Print

发布时间: 2017-10-16
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.170081
2017 | Volume 22 | Number 10




    综述    




  <<上一篇 




  下一篇>> 




静息态功能磁共振成像的脑功能分区综述
expand article info 胡颖, 王丽嘉, 聂生东
上海理工大学医学影像工程研究所, 上海 200093
收稿日期: 2017-03-14; 修回日期: 2017-07-02
基金项目: 国家自然科学基金项目（60972122）；上海市自然科学基金项目（14ZR1427900）；上海高校青年教师培养资助计划（ZZslg15063）；微创励志创新基金项目（YS30809144）
第一作者简介: 胡颖(1994-), 女, 现为上海理工大学生物医学工程专业硕士研究生, 主要研究方向为基于功能磁共振成像数据的脑功能分区等。E-mail:hu19700204@163.com.
中图法分类号: TP391.4
文献标识码: A
文章编号: 1006-8961(2017)10-1325-10

摘要

目的 越来越多的研究表明，基于静息态功能磁共振成像（rs-fMRI）的大脑功能分区比传统的大脑结构分区（如AAL分区、Brodmann分区等）在功能网络构建中功能一致性更高。但现阶段对于大脑功能模块的划分较粗糙，需要更精细准确的脑功能分区，明确宏观尺度的基本功能单元。为能使脑科学领域的研究者对基于静息态功能磁共振成像的脑功能分区进行有益的探索和应用，本文对其进行系统综述。方法 从rs-fMRI数据与大脑功能网络的关系出发，理清脑功能区分割的一般思路，对近几年来脑功能分区算法中出现的新思路、新方法以及对原有方法的改进做了较全面的阐述；最后总结该领域现阶段面临的问题并对未来的研究方向做了展望。结果 根据脑区情况，将脑功能分区分为全脑功能分区和局部脑功能分区，并分别阐释这两方面的优势与应用。同时，将脑功能分区算法归纳为基于数据驱动和基于模型驱动两大类，并展示了各类分区算法的优势以及面临的难点和挑战。结论 基于静息态功能磁共振成像的脑功能分区的研究已经取得了一些进展和有价值的研究成果，但是距离研究人脑机制，应用于脑部疾病的预防和诊断以及启示类脑科学的发展，还需要对脑功能分区方法进行更深入的研究和完善。后续研究中可将传统的分区算法和先验知识、空间领域信息、空间约束、稀疏编码、特征选择和采样学习等思想结合起来，形成融合性的脑功能分区算法，致力于更为细致准确的大脑功能分区和脑功能网络构建，解析脑的高级功能。

关键词

脑功能分区; 静息态; 功能磁共振成像; 功能网络; 分区算法

Review on brain functional parcellation based on resting-state functional magnetic resonance imaging data
expand article info Hu Ying, Wang Lijia, Nie Shengdong
Institute of Medical Imaging Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China
Supported by: National Natural Science Foundation of China(60972122)

Abstract

Objective Brain functional parcellation based on resting-state functional magnetic resonance imaging data has better functional consistency than traditional structural parcellation(such as AAL atlas and Brodmann atlas) in the construction of functional networks.However, a substantial part of parcellations of brain functional modules are rough at this stage, and it needs more precise and accurate brain functional parcellations, which can define the basic functional unit at macro scale.Considering its theoretical value, this study comprehensively reviews the existing brain functional parcellation methods and their applications in the field of brain science. Method With the widespread investigation and massive literature, we clear the general steps for the segmentation of brain functional areas based on the relationship between rs-fMRI data and brain functional network.The brain functional network can be further acquired only by defining the results of the brain parcellation.Then, the state-of-the-art ideas, methods, and the improvement of the original methods about brain functional parcellation are described in detail.This paper also classifies and analyses these algorithms of brain functional parcellation, whose good points, bad points, and sphere of application are stated in detail.In addition, the evaluation criteria of brain functional parcellation quality is introduced.Finally, the development trends and existing problems of this technology are highlighted. Result The brain functional parcellation can be divided into the whole brain functional parcellation and the regional brain functional parcellation according to the situation of brain regions.The whole brain functional parcellation can generate functional atlas and analyze the functional characteristics of the brain on the whole brain space scale.Also, according to the brain network, which can be constructed by functional atlases, it can promote the development of brain cognitive and brain-like artificial intelligence technology, occupying an important position in brain science research.The regional brain functional parcellation is aimed at dividing larger brain area with mixed functions into sub-regions with strong functional consistency, reflecting the functional distribution of the regional brain with more pertinence.Therefore, regional brain functional parcellation can be used to study brain-related diseases, and detection of abnormal changes in brain regions in time, which is significant for the prevention and diagnosis of brain diseases.The algorithms of brain functional parcellation are divided into two parts, namely, data driven and model driven, and the advantages, difficulties, and challenges of each algorithm are discussed.The data-driven parcellation methods always use limited parameters in the parcellation process and are less demanding on the shape of the image data to be processed.Most of the clustering methods have better performance on non-Gaussian data sets.Therefore, the application of data-driven parcellation methods are quite extensive, but the stability and accuracy of need improvement.Compared with the data-driven method, the model-driven method involves more parameters.During model establishment, the distribution of clusters and the model division of voxel signals require strong domain knowledge and reliable theoretical basis.These requirements limit the development of the model-driven methods to a certain extent.However, considering its uniqueness of the corresponding image, it can reflect individual differences and be applied to brain functional parcellation at group level.Moreover, the existing evaluation criteria can be a preliminary assessment of the functional parcellation results.For a more accurate evaluation, there is a lack of rigorous theoretical support for the overall evaluation system. Conclusion Some meaningful progress and valuable research results have been obtained in the study of brain functional parcellation based on resting-state fMRI.Therefore, researchers could use multimodal brain function data, and even combine with brain structure data, for brain functional parcellation.In addition, improving these methods is necessary so that more precise and accurate functional atlas could be studied in the mechanism of human brain, applied in early prevention, accurate diagnosis and curative effect evaluation of brain injury and neuropsychiatric diseases and brain-inspired and brain-computer interface intelligence technology.For example, based on a more detailed brain subregions, functional analysis of subregions can help to identify new biomarkers of specific diseases.Moreover, traditional partition algorithms can be combined with innovative ideas such as prior knowledge, spatial domain information, spatial constraint, sparse coding, feature selection, and sample learning in the follow-up research.These confluent brain functional parcellation algorithms are dedicated to finer brain functional regions and constructing more detailed and accurate brain functional networks to analyze advanced functions of the brain.

