識別個體大腦的獨特功能結構的是走向個體化醫(yī)學和理解人類認知和行為變化的神經基礎的關鍵一步（主要是因為當下的功能分區(qū)模板都是population水平的，雖然所有人的大腦在結構上和功能上是具有一定的人群一致性的，但是大腦在功能和結構上都存在著比較大的個體變異，尤其是在腦功能方面，因此，任務態(tài)fMRI為了能夠更精確的對被試腦功能激活的結構定位進行確定，會在個體空間進行激活分析。如果能夠通過具體方法在當下常用的靜息態(tài)數據中完成對個體的功能網絡分區(qū)，將極大的提高我們對功能網絡個體變異的理解，并且能夠更好的在組水平分析中考慮個體差異）。

    本文中作者開發(fā)了一種皮層分區(qū)算法，利用靜息態(tài)功能磁共振成像（fMRI）精確地繪制了個體水平下的功能組織?；诮M水平上的功能分區(qū)模版和大腦功能個體差異圖，在個體水平上進行功能網絡的迭代搜索。這種方法繪制的功能網絡在個體內部具有高度可重復性，并有效地捕捉到了個體間的差異。這個算法可以在不同的被試類型以及不同的數據類型上（比如，任務態(tài)態(tài)數據）都表現的很好。隨后，通過在患者大腦中進行侵入性皮質刺激來驗證了該方法的有效性，表明其在臨床應用中具有應用潛力。接下來，我們來看看文章是如何做到的吧。本研究發(fā)表在Nature neuroscience雜志。

Introduction

    人腦皮層是根據不同的特征（例如細胞結構和地形）來進行組織的。大腦中的這些腦區(qū)貢獻了專門化的功能，這些功能作為分布式網絡的一部分進行信息交互。無創(chuàng)神經成像技術的最新進展，尤其是功能磁共振成像的出現，使得探索人類大腦不同區(qū)域和網絡功能組織成為可能。前人的一些工作揭示了大腦功能網絡存在的高度復雜性，其中包括傳統大腦區(qū)域概念的組織、具有跨越和分裂腦區(qū)的組織屬性的網絡組織。此外，組織中存在個體差異，它們在整個皮質中分布不均勻。在個體水平上獲得功能圖譜是了解人腦的解剖結構與功能以及個體之間這種關系的穩(wěn)定性之間的關鍵步驟。

   識別個人大腦獨特的功能結構的能力對于個體化醫(yī)療尤為重要。臨床和影像學研究，包括采用侵入性功能測量技術的研究，已證明大腦不同功能系統組織中存在明顯的個體差異。因此，在特定被試中定位功能架構是臨床程序（例如手術計劃和腦刺激療法）的基本要求。但是，非侵入性功能映射技術通常在單被試水平上受到準確性和可靠性的限制。迄今為止，在單個患者中進行精確的功能映射仍然嚴重依賴于侵入性方法（比如術中對病人的某個腦區(qū)進行電刺激，探測被試的任務反應，如語言產出，看是否會造成病人的任務執(zhí)行障礙）。

   個體功能映射對于研究人類行為和認知的差異也至關重要。對個體差異的功能成像研究通常使用通過解剖結構或人群平均fMRI研究定義的感興趣區(qū)域（ROI）。為了提高特異性，可以使用基于任務態(tài)的功能定位方法定義個體水平的ROI。近來，人們在基于靜息態(tài)的功能連接的基礎上投入了更多的精力來開發(fā)用于單個被試的功能網絡的分區(qū)方法。個體水平下的功能劃分不僅可以用作特定功能的“定位器”，而且還可以根據功能特征（而不是宏觀的解剖學分界）提供跨被試對齊的基礎，以改善組水平下的分析。

