onavg| 均匀采样的大脑皮层表面模板

TLDR: 这项研究开发了一个新型的大脑皮层表面模板（onavg），通过更均匀的顶点分布显著改善了多变量模式分析（MVPA）和表示相似性分析（RSA）的结果表现。相比于传统模板，onavg模板不仅提高了电影时间点分类任务的准确性，还增强了参与者之间的大脑反应模式的一致性。同时，使用onavg模板还大幅降低了计算时间，提升了数据处理效率。

DOI: https://doi.org/10.1038/s41592-024-02346-y

背景

大脑皮层表面是一个高度折叠的复杂结构，其不同区域负责处理各种认知功能和行为任务。功能磁共振成像（fMRI）数据通常以三维体积的形式获取，而为了更好地分析这些数据，研究人员通常会将其投射到大脑皮层表面进行分析。与传统的三维体积分析相比，基于表面的分析能够实现更高效的跨个体对齐、更强的统计效能、更精准的功能定位，以及更可靠的认知和个性特征的预测。因此，基于表面的分析方法在神经影像领域得到了广泛应用。

然而，在进行基于表面的分析时，研究人员必须应对不同个体之间的宏观解剖差异。为了确保所有参与者的大脑表面数据能够在相同的位置对齐，现有的方法依赖于标准解剖模板（如fsaverage和fs_LR模板），这些模板基于有限的样本量（通常为40个大脑）构建，且其顶点位置是通过将大脑半球膨胀成球形表面后定义的。这种基于球形表面的采样方法导致了原始解剖表面上顶点分布的不均匀，从而在某些区域产生了过密或过稀的采样问题。

在这些标准空间中，大脑皮层的顶点位置不是根据实际的解剖表面来确定的，而是基于一个被膨胀成球形的表面👇。然后，研究人员用一种多面体结构——通常是一个被分成多个小面的二十面体——来定义这些顶点的位置。这种方法使得顶点在球形表面上看起来比较均匀地分布；但是，由于球形表面和实际大脑表面的形状不同，顶点在实际大脑表面上的分布并不均匀。

比如，在中央沟和外侧沟区域，顶点的密度要远高于腹侧颞叶和前额叶皮层。

图1. 

a. 通过计算不同模板（fsavg, fslr, onavg）中顶点间(inter-vertex)距离，比较了在这三种模板中，顶点在皮层表面上的分布情况.红色代表距离大，更稀疏。 

b. 在三种模板中，顶点间距离、顶点所占面积以及在20毫米Searchlight内的顶点数量的标准差。这部分图表说明了不同模板在这些属性上的差异，标准差越小，表示顶点分布越均匀。

c. 经典皮层模板的顶点采样方式，这些模板是基于球形表面的采样，这个球形表面是通过将原始解剖表面完全膨胀成一个球体得到的。在这种方法下，顶点在球形表面上的分布几乎是均匀的（右侧），但由于膨胀带来的几何变形，顶点在原始解剖表面上的分布则非常不均匀（左侧）。

方法、结果

为了解决上述问题，研究团队开发了onavg模板。该模板基于来自OpenNeuro平台的1,031个高质量MRI扫描数据，样本量是现有模板的25倍。研究团队通过优化顶点位置，使这些顶点在原始解剖表面上均匀分布，而非传统的球形表面。这一优化过程采用了基于解剖学的采样方法，该方法能够有效减少顶点分布的不均匀问题，同时显著提高计算效率。

数据采集与处理
研究团队使用了来自30个OpenNeuro数据集的高质量MRI扫描数据，每个参与者的数据都经过了严格的筛选标准，包括高分辨率的T1和T2加权扫描图像，并确保没有明显的病变或异常。这些数据经过预处理后，使用fMRIPrep软件进行结构重建和表面网格生成。最终，研究团队从这些数据中选取了1,031个独立被试，并基于这些参与者的数据创建了onavg模板。

