使用扩散磁共振成像绘制结构连接性：挑战与机遇

扩散MRI基础的纤维束追踪是推断脑部结构连接组时最常用的技术。图论是一种用于模拟复杂网络系统的强大数学方法——对于分析基于纤维束追踪的连接组的工具带来了重要的机会，可以深入研究连接组数据，提供对脑部结构网络的连接模式和拓扑特性的新颖见解。然而，在应用这个框架时，存在挑战，特别是关于方法学和生物学的可信度。本文描述了围绕定量纤维束追踪的挑战以及可能的解决方案。此外，还讨论了基于图论计算全局网络指标的相关挑战。本文发表在Journal of Magnetic Resonance Imaging杂志。

从结构和功能网络的角度理解大脑已经成为神经科学的前沿主题之一；这一点可以从国际上对促进先进神经影像技术创新的大量投资中看出，以便识别人类连接组，即，对脑部结构或功能连接的全面描述。在连接组学领域，相关的研究增加速度很快，研究者们正在努力发现支持认知和行为的神经基质，无论是在健康还是疾病状态下。

由于人脑具有密集的神经架构，由数十亿个神经元组成，形成了世界上最复杂的网络系统之一，因此在活体内获取其连接模式是一项突出的挑战，这些模式在不同的水平上有元素和连接；例如，在微观尺度（单个神经元），中观尺度（神经元群）和宏观尺度（不同的大脑灰质（GM）区域）。现代非侵入性神经影像方式已经使得能够在活体人脑中测量功能和解剖结构的连通性信息（图1）。在这些技术中，扩散磁共振成像（MRI）是推断白质（WM）纤维连通性的主要活体技术，因为它具有无创地描绘大脑中白质路径的能力，使用所谓的纤维追踪或纤维束追踪。到目前为止，扩散MRI基础的纤维束追踪已经成为连接组学领域的一个重要组成部分，用于研究健康大脑中的WM连通性，以及大脑疾病如何破坏连通性。

图1：应用图论分析研究结构（左侧分支）和功能（右侧分支）大脑网络的一般概述。一个网络或一个图是一组顶点（节点）及其两两之间的连接（边）。

大脑中所有两两连接的全面集合定义了大脑网络的拓扑结构，提供了所有节点和边之间关联的完整连通图，即一个连接组。在这种技术中涉及四个主要组成部分：

1）定义节点：节点是感兴趣的大脑区域；它们通常源自解剖划分图像数据，但也可以源自更局部的区域，如使用电极，这取决于测量技术。

2）定义边：边是每对节点之间关系的实际测量。它们可以是扩散MRI纤维束追踪的流线连接，静息状态功能连通性的脑区间信号相关/同步，或者其他如皮层厚度的测量。

3）构建网络：这一步集成节点和边的所有信息以生成完整的连通图。网络的最简表示是使用2D矩阵（即所谓的连通性矩阵），但也可以以各种方式进行可视化。

4）图论分析：在当前的连接组学领域，计算网络特性的最常用方法是应用图论，它提供了关于网络拓扑的各种全局度量。

大量研究人类脑连接组的努力都集中在应用图论分析，这种分析提供了一系列度量指标，用于描述网络的拓扑结构。这些度量指标有助于探索大脑中的信息整合、隔离和传播。通过这些方法，研究人员发现了大脑网络的非随机结构，例如小世界性、效率、模块化、网络中心和富俱乐部组织。

本文主要关注使用扩散加权图像（DWIs）构建基于纤维束追踪的连接组的特定技术挑战和问题，以及常用的图论分析工作流分析从衍生的结构连接组中得到的网络属性的有效性。本文的剩余部分组织如下：

1.从扩散加权图像（DWIs）构建个体的连接组 - 提供了用于处理扩散MRI数据的处理流程的一般概述（第3页）。

2.纤维束图生成 - 讨论了两种已知的纤维束追踪偏差，即纤维束终止偏差（第4页）和纤维束定量偏差（第5页）。将介绍旨在解决这些偏差来源的先进纤维束追踪技术，然后将讨论在应用这些现有方法后进行的后续图论分析的结果（偏差校正对下游连通性分析的影响；第6页）。

3.连接组构建 - 关注在连接组构建过程中需要做出的决定。这些包括选择大脑划分方案来定义感兴趣的大脑区域（ROIs）（定义节点；第6页）；定义区间连通性（定义边；第8页）；将纤维束与大脑灰质ROI关联的机制（纤维束-节点分配；第9页），然后是组织分割和大脑划分之间的差异（第9页）对生成连接组效能的影响；最后，需要评估连接组构建的再现性（第11页）。

