人类大脑皮层结构核心的绘制：一项基于扩散谱成像与网络分析的研究报告
一、 研究团队与发表信息
本研究由Patric Hagmann（第一作者，通讯作者之一，来自瑞士洛桑大学医院中心及洛桑大学放射科和瑞士洛桑联邦理工学院信号处理实验室）、Leila Cammoun、Xavier Gigandet、Reto Meuli、Christopher J. Honey、Van J. Wedeen以及Olaf Sporns（通讯作者，来自美国印第安纳大学心理与脑科学系）共同完成。合作机构还包括美国哈佛医学院麻省总医院Martinos生物医学影像中心。该研究成果以论文形式《Mapping the Structural Core of Human Cerebral Cortex》发表于2008年7月1日的《PLoS Biology》期刊第6卷第7期。
二、 学术背景与研究目的
科学领域：本研究属于神经科学、脑成像和复杂网络科学的交叉领域，具体聚焦于人类连接组学（Human Connectome）——旨在绘制和理解人脑内大规模神经连接的结构与功能。
研究背景与动机：人类大脑皮层是一个由约100亿神经元组成的复杂网络，包含局部环路和长距离纤维通路。这些结构连接构成了大脑功能活动的基础。以往对动物（如大鼠、猫、猕猴）大脑皮层连接的网络分析已揭示了其组织原则。在人类研究中，功能磁共振成像（fMRI）揭示了大脑在静息状态下存在一个高度协同活动的“默认网络”（Default Network），但其背后的结构基础尚不清晰。理解功能连接模式需要一张全面的结构连接图谱。尽管扩散张量成像（DTI）等技术已被用于非侵入性地绘制白质通路，但高分辨率、全脑范围的皮层结构网络及其核心架构仍待系统描绘。
研究目的：本研究旨在利用扩散谱成像（Diffusion Spectrum Imaging, DSI）这种先进的磁共振成像技术，在个体水平上无创地绘制覆盖整个大脑皮层的高分辨率结构连接网络。通过对这些大规模网络进行计算网络分析，目标是识别出大脑皮层中的结构模块，并特别探寻是否存在一个在拓扑上居于中心地位的结构核心（Structural Core），以及探讨该结构核心与静息态功能连接（尤其是默认网络）之间的关系。
三、 详细研究流程与方法
本研究是一个结合了先进神经影像数据采集、处理和复杂网络分析的综合性工作，其工作流程主要包含五个核心步骤，并辅以功能成像验证和多种分析方法。
第一步：数据采集与参与者 研究纳入了5名年龄在24至32岁之间的健康右利手男性志愿者。使用3T Philips Achieva扫描仪进行成像。采集了两种关键数据： 1. 高分辨率T1加权结构像：用于后续的脑组织分割和皮层分区。 2. 扩散谱成像（DSI）数据：采用单次激发平面回波成像序列，在q空间129个点进行采样，最大b值高达9000 s/mm²。DSI相比传统的DTI，能更好地解析复杂纤维交叉的走向。每个参与者的DSI扫描时间约为18分钟。
第二步：脑组织分割与皮层分区 使用FreeSurfer软件对高分辨率T1图像进行处理： 1. 精确分割出白质和灰质。 2. 将每个参与者的大脑皮层标准化地划分为66个具有明确解剖学标志的脑区。 3. 进一步将这66个脑区细分为998个大小约1.5 cm²的感兴趣区（Regions of Interest, ROIs）。这一步骤确保了所有参与者的皮层分区在解剖位置上具有可比性，为后续的网络构建和跨个体平均奠定了基础。
第三步：全脑纤维束追踪 基于DSI数据重建每个体素内的扩散取向分布函数（Orientation Distribution Function, ODF），以检测多个纤维方向。采用确定性的流线追踪算法进行全脑纤维束重建。算法的关键改进在于能处理体素内纤维交叉的情况：当追踪轨迹进入一个新体素时，会沿着与当前方向最接近的扩散最大方向继续延伸，若方向突变过大（>30°/mm）则停止。最终，为每名参与者重建了数百万条纤维轨迹，其中约一半至三分之二连接了不同的皮层ROI并被保留。
