获取与功能网络相对应的标记的独立成分分析（ICA）模板的自动化流程

最新推荐文章于 2024-09-15 14:50:06 发布

思影科技

最新推荐文章于 2024-09-15 14:50:06 发布

阅读量272

点赞数

文章标签：运维

我们的行为和思维的复杂性很可能反映在功能性脑网络中。独立成分分析（ICA）是一种常用的数据驱动方法，用于计算这些网络之间的群体差异。常见的研究网络差异的方法是基于从特定研究样本中生成的ICA图。然而，这种方法限制了结果的普适性和可重复性。另一种选择是使用网络ICA模板，但到目前为止，这样的模板很少，且在它们涵盖的功能系统方面有限。

在这里，我们提出了一个简单的两步程序，以获取与研究者选择的功能性脑网络相对应的ICA模板：

第一步，需要通过统计参数图（输入）来定义感兴趣的功能系统，这可以通过使用开源软件如NeuroSynth或BrainMap来生成。

第二步，该图与由Human Connectome Project（HCP）提供的基于大样本量、高质量和标准化采集程序的群体ICA图进行相关性分析。与输入图相关性最高的HCP提供的ICA图随后用作代表感兴趣的功能系统的ICA模板，例如，用于后续的双重回归分析。

我们提供了一个工具箱来完成建议程序的第二步，并通过生成与“运动功能”及其他九个脑功能系统相对应的ICA模板来演示我们的流程，从而产生与脑的灰质/白质边界非常吻合的ICA图。我们的工具箱以两种不同的文件格式生成数据：基于体积（Volumetric-based）的（NIFTI）和结合表面/体积（surface/volumetric）的文件（CIFTI）。

与现有的10个模板相比，我们的程序输出的成分图在9/10的情况下至少有2倍的灰质对ICA z值的贡献，相对于白质体素。该工具箱允许用户研究感兴趣的功能网络，这将提高研究功能性脑网络的可解释性、可重复性和标准化。本文发表在Human Brain Mapping杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群).

1 引言

静息态功能磁共振成像（resting-state fMRI或rs-fMRI）已经揭示了人脑中某些区域集合之间存在统计关联的一致模式，这些模式被称为功能连接性（FC）网络（参见Biswal等人，1995年；M. D. Fox & Raichle，2007年；Smith等人，2009年）。在这个背景下，空间独立成分分析（ICA）已经成为一种广泛采用的多变量数据驱动分析方法，该方法试图识别空间上独立的成分（即统计参数图）。在脑成像领域，这使得可以将具有相似功能反应模式的脑区聚集到一起，因此可以被视为一种FC的度量（参见Calhoun等人，2009年；Hyvärinen，1999年）。在过去的二十年里，使用rs-fMRI的研究已经一致地报告了一组大尺度静息态网络，这些网络的功能已经成为认知和临床神经科学的研究主题（参见Damoiseaux等人，2006年；Raichle等人，2001年；Yeo等人，2011年）。

为了在群体水平上（例如，患者与对照组）比较来自rs-fMRI的ICA成分，需要获取代表相应网络的逐个受试者的成分图。执行单一受试者的ICA并随后在匹配的成分上进行群体统计似乎是不切实际的，例如，由于个体噪声，某些受试者中找到的某一成分可能在其他受试者中被分解成或跨越多个成分。相反，一种常见的做法是使用一个模板（一个假定适用于所有受试者的空间成分集合），并将该模板映射回个别受试者，以便在这些逐个受试者的成分图上进行群体比较。

选择模板有两种主要策略。第一种策略是通过对该样本中所有受试者的合并数据进行ICA，从手头的数据（样本内模板）或从一个独立的数据集（独立样本模板）中推导出模板。第二种策略是使用文献中可用的地图模板（例如，Smith等人，2009年）或创建一个定制的模板。