4.使用图论进行连通性分析 - 从讨论在基于纤维束追踪的连接组上执行某些处理步骤的有效性和可能的影响开始，例如应用阈值和/或二值化连接组，这在结构连接组：二值化与加权（第12页）和加权结构连接组：稠密与稀疏（第12页）小节中有所介绍。然后，本节提供了作者关于计算加权图论度量和其他拓扑性质的观点，包括讨论定量纤维束处理在连接组学研究中的作用（图论分析：从二值到加权度量；第13页）。本节以对连接组学度量中群体差异的分析和解释的一些备注结束（每个偏差校正都很重要；第14页）。

5.总结 - 突出了结构连接组中的挑战性问题和推荐策略，并突出了这个快速发展领域的未来视角和需求（第14页）。

从DWIs构建个体的连接组

连接组是大脑网络的完整连通图，可以从功能性或结构性数据中派生出来。在数学和计算领域，人们经常使用“图”这个词来描述网络的连接和互动。图由一组节点（或顶点）组成，这些节点由边（或连接）连接。边可以是有向的（边从一个节点指向另一个节点）或无向的（每个边都没有方向），并且可以是无权/二值的（即，边存在或不存在）或加权的（边具有不同的“强度”）。表示连接组/网络/图的一种简单方法是使用2D矩阵表示法，即所谓的邻接矩阵或连通性矩阵。

在宏观尺度上，结构连接组旨在映射大脑中不同的皮层和皮质下区域之间的长距离白质（WM）纤维连接。在扩散MRI的上下文中，构建个体的结构连接组是通过使用全脑纤维束追踪（即纤维束图）的结果来链接由大脑划分方案定义的感兴趣区域（ROIs），从而推断灰质区域对之间的可能的白质连接。灰质ROI和推断的WM连接分别用作节点和边来构建连接组。目前，基于纤维束追踪的结构连接组是无向的，因为单独的扩散MRI不能区分通路是传入的还是传出的。这是因为扩散是一个对称的过程，即，沿着一个矢量的分子位移的概率与沿着对角线的概率相同。

如上所述，从个体的DWIs构建结构连接组在概念上是直接的。然而在实践中，当采取这种方法时，必须谨慎地做出一系列实际决策。这些包括（但不限于）：a)成像序列和参数；b) DWI预处理和伪影修正；c) 纤维方向估计器；d) 流线追踪方法；e) 流线选择标准；f) 纤维束图的定量重建；g) 大脑划分方案；h) 流线到节点的分配机制；以及i) 连接组后处理（见图2以查看整体工作流程）。一些关键的方法学细节可能不会被终端用户适当地处理；其他的有时隐藏在自动处理脚本（或“黑箱”）中，终端用户可能不完全知道。其他领域（如临床、理论或计算神经科学）的研究者可能直接在这些程序的最终产品上工作，即连通性矩阵。然而，尽管已经开发出许多技术来改善纤维束追踪/连接组重建的许多挑战，但它们并没有在实践中被社区广泛采用，这意味着结果是次优的。

图2：使用扩散MRI数据生成个体结构连接组的示例处理流程（图1左分支的扩展版本）。

左列：每个框表示此流程的原始、中间或最终产品。

右列：每个框描述了此流程涉及的数据处理类别。在每个过程中，都有许多相关的选项和参数必须考虑，每个选择都可能影响最终输出的网络指标以及从这种技术得出的推断。这显示了基于纤维束追踪的结构连接组学研究中数据处理的复杂性。绿色框表示在本文中特别讨论的处理步骤。

最近的文章已经涵盖了各种限制和因素，这些因素可能会影响纤维束追踪和连接组结果。“纤维束图生成”和“连接组构建”部分的范围是讨论一些特定的挑战（上述的e-h点），这些因素对结构连接性分析的结果有重要影响，特别是对图理论方法的应用。

纤维束图生成

本节描述了两个已知的纤维束追踪偏差来源，这些偏差可以对连接组学结果产生重大影响，以及已经提出的改善这些问题的方法。

纤维束终止偏差典型的扩散MRI数据不包含任何关于细胞体可能的位置的信息，但只提供了在一个体素上平均的整体信号，这个体素的规模比单个神经元细胞大得多。因此，没有明确的生物学指标来确定重建的流线应该在何处终止。传统的追踪算法通常在流线进入低扩散各向异性（例如，分数各向异性）或者纤维方向分布的幅度低，或者需要进行急转弯才能继续（即，高曲率）的体素时终止流线。然而，这些标准通常不足以保证适当的流线终止，常常导致流线在白质或脑脊液（CSF），甚至在皮质灰质之外结束；所有这些结果在生物学上都是不可能的。因此，有必要引入额外的生物学相关的约束（在合理的情况下）以确保重建的流线是白质连接的合理划定。

