《Frontiers in Neuroscience》：Multimodal connectivity-based cortical segmentation with graph neural networks
编辑推荐：
本文提出了一种基于图神经网络（GNN）的多模态脑皮层分割方法，通过融合结构磁共振成像（sMRI）和扩散磁共振成像（dMRI）衍生的结构连接性数据，显著提升了分割精度。研究对比了图卷积网络（GCN）、图注意力网络（GAT）和图U-Net三种架构，发现GAT在融合连接性数据时表现最优（Dice分数达0.927），且多模态模型均优于仅使用sMRI的模型。下游任务验证表明，GNN分割结果与FreeSurfer银标准在预测年龄等临床指标上效果相当，凸显了GNN在脑皮层分割中的潜力。
引言
脑磁共振成像（MRI）技术的进步为神经科学研究提供了高分辨率、非侵入式的脑结构可视化手段。然而，大脑作为由数十亿神经元构成的复杂结构，其图像解读仍面临挑战。脑皮层分割通过将大脑划分为有限数量的感兴趣区域，有效降低了数据维度，对理解神经解剖学及脑结构与临床行为关联具有重要意义。传统手动分割耗时且依赖专业知识，因此开发高效自动分割算法成为迫切需求。现有方法多基于结构磁共振成像（sMRI），但近年研究表明，融合多模态数据（如结构连接性）可提升分割效果。本文探索图神经网络（GNN）在基于脑结构连接性的皮层分割中的应用，并评估多模态数据（sMRI+dMRI）对分割性能的增强作用。
方法
研究以FreeSurfer生成的脑表面三角网格为图结构基础，节点特征向量融合sMRI衍生的坐标、皮层厚度和曲率，以及dMRI推断的结构连接性（基于电导率方法计算）。采用三种GNN架构：图卷积网络（GCN）通过邻域信息聚合更新节点特征；图注意力网络（GAT）引入注意力机制加权邻节点信息；图U-Net结合池化与上采样处理图结构。使用Human Connectome Project（HCP）年轻成人数据集（97名22-35岁健康受试者），以FreeSurfer分割结果作为银标准标签，通过五折交叉验证评估模型，以Dice分数为主要指标。
结果
图神经网络的分割性能
多模态特征（坐标+厚度+曲率+连接性）显著提升所有GNN模型的分割精度，其中GAT表现最优，左右半球平均Dice分数达0.923。仅使用sMRI特征时，GCN与GAT性能相近（Dice约0.768），而图U-Net因层宽受限（参数量17万）表现最差。对比实验表明，连接性数据的加入比增加模型参数更有效：当GCN第二层宽度加倍时，sMRI模型Dice仅提高0.022，仍低于多模态模型。
下游任务验证
通过皮层区域平均厚度与年龄的相关性分析，比较GAT分割与FreeSurfer的实用性。两者均显示显著负相关（左半球r=-0.35，p=0.002），且通过Bonferroni校正的显著脑区数量相近（左半球FreeSurfer 4个，GAT 5个）。年龄预测任务中，FreeSurfer分割的传导性特征略优（RMSE=3.44，接近年龄标准差3.70），但GAT结果无显著劣势。多层感知机（MLP）因过拟合导致训练不稳定，限制了下游任务的结论可靠性。
讨论
GNN（尤其GAT）在融合结构连接性后达到与文献报道的非图方法相当的分割精度，证实多模态数据的价值。连接性特征仅与坐标组合即可超越全sMRI特征模型，提示其比厚度、曲率更具信息量。GAT的注意力机制可能更适应高维连接性数据的复杂关系。研究局限性包括缺乏金标准手动标签、训练数据均来自年轻健康人群，以及下游任务数据量不足。未来工作需在疾病人群（如阿尔茨海默病）中验证泛化能力，并结合注意力权重分析以阐释关键神经解剖特征。