第四步：结构连接网络构建 将第三步得到的纤维束与第二步定义的998个ROIs结合，构建加权结构连接矩阵： * 节点：每个ROI作为一个节点（共998个）。 * 边：如果两个ROI之间存在至少一条纤维连接，则它们之间建立一条边。 * 边权：定义为连接密度，计算公式为 w(e) = (2 / (S_v + S_u)) * Σ (1 / l(f))，其中S_v和S_u是相连两个ROI的表面积，l(f)是每条连接纤维的长度。该权重校正了因纤维长度不同可能带来的偏差，反映了单位皮层面积上的连接强度。 * 同时，通过将998个ROI的数据平均到其所属的66个解剖脑区，构建了区域水平的连接矩阵（66x66），用于某些整体分析。
第五步：网络分析与计算 对构建的高分辨率（998节点）和区域水平（66节点）连接矩阵应用了一系列图论和网络科学方法： 1. 基础网络度量：计算了每个节点的度（连接数量）、强度（连接权重之和）、介数中心性（衡量节点位于网络中其他节点间最短路径上的频率）和效率（衡量节点与网络中其他节点通信的便捷程度）。 2. 网络可视化与骨干提取：使用Kamada-Kawai力导向布局算法可视化网络，并提取连接骨干（Connectivity Backbone）以突出最重要的连接。 3. k-核与s-核分解：这是一种递归剥离低连接度（k-核）或低连接强度（s-核）节点的算法，用于识别网络中相互高度连接、难以被“侵蚀”的核心区域。 4. 模块化检测：使用谱社区检测算法，根据连接模式将整个网络划分为不同的模块（群落）。 5. 枢纽节点分类：根据节点的连接强度及其在不同模块间连接的分布（参与系数），将枢纽节点分为省内枢纽（主要连接模块内部）和连接器枢纽（连接多个不同模块）。 6. 结构-功能连接比较：对同一批参与者进行了静息态功能磁共振成像（rs-fMRI）扫描。计算了特定种子点（位于后扣带回/楔前叶，即默认网络的关键区域）与全脑的功能连接图，并将功能连接强度与DSI得出的结构连接强度进行相关性分析，以验证结构连接对功能连接的预测能力。
验证方法：为确保DSI方法的可靠性，研究还进行了多重验证：(1) 分析个体内左右半球连接模式的高度相关性；(2) 对同一参与者进行重复扫描，验证结果的可重复性；(3) 对连接矩阵引入随机扰动，检验网络度量指标的稳健性；(4) 关键验证：对猕猴大脑半球进行DSI扫描，并将其结果与来自CoCoMac数据库的经典解剖示踪数据进行对比，发现78.9%的DSI纤维位于已知存在的连接通路上。
四、 主要研究结果
1. 连接网络的基本属性：构建的高分辨率大脑结构网络是稀疏连接的，连接密度约为3%。节点度和节点强度的累积分布呈指数型而非无标度分布。网络表现出“小世界”属性和正 assortativity。大部分连接权重（54%）位于同一解剖亚区内的ROI之间。
2. 节点强度与度的分布：节点强度和度并非均匀分布。强度最高的区域 consistently 出现在后内侧皮层（如楔前叶、后扣带回）、内侧前额叶皮层以及颞上沟岸等区域。这表明这些区域在结构上接收和发出的纤维连接最为密集。
3. 结构核心的识别：多种网络分析方法一致揭示了一个明确的结构核心的存在。 * k-核/s-核分解：显示最抵抗侵蚀、即相互连接最紧密的核心区域 consistently 位于双侧的后内侧皮层，主要包括：楔前叶、后扣带回皮层、扣带峡部、旁中央小叶，并常向外侧延伸至顶叶和颞叶皮层（如顶上/下小叶、颞上沟岸）。 * 模块化分析：将全脑网络最优地划分为6个模块，其中两个模块由双侧的内侧皮层区域组成，一个以后扣带回为中心，另一个以楔前叶和距状周皮层为中心。这两个模块共同构成了结构核心的主体。 * 连接器枢纽：识别出的连接器枢纽节点几乎全部位于这条前-后内侧轴上，特别是后扣带回、旁中央小叶和楔前叶。它们负责连接不同的结构模块，起到了全局整合的作用。 * 中心性与效率：介数中心性和效率最高的区域同样集中在后扣带回、楔前叶、楔叶和旁中央小叶。这意味着这些区域位于大量脑区间通信的最短路径上，在网络中具有最高的拓扑中心性。