最常见的限制纤维追踪结果的方法是采用所谓的“目标追踪”（也称为轨迹编辑或虚拟解剖）方法。这通常涉及根据先验的解剖学知识，定义合理的包含或排除区域（即“途径点”），作为流线选择的额外标准。也就是说，包含和排除区域被用来确定是否应选择某一条流线。然而，目标追踪只对大脑中明确定义的白质路径有效，这些路径需要先前的解剖学知识，并且每个路径通常需要多个包含和排除区域以有效地进行重建。因此，在连通组学的情境下，由于需要研究所有可能的白质连接，全脑纤维追踪更为理想。

如前所述，扩散MRI数据并未提供关于细胞体或突触的信息来指导纤维束的终止；然而，我们仍然可以做出一些基本的假设，关于从数据生成的任何估计的纤维束连接所需的特性。例如，我们可以考虑大脑中神经元的排列基本原理：轴突从灰质内的细胞体发出，最终连接到大脑内或体内其他地方的其他细胞。这个知识使我们能够对纤维束施加以下解剖学相关的约束，以确保它们与白质纤维的性质一致，包括：a）纤维应至少在两端达到灰质和白质的界面；b）纤维不应在白质的中间或脑脊液中终止。这是所谓的解剖学约束纤维束追踪的基本理念或替代方案；解剖学的先验信息可以从高分辨率解剖MR图像（通常是T1加权图像）的组织分割或表面重建中获得，并可以被纳入到纤维束追踪过程中，用于纤维束的选择（见图2e）。这类方法通过丢弃不匹配上述先验假设的纤维束，阻止了生物学上不现实的连接，同时也约束纤维束的终止只能发生在灰质和白质的界面，亚皮质灰质内，或脊柱处。这些技术正在越来越多地被采用，特别是在全脑纤维束追踪中，因为它们可以大大提高纤维束生成的稳健性和生物学的可能性（见图3，说明这些方法对纤维束追踪结果的影响）。

图 3：应用解剖学约束对扩散MRI纤维束轨迹的影响，显示在人脑横切面图像上。

背景图像是左列的结构T1加权图像，以及右列在组织分割后对应的灰质部分体积图。纤维束根据其方向进行颜色编码（红色：左右；绿色：前后；蓝色：上下）。黄色的球体是纤维束的端点。

顶行：虚线框表示中间行和底行显示的放大脑区域。

中间行：未使用解剖学先验生成的纤维束；纤维束端点分布在整个大脑中。

底行：使用解剖学先验生成的纤维束；纤维束端点仅出现在GM和WM的交界处（使用参考文献35，42展示）。已经发现，通过使用解剖学约束提供的这种纤维束终止的显著改进，对结构连接模式和连接组学度量的结果有着重要影响。

注意，对路径可能是“生物学意义”的引用是基于上述约束/假设，这些约束/假设指出哪些纤维束不能代表生物学，而不是任何断言任何给定的纤维束是“真正的阳性”。例如，合理的建议是，由于轴突不会在白质的中间终止，因此这种情况下的纤维束不能代表任何生物学连接。这并不意味着相反，即任何连接两个灰质区域的纤维束都必须是真实的——只是如果它不这样做，那么它不能代表大脑内的连接。

纤维束定量偏差

已经发现了一些与基于全脑纤维束轨迹图定量结构性连通组的挑战。其中一个潜在问题是，在MRI体素内，重建的纤维束计数（或密度）并不代表实际的纤维密度，这意味着“原始”的基于纤维束的连接密度并不具有生物学相关性。因此，使用这种“原始”纤维束轨迹图重建的纤维束数量不能作为连接区域之间连接强度的有效生物标记物。

重建的纤维束密度的一个公认的定量偏差来自于白质纤维路径的“长度”效应：1）当在整个白质体素中均匀启动纤维束（即，种子）时，纤维束可能会在更长的路径中过度重建；值得注意的是，这种种子策略仍然常用于神经科学应用；2）纤维束也可能在更长的路径中被低估，这些路径由于需要增加的追踪踪步骤数量（即，采样点的数量）而更难跟踪。两种情况都将不可避免地损害基于纤维束密度对大脑网络的连通组分析，当连通组是根据纤维束密度加权或过滤的时候。

规避第一种情况的一种方式是在灰质和白质的交界处而不是在白质区域内均匀地设定种子点，但这并不能解决第二种问题。另一种常见的补偿方式是通过将每条纤维束对相应的连接边的贡献按其长度的倒数进行缩放，也就是说，较长的纤维束获得的权重较小。然而，由于第二种情况与第一种情况相矛盾，因此很难同时通过长度缩放的启发式方法来解决这两种情况。尽管可以应用更专门的长度校正方法，但这些方法仍然只能解决由纤维束路径长度引起的一种特定类型的偏差，并且在许多其他情况下（参见参考文献27和图4中的合成示例）远未能满足要求，因此这些方法并不能完全校正全脑纤维束图/连接组的定量化。

