这篇文章由Eickhoff、Thomas Yeo 和Sarah Genon 发表在《Nature reviews Neuroscience》杂志上，看到题目时你可能认为这会是一篇纯技术的文章，会不会让你看的头痛欲裂呢？答案是当然不会，这篇文章综合了近年来基于图像的人脑分割方法的研究，提出了一个二维的、从标记方法（Mark approach）和分割方法（partitioningapproach）这两个独立维度对已有的基于图像的人脑分割方法进行观察和分析的模型。

     作者首先综述了大脑地图学（即人脑分区）的发展历程，总结出在大脑分割过程使用的两个维度，即标记方法和分割方法，分别指出标记方法存在的两个水平：局部属性和全局属性；和分割方法存在的两个水平：边界映射方法和聚类（分解）方法,然后，作者对不同的方法进行了详细的评述，指出边界映射方法往往和局部属性标记相关，而聚类（分解）方法往往和全局属性（在文中主要以连接这一概念来表述）相关，但是这种相关并不存在技术方面的局限性，而是由于历史发展原因造成的。

     其后，作者提出应当突破单一模态方法带来的局限性，从多模态方法结合的角度提出了两种可行的方法，并提出使用多模态方法进行脑图分割应该具有的评判标准（即要具有更好的预测性）。

     最后，作者分析了多模态分割方法和单模态分割方法的利弊，并指出了个体差异、个体发育和系统发育在基于图像的大脑分割研究中所具有的独特作用。在了解了作者的基本行文思路后，我们开始进入正题！

摘要：

    可以对大脑组织进行定义的一个方面是它的空间异质性，这种空间异质性促使我们可以从多种不同的尺度来对大脑组织进行观察。大脑分割——一种用来定义大脑中不同区域的方法，这种分割无论是由多个不连续但紧密互动的区域组成还是网络组成，都是我们用来理解大脑组织（这里的组织指结构）和功能的基础。在过去的十年里，利用MRI（核磁共振成像）方法对活体人类的研究中，通过使用结构标记和功能标记，并依据大量不同特征（从脑组织的局部特性（主要指结构连接以及局部结构在功能上的一致性表征）到远程连接模式（包括长距离的白质纤维连接和功能网络））来识别和分割大脑的研究出现了爆炸式的增长。由于这些不同的方法存在高度的多样性，使得评估这些基于不同方法分割得到的大脑图谱（map）的趋同性和差异性成为了一项挑战。同时，个体间的差异增加了解决这一挑战的难度，但是当研究者结合跨物种和发育分化的研究时，也为解决这一挑战提供了新的视角。

      研究背景

    人类大脑的组织形式有两个基本原则:

     第一，功能整合发生在大规模网络中，这种整合通过远程连接实现;

     第二，功能分离到不同的区域，这种分离通过局部分化实现。

     必须要注意的是，这两个原则并不相互排斥，而是共同构成了所有高级大脑功能的神经生物学基础，这些功能由特定区域之间的相互作用产生。大脑皮层区域和皮层下核（如红核、尾状核等皮下结构）的空间分布呈现出高度异质性的特点，大量证据表明，这种复杂的大脑形态对心理过程和个体间差异至关重要。因此，对大脑空间不同区域的划分是解码人脑的基础。

    从以往研究的证据来看，根据不同的神经生物学特性及其测量方法来研究大脑空间，会产生多个不同的组织形式（不同的坐标轴标记方法，这里包括从大脑解剖的不同轴位进行观察产生的差异、从结构和功能的不同角度来观察产生的差异等等）。这种局面使得对大脑组织的研究变得更为复杂。例如，依据微结构的差异可以沿中轴（the medio-lateral axis）将海马分成的不同的亚区，而海马区域与其他区域在远距离连接上的交互模式则沿着前后轴（the anterior-posterior axis ）变化。再有，前运动皮层可以根据其微观结构特征，将其与相邻的前额叶和初级运动皮层区分开来，也可以通过其连通性和功能将其细分为腹侧和背侧区域。因此，从方法论和不同概念的角度来看，理解人脑组织需要双重视角，既要考虑其局部属性，又要考虑其连接特征（作者在这里使用了一个隐喻的说法，将连接特征表述为“connectivity fingerprints”，借用了指纹的独特性来隐喻脑功能连接的特征性，这种说法来自于文章：“Distributed hierarchical processing in the primatecerebral cortex”，大家可以体会下这种英语使用的智慧同时，也可以去看看这篇文章，很有趣）。

