为建模做准备的人脑结构连接矩阵

人脑代表了一个复杂的计算系统，它的功能和结构可以通过各种聚焦于脑组织和活动的独立属性的神经成像技术来测量。我们捕获组织的白质纤维扩散加权成像获得使用概率扩散束造影术。通过将纤维束造影的结果分割成更大的解剖单元，就有可能推断出系统这些部分之间的结构关系。该管道产生了一个结构连接矩阵，其中包含了所有区域之间连接强度的估计。然而，原始数据处理是复杂的，计算密集，并需要专家的质量控制，这可能会让在该领域经验较少的研究人员感到沮丧。因此，我们以一种便于建模和分析的形式提供了大脑结构连接矩阵，从而被广泛的科学家社区使用。该数据集包含大脑结构连接矩阵，以及潜在的原始扩散和结构数据，以及88名健康受试者的基本人口学数据。

1. 背景

磁共振成像技术(MRI)对人脑的研究已成为当代神经科学的重要研究方向之一。研究的关键问题之一是大脑不同区域间信息的整合。为了估计任意两个大脑区域之间的相互作用，MRI提供了几种不同的通用工具。从测量的大脑活动的时间序列，例如，使用功能磁共振成像，研究人员可以估计功能连接，即偏远区域活动的(无定向)统计依赖性，甚至试图估计有效连接，即一个大脑区域对另一个大脑区域的直接影响。然而，结构连接提供了另一块更基本的拼图，表示被考虑的神经群体之间携带物理信息的连接;典型的白质束包含轴突连接预先设定的灰质区域。

结构连通性通常是通过处理MRI弥散加权数据(DW-MRI，或DWI)来获得的。其关键原理是每个体素的图像是多次获取的，每个图像都对沿特定空间轴的扩散敏感。从这样一组图像中，可以估计出扩散首选方向的空间轮廓。这种估计可以推断给定体素中可能存在的白质纤维和方向，并将信息在空间上连接起来，生成连接大脑不同部位的初步白质束的模拟。由此产生的神经束图可以提供大脑内部结构连接的详细可视化，以及结构连接矩阵中任何预先设定的(灰质)大脑区域之间结构连接的存在和数量的定量信息。

结构连接矩阵表示大脑中信息传输的高速公路网络，因此已经得到了广泛的研究。一个核心问题是，结构连接在塑造大脑活动的动态方面所起的作用，特别是它与大脑区域活动之间的统计依赖模式的关系——功能连接矩阵。在早期有关大脑结构和功能连接的研究之后，研究结果的可变性以及理论建模和模拟都强调了其他因素在结构-功能关系中的作用。这一研究领域的重要性和丰丰性很快得到了认识，并激发了一系列进一步的努力，静态功能连接的建模进一步扩展到可靠地解释大脑活动动力学的三个方面:空间属性、时间动态和谱特征。然而，对健康大脑的功能连接进行建模并不是对大脑结构连接数据的唯一使用，它也越来越多地被用于对包括癫痫在内的大脑疾病动力学进行建模，以及对结构连接本身的更深层特征进行研究。因此，这是一个有前途和不断增长的研究领域，它要求在数据科学家和一般跨学科的研究人员可访问的水平上利用公开共享的数据。

然而，尽管最近有开放共享神经成像数据的运动，包括人类连接组项目(Human Connectome Project)这样的大型数据库，但现有的原始大型数据集数量有限，特别是在现成的预处理连接矩阵方面。事实上，在许多情况下，只有原始数据是共享的，并且从原始DWI数据生成结构连接矩阵是一个漫长的过程，需要专家知识和做出特定的选择。由于提供多个数据集以增加结果的可重复性和普遍性是很重要的，我们在这里提供了一个现成的数据集，不仅包括88个健康个体的原始扩散和结构数据，还包括派生的大脑结构连接矩阵。矩阵代表了广泛使用的自动解剖标记(AAL) atlas中定义的90个皮层感兴趣区域(ROI)之间的连接，其中矩阵的每个条目代表了从一个ROI(由一行给出)进入另一个ROI(由一列给出)的束线的比例。处理在图1中进行了高级描述，并在方法部分详细描述。

