[论文解读] A Review on MR Based Human Brain Parcellation Methods

Pantea Moghimi, Anh The Dang+3 more|arXiv (Cornell University)|Jul 7, 2021

Advanced MRI Techniques and Applications参考文献 199被引用 4

一句话总结

本文全面综述了基于磁共振成像（MRI）的人类大脑图谱划分方法，将其分类为解剖学（T1加权MRI）、功能学（fMRI）和结构性（弥散加权成像）图谱划分。文章提出一个多层级分类体系以组织文献，比较了各类方法的优缺点，并指出了在跨模态开发稳健、标准化大脑图谱过程中面临的关键挑战。

ABSTRACT

Brain parcellations play a ubiquitous role in the analysis of magnetic resonance imaging (MRI) datasets. Over 100 years of research has been conducted in pursuit of an ideal brain parcellation. Different methods have been developed and studied for constructing brain parcellations using different imaging modalities. More recently, several data-driven parcellation methods have been adopted from data mining, machine learning, and statistics communities. With contributions from different scientific fields, there is a rich body of literature that needs to be examined to appreciate the breadth of existing research and the gaps that need to be investigated. In this work, we review the large body of in vivo brain parcellation research spanning different neuroimaging modalities and methods. A key contribution of this work is a semantic organization of this large body of work into different taxonomies, making it easy to understand the breadth and depth of the brain parcellation literature. Specifically, we categorized the existing parcellations into three groups: Anatomical parcellations, functional parcellations, and structural parcellations which are constructed using T1-weighted MRI, functional MRI (fMRI), and diffusion-weighted imaging (DWI) datasets, respectively. We provide a multi-level taxonomy of different methods studied in each of these categories, compare their relative strengths and weaknesses, and highlight the challenges currently faced for the development of brain parcellations.

研究动机与目标

• 整合并组织关于使用MRI模态进行活体脑图谱划分的大量研究成果。
• 根据成像模态将现有的脑图谱划分方法分类为解剖学、功能学和结构性三类。
• 建立一个多层级分类体系，以阐明数据驱动方法、机器学习方法与统计图谱划分技术之间的关系与差异。
• 比较不同图谱划分方法在神经影像学模态间的相对优势与局限性。
• 识别在开发标准化、可靠且可解释的脑图谱过程中存在的主要挑战与研究空白。

提出的方法

• 作者对超过一个世纪的脑图谱划分研究进行了系统性回顾，重点关注活体MRI方法。
• 他们将图谱划分方法划分为三大类：解剖学（T1加权MRI）、功能学（fMRI）和结构性（弥散加权成像）。
• 建立了一个多层级分类体系，基于其基本原理（如聚类、基于图谱的方法或机器学习方法）对各类方法进行组织。
• 本综述融合了神经科学、数据挖掘、机器学习和统计学的贡献，提供了跨学科的视角。
• 基于可重复性、生物学合理性与技术稳健性，评估了各类方法的优缺点。
• 本文强调了方法学上的不一致以及各研究之间缺乏标准化基准的问题。

实验结果

研究问题

• RQ1 在过去一个世纪中，不同MRI模态的脑图谱划分方法是如何演变的？
• RQ2 解剖学、功能学和结构性图谱划分方法之间的关键方法学差异是什么？
• RQ3 与传统基于图谱的方法相比，机器学习和统计学中的数据驱动技术在性能和可解释性方面如何？
• RQ4 哪些主要挑战阻碍了普遍接受的脑图谱划分框架的发展？
• RQ5 当前文献中，在图谱划分方法的可重复性、验证与标准化方面仍存在哪些空白？

主要发现

• 综述识别出超过100年的脑图谱划分研究，解剖学、功能学和结构性模态之间存在显著的方法多样性。
• 基于T1加权MRI的解剖学图谱划分被广泛应用，但通常缺乏功能或连接性方面的验证。
• 基于fMRI的功能学图谱划分与功能网络高度相关，但对预处理和血流动力学变异敏感。
• 使用弥散加权成像的结构性图谱划分可提供基于连接性的图谱，但需要复杂的追踪技术且计算成本高。
• 尽管已有进展，但尚无关于最优图谱划分方案的共识，方法学异质性限制了跨研究的可比性。
• 作者强调迫切需要建立标准化基准、验证框架以及开放获取的存储库，以提升研究的可重复性与整合性。