推导出样本内模板的优点是，由于生成的模板是针对研究中的受试者样本进行优化的，因此在群体分析中提供了最佳的统计敏感性。然而，由于群体ICA分解的结果在空间成分的维度和拓扑结构方面可能因诸如采集参数、群体大小和预处理策略等因素而有所不同，因此比较遵循这一策略的不同研究的结果可能变得困难。

使用地图模板可能会导致与使用样本内或独立样本模板相比，群体分析的敏感性略有下降，但地图模板具有引用跨研究一致的空间成分的巨大优势，对于这些成分甚至可能存在普遍接受的任务领域标签。迄今为止，存在这样功能性标记的地图模板很少。其中少数例外之一是由Smith等人（2009年）发表的。作者指出了他们在36名健康参与者中识别的群体ICA图与来自对1687个fMRI研究进行元分析的基于任务的统计参数图之间的空间结构有着惊人的相似性，这些研究调查了总共29,671名受试者的不同感知、认知和运动任务。作者将与最高对应的基于任务的统计参数图相关的识别出的群体ICA图进行了标记，生成了如“感觉运动”、“侧视觉”或“执行控制”网络等标记成分。总体而言，他们的公开可用模板包含10个成分集，并已被广泛用于提供结果的标准化可视化，或作为群体比较的基础（Castellazzi等人，2018年；Pflanz等人，2015年；Rane等人，2014年；Rubin等人，2017年）。

在标准化方面，使用通用的功能性标记模板来计算网络差异，而不是计算特定于研究的群体ICA图，对认知和临床神经科学是有益甚至是必要的。然而，研究不同功能系统的研究可能需要针对特定感兴趣的功能系统的不同网络模板，这些系统可能并不都被（Smith等人，2009年）提出的10个功能系统所涵盖。因此，一个能够灵活生成捕获可定制任务相关或功能领域的基于ICA的模板的流程是非常需要的。这样的图应尽可能地在空间上准确（例如，与灰质/白质边界对齐），以便产生高敏感性和特异性（Bodurka等人，2007年），并涵盖所有相关的脑区。

在这里，我们描述了一种标准化和自动化的程序，以获得与研究者选择的功能系统相对应的高质量ICA模板。为了实现这一目标，我们建议将来自fMRI元分析的信息与来自Human Connectome Project（HCP，www.humanconnectome.org；Van Essen等人，2013年；Marcus等人，2011年）的高分辨率ICA图相结合，该项目提供了一个具有出色的空间分辨率和整个脑功能与结构数据之间高质量对齐的大型数据集。创建定制的HCP模板遵循一个简单且快速的两步程序（图1）：在第一步中，用户定义一个“输入”的统计脑图，例如，从已有的元分析数据库（如NeuroSynth或Brainmap，参见下面的“流程”部分）中识别出来，然后在第二步中，该图与HCP的完整的690个ICA成分图集（https://www.humanconnectome.org/storage/app/media/documentation/s1200/HCP1200-DenseConnectome+PTN+Appendix-July2017.pdf）进行相关性分析，以找到与感兴趣的功能系统最匹配的HCP成分图。重要的是，我们的流程允许以两种不同的文件格式生成ICA模板：体积（Volumetric-based）和常用的NIFTI文件格式（神经影像信息技术倡议，https://NIFTI.nimh.nih.gov/NIFTI-2），以及新兴的CIFTI文件格式（连接性信息技术倡议，https://www.nitrc.org/projects/CIFTI/）。后者将渲染在表面上的皮层数据与皮质下结构和小脑的体积数据相结合（Marcus等人，2011年）。为了说明所提出的方法，我们为“运动功能”这一术语创建了一个标记模板。我们将该流程产生的ICA成分与Smith等人（2009年）对应于运动功能的现有ICA模板进行比较。此外，我们基于Smith等人（2009年）的原始地图创建了一个更新的模板地图，并讨论了更新地图的潜在好处。

