联合分析脑结构与功能：采用fMRI与扩散加权成像

摘要

我们介绍了一种利用磁共振成像（MRI）同时分析大脑功能与结构的新方法。我们采用高分辨率扩散加权成像及白质纤维束示踪技术来评估大脑结构。与标准的结构性MRI不同，这些技术使我们能够直接将解剖连接性与脑网络的功能特性关联起来。

摘要

复杂计算系统的研究得益于网络图谱，例如电路图。这种图谱在研究大脑时尤其具有启发性，因为某个脑区所发挥的功能角色在很大程度上可能由其与其他脑区的连接关系决定。在本报告中，我们描述了一种新颖的、非侵入性方法，利用磁共振成像（MRI）来关联脑结构与功能。该方法结合了长距离纤维连接的结构成像与功能成像数据，并在两个不同的认知领域——视觉注意和面孔感知中进行了演示。结构成像采用扩散加权成像（DWI）和纤维束追踪技术，用于追踪水分子在脑内白质纤维束中的扩散情况（图1）。通过可视化这些纤维束，我们能够研究大脑的长距离连接结构。该方法的结果与目前DWI领域应用最广泛的扩散张量成像（DTI）技术相比具有明显优势。DTI无法解析纤维束的复杂构型，限制了其在构建精细且基于解剖结构的脑功能模型中的应用。相比之下，我们的分析能够精确且准确地再现已知的神经解剖结构。这一优势部分源于数据采集方案：尽管许多DTI方案仅在少量方向上测量扩散（例如，6或12个方向），但我们采用了一种扩散谱成像（DSI）^{1, 2}方案，可在257个方向上并结合多种磁梯度强度进行扩散测量。此外，DSI数据使我们能够使用更复杂的方法来重建采集到的数据。在两项实验（视觉注意和面孔感知）中，纤维束追踪揭示了人脑中共同激活的区域在解剖结构上是相互连接的，支持了这些区域构成功能性网络的现有假说。DWI使我们能够创建个体被试水平的“电路图”，并以此为基础监测特定任务相关脑网络中的活动情况。

方案

1. MR 数据采集设备

图2和图3总结了在扩散磁共振成像（diffusion MRI）数据采集、重建及纤维追踪过程中需要做出的若干选择。需要注意的是，这些选择通常涉及权衡取舍，最佳选择可能取决于具体的研究目标。例如，DSI和多壳层HARDI（见图2）通常使用比DTI更高的“b值”（即更强的扩散加权）。因此，这些方法具有更优的角度分辨率，这对于分辨交叉或“吻合”纤维（即彼此弯曲靠近、在单一切点接触后再次分开的纤维）是必要的。然而，这种角度分辨率的提升通常以EPI数据中较低的信噪比（SNR）为代价（图3）。研究人员应结合自身研究目标评估这一权衡的相关性：如果研究关注的是少数几条主干纤维束，且其走行路径不与其他纤维束交叉或平行，则采用高信噪比的低方向数DTI扫描可能是理想选择。对下额枕束的成像可能就属于此类情况。相反，若研究人员希望追踪穿过复杂交叉区域的纤维束，则信噪比的降低可能是可接受的代价。

类似的权衡涉及对头动、涡流以及非线性图像畸变的校正。弥散加权成像（DWI）方案采用回波平面成像（EPI；见表1），该技术易受鼻窦内空气腔隙引起的磁场不均匀性、生理噪声及其他因素³的影响。这些磁场不均匀性会导致不期望的图像畸变，尤其在颞叶下部和眶额皮层区域，从而降低这些区域纤维追踪结果的有效性和可靠性。此外，涡流（由快速MR梯度切换产生）也会引入额外的图像畸变⁴。受试者的头部运动是另一个会降低图像质量并可能对纤维束成像产生负面影响的因素。目前的方法能够在低b值数据（如DTI）中校正头动和图像畸变；然而，这些方法尚未扩展应用于DSI等更高分辨率的成像技术。将图像校正方法应用于DSI数据的困难源于上述较低的信噪比（SNR）（图3）。对于易受EPI畸变影响的脑区进行纤维追踪时，最好采用低方向数的DTI或其他可有效校正图像畸变的技术。相反，如果需要在整个大脑范围内实现高角分辨率，则研究人员可选择使用DSI、HARDI或类似技术。Tuch（2004）⁵建议，在DSI扫描过程中可交替采集无弥散加权的T2加权图像，以提供运动校正的基准（例如，参见参考文献6）。在所有情况下，研究人员都应意识到采集过程中头部运动可能带来的不利影响：建议使用经过严格训练的受试者，并通过使用咬合器、鼻托、垫片或其他固定措施尽可能减少运动。

