[论文解读] Quantitative mapping of the brain's structural connectivity using diffusion MRI tractography: a review

Fan Zhang, Alessandro Daducci+7 more|arXiv (Cornell University)|Apr 23, 2021

Advanced Neuroimaging Techniques and Applications参考文献 473被引用 11

一句话总结

本综述全面概述了基于扩散磁共振成像（dMRI）的定量纤维束成像在脑结构连接性映射中的应用，涵盖健康与疾病状态下纤维束成像的关键方法学步骤——纤维束校正、分割和量化。尽管在神经发育、衰老以及神经与精神疾病等领域的应用已取得显著进展，但目前在最优方法上仍缺乏共识。

ABSTRACT

Diffusion magnetic resonance imaging (dMRI) tractography is an advanced imaging technique that enables in vivo mapping of the brain's white matter connections at macro scale. Over the last two decades, the study of brain connectivity using dMRI tractography has played a prominent role in the neuroimaging research landscape. In this paper, we provide a high-level overview of how tractography is used to enable quantitative analysis of the brain's structural connectivity in health and disease. We first provide a review of methodology involved in three main processing steps that are common across most approaches for quantitative analysis of tractography, including methods for tractography correction, segmentation and quantification. For each step, we aim to describe methodological choices, their popularity, and potential pros and cons. We then review studies that have used quantitative tractography approaches to study the brain's white matter, focusing on applications in neurodevelopment, aging, neurological disorders, mental disorders, and neurosurgery. We conclude that, while there have been considerable advancements in methodological technologies and breadth of applications, there nevertheless remains no consensus about the "best" methodology in quantitative analysis of tractography, and researchers should remain cautious when interpreting results in research and clinical applications.

研究动机与目标

• 系统回顾基于扩散MRI的定量纤维束成像方法，用于脑结构连接性映射。
• 评估纤维束校正、分割和量化中的方法学选择，包括其优缺点及流行程度。
• 综合分析基于纤维束成像的研究在神经发育、衰老、神经系统疾病及精神疾病和神经外科中的发现。
• 强调尽管广泛应用且技术不断进步，但在最优分析方法上仍缺乏共识。
• 指导研究人员和临床医生在解释纤维束成像结果时保持谨慎，因其存在方法学差异和缺乏标准化。

提出的方法

• 对三个核心处理步骤（纤维束校正、分割和量化）进行系统综述。
• 基于其基本假设、准确性及计算需求，对纤维束成像方法进行分类与比较。
• 使用标准化术语以澄清模糊的神经影像学术语（例如，“流线”与“纤维”、“纤维束图”与“纤维束群”）。
• 评估分割技术，包括纤维聚类和基于图谱的脑部分割，以实现白质纤维束的一致性识别。
• 应用图论与基于连接组的度量方法，量化结构连接强度与网络拓扑结构。
• 整合解剖学先验信息与机器学习方法，以提高纤维束成像的可靠性与可重复性。

实验结果

研究问题

• RQ1 定量纤维束成像的关键方法学组成部分是什么？它们如何影响脑结构连接性映射的可靠性？
• RQ2 在准确性、可重复性及临床实用性方面，不同纤维束校正、分割和量化策略如何比较？
• RQ3 定量纤维束成像在研究脑发育、衰老以及神经系统与精神疾病中的当前应用有哪些？
• RQ4 为何在定量纤维束成像中仍无公认的“最佳方法”？这对研究与临床转化有何影响？
• RQ5 如何通过标准化术语与方法学透明化提升纤维束成像结果的可解释性与可比性？

主要发现

• 在定量纤维束成像的最优方法上尚无共识，纤维束校正、分割和量化方法存在显著差异。
• 方法学选择显著影响基于纤维束成像的连接性度量的可重复性与生物学合理性，尤其在临床应用中更为突出。
• 基于纤维束成像的连接组分析揭示了与年龄相关的白质拓扑结构变化，包括精神分裂症患者中富集俱乐部组织的破坏及轻度认知障碍患者网络效率的改变。
• 机器学习与基于图谱的聚类方法提高了全生命周期中白质分割的一致性，纵向研究中报告了良好的重测信度。
• 尽管技术不断进步，但由于部分容积效应与重建偏差，准确估计轴突密度与纤维数量仍具挑战。
• 使用标准化术语（如使用“流线”而非“纤维”）对于避免生物学误读并提升方法学清晰度至关重要。