     大脑地图学有着悠久的历史，脑组织的不同特性在这一学科的基础上逐渐融合，形成了现在人们普遍接受的概念，即脑区是具有显著的连通性、不同微结构、形态和功能的实体区域。大脑区域的概念与一个多世纪以来推动大脑绘图领域发展的所谓“普遍脑图”（universal map，如果你了解universal grammar，那这个词就很好了解，可以理解为建立一个全人类适用的大脑图谱）的视角密切相关，但是由于大脑组织在不同层次、不同轴向的复杂性，不同神经生物学特性的模式差异以及在不同个体上所观察到的个体差异，导致“universal map”的构建还只能是一个构想。

     作者在这一部分详细回顾了大脑图谱绘制的历史发展进程。在19世纪和20世纪初，绘制人类大脑图谱的第一次尝试是基于对大脑微结构和宏观结构的体外研究（即解剖）。在切片观察中发现，大脑皮质在垂直方向的排列呈柱状和树突状束，水平排列则与软脑膜表面平行。在早期的研究发现中研究者观察到，这些神经生物学特征在整个大脑中的表现是不同的。更具体地说，这些特征规律性地揭示了区域间的同质性和异质性。因此，标记物的模式，例如皮层的厚度、锥体细胞的大小或髓磷脂形成的程度，被认为是代表不同区域之间的边界。一项开创性的脑图绘制工作由Korbinian Brodmann展开，成就了我们今天耳熟能详的Brodmann area（布鲁德曼分区）。同一时期的不同研究者，如Cécile and Oscar vogt 则利用不同的局部特性，特别是脑皮层纤维结构，来定义大脑区域。此外，Talairach and Tournoux 还首次提出了利用立体定向坐标系定位大脑宏观结构。

     以上这些研究者由于他们所处的时代局限性，他们的观察结果都是通过在纸上手工绘制大脑区域的二维地图来记录的。但是，这些最初的脑图高度依赖于观察者主观的分类标准，因此存在一定的复现问题。这种局限性推动了具有极高独立观察性的基于计算机图像分析和边界检测方法的发展。结合三维重建和将多个尸检后大脑（严格的医学解剖程序后）的空间配准到一个标准参考空间，这种方法使得严格的微观结构研究得以实现，为区分200多个在组织学上不同性质的大脑区域提供了证据。

     随着时间的推移，其他组织学方法补充了细胞结构和脑皮层纤维结构，如免疫化学或受体结构研究。在受体结构研究中，检查各种递质受体的局部密度，可以定义特定的“受体指纹”（“receptor fingerprints”，与前文的网络指纹用法类似），这些特征在皮层区域之间有所不同，也反映了其功能关系。由于组织学作图是直接观察到的，而不是模拟或推断出来的标记，因此，它为绘制人脑图谱提供了重要的参考。但是，组织学脑成像也存在很多缺点。其主要缺点是依赖于使用死后标本，因此无法与同一个个体的功能数据进行比较。此外，基于解剖的脑组织分割还受到样本大小的限制。在这种情况下，高分辨率MRI的发展将为大脑图谱的绘制提供一种不受样本量限制的全脑微观结构研究的替代性方法。

      尽管在新兴的脑分割领域存在技术和概念上的异质性，但一个多世纪以来，它的基本思想仍然是确定大脑不同的组成成分（形态上不同的区域或者分布式网络）在某种特定的神经生物学测量方法下，它们在内部中的同质性和彼此间的差异性。这一目标可以通过两种概念上不同的方法来实现:

（1）边界映射（boundary mapping，边界映射主要是通过不同组织的形态学差异来识别，通过使用局部边界检测(或边缘检测)技术对评估特征中陡然转变的空间信息即形态学差异进行定位检测边界）；

（2）聚类或分解（clustering or factorization，聚类或分解则主要通过连接的方法来实现，体现区域间的动态交互性，无论是结构网络还是功能网络，其实现方法是通过将空间元素(体素或激活顶点)使用给定的标记对它们的相似性或差异性进行聚合或分类，这里的标记可以理解为不同的测量手段，例如fMRI使用时间序列（time-series），DTI使用FA等等。

     从这两种方法的分割依据看，边界映射方法可以称之为局部分区的方法，而聚类或分解方法则可以称之为全局分割的方法。同时，几乎任何一种分割方法都可以应用于任何神经生物学特性，因此，我们可以通过区分潜在的组织特性差异的标记（这里的组织特性指的是局部组织特性和全局组织特性），并根据标记的类型进一步划分脑分割方法。换句话说，脑区分割是建立在局部结构或功能之上，还是建立在连接特性(全局或连接属性)之上，依此来提出进一步的概念区别。

     基于以上论述，本文中，作者按照标记方法（mark approach）和分割方法（partitioning approach）这两个独立的维度(图1)讨论了大脑分割研究的历史及其现状，并研究了由不同标记派生的分割之间的关系的概念问题，同时作者还整理了近年来被广泛运用或者一些新近研究中根据不同方法制作出的大脑图谱，由于篇幅太长，无法放置在文中，感兴趣的读者可联系微信号：siyingyxf索取原文。

图一 作者的研究方法图示

注：从图中可以看出，分割方法（algorithm）和标记方法（Marker）各有两个水平，2*2构成了四种不同的区分方法，分别是基于局部特性的边界映射方法和聚类（分解）方法和基于全局特性的边界映射方法和聚类（分解）方法。

 

基于局部性质的分割

     早期根据局部性质对大脑进行分割主要是依据于组织学，例如使用细胞结构和大脑皮层纤维结构、神经化学标志物或受体表达(最近的研究)。但是，这些方法通常需要对死后大脑的组织进行解剖，因此无法进行同时进行功能的研究，导致的结果是只能对小样本脑组织进行高度费力的检查。相比之下，像核磁共振这样的神经成像技术可以在活体内获取大样本的个体的全脑图像，这极大的促进了基于活体的大脑分割的发展。

 

基于局部特性的不同类型的大脑分割

     与组织学方法最相似的MRI方法是髓鞘磷脂成像（mapping of myelin）。最常用的评估髓鞘磷脂含量方法是使用T1加权成像与T2加权成像的比率生成髓鞘磷脂分布图。髓鞘磷脂标记物可用于分离联合区域的初级区域，这种方法主要使用于对视觉、听觉以及初级运动皮质区域的分割，同时这种分割在不同方法上体现出了良好的一致性，请看图2。由于整个联合皮层的髓磷脂密度缺乏特异性，因此将髓磷脂分割应用于感觉运动皮层以外的脑区绘图往往需要纳入额外的信息，如皮层厚度或细胞结构。

     除此以外，基于任务的fMRI在区域分割上同样表现出作为功能分割的标记能力。在图2a中看到的基于不同视觉任务对V1和V2区域的分割与b、c中基于细胞结构和髓磷脂成像方法得出的分割模式有很好的一致性。但是作者注意到，基于任务的功能磁共振方法除了在视觉区域分割中表现出其应有的标记能力外，在其它子区域的分割中却没有展现出较强的能力，这可能与功能磁共振成像在连接方面具有更强的标记能力有关。同时，基于任务的功能磁共振成像在小样本量方面以及任务特异性方面导致了这种分割在普遍性的适用方面存在一定的局限性。

