结构像与功能像

导读

现代神经成像技术使我们能够研究活体大脑的结构和功能。活体神经成像的益处是显而易见的，而且在基础和临床神经科学中，神经成像已经取得了巨大进展。本文概述了利用活体神经成像研究大脑结构和功能的工作和成就。介绍了几种不同类型的结构MRI成像方法，并结合各种类型的功能成像方法。在此过程中，本文将主要集中于结合来自不同源的测量策略上，特别是结构测量和功能测量的结合。

结构像和脑形态测量

结构磁共振成像(sMRI)

人体成像的设计最初是为了探索内部结构和器官的形态(形状和大小)，而不是监测它们的功能。脑成像也不例外。磁共振成像(MRI)已被证明特别适合于获取各种大脑结构的详细图像。其优势在于非侵入性，使用非电离辐射(与x射线相比)，并且具有较高的软组织分辨率和鉴别能力。它还提供了形态和功能信息。在核磁共振(NMR)中，被称为“弛豫时间”的特性表征了氢质子所经历的环境。例如，附着在髓鞘上的水分子具有更短的“横向”弛豫时间(T2)，在大脑的T2加权图上显得更暗。这就是脑部MR扫描提供的对弛豫时间敏感的灰质和白质之间显著差异的基础。灰质和白质之间的边界清晰地出现在整个皮层表面，这些形态学信息随后可用于测量皮层厚度。高分辨率MR序列的最新进展使我们超越了灰质和白质的简单地区分，并且提供了越来越精细的皮质纤维结构细节。

皮质内髓鞘分化的最好例子是Gennari纹，这是出现在初级视觉皮层冠状切面上的一条细带，由切向有髓鞘的皮质内联合纤维组成。Francesco Gennari在1782年首次发现了这个细带。虽然肉眼可以看到Gennari光带，但其在结构MR扫描仪上的观察却花了20多年。由于人类皮层的厚度在1~4.5mm之间，因此要观察皮层内的详细纤维结构，必须达到亚毫米的分辨率。图1a是在3T扫描仪上获得的平面分辨率为300mm的初级视觉皮层T2加权MR切面。在图中可以看到Gennari细暗带，与皮层表面呈切线状延伸。

Barazany和Assaf(2012)估算并可视化了整个皮层的层状模式。为了提高灵敏度，他们使用了反转恢复(IR)MRI，这是一种通过特定范围的T1(纵向)弛豫时间“消除”来自质子的信号的技术。当T1弛豫与反转时间相匹配时，该上信号显得更暗。由于不同的皮质层具有不同的T1特性，因此可以使用多次反转时间来可视化皮层内的多个“暗带”(图1b)。这种简单而强大的技术能够在高分辨率的全脑图像的整个皮层表面描述T1弛豫时间的精确分布。该技术能够在整个皮层中识别出六个层，这与组织学研究中通常发现的层数一致。

图1.(a)人类初级视觉皮层的高分辨率(0.3×0.3mm平面内)T2加权冠状切片。(b)不同反转时间的全脑反转恢复MRI。

结构MRI(而不是弥散加权MRI)也被用于探索白质，使用一组统称为“弛豫测量”的技术。这些技术依赖于模拟髓鞘对弛豫时间的影响，并提供了估计白质髓鞘组成的能力(或者更准确地说，髓鞘含水量，或自由水和髓鞘水之间的交换率)。这些测量方法具有重要的临床应用价值，特别是在多发性硬化症等白质疾病中，并且为弥散张量测量提供了定量补充。

基于图像的脑形态测量

大脑结构像技术的出现为在活体内进行脑形态测量创造了机会。后来的方法发展使研究者们能够对大量被试队列进行无偏倚的测量。这种计算机化的脑形态测量已经对我们理解与正常人群特征(如年龄、性别、利手或疾病状态)相关的脑结构变化产生了巨大的影响。

