一个用于多尺度神经科学的开源MRI数据集

多模态神经影像学为我们提供了一个强大的窗口，可以在多个尺度上观察和理解人脑的结构和功能。最近的方法论和概念进展使我们能够研究大脑微结构和连接性中的大尺度空间趋势（也称为梯度）之间的相互作用，为研究多尺度大脑组织提供了一个综合性框架。在这里，我们分享了一个用于微结构信息连接组学（MICA-MICs）的多模态MRI数据集，该数据集收集自50名健康成人（其中23名女性；平均年龄29.54 ± 5.62岁），他们接受了高分辨率T1加权MRI、髓磷脂敏感定量T1弛豫成像、扩散加权MRI和3T静息态功能MRI成像的扫描。除了原始匿名MRI数据外，此次发布还包括了从(i) 静息态功能成像、(ii) 扩散纤维束追踪、(iii) 微结构协方差分析和(iv) 大脑皮层测地距离中得出的全脑连接组，收集了多种区域划分尺度的数据。与此同时，我们分享了从每种模态和区域划分尺度估计的大尺度梯度。我们的数据集将有助于未来研究探索大脑微结构、连接性和功能之间的耦合关系。本文发表在Scientific Data杂志。（可添加微信号19962074063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，另思影承接白质高信号分割与分析业务，如感兴趣也可咨询)

背景

      人脑是一个高度互联的网络，可以在多个空间和时间尺度上进行描述。神经影像学，特别是磁共振成像（MRI），为我们提供了观察大脑结构和功能的窗口，能够展示用于评估大脑多尺度组织结构的多种对比效果。多模态成像技术越来越多地利用对大脑微观结构敏感的成像序列，例如定量T1（qT1）弛豫率映射。这种技术能够区分大脑中高度髓鞘化区域（具有较短的T1弛豫时间）和轻度髓鞘化区域（具有较长的T1弛豫时间）。qT1的区域变化与髓鞘结构学的重要研究相符，支持这些对比技术在活体微观结构分析和研究大脑不同区域间髓鞘结构学相似性的潜力。这些研究还可以通过诸如大脑皮层间测地距离之类的指标来补充，使得能够估算由短程皮层内轴突侧支产生的皮层间连线成本，探索不同大脑系统的解剖学邻近性，以及研究皮层地形组织。此外，宏观尺度的连接组架构可以通过使用扩散MRI追踪和静息态功能连接性分析来探测，以近似整个大脑的结构和功能网络。总体而言，这些技术提供了关于大脑组织的总体原则的关键见解，从局部区域的特性到它们在宏观系统中的嵌入。

       最近的方法论和概念进展为分析多尺度大脑组织的地形原则提供了手段。在基于区域划分的方法的基础上，可以在结构和功能成像数据中检测到区域特性的均质性。区域边界可以根据不同特征（如形态学、微结构、连接模式及这些指标的组合）以不同的粒度来定义。然后可以识别分割区域之间的功能和解剖关系，形成大脑的宏观尺度网络架构。补充技术强调通过分割或将大脑分解为中尺度社区来突出区域的分离与集合，最近的工作开始识别大脑微结构、连接和功能中的连续空间趋势——也称为梯度。梯度识别方法描述了皮层和亚区域组织在静息态功能连接、由扩散追踪得出的结构连接、皮层微结构的相似性以及皮层形态学、分子和微回路特性等方面的主要轴线。这些方法使我们能够发现区分低级感觉运动系统和跨模态系统（如默认模式网络和旁边缘皮层）的内在功能连接的主要梯度，重现了在非人类灵长类动物中制定的皮层层级的开创性模型。通过描绘皮层组织的低维轴线，梯度方法使得可以研究大脑结构和功能的系统性变化，因此特别适用于旨在桥接不同神经生物学轴线的研究。例如，最近的工作表明，相对于单模态系统，跨模态皮层区域中主要的微结构和功能梯度之间的解耦更强，可能反映了跨模态区域在人类认知中的灵活作用。相关地，主要功能梯度还显示出感觉系统和跨模态系统之间测地距离的变化，提供了一个潜在的宏观尺度机制，使跨模态网络能够支持与“此时此地”脱钩的更高级认知功能。通过为这种多模态比较提供正式框架，这些发现强调了维度分析在获得多尺度大脑组织新见解方面的潜力。