    因此，達到個體水平下的精準分析是神經成像的主要目標。具體來說，為了在臨床上是有用的，非侵入性功能成像技術必須滿足以下標準：

    （i）在單個被試內具有高度可重復性（多次采集同一個被試數據時的可重復性）；

   （ii）對不同被試之間的功能差異敏感；

   （iii）應與侵入性腦刺激的結果相匹配，因為當前大家認為侵入性腦刺激是個體水平功能映射的金標準。

   根據這些標準，本文提出來一個基于功能連接的個體水平功能分區(qū)方法，可應用于靜息態(tài)fMRI數據或任務態(tài)fMRI數據中提取的自發(fā)活動。在多個數據集上評估了分區(qū)的可重復性及其對個體差異的敏感性。然后在一組接受侵入性皮層刺激的外科手術患者中檢查網絡分區(qū)的有效性。
  

   分區(qū)方法如下：       

    1.根據1000名健康被試的數據，首次估算了由18個網絡組成的功能皮層圖譜（作者使用的是Yeo, B.T. et al.2011發(fā)表的基于皮層形態(tài)的最水平功能網絡圖譜，全腦被分為共18個網絡），并使用FreeSurfer軟件投射到個體被試的皮層表面。將個體被試的血氧水平依賴（BOLD）功能磁共振信號的時間序列在每個網絡內的皮層頂點（vertices）上進行平均。這些基于圖譜的時間序列被用作后續(xù)優(yōu)化過程的“參考信號”。     

    2.單個被試在每個皮層頂點的功能磁共振信號與從上一步得到的18個參考信號做相關。每個皮層頂點根據其與參考信號的最大相關值被重新分配到18個網絡中的一個。置信值也被計算為最大相關值和第二大相關值之間的比率。例如，如果一個皮層頂點與網絡A的參考信號的相關性最強，相關系數為0.8，與網絡B的相關性次強，相關系數為0.4，則該皮層頂點屬于網絡A的置信度為0.8/0.4=2。在所有皮層頂點被重新分配到18個具有一定置信水平的網絡中的一個之后，在每個網絡中，置信值大于預選閾值（例如，>1.1）的皮層頂點的BOLD信號被平均，作為“核心信號”。為每個網絡計算幾個參數，包括預先估計的功能連接中的被試間個體差異和時間信噪比（SNR），這些參數在置信值超過給定閾值的皮層頂點處進行歸一化和平均操作。     

    3.對于每個網絡，以加權方式平均從步驟（2）導出的核心信號和從步驟（1）導出的原始參考信號。在平均之前，將核心信號乘以在步驟（2）中計算的加權參數，包括被試間個體差異、信噪比和迭代次數。得到的信號估計值被用作下一次迭代的新參考信號。這種加權策略保證了原始的基于圖譜的參考信號在高個體差異腦區(qū)和高信噪比腦區(qū)的加權小于核心信號。隨著迭代的進行，權重逐漸減小。利用這些包含個體信息和群體圖譜信息的新參考信號，進一步將大腦皮層頂點重新分配到18個網絡中的一個。     

    4.迭代步驟（2）和（3），直到算法達到預定義的停止標準；例如，如果在兩次連續(xù)迭代中98%的皮層頂點的網絡歸屬保持不變，或達到了預定的迭代次數，則停止算法迭代。

圖1. 使用迭代調整的方法繪制個體大腦中的功能網絡。該技術包括以下步驟：

（1）使用FreeSurfer將基于人群的功能腦圖譜配準到個體的皮層表面。然后，在每個網絡中的皮層頂點上平均每個被試的BOLD信號時間序列。這些基于圖譜的時間序列被用作后續(xù)優(yōu)化過程的參考信號。

（2） 然后，個體在每個皮層頂點的BOLD信號與18個參考信號做相關。每個皮層頂點根據其與參考信號的最大相關性被重新分配到18個網絡中的一個。計算置信值（最大相關值和第二大相關值之間的比率）。重新分配每個皮層頂點后，對每個網絡中高置信度皮層頂點（例如，>1.1）的BOLD信號進行平均，并將其稱為核心信號。