图二 不同测量方法对视觉区域皮层的分割（a为根据fMRI确定的视觉皮层映射分区，b为细胞结构方法分割，c为髓磷脂成像方法）

     为了解决fMRI在上文中提到的问题，元分析方法被用来定义子区域的分割。例如，脑岛皮质的建立是基于在涉及不同认知领域的任务(如运动任务和认知或情感处理)中激活的一致性。这种方法最近在一个聚类分析中实现了自动化，从而强调了通过局部激活数据分离皮层和皮层下区域的潜力。这种方法的潜力在于，对各种任务或条件和刺激在全脑中的局部反应模式可以从大量的激活数据中计算出来。可以根据大脑区域在行为任务的多个维度(取决于任务、刺激、反应等)上的活动模式来分割大脑区域。但同样的，Meta分析也同样存在一些问题，这些问题主要是将不同研究或中心的坐标系放在一起研究所带来的的空间模糊性。因此，基于小样本的fMRI研究和基于广泛收集的Meta分析在本质上是互补的。

 

基于局部性质的分割方法所面临的挑战

     基于MRI的分割方法其主要缺点在于无论是基于哪种指标去进行大脑分割，相比于直观可见的脑组织方法，MRI方法需要根据观测的数据去估计其实际情况，而不是一种直接的观测。但是，在前文关于视觉皮质分区的论述可以看出，基于MRI分割的方法是具有神经生物基础的。同时，高场强MRI仪器的进步也将会给MRI技术对人脑组织的测量提供更加精确的估计方法。这些进展在未来将会和基于组织学的脑分割方法一起为局部的脑区分割方法带来活力。

 

基于连接的分割方法

     局部分化和网络整合是脑组织的互补特征，因为每个大脑区域都有其自身的区域构成和与其他区域的特定互动。因此，与邻近组织不同的连通性一直是定义皮质区域的标准之一。因此，用来反映功能整合的相互作用（可理解为脑功能的时间变化率的相关）和解剖连接的信息可以对大脑区域进行分割。作者注意到，连接性本身是一个多样的概念，例如存在功能连接和结构连接。因此，为了集中讨论，作者主要介绍在脑连接方面常用的三种方法：

      1.基于PET和fMRI（包括task和rest）的功能连接方法；

      2.基于灰质结构的协变网络；

      3.基于DTI的白质纤维连接（如表1）。

表一   三种主要的脑连接计算方法

 

边界分割和聚类（分解）分割方法的对比

     与主要依赖于边界检测的脑组织成像相反，基于脑连接的分割（connectivity-based parcellation，简称CBP）主要使用聚类方法对体素进行分组。例如连接特征在一组体素内要尽可能相似，而与另一组体素之间要尽可能不同。由这样的方法所产生的簇群代表着不同的大脑区域或网络。但是由于不同的方法（即前文所讲的不同的连接方法）会分割出不同的大脑区域，因此，不同的方法有着不同的优势和局限性。但有一点值得注意的是，将边界映射的分割方法应用在静息态功能连接中的研究很少，而同时在局部分割中应用基于聚类（分解）方法的研究也同样较少，作者认为边界分割和局部特性以及聚类（分解）与全局特性之间并没有严格的技术上的对应性，之所以会出现这种局面，主要是由于不同方法的历史发展原因造成的。因此，将局部边界检测与聚类相结合可能是未来脑分割研究中一个很有前景的方向

 

与基于连接的分割相关的挑战

     作者指出，由于连接方法的发展，基于聚类（分解）的分割方法迅速发展，出现了大量使用不同方法的论文，但是无论使用什么样的方法来建立连接，有一个问题是难以回避且对大脑分割有巨大的影响。这个问题就是如何选择区块（clustering）或脑区（parcels，作者的意思应该是分成多少个块，这里翻译为脑区比较合适）的数量？