      除了成像和分析方面的创新之外，神经科学越来越多地从开放科学实践中受益，特别是通过开放数据共享和衍生数据及其相关预处理流程的联合发布。近年来，该领域见证了许多广泛使用的多模态MRI数据共享计划的出现，如人类连接组计划（HCP)、英国生物银行(UK BIOBANK)、NSPN、Cam-CAN、ABIDE等。与此同时，数据共享努力得到了方法和基础设施支持新数据发布的进步的支持，促进了交流和合作，同时提高了神经影像学的透明度和可重复性。本工作呈现了一个可即刻使用的多模态MRI数据集，用于微结构信息连接组学（MICA-MICs）。MICA-MICs提供了基于i) 静息态功能MRI、ii) 扩散追踪、iii) 基于qT1映射的微结构协方差分析和iv) 大脑皮层测地距离的连接组，每种都建立在多种区域划分方案和空间尺度上。我们还提供了遵循大脑成像数据结构（BIDS）标准的匿名原始数据。处理是通过一个开放访问的流程进行的。这一资源有望加深我们对人类大脑在多个尺度上的理解，并增强对普遍性和可重复性的评估。

方法

参与者
      数据收集自50名健康志愿者（23名女性；平均年龄29.54 ± 5.62岁；47名右撇子），时间跨度为2018年4月至2021年2月。每位参与者进行了一次扫描会话。所有参与者均否认有神经系统和精神疾病的病史。蒙特利尔神经学研究所和医院的伦理委员会批准了这项研究（2018-3469）。从所有参与者那里获得了书面知情同意书，包括一份关于以匿名形式公开分享所有数据的声明。此次发布的社会人口学信息包括参与者在扫描时的性别和年龄（以5年为一个增量）。

MRI数据采集
      扫描在蒙特利尔神经学研究所和医院的大脑成像中心完成，使用的是配备64通道头线圈的3T西门子Magnetom Prisma-Fit。参与者首先进行了T1加权（T1w）结构扫描，随后进行了多壳层扩散加权成像（DWI）和静息态功能MRI（rs-fMRI）。此外，还获取了一对自旋回波图像，用于校正个别rs-fMRI扫描的畸变。然后进行了第二次T1w扫描，接着是qT1映射（图1a）。这些采集的总扫描时间大约为45分钟。

图 1 MICA-MICs数据集概览

(a) MICA-MICs数据集发布中提供的序列包括定量T1弛豫率成像、多频带（multiband ）加速静息态功能扫描、多频带（multiband ），多壳层扩散加权成像以及两次结构性T1加权（T1w）扫描。软脑膜和白质表面分割被叠加在由FreeSurfer生成的T1w图像的冠状切片上，该图像结合了两次输入的T1w扫描。

(b) 群体平均矩阵（顶部面板仅显示左半球区域）和来自三个勾勒出的种子点的连接权重，这些种子点被选中以代表多样化的网络社区（底部面板）。微结构轮廓协方差（MPC）、功能连接性（FC）和大脑皮层间测地距离（GD）矩阵是在参与者之间平均得出的。群体级结构连接性（SC）是通过依赖距离的阈值计算得出的，以保持个体受试者内部和半球间连接长度的分布。在平均化之前，受试者级别的SC矩阵进行了对数转换，以减少连接强度的变异。所有特征都被投影到Schaefer-400图谱的fsaverage5中表面。