（3） 對于每個網絡，以加權方式平均從步驟（2）導出的核心信號和從步驟（1）導出的原始參考信號。具體地說，核心信號乘以從被試間個體差異和SNR以及迭代次數導出的加權參數。平均信號用作下一次迭代的新參考信號。利用這些新的參考信號，大腦皮層頂點被進一步重新分配到18個網絡中的一個。

（4） 重復步驟（2）和（3），直到算法達到預定的迭代停止標準。

結果

1.分區(qū)是可靠的，能夠捕捉到被試間個體差異

    首先將分區(qū)算法(圖1)應用于由23名被試組成的縱向數據集(數據集I)，這些被試在6個月的時間內進行了5次掃描。在迭代搜索期間，功能網絡的邊界在個體數據中估計的功能連接以及組水平圖譜的指導下逐漸細化。總體而言，初級視覺和感覺運動區(qū)的皮層頂點在迭代中表現出相對穩(wěn)定的網絡分配（這與我們的基本經驗是符合的，一般認為這些更基礎的功能網絡在被試內和被試間都具有更小的變異）。然而，在優(yōu)化過程中聯合皮層中的皮層頂點表現出較大的調整。

    在每個被試中所產生的功能圖譜在五次掃描中的結果在視覺上保持一致，無論是在初級感覺運動區(qū)還是在高階關聯區(qū)(圖2)。定量分析表明，在五個掃描中，被試內的重復性很高(平均Dice系數為83%，Dice系數是一種集合相似度度量函數，通常用于計算兩個樣本的相似度，取值范圍在[0,1]，值越大，表明兩個集合的相似度越高)。同時，功能圖譜在不同個體之間差異很大(平均Dice系數=67%)，特別是在高級聯合區(qū)。

   結果表明迭代分區(qū)算法能夠為同一個人獲得可靠的功能網絡劃分，并可以反映個體間的網絡分布差異。最值得注意的是，每個被試的大腦都有具有獨特的功能網絡組織形式。

圖2. 功能腦分區(qū)在被試中具有很高的重復性，并捕捉到不同個體間的差異。23名健康被試在6個月內接受了5次靜息態(tài)掃描。使用每次掃描的數據，個體被試大腦的功能組織被分成18個網絡。顯示了跨掃描重復性最高的三個被試的分區(qū)網絡。不同被試的功能圖有很大的不同，特別是在高階聯合區(qū)。

 

2.分區(qū)廣泛適用于不同的數據類型

   為了更好地解決問題，在獨立于算法開發(fā)涉及的數據集I的樣本中對重測信度和對個體差異的敏感性進行了定量分析。來自人類連接組項目（HCP）的100位被試的MRI數據（數據集II）用于驗證研究。該隊列在年齡，掃描長度，種族，掃描儀類型和掃描協議方面與數據集I顯著不同。每位被試進行了兩次靜息態(tài)功能磁共振成像（rs-fMRI）掃描和七個任務態(tài)功能磁共振成像掃描。rs-fMRI在不同的日期進行；因此，它們可用于評估網絡分段的重測可靠性。

    每次迭代后使用Dice系數來測量被試內的可靠性和被試間的差異(圖3A)。因為算法是用基于總體的圖譜初始化的，所以在開始時，被試內部的可靠性為1，被試間的差異為0（因為最開始的時候，每個被試的個體網絡其實都是基于組水平網絡分割的，最后被試間是無差異的，并且同一個被試前后兩次數據的網絡分區(qū)是完全相同的）。隨著迭代過程的進行，被試間的差異增加，被試內的可靠性下降，但在幾次迭代后兩者都穩(wěn)定下來。

    迭代分區(qū)技術在這個獨立的數據集中表現出了普適性。從兩次rs-fMRI掃描得出的功能圖譜在被試內高度一致(圖3B)。在同一被試的兩次rs-fMRI掃描中，Dice系數為82.4%±3.2%(平均S.D.)。值得注意的是，這些圖譜還顯示出顯著的被試間個體差異。任意兩個個體之間的Dice系數為60.5%±2.8%(對應于被試間個體差異為39.5%)。網絡歸屬關系的被試內一致性顯著高于被試間一致性(非配對雙尾t檢驗，t=91.00，P<0.001)(圖3C)。