本文展示的结果采用257个方向的扩散谱成像（DSI）方案，梯度强度范围为b=300至7,000（参见表1中的参数）。扩散谱成像（DSI）序列需要具备特定功能的现代磁共振扫描设备，以采集此类高分辨率扩散数据。我们注意到，该序列所需时间较长：在西门子Tim Trio扫描仪上约需43分钟。经过大量实证测试，我们认为这些数据的质量足以证明其扫描时长和成本的合理性；然而，在选择采集方案时，使用者应仔细权衡研究目标与受试者的耐受能力及舒适度。我们还注意到，采用先进的采集技术，仅需约10分钟即可获得质量良好的DSI数据⁷。

1. 3 特斯拉磁场强度磁共振扫描仪：需要 3T 的磁场强度以获得高角方向 DSI 扫描所需的信号。
2. 32 通道相控阵头线圈：采集 DSI 数据需要使用具有高灵敏度和优异信噪比的头线圈。8 通道和 12 通道线圈在大脑表面提供的信号较弱，因此可能需要延长扫描时间以支持投射区域的精确绘图。
3. 头部固定：由于 DSI 扫描序列持续时间较长，且无法对 DSI 数据进行运动校正，因此必须实现良好的头部固定以控制受试者的移动。建议使用从填充垫和胶带，到咬合杆、真空袋或热塑性面罩等多种运动控制措施来稳定受试者头部。任何方向上的平移运动超过 2 mm 或旋转运动超过 2° 均属过度，可能成为排除数据的依据。
4. fMRI 呈现设备：对于使用功能种子进行的分析，需要额外的 fMRI 扫描设备。根据待定位脑区的类型，通常包括磁共振兼容显示器（如投影系统或磁共振兼容液晶显示器）、按钮反应系统、音频系统，以及与扫描仪采集同步的实验呈现计算机。

2. 扫描程序

1. 向参与者简要说明即将进行的扫描性质，并获取知情同意。强调尽量减少头部运动的必要性（尤其是在较长的DSI扫描期间）。为参与者提供电影或其他视频的选择，以在DSI扫描期间提供娱乐。对于行为任务的功能性扫描，指导受试者密切关注屏幕上的任务相关刺激，并按要求作出反应。
2. 在排除磁共振检查禁忌症后，使用上述方法之一舒适地固定受试者的头部，并将检查床推入扫描仪中。
3. 执行初步定位扫描和校准。
4. 将DSI扫描的切片定位设置为平行于连接前连合与后连合的假想线。确保DSI扫描的切片覆盖全脑。
5. 在受试者于扫描仪中放松或观看呈现系统上的娱乐内容时，运行DSI扫描。
6. DSI扫描完成后，立即采集T1加权解剖图像（例如，MPRAGE）以供后续用于共同配准（即将DSI数据与其他解剖学或功能学数据进行配准。
7. 可选地，在同一会话中使用标准的EPI脉冲序列采集fMRI数据。
8. 如有必要，可在另一次扫描会话中进行fMRI扫描。两次会话中均采集MPRAGE图像，以促进数据集的配准。

3. 解剖学 MRI 数据处理

对于fMRI数据的表面分析以及使用FreeSurfer进行自动分割（如下所述），需要一张具有优良灰质-白质对比度的高分辨率T1加权解剖图像。该图像为功能成像和弥散加权成像数据的分析提供了共同的参考空间。在大多数现代磁共振成像设备中，此类图像被称为MPRAGE（磁化准备快速梯度回波）图像。目前大多数现代MPRAGE序列均可在单次扫描中提供足够质量的数据（参数见表1）。如有必要，可对两次或多次扫描结果进行平均，以提高灰质-白质对比度，从而优化分割效果。下文将说明如何对DWI和fMRI数据（通常以不同的体素大小和不同的原点位置采集）进行自动对齐和重采样，以便与MPRAGE图像同步显示。