连接矩阵提供了作为一个单一的Matlab可读的文件和作为单独的制表符分隔的文本内。此外，原始的扩散和结构数据也可以与用于生成结构连通性矩阵的脚本管道一起使用。用户可以自由地生成结构连通性矩阵。最后，我们还分享了受试者的基本人口学和临床数据(性别、年龄、用手习惯、教育程度、体重、身高、BMI)，以及按矩阵中使用的顺序列出的AAL roi列表。数据对应于一项关于精神分裂症早期变化的对照健康受试者队列，连接矩阵的一个子集已经被用于先前旨在建模嵌合体状态、半脑睡眠或癫痫动力学的建模研究。

2. 方法

2.1 被试

这里提供的数据是基于参与早期精神分裂症预后研究的88名健康对照者的核磁共振扫描(ESO是一项在布拉格和波西米亚中部监测区进行的前瞻性试验，调查首发精神分裂症谱系受试者)。这项研究是根据《赫尔辛基宣言》进行的。布拉格精神病学中心当地伦理委员会于2011年6月29日批准了该协议(协议代码69/11)。所有参与者都被告知研究的目的、实验程序，以及他们可以随时退出研究的事实，并在参与之前提供书面知情同意。实验对象通过当地广告招募，如果符合以下任何一个标准则被排除在外：根据迷你国际神经精神病学访谈(M.I.N.I.)建立的个人一生任何精神障碍或药物滥用史，任何一级或二级亲属的精神障碍，目前的神经障碍，一生癫痫发作史或伴有意识改变的头部损伤，颅内出血或神经后遗症，智力迟钝史，药物依赖史，以及任何核磁共振扫描禁忌。

共有88名受试者，其中女性48名，男性40名，平均年龄27.7岁(范围18-48岁)，以右撇子为主(80名右撇子，6名左撇子，2N/A)，最高学历:小学(n=1)，高中(n=51)，本科及以上学历(n=34)，无资料(n=2)。具体受试者的临床资料见补充表1。

2.2 结构连接矩阵构建策略

结构连接矩阵的构建是基于扩散MRI数据的概率纤维束追踪生成的连接组。我们使用了广泛使用的AAL atlas (Automated anatomy Labeling atlas)，版本ROI_MNI_v4中的ROI来定义连接矩阵:两个ROI之间的连接是基于束图中从一个ROI开始并在另一个ROI结束的流线的数量。要将AAL图谱roi精确映射到每个受试者的扩散数据空间，需要对构建神经束图的扩散空间和定义AAL roi的MNI空间(蒙特利尔神经学研究所空间)进行足够准确的映射。然而，由于T1结构图像比DWI数据更详细地反映解剖学，因此它们比DWI数据本身更适合于估计到MNI空间的映射。因此，映射的估计被实现为两个阶段的过程:结构T1图像到MNI空间的仿射映射和T1结构数据和DWI数据之间的刚体映射，都是针对每个受试者的。此外，由于脑纤维束追踪是按照白质束设计的，不会在灰质中产生有意义的流线，因此必须对白质遮罩进行估计。在这里，我们利用了这样一个事实:尽管AAL是一个灰质图谱，但它的roi也可以延伸到白质，而发生这种情况的体素可以用于纤维束追踪。整个数据处理的示意图如图4所示。

图4 数据处理管道

2.3 数据采集

我们在布拉格临床和实验医学研究所使用3T Trio Siemens扫描仪(Erlangen, Germany)进行了核磁共振扫描。使用12通道头线圈，软件版本syngo MR B17。

DWI数据采用TR/TE = 8300/84 ms，矩阵112x128，体素大小2x2 x2mm³, b值0和900 s/mm²在30个扩散梯度方向，2个平均值，带宽1502 Hz/pixel, GRAPPA加速因子2在相位编码方向，参考线24，预扫描归一化，椭圆滤波，原始滤波强度为弱，采集时间为9:01。