       两次具有相同参数的T1加权（T1w）扫描是通过3D磁化准备快速梯度回波序列（MP-RAGE）获得的（0.8毫米等向体素，矩阵=320×320，224个矢状切片，TR=2300毫秒，TE=3.14毫秒，TI=900毫秒，翻转角度=9°，iPAT=2，部分傅里叶=6/8）。两次T1w扫描在进一步处理之前都进行了视觉检查，以确保头部运动最小化。qT1弛豫率数据是通过3D-MP2RAGE序列获得的（0.8毫米等向体素，240个矢状切片，TR=5000毫秒，TE=2.9毫秒，TI 1=940毫秒，TI 2=2830毫秒，翻转角度 1=4°，翻转角度 2=5°，iPAT=3，带宽=270赫兹/像素，回波间隔=7.2毫秒，部分傅里叶=6/8）。我们结合了两个反转图像进行qT1映射，以最小化对B1不均匀性的敏感性，并优化个体间和个体内的可靠性。使用带有多频带（multiband ）加速的2D自旋回波平面成像序列来获取扩散加权成像（DWI）数据，包括三个壳层，b值分别为300、700和2000秒/毫米²，每个壳层分别有10、40和90个扩散加权方向（1.6毫米等向体素，TR=3500毫秒，TE=64.40毫秒，翻转角度=90°，重聚焦翻转角度=180°，视野=224×224毫米²，切片厚度=1.6毫米，多带因子=3，回波间隔=0.76毫秒）。还提供了以相反相位编码方向获得的b0图像，用于扩散加权扫描的畸变校正。使用多频带（multiband ）加速的2D-BOLD平面成像获得了一次7分钟的静息态功能MRI（rs-fMRI）扫描（3毫米等向体素，TR=600毫秒，TE=30毫秒，翻转角度=52°，视野=240×240毫米²，切片厚度=3毫米，mb因子=6，回波间隔=0.54毫秒）。参与者被指示保持眼睛睁开，注视一个固定的十字，并且不要入睡。我们还包括了两个具有相反相位编码的自旋回波图像，用于静息态功能MRI扫描的畸变校正（3毫米等向体素，TR=4029毫秒，TE=48毫秒，翻转角度=90°，视野=240×240毫米²，切片厚度=3毫米，回波间隔=0.54毫秒，相位编码=AP/PA，带宽=2084赫兹/像素）。与这次数据发布一起提供的详细成像协议中提供了完整的采集参数列表。

MRI数据预处理

     原始DICOM文件按序列排序，使用dcm2niix转换为NIfTI格式，重命名，并根据BIDS标准（Brain Imaging Data Structure）分配到各自的受试者特定目录。使用BIDS-validator确保结果数据结构与BIDS标准一致。所有后续处理都通过micapipe（一个用于多模态MRI数据的开放访问处理流程；micapipe）和BrainSpace（一个用于宏观尺度梯度映射的工具箱；BrainSpace）执行。

T1w预处理
    原生结构图像通过使用自定义脚本（micapipe_anonymize）去除所有结构体积的面部特征来实现匿名化和去标识化。请注意，处理衍生物是从未匿名化的图像生成的。结构处理使用了多个软件包，包括AFNI、FSL和ANTs的工具。每个T1w扫描都被去倾斜并重新定向到标准的神经科学方向（LPI：从左到右，从后到前，从下到上）。然后，两个扫描被线性共配准并平均，自动校正强度非均匀性，并进行强度标准化。结果图像被去除颅骨，并使用FSL FIRST对皮下结构进行分割。使用FreeSurfer 6.0从原生T1w扫描生成皮层表面分割。

qT1预处理
     原生qT1扫描通过去除面部特征实现匿名化和去标识化。在预处理过程中，首先为每位参与者在软脑膜和白质边界之间构建了一系列等体积表面。这些表面用于从原始T1图（即/rawdata/sub-HC#/ses-01/anat/*T1map.nii.gz）中系统地采样qT1图像强度，以计算个体微结构轮廓相似性矩阵（见下一节）。在这里，qT1图像使用基于边界的配准方法，与每位参与者的原生FreeSurfer空间共配准。qT1图像没有应用额外的预处理。

DWI预处理
     DWI数据通过MRtrix软件进行预处理。这包括对DWI数据进行去噪处理，执行b0强度的标准化，并利用两个b值为0 s/mm²的体积的反相位编码来校正磁敏感畸变、头部运动和涡流效应。为了进行DWI追踪处理，所需的解剖学特征（如组织类型的分割和脑区的划分）通过ANTs软件中实现的可变形同步（SyN）方法，非线性地共配准到原始DWI空间。所有的扩散处理均在原始DWI空间内完成。