Key words

brain functional parcellation; resting state; functional magnetic resonance imaging; functional network; parcellation algorithm

0 引言

大脑功能网络研究是认知脑功能并进而探讨意识本质的科学前沿，对人脑疾病分析、类脑计算等有引导作用[1]，具有重要科学意义。多项研究表明，人脑在清醒静息状态下，某些脑区呈现较强的激活状态[2]，这些脑区可组成特定的功能性神经网络，完成人体内外环境的监测、清醒意识的维持等功能。因此，静息状态下的大脑功能研究引起众多学者的关注。目前，很多成像技术都可用于静息态下大脑功能网络的研究，例如脑电图(EEG)、脑磁图(MEG)、正电子发射计算机断层扫描(PET)和功能磁共振成像(fMRI)等神经影像技术。而静息态功能磁共振成像技术由于具有较高的空间分辨率和时间分辨率、无创伤性、实验任务简单、易重复等一系列优点，深受研究者们的青睐，成为当前大脑功能研究的主流技术。

传统的大脑功能网络的构建可以通过AAL(anatomical automatic labeling)或Brodmann等脑图谱作为脑模板来实现，划分非常粗糙，缺乏功能特异性描述并且个体差异大。最新发布广受认可的脑图谱如中国的脑网络组图谱[3]则利用rs-fMRI数据进行脑图谱的评估，而华盛顿大学研究人员绘制的HCP_MMP1.0(The HCP’s multi-modal parcellation，version 1.0)[4]甚至利用rs-fMRI (resting state functional，magnetic resonance imaging)辅助构建脑图谱，因此，越来越多的学者力求从rs-fMRI数据出发，来实现脑分区和脑网络构建。基于功能数据分区的方法较多，但不同方法产生的功能分区结果也有所不同，本文以静息态磁共振数据为基础，重点对大脑功能网络构建中的脑功能分区进行综述，其中对近几年来脑功能分区算法中出现的新思路、新方法以及对原有方法的改进做了较全面的阐述，最后总结了该领域现阶段面临的问题并对未来的研究方向做出了展望，以期为脑科学领域的研究者提供有益参考。

1 rs-fMRI数据

基于血氧水平依赖(BOLD)的功能磁共振成像技术可获得T2*加权磁共振信号[5-6]，该信号的变化反映了脑血流、脑血流容积以及血氧消耗率之间的相互作用，具有较高的时间分辨率和空间分辨率，为研究人脑的功能提供了一种重要的手段[7]。其原理是：在脑功能活动区的静脉血氧浓度较周围组织明显较高，具有更强的顺磁性的脱氧血红蛋白减少，则局部脑体元内组织与血流间磁敏感差异减小，T2较长，故T2*加权磁共振信号强度增加。rs-fMRI由于能够反映人脑的自发神经活动，已经成为神经科学领域的研究热点。rs-fMRI是指，在无特定任务的情况下，受试者在不做系统地思考或尽量不要思考问题的状态下进行磁共振扫描，研究表明，rs-fMRI信号的低频振荡与自发的神经元活动关系密切，与人体内外环境的监测、清醒意识的维持等功能相关，具有比较明确的生理意义与病理意义。一方面，静息态脑活功占据非常大比例的能量消耗，约占人体总能耗的五分之一，另一方面，这些波动并非随机噪声，呈现出一定规律[8]。

2 大脑功能网络及分区方法

2.1 大脑功能网络的构建

大脑网络分为功能网络和结构网络。结构网络主要根据结构之间的协变性研究结构之间的连接[9-10]，其中最常用的弥散张量成像(DTI)利用水分子扩散的各向异性原理，通过概率计算每个体素的最大可能扩散方向，但这种方法很有可能产生误差，并未建立真正的神经通路，具有局限性[11]；功能网络主要提取感兴趣脑区的时间序列(如rs-fMRI数据的血氧信号)，然后通过不同的连接方式研究神经之间的耦合关系。功能网络定义节点之间连接的方法主要分为功能连接和有效连接，功能连接定义为不同神经区域之间时间上的相互关系。有效连接定义为一个神经系统对另外一个神经系统施加的影响[12]。大部分大脑功能网络均是以大脑功能连接为基础，所用的功能连接分析方法是相关分析[13]。功能连接也就是度量空间上分离的脑区时间上的相关性，即脑区间是否存在连接关系以及连接关系的强弱。

