大脑弥散MRI纤维束成像

导读

纤维束成像无创地描绘大脑白质纤维通路的能力为其临床应用提供了可能性，并为神经科学研究提供了巨大的潜力。在过去的十年里，纤维示踪已成为研究特定白质束中定量MRI参数的首选方法。纤维示踪在“连接组学”领域也发挥着重要作用，连接组学是一种建立和研究大脑内复杂连接网络的综合图谱的技术，并且拥有大量的成像数据资源。尽管纤维示踪具有独特的功能和令人兴奋的应用趋势，但它并非没有争议，尤其是在其解释方面。随着神经科学家渴望研究大脑的连接性，纤维示踪成像衍生的远距离脑区之间“连接强度”的量化正变得越来越流行。然而，纤维示踪专家通常不赞成这种做法。鉴于这一争议，本文概述了纤维示踪成像的关键概念、技术因素、不同类型的纤维束成像算法，以及围绕它们的常见误解和错误。

前言

弥散MRI(dMRI)使用一种特定类型的MRI序列，该序列对水分子的随机微观运动(或扩散)敏感。大脑组织中纤维的连贯排列对这种运动产生了方向依赖，因为水分子扩散受到的阻力比垂直于纤维束的方向上小。通过沿着一些非共线方向测量每个成像体素的dMRI信号，可以评估整个感兴趣组织中的局部纤维方向。然后，这些局部纤维的方向可以拼凑在一起，以推断连接大脑较远区域的远距离通路，这一过程通常被称为纤维示踪或纤维束成像。

基于dMRI的纤维束成像能够无创地描绘出大脑白质纤维通路，这为临床应用提供了可能性，并为研究大脑解剖、发育甚至功能提供了巨大的潜力。要了解大脑作为一个整体是如何运作的，我们不仅需要了解哪些皮层区域是活跃的，而且同样重要的是，要绘制出区域之间进行信息传递的物理连接。

在过去十年中，纤维示踪已成为研究各种疾病(包括但不限于阿尔茨海默症、精神分裂症、中风和癫痫)特定白质束中定量MRI参数的首选方法。对于神经外科医生来说，纤维束成像正迅速成为手术规划的宝贵工具，允许在手术前甚至手术期间对重要的白质通路进行可视化和定位。纤维示踪在“连接组学”领域也发挥着重要作用，连接组学是一种建立和研究大脑内复杂连接网络的综合图谱的技术，并且拥有大量的成像数据资源。

尽管纤维示踪具有独特的功能，但它并非没有争议。一方面，有研究者渴望应用这种有吸引力的技术来更好地了解人类大脑。通常情况下，这些人使用纤维示踪软件，并且通常是作为一个黑匣子。另一方面，有人认为通过纤维示踪获得的许多发现应该持保留态度。这些人非常清楚纤维示踪的潜在陷阱和局限性，认为纤维示踪经常被滥用，或者基于纤维束成像的结果经常被误解。有趣的是，这些人往往是最初真正开发纤维示踪工具的人。鉴于这一持续的争议，本文将概述纤维束成像的关键概念、技术因素、不同类型的纤维束成像算法，以及围绕它们的常见误解和错误。虽然关于纤维示踪的局限性，本文中的观点可能会让一些读者感到悲观。然而，作者希望它能打开许多人的眼界，并促使人们反思纤维束成像的内在局限性。同时，希望这里所呈现的真相将为开发下一代纤维示踪算法提供启发。

关键概念和术语

白质纤维束

虽然纤维示踪可以在各种纤维组织类型上进行，如心肌、骨骼肌、韧带、周围神经、肾锥体，但其主要应用是中枢神经系统，尤其是大脑白质。这里将重点关注大脑纤维追踪。大脑白质主要由髓鞘神经纤维束组成。神经纤维(或轴突)是神经细胞(或神经元)的长线状延伸，连接特定的大脑区域并通过电脉冲传递信息。这些纤维紧密地包裹在一起，形成纤维束或束状物，它们具有共同的起点和终点。大脑的全接线图，通常被称为连接组。捕获全脑连接组可以被视为纤维束成像(甚至可能是整个神经科学)的圣杯，因为它将为我们提供对大脑结构的前所未有的洞察，并最终了解大脑的功能。