静息态功能MRI（rs-fMRI）预处理

      rs-fMRI图像使用AFNI和FSL进行预处理。为确保磁场饱和，丢弃了前五个体积。图像进行了重新定向以及运动和畸变校正。运动校正是通过将所有时间点的体积（Volumes)配准到平均体积来实现的，而畸变校正则利用了与rs-fMRI扫描同时获得的主相位和反相位场图。使用在内部对30名参与者（15名健康对照和15名抗药性癫痫患者）子集上训练的ICA-FIX分类器去除了干扰变量信号，并通过使用FSL提供的运动异常输出进行尖峰回归。体积(Volumes)时间序列平均后，使用基于边界的配准方法配准到原生FreeSurfer空间，并通过三线性插值映射到个体的表面模型。映射到每个个体的皮层表面模型后，原始表面皮层时间序列进行了空间平滑处理（高斯核，FWHM = 10毫米），然后在由几种分割方案定义的节点内进行平均。此次发布还提供了分割的皮下时间序列，并在皮层时间序列之前附加。使用ANTs实现的可变形SyN方法，将特定于受试者的皮下分割非线性配准到每个个体的原始fMRI空间。

     

生成个体和群体级别的连接组矩阵

       以下部分描述了从本次数据发布中包含的每个成像序列派生的特征矩阵的构建（见图1b）。根据解剖学、内在功能和多模态分割方案，提供了不同分辨率的皮层连接组，共有18种不同的皮层分割。此数据集中可用的解剖学图谱包括FreeSurfer提供的Desikan-Killiany（aparc）和Destrieux（aparc.a2009s）分割，以及Von Economo和Koskinas的细胞建筑学分割研究的体内近似。我们还包括了大小相似、限制在Desikan-Killany图谱边界内的子分割，提供了100至400个皮层区域的矩阵，遵循主要的沟回地标。基于内在功能活动的分割（基于7网络分割的Schaefer图谱）也包含在此次发布中，分辨率范围广泛（100-1000节点）。最后，我们还提供了从人类连接组项目数据集派生的、包含360个节点的多模态图谱（即Glasser分割）生成的连接组矩阵。所有图谱都可在Conte69和fsaverage5表面模板上获得（见micapipe parcellations），并被重采样到每个参与者的原生表面，以生成特定于模态和受试者的矩阵。此外，结构和功能连接组矩阵包括了每个皮下结构（伏隔核、杏仁核、尾状核、苍白球、壳核和丘脑）以及海马体的数据，并在皮层区域条目之前附加（见使用说明）。

大脑皮层间测地距离（GD）

      我们使用workbench工具计算了每位参与者原生皮层中表面上的个体GD（测地距离）矩阵。首先，通过识别在其分配的皮层区域内与所有其他顶点的欧几里得距离之和最短的顶点，为每个皮层区域定义了一个质心顶点。使用Dijkstra算法计算了质心顶点与原生中表面网格上所有其他顶点之间的GD。值得注意的是，这种实现不仅计算共享直接连接的顶点之间的距离，还计算共享边的三角形对之间的距离，以减轻网格配置对计算距离的影响。顶点间GD（测地距离）值在区域内进行平均。

微结构轮廓协方差（MPC）

      我们生成了14个等体积的皮层内表面，用于采样qT1强度，覆盖皮层深度，产生反映每个皮层顶点内微结构组成的独特强度轮廓。选择这个表面数量是基于最近对结果微结构轮廓协方差（MPC）矩阵的稳定性分析。从最接近软脑膜和白质边界的表面采样的数据被丢弃，以减轻部分容积效应。顶点间强度轮廓在区域内进行平均。节点微结构轮廓在皮层膜上进行交叉相关，使用偏相关控制平均皮层范围内的强度轮廓，并进行对数转换。在平均皮层范围内的强度轮廓时，排除了左右内侧壁以及非皮层区域，如胼胝体和Desikan-Killiany及Destrieux分割的胼胝体周围区域。因此，结果矩阵代表了参与者特定的皮层内髓鞘代理的相似性矩阵。