FreeSurfer 解剖 MRI 处理流程的详细描述可在 FreeSurfer 维基网站上找到（http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki）；FreeSurfer 的输出结果包括多种皮层表面表示形式，以及皮层解剖特征的分区和皮下结构的分割。我们建议在 FreeSurfer 输出结果上运行 AFNI/SUMA 脚本 @SUMA_Make_Spec_FS，该脚本可将输出结果转换为可使用 AFNI/SUMA、FSL、SPM 及其他神经影像软件工具轻松处理的文件格式。例如，图像的配准则可使用多个程序之一完成，如 3dAllineate（AFNI/SUMA）、FLIRT（FSL）、bbregister（FreeSurfer）或 SPM 的 Coregister 功能。

1. 通过将T1加权解剖图像提交给FreeSurfer的自动化算法（recon-all）进行解剖学分割和皮层表面重建。
2. 使用@SUMA_Make_Spec_FS脚本将FreeSurfer处理结果导入SUMA。此步骤会创建FreeSurfer输出中所有体数据的NIFTI格式副本，包括输入解剖图像的强度归一化且去颅骨版本。根据AFNI/SUMA术语，我们将此处理后的解剖图像称为表面体数据（Surface Volume）；由@SUMA_Make_Spec_FS生成的该图像的NIFTI格式文件命名为brain.nii。
3. 将DSI的B0图像与生成的表面体数据对齐（使用SUMA目录中名为brain.nii的NIFTI格式图像）。
4. 保存12参数仿射变换矩阵，供后续配准使用。

4. 功能性磁共振成像（fMRI）数据处理

功能磁共振成像分析可用于生成纤维或事后选择纤维的感兴趣区域（ROI）。任何回波平面成像（EPI）脉冲序列，只要其参数针对特定的fMRI实验进行了优化，均可使用。同样，目前存在大量用于fMRI数据处理与分析的软件包，例如AFNI/SUMA（NIMH, NIH）^{8, 9}、BrainVoyager（Brain Innovation）¹⁰、FSL（FMRIB, 牛津大学）^{11, 12} 和 SPM（伦敦大学学院惠康信托神经影像中心）¹³。图4中的“fMRI数据处理与分析”部分概述了基于AFNI/SUMA软件包的分析流程。有关更详细的使用说明，我们建议读者参考AFNI/SUMA官方网站（http://afni.nimh.nih.gov）提供的优秀教程及其他教育资源。

用于纤维追踪的fMRI分析的最终目标不同于标准的功能定位分析，后者通常强调寻找最大激活的位置。良好的统计学实践要求研究者事先设定统计对比的α水平；然而，研究者应考虑到，统计阈值的选择会影响功能激活的空间范围，从而影响纤维终止区域的范围。

1. 使用首次扫描运行的平均图像作为参考图像，对每位受试者的 fMRI 数据进行头动校正。
2. 可选：进行层采集时间校正，特别是在使用快速事件相关任务设计时。
3. 通过归一化每个运行中每个体素的时间序列，校正不同运行间信号基线的差异。
   1. 使用 3dcalc（AFNI/SUMA）或 fslmaths（FSL）等程序，将每个体素的时间序列表示为该体素在特定运行期间时间均值的百分比变化。
   2. 或者，基于每个体素在时间上的信号均值和标准差，对每个运行中的时间序列进行 z 变换。
4. 将每个处理后的 EPI 运行数据与 FreeSurfer 生成的表面体积（brain.nii）数据集进行配准（共注册）。
5. 对特定个体的所有 EPI 运行数据在时间维度上进行拼接。
6. 使用 3dVol2Surf（AFNI/SUMA）将每个 EPI 运行数据映射到皮层表面，为每个运行生成一个 NIML 表面数据集。
   1. 使用平滑的白质表面和软脑膜表面作为映射的参考表面；这两个表面可分别视为灰质/白质边界和大脑皮层表面的代表。
   2. 对这两个表面之间的距离上的信号进行平均。
7. 可选：在皮层表面上使用 SurfSmooth（AFNI/SUMA）对 EPI 数据进行空间平滑。
8. 为呈现给受试者的各个实验条件对应的时间段分别创建回归变量（regressors）。
9. 将这些回归变量（以及无关变量的回归量）提交至一般线性模型（GLM），用于功能数据的分析。
10. 对比不同回归变量的 beta 权重，生成覆盖皮层表面的统计值“功能图谱”。
11. 若采用析因设计，可选：将多个参与者的 beta 权重值输入组水平的方差分析（ANOVA）。
12. 通过采用整体错误率校正方法（基于高斯随机场理论）¹⁴ 或错误发现率（FDR）^{15, 16} 校正多重比较，生成经阈值处理的功能图谱以显示具有统计学显著性的效应。
13. 通过标记可区分的连续显著功能激活区域，在皮层表面上创建感兴趣区域（ROIs），这些区域将在后续用于纤维束追踪的种子点。
    1. 使用空间聚类算法（如 SurfClust，AFNI/SUMA）自动分割并标记 ROI。
    2. 或者，使用 SUMA 的“绘制 ROI”功能手动绘制 ROI。
14. 使用 3dSurf2Vol（AFNI/SUMA）将 ROI 扩展至白质区域，以在纤维束追踪过程中最大化与纤维轨迹的接触。
    1. 与步骤 6 相同，使用平滑的白质表面和软脑膜表面进行映射。
    2. 设置 f_p1_fr = -0.5，使 ROI 在每个表面节点处向灰质/白质边界下方生长，延伸距离为该处灰质厚度的 50%。
    3. 设置 f_pn_fr = 1，使 ROI 向软脑膜表面的相反方向生长。
15. 使用 AFNI 程序 cat_matvec 计算将 B0 图像与表面体积（brain.nii）对齐时生成的 12 参数仿射变换矩阵的逆矩阵。
16. 将该逆矩阵应用于功能 ROI，使其与 DSI 数据对齐。