纤维束成像

在最直接的形式中，纤维束成像假设每个成像体素的特征是一个单一的主要纤维方向，并将这些局部方向拼凑在一起来推断全局纤维轨迹(图1)。在数学上，可以将局部纤维方向集视为三维(3D)向量场，将全局纤维轨迹视作其流线。流线是沿其轨迹与向量场相切的任何曲线，可以表示为3D空间曲线r(s)，以其弧长s为参数。为了使流线与向量场对齐，弧长s处的切线必须等于相应位置处的向量：

其中r(s)表示沿流线的3D位置，v表示3D向量场。注意，上述公式是一个微分方程，可以通过积分求解：

其中r(s0)=r0表示流线的起点，通常称为种子点。上述将逐步方向集成到流线中的过程通常称为流线跟踪或示踪成像，由此产生的轨迹通常称为轨迹或路径。使用轨迹图生成的轨迹集合有时称为示踪图。

图1.在人脑冠状视图上描绘的局部主要纤维方向的向量场及其两条流线。蓝色流线是皮质脊髓束的一部分，而红色流线是胼胝体的一部分。注意，每条流线的切线在其整个过程中都平行于局部向量场。

纤维示踪的虚拟性

在这一点上，应该清楚的是，虽然我们大脑中的白质“纤维”是物理对象，但通过纤维示踪获得的“纤维轨迹”或“流线”是虚拟实体，不包含物理体积，并且只与神经纤维间接相关。因此，术语“连接组”和“示踪图”不应在没有适当上下文的情况下自由互换。虽然纤维示踪的最终目标是绘制人类连接组，但对于相同的连接组，不同的追踪方法将产生非常不同的纤维示踪图，即使是最先进的追踪算法也只能产生对实际连接组的非常粗略的近似。

技术方面的因素

接下来，本文回顾了设计纤维示踪方法时的主要技术考虑因素。

局部纤维方向估计

设计示踪算法最具定义性和挑战性的方面之一是选择将原始dMRI图像与局部纤维方向相关联的基础模型。这些模型都依赖于一个基本假设：当许多神经纤维沿着一个共同的方向排列时，水分子的扩散在垂直方向上受到的阻力将比沿着它的方向更大。重要的是要认识到，与(偏光)光学显微镜和电子显微镜等几种成像技术相比，dMRI只能通过观察水分子的相关平均扩散模式来间接探测白质纤维的方向。

鉴于单个白质体素可以包含成千上万根纤维以及其他微结构组织成分，从扩散信号到纤维取向的映射是不适定的。这意味着明显不同的纤维结构（例如纤维的弯曲、扇形、交叉和粘连）都可能产生相同的MRI测量结果，因此无法在局部体素水平上区分这些情况。因此，应该清楚的是，纤维示踪只能对局部纤维方向进行有根据的猜测。因此，对纤维束成像的解释应非常谨慎。接下里，将简要讨论在纤维束成像背景下，多纤维和单纤维模型之间的主要区别。

迄今为止，根据扩散信号来表征纤维方向的最广泛使用的模型之一是弥散张量。弥散张量成像(DTI)只需要获取有限数量的原始dMRI图像，估计弥散张量通常需要适度的计算资源。然而，弥散张量只能区分每个体素的单个纤维群(图2，左)。在复杂纤维结构的体素中(例如，交叉纤维群或相邻纤维群之间的部分体积效应)，弥散张量通常不能很好地表征底层纤维方向，从而导致假阴性(追踪可能过早终止),或假阳性(即可能切换到不相关的相邻束上)。

图2.局部纤维方向(上)和来自胼胝体部分(下)的相应示踪图，使用低阶(左)与高阶(右)模型进行局部纤维方向估计。

在过去的十年中，已经提出了一系列所谓的“高阶”纤维建模方法，该方法能够估计每个体素内多个纤维群的方向和相对贡献，而无需明确假设底层纤维群的数量。这些方法通常将纤维方向表示为球体的连续函数，称为纤维方向分布函数(fODF)(图2右)。通过使用fODF作为传播器，即使在具有复杂纤维结构的白质区域也可以进行追踪。虽然最初采用“高阶”模型受到了长扫描时间和有限的软件可用性等方面的局限，但如今高阶纤维追踪方法已经集成到大量软件包中，并且可以很容易地用于临床数据集。

