導(dǎo)讀

纖維束成像無(wú)創(chuàng)地描繪大腦白質(zhì)纖維通路的能力為其臨床應(yīng)用提供了可能性，并為神經(jīng)科學(xué)研究提供了巨大的潛力。在過(guò)去的十年里，纖維示蹤已成為研究特定白質(zhì)束中定量MRI參數(shù)的首選方法。纖維示蹤在“連接組學(xué)”領(lǐng)域也發(fā)揮著重要作用，連接組學(xué)是一種建立和研究大腦內(nèi)復(fù)雜連接網(wǎng)絡(luò)的綜合圖譜的技術(shù)，并且擁有大量的成像數(shù)據(jù)資源。盡管纖維示蹤具有獨(dú)特的功能和令人興奮的應(yīng)用趨勢(shì)，但它并非沒(méi)有爭(zhēng)議，尤其是在其解釋方面。隨著神經(jīng)科學(xué)家渴望研究大腦的連接性，纖維示蹤成像衍生的遠(yuǎn)距離腦區(qū)之間“連接強(qiáng)度”的量化正變得越來(lái)越流行。然而，纖維示蹤專家通常不贊成這種做法。鑒于這一爭(zhēng)議，本文概述了纖維示蹤成像的關(guān)鍵概念、技術(shù)因素、不同類型的纖維束成像算法，以及圍繞它們的常見誤解和錯(cuò)誤。

前言

彌散MRI(dMRI)使用一種特定類型的MRI序列，該序列對(duì)水分子的隨機(jī)微觀運(yùn)動(dòng)(或擴(kuò)散)敏感。大腦組織中纖維的連貫排列對(duì)這種運(yùn)動(dòng)產(chǎn)生了方向依賴，因?yàn)樗肿訑U(kuò)散受到的阻力比垂直于纖維束的方向上小。通過(guò)沿著一些非共線方向測(cè)量每個(gè)成像體素的dMRI信號(hào)，可以評(píng)估整個(gè)感興趣組織中的局部纖維方向。然后，這些局部纖維的方向可以拼湊在一起，以推斷連接大腦較遠(yuǎn)區(qū)域的遠(yuǎn)距離通路，這一過(guò)程通常被稱為纖維示蹤或纖維束成像。
基于dMRI的纖維束成像能夠無(wú)創(chuàng)地描繪出大腦白質(zhì)纖維通路，這為臨床應(yīng)用提供了可能性，并為研究大腦解剖、發(fā)育甚至功能提供了巨大的潛力。要了解大腦作為一個(gè)整體是如何運(yùn)作的，我們不僅需要了解哪些皮層區(qū)域是活躍的，而且同樣重要的是，要繪制出區(qū)域之間進(jìn)行信息傳遞的物理連接。
在過(guò)去十年中，纖維示蹤已成為研究各種疾病(包括但不限于阿爾茨海默癥、精神分裂癥、中風(fēng)和癲癇)特定白質(zhì)束中定量MRI參數(shù)的首選方法。對(duì)于神經(jīng)外科醫(yī)生來(lái)說(shuō)，纖維束成像正迅速成為手術(shù)規(guī)劃的寶貴工具，允許在手術(shù)前甚至手術(shù)期間對(duì)重要的白質(zhì)通路進(jìn)行可視化和定位。纖維示蹤在“連接組學(xué)”領(lǐng)域也發(fā)揮著重要作用，連接組學(xué)是一種建立和研究大腦內(nèi)復(fù)雜連接網(wǎng)絡(luò)的綜合圖譜的技術(shù)，并且擁有大量的成像數(shù)據(jù)資源。
盡管纖維示蹤具有獨(dú)特的功能，但它并非沒(méi)有爭(zhēng)議。一方面，有研究者渴望應(yīng)用這種有吸引力的技術(shù)來(lái)更好地了解人類大腦。通常情況下，這些人使用纖維示蹤軟件，并且通常是作為一個(gè)黑匣子。另一方面，有人認(rèn)為通過(guò)纖維示蹤獲得的許多發(fā)現(xiàn)應(yīng)該持保留態(tài)度。這些人非常清楚纖維示蹤的潛在陷阱和局限性，認(rèn)為纖維示蹤經(jīng)常被濫用，或者基于纖維束成像的結(jié)果經(jīng)常被誤解。有趣的是，這些人往往是最初真正開發(fā)纖維示蹤工具的人。鑒于這一持續(xù)的爭(zhēng)議，本文將概述纖維束成像的關(guān)鍵概念、技術(shù)因素、不同類型的纖維束成像算法，以及圍繞它們的常見誤解和錯(cuò)誤。雖然關(guān)于纖維示蹤的局限性，本文中的觀點(diǎn)可能會(huì)讓一些讀者感到悲觀。然而，作者希望它能打開許多人的眼界，并促使人們反思纖維束成像的內(nèi)在局限性。同時(shí)，希望這里所呈現(xiàn)的真相將為開發(fā)下一代纖維示蹤算法提供啟發(fā)。