由扩散MRI追踪衍生的结构连接性（SC）  

      使用MRtrix从预处理的DWI数据生成了结构连接组。我们执行了解剖学约束的追踪，使用从每位参与者预处理的T1w图像中分割出的组织类型（皮层和皮下灰质、白质、脑脊液）并配准到原始DWI空间。我们估计了多壳层和多组织响应函数，并执行了约束球形去卷积和强度标准化。我们生成了一个包含4000万条流线的纤维束图（最大纤维束长度=250；分数各向异性截止=0.06）。我们应用了球形去卷积信息过滤曲线图（SIFT2）来重建整个大脑的流线，这些流线由横截面乘数加权。重建的横截面流线被映射到每个分割方案（皮层和皮下），这些方案也被变形到DWI空间。节点之间的连接权重被定义为加权流线计数。

功能连接性（FC）

      映射到特定于受试者的表面模型的个体rs-fMRI时间序列在皮层区域内进行平均。皮下分割被变形到每位受试者的原生fMRI体积（volume)空间，并用于计算每个节点内的时间序列平均值。通过交叉相关所有节点时间序列生成了个体功能连接组。对于本文中呈现的分析，相关值随后进行了Fisher-R到Z转换。然而，在发布的数据中提供的所有FC矩阵都是原始相关矩阵。

数据记录

      所有文件都按照大脑成像目录结构（BIDS）组织，并托管在加拿大开放神经科学平台的数据门户（CONP；CONP Portal）。所有数据也可通过开放科学框架（OSF）获取。由于OSF平台的存储限制，衍生数据和原始数据被上传到不同的项目组件中，原始数据文件进一步被压缩成5个受试者的批次。

    原生空间数据原生空间数据及其对应的.json文件包含在目录结构的/rawdata/sub-HC#/ses-01分支中（见图2a）。对于每个受试者（/sub-HC#/ses-01），/anat子目录包含了几个包含原生空间T1w和qT1图像的NIfTI文件。T1w扫描根据采集顺序命名，表示为run-#。对于未处理的qT1图像，我们提供了每个反转时间参数的结果（表示为inv-1和inv-2），基于两个反转时间图像组合的T1映射（T1-map），以及基于MP2RAGE衍生的合成T1w图像（uni）。去除面部特征的掩蔽是应用于这些图像的唯一更改（见MRI数据预处理）。

图 2 MICA-MICs数据集的目录结构
(a) 在目录结构的rawdata分支中提供了未经额外处理的匿名数据，包括qT1、T1w、扩散加权和静息态功能成像数据。
(b) 处理衍生物根据它们关联的流程进行组织。群体和受试者级别的梯度（/derivatives/gradients）是从使用micapipe（/derivatives/micapipe）根据几种分割方案计算的平均和个体连接性矩阵中派生出来的。矩阵和梯度被组织到特定于模态的目录中，用于结构成像（/anat/micro_profiles用于MPC，/anat/geo_dist用于大脑皮层间测地距离）、功能成像（/func）和扩散加权成像（/dwi）。我们还提供了使用MRIQC生成的T1w和rsfMRI原始数据的详细图像质量报告。

   特定于受试者的DWI文件可以在/rawdata/sub-HC#/ses-01/dwi子目录中找到。梯度方向、扩散加权、DWI体积和.json附属文件与每个壳层相关联，由文件名中的相应b值和扩散方向数量指示（例如，“sub-HC#_ses-01_acq-b#_dir-AP_dwi.json”）。b0图像由其相反的相位编码方向表示（PA；即“sub-HC#_ses-01_dir-PA_dwi.json”）。

     静息态功能MRI（rs-fMRI）扫描以及用于畸变校正的相关自旋回波图像位于/rawdata/sub-HC#/ses-01/func子目录中。功能时间序列包括700个时间点，除了编号等于或早于sub-HC004的受试者，他们进行了略长的采集（800个时间点）。自旋回波图像的相位编码方向在文件名中指示（即APse - 前后方向 - 或PAse - 后前方向。文件名中相位编码方向后的字符串“se”表示稍后用于畸变校正的自旋回波图像）。