尽管dMRI社区似乎越来越一致地认为应该弃用弥散张量纤维束成像。Farquharson等人发现，迄今为止发表的160项神经外科纤维束成像研究中，约有98%报告使用了基于DTI的纤维束成像。最近的研究表明，基于DTI的纤维束成像可能导致不可靠和临床误导性的信息，而使用相同dMRI数据的高阶纤维束成像方法清楚地证明了生物学角度上更合理的纤维轨迹。应该注意的是，即使是最先进的高阶模型也仍然只是模型，即物理现实的简化近似，这些模型背后的一些假设可能并不总是成立的。因此，即使是先进的纤维追踪方法也仍然会受到建模错误的影响。

积分法

一旦获得了大脑中每个体素的纤维方向，下一个挑战就是将它们连接在一起以形成长距离的纤维轨迹。执行公式(2)数值积分的最直观方法是从给定的种子点r0开始，获得相应的局部纤维方向v(r0)，然后沿着该方向走一段短距离Δ，称为步长，以获得流线上的下一个点 r1=r0+v(r0)Δ。这种方法被称为欧拉积分，可以通过迭代执行此过程来重建整个路径：

请注意，欧拉积分是一种一阶积分方法，并假设方向v(ri)在步长Δ的尺度上是恒定的，这将使该方法在高度弯曲的区域极易出现超调，特别是对于较大的步长(图3)。高阶数值积分方案，如Runge-Kutta积分，考虑了v在ri和ri+1之间的变化，并且不太容易受到这些积分误差的影响。在这一点上应该清楚的是，即使使用高阶积分方法，这种过程的纯粹逐步特性也使得流线纤维追踪非常容易受到误差传播的影响：事实上，即使是很小的局部误差也会沿途累积，进而导致轨迹偏离轨道并跳到不相关的相邻区域或过早终止。

图3.针对不同步长的一阶、二阶和四阶积分。种子点表示为一个白点。注意，当远离种子点时，积分误差会累积。一阶积分中的累积误差可能会变得非常大，特别是对于大步长。使用高阶积分法可极大地减少每一步的插值误差，从而使累积误差更小。

插值法

从公式(2)和(3)的右侧可以清楚地看出，积分过程要求局部纤维方向在空间中的任意位置可用，而这些方向不一定与获得体素位置的规则网格对齐。因此，需要一种将离散测量值插值到连续空间的方法。获得任意位置的局部纤维方向估计值的最简单方法是使用最近邻插值。这种方法通过最近的体素方向近似所需的纤维方向。但是，与在网格点之间执行平滑插值的方法相比，这种方法会导致更大的插值误差(图4)。平滑插值法假定网格点之间的纤维方向包含来自每个相邻点的贡献。大多数算法使用三线性插值，其中局部纤维方向计算为最接近感兴趣点的八个体素的加权和，每个相邻体素的权重由其与感兴趣点的距离决定。一些方法对原始扩散加权数据执行三线性插值，并根据插值数据重新计算局部纤维方向。另一种方法是直接插值局部纤维方向信息。虽然后一种方法可以节省大量的计算时间，但如果扩散数据与局部纤维方向信息之间的关系不是线性的，则必须特别注意。

图4.最近邻与平滑(线性)插值。种子点表示为一个白点。

种子点选择方案

通常，集成过程是从定义特定感兴趣区域(ROI)的多个种子点开始执行的。这些ROI是由用户定义的。这个过程需要解剖学知识，并且受到操作人员之间差异的影响。为了减少对操作员的依赖，还可以从图谱标签中定义ROI，或者可以从使用fMRI测量的皮层激活图中获得ROI。虽然后一种方法特别有吸引力，它允许在结构和功能连接之间进行相关性分析，但它可能会受到灰质区域中存在的不清晰的纤维方向所困扰。

基于ROI纤维束成像的另一种替代方法是使用全脑纤维束成像，其中追踪是从放置在整个大脑中的种子点开始的。全脑纤维示踪图是连接组学的基础，有助于人们研究整个大脑中的连接。注意，全脑示踪可以通过从所有白质体素中播种或仅从靠近灰质-白质交界处的体素中播种来实现，因为这是已知纤维起源的地方(图5)。前一种策略的优点在于，追踪可以保证探测整个白质。但要注意的是，这种方法通常会导致长而大的白质束被过定义，因为它们能被更多的种子点探测到。在灰质-白质交界处进行播种可以减少长束的过表达；然而，并不能保证这些轨迹能够覆盖整个白质，因为轨迹通常会由于误差而提前结束。

