Neuron:人类个体大脑的精准功能成像

来自美国德州VISN 17 Center of Excellence的Evan M. Gordon等人在Neuron期刊上发文,主要介绍了其提供的MSC数据集,以及针对数据集的研究。数据集包括来自十个样本的5个小时的RSFC数据,6个小时的任务态fMRI,以及结构 MRI。文章认为,原有的fMRI研究主要侧重于分析组间数据,其掩盖了个体fMRI静息态功能连接RSFC和任务态激活的细节信息。研究认为在全脑fMRI研究中增加单个被试fMRI数据量可以显著提高结果的可靠性和特异性,并提出了一种通过长时间采样细致展示脑组织的基于fMRI的神经科学的新方法。为了验证,研究引入了十个样本高质量的功能连接数据,揭示了个体水平的脑网络中的几种新型空间和组织变异性,包括与结构和任务导出的脑特征相对应的独特网络特征和拓扑。研究内容有四个主要亮点:1)个体大脑组织结构和组平均脑组织估计结构有质的区别;2)在大数据的支持下,个体大脑的功能测定变得更加可靠;3)个体能够表现出鲜明的脑网络拓扑结构;4)分享了十个样本的高采样多模态的fMRI数据。

在过去30年,fMRI成为了一种广泛地用来认识和了解大脑的工具。通过对大数据整合,神经学家能够有效地探寻任务态的激活模式以及大尺度脑网络的结构特征。然而,与结构MRI不同,fMRI和RSFC的研究方法一般都回避研究个体,其研究的重点是使用功能定位或高场成像技术来研究大脑皮层的特定区域。针对fMRI和RSFC的研究通常集中在组平均的研究。虽然这能够揭示功能性脑组织的一些基本原理,但是其对个体样本的分析存在缺陷,这意味着fMRI和RSFC的临床应用会受到局限。由于BOLD 信号的时间信噪比相对较低,因此短时间的扫描结果不能精确地表征大脑功能和组织。因此,研究人员通常选择在许多个体之间聚合数据。但是这抑制了个体的一些特征。描述功能脑组织中的跨个体变异性的研究通常使用对于每一个样本而言数据相对较少量的数据集,虽然目前该数据量已经增加,但是,对于个体水平的大脑表征仍然存在不足。

研究认为,通过改进一系列研究方法来系统地描述个体的大脑功能和组织,以及适当扩展标准的人类功能神经成像方法是有效的。个体层面特定的神经影像对于决定大脑组织的差异是否与行为相关,疾病相关,或异常现象是至关重要的。这也将有助于研究个体样本中具有特殊脑损伤、罕见疾病或异常认知能力,从而加深我们对人类大脑组织的基本原则的理解。最后,相较于常规功能映射,这种方法对单个神经系统、神经外科和精神病患者的大脑组织的精确描述成为可能。

最近,Laumann等人一项超过一年的研究中,通过分析从个体样本上收集到的数小时RSFC数据来表征个体水平的功能性大脑网络结构。 这项工作表明:1)通过充足的数据,可以在个体中进行可靠的脑网络估计; 2)个体脑网络的特征与任务驱动的功能区域激活密切相关; 3)个体水平的脑网络比群体平均网络能够提供更多的信息,因为个体的特征通常被组平均所隐藏。说明,通过大尺度数据收集能够有效针对个体特异性的研究。为了验证,研究采集了十个人大规模数据,包含几个小时获取的RSFC,fMRI,结构MRI和神经心理测试(图1,表1)。为了规范时间效应以及降低数据采集成本,扫描从凌晨开始。数据集称为MSC数据。完整的MSC数据集可从openfmri.org和neurovault.org免费获得。并且提供了一系列新的研究,以表征MSC数据库中的十个样本的功能性脑组织。包括:1)评估RSFC数据的质量,包括网络功能的多重连接和图论测量的可靠性; 2)精确描述每个MSC主体的脑网络组织,包括物理特征和网络拓扑;和3)个体的任务激活模式,由RSFC产生的大脑网络,以及皮层髓磷脂的分布。

结果

图1简要描述MSC数据集的信息。 对于每一个样本,MSC数据收集3.5小时的结构MRI数据; 5小时的RSFC数据; 6个小时的基于任务(包括一个被阻塞的运动任务,一个混合阻塞和事件相关的知觉和语言任务,以及一个与多个刺激类型相关的事件相关记忆任务)的fMRI数据,神经心理测试(表1)。