      这个问题可能是难以回答的，考虑到大脑是一个多层次的组织，因此可能无论分成多少个区块都是有问题的。而且，不同数量的区块分割可能反应在了大脑在不同层次的组织形式。其次，必须认识的一点是，集群算法(如k-means，K聚类算法)可以将任何数据集划分为任意数量的集群。因此，发展出一套能够动态评估区块划分个数的标准是很有作用的。有些研究者依据数据自身的信息采取划分标准。例如，考虑到一个好的聚类应该使聚类之间的方差最大，聚类内部的方差最小，这些方差的比值可以用来表征聚类分离，并选择最优的聚类数量。这种基于数据的内部信息标准主要针对纯从技术角度(即在无监督学习问题的框架内)考虑分类的质量。尽管这些标准在CBP的研究中经常使用，但从数据表示的角度来看，好的聚类不一定代表神经生物学的良好划分，因为该方法的目的是揭示神经生物学的特征，但是数据内部本身还存在大量噪声或异常值。因此，如何找到一个更好的标准来对区块数量进行判断可能是对基于连接的分割方法一个巨大挑战。

 

 不同分割属性之间的异质性

     不同的神经生物学特性应该显示出类似的组织模式，这一观点一直是脑图谱研究中的一个基本公理。因此，研究者经常使用与以前的脑图谱(特别是细胞结构)融合对比的方法来证明新开发方法的有效性，这种方法在CBP研究中更是被大量使用。但是，我们必须注意到，无论是静息态的连通性、细胞结构、DTI的白质连接还是基于任务的激活模式，都不应该在概念上被认为优于任何其他模式，因为每种模式都代表了对人类大脑拓扑结构的特定观察（即没有哪种模式是最优的）。因此，研究者认为存在普遍的黄金标准分割方法的观点似乎具有误导性。更为关键的问题应该是如何检查和解释分散结果间的趋同性和异质性。

     作者认为，研究者们由于受到从生物学角度考虑：分割必须具有趋同性这一观点的影响，对提出新设想的方法可以识别有意义的模式这一观点产生了一些偏转，这种偏转与不同的属性反映大脑组织的不同方面的观点是相反的。作者发现，由于受到这种偏转的影响，以往研究中缺乏对使用不同方法（这里指不同的观测方法如静息态或结构像或者细胞结构观察等等）所发现的大脑形态差异的关注度。实际上，每一种神经生物学特性都代表了大脑组织的一个独特的观察窗口，通过分析不同的标记(如细胞结构、连接或功能)，是可以得出几个不同的、同样有效的图谱的。同时，这也代表着基于任何标记物（如细胞结构）进行分割的图谱都无法在另一种标记物（如解剖结构）上得到完全可靠的反映（这里作者对前文提到的那种基于以往分割图谱作为新方法得到的图谱的验证性标准的方法提出了一些质疑）。

    在分析了不同标记方法有其自身特性、能够反映大脑组织的不同神经生物学特征的优势的同时，作者指出单一的标记方法受到其自身所带的特性的影响，是难以完全反映大脑组织的整体特征的。因此，尽管使用多种标记方法来对大脑空间进行分割可能会导致标记方法自身特性的损失，但是这样能够尽可能全面的反映大脑组织的整体特征，因此，作者接下来对使用多模态方法对大脑进行分割展开的论述。

 

多模态方法（即前文常提到的不同标记方法）

（一）对多模态分割方法的尝试

       有一些研究是通过将不同的单一模态分割出的团块（clustering）在空间上进行重叠来完成对大脑的多模态分割的。例如，利用静息态功能连接、元分析连接模型和概率性白质连接来在顶上叶小叶、背侧前运动皮质，甚至在小的皮质下结构，伏隔核中获得具有更高鲁棒性的分割。但是，这种方法只有在不同的单模态方法显示出类似的模式时，才能完成不同模态间的模式映射，因此在这个过程中如何处理不同单模态方法得到的脑分割模式之间的差异是有较大挑战性的。以往的研究常常会将一些无法确定的、存在不同模态差异的体素排除在脑区的分割之外（如一些基于cluster的模板），但是这样的做法会使得这种方法难以成功地应用于整个大脑，并生成神经生物学上有效的图谱。