關(guān)鍵概念和術(shù)語(yǔ)

白質(zhì)纖維束

雖然纖維示蹤可以在各種纖維組織類型上進(jìn)行，如心肌、骨骼肌、韌帶、周圍神經(jīng)、腎錐體，但其主要應(yīng)用是中樞神經(jīng)系統(tǒng)，尤其是大腦白質(zhì)。這里將重點(diǎn)關(guān)注大腦纖維追蹤。大腦白質(zhì)主要由髓鞘神經(jīng)纖維束組成。神經(jīng)纖維(或軸突)是神經(jīng)細(xì)胞(或神經(jīng)元)的長(zhǎng)線狀延伸，連接特定的大腦區(qū)域并通過(guò)電脈沖傳遞信息。這些纖維緊密地包裹在一起，形成纖維束或束狀物，它們具有共同的起點(diǎn)和終點(diǎn)。大腦的全接線圖，通常被稱為連接組。捕獲全腦連接組可以被視為纖維束成像(甚至可能是整個(gè)神經(jīng)科學(xué))的圣杯，因?yàn)樗鼘槲覀兲峁?duì)大腦結(jié)構(gòu)的前所未有的洞察，并最終了解大腦的功能。

纖維束成像

在最直接的形式中，纖維束成像假設(shè)每個(gè)成像體素的特征是一個(gè)單一的主要纖維方向，并將這些局部方向拼湊在一起來(lái)推斷全局纖維軌跡(圖1)。在數(shù)學(xué)上，可以將局部纖維方向集視為三維(3D)向量場(chǎng)，將全局纖維軌跡視作其流線。流線是沿其軌跡與向量場(chǎng)相切的任何曲線，可以表示為3D空間曲線r(s)，以其弧長(zhǎng)s為參數(shù)。為了使流線與向量場(chǎng)對(duì)齊，弧長(zhǎng)s處的切線必須等于相應(yīng)位置處的向量：

其中r(s)表示沿流線的3D位置，v表示3D向量場(chǎng)。注意，上述公式是一個(gè)微分方程，可以通過(guò)積分求解：

其中r(s0)=r0表示流線的起點(diǎn)，通常稱為種子點(diǎn)。上述將逐步方向集成到流線中的過(guò)程通常稱為流線跟蹤或示蹤成像，由此產(chǎn)生的軌跡通常稱為軌跡或路徑。使用軌跡圖生成的軌跡集合有時(shí)稱為示蹤圖。

纖維示蹤的虛擬性

在這一點(diǎn)上，應(yīng)該清楚的是，雖然我們大腦中的白質(zhì)“纖維”是物理對(duì)象，但通過(guò)纖維示蹤獲得的“纖維軌跡”或“流線”是虛擬實(shí)體，不包含物理體積，并且只與神經(jīng)纖維間接相關(guān)。因此，術(shù)語(yǔ)“連接組”和“示蹤圖”不應(yīng)在沒(méi)有適當(dāng)上下文的情況下自由互換。雖然纖維示蹤的最終目標(biāo)是繪制人類連接組，但對(duì)于相同的連接組，不同的追蹤方法將產(chǎn)生非常不同的纖維示蹤圖，即使是最先進(jìn)的追蹤算法也只能產(chǎn)生對(duì)實(shí)際連接組的非常粗略的近似。

技術(shù)方面的因素

接下來(lái)，本文回顧了設(shè)計(jì)纖維示蹤方法時(shí)的主要技術(shù)考慮因素。

局部纖維方向估計(jì)

設(shè)計(jì)示蹤算法最具定義性和挑戰(zhàn)性的方面之一是選擇將原始dMRI圖像與局部纖維方向相關(guān)聯(lián)的基礎(chǔ)模型。這些模型都依賴于一個(gè)基本假設(shè)：當(dāng)許多神經(jīng)纖維沿著一個(gè)共同的方向排列時(shí)，水分子的擴(kuò)散在垂直方向上受到的阻力將比沿著它的方向更大。重要的是要認(rèn)識(shí)到，與(偏光)光學(xué)顯微鏡和電子顯微鏡等幾種成像技術(shù)相比，dMRI只能通過(guò)觀察水分子的相關(guān)平均擴(kuò)散模式來(lái)間接探測(cè)白質(zhì)纖維的方向。
鑒于單個(gè)白質(zhì)體素可以包含成千上萬(wàn)根纖維以及其他微結(jié)構(gòu)組織成分，從擴(kuò)散信號(hào)到纖維取向的映射是不適定的。這意味著明顯不同的纖維結(jié)構(gòu)（例如纖維的彎曲、扇形、交叉和粘連）都可能產(chǎn)生相同的MRI測(cè)量結(jié)果，因此無(wú)法在局部體素水平上區(qū)分這些情況。因此，應(yīng)該清楚的是，纖維示蹤只能對(duì)局部纖維方向進(jìn)行有根據(jù)的猜測(cè)。因此，對(duì)纖維束成像的解釋應(yīng)非常謹(jǐn)慎。接下里，將簡(jiǎn)要討論在纖維束成像背景下，多纖維和單纖維模型之間的主要區(qū)別。