图4：定量性束迹图后处理对后续连通图构造量化的影响

使用合成示例（上图）和人类图像数据（下图）进行说明：

上图：（a）使用合成纤维定向分布（FOD）模拟纤维束A↔ B和C↔ D，其中A↔B的FOD大小（即，明显的纤维密度）是C↔D的两倍。这种合成FOD场的相对纤维密度反映在连通图中。

(b) 运行纤维跟踪时，无论是从纤维束的整体（即，模拟白质种子）还是从纤维束的末端（即，模拟在灰质和白质界面处的种子）均匀进行播种，两个通路中都将产生相同数量的流线。显然，结果并不符合合成的基准真实值。因此，当未应用校正时，以流线密度加权的连通图边在A↔B和C↔D中也会产生偏差。同样，由于反向长度缩放不考虑FOD的大小，因此无法校正这种类型的量化偏差。

(c) 应用定量性束迹图处理技术（例如，使用参考文献42,45），重建的流线密度在A↔B和C↔D中与底层FOD场保持一致，使得以流线密度加权的连通图边与实际纤维密度线性成比例。

下图：由健康受试者队列生成的群体平均连通性矩阵。使用白质种子生成概率性束迹图；节点由Desikan-Killiany图谱定义；边由流线计数定义。第一行显示了从束迹图中获取的连通图，这些束迹图具有解剖约束，然后通过不同级别的定量偏差校正进行处理（左图：无校正；中图：使用反向长度缩放进行校正；右图：使用束迹图过滤进行校正）。为了比较，底行显示了没有解剖约束跟踪的结果。 L和R分别表示左半球和右半球。这些连通性矩阵之间的差异清晰可见，实际上，一系列流行的连通性指标都有显著差异。

最近，已经提出了先进的束迹图后处理方法，以匹配通过体素传递的流线贡献或预测的信号，以及在该体素处观察到的实际MRI信号之间的一致性（图2f）。这类“束迹图过滤”或“微结构信息束迹图处理”技术调节了流线对MRI信号的贡献，这种信号由局部组织微结构属性（例如，明显的纤维密度（AFD））驱动，从而使全流线束迹图更具生物相关性，因此对于结构连通性的量化尤为重要。尽管它们的算法各不相同，但这些技术旨在解决更广泛的束迹图偏差问题，与基于反向长度缩放的启发式方法相比，后者并不能弥补流线重建中的同一范围的潜在偏差，从而导致束迹图的校正是不完整的（如图4所示）。

偏差校正对下游连通性分析的影响

已经证明，包括许多基于图理论分析得到的广泛使用的全局网络度量在内的结构连通组的特性，对纤维追踪偏差以及偏差校正的程度非常敏感。这表明，束迹图偏差校正的程度可能会改变连通性的基本解释。虽然没有真实数据来指示哪种校正方法产生最准确的网络特性，但无论如何，我们仍可以合理地得出结论，那些更全面的追踪偏差校正策略产生的度量是更可靠的。除了生物学的准确性，评估处理管道的可靠性/再现性在应用前也至关重要（在“评估连通性构造的再现性”子节中讨论；）。

连通性构建

定义节点

对于研究结构性大脑网络，网络节点通常从解剖MRI数据的大脑划分中获取。已经提出了各种类型的划分技术，以确定同质的大脑灰质区域形成ROI， 即，连通性矩阵的行和列。这些ROI通常是通过直接应用于个体的图像数据的复杂处理管道获得的，或者通过转换预定义的图谱来将个体的图像数据标记为不同的区域（也参见图5）。大脑区域划分本身在方法上具有挑战性，是一个活跃的研究领域。研究表明，结构连通性的拓扑特性可以显著受到划分方案选择的影响，然而，尚未就哪种大脑划分方案可能是构成大脑网络节点的最佳方案达成共识。

图5：上面的部分：在个体空间准备大脑划分图像的常见方法的概述工作流程。

在结构图像数据（通常是T1加权图像）的预处理之后，可以通过以下方式获取个体的大脑划分：(a) 应用大脑皮层重建和划分技术（右侧分支），或者 (b) 将通常在标准空间中定义的大脑图谱变形到个体空间（左侧分支）。后者的一般过程包括计算图像转换（记作 T），通过将个体的解剖图像配准到模板空间中提供的图像，然后通过反向转换（记作 T'）将图谱从模板空间拉到个体空间。

底部的部分：从模板/标准空间变形到个体空间的大脑划分的例子（左边，例如，自动解剖标记（AAL）图谱），或者通过大脑划分技术直接在个体空间中生成的大脑划分（右边，例如，FreeSurfer划分；Desikan-Killiany图谱）。大脑划分覆盖在结构T1加权图像上。