①基于体素的形态测量

20世纪90年代中期，有研究设计了一种提取全脑灰质“密度”的全自动方法，然后直接应用于精神分裂症患者与健康被试的大脑比较。该方法依赖于一个成像体素包含三种组织类型的混合物的假设：灰质、白质和脑脊液(CSF)。至关重要的是，它假设将一个体素分类为属于某一组织类型的概率与该组织类别在该体素中所占的相对体积成正比。Wright及其同事提出的方法涵盖了一系列图像处理操作，包括从T1加权图像中提取灰质体素，并将其配准到一个共同的大脑模板，以便在被试之间进行比较(图2)。由于测量是在体素内进行，因此该方法被称为基于体素的形态测量(voxel-based morphometry，VBM)。

图2.基于体素的形态测量(VBM)(上)和基于表面的形态测量(SBM)(下)的不同步骤示意图。

②基于表面的形态测量

尽管VBM取得了成功，但它仍然存在一些限制其可解释性的问题。可能主要的限制是由皮层厚度差异引起的灰质密度变化和由脑回旋变化(例如折叠或局部皮层表面积的增加)引起的灰质密度变化之间的模糊性。这两者无法区分，因为该技术本质上是基于体素的。其他混杂因素也可能阻碍VBM结果的解释，如配准精度、皮层下结构分割困难或皮层灰质的错误分类。第二种自动化脑形态测量技术被用于解决这些问题。这些方法依赖于对脑外表面(或软脑膜表面)以及灰/白质界面的精确提取。然后，这些方法估计皮层厚度作为两个提取表面之间的距离，避免了VBM中厚度和旋转之间的任何模糊。它们还提供了其他有趣的形态学指标，如局部皮层表面积、曲率或沟深。这类方法被称为基于表面的形态测量(SBM)。不同被试之间的配准仍然是一个挑战，因为每个人的大脑皮层折叠模式具有很大的差异。在SBM中，配准通常是通过单个皮层表面到球形模板表面的一对一映射来进行的。

③皮层折叠形态测量

从结构MRI测量皮层大体特征的自动化技术也已经被设计出来。例如，皮层沟的提取和自动标记使研究人员能够在个体之间匹配这些大体解剖特征。脑沟长度或深度可以作为局部形态的定量测量，用于被试之间的比较或对感兴趣的测量进行回归。人脑的皮层折叠在不同个体之间表现出高度的变异性，而且变异性的程度在不同脑区之间并不均匀。大脑形状的自然变化有时被证明反映了某些行为指标，或在某些疾病状态下发生。例如，Molko等人(2003)使用这种技术对患有特纳综合征的患者进行了研究，这是一种伴有计算障碍(即简单算术能力下降)的疾病。特纳综合征患者的顶内沟长度和深度显著减少，而顶内沟是已知与基础计算有关的皮层区域。这些结构发现与在同一队列中进行的一项功能性MRI研究一致，该研究显示，在执行涉及计算的任务时，特纳综合征患者的顶内沟活动水平低于对照组。

④白质显微测量

上述技术旨在实现自动化、客观和准确的灰质形态测量。为了完整起见，本文在此提及为白质测量而设计的方法。通常使用两种MRI技术进行这些测量。弥散加权MRI提供了与白质微观结构属性(如轴突方向、密度和髓鞘化)相关(尽管是间接的)的体素测量。此外，弛豫测量技术也可以提供与白质髓鞘化程度相关的有价值的活体测量。基于灰质和白质MRI的方法除了在组织类型上存在明显差异外，还有一个重要的区别。灰质方法倾向于量化大脑的宏观方面(折叠、体素灰质密度、皮层厚度)。相比之下，白质方法试图量化组织的微观结构特性(白质显微测量——WMM)。微观和宏观之间的区别对于使用这些测量的分析方法有重要的影响。量化被试间白质微观结构变化的自动化方法需要克服实现白质束近乎完美配准的这一特定挑战。