迄今為止，根據(jù)擴(kuò)散信號(hào)來(lái)表征纖維方向的最廣泛使用的模型之一是彌散張量。彌散張量成像(DTI)只需要獲取有限數(shù)量的原始dMRI圖像，估計(jì)彌散張量通常需要適度的計(jì)算資源。然而，彌散張量只能區(qū)分每個(gè)體素的單個(gè)纖維群(圖2，左)。在復(fù)雜纖維結(jié)構(gòu)的體素中(例如，交叉纖維群或相鄰纖維群之間的部分體積效應(yīng))，彌散張量通常不能很好地表征底層纖維方向，從而導(dǎo)致假陰性(追蹤可能過(guò)早終止),或假陽(yáng)性(即可能切換到不相關(guān)的相鄰束上)。

圖2.局部纖維方向(上)和來(lái)自胼胝體部分(下)的相應(yīng)示蹤圖，使用低階(左)與高階(右)模型進(jìn)行局部纖維方向估計(jì)。
在過(guò)去的十年中，已經(jīng)提出了一系列所謂的“高階”纖維建模方法，該方法能夠估計(jì)每個(gè)體素內(nèi)多個(gè)纖維群的方向和相對(duì)貢獻(xiàn)，而無(wú)需明確假設(shè)底層纖維群的數(shù)量。這些方法通常將纖維方向表示為球體的連續(xù)函數(shù)，稱為纖維方向分布函數(shù)(fODF)(圖2右)。通過(guò)使用fODF作為傳播器，即使在具有復(fù)雜纖維結(jié)構(gòu)的白質(zhì)區(qū)域也可以進(jìn)行追蹤。雖然最初采用“高階”模型受到了長(zhǎng)掃描時(shí)間和有限的軟件可用性等方面的局限，但如今高階纖維追蹤方法已經(jīng)集成到大量軟件包中，并且可以很容易地用于臨床數(shù)據(jù)集。
盡管dMRI社區(qū)似乎越來(lái)越一致地認(rèn)為應(yīng)該棄用彌散張量纖維束成像。Farquharson等人發(fā)現(xiàn)，迄今為止發(fā)表的160項(xiàng)神經(jīng)外科纖維束成像研究中，約有98%報(bào)告使用了基于DTI的纖維束成像。最近的研究表明，基于DTI的纖維束成像可能導(dǎo)致不可靠和臨床誤導(dǎo)性的信息，而使用相同dMRI數(shù)據(jù)的高階纖維束成像方法清楚地證明了生物學(xué)角度上更合理的纖維軌跡。應(yīng)該注意的是，即使是最先進(jìn)的高階模型也仍然只是模型，即物理現(xiàn)實(shí)的簡(jiǎn)化近似，這些模型背后的一些假設(shè)可能并不總是成立的。因此，即使是先進(jìn)的纖維追蹤方法也仍然會(huì)受到建模錯(cuò)誤的影響。

積分法

一旦獲得了大腦中每個(gè)體素的纖維方向，下一個(gè)挑戰(zhàn)就是將它們連接在一起以形成長(zhǎng)距離的纖維軌跡。執(zhí)行公式(2)數(shù)值積分的最直觀方法是從給定的種子點(diǎn)r0開始，獲得相應(yīng)的局部纖維方向v(r0)，然后沿著該方向走一段短距離Δ，稱為步長(zhǎng)，以獲得流線上的下一個(gè)點(diǎn) r1=r0+v(r0)Δ。這種方法被稱為歐拉積分，可以通過(guò)迭代執(zhí)行此過(guò)程來(lái)重建整個(gè)路徑：