图 1 概览

提出的策略旨在识别与用户指定的功能系统最大程度上对应的定制ICA模板。在第一步（左侧面板）中，用户定义一个感兴趣的功能系统，并提供代表该功能系统的脑统计图作为输入。这样的图可以使用现有的开放获取软件（如NeuroSynth和BrainMap）生成。在第二步中，该输入图与Human Connectome Project（HCP）提供的690个群体ICA图（独立成分分析）进行相关性分析。HCP为不同目标数量的ICA成分（在图中用d缩写表示的“维度”）提供ICA图，因此我们在流程中考虑了所有这些维度（中间面板）。与输入模板相关性最高的HCP成分被选为“最佳匹配”（输出ICA模板）。在我们的流程中，输出以两种不同的文件格式提供：体积空间（NIFTI）以及一个结合了表面/体积文件格式（CIFTI）（右侧面板），这也是由HCP提供的。

2 方法

2.1 Human Connectome Project联盟的受试者和预处理

我们的流程基于Human Connectome Project（HCP）的1200名受试者发布（HCP 1200项目网站）中的1003名受试者的一个子集（其中534名是女性，年龄范围为22-35岁）。这些受试者完成了四次静息态fMRI扫描（每次14.4分钟，每名受试者在TR为0.72秒的情况下总共有4800个时间点）。所有数据都已经由HCP联盟完全预处理，并且清洗后的数据已经公开发布（有关预处理程序，请参见[Fischl, 2012; Glasser等人，2013年; Jenkinson等人，2002年; Jenkinson等人，2012年; Smith等人，2013年]，包括使用ICA-FIX进行的伪影去除[Griffanti等人，2014年; Salimi-Khorshidi等人，2014年]）。预处理后的数据用于基于FSL的MELODIC工具在CIFTI空间中进行群体ICA分割。请注意，使用不同维度（包括15、25、50、100、200和300维，见下文）进行的ICA分解也是由HCP联盟执行的，生成的图也已公开发布。我们选择使用HCP图以增强我们流程的标准化、可重复性和透明度。简而言之，ICA分解是由HCP联盟按照以下方式执行的（也可参见HCP1200关于更高级别rs-fMRI连接性分析的文档；成分图在HCP数据库中以“HCP1200 Parcellation + Timeseries + Netmats（PTN）”的名称提供）。

首先，使用多模态表面匹配算法（“MSMAll”；Glasser等人，2016年；Robinson等人，2014年）进行了皮层间的配准。然后，每个数据集都进行了去均值化和方差归一化（Beckmann & Smith，2004年）。接下来，使用MELODIC的增量群体主成分分析（MIGP）工具运行了群体主成分分析（PCA）。MIGP的输出包括来自群体平均PCA的前4500个加权空间特征向量，即特征图，这是将所有受试者的时间序列数据连接起来并随后进行PCA的近似（Smith等人，2014年）。然后，每个MIGP群体特征图都输入到FSL的MELODIC工具中进行空间群体ICA。ICA针对六个不同数量的输出成分（称为“维度”）运行，分别有15、25、50、100、200和300个成分（Beckmann & Smith，2004年；Hyvärinen，1999年），其中更高数量的维度通常输出具有更少显著区域的成分图。这些操作是在灰序（即“CIFTI”）空间（表面顶点加亚皮层灰质体素，[Glasser等人，2013年]）中执行的，但此外，每个成分的基于体素的NIFTI版本（归一化到体积MNI152 2毫米空间）也生成并发布。需要注意的是，与任何ICA一样，这些图不是二进制的；相反，它们提供了每个灰序（CIFTI）/体素（NIFTI）属于一个成分的权重值。因此，每个灰序/体素都是每个成分的一部分，但程度不同，这意味着这样的ICA图确实存在重叠。