大脑功能网络构建的具体步骤如下：

1) rs-fMRI数据预处理，包括时间层校正、头动校正、空间标准化、空间平滑、去线性漂移、低频滤波和去除协变量；

2) 设计脑功能区划分方法，形成脑功能子区域图谱；

3) 定义脑区为网络节点，根据时间序列计算脑区间相关性，选择合适的阈值，构建成脑网络图并分析之。

流程图如图 1所示。



图 1 大脑功能网络构建流程图
Fig. 1 Flow chart of constructing brain functional networks((a) rs-fMRI data acquisition; (b) pre-processing result; (c) brain functional parcellation result based on rs-fMRI[14]; (d)brain functional network)

利用rs-fMRI数据研究大脑网络的功能连接，探索功能区域的相互作用关系，分析大脑功能连接网络的拓扑特性，进而揭示人脑内部的工作机理，对人们深入了解脑、开发脑并实现各种疾病的早期诊断具有重要的现实意义。

2.2 大脑功能分区

大脑功能分区通过分割大脑皮层和皮层下核团实现对大脑功能特性的研究。由大脑功能网络的构建流程图可知，大脑功能分区是大脑功能网络构建中非常重要的一步，它产生的功能子区域为大脑功能连接组和大脑功能网络提供了良好的结点抽象对象[15]。功能子区域质量的好坏在一定程度上决定了整个大脑功能网络的优劣；故经大脑功能分区而得到的大脑功能子区域具有高度的功能一致性，能为大脑功能网络节点的创建提供更加坚实可靠的依据，使大脑功能网络更具可信性和可解释性[16]。此外，大脑功能分区结果也能够反映大脑的功能特征。个体大脑功能分区可用于研究被试间的个体差异性，有助于发现大脑功能与个体外部行为的关联性，进一步加深对脑功能与脑结构本质关系的理解，窥探脑疾病的发病原理和增强辅助医疗诊断系统的应用；而组水平的大脑功能分区可以得到大脑功能图谱，揭示全脑或局部脑区的功能特征。因此，大脑功能分区的研究具有重要的理论意义和研究价值。

大脑功能分区具体可以分为全脑功能分区和局部脑功能分区。全脑功能分区[14, 17]得到的是全脑的功能图谱，在最初进行脑功能网络构建时，均使用脑结构图谱(如AAL和Brodmann图谱)作为模板划分网络节点，这种方法是根据大脑的某种结构特征(如胞体构筑和髓鞘密度等)做划分得到的，并没有充分考虑功能的一致性[18]。全脑功能分区不仅能够让针对脑功能网络的构建更具真实性，并且能让大脑功能的组织性可视化更强。因此，全脑功能分区不仅可在全脑空间尺度上分析脑的功能特性，而且据其构建的脑网络又能提示脑认知和类脑人工智能技术应用的发展，在脑科学研究中占据着重要的地位[1]。

局部脑功能分区是大脑的某个局部区域的功能划分，如视觉皮层、初级运动区、扣带皮层和脑岛[19-20]等。局部脑功能分区是把功能混合的较大脑区划分为功能一致性更强的功能亚区，反映了局部脑区的功能分布，具有更强的针对性。通过对局部脑功能分区产生的功能亚区进行功能连接分析，研究其功能连接及功能网络变化，使疾病研究在更加细致的尺度上展开，为其提供新的有用信息，增加研究疾病进程的生物标志。因此，局部脑功能分区可以研究与脑疾病相关的脑区，及时发现脑区的异常变化，对脑疾病的预防和诊断具有重要意义。

2.3 大脑功能分区方法

基于rs-fMRI数据的大脑功能分区的具体步骤可描述为：

1) 设计功能一致性度量(如利用皮尔逊相似性度量)；

2) 设计一定的大脑功能分区算法；

3) 使用分区算法结合功能一致性度量对经预处理的rs-fMRI数据进行脑功能分区；

4) 对大脑功能分区结果进行评价和解释。

皮尔逊相似性度量[21]是对两个时间序列相关性的统计度量，计算简单，是一种常见的度量方式。相关系数越大，两个时间序列的一致性越强。具体的公式为

$ {{r}_{uv}}=\frac{\left( 1/T \right)\sum\limits_{t=1}^{T}{\left( I\left( u, t \right)-\bar{I}\left( u \right) \right)\left( I\left( v, t \right)-\bar{I}\left( v \right) \right)}}{{{S}_{I}}\left( u \right){{S}_{I}}\left( v \right)} $ (1)

式中，$ I\left( \cdot ,t \right) $表示$ t $时刻的体素值，$ \bar{I}\left( \cdot \right) $表示体素的平均值，$ T $表示时间序列的长度，$ {{S}_{I}}\left( \cdot \right) $表示体素值的标准差。