图5.全脑示踪可以从白质(左)或白质-灰质交界处(右)开始。

示踪终止和验收标准

流线纤维束成像的最后一个方面是选择何时停止示踪过程。通常使用两个标准：局部纤维方向概率和曲率。例如，在DTI纤维束成像中，当分数各向异性(FA)低于某个阈值时，通常会停止流线。该标准背后的基本原理是，低FA区域往往与主扩散方向的高不确定性相关，因此下一个流线步骤的潜在误差很大。对于基于高阶重建算法的纤维束成像方法，若沿当前示踪方向的fODF表征的局部纤维密度低于某个阈值时，示踪通常会终止，因为这表明数据支持局部纤维方向的概率较低。

曲率阈值的最大局部曲率：如果两个连续步长之间的角度高于预定义的阈值，则轨迹终止。由于在成像体素尺度上具有曲率半径的白质纤维束中发现弯曲是不寻常的，因此轨迹的任何突然变化都假定是由噪声或模型缺陷等伪影引起的。除了终止标准外，纤维示踪算法通常还采用接受/拒绝标准。最常用的标准是最小轨迹长度，拒绝短的(通常是虚假的)纤维束。更高级的标准基于解剖先验，并拒绝终止于脑脊液或白质内的束，只接受连接不同灰质区域的束。

虚拟解剖

通过纤维束选择法，可以从全脑示踪图中分离出特定的纤维束。在实践中，通过定义已知感兴趣的纤维束经过的ROIs来执行纤维束选择。还可以定义已知纤维束不通过的区域，并丢弃进入这些区域的任何束。该技术已成功用于分离许多不同的纤维束，因此有时被称为虚拟解剖(图6)。虽然这种技术非常强大，但它在很大程度上依赖于先验解剖学知识。或者，从图谱中获得的ROIs可以组合起来以自动提取特定的束。

图6.从全脑示踪图(左)中虚拟解剖出多个纤维束轨迹(右)。

虚拟解剖对于研究纤维束形状或用于纤维束测量特别有用，这是一组从特定纤维束中提取定量指标(来自dMRI或其他成像方式)的技术。在其最简单和最广泛使用的形式中，示踪成像定义的ROI分析，指标是特定区域覆盖的所有体素的均值，但更先进的技术(如轮廓测定法)以沿特定区域范例轨迹的弧长函数为指标进行研究。

纤维示踪算法

确定性方法与概率性方法

确定性纤维束成像算法假设每个体素中都有一个唯一的纤维方向估计，因此提供了从每个种子点发出的单一路径。然而，由于成像噪声和伪影，以及由于局部模型不准确和流线积分误差，局部纤维方向估计会受到误差的影响，所有这些都将反映在最终的全局纤维轨迹中。这些误差在流线纤维束中尤其重要，因为测量不确定度可以传播。为了表征这种不确定性，概率纤维束成像算法从每个种子点生成大量可能轨迹的集合或分布(图7)。然后，包含更高密度的轨迹的脑区被认为与种子点有更高的连接概率。

图7.从单个种子点(白色球体)发出的概率流线。轨迹根据束线的局部密度进行着色。高密度特征的位置被认为与种子点有着较高的连接概率。

通常，概率纤维束成像算法建立在确定性流线方法之上，因此受到相同的限制。其根本区别在于束线传播的方向是从局部方向分布函数(ODF)随机绘制的。注意，概率纤维追踪的确切定义是有争议的。一些研究者倾向于将术语“概率纤维束成像”的使用限制在如下情况：从给定种子点发出的轨迹分布仅由局部纤维方向估计的统计不确定性决定。它们通常假设离散的纤维方向会受到噪声和模型误差的影响，从而导致可能的纤维方向分布(也称为不确定性ODF或uODF)。其他研究者假设每个体素都包含纤维方向的连续分布(也称为纤维ODF或fODF)，通常忽略噪声和模型不确定性。这里，在轨迹传播过程中从fODF中随机抽取样本，以构建旨在反映解剖分布而不是统计不确定性的纤维示踪图。

局部方法与全局方法

前面描述的流线方法是局部纤维束成像方法的主要示例。追踪是在小的连续积分步骤中执行的，通过遵循先前使用适当模型彼此独立提取的局部纤维方向。单个积分步骤不受前面步骤或经过同一区域的其他束的影响(图8)。局部方法快速且使用广泛，但存在明显的缺点。最明显的可能是局部纤维方向的微小误差会累积并显著影响最终结果。另一个鲜为人知的缺点是，流线纤维示踪图通常不能很好地预测实际测量的dMRI数据，导致纤维束示踪几乎没有定量或生物学意义。