請(qǐng)注意，歐拉積分是一種一階積分方法，并假設(shè)方向v(ri)在步長(zhǎng)Δ的尺度上是恒定的，這將使該方法在高度彎曲的區(qū)域極易出現(xiàn)超調(diào)，特別是對(duì)于較大的步長(zhǎng)(圖3)。高階數(shù)值積分方案，如Runge-Kutta積分，考慮了v在ri和ri+1之間的變化，并且不太容易受到這些積分誤差的影響。在這一點(diǎn)上應(yīng)該清楚的是，即使使用高階積分方法，這種過(guò)程的純粹逐步特性也使得流線纖維追蹤非常容易受到誤差傳播的影響：事實(shí)上，即使是很小的局部誤差也會(huì)沿途累積，進(jìn)而導(dǎo)致軌跡偏離軌道并跳到不相關(guān)的相鄰區(qū)域或過(guò)早終止。

插值法

從公式(2)和(3)的右側(cè)可以清楚地看出，積分過(guò)程要求局部纖維方向在空間中的任意位置可用，而這些方向不一定與獲得體素位置的規(guī)則網(wǎng)格對(duì)齊。因此，需要一種將離散測(cè)量值插值到連續(xù)空間的方法。獲得任意位置的局部纖維方向估計(jì)值的最簡(jiǎn)單方法是使用最近鄰插值。這種方法通過(guò)最近的體素方向近似所需的纖維方向。但是，與在網(wǎng)格點(diǎn)之間執(zhí)行平滑插值的方法相比，這種方法會(huì)導(dǎo)致更大的插值誤差(圖4)。平滑插值法假定網(wǎng)格點(diǎn)之間的纖維方向包含來(lái)自每個(gè)相鄰點(diǎn)的貢獻(xiàn)。大多數(shù)算法使用三線性插值，其中局部纖維方向計(jì)算為最接近感興趣點(diǎn)的八個(gè)體素的加權(quán)和，每個(gè)相鄰體素的權(quán)重由其與感興趣點(diǎn)的距離決定。一些方法對(duì)原始擴(kuò)散加權(quán)數(shù)據(jù)執(zhí)行三線性插值，并根據(jù)插值數(shù)據(jù)重新計(jì)算局部纖維方向。另一種方法是直接插值局部纖維方向信息。雖然后一種方法可以節(jié)省大量的計(jì)算時(shí)間，但如果擴(kuò)散數(shù)據(jù)與局部纖維方向信息之間的關(guān)系不是線性的，則必須特別注意。

種子點(diǎn)選擇方案

通常，集成過(guò)程是從定義特定感興趣區(qū)域(ROI)的多個(gè)種子點(diǎn)開始執(zhí)行的。這些ROI是由用戶定義的。這個(gè)過(guò)程需要解剖學(xué)知識(shí)，并且受到操作人員之間差異的影響。為了減少對(duì)操作員的依賴，還可以從圖譜標(biāo)簽中定義ROI，或者可以從使用fMRI測(cè)量的皮層激活圖中獲得ROI。雖然后一種方法特別有吸引力，它允許在結(jié)構(gòu)和功能連接之間進(jìn)行相關(guān)性分析，但它可能會(huì)受到灰質(zhì)區(qū)域中存在的不清晰的纖維方向所困擾。

基于ROI纖維束成像的另一種替代方法是使用全腦纖維束成像，其中追蹤是從放置在整個(gè)大腦中的種子點(diǎn)開始的。全腦纖維示蹤圖是連接組學(xué)的基礎(chǔ)，有助于人們研究整個(gè)大腦中的連接。注意，全腦示蹤可以通過(guò)從所有白質(zhì)體素中播種或僅從靠近灰質(zhì)-白質(zhì)交界處的體素中播種來(lái)實(shí)現(xiàn)，因?yàn)檫@是已知纖維起源的地方(圖5)。前一種策略的優(yōu)點(diǎn)在于，追蹤可以保證探測(cè)整個(gè)白質(zhì)。但要注意的是，這種方法通常會(huì)導(dǎo)致長(zhǎng)而大的白質(zhì)束被過(guò)定義，因?yàn)樗鼈兡鼙桓嗟姆N子點(diǎn)探測(cè)到。在灰質(zhì)-白質(zhì)交界處進(jìn)行播種可以減少長(zhǎng)束的過(guò)表達(dá)；然而，并不能保證這些軌跡能夠覆蓋整個(gè)白質(zhì)，因?yàn)檐壽E通常會(huì)由于誤差而提前結(jié)束。

示蹤終止和驗(yàn)收標(biāo)準(zhǔn)