处理后的数据

       此次发布中包含的处理后数据存储在与它们的处理流程相关联的derivatives子目录中（见图2b）。原始结构和功能数据的质量控制报告提供在derivatives/mriqc/。使用micapipe生成了不同粒度（70-1000节点）的特定于模态的矩阵，并存储在它们各自的子目录中（例如，所有功能连接组可以在derivatives/micapipe/sub-HC#/ses-01/func/中找到）。我们还提供了从每个矩阵生成的群体和受试者级别的梯度，存储在derivatives/gradients/ses-01/中（见技术验证和衍生指标）。

结构像处理

     结构扫描的表面映射处理衍生物提供在/derivatives/micapipe/sub-HC#/ses-01/anat。这些特征被组织在两个不同的子目录中。首先，从处理后的qT1扫描生成的MPC矩阵存储在/micro_profiles子目录中，并由它们计算所用的分割方案标识（例如，“sub-HC#_ses-01_space-fsnative_atlas-schaefer100_desc-mpc.txt”）。每个皮层分割方案的GD矩阵包含在/geo_dist子目录中（例如，“sub-HC#_ses-01_space-fsnative_atlas-schaefer100_desc-gd.txt”）。如前一节所述，个体大脑皮层间测地距离矩阵是沿着每位参与者的原生中表面使用workbench计算的。

DWI处理

   DWI扫描的处理衍生物提供在/derivatives/micapipe/sub-HC#/ses-01/dwi。为每个分割提供了结构连接组（例如，“sub-HC#_ses-01_space-dwinative_atlas-schaefer100_desc-sc.txt”）和相关的边长度（例如，“sub-HC#_ses-01_space-dwinative_atlas-schaefer100_desc-edgeLength.txt”）。

静息态功能MRI（rs-fMRI）

       处理完全处理后的连接组（即，在使用ICA-FIX去除干扰变量信号、映射到原生皮层表面、空间平滑和运动尖峰回归之后）提供在/derivatives/micapipe/sub-HC#/ses-01/func（例如，“sub-HC#_ses-01_space-fsnative_atlas-schaefer100_desc-fc.txt”）。功能连接组是从映射到原生表面的时间序列计算得出的，以确保数据模态间的一致性，因为GD（测地距离）和MPC（微结构轮廓协方差）矩阵都是从映射到原生皮层表面模型的数据生成的。

质量控制

      由MRIQC v0.15.2计算的图像质量指标报告包含在MICA-MICs处理衍生物的/mriqc分支中。对于每个受试者，/mriqc目录包含/anat和/func子目录，其中包括T1w和静息态功能扫描的图像质量指标报告，格式为.html和.json。这些报告提供了许多评估输入数据质量的指标，包括运动、信噪比和强度非均匀性的估计。

技术验证和衍生指标

质量控制程序 

皮层表面分割 

     表面提取由三位作者（JR, AJL, CP）进行视觉检查，并通过放置控制点和手动编辑纠正任何分割错误。

图像质量指标 

      使用MRIQC计算的对比度与噪声估计来评估T1w扫描质量的一致性（图3a）。这个指标提供了给定T1w图像的灰质和白质分布可分离性的度量，数值越高表示图像质量越好。对于DWI扫描，使用MRtrix和FSL eddy量化了每个壳层的运动，特别是使用限制性运动均方根（RMS）输出（图3b）。对于rs-fMRI，使用FSL的运动异常检测工具估计了逐帧位移（FD）。我们还探讨了时间信噪比（tSNR），通过将表面映射的平均时间序列除以其标准差来计算每位参与者的tSNR。用于计算每位参与者皮层范围内tSNR的是运动和畸变校正后的时间序列（即，在使用ICA-FIX进行高通滤波和干扰信号回归之前）。顶点间tSNR值在区域内进行平均，以汇总跨受试者的值（图3c）。