图8.局部示踪方法的示意图。

另一方面，全局方法试图通过找到最能描述测量的dMRI数据的配置来同时重建所有轨迹(图9)。通常，此问题有许多解决方案，选择一个合适的解决方案需要事先了解轨迹的预期属性，例如局部平滑度。全局追踪对于噪声和成像伪影方面具有更好的稳定性，并与所获得的实际dMRI数据具有更好的一致性。全局方法的主要问题是它们依赖于随机优化过程，因此不能保证收敛到全局最优解。另一个问题是定义先验知识的任意性。对先验知识的规范过强可能会导致与实际数据不一致，从而导致不存在的纤维轨迹。另一方面，对先验知识的规范太弱可能会导致纤维轨迹与基础数据完全匹配，但在解剖学上几乎没有意义。

图9.全局纤维束成像方法的示意图。

与全局示踪密切相关的是过滤全脑示踪图的概念。虽然全局纤维示踪使用自下而上的方法，其中在一个全局优化例程中直接构建示踪图以匹配测量的dMRI数据，但示踪图滤波采用自上而下的方法，从使用局部追踪技术获得的密集全脑示踪图开始，随后删除或重新加权轨迹，以便将局部纤维束密度与测量的dMRI数据相匹配。

介于纯局部方法和纯全局方法之间的是“最短路径”方法，包括前沿演化、模拟扩散、测地线和基于图的方法。这些方法从给定的种子点构建全局最佳路径，这些路径不一定总是与局部估计的纤维方向一致。然而，它们不同时考虑来自所有种子点的路径，这与纯全局方法不同。虽然这些框架在数学上通常很巧妙，但它们在软件包中并没有被广泛采用，而且在实际研究中的使用也受到了限制。

常见的错误

选择阻碍最小的路径

纤维示踪有时被表述为“遵循扩散阻碍最小的路径的过程”。虽然这在某种程度上是正确的，但它意味着特定方向上的扩散量与沿该方向的白质纤维的潜在比例成正比。然而，由于扩散的性质，扩散作为方向函数的比例(扩散方向分布函数，dODF)并不一定反映潜在的fODF。虽然水分子最有可能沿着纤维方向扩散，但沿其他甚至垂直方向的扩散仍然很常见。因此，来自紧密排列纤维方向的扩散将模糊在一起，这意味着仅显示出单个纤维群。此外，已知来自不同纤维群的扩散重叠会在最小阻力方向上引入偏差。这些问题只能通过引入合适的白质扩散模型来妥善解决。

概率纤维追踪的独特风格

刚接触纤维追踪领域的研究人员经常对如何解释概率纤维示踪图及其访问计数图感到困惑。由于概率纤维追踪存在两种根本不同的“学派”，这使得情况变得更加复杂。这两种方法之间的差异往往被长期从事该领域的研究人员所低估。

第一个“学派”假设每个体素中存在有限数量的主要纤维方向。这些局部纤维方向会受到噪声和模型误差的影响，从而导致可能的纤维方向分布，也称为uODF。通过从uODF中随机抽取样本，可以生成反映这种不确定性的纤维轨迹分布。这种方法的一个著名例子是FSL的probtrackx。概率uODF追踪将提供纤维示踪结果的精确程度的指示，更可重复的纤维轨迹表现出更高的访问计数。在这一点上应该注意到的是，虽然概率uODF追踪给出了示踪结果的精度，但它没有关于精度的任何说明：即使是最可重复的纤维路径也可能极不准确。

第二个“学派”假设每个体素都包含连续分布的纤维方向，也称为fODF，并忽略噪声和模型误差的影响。通过从fODF中随机抽取样本，该方法试图捕获由于底层微观结构而导致的体素内纤维的弥散。这种方法的一个著名例子是MRtrix的概率fODF追踪。从某种意义上说，这种方法可以被视为提供了更具生物物理意义的纤维示踪图，因为它是由解剖弥散性而不是噪声特性和模型不准确性驱动的。

积分误差和误差传播的实际后果

在追踪特定纤维束时，该领域的新手通常会惊讶地发现，流线纤维追踪结果会根据他们沿纤维束放置种子点的位置而有很大的不同(参见图10中的扣带束示例)。与此问题相关的是，纤维追踪通常是非对易的：当从种子追踪到目标时，不能保证在目标启动追踪时会有返回种子的路径。这两个问题不仅在试图定性地重建特定区域时具有实际意义；而且在量化大脑连接时，它们也是一个混淆因素。