流線纖維束成像的最后一個(gè)方面是選擇何時(shí)停止示蹤過(guò)程。通常使用兩個(gè)標(biāo)準(zhǔn)：局部纖維方向概率和曲率。例如，在DTI纖維束成像中，當(dāng)分?jǐn)?shù)各向異性(FA)低于某個(gè)閾值時(shí)，通常會(huì)停止流線。該標(biāo)準(zhǔn)背后的基本原理是，低FA區(qū)域往往與主擴(kuò)散方向的高不確定性相關(guān)，因此下一個(gè)流線步驟的潛在誤差很大。對(duì)于基于高階重建算法的纖維束成像方法，若沿當(dāng)前示蹤方向的fODF表征的局部纖維密度低于某個(gè)閾值時(shí)，示蹤通常會(huì)終止，因?yàn)檫@表明數(shù)據(jù)支持局部纖維方向的概率較低。
曲率閾值的最大局部曲率：如果兩個(gè)連續(xù)步長(zhǎng)之間的角度高于預(yù)定義的閾值，則軌跡終止。由于在成像體素尺度上具有曲率半徑的白質(zhì)纖維束中發(fā)現(xiàn)彎曲是不尋常的，因此軌跡的任何突然變化都假定是由噪聲或模型缺陷等偽影引起的。除了終止標(biāo)準(zhǔn)外，纖維示蹤算法通常還采用接受/拒絕標(biāo)準(zhǔn)。最常用的標(biāo)準(zhǔn)是最小軌跡長(zhǎng)度，拒絕短的(通常是虛假的)纖維束。更高級(jí)的標(biāo)準(zhǔn)基于解剖先驗(yàn)，并拒絕終止于腦脊液或白質(zhì)內(nèi)的束，只接受連接不同灰質(zhì)區(qū)域的束。

虛擬解剖

通過(guò)纖維束選擇法，可以從全腦示蹤圖中分離出特定的纖維束。在實(shí)踐中，通過(guò)定義已知感興趣的纖維束經(jīng)過(guò)的ROIs來(lái)執(zhí)行纖維束選擇。還可以定義已知纖維束不通過(guò)的區(qū)域，并丟棄進(jìn)入這些區(qū)域的任何束。該技術(shù)已成功用于分離許多不同的纖維束，因此有時(shí)被稱為虛擬解剖(圖6)。雖然這種技術(shù)非常強(qiáng)大，但它在很大程度上依賴于先驗(yàn)解剖學(xué)知識(shí)?；蛘?，從圖譜中獲得的ROIs可以組合起來(lái)以自動(dòng)提取特定的束。

虛擬解剖對(duì)于研究纖維束形狀或用于纖維束測(cè)量特別有用，這是一組從特定纖維束中提取定量指標(biāo)(來(lái)自dMRI或其他成像方式)的技術(shù)。在其最簡(jiǎn)單和最廣泛使用的形式中，示蹤成像定義的ROI分析，指標(biāo)是特定區(qū)域覆蓋的所有體素的均值，但更先進(jìn)的技術(shù)(如輪廓測(cè)定法)以沿特定區(qū)域范例軌跡的弧長(zhǎng)函數(shù)為指標(biāo)進(jìn)行研究。

纖維示蹤算法

確定性方法與概率性方法

確定性纖維束成像算法假設(shè)每個(gè)體素中都有一個(gè)唯一的纖維方向估計(jì)，因此提供了從每個(gè)種子點(diǎn)發(fā)出的單一路徑。然而，由于成像噪聲和偽影，以及由于局部模型不準(zhǔn)確和流線積分誤差，局部纖維方向估計(jì)會(huì)受到誤差的影響，所有這些都將反映在最終的全局纖維軌跡中。這些誤差在流線纖維束中尤其重要，因?yàn)闇y(cè)量不確定度可以傳播。為了表征這種不確定性，概率纖維束成像算法從每個(gè)種子點(diǎn)生成大量可能軌跡的集合或分布(圖7)。然后，包含更高密度的軌跡的腦區(qū)被認(rèn)為與種子點(diǎn)有更高的連接概率。

通常，概率纖維束成像算法建立在確定性流線方法之上，因此受到相同的限制。其根本區(qū)別在于束線傳播的方向是從局部方向分布函數(shù)(ODF)隨機(jī)繪制的。注意，概率纖維追蹤的確切定義是有爭(zhēng)議的。一些研究者傾向于將術(shù)語(yǔ)“概率纖維束成像”的使用限制在如下情況：從給定種子點(diǎn)發(fā)出的軌跡分布僅由局部纖維方向估計(jì)的統(tǒng)計(jì)不確定性決定。它們通常假設(shè)離散的纖維方向會(huì)受到噪聲和模型誤差的影響，從而導(dǎo)致可能的纖維方向分布(也稱為不確定性O(shè)DF或uODF)。其他研究者假設(shè)每個(gè)體素都包含纖維方向的連續(xù)分布(也稱為纖維ODF或fODF)，通常忽略噪聲和模型不確定性。這里，在軌跡傳播過(guò)程中從fODF中隨機(jī)抽取樣本，以構(gòu)建旨在反映解剖分布而不是統(tǒng)計(jì)不確定性的纖維示蹤圖。