    一個重要的問題是迭代分區(qū)算法是否可以應用于廣泛的任務態(tài)fMRI數據。鑒于目前已有大量的任務態(tài)fMRI數據集，而且任務態(tài)fMRI通常用于許多醫(yī)院的術前定位，如果能將該技術直接應用于任務態(tài)數據，則該方法的實用價值將大大提高。為了測試這種可能性，對100名HCP被試的基于任務態(tài)的fMRI數據進行帶通濾波（0.01–0.08Hz），并與靜息態(tài)數據相同的方式進行數據預處理?？梢詮膯蝹€任務態(tài)的數據導出分區(qū)，但由于數據采集長度有限，可靠性較低（一般情況下，任務態(tài)數據不像靜息態(tài)數據關注采集時常對數據穩(wěn)定性的確保，任務完成后就會停止）。因此，將不同任務態(tài)的數據合并到每個被試中，以增加每個被試的數據量，并將任何特定任務態(tài)設計對連接估計的影響降到最低。

    對于每個個體被試，對級聯的任務態(tài)fMRI數據和級聯的靜息態(tài)數據進行了迭代分區(qū)（圖3d）?；谌蝿諔B(tài)功能磁共振成像數據和靜息態(tài)數據的分區(qū)結果相似（Dice系數= 81.7％或4.0％）?；陟o息態(tài)和基于任務態(tài)的分區(qū)圖譜之間的一致性與兩個靜息態(tài)掃描之間的可重復性一樣高（配對的雙尾t檢驗，t（99）= 1.76，P = 0.08）（圖3c）。這些結果表明從任務態(tài)功能磁共振成像數據獲得單個被試的全腦功能圖譜的可行性。

圖3.基于HCP被試的被試內可靠性和被試間差異的定量分析。

(A)每次迭代后分區(qū)圖譜的被試內可靠性和被試間差異。陰影區(qū)域表示S.D.。

(B)三個示范被試的網絡。

(C)基于靜息態(tài)功能磁共振成像的分區(qū)顯示出較高的被試內可靠性和較高的被試間個體差異。在任何兩個個體之間(被試間)，只有60.5%±2.8%(平均S.D.)的大腦皮層頂點被分配到相同的網絡。比較同一被試(被試內部)的兩次掃描，82.4%±3.2%(平均S.D.)皮層頂點被分配到相同的網絡。所有100名HCP被試基于任務態(tài)數據和靜息態(tài)數據的分區(qū)結果(任務態(tài)與休息)顯示81.7%±4.0%(平均S.D.)。

(D)從三個示例被試的融合靜息態(tài)/任務態(tài)數據導出的網絡分區(qū)。

 

3.大腦的偏側化反映在網絡劃分上

   半球偏側化是人腦的一個重要的組織原則，也是大腦發(fā)育個體差異的潛在標志。在這里作者量化了個體網絡分布的偏側性。對于每個網絡，根據左半球的皮層頂點數和右半球的皮層頂點數計算橫向指數（LI）。在18個由迭代分區(qū)產生的網絡中，確定了兩個表現出強烈不對稱性的網絡。最左側化網絡包括額葉下回和傳統上與語言相關的顳頂葉交界區(qū)（圖4a）。在100名被試中，只有少數人表現出這種神經網絡的不典型的右側化（圖4a）。最右側的側化網絡包括島葉和角回，傳統上與腹側注意有關。這兩個網絡的側化顯示出中等的可重復測量能力。為了直接檢驗左偏分區(qū)網絡與語言功能之間的關系，在工作記憶任務中繪制了顯示激活的區(qū)域（Z閾值>1.96，對應于未校正的雙尾P閾值<0.05）。在組水平上，71.2%的左偏分區(qū)網絡的皮層頂點落在顯示語言相關激活的區(qū)域內（圖4b），這表明該左偏分區(qū)網絡與語言功能相關。最后, 調查了52名左撇子和52名右撇子（數據集三）的功能網絡的偏側性，并與年齡、性別、種族、教育程度、fMRI數據采集、數據質量和其他參數進行了匹配。