此外，大脑功能分区的算法是根据一定的功能一致性度量将rs-fMRI图像进行分割。目前的分区算法可大致分为基于数据驱动的非参数算法和模型驱动的参数算法。数据驱动是根据数据构建模型，而模型驱动是根据模型分析数据。图 2给出了脑功能分区算法的分类示意图。该分类从某方面反映出各种方法的形状关联的一般性和特殊性，数据驱动算法纯基于rs-fMRI图像信息，则其形状信息具一般性，图像处理独立；模型驱动算法的形状信息多，则具备特殊性，需要更多的领域或先验知识加入到模型中进行计算。



图 2 脑功能分区算法的分类
Fig. 2 Classification of brain functional parcellation algorithm

2.3.1 数据驱动分区算法

基于数据驱动的分区算法包括聚类分析、字典学习和基于种子分析算法等。

1) 聚类分析算法利用无监督学习方式，将几种经典的聚类算法(如K-means算法，FCM算法，谱聚类算法，层次聚类算法[22-23])运用到图像分割中，尤其是在静息态功能磁共振数据分析中应用广泛。2014年，Jung等人[22]运用K-means算法对纹状体进行功能分区，先使用AAL模板提取构成纹状体的尾状核和壳核并分别作为感兴趣区(ROI)，计算ROI中各体素与大脑其余体素的皮尔逊相关系数，得到每位被试者的相关矩阵，并对其进行fisher-Z变换，得到平均相关矩阵。最终通过多次运行K-means算法对平均相关矩阵做聚类，得到对两个ROI的功能分区结果，该文献说明纹状体属于多功能体，可进一步实施功能分区。无监督的聚类分析算法种类繁多，是目前最常用的一类分区方法，其中，目前应用最为广泛的是K-means算法和谱聚类算法，K-means算法优点是效率高，但对初始聚类敏感，得出的分割结果不够稳定；谱聚类算法性能稳定且适合处理非高斯分布的数据集，但定义图的权重比较困难。因此，在具体实验中可融合先验知识或加入图像的空间领域信息等，以增强结果的鲁棒性。

2) 字典学习是一种通过大量训练样本数据学习框架建立功能表达完备的字典的方法，该方法将待分区的脑区作为字典元素的组合，然后通过体素强度阈值或功能模式等对脑功能分区。2013年，Abraham等人[24]在多被试字典学习方法的基础上，使用随机坐标下降、矩形计算图像梯度和自适应双差控制3种策略优化多被试字典学习，得到连续的图谱。然后，通过对连续图谱施加稀疏的TV惩罚策略得到紧凑的区域，且消除了由负系数形成的背景噪声；最后确定合适每个体素的阈值，可将脑分为2000个功能子区域。实验结果表明，文献[24]的方法提取的脑区较K-means聚类和Ward聚类的结构性能和稳定性能更佳。基于字典学习的分区方法具备极强的灵活性，并且相对对字典形式和内容的局限性较弱，但是其算法复杂度较高，需要大量的被试数据支持，字典大小也受到复杂的数据约束。后续工作中，可多加入稀疏编码和采样学习等手段，降低算法复杂度，提高运算效率。

3) 基于种子的分析算法用于rs-fMRI数据脑功能分区时，首先选取种子点，然后根据功能一致性准则迭代地合并相邻区域或者向区域中加入与其相邻的体素，最后在符合标准时终止。2013年，Thomas等人[17]通过高斯核平滑的功能稳定性图确定以小的功能同质区域为中心的且具有其区域代表性的时间序列为种子点，选取约1 000 5 000个局域稳定的种子点按照和相邻体素的相关性迭代生长为初始种子区域。初始区域可进一步通过增强空间连续性的层次方法聚类为鲁棒性强的皮质分区结果。该被试特异性的划分方法具有高扫描重现性并且其边界描绘了功能连接性的明显变化，文献[17]也验证其与任务态的功能磁共振成像衍生成的分区相重叠。基于种子的分析算法不需要特意指定划分的子区域数目，且其功能分区结果连续性较强，但是该方法的计算太过繁琐。

数据驱动的分区方法在分割过程中所用到的参数有限，对待处理图像数据的形状要求不高，尤其是大部分聚类分区方法本身性能较优并且能够处理非高斯分布的数据集，故该类分区方法应用颇为广泛，但其中多种算法分区的稳定性和准确性方面有待进一步改进。如果待分割的脑区在解剖、结构和功能方面有可靠的先验知识，研究者们则能利用多种先验知识进行脑功能分区，同时兼以加入图像的空间领域信息，增加分区的准确性，减少迭代次数，改善分区算法耗时较长的问题。

2.3.2 模型驱动分区算法

基于模型驱动的分区算法可大致分为概率分布模型(PDM)分区算法和广义线性模型(GLM)方法等。

1) 概率分布模型分区算法在fMRI图像脑功能分区中的应用日益广泛[25-27]，该算法利用不同的概率分布模型对待分区脑区的体素建模，将图像分割问题转化为模型最优化问题。文献[25]利用rs-fMRI数据提出了一种基于离散的马尔可夫随机场为框架的图划分方法。该方法构造了由单体素势能、划分代价和形状先验3部分组成的势能函数，通过不断迭代最小化该势能函数直至收敛，得到划分结果。其中，划分的脑区形状由功能测量距离决定。该算法经实验证明划分结果的重复性和功能一致性均较高。此外，2013年，Ryali等人[27]提出了一个新的时空概率分区方案，克服了现有方法的主要弱点，该方案使用Mises-Fisher分布对体素的fMRI时间序列建模，通过马尔可夫随机场对潜在的聚类标签建模，并使用空间正则化约束数据中簇的类别标签，惩罚邻域体素有不同簇的类别标签。然后通过迭代期望最大化过程估计模型参数和类别标签，最终迭代至收敛，得到边界清晰的脑功能亚区。概率分布模型分区方案能自动决定簇的数目，稳定性能优，并且能广泛用于高维数据的分类，有较好的一致性和重现性，避免了非相干的分区，但该算法的难点在于如何选择合适的概率分布模型，并且算法在优化时参数易遇到瓶颈。

