低

随后，把新图谱与已有图谱进行分割同质性比较
左上角的表是已有的图谱
随后作者把新的图谱以3大块（海马、丘脑、纹状体）进行同质性分析，同时也对已有的图谱进行同质性分析，得出右上角的图
（注意，因为这是一个大核团的同质性分析，包含了多个功能不同的亚区，同质性较低，但这并不能说明什么）
最后看下方的图，与已有的纹状体、海马、丘脑分割的图谱相比，新的图谱同质性全部显著更高（P<0.001）
在这个图中新图谱：青色，已有图谱：紫色；新图谱可视化在上方，已有的在下方
（箱线图，Violin图，*显著）
效果十分好

上述的不同尺度的同质性和与已有图谱进行同质性比较
能在一个10名健康成年人的独立的数据集中，重复出来
具有相当好的再现性

在后续的辅助分析中，测试了任务诱发活动能否映射到新图谱和各自图谱的边界。 计算每个区域的体素的7种任务的任务诱发活动的标准差，并在区域上平均
量化任务诱发活动被限制在I-IV尺度图谱所在区域的程度
（零假设也是100个随机分割的图谱集合的标准差）
标准差越小，特定的图谱区域的任务引起的活动越受限制。 新图谱的标准差显著低于皮层下随机分割的情况
证明任务诱发的活动被显著限制在特定皮层下图谱区域

6 分割可重复性

7T的超高场强MRI能环节皮层下成像相关的技术难题，作者在此探究是否能使用7T的fMRI重复出新的图谱
图中，上排是群体一致性幅度图，下方的是尺度I的图谱；左边是3T数据，右边是7T数据
黄色代表梯度幅值的局部最大值
所有的切片坐标以MNI空间表示
根据归一化互信息（NMI），对其进行基准测试，3T和7T的图谱之间的空间对应极佳
（NMI（一个随机变量中包含的关于另一个随机变量的信息量））
得到可比较、更详细的皮层下图谱

7 个性化分割

接下来是个性化分割
作者探索个性化的新图谱，以解决连接性结构中的个体差异
（首先把REST2中的被试分为100人的训练组和921人的测试组）
如图所示，蓝色的是二类支持向量机（SVM，一种机器学习分类器），它根据左边的训练组，对体素是否属于特定区域/进行学习；
在训练完成后，对测试组进行分类，得出体素属于每个区域的概率，并使用“赢家通吃”规则描绘个性化的分割；
因此能识别尺度IV的每个区域连接性指纹，并指导个性化边界的划定

这些图片是基于尺度IV的个性化
用Dice系数进行量化后，显示个性化图谱概括群体一致性图谱的程度，因人和脑区不同
在纹状体和海马最明显；如图a，HighDice和LowDice差异很大
b图是所有皮层下区域的组平均Dice系数
c图中在组平均分类概率图的任店被组一致性边界包围，说明个性化分类性能有自洽性
d图中表示个体的Dice系数具有高度的差异
e图是所有皮层下尺度IV的区域的检测率图，覆盖在上面的图是50%分类概率的组一致性图谱，基本就是尺度IV的皮层下图谱
表明群体一致性图谱能代表大多数个体

8 静息态和任务唤起情境的区别

前面一直关注的是rfMRI的数据，下面作者使用任务诱发fMRI研究皮层下功能测绘在多大程度上相应不断变化的认知需求
对7个认知任务和2个静息态数据像前面报告的那样，生成任务诱发的多样性曲线，如a图所示
用Pearson相关量化所有条件之间的多样性曲线的相似度，由此得出b图的相关矩阵
把矩阵可视化为相关图，得到c图
两个静息态数据的多样性高度一致，但与7个任务条件不同，因此静息态和任务态模块不同，如d图的梯度幅度图所示
因此任务引发的功能组织重配置，并不是因为在静息态和任务态获取的fMRI的volume的量有区别

9 皮层下测绘和皮层网络的联系

接下来研究的是经典皮层网络和皮层下图谱（尺度IV）之间的功能连接
a图是一对12个皮层网络与皮层下的功能连接相似性矩阵，用Pearson相关
作者把12个皮层网络解析为3个组，并放置在任务阳性—任务阴性的轴上，如图b
每一个结点代表一个皮层网络，结点大小与结点的度有关，连线的厚度与相关系数有关

10 用新的图谱把人类行为和皮层下连接性相关

最后，用新的图谱揭示皮质下功能连接和人类行为的个体差异之间的新关系
这里考虑了5个行为维度，（1）认知，（2）非法物质使用，（3）吸烟，（4）人格和情绪特征，（5）心理健康
5个维度是从总共109个行为项目用ICA独立成分分析得出的，5个正交的维度，图b
行为的可是化用词云，字体大小和权重正相关，字体颜色与极性相关

然后使用基于网络的统计（NBS）
发现吸烟量的增加和丘脑-尾核、丘脑-伏隔核、海马-伏隔核回路中较低的功能连接显著相关
在四个等级的尺度上，这种关系都是高度一致的
e图表达的是，皮层下功能连接与烟草使用的行为维度之间的关系，能看出，在所有尺度中都是一致的单调下降

11 讨论

总的来说，这篇文章使用了大样本、高质量、高场强的HCP的MRI数据
1 开发并验证了梯度成像的新技术
2 生成多尺度的皮层下图谱
3 对皮层下的图谱的效度、可重复性进行验证
4 确定了皮层下存在重构的现象
5 发现皮层下功能连接与烟草使用的关系