    迭代分區(qū)應用于每個個體，以識別出18個網絡。同樣，與語言相關的網絡和與注意力相關的網絡在兩組中均表現出最強的偏側性。與慣用左手的被試相比，慣用右手的被試在與語言相關的網絡中顯示出更強烈的側向化趨勢（平均LI 0.20 vs 0.16，未配對的雙尾t檢驗，t（102）= 1.9，P = 0.057），并在腹側注意力相關網絡中顯著增強側化作用（平均LI -0.14 vs -0.07，未配對的雙尾t檢驗，t（102）= 3.1，P = 0.003）（圖4c）。

圖4. 大腦的側化反應在網絡分區(qū)中。

（a） 兩個網絡的LIs在100名HCP受試者中表現出最強的側化；正值表示左側化。最強的左偏網絡位于傳統語言區(qū)，最強的右偏網絡位于傳統腹側注意區(qū)。

（b） 最強的左偏分區(qū)網絡與在語言任務中顯示激活的區(qū)域重疊。圖譜顯示在左側網絡中顯示重疊的受試者百分比和顯示語言激活的受試者百分比。

（c） 偏利影響功能網絡的側化。計算了52名左撇子和52名匹配的右手受試者的語言相關網絡和腹側注意相關網絡的側化指數。

 

4.分區(qū)網絡與任務態(tài)fMRI的比較

個體任務態(tài)誘發(fā)反應的可靠性受多種因素的影響，其中一些因素可以擴展到靜息態(tài)網絡的分析中。許多研究使用任務態(tài)fMRI激活圖來驗證或評估靜息態(tài)fMRI結果的準確性。在這里，本文量化了任務態(tài)fMRI激活圖的被試內可靠性和由迭代分區(qū)得到的功能網絡。在本研究中，在數據集II（100名HCP被試）中評估了兩種常規(guī)檢查的腦功能，即術前繪圖、運動和語言功能。通過常規(guī)的任務態(tài)誘發(fā)反應和迭代網絡對每個被試的手運動網絡和語言網絡進行分區(qū)定位。

任務態(tài)-誘發(fā)反應的評估使用單一的任務態(tài)運行，并在兩次掃描中顯示出一定范圍內的被試可靠性。使用Dice系數評估各種閾值的可靠性（從Z=1.96到Z=10.0，增量為0.1）。運動任務態(tài)的最大信度為40.4%（Z=6.76），語言任務態(tài)的最大信度為34.4%（Z=1.96）。然后對靜息態(tài)數據段進行迭代分區(qū)，長度與運動和語言任務態(tài)運行的長度相匹配（分別為3m 34s和3m 57s）。與任務態(tài)誘發(fā)反應相比，迭代分區(qū)在兩次運行中具有更高的重復性（配對雙尾t檢驗，t（99）=11.2，P<0.001；配對雙尾t檢驗，t（99）=21.9，P<0.001，語言網絡），手運動網絡的Dice系數為66.6% ±10.2%，語言網絡為61.5% ± 9.1%（平均S.D.）。

 

5.皮層電刺激驗證

使用了8名手術患者的臨床數據集，這些患者在手術前在MRI中執(zhí)行了一系列運動任務態(tài)（數據集IV）。此外，還收集了6名患者的靜息態(tài)數據。他們的手和舌感覺運動區(qū)域是通過皮層電刺激（ECS）定位的，這是目前用于術前功能定位的金標準。該數據集為評估迭代分區(qū)算法的臨床適用性提供了一個機會。