局部方法與全局方法

前面描述的流線方法是局部纖維束成像方法的主要示例。追蹤是在小的連續(xù)積分步驟中執(zhí)行的，通過(guò)遵循先前使用適當(dāng)模型彼此獨(dú)立提取的局部纖維方向。單個(gè)積分步驟不受前面步驟或經(jīng)過(guò)同一區(qū)域的其他束的影響(圖8)。局部方法快速且使用廣泛，但存在明顯的缺點(diǎn)。最明顯的可能是局部纖維方向的微小誤差會(huì)累積并顯著影響最終結(jié)果。另一個(gè)鮮為人知的缺點(diǎn)是，流線纖維示蹤圖通常不能很好地預(yù)測(cè)實(shí)際測(cè)量的dMRI數(shù)據(jù)，導(dǎo)致纖維束示蹤幾乎沒(méi)有定量或生物學(xué)意義。

另一方面，全局方法試圖通過(guò)找到最能描述測(cè)量的dMRI數(shù)據(jù)的配置來(lái)同時(shí)重建所有軌跡(圖9)。通常，此問(wèn)題有許多解決方案，選擇一個(gè)合適的解決方案需要事先了解軌跡的預(yù)期屬性，例如局部平滑度。全局追蹤對(duì)于噪聲和成像偽影方面具有更好的穩(wěn)定性，并與所獲得的實(shí)際dMRI數(shù)據(jù)具有更好的一致性。全局方法的主要問(wèn)題是它們依賴于隨機(jī)優(yōu)化過(guò)程，因此不能保證收斂到全局最優(yōu)解。另一個(gè)問(wèn)題是定義先驗(yàn)知識(shí)的任意性。對(duì)先驗(yàn)知識(shí)的規(guī)范過(guò)強(qiáng)可能會(huì)導(dǎo)致與實(shí)際數(shù)據(jù)不一致，從而導(dǎo)致不存在的纖維軌跡。另一方面，對(duì)先驗(yàn)知識(shí)的規(guī)范太弱可能會(huì)導(dǎo)致纖維軌跡與基礎(chǔ)數(shù)據(jù)完全匹配，但在解剖學(xué)上幾乎沒(méi)有意義。

與全局示蹤密切相關(guān)的是過(guò)濾全腦示蹤圖的概念。雖然全局纖維示蹤使用自下而上的方法，其中在一個(gè)全局優(yōu)化例程中直接構(gòu)建示蹤圖以匹配測(cè)量的dMRI數(shù)據(jù)，但示蹤圖濾波采用自上而下的方法，從使用局部追蹤技術(shù)獲得的密集全腦示蹤圖開始，隨后刪除或重新加權(quán)軌跡，以便將局部纖維束密度與測(cè)量的dMRI數(shù)據(jù)相匹配。
介于純局部方法和純?nèi)址椒ㄖg的是“最短路徑”方法，包括前沿演化、模擬擴(kuò)散、測(cè)地線和基于圖的方法。這些方法從給定的種子點(diǎn)構(gòu)建全局最佳路徑，這些路徑不一定總是與局部估計(jì)的纖維方向一致。然而，它們不同時(shí)考慮來(lái)自所有種子點(diǎn)的路徑，這與純?nèi)址椒ú煌?。雖然這些框架在數(shù)學(xué)上通常很巧妙，但它們?cè)谲浖胁](méi)有被廣泛采用，而且在實(shí)際研究中的使用也受到了限制。

常見的錯(cuò)誤

選擇阻礙最小的路徑

纖維示蹤有時(shí)被表述為“遵循擴(kuò)散阻礙最小的路徑的過(guò)程”。雖然這在某種程度上是正確的，但它意味著特定方向上的擴(kuò)散量與沿該方向的白質(zhì)纖維的潛在比例成正比。然而，由于擴(kuò)散的性質(zhì)，擴(kuò)散作為方向函數(shù)的比例(擴(kuò)散方向分布函數(shù)，dODF)并不一定反映潛在的fODF。雖然水分子最有可能沿著纖維方向擴(kuò)散，但沿其他甚至垂直方向的擴(kuò)散仍然很常見。因此，來(lái)自緊密排列纖維方向的擴(kuò)散將模糊在一起，這意味著僅顯示出單個(gè)纖維群。此外，已知來(lái)自不同纖維群的擴(kuò)散重疊會(huì)在最小阻力方向上引入偏差。這些問(wèn)題只能通過(guò)引入合適的白質(zhì)擴(kuò)散模型來(lái)妥善解決。