2.2 流程

我们流程的目的是找到与作为输入提供的任何MNI空间（统计参数图或掩模）最匹配的HCP-1200-Subjects-Release的ICA成分图。我们的流程设计为在Matlab中运行。输入的脑图可以以NIFTI或CIFTI文件格式提供。同样，用户可以选择两种数据格式中的任何一种作为最匹配的ICA模板的输出格式，与输入格式无关。在我们的代码中，我们使用了其他基于Matlab的工具，包括CoSMoMVPA（Oosterhof等人，2016年）的部分来操作NIFTI文件和HCP的Workbench软件（Marcus等人，2011年）来操作CIFTI文件。使用这些工具，任何文件格式的数据都可以读入Matlab。在Matlab中，脑图表示为长度为n的向量，其中n是相应数量的脑体素（如果选择了NIFTI作为文件格式）或灰序（如果选择了CIFTI作为文件格式）。然后，这些向量与我们在工具箱中提供的所有690个HCP的ICA模板进行皮尔逊相关（注意，我们提供了六组矩阵表示，对应于HCP提供的六个ICA维度，每个都有两个版本NIFTI和CIFTI）。输入向量与所有六个HCP矩阵的所有行进行皮尔逊相关，存储最高相关的矩阵和行索引，并用其提取代表“最佳匹配”的群体ICA模板的向量，然后我们在所需的输出格式（NIFTI/CIFTI）中生成输出图像。

为了生成与感兴趣的功能系统相对应的定制高质量ICA模板，我们提出了一个两步过程（图1）。首先，用户提供一个与所选功能标签相对应的统计脑图（“输入”），例如，根据之前的建议（Smith等人，2009年）从fMRI元分析中生成。像NeuroSynth（Yarkoni等人，2011年，www.neurosynth.org）或BrainMap（Fox & Lancaster，2002年；Laird等人，2005年）：www.brainmap.org）这样的数据库综合了数千个fMRI研究的结果，并允许用户基于感兴趣的搜索词自动进行元分析。这些工具提供与用户查询相对应的统计脑图（在MNI152 2毫米空间中，即NIFTI文件）。例如，搜索“恐惧”会在MNI空间中输出一个脑图，其中杏仁核的值最高。第二步是识别最佳匹配这样一个输入图的HCP成分，即对于给定的输入统计脑图，计算与所有690个HCP提供的ICA模板的皮尔逊相关性，并选择皮尔逊相关性最高的HCP图作为“标记的HCP成分”。

虽然用户可以使用已有的和经过验证的软件（如NeuroSynth）生成第一步的输入，但我们提供了一个Matlab工具箱来进行第二步（https://osf.io/mek47/）。我们的工具箱以NIFTI和CIFTI格式提供标记的HCP成分，以及HCP成分的编号和维度以及其与输入图的相关性。

2.3 演示1：生成与“运动功能”相对应的ICA模板

下面，我们展示了将搜索词“运动功能”应用到我们的流程时的结果，作为神经科学中常研究的一个系统的例子。我们将搜索词“运动功能”输入到NeuroSynth的元分析工具中（https://neurosynth.org/analyses/terms/），并将生成的参数图提交到我们的流程中，从而得到了与运动功能相对应的标记的HCP成分模板。然后，我们将其与现有的少数几个与运动功能相对应的标记的ICA模板（Smith等人，2009年）进行比较。空间ICA成分图包含每个体素的权重（z值）。我们认为，在功能MRI中，一个功能成分应位于灰质（GM）而非白质（WM）中。因此，灰质体素的z值应高于白质体素的z值。我们通过比较它们的z加权灰质/白质比率（zwr）来对比两个“模板版本”在灰质和白质方面的空间对齐情况：

其中，z(i) 是体素 i 的ICA z值，pGM(i) 是体素 i 属于灰质（GM）的先验组织概率，pWM(i) 是体素 i 属于白质（WM）的先验组织概率。

第一个项表示每个体素的绝对ICA z值与该体素属于GM的概率的乘积，除以该体素属于WM的概率。右侧的项通过体素属于白质或GM的概率之比来校正表达式，并因此使 zwr 居中于1（GM和WM具有相同强度的ICA-z成分）。zwr > 1 表示GM包含比WM更强的ICA成分载荷，而 zwr < 1 表示WM包含比GM更强的ICA载荷。因此，更大的值表示对GM的更大加权和与WM的更高解离，这对BOLD成像（Bodurka等人，2007年）是可取的。体素属于白质或GM的概率取自与fsl（avg152T1_gray和avg152T1_white）提供的组织先验图。计算是在Matlab中进行的。