     避免这种情况的新策略是在分区前就进行多模态集成。最近，利用半自动边界识别方法，创新性地将MRI派生的局部和连接方法集成到一个独特的分区中。由于边界的全自动检测很容易出现假阳性，因此通过让训练有素的(人类)观察员监督该过程，并最终接受或拒绝每个自动检测到的边界结果，达到能够更好的完成对大脑边界分割的目的。这种方法的优点是能够整合几十年来对大脑组织的先验知识，但反过来也有一个缺点，即先验知识和对大脑组织的期望可能会对随后的分割产生偏见。因此，如何权衡好这种半自动方法的技术成分和人工成分对后续相应方法的发展是比较重要的。

（二）不同标记在属性集成方面的挑战

     多模态脑分块的一个重要但未被充分认识的方面是，不同标记物所特有的属性应该提供关于区域脑组织在不同方面的补充信息。可以说，只有把不同的测量方法结合起来，才能真正理解人脑的组织形态。然而，这里有三个子目标可能存在冲突。

     首先，多模式方法应该保留与每种不同标记方法的属性相关的信息。

     其次，多模态方法应该消除只在某一个标记方法中出现的伪信号。

     第三，该方法应以数据为驱动，以尽量减少来自先验和主观预期的潜在偏差。

     这三个子目标可能是存在相互冲突的，因为仅在一种模态中观察到的模式可能反映的是属于该模式特定属性的神经生物学特征，同样也可能是特定于该模式的人工伪迹。考虑到这些问题，作者在接下的文章中讨论了两种潜在的策略，以最大限度地保留信息和尽量减少人工干预。

（三）模式数量的最大化

       在脑分割研究中，一个基本的认识是，不同的模式都反映了大脑组织的许多维度。例如，额叶沿尾轴（the frontal lobe is organized along rostro-caudal）、腹侧和背侧轴（ventro–dorsal）和中外侧轴排列（medial–lateral axes，这里其实就是解剖大脑时的三个不同的轴位）。不同模式的数量越多，就越有可能完全获得每个维度或组织方面的信息。这一策略不仅将促进对大脑多个组织维度的最佳覆盖，而且有助于在人类干预最少的情况下从伪迹中分离出真正的神经生物学信息。因此，作者认为，多模态方法应该最大限度地增加模态的数量和多样性。这特别适用于结合结构，功能以及不同的连接方法，通过MRI和组织学方法的结合来完成。但是，目前这样的研究还几乎没有。

（四）有预测价值的多模态图谱

       如何整合不同模态的大脑分割仍旧是一个难以解决的问题，即如果不同的性质，例如微观结构和长期连接，确实反映了不同的组织维度，那么应该如何定义皮质区域的多模态图?作者认为目前还没有较好的解决方法来回应这个问题，但是作者提出了一种构想。一个最佳的表示多个不同模态分割的图谱应该是由一个或多个单模态边界组合而成的。具体地说，当局部信息处理的基本形态或交互模式发生变化时，这个区域应该定义一个新的区域。这种方法可能有助于发现被称为“Domains”的小区域，这些区域已经在非人类灵长类动物的侵入性研究中被观察到，并被假设存在于人类大脑中。例如，后顶叶皮层、初级运动皮层和前运动皮层中可能存在可分离的实体，它们似乎与不同种类的运动有关(例如，对头部的防御)，并可支持功能相近的人类行为，如个人对其周围空间的保护行为。多模态分割方法的综合可能有助于解决这一问题。

作者认为，一个最佳的多模态大脑图谱应该提供任务相关激活、行为表型和/或临床症状的最佳预测。例如，在机器学习的监督下，将海马体沿着前后轴(基于连通性)和内外侧轴(基于组织学)划分的脑图，可能比仅基于连接或组织学的脑图更能预测临床表型(阿尔茨海默病或重度抑郁症)。同时，临床表现与大脑功能的高相关性，也使得在手术中将病人的大脑功能及其临床表现联系起来用于大脑功能的定位成为了确定大脑局部功能的“金标准”。

