[论文解读] Reliability and comparability of human brain structural covariance networks

Jona Carmon, Jil Heege+6 more|arXiv (Cornell University)|Nov 28, 2019

Functional Brain Connectivity Studies参考文献 22被引用 8

一句话总结

本研究调查了使用FreeSurfer从T1加权MRI获取的人脑结构协变网络的可靠性与可比性。研究发现，皮层厚度在不同扫描中心、扫描仪及处理版本之间表现出高度不可靠且不可比的结果，而表面面积和体积则更具鲁棒性。作者建议在未建模误差协方差的情况下避免多中心数据合并，并优先采用表面面积/体积而非厚度进行结构协变分析，以确保神经影像研究的可重复性与有效性。

ABSTRACT

Structural covariance analysis is a widely used structural MRI analysis method which characterises the co-relations of morphology between brain regions over a group of subjects. To our knowledge, little has been investigated in terms of the comparability of results between different data sets or the reliability of results over the same subjects in different rescan sessions, image resolutions, or FreeSurfer versions. In terms of comparability, our results show substantial differences in the structural covariance matrix between data sets of age- and sex-matched healthy human adults. These differences persist after site correction, they are exacerbated by low sample sizes, and they are most pronounced when using average cortical thickness as a morphological measure. Down-stream graph theoretic analyses further show statistically significant differences. In terms of reliability, substantial differences were also found when comparing repeated scan sessions of the same subjects, and image resolutions and FreeSurfer versions of the same image. We could further estimate the relative measurement error and showed that it is largest when using thickness. With simulated data, we argue that cortical thickness is least reliable because of larger relative measurement errors. Practically, we make the following recommendations (1) pooling subjects across sites into one group should be avoided, particularly if sites differ in image resolutions, demographics, or preprocessing; (2) surface area and volume should be preferred as morphological measures over cortical thickness; (3) a large number of subjects should be used to estimate structural covariance; (4) measurement error should be assessed where repeated measurements are available; (5) if combining sites is critical, univariate site-correction is insufficient, but error covariance should be explicitly measured and modelled.

研究动机与目标

• 评估同一受试者在重复扫描会话中结构协变网络的可靠性。
• 评估年龄和性别匹配的健康成年人不同数据集之间结构协变网络的可比性。
• 研究图像分辨率、FreeSurfer版本以及形态学测量指标（皮层厚度、表面积、体积）对结构协变可靠性与可比性的影响。
• 为多中心结构协变研究识别最佳方法实践，以确保可重复性与有效性。
• 提供基于证据的建议，以最小化测量误差并提升结构协变网络分析的鲁棒性。

提出的方法

• 从多个中心获取T1加权MRI数据，包括同一受试者的重复扫描会话。
• 使用FreeSurfer基于Desikan-Killiany图谱提取每个受试者的皮层形态学测量指标（皮层厚度、表面积、体积）。
• 在每个数据集中，通过受试者间脑区之间的皮尔逊积矩相关性计算结构协变矩阵。
• 应用单变量站点校正（基于ROI的均值中心化）并评估其在提升可比性方面的有效性。
• 利用扫描-重扫数据估计测量误差，并建模脑区间误差协方差。
• 使用模拟数据评估测量误差对协变可靠性的影响，尤其关注皮层厚度的影响。

实验结果

研究问题

• RQ1 当基于同一受试者的重复扫描会话计算结构协变网络时，其可靠性如何？
• RQ2 在年龄和性别匹配的健康成年人的不同数据集之间，结构协变网络的可比性如何？
• RQ3 图像分辨率、FreeSurfer版本或形态学测量指标（厚度、表面积、体积）的差异在多大程度上影响可靠性与可比性？
• RQ4 单变量站点校正是否足以确保多中心数据集之间的可比性？
• RQ5 测量误差与真实生物学协变在观测到的结构协变模式中各自贡献如何？

主要发现

• 即使经过单变量站点校正，年龄和性别匹配的健康成年人不同数据集之间仍观察到显著的结构协变矩阵差异。
• 这些差异在样本量较小时尤为显著，且在使用皮层厚度作为形态学指标时最为突出。
• 下游图论分析揭示了不同数据集间网络拓扑存在统计学上显著的差异，表明网络层面的结果不可靠地可比。
• 皮层厚度的可靠性显著低于表面积和体积，其测量误差最大，原因在于其相对变异性更高。
• 当未显式建模脑区间误差协方差时，单变量站点校正（基于ROI的校正）不足以确保多中心数据合并后的可比性。
• 模拟数据证实，由于相对测量误差更大，皮层厚度的可靠性最低，其对协变估计的扭曲程度超过表面积或体积。