模板优化过程(具体过程比较复杂)
为了使顶点在解剖表面上均匀分布，研究团队设计了一个基于距离的目标函数，该函数会惩罚距离过近的顶点对。首先，团队进行了粗略的离散优化，选择一组顶点位置，使损失函数最小化。然后，进行了精细优化，允许顶点在小范围内自由移动，以进一步减少损失函数。这一过程的结果是一个在大脑皮层表面上顶点均匀分布的模板。对所有顶点对进行位置的调整会非常损耗计算资源（例如有32k*32k/2对)，因此顶点优化的过程只是在顶点对距离低于某个阈值时进行。

数据分析与验证
为了验证onavg模板的优越性，研究团队采用了一个独立的数据集（看电影任务），并使用多变量模式分析技术（MVPA）和表征相似性（RSA）技术进行分析。研究人员发现，基于onavg模板的分析在分类准确性和代表性几何相似性等方面均显著优于传统模板，且使用onavg模板仅需传统模板约四分之三的数据量即可达到相同的性能水平。

图2的分析结果表明，更好的皮层采样（如onavg模板）显著改善了MVPA和RSA的结果表现。具体而言，onavg模板不仅在电影时间点分类任务中表现出更高的准确率，还提高了不同参与者之间大脑反应模式的相似性。

a. 跨参与者的分类准确率：

• 这一部分显示了基于三种不同模板（fsavg、fslr、onavg）的电影时间点分类准确率。

• 条形图表示15名参与者的平均分类准确率，灰色线表示每个参与者的单独准确率。

• 可以看到，onavg模板的分类准确率最高，表明更均匀的皮层采样在跨参与者的分类任务中表现更好。

b. 分类准确率与数据量的关系：

• 这一部分展示了分类准确率如何随着参与者数量的增加而变化。

• 虚线水平线表示当参与者数量为15时的分类准确率。

• 结果显示，随着参与者数量的增加，分类准确率逐渐提高，而onavg模板在所有数据量下都表现优异。

c. RSA-ISC分析结果：

• 这一部分展示了基于三种不同模板计算的RSA-ISC值，即一个参与者的RDM与其他参与者平均RDM之间的相关性。

• 条形图表示15名参与者的平均RSA-ISC值，灰色线表示每个参与者的单独RSA-ISC值。

• 结果表明，使用onavg模板时，RSA-ISC值最高，这意味着不同参与者之间的大脑反应模式更为一致。

d. RSA-ISC与数据量的关系：

• 这一部分展示了RSA-ISC值如何随着参与者数量的增加而变化。
  

• 虚线水平线表示当参与者数量为15时的RSA-ISC值。

• 结果显示，随着参与者数量的增加，RSA-ISC值逐渐提高，且在任何数据量下，onavg模板都表现出更高的RSA-ISC值。

图3展示了在不同模板（fsavg、fslr、onavg）下，几种关键计算任务的计算时间比较，以及这些任务依赖的矩阵运算的复杂性对计算时间的影响。图3的分析表明，使用onavg模板不仅在MVPA和RSA中提高了计算准确性，还显著降低了计算时间。

• a–e部分：
  这些图表明，基于不同模板进行的各种计算（如创建共用空间、对齐个体、进行RSA和MVPA）的时间有所不同。整体上，onavg模板的计算时间较短，表明它在提高计算效率方面具有优势。

• f–j部分：
  这些图展示了矩阵运算的计算时间如何随着Searchlight中顶点数量的增加而变化。计算时间的增长遵循幂函数规律，其中不同矩阵运算的时间增长指数在0.73到2.82之间波动。SVD、协方差矩阵、逆矩阵和Gram矩阵的计算时间在更大规模的数据下会显著增加。

从本研究结果看，提升RSA/MVPA的模型表现或减少计算时间可能不是我们选用onavg的原因，因为这些方面的改善似乎并不可观，但本文实际上涉及了更深层次的问题，即非均匀采样的模板是否会影响其它的后续分析。近期已有研究开始关注这一相关问题，并对其进行了探讨。

---