5. 扩散加权成像数据的处理

弥散加权成像是白质成像技术的统称，涵盖多种不同的数据采集与重建方法组合。其中应用最广泛的方法称为弥散张量成像（diffusion tensor imaging, DTI）^{17, 18}，其基于5至10分钟的数据采集，测量6或12个方向上的弥散情况。根据这些数据，通常采用简单的张量模型对弥散模式进行建模，该模型最适合检测单一主导的弥散方向。这一局限性导致DTI在成像交叉或在某一点“接触”（kiss）的纤维时表现不佳。对于交叉和接触纤维，采用高分辨率采集与重建方法的组合可实现更优的检测效果，例如高角分辨率弥散成像（high angular resolution diffusion imaging, HARDI）^19-21、弥散谱成像（diffusion spectrum imaging, DSI）^{1, 2}以及广义q球成像（generalized q-ball imaging, GQI）^22-24。

在西门子3T扫描仪上运行的257方向多壳层DSI序列被用于获取本文所示结果（参数见表1）。采集的数据采用GQI方法²⁴进行重建，该方法通过每个体素的方向分布函数（ODF）对扩散模式建模，能够检测多个方向上的同时扩散。其他高角分辨率扩散序列也应能产生类似结果。需要注意的是，正确重建ODF要求研究人员将梯度表（也称为b表）输入至本研究所使用的DWI处理与纤维追踪软件DSI Studio中。（DSI Studio的详细使用说明可在其软件官网http://dsi-studio.labsolver.org查阅。）该表格列出了每个采集的DWI体积数据对应的梯度方向和磁场强度。梯度表依赖于MR采集协议，并由DSI Studio从DICOM图像中自动提取。然而，我们建议研究人员将此自动提取的梯度表与对应扫描仪DWI协议的标准表格进行比对。

1. 如有需要，使用 mri_convert（FreeSurfer）将 MR 图像转换为 .dcm（DICOM）格式。
2. 确定数据集中哪些图像是 B0 图像（即，采用无扩散加权的平面回波成像采集的图像。
3. 使用 AFNI 程序 to3d 将 B0 图像转换为 NIFTI 格式。
4. 在 DSI Studio 中，打开 DICOM 图像并合并以创建源文件（.src）。
5. 提供梯度表（见上文）。
6. 检查默认重建掩膜是否包含所有灰质，且未包含空腔、颅骨或非脑组织。根据需要编辑掩膜。
7. 或者，可通过在B0图像上运行AFNI程序3dAutomask来创建重建掩膜。
8. 选择一种高分辨率重建模型：DSI、GQI 或 GQI 变体。
9. 创建一个纤维信息文件（.fib），用于表示每个体素中的主要扩散方向。

6. 通过全脑纤维束成像评估数据质量并追踪参数

使用全脑种子追踪纤维是一种快速且有效评估整体数据质量的方法。同时，该方法也为确定全局参数的适当取值提供了机会，特别是作为纤维束成像终止准则的各向异性阈值。此步骤对于在提高纤维追踪覆盖范围与降低噪声之间取得平衡至关重要。在设置关键追踪参数（如角度阈值和追踪阈值）时应格外谨慎。