根據運動任務態(tài)功能磁共振成像（fMRI）數據對每個患者進行分區(qū)，這些數據經過帶通濾波（0.01–0.08Hz），并以與100名HCP被試相同的方式處理（數據集II）。手部和舌頭區(qū)域也用傳統的任務態(tài)激活方法來繪制。感覺運動ECS識別的區(qū)域用作參考（圖5a）。傳統任務態(tài)激活所識別的運動和感覺區(qū)域與ECS圖的一致性較低（圖5b）。相比之下，通過迭代分區(qū)識別的感覺運動區(qū)域與ECS（皮層電刺激）地圖更為一致（圖5c），這表明迭代分區(qū)技術是有效的，可以作為ECS的預篩選方法（補充圖6）。此外，置信值大于預定閾值（例如，任意閾值為1.1）的多功能網絡的分區(qū)圖可以提供侵入性皮質刺激的ROI的粗略估計（圖5d），可能縮短刺激程序。為了評估我們的分區(qū)技術在術前定位中的潛力，我們評估了數據集IV中8名外科患者手部和舌部感覺運動圖在不同置信閾值下的敏感性和特異性。通過改變任務態(tài)激活的t閾值，計算任務態(tài)fMRI的敏感性和特異性。

此外，使用FreeSurfer生成的前中心和后中心溝回標記來屏蔽任務態(tài)激活圖，以提高特異性。這種操作模仿了人類專家的程序，他們通常忽略ROI之外的噪聲激活反應。然后繪制了迭代并行算法（圖5e）、傳統的任務態(tài)激活映射和用解剖標記掩蓋的任務態(tài)激活的接收器的ROC曲線（ROC曲線主要是用于X對Y的預測準確率情況，一般用在對模型的特異性和敏感性的綜合性能評估，橫坐標X軸為 1 – 特異性，也稱為假陽性率（誤報率），X軸越接近零準確率越高；縱坐標Y軸稱為敏感度，也稱為真陽性率（敏感度），Y軸越大代表準確率越好。）。迭代分區(qū)方法顯著優(yōu)于其他兩種基于任務態(tài)的方法，且曲線下面積（AUC）顯著增大（P=0.008和P=0.015，Wilcoxon秩和檢驗；迭代分區(qū)AUC為0.91，任務態(tài)功能磁共振數據的AUC為0.76），然后我們將迭代分區(qū)應用于數據集IV中6名患者的純靜息態(tài)數據（圖5e）。ROC曲線與基于任務態(tài)fMRI數據的原始分區(qū)結果無顯著差異（AUC=0.91 vs 0.89，P=0.22，Wilcoxon秩和檢驗）。最后，檢查了對于每個個體，使用迭代分區(qū)是否真的比使用基于人群的圖譜更有利（圖5e和補充圖6）。迭代分區(qū)算法在運動映射方面明顯優(yōu)于組水平圖譜（AUC=0.91 vs 0.78，P=0.015，Wilcoxon秩和檢驗）。

圖5. 單個腦區(qū)分區(qū)識別的感覺運動網絡對應于侵入性皮層刺激定位的功能區(qū)域。

（a）以ECS識別的感覺運動區(qū)為金標準，采用多種方法對8例手術患者的手、舌感覺運動區(qū)進行了定位。紅點表示負極；黃點表示正極。

（b） 傳統任務激活識別的感覺和運動區(qū)域與ECS圖的一致性較低。

（c） 基于任務fMRI數據的迭代分區(qū)識別出的手感覺運動區(qū)域與ECS圖一致。地圖顯示了具有高置信度值（>1.2）的皮層頂點。

（d） 個體腦區(qū)分割可作為ECS的預篩選方法。該地圖顯示了具有高置信度值（>1.1）的皮層頂點的網絡歸屬關系。

（e） 八位外科病人手部和舌部感覺運動圖在五種映射方法的不同閾值范圍內的敏感性和特異性的統計分析：八位受試者任務功能磁共振成像的迭代分區(qū)技術（綠色），六位受試者純靜息狀態(tài)功能磁共振成像的迭代分區(qū)技術（黑色）、將基于人群的圖譜直接投影到每個個體（藍色）、單獨繪制傳統任務激活圖（紫色）和用FreeSurfer生成的解剖標簽的任務激活圖（紅色）