（五）多模态和单模态图谱

      目前，基于多模态映射得到的预测值来测试其分割图谱的有效性仍未被探索。鉴于不同类型的神经生物学特性具有不同的信息量，这种多模态图谱的概念本身就可能存在争议。例如，Glasser et al.的多模态图谱可以很好地分离运动和躯体感觉区域，但不能提供特定躯体感觉区域或特定视觉信息区域的信息，因此这种脑图的可解释性和相关性值得商榷。在前文中，作者提出多模态图谱会比单模态图谱具有更好的预测性，但是在某些特定的属性方面，可能单模态图谱比多模态图谱要更具有优势。例如，与静息态功能连接图相比，DTI图对多发性硬化症、萎缩和症状具有更高的预测价值，而静息态功能连接图对精神分裂症的诊断和分型具有更好的预测价值。因此，要综合的看待单模态图谱和多模态图谱在预测性上所表现出的价值。

未来所面对的问题和挑战

（一）个体之间的异质性问题

      构建脑组织的一般表征的一个重要考虑因素与主体间的变异性有关。这种变异性存在于从组织学到大规模网络的所有空间层次和所有神经生物学的特性中。基于组水平被试的分割方法通常获得的是在个体层面不同组织的主要方面，而在区域和网络的大小、形状和位置上可能存在个体之间较大的差异性（例子见图三）。此外，大约5%的健康人群的大脑组织模式（大脑组织模式与利手等因素相关会导致一部分人群与大部分人群的大脑组织形式存在较大差异）与最常见的模式（即皮层区域的空间排列变化）不同。因此，在基于组水平分析的大脑分割研究中，要尽量避免这种由个体间异常值带来的差异。与此同时，在个体脑组织形式上发现的差异也是有价值的。最近有一些研究表明，个体特定的脑分区的形态学信息(位置和大小)可以预测人口统计学、认知、情感和个性方面在个体上的差异。因此，在对一般人群的大脑分割图谱的建立基础上，对个体差异的关注将有利于我们对大脑分区和功能的进一步了解。

     同时，进一步使我们对个体间差异的理解复杂化的原因是，个体间差异高的区域往往也会在个体发生和系统发生方面发生实质性的变化，甚至表现出半球间的不对称性。因此，作者在最后的部分分析了个体发育和系统发育方面的问题。

图三 功能连接分析中个体的差异模式图

（二）个体发育和系统发育（指对人类和非人类大脑发育的研究）方面的问题

    我们可以观察到，前额皮质是一个高度可变的、进化的新大脑区域，与其他大脑区域相比，该区域成熟得相对较晚，并显示出强烈的半球专门化的证据。在看待这个问题时，对称性和个体发育的影响问题就显得非常重要。然而，在个体发育和系统发育方面的研究中，仍然很少考虑这种背景下的大脑分割。作者认为，利用多模态核磁共振方法将有利于在个体发育和系统发育方面的大脑分割研究。

虽然多模态核磁共振成像只捕捉到有限的神经生物学特性，但它的优势在于，它不仅在人类寿命的不同阶段，而且在非人类灵长类动物或啮齿类动物中也可以很容易地对大脑进行观察。例如，最近的一项研究表明，人类存在一个叫做FPl的区域(指其外侧额极位置)，它与猕猴前额皮质的任何区域都缺乏对应。这说明在系统发育的研究方面，MRI方法对大脑分割是很有用的。但是遗憾的是，目前还未发现在人类的个体发育的不同阶段，系统性的对大脑结构、功能和连通性在人类的整个生命周期中的动态变化进行大脑分割的研究成果（如果有，毫无疑问，那将是神经影像学上一个重要的里程碑）。

 