综合六项网络指标（度、强度、k-核、s-核、中心性、效率）的排名，研究最终确定了构成结构核心的八个关键解剖亚区（双侧）：后扣带回皮层、楔前叶、楔叶、旁中央小叶、扣带峡部、颞上沟岸、顶上小叶和顶下小叶。
4. 结构核心与默认网络及功能连接的关系： * 研究发现，结构核心的区域与人类默认网络的关键后部成分（如后扣带回、楔前叶、内侧顶叶皮层）在解剖上高度重叠。然而，默认网络的另一个关键组成部分——内侧前额叶皮层——并未被纳入结构核心。 * 结构-功能连接相关性：分析显示，DSI测量的结构连接强度与同一参与者在静息态fMRI中测量的功能连接强度之间存在高度显著的相关性。例如，对于楔前叶和后扣带回皮层，其结构连接强度可以解释功能连接强度变异的53%（r² = 0.53）。在全脑66个区域水平上，这种相关性依然显著（r² = 0.62）。这强有力地证明了大脑的结构连接是塑造其功能连接拓扑的基础。 * 此外，研究还发现结构核心区域的中心性与另一项独立研究中测量的区域性脑血流量（rCBF，反映静息态代谢水平）显著正相关（r² = 0.49），进一步将结构核心与高基线代谢活动联系起来。
5. 方法学验证结果：猕猴DSI与解剖示踪数据的对比提供了有力支持，大部分（78.9%）DSI重建的纤维与已知的解剖连接一致。个体内和个体间的可重复性分析、以及对噪声的稳健性测试，都表明主要结论对数据中的微小扰动不敏感，验证了研究方法和发现的可靠性。
五、 结论与意义
本研究成功绘制了人类大脑皮层高分辨率的结构连接图谱，并通过计算网络分析首次明确识别并系统描述了一个位于后内侧和顶叶皮层的结构核心。这个核心由一系列相互高度连接、且在全局网络拓扑中占据中心位置（高中心性、高效率）的脑区构成，其中包含了默认网络的关键后部节点。
科学价值： 1. 提供了人类大脑结构连接的组织原则：揭示了大脑并非均匀连接，而是存在一个密集互联的“核心-边缘”架构。这个结构核心可能作为信息整合的枢纽，协调全脑不同功能模块之间的通信。 2. 架起了结构与功能之间的桥梁：通过直接比较同一批参与者的结构和功能连接，实证了结构连接对静息态功能连接的显著预测作用，为理解大脑动态功能活动背后的固定结构基础提供了直接证据。 3. 提出了关于默认网络的新假设：结构核心与默认网络后部成分的重合，提示默认网络的活动可能由这些高度耦合的后内侧皮层区域驱动，这些区域再与其它高连接性的区域（如内侧眶额叶皮层）相连。 4. 方法学贡献：展示了DSI结合复杂网络分析在绘制和解析全脑连接组方面的强大能力，为后续研究提供了范本。
应用与临床意义：结构核心的发现有助于理解大脑的正常功能整合机制。同时，该核心区域在阿尔茨海默病等疾病中常表现出早期代谢降低、淀粉样蛋白沉积和功能失连接，因此，对结构核心的深入研究可能为理解神经精神疾病的网络层面病理机制提供新的视角。
六、 研究亮点
七、 其他有价值的内容
研究还在更精细的尺度上展示了网络分析的应用潜力。例如，当将分析局限于视觉皮层或前额叶皮层时，模块化算法能够自动识别出与已知功能解剖分区一致的簇，如视觉皮层的背侧流和腹侧流，以及前额叶的眶部、内侧部和外侧部簇。这证明了该方法在识别大脑功能子系统方面的敏感性和实用性。此外，研究讨论了当前方法的局限性（如对小纤维束和侧方半球间连接的探测可能不足），并展望了未来研究方向，如纳入皮层下结构、基于功能连接进行个体化皮层分区等，为连接组学领域的后续发展指明了道路。