采用磁化制备的快速采集梯度回波(MPRAGE)序列获取T1三维结构图像，(TI反演时间)TI/TR/TE=900/2300/4.63ms, 翻转角10，平均1，矩阵256x256x224，体素大小1x1x1mm³，带宽130 Hz/pixel, GRAPPA相位编码方向加速度因子2，参考线32，预扫描归一化on，椭圆滤波on，原始滤波off，采集时间5:30。

2.4 数据处理

1. l 对DWI数据进行目视检查，以检查其质量。排除图像伪影过多的受试者。
2. l 检查每个受试者的单个DWI卷。包含伪影(k空间尖峰、移动造成的信号空洞等)的卷被排除在进一步处理之外。
3. l DWI数据采用FSL tools version 5.0.7进行预处理。利用FLIRT对运动和涡流畸变进行微调校正。为此使用了一个专用的dti_preprocess脚本，版本为1.8。
4. l DWI图像采用FSL BET进行颅骨剥离。
5. l 利用BEDPOSTX工具通过贝叶斯估计得到扩散参数。
6. 2.5 将DWI空间注册为MNI模板空间

在使用SPM软件的社区中，术语空间标准化(或者标准化)通常用于指映射的估计和/或应用该映射的过程。在使用其他神经成像软件的社区中，注册这个术语更常用。

• l T1图像采用FSL BET进行颅骨剥离。
• l 使用FSL FLIRT工具将每个受试者的颅骨剥离结构T1图像注册到MNI空间。采用分辨率为2mm的 FSL T1 MNI模板对12自由度的仿射注册。
• l 使用刚体变换(6自由度)对每位受试者的颅骨剥离T1和DWI图像进行注册。这就足够了，因为我们登记了同一对象的两个图像。注册由FSL epi_reg脚本执行，该脚本使用BBR (Boundary-Based registration)代价函数，结果表明该方法比单阶段方法更准确。
• l 结合上述两步的变换矩阵，将AAL ROI掩模从标准MNI空间转换为每个被试的DWI空间。
• l 转化的AAL掩模进一步受到白质掩模的限制。分别对受试者颅骨剥离T1图像进行FSL FAST分割得到，并进一步通过脑面罩对受试者DWI数据进行限制。这是因为T1图像的颅骨剥离必须是保守的，以防止排除真实的大脑部分，因此也包含一些非脑结构，可以通过DWI衍生的脑面罩去除。
• 2.6 概率示踪和结构矩阵
• l 使用PROBTRACKX估计的体素扩散参数进行概率束追踪。采用白质掩模对流线进行空间限制。特别是，对于每个AAL图谱ROI，使用带有默认参数的FSL命令probtrackx2生成5000条流线，从每个体素扩散到大脑的其他部分。
• l 两个ROI之间的连接是通过在一个ROI(在其任何体素中)中植入进入另一个ROI的流线的数量来估计的。(“流线型”被计算在它访问的所有roi中。)位于小脑的AAL ROI未被使用，因此矩阵有90x90个元素。
• l 通过种子ROI中的体素数量和每个体素的流线数量(5000)对连接矩阵进行归一化。这产生了一个连接概率矩阵，其中每个元素都是通过从种子ROI中随机选择的流线到达目标ROI的概率估计(图1)。

图1 预处理管道和可视化

3. 数据记录

这些结构连接矩阵，以及以有序脚本形式复制它们所需的所有源数据和处理管道，都可以在开放科学框架(OSF)上公开获得:(https://doi.org/10.17605/OSF.IO/YW5VF)27，根据知识共享署名4.0国际许可协议。代码可用性部分提供了关于这些脚本的详细信息。SC矩阵如图2.