为了说明不同的文件格式是兼容的，并且可以使用我们的流程生成，我们还展示了使用我们的框架创建的“运动功能”ICA模板的相应CIFTI版本。我们使用FSLeyes查看NIFTI文件（FMRIB软件库图像查看器）和Connectome Workbench Viewer查看CIFTI文件（Marcus等人，2011年，2013年）来显示结果。

2.4 示例 2：生成与“大脑在激活和休息状态下的功能结构”相对应的ICA成分模板

为了推广我们的流程在运动功能之外的应用，我们将Smith等人（2009）发布的所有10个ICA成分与我们流程生成的相应模板进行了比较（而不仅仅是在前一节中仅对“运动功能”模板进行对比）。为了确定与每一个Smith模板最匹配的HCP分区的ICA成分，我们按照上述方式进行了操作（即，我们对所有690个HCP成分图在体积MNI 2毫米空间中的每一个Smith模板进行了相关性分析，并选择与原始模板具有最高Pearson相关值的HCP成分作为该模板的新版本，见图3）。

为了量化我们方法的预期收益，我们使用方程1为每个成分计算了一个统计量，该统计量表示GM体素中的ICA z值相对于WM体素中的z值的比率，并在图3中显示了Smith等人（2009）发布的10个成分与我们模板更新版本之间的该指标的比较：如果GM中的z值超过WM中的z值，这个比率就会大于一。

尽管越来越多的研究报告了WM内的功能网络（Huang等人，2020；Peer等人，2017），但大多数与视觉、语言以及其他认知和运动功能领域相对应的稳定一致的网络都是在GM中报告的（Biswal等人，1995；Buckner等人，2008；Fox & Greicius，2010；Fox & Raichle，2007；Gonzalez-Castillo等人，2014；Lee等人，2013；Raichle等人，2001；Zhang & Raichle，2010）。因此，我们得出结论，一个在GM(灰质）中的驱动成分比在WM（白质）中更强的图谱在双重回归分析中将更加敏感于实际的皮层过程。

3 结果

3.1 示例 1：生成与“运动功能”相对应的ICA成分模板

在NeuroSynth中对“运动功能”一词进行的元分析产生了一个由74项研究组成的统计性脑图，这些研究在MNI152 2毫米空间中研究了运动功能（图2a）。我们使用该图作为输入，通过我们的流程生成了一个与“运动功能”相对应的高质量ICA成分模板（图2b）。输入和输出图之间的并排视觉比较显示了我们输出的ICA成分模板在与灰质和白质对齐方面的高空间准确性，同时捕捉了由输入图定义的功能相关的解剖学脑区域。为了进一步说明这一高空间准确性，我们在图2c中展示了现有的少数几个与运动功能相对应的标记过的ICA成分模板（Smith等人，2009）与我们的模板。

为了比较输入的脑统计图与每个ICA成分模板版本与皮层片之间的空间对齐，我们计算了各自的z加权GM/WM比率（zwr），并发现使用当前流程创建的版本产生了1.2609的比率，表明GM中的ICA-z成分比WM中的强大约25%。现有的模板产生了0.8044的比率，表明其WM中的ICA成分实际上比GM中的更强。这些数字得到了通过视觉检查两个模板的地形图（见图2中的面板b和c）的支持。虽然我们流程找到的最佳匹配成分显示出与皮层片的出色对齐，但出版模板中的成分在z轴上实际上出现了偏移，实际上缺失了运动皮层的最背侧部分，并明显泄漏到WM中。