需要注意的是，不同个体间各纤维束的相对各向异性可能存在差异，这种差异可能取决于年龄和白质完整性等生物学因素，以及不同扫描会话间设备校准等外部因素。以下我们建议采用多种方法在不同数据集之间平衡追踪阈值。在任何情况下，都应通过将追踪结果与已知的神经解剖结构进行比较，以检查追踪结果的质量。例如，若发现纤维在已知的半球间连接结构（即胼胝体、前连合和后连合）之外穿越大脑半球裂，可能表明追踪阈值过低，需要提高；也可能是头动伪影的表现。

与追踪阈值不同，角度阈值在同一个体的多次扫描之间应保持不变，因为纤维束的弯曲程度在短期内通常不会改变，甚至可能始终不变。同样，在不存在大脑尺寸或形态显著差异的情况下，不同个体间的纤维束弯曲程度也应相对恒定。然而，在设定该参数的初始值时仍需谨慎。若发现纤维走向出现极不可能的轨迹，例如发夹状弯曲，可能提示角度阈值设置过高。

1. 创建全脑种子区域。
2. 设置初始追踪阈值，以屏蔽低信号体素。
3. 设置角度阈值，允许纤维在单步中弯曲最多 n 度。
4. 设置追踪步长（单位：mm）。
5. 设置所需的纤维数量或种子点数量。
6. 执行全脑纤维束成像，以检查整体 ODF 重建质量。
7. 首先，选择一个跨数据集的中位追踪阈值。
   1. 将一个全脑 trk 文件载入 TrackVis（一种纤维束可视化与分析程序，Martinos 生物医学成像中心，麻省总医院）²⁵。
   2. 将 SUMA 目录中的灰质（GM）体积（lh/rh.ribbon.nii）作为感兴趣区域（ROI）载入。
   3. 将 GM ROI 设置为追踪组的过滤器，仅保留任一端位于这些 ROI 内的纤维。
   4. 验证 trk 文件中大多数纤维（90–100%）在过滤后的追踪组中得以保留。
   5. 如有必要，每次在 DSI Studio 中调整追踪阈值后重复上述步骤。
8. 进一步检查追踪阈值是否屏蔽了空腔区域（i.e.，脑边缘及脑回间空隙）的体素，同时未移除明显位于白质内的体素。
9. 可选：在不同数据集（i.e.，不同扫描会话和/或受试者）间均衡追踪阈值。
   1. 通过 DSI Studio 界面在某一数据集中设置所需的追踪阈值。
   2. 将 DSI Studio 生成的 .fib 文件重命名为 .mat 扩展名，并按照 DSI Studio 网站说明导入 MATLAB（http://dsi-studio.labsolver.org）。
   3. 创建待阈值化数值的直方图。
   4. 将图谱数值转换为 z 分数。
   5. 找出最初在 DSI Studio 界面中设定的追踪阈值所对应的 z 分数。
   6. 对所有其他数据集执行步骤 b–d，确定与步骤 e 中所得 z 分数相对应的追踪阈值。
   7. 作为对步骤 a–f 的交叉验证，从枕极解剖 ROI 出发，以 500,000 个种子点追踪一组控制纤维。
   8. 检查该流程在各数据集中生成的纤维数量是否大致相同（±100 根纤维）。

7. 局部约束纤维束成像

与全脑示踪成像相比，局部约束示踪成像利用基于感兴趣区域（ROI）的布尔运算，例如指定纤维必须通过或不得通过的体积区域。因此，局部约束示踪成像在追踪特定目标纤维时具有更高的敏感性和更强的控制能力。由于种子点生成操作的计算成本较高以及计算机图形内存有限，全脑示踪成像对可能的种子点空间存在欠采样问题。（未来随着示踪成像算法的改进、内存容量的增加或其他因素的变化，这些限制条件可能会得到缓解。）由于欠采样，全脑示踪成像的结果往往偏向于大脑中占主导地位的扩散通路。用户提供的感兴趣区域（ROI）通过在有限的目标区域内设置高密度的种子点，有助于解决这一问题，从而更容易捕捉到难以检测的纤维束。