定义边

目前，还没有一致的看法关于什么可以作为节点之间的“连接性”的最好度量。有很多选择，研究通常有自己的选择和解释。一方面，连接性或边可以由相应节点之间所有流线的数量、长度、体积或概率来定义。另一方面，它也可以由流线路径上的体积内的扩散度量的平均值来定义，这些流线连接着节点；扩散度量可以从扩散张量模型（如，表观扩散系数，分数各向异性，轴向和径向扩散度），从其他模型如神经元方向和弥散密度成像（NODDI；如，使用胞内体积分数）或显著纤维密度（AFD）从约束球形反卷积（CSD），或者其他技术如g比率映射，或者结合多重对比的方法。定义了连接性后，关于如何对“连接性”进行后处理也存在相当大的差异。一些研究已经将边“二值化”，并在“无权重”的连接性（在子部分结构连接组：二进制 vs. 权重讨论；第12页）上工作。许多研究通过应用阈值来修剪连接组，以过滤掉弱的连接（在子部分加权结构连接组：稠密 vs. 稀疏讨论；第12页）。

如果用来定义“连接性”的度量具有物理或生物意义，那么连接组原则上会更具生物意义。这也会让后续的加权图理论分析更加兼容（参见子部分图理论分析：从二进制到加权度量以获取更多详情；第13页）。如上文中的纤维束生成部分所述，现代纤维追踪技术旨在实现这个目标：解剖学限制的追踪尊重解剖学选择适当的流线；定量纤维束过滤技术在这方面特别相关，因为流线重建与具有生物相关性和定量特征（如AFD）的特性有关。这些方法使流线的数量成为可能合理的度量来表示连接性。

流线到节点的分配

构建结构连接组通常需要一个流线到节点的分配机制，将流线与灰质感兴趣区域（ROI）或节点相关联（图2h）。最近已经证明，个别流线终止的策略，以及随后分配到连接组特定边的策略，可以对连接组特性产生重大影响，包括一些最常用的图理论度量以及模块连接模式。标记脑ROI的空间范围、流线终止和选择标准，以及流线到节点的分配机制之间的复杂交互，可能会对连接组定量产生重大实质性影响。重要的是，已经报告了他们在临床级MRI数据和人类连接组项目的高质量数据中的影响。因此，未来基于纤维追踪的连接组学研究不应忽视流线到节点分配过程中涉及的相关影响，应明确说明生成连接组的确切策略。

大多数连接组学文章中缺乏这样的明确描述，可能是因为尚未对如何解决这个基本问题达成明确的共识。许多研究采用了一种机制，其中所有标记的节点体素都沿着流线的轨迹被认为是连接的（见图6进行说明）。这种方法允许一条流线在同一个连接组中贡献多个边。这不仅方便许多本质上不可靠的连接性指标，而且当前的纤维追踪技术的限制简单地无法以稳健的方式追踪多个灰质区域内部和之间的纤维，使得结果的连接组定量不可信，并且缺乏生物学的可能性。

图6：流线到节点分配机制对连接组构建的影响

通过一个工具示例（上面的面板）和人类图像数据（下面的面板）来说明：上面的面板：用于将流线分配到网络节点的机制示例 - 流线以黑色显示；流线端点表示为E1和E2；网络节点显示为彩色体素。用红色边框添加的彩色体素表示分配的节点。如图所示，即使对于相同的流线，这些流线到节点分配方法中的分配节点（因此，结果连接性）都是不同的，这表明这种机制的设计可以直接影响连接组的定量（详细解释请参见参考文献44）。下面的面板：从健康受试者队列中生成的群体平均连接矩阵。生成概率性的纤维束图；节点由Desikan-Killiany atlas定义；边由定量纤维束处理提供的加权纤维束计数定义。在上排，使用解剖限制的纤维追踪获得矩阵，其中上面的面板中显示的三种流线到节点分配机制用于连接组构建。为了比较，底部行显示了没有解剖限制追踪的结果。 L和R分别表示左半球和右半球。这些连接矩阵中的结果连接模式和连接组度量显着不同，强调了选择适当的连接组构建策略的必要性。

在目前的纤维追踪方法的挑战下，为结构连接组的构建将给定的流线精确地分配给两个灰质区域更为合理。这与我们在计算连通性指标时所要实现的基本目标相符：鉴于我们对大脑中神经元排列的基本理解——轴突纤维连接灰质中的两个细胞体——因此理想的情况是流线将一个灰质节点与另一个连接，以表示潜在的神经元-神经元连接。值得注意的是，这种考虑与在解剖限制追踪技术中采用的一般约束紧密相连，这些技术旨在确保生物学意义的路径（如在流线终止偏差小节中描述；第4-5页）。这些方法提供的适当流线终止有助于流线到节点的分配过程，因此有利于识别灰质ROI之间的连通性。

