Nat Rev Neurosci：基于脑成像的人脑分区

来源：brainnews

大脑分区是理解大脑组织和功能的基础，它定义了不同的脑区。在过去的十年里，基于磁共振对大脑进行识别和分区方法众多，从脑组织的局部特性到远距离连接模式，以及结构和功能标记。鉴于方法的多样性，评估脑图的聚合和分化是一项挑战。而个体间的变异性为此提供了新思路，尤其是在跨物种和发展性分区研究。

基于脑成像的人脑分区

作者：Simon B. Eickhoff, B.T. Thomas Yeo, Sarah Genon

01

回答了什么问题？

综述人类大脑分区的历史和现状，主要是基于MRI的人脑分区，以及探讨不同分区之间的关系。

02

如何回答？

根据神经生物学特征（marker）—分区算法（algorithm）这两个维度来归纳已有的人类大脑分区模板、不同分区模板的局限和相互关系。

03

用什么证据回答?

1、背景知识

（1）人类大脑组织的两个基本原则是功能整合（functional integration）和功能分化(functional segregation)。

（2）理解人类大脑组织需要考虑局部特征（local properties）和连接特征（connectivity fingerprints）这两个方面。

（3）分区（brain parcellation）指的是，对于某一种神经生物学测量，找到内部同质（internally homogenous）的成分，不同成分之间具有异质性。

（4）存在两类分区的算法：边界映射（boundary mapping）和聚类/因子分析（clustering / factorization），如图1 首行所示。

（5）根据神经生物学特征和分区算法，可以把已有的人脑分区模板（atlas）分成四类。但实际中，局部特征往往使用的是边界映射，而连接特征往往使用的是聚类/因子分析。

图1 大脑分割的二维分类法

2、基于局部特征的分区

（1）使用组织学（histology）的方法，可以根据细胞类型（cytoarchitecture）、髓鞘（myeloarchitecture）、神经化学物质（neurochemical）和神经递质受体表达（receptor expression）来分区，如图1第二行所示。基于组织学的分区方法依赖于尸体检验（postmortem），因此无法研究功能；同时耗费人力、样本小。而基于MRI的方法，可以在活体上采集全脑信息、实现大样本。

（2）T1加权像和T2加权像的比例可以反映髓鞘密度。基于髓鞘密度只能区分初级皮层和联合皮层，在联合皮层髓鞘密度缺乏区分性。

图2 用局部标记绘制视觉区域的脑图

（3）在不同任务中，基于fMRI的功能反应（functional response）可以作为分区的局部特征。比如，根据fMRI得到的视觉分区和基于细胞类型的结果很吻合。但是很难采集在各种不同任务状态下的功能反应，因此基于功能反应的分区往往局限于某一个任务或脑区。此外，这种方法也有小样本的问题，得到的分区的普适性（universality）存在问题。

基于元分析（meta-analysis）的方法是一个很好的补充，但是元分析方法在任务类型和脑区上存在偏差（bias），因为有一些任务更容易在MRI扫描仪中完成或者有一些脑区更容易被报告。此外，元分析方法存在空间平滑（spatial blurring）的问题，即分辨率下降，因为需要结合来自不同坐标系的分析结果。

（4）基于MRI的局部特征的问题是，这些特征不是直接观测到的，而是间接地推断得到的，因此获得的分区也依赖于所使用的模型。高场强的MRI的发展使得未来根据类似于组织学中使用的特征来进行分区成为可能。

3、基于连接特征的分区

（1）用于反应连接特征的主要指标的有：基于弥散加权像的结构连接（structural connectivity）、基于静息态fMRI的功能连接、基于任务态fMRI的共同激活（co-activation），如图1第三行所示。比如，对于丘脑-内侧额叶的概率纤维束追踪得到的丘脑分区与基于组织学的得到的核团相吻合，得到的内侧额叶分区与基于任务态得到的辅助运动区/前辅助运动区相吻合。

（2）基于连接特征进行分区的一个方法学问题是，如何选择分区的数量？由于缺乏生物上的标准（ground truth），目前主要是使用可重复性、稳健性和一致性作为评价或选择的依据。

可重复性（replication）指的是使用相对独立的数据可以得到相同的分区；

 稳健性（robustness）指的是不受各种处理步骤和分区算法的影响；

 一致性（convergence）指的是基于不同特征得到相同的分区（cross-modal validation）。

4、不同特征得到的分区的差异 

一个普遍的观点认为，不同的神经生物学特征应该具有相似的组织模式。因此，与以前的分区模板的一致性往往用来验证新的分区方法。

本文的作者认为，不存在分区的金标准（gold standarad），因为不同的神经生物学特征反应的是大脑组织的不同方面。比如，根据局部特征，海马存在内侧和外侧的组织结构，而根据连接特征，海马存在前部和后部的组织结构。

因此，根据不同特征得到的分区可能是不同的，而且都是同样有效的。另一方面，所有的方法都存在错误（artefacts）。比如，基于MRI的特征都是间接地反应生物学特征。

5、多模态方法

（1）多模态（multi-modal）方法指的是结合不同的特征来进行分区。一种方法是保留不同模态分区的重叠的部分，但这种方法可能不适用于全脑的分区。另一种方法是先进行多模态信息的整合，再进行分区，比如，Glasser et al., 2016.

（2）理论上，在使用多模态方法时，应该使用尽可能多的不同类型的模态，以反应大脑组织的不同方面。一个最优的多模态分区应该对任务态激活、行为学表型和临床症状具有最佳的预测性。同时，单个模态的分区也可能在某些表型上比多模态分区具有更好的预测性。

6、未来的挑战

（1）大脑组织存在个体变异性（inter-subject variability），获得了大脑组织的一般的特征和了解个体差异是相辅相成的关系。

图3 功能分割个体间变异性

（2）在大脑分区的研究中，很少考虑发育（developmental）和种系发生（phylogeny）的方面。MRI可以用于毕生发展的不同阶段，以及非人的灵长类和啮齿类动物中。

04

结 论

 相比于组织学的方法，基于MRI的人脑分区是一个较新的方法。MRI提供了很多神经生物学特征可以用于分区，不同的特征反映了不同的组织结构特点。研究这些分区与行为功能的关系，提供了理解人类心智、行为和功能异常的新视角。

05

主要问题

（1）仅讨论了硬分区（hard parcellation）。

（2）分析结构数据是否最好用基于结构的分区，分析功能数据是否最好用基于功能的分区，对结果的影响有多大，文章没有给出相关建议。

06

有什么启发？

（1）分析数据时可能最好选择对应的模态分区模板，也可以多尝试几种分区。

（2）HCP分区是基于多模态的分区模板，对于脑区的结构和功能划分都有详细的描述，以后的分析可以尝试使用这个分区。