如何从磁共振图像测量大脑皮层折叠：计算局部脑回化指数的逐步指南

本实验的总体目标是基于脑部 MRI，以极高的分辨率量化大脑皮层折叠或脑回化程度。首先，使用 FreeSurfer 软件构建精确的皮层表面三维模型，实现这一目标。第二步是利用形态学闭合算法，构建一个紧密贴合皮层表面的外表面。

接下来，在外表面生成数百个相互重叠的圆形区域，并将其与相应的大脑皮层区域进行匹配。然后在每个点上计算两个对应区域的比率，从而得到个体局部化图谱，这些图谱随后可用于不同诊断组之间的统计比较。最终，对成长后的儿童、青少年或成人的大脑皮层结构进行测量，可以揭示其在出生后最初数月内发生的异常皮层发育。

与基于曲率或细胞形态几何学等现有技术相比，该方法的主要优势在于能够提供一种易于解读的测量方式，用于评估皮层折叠程度，且不受圆形边界的限制，同时具有极高的分辨率。该方法有助于我们回答一些关键科学问题，例如精神疾病或神经发育障碍的发展机制。换句话说，我们可以借此理解早期神经发育事件——如大脑皮层折叠——如何在后期影响成年阶段病理发生的过程。

当我们意识到几十年来在比较神经解剖学中使用的脑沟化指数，如果能够克服其实施过程中的问题，可能会成为衡量大脑发育的一个非常有力的指标时，我们首次提出了这一技术的想法。本方法将由我们团队的高级研究员 Mari，以及 Jean Philip Tran 实验室的高级研究员 Mari Ra 向您演示。本方案的第一部分采用标准的 FreeSurfer 流程。

此处详述的命令描述了一种实现皮层表面重建的方法，但也可使用等效命令将原始 MRI DICOM 数据导入 FreeSurfer。首先创建文件夹结构，然后进入受试者的 MRI 文件夹，将原始 MRI 数据转换为 FreeSurfer 格式。

然后可视化转换后的体积图像。通过检查图像方向是否正确、对比度是否足够以及图像是否发生位移，来验证图像质量。接下来，使用 FreeSurfer 创建三维皮层网格模型。

这需要运行数小时，以应对Barrett的问题。Cellie Free Surfer首先创建一个统一的白质体积，该体积随后用作生成白质表面的起点。首先，重建过程根据局部强度梯度优化灰白质交界表面。

然后将此表面进一步扩展至灰质-脑脊液界面，以生成脑沟堆叠网格模型。重建过程生成两个三维网格模型，每个半球约包含150,000个点。白色模型代表灰质-白质界面，而脑沟堆叠模型则代表灰质-脑脊液界面。

所有表面和体积均处于其原始空间，无需形变即可进行测量。现在通过叠加两个表面来检查这些重建表面的准确性。示例展示了与 FreeSurfer 软件包一同提供的受试者的对齐结果。

确保白色表面准确地沿灰白交界处延伸，并且在堆叠表面中不包含血管和膜结构，以手动校正重建过程的结果。请参考 FreeSurfer Wiki 上的教程。当您对表面结果满意后，计算局部脑回指数（LGI）。

此命令通常针对一位研究对象的两个半球运行约三个小时。根据您工作站的性能，LGI 流程首先通过形态学闭运算创建外表面，然后在外表面上生成约 800 个重叠的圆形感兴趣区域。

针对上述每个区域，均在脑回表面定义相应的感兴趣区域。整个计算过程最终生成一张独立的地图，其中包含大脑皮层表面每个点的局部脑沟指数（LGI）值。在完成局部脑沟指数计算后，每侧半球可获得约 150,000 个数值。

每个受试者的两个半球均可在FreeSurfer中被确认为正确。LGI值通常介于1至5之间。为快速检查，可将最小阈值设为1。

统计组间比较的目的是在控制性别和年龄影响的同时，量化每个组在大脑皮层表面相位上每个顶点处的效应。首先创建一个特定于研究的模板，并输入所有受试者的数据。该命令将创建一个名为 average 的受试者。

接下来，为了使用经典命令比较不同组之间的LGI结果，需创建一个文本文件，其中包含研究中受试者的信息描述。该文件也称为FreeSurfer组描述文件。然后，在每个半球的平均受试者空间中对LGI数据进行重采样。

对皮层表面的数据进行平滑处理，以降低信噪比。现在计算每个顶点水平上的组间比较。这需要创建一个对比文本文件。

例如，对于 FSG D 文本，对比文本文件应包含数值 1 -1 0，以在控制年龄和性别的同时计算对照组与患者组之间的差异。最后，运行比较，然后通过加载新生成的数据文件，使用 TK surfer 在平均被试上可视化结果。

点对点分析生成一张统计图，显示在每个点上以颜色编码的 P 值叠加图。本示例显示显著降低的区域主要位于大脑的内侧部分。通过使用“配置叠加”选项，您可以进一步调整 P 值阈值，并采用错误发现率对多重比较进行校正。

Q 桌面是一个图形用户界面，在 FreeSurfer 中实现，其使用方法此前已通过命令行方式进行描述。您还需要一个特定研究的模板，以便将 Q 桌面与局部化指数结合使用。首先进行预平滑处理，LGI 数据 QE 需要构建一个数据表。

这包括对不同组别以及其他混杂变量（如年龄）的描述。如果 LGI 未出现在 Q deck 从属变量列表中，则需将以下代码行添加到位于您主目录中的 Q deck RC 文件中。使用 Q deck，您将获得与命令行完全相同的结果，并且还能够通过蒙特卡洛模拟对多重比较进行校正。

尽管局部脑沟化指数最初是为顶点水平的分析而开发，但在更粗略的层面上对数据进行平均可能具有启发意义。在探索性分析中，可从FreeSurfer内置的皮层分区方案所定义的34个脑回区域中提取平均LGI值。随后可使用经典统计软件对不同组间的这些测量值进行比较。

因此，按区域进行分析可能是减少统计比较次数的一种有效方法。然而，每个点上的LGI值已经量化了周围感兴趣区域的分层情况。因此，给定感兴趣区域内的平均LGI值在一定程度上也能反映邻近感兴趣区域的分层特征。

对于在 FreeSurfer 或 LGI 处理过程中可能遇到的问题的解决方案，请查阅 FreeSurfer 邮件列表的存档。除了本方案外，还可结合其他方法，如皮层厚度分析或 T 纤维束成像，这将有助于您了解早期的形态变化如何与后续的皮层发育或白质纤维束发育相关联。

观看本视频后，您应能充分理解如何创建大脑皮层表面的三维表征，如何生成个体化的脑回折叠图谱，以及如何在不同组间进行比较，以检测皮层折叠的统计学显著性退化。