图2.描述我们流程的结果。

为了生成与运动功能相对应的ICA成分模板，我们首先在NeuroSynth（neurosynth.org）的元分析工具中输入了搜索词“运动功能”，该工具生成了在（a）中显示的统计性脑图，该图来自74项研究运动功能的研究。我们使用这张图与我们的流程，并获得了在（b）中显示的ICA成分模板。请注意，我们生成的ICA成分模板在与灰质/白质边界对齐方面具有高空间准确性，同时捕捉了由输入图定义的功能相关解剖学脑区域。为了进一步说明这一高空间准确性，我们还展示了现有的少数几个与运动功能相对应的标记过的ICA成分模板之一（Smith等人，2009）。此外，我们还展示了我们生成的ICA成分模板的CIFTI版本（d），该版本在表面上投影（d中的左列）并在皮层下和小脑中体积显示（d中的右列）。

在a-c中的脑图显示在MNI152 2毫米模板上，体素位置为59, 51, 64（颜色图范围[4-10]）。D中的脑图显示在CIFTI Grayordinates标准空间上，投影在表面上（d中的左列）和皮层下/小脑中的体素位置为0, -65, -27（d中的右列）（d中的显示范围：[-0.15; 0.1]；绝对百分比，正和负的颜色图范围：[2; 98]）。

3.2 示例 2：生成与“激活和休息期间大脑功能架构”相对应的ICA成分模板

在原始Smith模板和我们识别的成分的体积版本之间的视觉比较在质量上显示了两个图谱之间的良好空间一致性（图3；左列显示原始模板，右列显示我们的更新版本）。在表1中，我们提供了模板版本之间每一对的皮尔逊相关值。这表明Smith模板的一般概念在我们的模板中得以保留。然而，在图3中明显可以看出，与MNI152模板边界的空间对齐在更新版本中优于原始版本。特别强烈的例子是成分4（默认模式）、5（小脑）、6（感觉运动）和7（听觉）。

在图4中，我们显示了原始10个由Smith等人发布的成分（蓝色）和我们模板的更新版本（红色）的z加权灰白质比率（参见方程1），并用表2中的确切值补充了这些发现：虽然Smith等人的原始图谱并没有系统地显示出与WM体素相比，GM对ICA-z值的贡献更强（注意蓝线在1附近波动），但我们的程序生成的成分图在10个成分中的9个上至少优于原始图谱的2倍。

图 3：Smith等人（2009）的原始模板（左侧面板）与我们建议的从HCP数据集中选择最大相关成分图的结果（右侧面板）之间的比较，显示在蒙特利尔神经学研究所（MNI152）的2毫米体素分辨率的解剖标准图像上。我们展示了每个版本的z标准化图以便于比较。侧面对比显示，我们模板生成的图与MNI模板以及灰质/白质边界之间的区别具有高度的一致性。（显示范围：z = 1.96–10，正负）。

表 1：HCP分区中与原始模板（来自Smith等人，2009）最匹配的ICA成分图的概览。

图4.为了展示我们方法的预期收益，我们计算了一个统计量，该统计量按成分表达灰质体素中ICA z值相对于白质体素中的高度，并在Smith等人2009年发布的10个成分（蓝线/点）和如图3所示的模板版本之间进行了比较（这里用红线/点表示；“tahsch”是指作者的名字，“Tahedl/Schwarzbach”）。该指标是这样计算的：首先，我们将所有灰质体素内的ICA值相加，并通过体素处于灰质的概率（基于FSL提供的灰质/白质组织先验）对该和进行归一化。我们对白质重复了该过程，并计算了（归一化的）灰质与白质和的比率。虚线表示我们对空成分图的处理结果，在该图中，灰质和白质中的z值具有相同的幅度，即这样的图产生1的比率。如果灰质中的z值超过白质中的z值，这个比率就会大于一。我们认为，其驱动成分在灰质中比在白质中更强烈地表示的图谱将更敏感地反映实际的皮层过程。请注意，原始模板在1的比率附近波动，而我们更新的模板产生1.51-2.93的比率（见表1）。