合并结构数据

在神经成像中，结构数据可以被定义为含有大脑结构信息的任何数据。例如，在MRI中，大多数序列显示脑脊液(CSF)和大脑其余部分之间的对比。从这个意义上说，它们都包含结构信息。然而，有些序列比其他序列更具有结构性。T1或T2加权MR图像对脑形态成像特别有用。其主要优势是能够实现高体内空间分辨率(~1mm3)，以及灰质、白质和CSF之间的良好对比。事实上，T1和T2加权图像不仅可以简单地区分灰质和白质，还可以用于询问灰质区域的子结构。本研究已经提到了在高分辨率T2加权图像上观察到的Gennari带，即沿纹状皮层可见的髓磷脂上的一条细带。有研究已经证实，在皮层下水平，结合T1和T2图像可以区分不同的底丘脑核。该研究使用定量T1和T2图像，而不是更定性的传统T1和T2加权图像。前者可以估算出真正的纵向(T1)和横向(T2)弛豫时间，后者可能受到无数其他因素的影响，如质子密度和线圈灵敏度的影响。Deoni及其同事利用丘脑核在结构和化学成分上的差异，主要是在髓鞘、少突胶质细胞密度和含水量方面。这些差异导致其特征T1和T2弛豫时间的对比。另一方面，Yovel等人(2007)使用了一种多参数方法来询问丘脑核的细分。该研究没有基于定量T1和T2进行分析，而是结合了几种不同的MR对比，包括T1加权、T2加权、T2*加权、质子密度、FLAIR(液体衰减反转恢复)和磁化传递图像。这种多模态结构方法背后的逻辑是，虽然上述所有对比都受到许多混杂因素的影响，但不同的对比图像对不同参数具有不同的敏感性。

结构像数据的组合也可以在一个更具“模型驱动”的框架中完成。目前已有研究利用组织微结构参数预测弥散加权MR信号的模型。Assaf及其同事(2008)提出了一个包含轴突密度、方向和口径的模型，并表明使用专用的弥散MR序列，可以非常精确地从数据中推断出这些结构特征。Jespersen及其同事提出使用类似的建模方法来测量皮层灰质中的树突密度。另一个被认为影响弥散信号的参数是局部髓鞘的数量。由此可以想象，弥散信号模型中的一个相关参数是髓鞘厚度。然而，这些关键的组织参数(轴突密度、口径和髓鞘化)对弥散MR信号的影响存在潜在的不确定性。轴突密度和髓鞘化的变化可能对我们能够在体内测量到的观察信号有类似的影响。另一方面，MR弛豫测量等技术已经与组织模型相结合，以提取成像体素中髓鞘水的分数。弥散加权数据与弛豫测量数据的结合，可以(在相同的模型框架内)克服存在于弥散MR信号中的参数模糊，并量化髓鞘化对各向异性扩散的影响。

合并不同数据源：尽管在大脑成像方面取得了不可否认的进步，但没有任何一种技术能够完全回答所有相关的神经科学或临床问题。结合不同数据源的需求主要是为了寻求互补性(即从另一个数据源中获取所缺失的信息)。例如，结构数据通常与功能数据一起获得，以便为功能定位提供解剖学基础。接下来将简要概述最流行的功能性脑成像技术，然后讨论组合结构和功能成像数据源的各种策略。

功能性脑成像

功能性脑成像设备一般可分为两类：测量神经元活动产生的电磁场，以及对神经元活动的血流动力学或代谢影响敏感的设备。

①测量神经元活动

这类测量方法与神经元活动时发生的穿过细胞膜或围绕细胞膜的离子循环有关。进行此类测量的非侵入性方法包括脑电图(EEG)和脑磁图(MEG)。这些技术分别测量远离神经元活动部位的电场和磁场。诱发电位(EPs)或事件相关电位(ERPs)等技术使用相同的物理原理和设备，直接将电磁测量与实验操作诱发的神经元活动联系起来。由于是非侵入性的，EEG和MEG测量是在远离活动部位(从头部表面)的地方进行的，因此不能提供关于单个神经元活动的信息。相反，它们依赖于成千上万个神经元产生的电场之和。这种空间总和需要神经元群产生的电信号之间的中尺度同步，以及它们方向的一致性。因此，M/EEG只能研究一部分神经元(主要是皮层锥体神经元)，所测量的信号对沿锥体神经元树突树产生的突触后电位更为敏感，而不是对沿轴突产生的突触前动作电位更敏感。另一方面，测量神经元活动的侵入性方法，包括单单元和多单元记录，允许测量1到~1000个神经元的活动。M/EEG还存在其他局限性，如皮层内源定位的模糊性，或信号对皮层皱褶方向的敏感性。然而，它们确实具有较高的时间分辨率(~10ms)，与神经元活动直接相关，而不是与血流动力学或代谢等神经元活动的间接结果相关。此外，虽然MEG和EEG信号是由同一源产生的，但它们在某些方面的差异使它们在某种程度上具有互补性。MEG信号由切向头皮的神经元内电流产生，而EEG信号由轴突外电流产生，且对放射状源更敏感。另一方面，MEG被认为更适用于进行源定位；因为与电场相比，磁场受脑组织不同电导率的影响较小。最近的技术允许同时记录EEG和MEG，并允许研究人员从它们的互补性中获益。