 

總結：

   本文中提出了一種基于功能連接的個體大腦皮層功能網絡劃分方法。每個大腦都有獨特的特征。分區(qū)網絡在被試中可重復進行多次掃描，并可限制個體間功能組織的差異，包括大腦偏側化的差異。本文發(fā)現這種方法可以應用于不同人群，并擴展到任務態(tài)fMRI數據。以有創(chuàng)性皮層刺激為金標準，評價了手術患者迭代功能分區(qū)的敏感性和特異性，并與常規(guī)任務態(tài)fMRI進行了比較。本文的研究結果表明，個體皮層分區(qū)算法能夠正確定位個體的功能網絡，具有潛在的臨床應用價值。

    總體來說，本文方法的價值在于以下三個方面：

l  揭示大腦組織的個體差異

   對個體差異具有高度敏感性的精確分區(qū)技術將有助于發(fā)現有意義的生物標記物以用于認知能力或疾病狀態(tài)的鑒定，并為調查行為或遺傳關聯提供更大的統計能力。

l  臨床干預的意義

    個體水平的功能圖譜對臨床實踐有很強的指導意義，特別是對于依賴于精確功能定位的手術計劃和腦刺激。目前，基于任務態(tài)的功能磁共振成像的術前成像由于信噪比低、重測可靠性有限以及與來自侵入式皮層刺激的類似成像的重疊有限而受到限制，這就對其臨床應用提出了疑問。在一小群外科病人中，本文的方法與傳統的任務態(tài)相比，通過迭代分區(qū)可以更精確地定位感覺運動網絡。

   為了使這種分區(qū)策略在繪制患者的語言和記憶網絡圖時有用，需要進一步優(yōu)化和驗證。盡管如此，本方法的初步觀察表明，分區(qū)能夠可靠地識別與語言任務態(tài)激活區(qū)域重疊的強左偏網絡和位于傳統腹側注意區(qū)域的右偏網絡。此外，這些網絡的偏側化可能與利手有關。這些觀察結果表明，這種迭代的、個性化定制的分區(qū)方法捕獲了大腦網絡組織中個體差異的很大一部分。

l  改進群體分析的跨被試對齊

    建立被試之間的功能對應關系是進行組水平下功能成像分析的首要條件。盡管腦解剖和功能之間的聯系還沒有完全建立起來，而且個體之間的聯系可能會有所不同，但大多數功能磁共振成像處理工具都是根據諸如由結構磁共振成像識別的全局形態(tài)學等解剖特征，將個體與一個共同的模板對齊。

    如果功能網絡與宏觀解剖學沒有緊密聯系，它們很可能會錯位。例如，語言網絡的分布是高度可變的，甚至可能分布在不同個體的不同半球上，因此，為研究語言功能而調整研究對象可能特別具有挑戰(zhàn)性。即使在基于曲率的數據仔細對齊之后，也發(fā)現功能區(qū)域中存在大量的被試間個體差異，這在很大程度上消除了宏觀解剖個體差異。

    利用靜息態(tài)連通度進行功能網絡分區(qū)，特別是在個體水平進行分區(qū)，可以為群體水平分析提供一種互補的、基于連接的功能定位方法。像本文這里描述的分區(qū)方法可以為跨被試的配準提供一組功能性的標志，為新的腦圖像對齊提供策略。
原文：Parcellating cortical functional networks in individuals
如需原文及補充材料請加思影科技微信：siyingyxf 或者18983979082（楊曉飛）獲取,如對思影課程及服務感興趣也可加此微信號咨詢。覺得對您的研究有幫助，請給個轉發(fā)，以及右下角點擊一下在看，是對思影科技莫大的支持。

微信掃碼或者長按選擇識別關注思影

非常感謝轉發(fā)支持與推薦