组织分割和大脑分割间的差异

将解剖学先验知识结合到纤维追踪框架中是消除全脑纤维图中部分错误流线连接的有效方式。这样做的最常见方法涉及对结构T1加权图像进行分割，以获取每个体素中的WM/GM/CSF组织部分体积分数（例如，使用FSL的FAST算法），从中估计出灰质和白质的边界，流线在此边界处终止。然而，这种基于图像的边界并不总是与从大脑分割图谱中得到的边界兼容，其中的图像仅包含标记不同大脑ROI的离散整数（即，不考虑组织体积分数）。用于纤维追踪的组织分割与用于连接组构建的大脑分割之间的这种不一致性可能会导致连接组产生显著的偏差（见图7）。

图7：图像强度基础组织分割与大脑分割的不对齐对流线分配给网络节点的影响：

上面的面板：

1. 应用解剖学约束（例如，参考文献35），流线端点（紫色）出现在GM-WM接口或亚皮质GM内。
2. 由于诸如结构标签离散化等因素，许多这样的端点（紫色点）并未位于，例如，FreeSurfer分割图像（蓝色带状物）内，因此没有被分配到一个标签。
3. 在(a, b)中显示的T1图像被替换为来自基于强度的组织分割的GM部分体积图。
4. (c)的放大区域显示了组织分割和大脑分割之间的差异，揭示了不能仅仅基于端点所在的体素对流线进行分配。

底部面板：这种差异也出现在亚皮质GM中，在通过将图谱转换到个体空间（即，图5的左侧分支）准备分割图像时，实际上可能更为关键。这是因为亚皮质GM分割和大脑分割之间的不对齐度可能由于配准错误而增加。例如：(e)AAL图谱通过线性和非线性变换与个体的数据对齐。背景显示了受试者的T1加权图像切片。(f)背景图像被替换为来自组织分割的GM部分体积图。(g)红色箭头指向在丘脑区域两图像之间的显著不对齐。

目前，一个启发式的解决办法是通过将流线端点分配给分割图像中最近的有标签的体素，以减轻这种公认的差异问题的影响，此距离通常限制在一个局部区域（例如，~2毫米）内，围绕任何给定流线的端点，以补偿在体素（来自组织部分体积图）终止和GM边界（来自分割图像）被定义为在相邻体素中开始或结束的小差异。

由于图像数据分辨率固有的部分体积效应，提取不同组织类型之间边界的确切位置是一项挑战。每个分割算法可能操作不同，导致输出图像的变化。确保应用于流线终止和大脑分割的算法完全兼容的一种方法是使用基于表面的方法，其中在纤维束成像和连通图构造阶段都使用带有结构或功能标签的组织表面。这可以将由于在基于图像的方法中通常需要的额外机制分配流线到大脑分割导致的不确定性降到最低。

评估连通图构建的再现性

除了确保来自基于扩散MRI的纤维束成像的连通性数据具有生物学相关性（如上所述），并因此构成后续连通图分析的适当输入数据外，更重要的是考虑任何选择对后续分析的再现性的影响。由于构建结构连通图有各种选项和参数，因此重要的是测试所选策略产生的数据的稳定性和再现性，例如选择扩散MRI采集方案、纤维方向估计、纤维束成像参数和大脑分割方案。随着图理论度量在连通组学研究中的普遍性，大多数评估已经在图理论度量的再现性上进行。值得一提的是，虽然这些度量的稳定性可能有助于指导选择连通图构建流程，但同样重要的是直接在连通性矩阵本身上评估再现性，而不是在派生度量的级别，因为它们是连通图的间接表示。

使用图论进行连通性分析

图论是一种强大的数学分析框架，用于建模和量化网络系统的拓扑特性。至今，大部分的大脑连通图研究已经应用图论分析来研究局部或全局图论度量的群体差异。图论方法的主要优势在于它们使用总结性度量来量化网络的属性。每个度量都捕捉到复杂拓扑的一个方面，这对于统计分析和报告结果是方便的。通过在基于扩散MRI的结构连通图上应用图论分析，研究已经展示出人脑结构网络的非随机和模块化组织。研究还表明在正常或异常发育、衰老和疾病状态下，大脑网络结构的变化。 此外，发现结构网络属性与行为或认知功能相关，这表明它们与功能动态有关。所有这些都证明图论方法是推进我们对大脑网络结构、耦合和演变的理解，以及提供关于临床疾病生物机制的新见解的有希望的方式。

图论分析已广泛应用于大脑连通组学领域。然而，在突出了与结构连通图构建后导出的数据的可靠性相关的技术挑战之上，当将图论应用于从纤维束成像产生的连通图数据的分析时，还有需要进一步考虑的挑战。一些实际问题将在以下部分中讨论。