2) 广义线性模型方法常应用于功能数据的分析中，但在脑功能分区方面应用并不广泛，该类算法可将广义线性模型与人工神经网络的方法结合起来，如将rs-fMRI图像中待分区的体素信号表示为其余体素信号的线性形式，然后通过自组织映射对待分区体素进行分类。2009年，Kiviniemi等人[28]使用自组织映射方法实现对25组rs-fMRI数据的杏仁核每个体素相关的连接图，从而确定不同的分区。该方法首先通过图谱提取出杏仁核作为ROI；然后使用广义线性模型估测该ROI与全脑其他体素间的功能连接；把功能连接的向量作为修正的自组织映射的输入，使用Kohonen学习规则统计连接向量的权重，对ROI中体素的向量分类，最后获得的相应体素的簇即杏仁核的功能分区结果。广义线性模型分区方法可通过rs-fMRI数据的体素情况训练神经网络并分类，不受数据的各种分布影响，但通常情况下训练过程慢，连接向量的不同输入次序容易影响最终分区结果。

相较于数据驱动方法而言，模型驱动的分区方法分区过程中涉及的参数较多，并且在模型建立过程中，类的分布和体素信号的模型划分需要较强的领域知识和可靠的理论基础，这些要求在一定程度上限制了模型驱动类方法的发展，但由于其所对应图像的独特性更能够反映个体的差异，适用于组水平(即一组含有多个被试的数据集水平上的脑功能数据分析，需要充分考虑被试间存在的一定差异，并对其做组化处理)的脑功能分区，故在后续分区工作中，一方面可优化空间约束的参数，减少模型优化过程中被估计的参数，另一方面也要重视分布模型与功能数据分析相关性的理论研究，使模型运用于每个ROI的rs-fMRI数据分析时更加准确。

近年来，新的脑功能分区方法层出不穷，大量融合性的创新分区思想涌现出来。2016年，Wang等人[29]创建稀疏字典学习聚类(SDLC)，该算法结合字典学习，rs-fMRI数据的稀疏表示和K均值聚类将脑功能分区整合为一个优化问题。字典由一组过完备的时间过程(时程)信号和可建的rs-fMRI信号的稀疏表示组成，最后对小脑功能区域的rs-fMRI信号的稀疏表示进行K均值聚类。文献[29]通过多组块混合近似交替法保证SDLC算法强收敛并使用模拟数据评估SDLC算法的可靠性并检测其分类精度与其他聚类技术的差距。文献[29]表明，SDLC算法可合理划分小脑功能区并且与小脑皮质功能连接的结果与当前神经科学知识一致。2016年，Sui等人[30]根据皮尔逊相似性度量对fMRI数据的固有噪声敏感，提出了一种新型的利用稀疏表示通过对其他体素的稀疏线性组合重建每个体素信号，并且将重建系数用作分割时的相似矩阵。该算法中，每一个BOLD信号由和其他目的脑区体素的稀疏线性组合表示，同时，体素局部相关性也通过局部正则化纳入稀疏表示中，以期每个体素重建时更多被周围体素影响，不受较远体素的影响，而后将此系数矩阵归一化为相似矩阵。最终对相似矩阵施以子空间聚类得到功能一致性脑区。文献[30]最后表明，该新型算法比子空间聚类算法均对模拟和真实的rs-fMRI数据的脑区分割更优。将传统的分区算法和先验知识、空间领域信息、空间约束、稀疏编码和采样学习等思想结合起来的这种融合性的脑功能分区算法将是分区算法发展的新趋势。

在分析rs-fMRI数据时，合适且智能的分区算法不仅能够挖掘更有价值的信息来判断像素点的划分，同时也能够合理的解释相关生理机制。现阶段虽然对脑功能分区算法有较为深入的研究，并已取得大量重要的成果，但离实际的临床应用还有很远的距离，在优化和提高分区算法性能方面还将面临诸多挑战。

3 大脑功能分区评价指标

大脑功能分区的方法多种多样，因此必须对功能分区结果的质量进行分析评价。较为常见的评价指标有以下几种：

1) JS(Jaccard similarity)指标。JS指标[31]用于评价得到的分区结果和ground truth之间的相似度。JS指标的定义为

$ J\left( {{\mathit{\boldsymbol{S}}}_{1}}, {{\mathit{\boldsymbol{S}}}_{2}} \right)=\frac{\left| {{\mathit{\boldsymbol{S}}}_{1}}\cap {{\mathit{\boldsymbol{S}}}_{2}} \right|}{\left| {{\mathit{\boldsymbol{S}}}_{1}}\cup {{\mathit{\boldsymbol{S}}}_{2}} \right|} $ (2)