图2 平均结构连接

4. 技术验证

扩散数据的质量控制还没有标准化，在很大程度上依赖于按照预处理流水线的各个步骤进行目视检查。如上所述，我们确保了包含过多图像伪影的卷被丢弃，总体上，我们检查了处理的所有步骤，并采取了预防措施，以防止任何严重或系统性错误。在这里，我们提出了两种分析，以增加正确处理数据的可信度。为了进一步筛选某些被试处理过程中出现技术故障的可能性，我们将所有被试的SC矩阵进行关联，并生成了SC矩阵的相似性矩阵(图3A)，在所有情况下，该相似性矩阵都实现了显著的相关性。

相互相关性为我们的数据提供了内部一致性的证据;我们进一步提供与外部引用的比较。特别地，我们将我们的数据与从公开的示踪构建的结构连通性矩阵进行了比较。在这种情况下，采集设备、协议和示踪构建方法不同。然而，尽管存在这些技术差异，我们的数据与这个外部数据集的相关性平均为0.76(图3B)。

图3 结果验证

在技术验证的最后一部分，我们评估了所示SC矩阵的不对称性。由于我们对SC矩阵的构造没有以任何直接人为的方式强制它们的对称性，所以矩阵不是完全对称的。在建模应用中，通常只需计算Asym =(A+A’)/2(见例30)即可使SC矩阵对称，其中’表示矩阵的转置。可以认为，不对称包含一些可能有用的信息，但必须强调的是，它不携带任何关于白质纤维方向的信息，因为矩阵主要来自非定向扩散张量数据。例如，当一个ROI x很大，并且与多个其他ROI相连，而另一个ROI y很小，并且几乎只与x相连时，不对称就会带来潜在的相关信息。在这种情况下，元素Ax,y将很小(流线分布到多个其他roi)，元素Ay,x将接近1(大多数流线走向x)。

为了量化不对称程度，对于每个矩阵A，我们计算了asym(A)=||A-A’||/||A+A’||;其中||X||表示矩阵X的Frobenius范数。在这种情况下，对称矩阵将有asym(a)等于0。数据集中不对称测量的平均值为0.103(标准:0.007)，数据的分布如图3所示。虽然矩阵不是完全对称的，但数据中对不对称的度量明显小于具有相同值分布的相同数量的随机矩阵。

5. 使用说明

正如引言中提到的，结构连通性数据有广泛的研究用途。虽然，对于其中一些，专门的软件可能是有用的，我们确保有一个较低的门槛，因为结构连接矩阵可以直接使用，而不需要任何进一步的需求。因此，这些数据已经被完全预处理，并以可通过任意软件或脚本/编程语言加载的标签划定文本内件的形式保存。为了方便广大神经影像界人士使用Matlab，数据也可以方便地用Matlab加载，一举多得。数据使用的具体例子包括分析大脑结构网络的图论属性;为此，在其他工具中，Brain Connectivity Toolbox或BioImage Suite(用于创建图2)可能是一个有用的入口工具。另一个重要的例子是使用结构连接来模拟大脑活动的动力学和功能连接，要么通过主要集中于再现BOLD信号特征的质量模型，要么通过更详细的大规模模型。由于格式的简单和所呈现矩阵的相对直接的解释，创建的底层连接组无论对于过多的现有工具包或自定义编写的代码都不应该对建模人员构成挑战。除了进行新颖的分析外，我们鼓励研究人员尝试复制和扩展通过使用当前数据的(子集)或文献中的其他结果来报告的任何结果，这些结果使用相同的或其他方法派生的结构连通性数据来测试先前报告的分析和模拟结果的稳健性。对于结构脑连接矩阵的分析及其对大脑活动建模的使用，重要的是要记住使用弥散加权成像估计脑连接结构过程中一些固有的方法局限性和挑战。我们建议读者对这项进行详细的回顾，然而，在这里至少指出那些最相关的解释这样的事业的结果。第一点是，尽管标准方法获得的结构连接是有方向性的(即不对称的)，但对这些连接方向的解释不是直接的，因此矩阵在使用前通常是对称的。我们在技术验证部分对这一点做了更多的评论。其次，由于白质束与其他束相互缠绕，追踪白质束路径的固有困难，在SC矩阵中，对侧半球之间的半球间连通性通常被低估。相反，基于束状图的估计结构连通性的方法往往会出现假阳性，因此可能需要对矩阵进行一些阈值化。