②测量血流动力学和代谢

脑代谢可以使用与感兴趣的过程相关的放射性标记分子探针来进行研究，如葡萄糖代谢或蛋白质合成。一旦这些探针被注入到血液中，就可以使用正电子发射断层扫描(PET)或单光子发射计算机断层扫描(SPECT)拍摄其在脑内被运输或修改时空间分布的动态变化图像。PET或SPECT实验中使用的化学物质通常由半衰期较短的不稳定正电子发射(PET)或光子发射(SPECT)同位素组成，这些同位素与具有生物活性的化合物分子结合在一起，构成所谓的放射性示踪剂。例如，氟-18(18F)标记的脱氧葡萄糖(FDG)在PET中最常用。FDG是葡萄糖的类似物，因此可以根据局部葡萄糖摄取情况提供代谢活动的信息。

虽然大脑代谢变化的图像具有较高的空间分辨率，但其时间分辨率受到代谢过程缓慢性(大约在几分钟)的限制。通过研究局部血流动力学变化，可以对神经元活动进行更直接的研究。事实上，由于对氧和代谢物的需求增加，正常大脑细胞活动的变化总是伴随着局部血流量的变化。虽然血流动力学与神经元或突触活动相关联的确切机制尚不完全清楚，但这种神经血管耦合是现代功能成像技术(包括PET、fMRI和光学成像)发展的主要催化剂，这些技术可以测量与血流区域变化相关的信号。PET成像仍被认为是定量测量脑血流动力学的金标准。PET可用于测量局部脑血流量，以及血容量或耗氧量，通过专用的放射性示踪剂，如15O标记的水或11C标记的一氧化碳等。

MRI也是监测脑血流动力学的一种非常成功的技术。功能磁共振成像(fMRI)的强大之处在于，造影剂(顺磁性脱氧血红蛋白)是内源性的，这与PET不同。fMRI的另一个优势是，MRI系统具有很大的灵活性，因此可以获得许多其他对比(弥散加权、代谢谱、弛豫测量)，从而可以对大脑形态、灌注、代谢和功能进行纵向联合研究。

fMRI中最常用的对比机制是血氧水平依赖(BOLD)fMRI对比。刺激引起的BOLD信号变化与局部脑血流量的增加有关，这改变了氧合血红蛋白和脱氧血红蛋白的相对浓度。这导致了局部磁场的变化，影响了红细胞周围扩散的水分子，改变了它们的横向弛豫时间，并导致了可检测到的MR信号变化。BOLD fMRI的巨大成功主要在于其完全的非侵入性(无需使用造影剂)以及在空间和时间分辨率方面的良好折中。然而，BOLD造影剂通常不用于定量分析血流动力学过程，因为它与血流或氧合的关系不简单。另一方面，灌注磁共振成像(perfusion MRI)已被开发用于定量测量毛细血管水平上的血流量，因此与输送到组织的血流(及其输送的营养物质)量相关。灌注MRI使用团注追踪技术(即将顺磁造影剂注入血液，然后在其通过组织时进行快速测量)。也可以使用“内源性团注”，即对血液进行磁性“标记”(自旋标记)，并从对照图像(血液和组织水具有相同的磁化强度)中减去。使用这种被称为动脉自旋标记(ASL)的技术，得到的图像的强度可以与灌注相关。