式中，$ {{\mathit{\boldsymbol{S}}}_{1}} $是可提供的参考的脑功能分区的ground truth，$ {{\mathit{\boldsymbol{S}}}_{2}} $是使用不同方法得到的分区结果。JS指标越接近1，表示分区结果越好。

2) 戴斯系数(Dice’s coefficient)。戴斯系数[32]和Jaccard Index很类似，在rs-fMRI数据的脑功能分区中可以衡量不同分区方法所分割结果的重叠性。具体公式为

$ D=\frac{1}{C}\sum\limits_{i=1}^{C}{\frac{2\left| {{\mathit{\boldsymbol{X}}}_{i}}\cap {{\mathit{\boldsymbol{Y}}}_{i}} \right|}{\left| {{\mathit{\boldsymbol{X}}}_{i}} \right|+\left| {{\mathit{\boldsymbol{Y}}}_{i}} \right|}} $ (3)

式中，$ C $表示所得分区的个数，$ {{\mathit{\boldsymbol{X}}}_{i}} $和$ {{\mathit{\boldsymbol{Y}}}_{i}} $表示两两不同分区结果中的簇。$ \left| {{\mathit{\boldsymbol{X}}}_{i}}\cap {{\mathit{\boldsymbol{Y}}}_{i}} \right| $表示两簇中重叠像素的个数，$ \left| {{\mathit{\boldsymbol{X}}}_{i}} \right|+\left| {{\mathit{\boldsymbol{Y}}}_{i}} \right| $表示两簇像素个数之和。$ D $取值越接近1，则表示两分区结果重叠性越高。这一评价指标在没有ground truth的情况下，更适合两种不同方法的分区结果比较。此外，该指标也可用于同一方法针对不同被测主体分区结果的重叠性比较。

3) 平滑性(smoothness)指标。由分区结果的平滑性也可以判定脑功能分区方法的优劣，分区结果越光滑，则评价分区方法越优。常用的平滑度量[33]为

$ s=\frac{N-\sum\limits_{u\in V}{\sum\limits_{v\in {{A}_{u}}}{\chi \left( u, v \right)}}}{N} $ (4)

式中，$ V $表示脑功能分区所得的一个亚区，$ N $是$ V $中的像素个数，$ u $，$ v $是$ V $中的像素，$ {{\mathit{\boldsymbol{A}}}_{u}} $是$ u $周围像素的集合，$ u $，$ v $当同属一块分区时$ \chi \left( u, v \right) $取0，否则取1，$ s $值越大，则边界长度越短，分区结果越光滑。

综上几个指标，可以初步评价脑功能分区结果的好坏，不过对于更精确的结果判定，需要有更严谨的理论支持的系统全面指标。

4 脑功能分区的问题及展望

越来越多的脑科学研究者将目光投向大脑功能划分，但面临着rs-fMRI数据信号的信噪比较低，数据维度过大，人脑的巨复杂系统以及脑功能分析技术不够完善等问题。针对这些问题，可以总结出以下几点展望：

1) 目前功能性脑网络的研究在利用fMRI、EEG或MEG这3种单模态脑研究手段上已经有了很深入的研究，但是单一模态的自身特性决定其各有优缺点。例如，EEG有很高的时间分辨率，能够显示大脑的认知处理过程，但相关电位的空间分辨率较低，对信号的空间位置的估计很粗略，限制了进一步研究；MEG不直接与头皮接触，减少了干扰误差，但其设备复杂、昂贵；fMRI空间分辨率高，实验操作简单，但信噪比较低，数据维度过大。因此在今后的功能分区研究中，可以把其中的任意两种或是3种手段有机结合起来，甚至使用结构磁共振成像(sMRI)和DTI数据作为辅助，将多模态信息运用到脑功能分区中，充分发挥各种模态的优势，使脑功能分析研究更加精细准确。

2) 基于rs-fMRI数据的大脑信息维度过大，且各个体素并不是独立的功能单元，故在计算功能连接时含大量的冗余信息。而目前脑功能分区中通常将功能连接作为脑功能分区的主要特征，因此文献中大部分方法在后续分类过程中很难满足特征间相互独立且不高度相关的要求，这使得脑功能分区效率和准确性降低。对此，可采用特征降维和特征选择的方法，去除功能连接模式中的冗余信息，提取出最能反映待分割脑区功能连接本质的特征，减少计算量，让脑分区更具实时性和可信性。

3) 人脑是一个巨复杂系统，其功能划分手段在注重效率的同时，也要更具备一定的可解释性与准确性。多数情况下，可以将脑功能分区与脑结构分区紧密联系起来，既为脑功能分区提供思路，更加透彻地探索脑的高级功能，也可以联系被试者大脑的不同状态与大脑结构和功能的对应关系。同时，为能保障脑功能分区的准确性，早日将分区结果安全实现于临床运用，脑研究者们应将成像的重测信度和可重复性的建立与评估视为重要的先期工作，建立标准的评价功能划分准确性的体系。

4) 由于rs-fMRI信号的信噪比低，因此要求脑分区算法具有很好的抗噪能力。在下一步探索新算法工作中，一方面可从根本上克服噪声，提取更鲁棒的特征；另一方面综合利用大量先进技术的优势，开发具融合性(如融合先验知识、空间领域信息、空间约束、稀疏编码和采样学习等)的优化分区算法。

