中国科学院自动化所提出基于多模态融合的个体化脑功能区划分方法

不同个体的脑功能区在大小、位置、功能和结构组织上都存在显著差异，这种差异相比于初级皮层，在负责多源信息整合的联络皮层中尤为明显。以往的大多数神经科学研究都依赖于"一刀切"式的群体水平图谱。然而，这种方法忽视了个体水平上的分区变异，不可避免地混淆了来自不同功能区的信号，无法准确描绘个体大脑的功能分布，也难以为个性化的临床应用提供精确指导。

近些年来，大量基于个体脑分区的研究强调了在个体水平上准确映射大脑功能区的重要性。这对于全面理解大脑功能和行为的个体变异、早期精确识别大脑异常，以及为神经精神疾病提供个性化治疗都至关重要。随着神经影像学和机器学习技术的迅速发展，个体大脑分区研究正在蓬勃发展。目前，已有多种利用磁共振影像绘制个体脑图谱的方法被提出。这些方法包括利用静息态功能磁共振影像（rsfMRI）捕捉不同大脑位置的静息态功能活动模式，用于划分个体脑功能区；通过弥散磁共振成像（dMRI）获取反映白质纤维束走向的解剖连接信息；以及通过结构磁共振成像（sMRI）获取包括皮层曲率、厚度和髓鞘化在内的皮层形态学信息。然而，这些工作往往仅利用某一特定模态磁共振影像提供的个体信息，忽视了多种模态影像之间互补的结构和功能模式。事实上，与单一模态相比，整合多种模态可以更全面、更准确地描述脑功能和结构组织，从而为个体化脑图谱的构建提供更丰富、更可靠的信息基础。

近日，中国科学院自动化研究所崔玥副研究员等提出了两种新的多模态个体大脑分区方法：基于多模态脑连接的个体化分区（Multimodal Connectivity-based Individual Parcellation，MCIP）和基于任务激活图合成的多模态个体化分区方法（Atlas Individualizing with Task contrasts Synthesis，TS-AI），发现整合不同的数据模态可以提供互补信息，从而实现准确的个体大脑分区。MCIP融合了rsfMRI和dMRI，旨在最大化脑区内功能连接和解剖连接的同质性，并在参考图谱的引导下得到具有被试间脑区同源性的个体分区，同时考虑脑区的空间连续性。作为一种基于优化的方法，MCIP可以单个被试执行，更适用于脑功能或解剖明显异常的患者，以及动物大脑。TS-AI利用dMRI、rsfMRI预测任务功能磁共振影像（tfMRI）对比图，从而帮助脑图谱的个体化。作为一种基于学习的方法，TS-AI分为训练-推理两个过程，能够捕捉个体影像信息与脑分区之间的非线性关系，更适用于健康受试者或规模较大的疾病数据集。相关研究已发表于医学图像领域权威期刊IEEE Transactions on Medical Imaging（IF=8.9）和Medical Image Analysis（IF=10.7），题目分别为“Multimodal Connectivity-based Individual Parcellation and Analysis for Humans and Rhesus Monkeys”[1]和“TS-AI: A deep learning pipeline for multimodal subject-specific parcellation with task contrasts synthesis”[2]。

1. 研究工作一：基于多模态脑连接的

个体化分区方法（MCIP）

目前还没有一种基于多模态信息的个体化方法既适用于小规模数据集（如猕猴等重要的实验动物），又能保证个体间脑区的同源性。针对这个问题，MCIP利用单个被试的rsfMRI和dMRI进行个体化分区，旨在最大化单个被试的脑区内功能和解剖连接的同质性，并在参考图谱的引导下得到具有被试间脑区同源性的个体分区，同时考虑脑区的空间连续性。算法执行时，MCIP迭代地使用自适应加权方法融合功能-解剖连接，并使用图割算法最小化所提出的能量函数。本文进行了包括重测可靠性、解剖和功能同质性、行为预测能力和遗传性的多方面验证来评估个体图谱的可用性。本文还对人类和猕猴的脑区拓扑变异进行了比较研究，得出了人类的拓扑变异性高于猕猴的结论，这一结论也得到了其他研究的支持。