最后，另一种测量脑血流动力学活动的非侵入性方法是功能性近红外光谱(fNIRS)。近红外光(即波长700-1300nm)比可见光更容易通过生物组织，只被血红蛋白等少数生物分子吸收。血红蛋白的吸收光谱随其氧合状态的变化而变化，通过测量通过组织的透射光，可以定量地获得血红蛋白的氧合-脱氧信息。在fNIRS实验中，光在头部的一个部位发射，并在沿头皮的一段距离处检测到。由此产生的数据被限制在一个“香蕉状”的体积内，通常覆盖了源和探测器之间的皮层。因此，尽管fNIRS是定量的、相对便宜且便携的，但它不能像fMRI或PET那样提供全脑测量。

合并功能数据

将功能性成像设备结合起来的主要目的是利用一种技术的优势来弥补另一种技术的缺点。一个典型的例子是结合EEG和fMRI测量。EEG具有毫秒级的时间分辨率，并与神经元活动直接相关，因为它测量的是突触后电流的总和。另一方面，从头皮EEG测量中定位大脑功能活动是一项困难的任务，主要是因为它涉及到解决一个不适定的数学问题——EEG逆问题。此外，在头皮上检测EEG信号的能力取决于皮层柱相对于头皮的方向，因此很难测量来自脑沟(大部分皮层被埋在脑沟中)的信号。在这方面，MEG提供了一种非常互补的测量方法，因为它对从与头皮切线相关的皮层柱发出的信号更敏感。另一方面，功能性MRI采集的时间分辨率约为几秒(尽管最近的加速技术允许进行更快的采集，但仍远低于EEG/MEG)。此外，测量到的信号仅通过血流动力学与神经元活动间接相关。然而，fMRI具有非常好的空间分辨率(~10mm3)，因而使其成为体内功能定位的有力工具。随着EEG和fMRI技术的进步，研究人员现在可以同时获取两种数据，但前提是要注意处理由于在高磁场中引入电极而产生的各种附加源的EEG伪影。同时进行EEG/fMRI对神经成像领域有两个重要贡献：(i)推断与特定EEG事件相关的局部血流量，(ii)使用fMRI衍生的大脑位置约束EEG逆问题。前一点尤其适用于那些感兴趣的BOLD信号活动与不能由外部操作驱动的内源性大脑活动有关的情况。例如，癫痫患者的发作间峰是自发发生的，如果想研究这些患者的致痫机制，同步的EEG/fMRI记录是至关重要的。发作间期活动的EEG记录提供了内源性事件的时间信息，然后可以用于fMRI数据的建模。

然而，合并EEG和fMRI数据存在重要的概念局限性。将EEG源限制在fMRI激活的区域内，隐含的假设是两种信号具有相同的源，或者至少是相关的，但情况并非总是如此。因为fMRI信号无疑与血流的变化有关，但绝不是简单地与神经元活动相关。例如，神经元的兴奋/抑制与血管反应的增加/减少之间没有直接的关系。此外，短暂的EEG活动可能不会引起可检测到的血流动力学效应，而去同步的强烈神经元活动可能会导致强烈的血流动力学效应，但无法检测到平均电活动。因此，用fMRI激活来约束EEG逆问题很可能会以一种生理学上不现实的方式对源定位解决方法产生偏差。更详细地比较fMRI和神经元信号，以及更深入地了解它们之间的关系，无疑有助于更好地融合EEG和fMRI数据，但同时，在建模EEG和fMRI信号方面的一些进展可能有助于进行更仔细的分析。

功能性MRI测量也与PET相结合，例如将脑功能的分离与局部神经递质浓度联系起来。递质受体的密度在人类大脑皮层的不同位置之间有所不同，有人假设这些变化可能反映了细胞和纤维结构以及皮层的功能组织。Gertsl等人在人类视觉皮层中验证了这一假设。他们在fMRI中使用视网膜实验来识别初级(V1)和次级(V2)视觉皮层之间的功能边界，如图3所示。同时使用高选择性的放射性示踪剂获得PET图像，用于量化抑制性5-羟色胺能神经递质受体5-HT1A的结合潜力。该结果支持了V1和V2之间5-HT1A受体结合的显著差异，比值为0.68。