5) 现阶段rs-fMRI数据分析软件工具箱已有很多(如SPM，FSL和REST等)，但对探索最适用于脑功能分区的处理软件方面涉及不多，因此开发包含全脑功能分区的一体化软件非常有必要。其中，更可将不同被试组的脑功能分区结果结合相关算法应用于脑疾病的机制分析和预测。例如在更精细的脑亚区层面下，分析基于rs-fMRI数据的阿尔茨海默病相关脑区在疾病早期甚至风险阶段的功能异常，进一步预测疾病进程。该类软件有助于突破目前重大脑部疾病的研究瓶颈。

5 结语

基于静息态功能磁共振(rs-fMRI)数据，阐述了脑功能区分割的一般思路，并对该领域的研究做了展望。研究者通过将更为细致准确的大脑功能分区结果抽象为各网络节点，构建大脑功能网络，以期研究人脑机制，助力脑部疾病(如感知觉、学习记忆、情绪、抉择等脑功能联结病及退行性病变、抑郁、成瘾等)的研究和诊断，望能辅助研发相关疾病诊断与治疗的新策略和新技术，预防、治疗和延缓脑的衰老和疾病，减轻脑疾病带来的经济与社会负担。同时在未来高科技领域中，脑功能分区的研究也对类脑科学包括神经形态芯片设计、深度神经网络和脑机接口技术以及人工智能的发展具有重要的启示意义。