图1 数据包括四个高分辨率T1扫描,四个高分辨率T2扫描,四个磁共振血管造影(MRA)扫描,四对磁共振静脉图(MRV)扫描,五个小时的fMRI RSFC数据,六个小时的fMRI任务数据跨越,三项不同的任务,以及四项神经心理学评估,产生21项个人评估分数。

表1

RSFC的可靠性

利用Laumann定义的脑区提取平均时间序列。利用多次迭代对每个样本的FC进行可靠行分析,可靠性通过1)脑区间的连接矩阵;2)每个脑区的网络进行分析(hub结构,模块性,信息传输效率);3)参与系数;4)全局效率;5)模块性进行分析。图2A-2E中,所有的测度均表现出较差的可靠性。增加数据量后,可靠性明显的增加。在一个样本MSC08中,可能是由于运动伪影的影响(图S2),脑区间连接相似性较低(图2A和2H)。然而,MSC08的数据远远不如残留运动效应和之间的相关性可靠。排除MSC08,我们观察到需要30分钟的运动检测数据来实现可靠的r> 0.85的平均相关系数矩阵(图2A)。网络配准需要更多的数据(90分钟)来实现平均系数> 0.75(图2B)。模块化实现平均差异<3%(图2E)仅需要10分钟,而全局效率需要90分钟才能达到相同的可靠性(图2D)。 PC测量在大多数受试者中均未达到相似度(最大r = 0.5-0.65;图2C)。计算每个样本的网络的可靠性如图S2A-S2C所示。

关于全局效率和模块化,增加数据量不仅增加了可靠性,而且改变了期望值,这表明这些指标非常依赖于数据量。这种效果在图2F和2G中。在所有样本中,由运动截断数据少于20分钟计算出的全局效率提高(图2F),而从少于20分钟的数据计算出的模块化系统地被抑制(图2G)。在受试者内部和之间检查Session-level的RSFC基因相似性。受试者间相似度高于session(图2H中的对角线块,MSC08中最差),主要体感和运动皮质中的交互差异最显著(见图S2E和S2F)。对于每个session,受试者的相关矩阵相似度大于对象(全部t> 3.34;全部p<0.001),这意味着个体RSFC不同。

图2 可靠性,偏差,以及相似性等RSFC度量。(a-e)各种脑网络测量的可靠性随着分析数据量的增加而增加。重复了1000次随机选择一定数量的运动审查数据(x轴)并与同一样本的70分钟的随机独立样本进行比较;显示(A)相关性连接矩阵上的三角形;(B)随机系数代表了节点的分类分配的重叠;(C)节点参与的相关性系数;(D)全球效率的差异;(E)在模块性方面的差异。 (做减法)

个体水平的高保真RSFC影像揭示组平均隐藏个人特定脑网络特征

为了比较个体样本的网络拓扑结构,研究采用了基于图论的检测方法。通过不同密度的阈值来构建网络,并根据模板网络的相似性来配准(图S3A)。识别的网络包括DMN,mVis,lVis,CON,FPN,DAN,VAN,hSMN,fSMN,lMN,PMN,CAN,aMTL,pMTL。网络拓扑结构在不同密度阈值下保持(图S3B和S3C)。除了枕叶骶沟的一个小区域外,RSFC模式的交叉主体变异与皮质折叠无关(图S3D)。数据集中的十个样本的网络拓扑结构具有广泛一致性(图3A和3B)。例如,所有的网络都显示内侧顶叶皮层,内侧前额叶皮质和双侧角回旋符合DMN特征,这些特征在组平均数据中具有稳定性。类似地,所有受试者在外侧前额叶皮质,外顶叶皮层,背内侧前额叶皮质和外侧颞叶皮层中符合典型的FPN特征。

然而,很多某些网络特征在组平均值中被抑制。例如,十个MSC受试者中的五个在前下/中额叶回区域符合CON区域(图3A,紫色箭头);六个受试者在侧顶叶皮质中符合lVis特征(图3A,深蓝色箭头);七个受试者在腹内侧前额叶皮质中符合DAN特征(图3B,黑色箭头);五名受试者在中间扣带皮层具有FPN特征(图3B,黄色箭头)。这些功能都不存在于组平均中。一个样本中突出了腹内侧前额叶皮层突出网络特征的连通性作为一个例子。虽然这个区域一直被认为是DMN的核心节点,我们显示在MSC06中,内侧前额叶皮质区域(图3C:种子B,黑色箭头)是强相关的具有前代扣带,额叶,腹侧岛和颞顶交界处,但与典型的DMN区域(白色圆圈)反相关。在vmPFC部分的一个相邻的种子被识别为DMN 网络(图3C,种子点A,红色箭头)其显示预期的强内侧顶叶和角回连通性。相比之下,相同的两个种子在MSC组平均中几乎没有显示连通性差异(图3C)。