图10.扣带束的部分重建路径。

量化的滑坡效应

①体素轨迹计数

轨迹计数映射或纤维束密度成像(TDI)从密集的全脑示踪图开始，并计算通过每个成像体素的纤维束数量。TDI可以提供具有高解剖对比度的映射，当与超分辨率体素网格结合使用时，可以潜在地解析亚体素解剖细节。自然地，许多研究人员都试图使用轨迹密度作为纤维密度的替代测量方法。然而，该方法的一些严重缺陷也可能使轨道密度成为一种不可靠的定量测量。

首先，由于TDI基于纤维束追踪，因此它对噪声、噪声引起的误差累积和模型缺陷非常敏感。然而，即使是从低质量数据计算出来的轨迹密度图通常看起来也具有高信噪比(SNR)。这是通过从分布在大脑中的大量种子点进行纤维追踪来实现的。从某种意义上说，TDI隐藏了原始dMRI图像中存在的噪声，给人一种高质量图像的印象。然而，这种方法不一定就是准确的，并且在TDI中观察到的一些结构已被证明是由噪声而不是解剖引起的。其次，TDI对简单纤维轨迹的偏差很敏感，可能会人为地降低高曲率或高复杂区域附近的纤维密度。最后，也是最重要的一点，已知与全脑追踪相关的播种过程会导致长纤维轨迹的过度表征和短纤维轨迹的表征不足。

连接强度

连接强度量化的最大问题在于纤维束成像偏向于简单的轨迹。由于长而弯曲的轨迹或更复杂的纤维结构轨迹更有可能终止，因此如何以定量方式可靠地使用远程连接强度？不幸的是，纤维示踪图后期处理技术或全局追踪的理念无法解决此问题，因为它们只能解决局部轨迹密度问题。为了防止轨迹过早停止，唯一可行的机制是引入强大的生物学先验。在这方面，一个有趣的方法是Smith等人的方法，其中纤维束不允许在白质或脑脊液内终止，而只能在已知的末端终止，例如皮质或深灰质。这种简单但非常强大的生物学先验已被证明可以极大地增加远距离纤维连接的合理性，特别是当与过滤技术或全局追踪一起使用时，可确保纤维束示踪图能够准确地预测原始dMRI信号。

图11显示了不同纤维束成像方法的全脑示踪图以及追踪终点的密度图。在常规追踪中，大量纤维追踪在白质内(例如在复杂纤维结构区域)或与脑脊液的界面处(左列)过早终止。这种连接在生物学上没有意义，并且是许多纤维追踪偏差的征兆。该示踪图的后处理并不能解决这些问题(中间列)。然而，通过在纤维追踪过程中引入解剖学约束，所得到的纤维轨迹不再过早地停止在白质内，而是均匀地覆盖白质-灰质交界面。

图11.标准概率fODF追踪(左)、概率fODF追踪+滤波(中)和解剖学约束fODF追踪+滤波(右)的全脑示踪图轴向可视化(上)及其相应的终点密度图(下)。

结论

纤维追踪是一项复杂的工作，包含许多步骤(局部纤维方向建模、插值、积分/传播、播种、掩膜、停止标准等)，每个步骤都可能产生潜在的错误。深入了解纤维追踪的术语、内部工作原理和局限性是研究的关键环节。纤维追踪已经为许多大型白质结构提供了令人印象深刻的定性描述，这是任何其他体内成像技术都无法获得的，这种定性描述特别适用于纤维束成像定义的ROI分析。当涉及到量化连接强度和使用纤维追踪执行连接组学时，人们就会如履薄冰。如果没有合适的高阶模型，没有解剖学上的约束，也没有确保纤维示踪对原始dMRI数据的保真度，使用纤维追踪量化连接就相当于打开了潘多拉盒子：由此产生的“连接组”将充斥着假阳性和假阴性，以至于使连接组的生物学准确性变得非常可疑。通过使用适当的高阶模型和应用现实的解剖先验，并确保纤维示踪图对数据的保真度，可以极大地提高生物学准确性，从而有可能获得有用的连接信息。总之，人们应该意识到，即使使用最先进的技术和高质量的数据，许多可能导致连接组偏误的问题仍然存在，因此必须持谨慎态度。

原文：Diffusion MRI fiber tractography of the brain.

https://doi.org/10.1002/nbm.3785