《NeuroImage》：Detailed Connectomic Cluster Resource for White Matter Mapping From Ultra-High-Field Diffusion MRI
编辑推荐：
本研究针对现有白质图谱对浅层和小脑白质等区域覆盖不足的问题，利用人类连接组计划（HCP）171名参与者的7T超高场扩散MRI数据，通过多算法集成纤维追踪和余弦k均值聚类技术，构建了包含数万个纤维集群的全脑白质图谱。该资源首次实现了对经典纤维束（如弓状束、皮质脊髓束）的解剖学细分，并识别出大量未被表征的U型纤维，为结构-功能关系研究、算法基准测试和精准连接组学提供了重要数据支撑。
人脑如同宇宙中最复杂的网络系统，而白质纤维则是这个网络的核心基础设施。这些由神经轴突组成的"信息高速公路"，负责在不同脑区之间传递信号，支撑着我们的认知、情感和行为。尽管科学家们通过解剖学研究已识别出一些主要白质通路，但我们对大脑内部连接的全貌仍知之甚少，特别是在浅层白质和复杂纤维交叉区域。
传统白质研究方法面临多重挑战。纤维解剖技术虽然精确，但无法在活体大脑中应用；而基于扩散磁共振成像（dMRI）的纤维追踪技术，又长期受困于假阳性和假阴性问题。现有的白质图谱通常只包含20-80个预定义的纤维束，且大多忽略了密集的浅层U型纤维和短程联络通路。这种知识空白严重制约了我们对脑结构和功能关系的深入理解。
正是在这样的背景下，来自南京理工大学的研究团队在《NeuroImage》上发表了他们的最新成果。他们利用人类连接ome计划（HCP）的7T超高场扩散MRI数据，开发了一种全新的数据驱动白质纤维集群图谱，为脑科学研究提供了前所未有的精细资源。
研究团队采用了多项关键技术方法：从HCP数据库获取171名健康志愿者的7T多壳扩散MRI数据；使用MRtrix3软件平台进行预处理和多组织纤维取向分布函数建模；集成三种纤维追踪算法（iFOD1、iFOD2和SD_STREAM）构建全脑纤维轨迹；采用基于余弦序列扩展的k均值聚类方法对纤维进行分组；通过两阶段一致性过滤提高结果的生物学合理性；最后利用Neurosynth框架对纤维集群进行元分析解码，赋予其功能注释。
3.1. 网络级脑连接性从白质纤维追踪中显现
研究成功构建了包含33,256个（7网络方案）和65,184个（17网络方案）纤维集群的全脑白质图谱。这些集群在长度、跨度和体积等形态特征上表现出广泛多样性，几乎涵盖了全脑所有类型的纤维。通过元分析解码，研究人员为每个纤维集群赋予了功能注释，发现连接不同功能网络对的集群具有独特的任务相关术语特征。特别值得注意的是，经典纤维束如弓状束（AF）和皮质脊髓束（CST）被细分为多个解剖学一致的子集群，揭示了传统方法难以分辨的细微结构差异。
3.2. 评估个体和群体水平结构连接稳定性
研究结果表明，该纤维聚类方法在个体和群体水平均表现出极高的稳健性和可重复性。重叠相似性指标超过97%，表明识别出的白质连接具有高度一致性，而非聚类过程的人工产物。戴维斯-布尔丁指数（Davies-Bouldin index）中位数低于0.35，进一步证实了聚类结果的解剖学紧凑性和良好分离度。这种高重现性使该方法特别适用于研究个体差异、脑发育和神经退行性疾病中的病理改变。
研究讨论部分强调，这项研究在多个关键方面超越了现有白质图谱。传统图谱主要依赖预定义的纤维束描绘，不可避免地受到先验解剖知识的限制。而本研究采用的完全数据驱动的全脑白质映射策略，能够全面重新评估全脑已确立的纤维束定义，实现更精确的束群划分，并揭示新的白质通路。
此外，研究采用功能网络驱动的皮层分区方法，能够更精确地表征白质连接性、皮层功能模式和皮层下结构之间的关系。传统图谱主要依赖解剖学分区，而本方法利用了大脑在各种任务和静息状态下的功能组织，为研究皮层网络-皮层下连接性建立了更稳健的数据驱动框架。
该图谱的另一个关键优势是能够同时支持群体水平和个体水平的白质分析。这一特性使得研究人员既能考察共享的结构模式，又能捕捉个体变异性，这对于阐明生物多样性和推进精准医学至关重要。
研究人员也坦诚指出了研究的局限性。尽管数据驱动方法减轻了人工描绘引入的偏差，但纤维追踪方法固有的约束性仍然存在，并最终影响结果。虽然实施了多种策略优化纤维分类，但纤维追踪的内在不确定性依然存在。此外，由于该数据集源自HCP 7T数据，主要包含年轻健康个体，研究结果的普适性仍有限制。
这项研究构建的全脑白质纤维集群图谱，通过整合高分辨率个体和群体数据，为研究白质连接性引入了新框架。利用7T超高场扩散MRI数据结合多种先进纤维追踪算法，该方法规避了传统白质图谱依赖预定义解剖先验的局限性，建立了白质结构映射的数据驱动范式。研究不仅完善了已知纤维束的划分，还增强了对皮层-皮层、皮层-皮层下连接以及先前未充分探索的纤维通路的分析粒度。这一方法论进展为未来的计算建模和结构连接性研究奠定了坚实基础，有望推动脑连接组学进入新的研究阶段。