1. 在 DSI Studio 中创建全脑种子区域。
2. 加载一个或多个 NIFTI �感兴区（ROI）文件。
3. 可选：加载避免区域（ROA）文件，以标明纤维不应穿过的体素。
4. 按上述说明设置各向异性阈值和角度阈值。
5. 执行追踪。
6. 通过将纤维轨迹与解剖细节进行比较，检查追踪质量。

8. 终点密度分析

1. 将NIfTI格式的ROI和trk文件载入TrackVis。
2. 在不同区域之间执行布尔运算。
3. 将每次运算的结果保存为新的trk文件。
4. 使用track_transform（Diffusion ToolKit）函数将trk文件空间变换至表面体积（brain.nii）文件。
5. 在TrackVis中加载变换后的trk文件和表面体积（brain.nii）文件进行检查。
6. 将trk文件和ROI文件载入MATLAB，以进行定量连接性估计。
7. 计算某个ROI的{x/y/z}质心坐标。
8. 作为连接性的一种度量，计算ROI内纤维末端的总数，并按ROI体积进行归一化。
9. 或者，计算纤维末端与ROI质心之间的欧氏距离，以此作为该纤维束与该ROI连接特异性和一致性的度量。

9. 代表性结果

高分辨率扩散加权成像与纤维束成像可应用于广泛的神经科学问题。本文的重点是详细阐述结构连接性方法与功能神经影像技术的结合。然而，需要注意的是，任何扩散加权成像（DWI）的应用都必须对纤维束成像结果进行仔细评估，因为数据采集方案、重建方法以及纤维束成像参数可能对最终结果产生显著且独立的影响。图5展示了使用全脑纤维束成像获得的最佳与次优结果。这三幅图像均基于同一位受试者的257方向DWI数据集；左侧图显示了最佳结果。相比之下，中间图显示了过于宽松的纤维束成像参数（FA和角度阈值）所产生的影响；右侧图则显示了采用单张量模型重建DWI数据所导致的质量下降。

我们提供了两个示例，说明纤维束成像结果如何支持并辅助解释功能影像数据。这些实验评估了用于创建功能种子区域的认知过程，即面孔识别和视觉注意。这些种子区域可用于检验认知网络内白质连接性的问题。图6展示了在面孔识别任务中被激活的脑区示例。受试者在进行fMRI扫描时观看面孔和日常物体的图片。位于中梭状回（mFG）和下枕回（IOG）的两个腹侧颞叶区域对面孔的BOLD反应显著强于对物体的反应。随后，这两个功能定义的区域被用作纤维束成像中的种子区域（如上文第6-7节所述）。图6A显示了连接颞叶内这两个感兴趣区域的大量纤维束流线（以红色显示），跨越距离约12 cm。注意在此距离上纤维排列紧密且弯曲程度较小。这种模式是功能网络中长距离一对一连接的典型特征（例如，参见参考文献26）。图6B显示了下枕回的功能种子区域（以黄色显示）以及各个纤维末端（红点）。纤维末端分布于整个感兴趣区域内。这种连接模式表明，这些脑区之间存在直接的长距离连接，可能构成了面孔识别网络中快速通信的结构基础。

我们的第二个示例（图7）展示了视觉皮层感觉区域与后顶叶皮层（PPC）中注意控制区域之间的连接。在此情况下，这两组功能激活区域（枕叶和顶叶区域）是通过同一批受试者的独立fMRI数据集获得的。顶叶区域的激活由视觉视野中6个位置之间的注意转移任务诱发（详见参考文献²⁷），而枕叶区域则通过标准的视觉视野子午线定位映射方法定义²⁸，用于标记视觉皮层功能种子区域（V1–V3）之间的边界。图7A显示了V1、V2和V3种子区域（分别为红色、绿色和蓝色）的大致位置、标记为IPS-1的PPC种子区域，以及连接这些区域的纤维束。纤维束的颜色根据其起始的枕叶ROI进行着色。与颞叶中长而笔直的纤维不同（图6），这些白质纤维走行距离较短（范围为3–5 cm），因此从枕叶到顶叶的路径呈更明显的U形，且排列较为松散。图7B展示了皮层表面上功能定义的IPS区域（棕色）、V1（红色）、V2（绿色）和V3（蓝色）区域，以及各区域内纤维束的终止点。注意观察枕叶内不同种子区域发出的纤维束存在明显的分离，而IPS-1区域内的纤维终止点则表现出高度的交错重叠。这表明，我们通过选择性注意任务中的fMRI活动识别出的PPC区域可能是大脑中的一个整合区域，具有与多个不同感觉皮层节点的结构连接。这种连接模式可能允许来自高级皮层区域的注意偏向信号传递至初级皮层，从而调节其神经活动；这些信号有助于增强视觉皮层中目标刺激的表征^{29, 30}。