概率纖維追蹤的獨(dú)特風(fēng)格

剛接觸纖維追蹤領(lǐng)域的研究人員經(jīng)常對(duì)如何解釋概率纖維示蹤圖及其訪問(wèn)計(jì)數(shù)圖感到困惑。由于概率纖維追蹤存在兩種根本不同的“學(xué)派”，這使得情況變得更加復(fù)雜。這兩種方法之間的差異往往被長(zhǎng)期從事該領(lǐng)域的研究人員所低估。
第一個(gè)“學(xué)派”假設(shè)每個(gè)體素中存在有限數(shù)量的主要纖維方向。這些局部纖維方向會(huì)受到噪聲和模型誤差的影響，從而導(dǎo)致可能的纖維方向分布，也稱為uODF。通過(guò)從uODF中隨機(jī)抽取樣本，可以生成反映這種不確定性的纖維軌跡分布。這種方法的一個(gè)著名例子是FSL的probtrackx。概率uODF追蹤將提供纖維示蹤結(jié)果的精確程度的指示，更可重復(fù)的纖維軌跡表現(xiàn)出更高的訪問(wèn)計(jì)數(shù)。在這一點(diǎn)上應(yīng)該注意到的是，雖然概率uODF追蹤給出了示蹤結(jié)果的精度，但它沒(méi)有關(guān)于精度的任何說(shuō)明：即使是最可重復(fù)的纖維路徑也可能極不準(zhǔn)確。
第二個(gè)“學(xué)派”假設(shè)每個(gè)體素都包含連續(xù)分布的纖維方向，也稱為fODF，并忽略噪聲和模型誤差的影響。通過(guò)從fODF中隨機(jī)抽取樣本，該方法試圖捕獲由于底層微觀結(jié)構(gòu)而導(dǎo)致的體素內(nèi)纖維的彌散。這種方法的一個(gè)著名例子是MRtrix的概率fODF追蹤。從某種意義上說(shuō)，這種方法可以被視為提供了更具生物物理意義的纖維示蹤圖，因?yàn)樗怯山馄蕪浬⑿远皇窃肼曁匦院湍Ｐ筒粶?zhǔn)確性驅(qū)動(dòng)的。

積分誤差和誤差傳播的實(shí)際后果

在追蹤特定纖維束時(shí)，該領(lǐng)域的新手通常會(huì)驚訝地發(fā)現(xiàn)，流線纖維追蹤結(jié)果會(huì)根據(jù)他們沿纖維束放置種子點(diǎn)的位置而有很大的不同(參見圖10中的扣帶束示例)。與此問(wèn)題相關(guān)的是，纖維追蹤通常是非對(duì)易的：當(dāng)從種子追蹤到目標(biāo)時(shí)，不能保證在目標(biāo)啟動(dòng)追蹤時(shí)會(huì)有返回種子的路徑。這兩個(gè)問(wèn)題不僅在試圖定性地重建特定區(qū)域時(shí)具有實(shí)際意義；而且在量化大腦連接時(shí)，它們也是一個(gè)混淆因素。

量化的滑坡效應(yīng)

①體素軌跡計(jì)數(shù)

軌跡計(jì)數(shù)映射或纖維束密度成像(TDI)從密集的全腦示蹤圖開始，并計(jì)算通過(guò)每個(gè)成像體素的纖維束數(shù)量。TDI可以提供具有高解剖對(duì)比度的映射，當(dāng)與超分辨率體素網(wǎng)格結(jié)合使用時(shí)，可以潛在地解析亞體素解剖細(xì)節(jié)。自然地，許多研究人員都試圖使用軌跡密度作為纖維密度的替代測(cè)量方法。然而，該方法的一些嚴(yán)重缺陷也可能使軌道密度成為一種不可靠的定量測(cè)量。
首先，由于TDI基于纖維束追蹤，因此它對(duì)噪聲、噪聲引起的誤差累積和模型缺陷非常敏感。然而，即使是從低質(zhì)量數(shù)據(jù)計(jì)算出來(lái)的軌跡密度圖通?？雌饋?lái)也具有高信噪比(SNR)。這是通過(guò)從分布在大腦中的大量種子點(diǎn)進(jìn)行纖維追蹤來(lái)實(shí)現(xiàn)的。從某種意義上說(shuō)，TDI隱藏了原始dMRI圖像中存在的噪聲，給人一種高質(zhì)量圖像的印象。然而，這種方法不一定就是準(zhǔn)確的，并且在TDI中觀察到的一些結(jié)構(gòu)已被證明是由噪聲而不是解剖引起的。其次，TDI對(duì)簡(jiǎn)單纖維軌跡的偏差很敏感，可能會(huì)人為地降低高曲率或高復(fù)雜區(qū)域附近的纖維密度。最后，也是最重要的一點(diǎn)，已知與全腦追蹤相關(guān)的播種過(guò)程會(huì)導(dǎo)致長(zhǎng)纖維軌跡的過(guò)度表征和短纖維軌跡的表征不足。