图3.并行fMRI视网膜实验和PET受体分布定量分析。

跨模态分析和解释

长期以来，解剖学信息一直是指导分析和解释功能性神经成像研究的工具。一般来说，结构图像的使用可以分为两大类：帮助功能定位和改进定量分析。

①脑功能定位

结构图像通常用于帮助解决人脑功能定位带来的技术困难。大脑结构提供了一种基于个体解剖标志来识别和标记功能区域的方法。它还允许在团体研究中进行被试间的配准，或配准到大脑图谱。遗憾的是，结构MRI的这两种简单应用都存在技术和概念上的困难。

定位大脑活动意味着标记出大脑活动峰值的位置。这就需要预先在大脑中定义一组有限的功能细分，或者等价地定义不同功能脑区之间的边界，这并不容易。一个多世纪以来，定义大脑的功能分支一直是神经科学家面临的挑战。组织学方法是区分皮层区域的金标准，已成功地确定了功能细分的总体布局。然而，这些方法不能用于活人。为了找到适合活体扫描的大脑功能边界，需要将这个大脑与我们从组织学中了解到的联系起来，这就是配准可以做的。

配准方法使用局部形态学作为驱动特征，在不同被试之间进行匹配。例如，大脑皮层表面的变形使得脑回和脑沟重叠。这就产生了大脑对齐的第一个近似。然而，这种配准方法有两个基本限制。首先，详细的大脑解剖结构在不同的研究对象中是不同的。虽然有些特征是高度可重现的(例如中央沟的存在)，但其他较小的折叠在形状、大小和数量上因个体而异。这些变化的功能意义尚不完全清楚，但它们显然给配准带来了问题。如果个体之间的折叠数不相同，那么就不可能有一对一的折叠匹配；因此，必须做出一些重要的决定来匹配哪些折叠。形态排列的第二个可能更重要的局限性是，大脑形状不一定反映功能细分。沟底一般不与两个功能区的边界对齐。由于脑-脑配准的目标是匹配不同被试的功能区域，匹配其解剖结构总是一种不完美的近似。

这意味着我们终究无法使用组织学图谱来可靠地识别特定个体的功能边界，因为基于形态学的配准将无法将该个体的功能边界与图谱中的功能边界进行匹配。摆脱这种僵局的一个潜在方法可能是使用另一种信息源，即大脑连接。大脑连接限制了一个区域发送或接收的信息类型，因此包含了一个区域开始和结束的信息(即区域之间的功能边界)。因此，我们可以使用连接测量，而不是粗略的形态学测量来匹配大脑区域或边界。根据这个逻辑，两个被试的大脑位置应该是匹配的，不是因为它们都位于脑回的同一侧，而是因为它们都连接到同一个“网络”。按照这个思路，只要我们知道它们之间的联系是什么，就可以解决配准和功能定位问题；这就是弥散MRI的全部内容。事实上，通过弥散MR纤维束成像测量的连通性已成功用于解决在许多皮层和皮层下脑区之间寻找功能边界的问题。

②推断与解释

除了功能定位，解剖学信息也被用于提高功能数据的定量分析能力。大多数fMRI研究依赖于体素模型拟合以生成统计参数图，然后进行假设检验。对于如此大规模的体素统计，需要进行多重比较校正，但这会极大地降低灵敏度。增加体素统计分析灵敏度的一种直接方法是减少所调查的体素数量。接下来的问题是应该保留什么体素？正是在这种情况下，关于解剖学信息的知识可能是有用的。结构数据为基于解剖信息选择感兴趣区(ROIs)提供了标志，可以约束预期功能活动的位置，并对外界刺激的功能反应进行区域分析。关于功能活动的位置，人们可能有一个最简单(也是最安全)的假设，那就是它“在灰质的某个地方”。因此，结构图像可以准确估计灰质体素的位置，从而可以限制统计分析。也有人提出了其他更复杂的方法，将解剖先验纳入功能研究，例如解剖信息用于建模BOLD效应的时空结构。解剖学在功能数据分析中的另一个应用涉及对功能激活的解释。例如，在建模功能效应中整合体素层面的解剖协变量。被试之间真正的解剖学差异或配准误差会影响功能变异性的估计，而包括体素层面的协变量(如灰质密度)可能有助于区分纯粹的解剖学效应和纯粹的功能效应。