图1 基于多模态脑连接信息的个体化分区（MCIP）的示意图

图2 基于MCIP得到的人类和猕猴个体图谱的脑区拓扑变异性

此研究由中国科学院自动化研究所完成，崔玥副研究员、硕士研究生黎诚译为共同第一作者，崔玥副研究员为通讯作者，蒋田仔研究员、余山研究员，以及博士生陆玉恒、马亮、程禄祺、曹龙等参与了该项研究。研究得到了科技创新2030 -“脑科学与类脑研究”重大项目和国家自然科学基金委项目的资助。

2. 研究工作二：基于任务激活图合成的多模态个体化

分区方法（TS-AI）

基于任务的功能磁共振成像（tfMRI）可以捕捉个体在各种功能和行为过程中的特定激活模式，有助于定位功能亚区的个体级别定位。然而获取高质量的tfMRI既耗时又费力。因此，文章提出了一个两阶段网络模型TS-AI，通过预测tfMRI数据来个体化皮层图谱。TS-AI首先利用纤维束解剖连接和静息功能网络为每个个体合成一系列任务对比图。然后，这些合成对比图以及解剖连接和静息网络的特征图被输入到另一个深度网络中得到个体化图谱。

另一方面，基于学习的个体化方法的一个难点在于缺乏作为监督信号的“真实”个体脑分区。对此，TS-AI通过特征一致性损失引入了脑区内信号同质性假设，可以使模型在具备更强的非线性拟合能力的同时减轻其过拟合风险。通过评估测试-重测可靠性、同质性和认知行为预测，使用不同的参考图谱和数据集对个性化分区进行了验证，展示了TS-AI优越的性能和泛化能力。为了了解TS-AI的内部工作原理，文章进一步进行了敏感性分析，揭示了影响各脑区个体差异的不同多模态特征。此外，本研究观察到几个脑区的变异负载与阿尔茨海默病患者、轻度认知障碍和健康对照组之间存在显著关联，并反映了AD的进展，这展示了其在临床研究和应用中的潜力。

图3 TS-AI方法流程

图4 TS-AI方法得到个体图谱的脑区内信号同质性和认知行为预测性能的均超过其他方法

此研究由中国科学院自动化研究所完成，硕士研究生黎诚译为第一作者，崔玥副研究员、余山研究员为共同通讯作者，博士生陆玉恒也对本文有重要贡献。研究得到了科技创新2030 -“脑科学与类脑研究”重大项目和国家自然科学基金委项目的资助。

MCIP和TS-AI的代码、以及HCP S1200的个体化分区结果已经在GitHub上开放共享：https://github.com/YueCui-Labs/，供科研人员下载使用。

崔玥副研究员课题组研究方向为脑疾病辅助诊断与预测、植入式脑机接口手术导航、医学图像处理与分析影像遗传研究和脑网络分析等。课题组诚聘实习研究生，欢迎感兴趣者发送简历至 27097843@qq.com。

原文链接：

https://doi.org/10.1109/tmi.2024.3392946

https://doi.org/10.1016/j.media.2024.103297

参考文献

1. Yue Cui, Chengyi Li, Yuheng Lu, Liang Ma, Luqi Cheng, Long Cao, Shan Yu, Tianzi Jiang. Multimodal connectivity-based individual parcellation and analysis for humans and rhesus monkeys [J]. IEEE Transactions on Medical Imaging,2024.

2. Chengyi Li, Yuheng Lu, Shan Yu, Yue Cui. TS-AI: A deep learning pipeline for multimodal subject-specific parcellation with task contrasts synthesis [J]. Medical Image Analysis, 97, 103297, 2024.