个体网络连接和组平均的差异

为了表征大脑的网络结构,特别是网络内部和网络之间的关系。研究用个体水平网络特有的方法使用的皮质分析识别出了不同层次的大脑网络在RSFC的可靠性中 (见上图)。个体水平的脑网络的拓扑结构(图3A)以及脑区(图S4)相同,表明网络拓扑结构在组平均和个体之间是一致的。每个受试者和组平均值的网络结构可以通过阈值(0.5%至5%;)进行可视化。图4A和4B显示了从阈值范围(2.5%)的图。

MSC所得到的组平均网络结构(图4A)与以前的研究(Power et al,2011)相匹配。在结果中,感觉,运动和关联网络作为FPN(黄色)和DAN(绿色)网络(图4A,黄色箭头)的中心位置。相比之下,没有一个样本的脑网络展现了这个组织(图4B)。在十个MSC主题中的八个中,关联网络以圆形模式排列。在圈内,网络成对连接如下:DMN-FPN-DAN-CON-VAN-DMN。在两个样本(MSC02和MSC06,图4B,灰色箭头)中,网络是线性的,而不是传统的圆形连接。分析表明,这两个样本在VAN地区和VAN或DMN之外的其他地区之间缺乏强大的连接(图S5)。在MSC平均图中以及大多数样本中,DAN和FPN网络相邻或相交。然而,在两个人(MSC02和MSC10);图4B中,绿色箭头)中,DAN和FPN之间的连接不存在,并且DAN与lVis网络相邻。对每个密度阈值下的每个度量单独计算受试者的(ANCOVA),控制数据量和质量(参见STAR方法)。经过多次比较的校正后,我们发现阈值对受试者大脑的全局效率具有显著影响(2.5%密度:F [9,87] =7.81,校正p <0.001),图4C显示了2.5%阈值下的影响;图S6A和S6B示出了在每个密度阈值下每个受试者的平均值。全局效率效应主要由(MSC02和MSC06)的两个主体驱动,与所有其他样本相比,全局效率较低。还观察到MSC09脑网络的全局效率提高。见图S6C。

图4 大脑网络的图分析(a,b)网络可视化,有关系的节点群被联系到一起。注意,很多稀疏的连接并没有表示。(a)组平均,Fronto-Parietal(黄色)和Dorsal Attention(绿色)网络中心(黄色箭头)(b)不同个体的图。(c)ANCONVA检验

个体任务态fMRI的高保真成像

利用均值计算任务fMRI的值。运动任务激活响应如图5所示。样本的躯体运动分析在对舌头(腹外侧),手(背侧)和脚(背内侧)的运动的反应中具有显著性。 所有受试者的所有数据的组平均对于躯体运动没有特异性,其中包含大量白质。 相比之下,仅对自每个样本的一个session分析(使用相同的数据总量),产生了与组平均非常少的具有显著性响应的。 这些结果表明,即使单个样本使用有效的非线性方法相互组合,会抑制或者模糊任务态fMRI在组平均数据。

图5 十个样本基于任务的反应,靠近中央沟的区域显示出对脚、手和舌头动作的反应。“手”和“脚”的激活模式表示左和右的对比运动,阈值分别设置为5和3,舌头“激活代表舌动与基线对比阈值设置为10,(MSCavg)数据都来自于所有的数据时受试者进行测试。(Data-matchedavg)平均反应当数据量与之匹配的个体数据的对比。

图6 . RSFC网络和十个样本的多个任务的高采样的任务响应之间的对应关系。对于手和舌头运动的强烈激活(手>舌对比),现实了个体水平上特定的RSFC显示出的hSMN和fSMN网络边界(图6A和6B,分别为青色和橙色轮廓)。对视觉场景(场景和脸部对比)的反应得到CAN网络的边界(图6C和6D)。相比之下,单独的运动和场景相关的反应不会影响来自其他受试者或组平均值得到的边界,从而证明个体之间具有特异性(图6E和6F)。通过对比内部和个体间的不均匀性来进行个体特异性的定量分析(图6G)。其中,八个样本的任务与网络对应在每个实例中都比每个样本更好。然而在两个样本(MSC07和MSC08)中,结论相反。总的来说,这些结果反应了个体水平响应任务得到紧致的网络边界。