图3 序列间的图像质量指标
(a) 使用MRIQC估计的对比度与噪声（CNR）显示，无论是第一次还是第二次T1w扫描（第一次扫描用蓝色表示，第二次扫描用绿色表示），都没有异常值。
(b) 扩散加权图像的运动参数是从FSL eddy获得的。直方图展示了相对于第一个体积的所有壳层中体素级均方根（RMS）位移。折线图显示了每个体积相对于前一个体积的RMS位移。
(c) 静息态功能扫描的逐帧位移（FD）是使用FSL运动异常检测获得的，反映了每个体积（volume)处旋转和平移参数差异的平均值。直方图显示了受试者在体积间的平均FD。折线图显示了三名参与者静息态采集过程中的FD，分别代表我们样本中平均FD的20%，50%，和80%的百分位数。虚线表示用于排除运动过大的参与者的0.2平均FD阈值。在每位参与者的原生表面上计算了顶点间时间信噪比（tSNR）。计算得出的tSNR值在400节点功能分割（Schaefer-400）内进行平均，并在个体间进行平均。

      

从MPC、FC、SC和GD矩阵估计皮层梯度

      在本节中，我们展示了如何从MICA-MICs提供的每种数据模态中派生出群体和个体级别的梯度。使用BrainSpace工具箱（BrainSpace），我们从MPC、FC、SC和GD矩阵中识别出梯度。我们通过平均Schaefer-400图谱构建的受试者级矩阵中的所有皮层条目来构建群体级梯度。MPC、FC和GD矩阵是通过跨受试者平均计算得出的，结果按行阈值化以保留前10%的边，如之前的工作所示。群体级结构连接性（SC）是通过依赖距离的阈值化计算得出的，以保持个体受试者内部和半球间连接长度的分布。在平均化之前，受试者级SC矩阵进行了对数转换以减少连接强度的变异。群体平均SC矩阵经过阈值化以仅保留正边。考虑到SC矩阵相对于其他模态的稀疏性，没有进一步的阈值化处理。

      计算了归一化角度亲和矩阵，捕捉微结构、连接性和距离模式的区域间相似性，这些矩阵是从每个特定于模态的矩阵计算得出的（图4a，顶部）。由于扩散纤维束追踪在映射半球间纤维方面的局限性，SC数据的左右半球分别进行了分析。对于GD梯度，也分别对半球进行了分析，因为此处使用的基于表面的大脑皮层间测地距离测量是在不同的半球表面球体上计算的。从MPC和FC特征生成亲和矩阵时使用了来自两个半球的数据。我们应用了扩散映射嵌入，这是一种非线性降维技术，对每个亲和矩阵进行处理，以识别描述每个特征的区域间变异性的特征向量（或梯度），按降序排列每种模态（图4a，中间）。结果梯度在皮层表面上可视化，揭示了每个特征的不同模式（图4a，底部）。例如，从髓鞘敏感的qT1派生的第一个MPC梯度（G1）重现了一个感觉-远离轴（编者注：感觉-远离轴"（sensory-fugal axis）这个术语在神经科学中用来描述大脑中从感觉区域（如初级感觉皮层）向更高级的认知处理区域（如联合皮层和副边缘皮层）的功能和结构上的渐进变化。这个术语表达的是从处理基本感觉输入（如视觉、听觉）的区域向处理更复杂信息（如记忆、情感、决策）的区域的过渡。因此，“感觉-远离轴”是一个描述大脑功能层级和信息处理流向的术语。在这种上下文中，“远离”（fugal）指的是从初级感觉区域向更高级的认知区域的方向），将节点从感觉运动皮层排序到旁边缘皮层。相比之下，主要的FC和SC梯度主要区分了视觉和感觉运动皮层。FC的第二梯度（解释了与FC-G1相似的方差量）以单模态感觉系统和高阶默认模式网络为锚点。大脑皮层间测地距离的梯度突出了皮层表面网格上最长距离轴，特别是沿着前后（G1）和中间/下方到外侧/上方（G2）方向发展。