图 1. 扩散加权成像（DWI）中关键概念的示意图。 图 A：在均匀介质中，水分子的扩散由于布朗运动而随机发生。当水分子数量较大时，扩散呈各向同性，即总体扩散模式为球形。图 B：在轴突内部以及轴突束间隙中的水分子扩散受到轴突壁及其他支撑结构的限制。因此，沿纤维束方向的扩散具有各向异性：沿纤维束走向的扩散程度远大于其他方向。图 C：高分辨率 DWI 方法采用如取向分布函数（ODF）等模型，来描述白质纤维束复杂构型中的各向异性扩散。如本例所示，ODF 可以区分在同一点交叉的多条纤维束各自的扩散路径。在大脑中，包含两条或三条不同纤维束的交叉情况较为常见。

图 2. 纤维追踪研究可通过多种方式进行。 最关键的选择包括采集方案、重建技术以及纤维束成像方法。在本文中，我们采用扩散谱成像（DSI）^{1, 2} 协议进行数据采集；使用广义 Q 样本成像（GQI）²⁴ 进行重建；并采用 FACT 确定性纤维束成像方法^{40, 41}。我们特别强调无模型和混合重建技术，这些技术生成取向分布函数（ODFs；见图 1），以表示每个体素中的弥散特性。研究人员可根据预算、可用时间、对高角分辨率的需求，以及对头动校正和非线性图像畸变校正的重要程度，选择不同的分析流程。本图并未穷尽所有可行的采集、重建和纤维束成像方法。有关重建技术的出色综述，请参见 Seunarine & Alexander⁴²。

图 3. 扩散 MRI 采集参数、扫描时间与分辨纤维交叉能力之间的相互关系。 高扩散对比度对于解析复杂交叉构型中的纤维至关重要。该对比度取决于多个因素，包括梯度方向数量（即 可能的纤维取向数量）和 b 值（表示扩散加权程度）。此处展示了增加 b 值和梯度方向数量的典型影响。需注意，本表仅表示一般趋势，不同具体技术对扫描时间、信噪比（SNR）和扩散对比度的影响可能有所不同。通常情况下，通过增加梯度方向数量和 b 值大小均可提高对比度。然而，在较高 b 值下，扩散加权图像的信噪比会降低，且扫描时间通常会延长。

图4. 结构MRI、DWI-MRI和fMRI处理流程的图形化总结。 黑色文字描述了每个处理步骤的性质，绿色文字表示可使用的软件。虚线和虚线框表示可选步骤，可能不适用于所有项目。在本示例中，处理在AFNI/SUMA软件包中进行（除非特别注明使用DSI Studio或TrackVis）。其他神经影像分析软件包中通常也提供类似功能，可相互替代。这些示意图中展示的许多步骤已被软件开发者部分整合为便捷的脚本：我们特别推荐读者参考FreeSurfer的recon-all流程（http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable）。此外，我们注意到已有多个软件包提供针对DWI数据的完整处理流程；然而，这些软件包在功能强弱上各有差异，且部分软件不包含处理高角分辨率扩散MRI数据的工具。 点击此处查看高清大图。

图 5. 采用不同重建方法和纤维束成像参数的全脑纤维束成像示意图。 所有图像均来源于同一数据集，即一个包含 257 个方向、多 b 值（7,000 s/mm²，5 个壳层）的弥散谱成像（DSI）序列。图 A：采用高分辨率、基于 ODF 的重建方法获得的最佳结果。选择较高的追踪阈值（0.06），以确保仅从高度各向异性的体素中生成纤维；同时选择 55° 的角度阈值，以避免生成生物学上不合理的弯曲纤维（即“环状”纤维）。注意半球之间由大脑纵裂清晰分隔；同时注意纤维束的走行符合预期的脑沟/脑回轮廓。图 B：重建方法与（A）相同，但在纤维束追踪过程中采用了更宽松的 FA 和角度阈值（分别为 0.03 和 85°）。不恰当的追踪参数可能导致大量“垃圾”纤维的生成，从而掩盖有关解剖结构的真实信息。有关合适参数选择的建议，请参见第 5 节“通过全脑纤维束成像评估数据质量和追踪参数”。图 C：数据采用单张量模型重建，这是弥散加权成像（DWI）中最常用的方法之一。在使用适当追踪参数（与 A 相同）的情况下，单张量模型可再现许多已知的主要纤维束，矢状位视图中脑回轮廓也部分可见。然而，其相比 ODF 模型会产生更多的假阳性结果：注意存在横跨半球间裂的水平走行纤维。 点击此处查看高清大图。