结构连通图：二元与加权

在构建连通图时，至关重要的是，大脑区域之间的连通性尽可能地代表底层解剖结构。鉴于传统纤维束成像存在各种偏见，人们已经广泛认识到，原始的纤维束计数或密度不是一个有效的度量来量化白质纤维的区域间连通性“强度”。出于这个原因，以前的研究经常对连通图进行一些后处理步骤，以避免纤维束轨迹学的固有定量不准确性。有些人倾向于使用二元连通图，其中纤维束只用来表示区域间连接的存在或缺失。通常，二元化连通图的方法是选择一个阈值，使得所有小于阈值的边被设为零，否则设为一。然而，确定适当的阈值并不简单，通常是任意的。重要的是，这样的二进制版本可能是过于简化的，因为连通性模式不能反映出追踪研究中所示的纤维连接密度的已知异质分布（例如，参考96）。由于这种人为的二元化过程会在网络分析的早期阶段不利地导致连通性模式偏离现实的生物学（图2i），因此，证明后续的图论度量仍然具有生物学上的合理性是具有挑战性的。

相比之下，如果从纤维束轨迹图中得到的区域间连接密度能够准确地代表白质纤维连接的底层特征，那么原则上，“加权”结构连通图应该提供更强大的生物学属性的表征。这实际上是定量纤维束成像技术（如纤维束过滤或微结构信息的纤维束重建）所希望实现的目标（参见上文的“纤维束定量偏差及偏差校正对下游连通性分析的影响”小节；第5-6页）。随着这些纤维束处理方法的进步，使用二元连通图的主要论点，即纤维束轨迹学的非定量性质，不再成立。因此，加权连通图被高度推荐并越来越多地被采用（例如，参考75, 76, 98-100），因为它们可以编码更多的生物学特征，因此提供比二元版本更多具有生物学意义的信息。这在许多与减少的连通性密度相关的神经功能缺陷的情况下尤其相关，而不是受影响的纤维束的完全缺失（例如，在运动神经元病58，青光眼101，癫痫102，阿尔茨海默症103中）；二元连通图的研究不适合这样的情况。

目前还没有关于如何正确从加权结构连通图中提取拓扑度量的共识。尽管如此，在该领域中，筛选出更有可能由扩散MRI数据和处理中的各种偏差源引起的弱连接（通过阈值处理）是一种常见做法。这主要是为了丢弃伪连接，只关注网络中通常具有更高再现性的剩余边。另一个原因是，一些图理论度量仅适用于稀疏网络，例如聚类系数，富人俱乐部系数和小世界结构（分别在参考文献43，97，104，105中解释）；然而，这并不构成修改连通图的适当依据。值得注意的是，已经证明弱连接（通常与长物理路径相关）对支持大脑的功能多样性和动态性非常重要。选择一个不适当的阈值来修剪连通图可能会导致丢失潜在的真实连接或包含假阳性，从而复杂化后续分析的比较，并导致解释性有限。因此，确定一个不会改变原始嵌入在结构连通图中的生物学特征的合理阈值是一项挑战。此外，人们通常认为图理论度量对网络密度特别敏感；这样的依赖性使得选择阈值变得更加困难。在参考文献107中，提出了一种多阈值技术来解决使用单一阈值引起的不稳定性问题，从而提高检测网络度量中组差异的能力。然而，通过阈值修剪连通图并不是解决基础问题的根本解决方案，因为它与扩散MRI扫描和连通图构建之间的任何阶段都无关。

先进的纤维束重建方法使得可以构建密集且加权的结构连通图。在使用图理论方法分析这类连通图时，最近的一项研究已经证明，一些最受欢迎的全局网络度量事实上并不敏感于网络密度（与该领域通常的期望相反）：即使在网络中最弱的约70-90%的连接被移除，而在不同的分割粒度下生成的连通图也没有观察到统计上显著的变化。这是因为连通图中的连接密度分布呈现出具有大动态范围的重尾分布：它在弱连接和强连接之间扩展了高达五个数量级的差异，其中大多数连接都是弱连接（约80%）。因此，这种类型的连通图中加权图理论度量的结果主要由那些强连接驱动。此外，还已经在其他一些物种中证明，连通图具有高连接密度。这些一起带来了连通图分析的两个重要观点：1）对于密集的加权连通图，不需要应用阈值，而可以使用密集的加权版本来计算加权的全局网络度量；2）当前的加权图理论度量对弱连接对网络的贡献不敏感，而更长的纤维束（例如，大脑两半球之间的连接）通常在其强度上较弱；这因此暗示，当前的加权图理论方法在计算某些全局度量时可能仍存在潜在的限制。