图4 导出平滑的微结构、连接性和测地距离梯度
(a) 从Schaefer-400分割派生的矩阵描述了(i) 微结构相似性、(ii) 功能连接性、(iii) 结构连接性和(iv) 空间邻近性，这些矩阵经过阈值化，并使用归一化角度核转换成亲和矩阵（顶行）。虽然MPC和FC分析中包括了来自两个半球的数据，但这里仅显示了左半球数据。然后，我们对每个亲和矩阵应用了扩散映射嵌入，这是一种非线性降维技术，以派生描述每个特征中区域间变异性的梯度，按降序排列（中间行）。每种模态的一部分结果梯度被投影到皮层表面上（底行）。
(b) 我们使用Spearman相关性评估了群体级梯度模式在个体参与者水平上的可重复性。我们为每种模态的每位参与者生成了梯度，并将结果特征向量与相应的群体级梯度数据对齐。箱线图显示了参与者间Spearman r值的变化，针对每种模态的前10个梯度（按照面板(a)的顺序呈现）。注意SC和GD箱线图中y轴刻度的变化。

      接下来，我们评估了群体平均梯度在个体参与者中的可重复性。受试者级梯度是按照之前描述的群体级分析相同的程序生成的。结果的受试者级梯度与使用Procrustes对齐方法从其他49名参与者生成的群体级模板梯度对齐。这个程序（即，从用于对齐的模板中排除单个参与者）确保了由于在两组数据中都存在的单个受试者数据而相关性人为增加的情况不会发生。对齐后的受试者级梯度与群体级数据中相应的梯度进行了相关性分析（图4b）。在所有模态中都观察到了类似的模式，即在解释每个特征中较少方差的梯度中，个体级可重复性降低。实际上，G1在所有参与者中的所有模态中都具有很高的可重复性（r均值±标准差；MPC 0.785±0.041；FC 0.839±0.065；SC 0.973±0.008；GD 0.989±0.003），但个体受试者数据与群体级模板梯度之间的相关性对于解释较少方差的梯度较低（例如，G10；MPC 0.193±0.064；FC 0.416±0.127；SC 0.785±0.083；GD 0.940±0.019）。

      此次发布中提供的所有受试者级梯度都与完整群体模板对齐，并且为每种模态和分割方案提供。因此，所有个体受试者梯度都与相同的模板对齐。这些文件包含在它们各自的/derivatives子目录中。例如，给定参与者的所有FC梯度可以在/derivatives/gradients/ses-01/subjects/sub-HC#子目录中找到（例如，“sub-HC#_ses-01_space-fsnative_atlas-schaefer100_desc-fcGradient.txt”用于FC梯度）。从平均完整样本数据生成的梯度也可以在它们各自的/derivatives/gradients目录中访问（例如，/derivatives/gradients/ses-01/group/func用于FC梯度）。

使用说明

数据托管

       MICA-MICs通过CONP门户和OSF公开提供。

矩阵排序 

      GD和MPC矩阵的行和列遵循由它们的分割方案相关联的注释标签定义的顺序（见micapipe parcellations），包括左右内侧壁的唯一条目。例如，Schaefer-100矩阵的行和列条目按以下顺序排列：左半球皮层区域（1个内侧壁后跟50个皮层区域），右半球皮层区域（1个内侧壁后跟50个皮层区域）。FC和SC矩阵遵循相同的排序，尽管皮下结构的条目在皮层区域之前附加。因此，Schaefer-100 FC和SC矩阵的行和列条目按以下顺序排列：皮下结构和海马体（7个左侧，7个右侧），左半球皮层区域（1个内侧壁后跟50个皮层区域），右半球皮层区域（1个内侧壁后跟50个皮层区域）。每个体积（volume)分割中所有区域及其相应标签的排序在我们的分析流程提供的查找表中有记录。

      梯度数据在群体和个体级别梯度分析中排除的节点由相应节点索引中的Inf值表示。这些数据点可能对应于非皮层节点（例如，内侧壁、胼胝体或胼胝体周围区域）或与其他区域无连接的节点。这种情况偶尔发生在个别受试者的高分辨率（>500节点）SC矩阵中。

代码可用性

      所有处理流程脚本都是公开可用的。用于生成预处理输出的代码可以通过GitHub访问。处理流程的文档，包括使用说明和详细的处理步骤，也可以通过ReadTheDocs访问。