图6. 来自面孔感知实验的纤维束成像结果。图（A）显示了从面孔感知实验中确定的功能性感兴趣区域（ROI）之间进行纤维束成像所得到的纤维束轨迹。下枕回（IOG）和中梭状回（mFG）的大致区域由黄色椭圆标示。图（B）展示了图（A）中纤维束在后颞叶皮层表面扩大后的腹侧视图上的IOG端点。以黄色呈现的ROI来自一项面孔感知功能磁共振成像实验。请注意，在功能定义的激活区与IOG中的纤维束端点之间存在高度重合。这些纤维束起源于参与面孔感知的大脑区域——中梭状回（mFG）。点击此处查看高清大图。

图 7. 视觉注意实验的纤维束成像结果。 图（A）显示了基于视觉注意实验所确定的功能性感兴趣区域（ROIs）之间进行纤维束成像所得到的纤维束轨迹²⁷。后顶叶皮层（IPS-1）和视觉皮层（V1d、V2d 和 V3d）的大致区域由彩色椭圆标示。纤维束以对应颜色呈现：V1d 为红色，V2d 为绿色，V3d 为蓝色。图（B）展示了图（A）中纤维束的终点，投影在后部（顶叶和枕叶）皮层表面的放大侧视图上。颜色编码与图（A）一致。视觉注意功能磁共振成像实验所得的感兴趣区域显示于皮层表面。所有三组纤维束/终点均汇聚于 IPS-1 区域，该区域被认为包含视觉注意的优先级图谱，可能是向视觉皮层目标发送注意偏向信号的来源。IPS-1 中的纤维束主要呈交错分布，而这些纤维束在枕叶端则按视觉皮层区域明显分离。

磁共振扫描	参数
DSI	采用双次重聚焦自旋回波EPI序列和多个q值的257方向扩散谱成像（DSI）扫描，采集时间为43分钟（TR = 9,916 ms，TE = 157 ms，体素大小 = 2.4 × 2.4 × 2.4 mm，FoV = 231 × 231 mm，b-max = 7,000 s/mm2，5个壳层）
解剖像	T1加权MPRAGE序列（1 mm × 1 mm × 1 mm，176层矢状面切片，TR = 1,870，TI = 1,100，FA = 8°，GRAPPA = 2）
fMRI	T2*加权回波平面成像（EPI）脉冲序列（31层斜轴位切片，面内分辨率2 mm × 2 mm，层厚3 mm，无层间距，重复时间[TR] = 2,000 ms，回波时间[TE] = 29 ms，翻转角 = 90°，GRAPPA = 2，矩阵大小 = 96 × 96，视野[FOV] = 192 mm）

表1. 神经影像采集参数。

讨论

高分辨率弥散加权成像与纤维束成像为研究人脑连接结构提供了强有力的手段。本文展示了该结构架构与通过功能性磁共振成像（fMRI）评估的大脑功能存在有意义的关联。通过以fMRI任务激活区域作为纤维束成像的种子点，我们发现，在视觉注意过程中共同激活的脑区之间存在解剖学连接，这与功能神经解剖学的已有认知一致图7）。类似地，面孔感知的功能神经解剖学与我们当前的结构连接发现结果一致（图6）。了解解剖连接性对于推断特定任务中脑区间是否存在直接功能连接是必要但不充分的（且 反之亦然）。在许多神经影像学研究中，仅基于功能活动的同时发生来推断脑区间直接的结构和功能连接，这种做法存在问题。此类推论忽略了其他可能的解释：例如，两个脑区看似共同激活，可能是因为它们共享一个共同的输入，受到实验设计未能控制的全局神经调节影响，甚至可能源于共同的噪声源（如头部运动）。磁共振扩散纤维束成像通过证实远端脑区之间存在潜在的连接结构基础，为这些动态功能关系提供了支持性证据。

用户应考虑纤维追踪研究中的若干局限性和注意事项。其中最基本的一...