图理论分析：从二元到加权度量

尽管图理论分析在连通图学中有着充满希望的应用，但在将此类分析应用到基于纤维束的连通图数据时，需要考虑一些注意事项：图理论分析最初是为了研究二元网络。如前所述，“二元”意味着我们关心的信息只是节点之间的连接是否存在。因此，计算网络度量的公式主要是为二元系统设计的。通常情况下，这些公式不能简单地通过将方程中的二元单位替换为实数而转换为连续空间。允许这种转换有效的有一定的要求：当权重被分配给连接时，这些权重是物理和统计数量。只有当等式中的运算与权重的物理或统计含义兼容时，加权公式才能从二元公式推广出来。

一个例子是计算“距离”或所谓的“最短路径”。在二元网络中，确定两个节点之间的距离是找到从一个节点到另一个节点需要的最少“步骤”。这个的加权版本是经典的“旅行推销员问题”；在其最简单的形式中，例如，定义为寻找节点（例如，城市）之间最短欧几里得距离（例如，以公里为单位）的算法与每个连接的权重兼容，即这些权重也是欧几里得距离。然而，当我们将这样的算法应用到基于纤维束的连通图数据时，这种方法就会出现问题，因为在这种情况下，连接的权重通常不是距离度量，而是其他东西，如纤维束的数量或平均分数各向异性。在计算上，只要提供邻接性/连通性矩阵，计算加权距离的算法就总是可以输出值，但如果矩阵与算法不兼容，那么这些值就没有物理或统计意义。实际上，在实践中，获取有意义的“距离”通常需要某种形式的矩阵转换，从权重矩阵转换为距离矩阵。这是一个必要的步骤，一些网络度量，如局部和全局效率，就依赖于它。应该注意的是，即使这种互相转换本身也是模糊的，但是这种权重到距离的转换发生在加权图度量计算函数内部，可能意味着研究人员可能不知道这样一个步骤甚至发生，或者假设它是一个明确的解决方案。

如上所述，如果原本针对二进制数据的计算被增强以处理连续或加权数据，那么有两个条件，如果满足，可能使得将连续或加权数据输入这样的算法成为可能：1) 权重本身具有物理含义；2) 算法从二进制扩展到非二进制数据与物理网络解释一致；在这种情况下，二进制版本在解释和结果上都是加权版本的一个特定实例。通过应用定量束迹图处理技术，可以实现第一个条件，在这些技术中，每个流线都被编码为，例如，白质纤维的某个横截面面积。然而，如果一个连通图是基于例如平均分数各向异性生成的，那么这样的数据本质上是非二进制的，并不提供任何物理或统计推理。因此，从这样的数据计算出来的加权全局网络度量并没有任何特定的含义。

最后，考虑到图理论分析在当前连通图研究中的普遍性，必须注意在应用相关技术时可能存在的任何潜在风险或限制，特别是在基于纤维束的连通图上。研究已经展示了一些现有的加权网络度量计算函数的潜在限制，包括加权聚类系数，小世界指数，加权富人俱乐部系数和加权最短路径长度。

每一种偏差修正都很重要

在比较不同组别（例如，病例组与对照组）的图理论度量时，使用完全相同的底层处理步骤是非常重要的。然而，不能假设只要在所有受试者中存在相同的重建/处理偏差，个体的连通图构建方式就不重要；个体连通图数据中的偏差仍然可能产生显著影响。为此，我们已经做出了大量努力，从MRI数据获取开始直到连通图生成，以识别和减少个体连接重建中的伪影/偏差。使用减少偏差的先进方法进行组间比较和差异检测的结果更可靠，解释性更强，而不是使用处理不足的原始数据导致的结果。

总结：

基于流线的束迹成像是利用非侵入性扩散MRI数据研究活体人脑结构连通性的核心技术。尽管束迹成像技术在神经科学中发挥着核心作用且应用广泛，但现代的束迹成像技术仍存在不足，受到各种来源的偏见的影响。因此，任何源自未经校正的全脑束迹成像方法的分析也都将受到偏见的影响。此外，构建结构连通图包含一系列步骤，每个步骤都涉及到一些选择，这些选择可能会对连通性结果产生连锁影响。本文回顾了在连通组学研究中使用这项技术时需要考虑的一些问题。文章也概述了一些现代束迹成像分析方法，这些方法为一些最重要的偏见来源提供了解决方案，并描述了如何通过仔细使用这些方法，可以得到更好地代表生物现实的连通性测量，为进一步的连通组学分析（如使用图论方法）提供了极大改善的输入数据。

图论分析是量化脑网络拓扑属性的主要技术之一，推动了脑连通性研究的迅速扩展。然而，使用全局度量方法从加权图论方法中派生的网络分析可能并不总是完全适当。应该考虑到在分析基于束迹成像的结构连通图时，常用的图论方法可能存在的挑战和局限性。尽管利用现有方法准确提取结构连通性特征本质上具有挑战性，但是在解读连通性结果以及激励连通性映射范例的新发展或改进时，识别这些挑战和每个步骤的局限性至关重要。