总结：

    相对于历史悠久、相对成熟的脑组织分割方法，基于MRI图像的分割是近年来发展起来的一种跨维度的方法，其包括各种不同的成像方法、标记和评价方法。在近年来，基于局部特性和全局特性的技术方法的进步为获得具有分区特征和网络特征的大脑分割研究带来了极大的提升。同时，高场强扫描仪的进展将为绘制更接近微观结构的成像特性提供支持。在未来，混合算法在高分辨率MRI数据上的应用，将打开一个新的前景，在这个前景中，大脑区域将与它们的微观结构相关的信息组合，并将其整合到更大的网络中，从而勾画出大脑分区。在这个过程中，不同模态的MRI标记将会表现出特定于其生物特性的预测性，同时基于多模态的脑分割图谱将为大脑的整体分割带来更多的互补信息。而对个体差异、个体发育以及系统发育的大脑分割研究，将有利于我们在未来的研究中明确大脑功能和人类行为之间的关系。大脑图谱的分割研究将为人类了解大脑功能、结构以及人类行为之间的关系提供更鲁棒的方法。

 

来自文末的小尾巴：

    一系列脑影像数据的预处理过程中使用到的脑图谱，构建网络时用到的脑图谱等等，都是大家信手拈来的东西。而就是这个脑区分割的问题，如果不去进一步思考，似乎就是时代前沿研究者是怎么用，我们就跟着怎么用。但是，如果大家愿意在使用的时候深思一下，其实会有更多的感悟。知其然，更需知其所以然。在思考的过程中，我们能够更贴切的明白，自己的研究领域中所关注点，与使用的图谱中对应脑区的临床表现以及相应的行为表现之间是否存在某些规律。目前，这一领域就是需要量的累积，才能在未来某一时刻爆发出质的超越。提供脑影像数据培训班的思影科技，是一个带有科普性质的公司和平台，一直踊跃并鼓舞着大家加入学习的大本营。精彩缤纷的课程，供君品尝，文末直接点击浏览吧。当然了，觉得有帮助，给个转发，对我们继续努力为读者提供优质的内容就是一个巨大的鼓舞。

原文：

Imaging-based parcellations of the human brain

SB Eickhoff, BTT Yeo, S Genon - Nature Reviews Neuroscience, 2018 - nature.com

如需原文及补充材料，请加微信：siyingyxf索取。

 

微信扫码或者长按选择识别关注思影

谢谢转发支持与推荐

 

欢迎浏览思影的课程以及数据处理业务介绍。（请直接点击下文文字即可浏览，欢迎报名与咨询）：

第二十一届功能磁共振数据处理基础班（南京）

 

第四届任务态fMRI专题班（南京）

 

第九届磁共振弥散张量成像数据处理班(南京）

 

第七届磁共振脑影像结构班(南京）

 

第六届脑影像机器学习班（南京）

 

第十届磁共振脑网络数据处理班（南京）

 

第一届灵长类动物脑影像数据处理班（南京）

 

第二十届功能磁共振数据处理基础班（重庆）

 

第十一届磁共振脑网络数据处理班（重庆）

 

第七届脑影像机器学习班（重庆）

 

第三届脑电数据处理入门班（重庆，与15届脑电相邻）

 

第十五届脑电数据处理班（重庆）

 

第四届脑电数据处理入门班(南京）

 

第十六届脑电数据处理班（南京）

 

第五届脑电信号数据处理提高班（南京）

 

第四届眼动数据处理（南京)

 

更新通知：第三届眼动数据处理班（南京）

 

第六届近红外脑功能数据处理班（上海）

 

思影数据处理业务一：功能磁共振（fMRI）

 

思影数据处理业务二：结构磁共振成像(sMRI)与DTI

 

思影数据处理业务三：ASL数据处理

 

思影数据处理业务四：EEG/ERP数据处理

 

思影数据处理服务五：近红外脑功能数据处理

 

招聘：脑影像数据处理工程师（重庆）