③数据融合和多变量分析

前面的讨论涵盖了结构信息在功能成像研究中的一般应用。主要信息是解剖提供了定位大脑功能的方法，并提高了我们对功能统计图的估计或解释，但这并不是故事的结尾。至少还有两种方法可以考虑功能-解剖数据融合。这里要区分连接分析和适当的数据融合。在前一种情况下，功能数据和结构数据分别进行分析，以探索特定系统的结构-功能关系的假设。例如，在语言系统中，这种方法已被用于研究相关灰质和白质结构中功能偏侧化和结构偏侧化之间的关系。

在多模态数据融合或功能与解剖数据的联合分析背后，有一种截然不同的推理方式。这种方法的一个例子是Calhoun等人提出的用于分析VBM和fMRI数据激活模式的方法。他们使用了联合独立成分分析(jICA)，该方法包括连接跨被试和模态的数据集，并将结果分解为空间独立成分的线性组合。至关重要的是，这两种模态是连结的这一事实意味着这种跨被试的变异性是同时对VBM和fMRI数据进行建模的。由此产生的图谱可以被联合解释为灰质的变化伴随着相应的功能变化。这种方法存在的一个问题是，融合后的数据差异很大(例如，在信噪比方面)，这些差异可能会在结果中引入强烈的偏差。与数据连接不同，这种方法分别对数据建模(有单独的噪声假设)，但“链接”了一个数据维度(例如被试维度)。这意味着它不仅可以对具有不同噪声特征的数据进行建模，还可以对不一定发生在相同大脑位置的效应进行建模。该方法只要求这些变量在不同被试之间遵循相同的模式。例如，将白质(弥散MRI)的变化与功能活动(灰质)的变化联系起来，这些变化不一定发生在相同的体素中。

结论

结合结构和功能成像数据，通常可以为观察到的功能提供更丰富的解剖基础图像，并在许多情况下增强了对单独使用任何数据所获得结果的解释。结构MRI提供了关于大脑灰质和白质形态的信息，并有可能提供组织微观结构的测量。弥散加权MRI在这一背景下发挥了独特的作用，使我们从连接图和微观结构特征方面深入了解大脑网络，并且可以明确地用于预测大脑功能和行为。

参考文献（上下滑动查看）：

Barazany, D., Assaf, Y., 2012. Visualization of cortical lamination patterns with magnetic resonance imaging. Cereb. Cortex 22, 2016–2023.

Molko, N., Cachia, A., Rivie`re, D., Mangin, J.F., Bruandet, M., Le Bihan, D., Cohen, L., Dehaene, S., 2003. Functional and structural alterations of the intraparietal sulcus in a developmental dyscalculia of genetic origin. Neuron 40, 847–858.

Yovel, Y., Assaf, Y., 2007. Virtual definition of neuronal tissue by cluster analysis of multi-parametric imaging (virtual-dot-com imaging). NeuroImage 35, 58–69.

Assaf, Y., Blumenfeld-Katzir, T., Yovel, Y., Basser, P.J., 2008. AxCaliber: a method for measuring axon diameter distribution from diffusion MRI. Magn. Reson. Med. 59, 1347–1354.

Jespersen, S.N., Kroenke, C.D., Østergaard, L., Ackerman, J.J., Yablonskiy, D.A., 2007. Modeling dendrite density from magnetic resonance diffusion measurements. NeuroImage 34, 1473–1486.

Deoni, S.C., Josseau, M.J., Rutt, B.K., Peters, T.M., 2005. Visualization of thalamic nuclei on high resolution, multi-averaged T1 and T2 maps acquired at 1.5 T. Hum. Brain Mapp. 25, 353–359.

Gerstl, F., Windischberger, C., Mitterhauser, M., Wadsak, W., Holik, A., Kletter, K., Moser, E., Kasper, S., Lanzenberger, R., 2008. Multimodal imaging of human early visual cortex by combining functional and molecular measurements with fMRI and PET. NeuroImage 41, 204–211.

Calhoun, V.D., Adali, T., Giuliani, N.R., Pekar, J.J., Kiehl, K.A., Pearlson, G.D., 2006. Method for multimodal analysis of independent source differences in schizophrenia: combining gray matter structural and auditory oddball functional data. Hum. Brain Mapp. 27, 47–62.