髓鞘特征与RSFC网络图密切相关

皮质髓磷脂含量可以从T1 - T2图像的加权结合得到。在MSC的每个研究对象中发现了一个位于枕叶外侧的高皮质髓鞘区域,该区域以前被认为是人类的MT +复合体。这个高髓鞘区域的空间位置在每个样本中并不相同(表S1)。在这里,研究假定MT +的解剖差异是否与RSFC网络的差异有关,并进行了测试。在所有的实验对象中,整个假定的MT +区域都在一个RSFC的网络中,并要求网络展示包含该区域 (图7A和7B)。此外,MT +区域显示来自其他样本或组平均的网络边界。这些结果显示了RSFC网络和个体皮层髓鞘分布的拓扑特异性的收敛性(图7C)。值得注意的是,在七个样本中 MT +区域被分配给lVis网络,但在其他三个样本(MSC02,MSC08,和MSC10)中分配到DAN网络。

图7

总结

研究主要介绍了针对十个样本通过多模态高采样的得到的MSC数据集,以及针对数据集进行的一些初步分析。这些分析包括功能连接和图论测度中的可靠性分析,并且提出了一些潜在偏差所产生的几个新问题。其中包括1)全局网络结构中变体的识别;2)任务诱发的大脑活动;3)静息网络和皮层髓磷脂含量分布之间个体特异性对应的演示。总而言之,这些分析强调了MSC数据集的科学价值,可以用于各个大脑的精密功能成像。研究观察到十个人全局网络组织之间的差异,为了研究普通人群的大脑网络,研究者认为下一步的任务将是研究更多数量的个体,以便更加准确地研究哪些差异与行为有关。目前,精细个体大脑成像的最大障碍是成本,MSC数据集通过公开提供给其他研究人员来降低成本,以便其他研究人员可以利用MSC数据来进一步描述大脑功能和组织的个体特定方面。

参考文献:Gordon E M, Laumann T O, Gilmore A W, et al. PrecisionFunctional Mapping of Individual Human Brains[J]. Neuron, 2017.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-09-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

神经网络诊断皮肤癌超越人类专家?来自医疗界的这篇论文给出了证明

1868
来自专栏大数据文摘

手把手|用Python端对端数据分析识别机器人“僵尸粉”

2256
来自专栏人工智能

快速安全追踪(FaSTrack):确保动态系统的安全实时导航

实时自主运动和导航是很难的,特别是当我们关心安全性时。当我们的动力系统复杂,以及外部干扰(如风)和先验条件未知时,这变得更加困难。我们在这项工作中的目标是为了保...

2797
来自专栏有趣的Python

TensorFlow应用实战-3- TensorFlow介绍

3- TensorFlow介绍 一句话介绍: Google开源的基于数据流图的科学计算库,适用于机器学习 不局限于机器学习,但目前被大多用于机器学习等。 ...

3955
来自专栏人工智能头条

解读Etsy如何利用热力学帮你找到适合“极客”的东西

1585
来自专栏思影科技

FNIRS研究:额颞叶-顶叶系统在真实情景下目光接触中的脑内和脑间同步

3507
来自专栏大数据文摘

AI大事件丨Paige.ai斥资将机器学习带入癌症病理学,TensorFlow 1.6.0(RC0)发布

1412
来自专栏Crossin的编程教室

用 Python 实现抖音尬舞机

如今说到体感游戏,大家一定都不陌生,比如微软的 Kinect、任天堂的 Switch,都曾是游戏业的革命性产品。而另一款网红产品—抖音,也在去年底上线过一个“尬...

2552
来自专栏FreeBuf

差分隐私保护:从入门到脱坑

差分隐私(Differential Privacy)是密码学中的一种手段,旨在提供一种当从统计数据库查询时,最大化数据查询的准确性,同时最大限度减少识别其记录的...

1.5K4
来自专栏算法+

音频增益响度分析 ReplayGain 附完整C代码示例

人们所熟知的图像方面的3A算法有: AF自动对焦(Automatic Focus) 自动对焦即调节摄像头焦距自动得到清晰的图像的过程 AE自动曝光(Automa...

5858

扫码关注云+社区

领取腾讯云代金券