表2.原始和更新成分图的加权z比率。

4 结论

在这里，我们提出了一种标准化的方法，用于从高质量的HCP数据库中获取与特定研究领域的大脑功能相对应的标记ICA成分模板。在这个框架内，用户提供了代表所选功能系统的统计大脑图，例如，通过使用已有的软件，该软件允许用户利用大型数据库（如NeuroSynth和BrainMap）进行自动化的元分析。在我们的框架内，该图随后与来自HCP的690个群体ICA图进行相关性分析，这些图是从超过1000名受试者中生成的，并使用标准化的静息态fMRI数据获取的。我们建议使用与输入统计图最高对应的HCP群体ICA图作为后续分析（如双重回归）中感兴趣的功能系统的ICA模板。

由于基础HCP数据的高质量，使用该策略生成的模板具有与MNI模板的GM/WM边界极佳的精确空间对齐性，这可能会提高基于这些模板的GM内BOLD分析的灵敏度（Bodurka等人，2007）。当比较图2b和c中的统计图时，这一方面得到了强调，这些图对比了基于HCP的“运动功能”模板与Smith等人2009年现有的“感觉运动”成分，后者显示出系统性的偏离皮层层。当将比较扩展到Smith等人（2009）原始地图集的整个10个成分时（图3和4以及表2），我们报告了类似的观察结果。因此，除了我们的流程用于创建自定义模板（作为体积NIFTI文件以及组合表面/体积CIFTI文件）的易用性外，我们认为高质量的对齐和大样本量是使用HCP数据生成自定义模板的重要优点，目的是基于标记ICA成分进行群体比较。我们在OSF（https://osf.io/mek47/）上提供了我们的工具箱供公众下载。

5 限制/展望

我们方法的一个局限性是，在我们的框架内可以生成的ICA成分模板仅限于HCP提供的690个成分。尽管该流程将为许多大脑功能找到相对最佳匹配的ICA模板，但也有一些大脑功能我们的方法无法涵盖。由于我们的流程总是会输出与HCP数据最佳匹配的输入图的ICA模板，用户应该意识到可能存在比相关性更好的匹配算法，而且没有一个普遍认可的关键相关性阈值，可以确保ICA成分真实地捕捉到有问题的功能系统。用户至少应该在决定接受ICA模板的功能标签并将其用于分析之前，视觉检查结果。

请注意，在这项工作中，我们建议生成感兴趣的大脑功能图的输入图。然而，输入可以是任何统计大脑图；例如，可以使用现在由于Allen Brain Institute（Hawrylycz等人，2012）的工作而在MNI空间内为MRI研究社区提供的基因表达图。因此，与特定基因的基因表达相对应的ICA模板可能会被研究，而不是大脑功能，这为创新研究问题提供了新的令人兴奋的机会。然而，这样的实验方法尚有待测试和验证。

我们的项目使用HCP数据来创建ICA的图谱模板。然而，尽管HCP是一项有价值且广泛使用的资源，但它在人口范围上仍然有限。这种抽样偏见减弱了大脑-行为预测模型在不同种族数据中的样本外性能（Li等人，2022）。在多大程度上可能观察到与核心静息态网络有关的人口依赖性系统差异是当前论文范围之外的实证问题。尽管如此，我们更新后的图谱中的图可能提供了一个高质量的参考，未来的研究可以使用与TR、分辨率和扫描持续时间等方面的最新获取协议相当的数据，以及使用HCP联盟（Glasser等人，2013）发布的处理流程，与其他种族或年龄组的数据进行比较。

总之，我们提供了一个框架，用于生成可以与统计参数图连接的高质量ICA模板，这样可以解决研究特定功能系统的研究问题。这些与大脑功能系统相对应的参数图可以从现有的外部软件中的自动化元分析中检索，然后我们自己的工具箱可以用于从高质量和庞大的HCP数据中识别最佳匹配的ICA成分。我们相信，这种方法有可能提高研究在功能性定义的大脑网络中的一致性变化的功效、灵敏度、可重复性和可解释性。