参考文献

  • [1] Zhang X, Liu L, Guo A K. Progress and prospect on strategic priority research program of "mapping brain functional connections and intelligence technology"[J]. Bulletin of the Chinese Academy of Sciences, 2016, 31(7): 737–746. [张旭, 刘力, 郭爱克. "脑功能联结图谱与类脑智能研究"先导专项研究进展和展望[J]. 中国科学院院刊, 2016, 31(7): 737–746. ] [DOI:10.16418/j.issn.1000-3045.2016.07.002]
  • [2] De Luca M, Beckmann C F, De Stefano N, et al. fMRI resting state networks define distinct modes of long-distance interactions in the human brain[J]. NeuroImage, 2006, 29(4): 1359–1367. [DOI:10.1016/j.neuroimage.2005.08.035]
  • [3] Fan L Z, Li H, Zhuo J J, et al. The human brainnetome atlas:a new brain atlas based on connectional architecture[J]. Cerebral Cortex, 2016, 26(8): 3508–3526. [DOI:10.1093/cercor/bhw157]
  • [4] Glasser M F, Coalson T S, Robinson E C, et al. A multi-modal parcellation of human cerebral cortex[J]. Nature, 2016, 536(7615): 171–178. [DOI:10.1038/nature18933]
  • [5] Turner R, Le Bihan D, Moonen C T W, et al. Echo-planar time course MRI of cat brain oxygenation changes[J]. Magnetic Resonance in Medicine, 1991, 22(1): 159–166. [DOI:10.1002/mrm.1910220117]
  • [6] Wise R G, Ide K, Poulin M J, et al. Resting fluctuations in arterial carbon dioxide induce significant low frequency variations in BOLD signal[J]. NeuroImage, 2004, 21(4): 1652–1664. [DOI:10.1016/j.neuroimage.2003.11.025]
  • [7] Ogawa S, Lee T M, Kay A R, et al. Brain magnetic resonance imaging with contrast dependent on blood oxygenation[J]. Proceedings of the National Academy of Sciences of the United States of America, 1990, 87(24): 9868–9872. [DOI:10.1073/pnas.87.24.9868]
  • [8] Hu X F, Zhang J Q, Jiang X M, et al. Amplitude of low-frequency oscillations in Parkinson's disease:a 2-year longitudinal resting-state functional magnetic resonance imaging study[J]. Chinese Medical Journal, 2015, 128(5): 593–601. [DOI:10.4103/0366-6999.151652]
  • [9] Bullmore E, Sporns O. Complex brain networks:graph theoretical analysis of structural and functional systems[J]. Nature Reviews Neuroscience, 2009, 10(3): 186–198. [DOI:10.1038/nrn2575]
  • [10] Jiang T Z, Liu Y, Li Y H. Brain networks:from anatomy to dynamics[J]. Chinese Bulletin of Life Sciences, 2009, 21(2): 181–188. [蒋田仔, 刘勇, 李永辉. 脑网络:从脑结构到脑功能[J]. 生命科学, 2009, 21(2): 181–188. ]
  • [11] Sun J F, Hong X F, Tong S B. A survey of complex brain networks:structure, function, computation, and applications[J]. Complex Systems and Complexity Science, 2010, 7(4): 74–90. [孙俊峰, 洪祥飞, 童善保. 复杂脑网络研究进展——结构、功能、计算与应用[J]. 复杂系统与复杂性科学, 2010, 7(4): 74–90. ] [DOI:10.3969/j.issn.1672-3813.2010.04.009]
  • [12] Friston K J. Functional and effective connectivity in neuroimaging:a synthesis[J]. Human Brain Mapping, 1994, 2(1-2): 56–78. [DOI:10.1002/hbm.460020107]
  • [13] Wang L, Yu C S. Analytic methods on functional connectivity based on resting-state fMRI and their applications[J]. Chinese Journal of Medical Imaging Technology, 2008, 24(8): 1277–1280. [王亮, 于春水. 静息状态脑功能连接磁共振成像的分析方法及应用[J]. 中国医学影像技术, 2008, 24(8): 1277–1280. ] [DOI:10.3321/j.issn:1003-3289.2008.08.037]
  • [14] Shen X, Tokoglu F, Papademetris X, et al. Groupwise whole-brain parcellation from resting-state fMRI data for network node identification[J]. NeuroImage, 2013, 82: 403–415. [DOI:10.1016/j.neuroimage.2013.05.081]
  • [15] Sporns O, Tononi G, Kötter R. The human connectome:a structural description of the human brain[J]. PLoS Computational Biology, 2005, 1(4): #e42. [DOI:10.1371/journal.pcbi.0010042]
  • [16] Smith S M, Miller K L, Salimi-Khorshidi G, et al. Network modelling methods for FMRI[J]. NeuroImage, 2011, 54(2): 875–891. [DOI:10.1016/j.neuroimage.2010.08.063]
  • [17] Blumensath T, Jbabdi S, Glasser M F, et al. Spatially constrained hierarchical parcellation of the brain with resting-state fMRI[J]. Neuroimage, 2013, 76: 313–324. [DOI:10.1016/j.neuroimage.2013.03.024]
  • [18] Jiao Z, Zou L, Qian N, et al. Complex network analysis of brain functional connectivity based on functional magnetic resonance imaging[J]. Journal of Computational Information Systems, 2012, 8(24): 10375–10382.
  • [19] Cauda F, D'Agata F, Sacco K, et al. Functional connectivity of the insula in the resting brain[J]. NeuroImage, 2011, 55(1): 8–23. [DOI:10.1016/j.neuroimage.2010.11.049]
  • [20] Nebel M B, Joel S E, Muschelli J, et al. Disruption of functional organization within the primary motor cortex in children with autism[J]. Human Brain Mapping, 2014, 35(2): 567–580. [DOI:10.1002/hbm.22188]
  • [21] Wang J H, Wang L, Zang Y F, et al. Parcellation-dependent small-world brain functional networks:a resting-state fMRI study[J]. Human Brain Mapping, 2009, 30(5): 1511–1523. [DOI:10.1002/hbm.20623]
  • [22] Jung W H, Jang J H, Park J W, et al. Unravelling the intrinsic functional organization of the human striatum:a parcellation and connectivity study based on resting-state fMRI[J]. PLoS One, 2014, 9(9): #e106768. [DOI:10.1371/journal.pone.0106768]
  • [23] Mejia A F, Nebel M B, Shou H C, et al. Improving reliability of subject-level resting-state fMRI parcellation with shrinkage estimators[J]. NeuroImage, 2015, 112: 14–29. [DOI:10.1016/j.neuroimage.2015.02.042]
  • [24] Abraham A, Dohmatob E, Thirion B, et al.Extracting brain regions from rest fMRI with total-variation constrained dictionary learning[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.Berlin Heidelberg:Springer, 2013:607-615.[DOI:10.1007/978-3-642-40763-5_75]
  • [25] Honnorat N, Eavani H, Satterthwaite T D, et al. GraSP:geodesic Graph-based Segmentation with Shape Priors for the functional parcellation of the cortex[J]. NeuroImage, 2015, 106: 207–221. [DOI:10.1016/j.neuroimage.2014.11.008]
  • [26] Lashkari D, Sridharan R, Vul E, et al.Nonparametric hierarchical Bayesian model for functional brain parcellation[C]//Proceedings of 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.San Francisco, CA:IEEE, 2010:15-22. [DOI:10.1109/CVPRW.2010.5543434]
  • [27] Ryali S, Chen T W, Supekar K, et al. A parcellation scheme based on von Mises-Fisher distributions and Markov random fields for segmenting brain regions using resting-state fMRI[J]. NeuroImage, 2013, 65: 83–96. [DOI:10.1016/j.neuroimage.2012.09.067]
  • [28] Kiviniemi V, Starck T, Remes J, et al. Functional segmentation of the brain cortex using high model order group PICA[J]. Human Brain Mapping, 2009, 30(12): 3865–3886. [DOI:10.1002/hbm.20813]
  • [29] Wang C Q, Kipping J, Bao C L, et al. Cerebellar functional parcellation using sparse dictionary learning clustering[J]. Frontiers in Neuroscience, 2016, 10: #188. [DOI:10.3389/fnins.2016.00188]
  • [30] Sui X C, Li S H, Rajapakse J C.Locality regularized sparse subspace clustering with application to cortex parcellation on resting fMRI[C]//Proceedings of 2016 IEEE 13th International Symposium on Biomedical Imaging.Prague:IEEE, 2016:1286-1290. [DOI:10.1109/ISBI.2016.7493502]
  • [31] Real R, Vargas J M. The probabilistic basis of Jaccard's index of similarity[J]. Systematic Biology, 1996, 45(3): 380–385. [DOI:10.1093/sysbio/45.3.380]
  • [32] Charikar M S.Similarity estimation techniques from rounding algorithms[C]//Thirty-Fourth Annual ACM Symposium on Theory of Computing.New York:ACM, 2002. [DOI:10.1145/509907.509965]
  • [33] Donoho D L, Johnstone I M. Adapting to unknown smoothness via wavelet shrinkage[J]. Journal of the American Statistical Association, 1995, 90(432): 1200–1224. [DOI:10.1080/01621459.1995.10476626]