連接強(qiáng)度

連接強(qiáng)度量化的最大問(wèn)題在于纖維束成像偏向于簡(jiǎn)單的軌跡。由于長(zhǎng)而彎曲的軌跡或更復(fù)雜的纖維結(jié)構(gòu)軌跡更有可能終止，因此如何以定量方式可靠地使用遠(yuǎn)程連接強(qiáng)度？不幸的是，纖維示蹤圖后期處理技術(shù)或全局追蹤的理念無(wú)法解決此問(wèn)題，因?yàn)樗鼈冎荒芙鉀Q局部軌跡密度問(wèn)題。為了防止軌跡過(guò)早停止，唯一可行的機(jī)制是引入強(qiáng)大的生物學(xué)先驗(yàn)。在這方面，一個(gè)有趣的方法是Smith等人的方法，其中纖維束不允許在白質(zhì)或腦脊液內(nèi)終止，而只能在已知的末端終止，例如皮質(zhì)或深灰質(zhì)。這種簡(jiǎn)單但非常強(qiáng)大的生物學(xué)先驗(yàn)已被證明可以極大地增加遠(yuǎn)距離纖維連接的合理性，特別是當(dāng)與過(guò)濾技術(shù)或全局追蹤一起使用時(shí)，可確保纖維束示蹤圖能夠準(zhǔn)確地預(yù)測(cè)原始dMRI信號(hào)。

圖11顯示了不同纖維束成像方法的全腦示蹤圖以及追蹤終點(diǎn)的密度圖。在常規(guī)追蹤中，大量纖維追蹤在白質(zhì)內(nèi)(例如在復(fù)雜纖維結(jié)構(gòu)區(qū)域)或與腦脊液的界面處(左列)過(guò)早終止。這種連接在生物學(xué)上沒(méi)有意義，并且是許多纖維追蹤偏差的征兆。該示蹤圖的后處理并不能解決這些問(wèn)題(中間列)。然而，通過(guò)在纖維追蹤過(guò)程中引入解剖學(xué)約束，所得到的纖維軌跡不再過(guò)早地停止在白質(zhì)內(nèi)，而是均勻地覆蓋白質(zhì)-灰質(zhì)交界面。

結(jié)論

纖維追蹤是一項(xiàng)復(fù)雜的工作，包含許多步驟(局部纖維方向建模、插值、積分/傳播、播種、掩膜、停止標(biāo)準(zhǔn)等)，每個(gè)步驟都可能產(chǎn)生潛在的錯(cuò)誤。深入了解纖維追蹤的術(shù)語(yǔ)、內(nèi)部工作原理和局限性是研究的關(guān)鍵環(huán)節(jié)。纖維追蹤已經(jīng)為許多大型白質(zhì)結(jié)構(gòu)提供了令人印象深刻的定性描述，這是任何其他體內(nèi)成像技術(shù)都無(wú)法獲得的，這種定性描述特別適用于纖維束成像定義的ROI分析。當(dāng)涉及到量化連接強(qiáng)度和使用纖維追蹤執(zhí)行連接組學(xué)時(shí)，人們就會(huì)如履薄冰。如果沒(méi)有合適的高階模型，沒(méi)有解剖學(xué)上的約束，也沒(méi)有確保纖維示蹤對(duì)原始dMRI數(shù)據(jù)的保真度，使用纖維追蹤量化連接就相當(dāng)于打開了潘多拉盒子：由此產(chǎn)生的“連接組”將充斥著假陽(yáng)性和假陰性，以至于使連接組的生物學(xué)準(zhǔn)確性變得非常可疑。通過(guò)使用適當(dāng)?shù)母唠A模型和應(yīng)用現(xiàn)實(shí)的解剖先驗(yàn)，并確保纖維示蹤圖對(duì)數(shù)據(jù)的保真度，可以極大地提高生物學(xué)準(zhǔn)確性，從而有可能獲得有用的連接信息?？傊?，人們應(yīng)該意識(shí)到，即使使用最先進(jìn)的技術(shù)和高質(zhì)量的數(shù)據(jù)，許多可能導(dǎo)致連接組偏誤的問(wèn)題仍然存在，因此必須持謹(jǐn)慎態(tài)度。

原文：Diffusion MRI fiber tractography of the brain.

https://doi.org/10.1002/nbm.3785

小伙伴們點(diǎn)星標(biāo)關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～