大脑皮层分割的意义

• 神经元之间的相互联系构成了大脑内信息传递的主要手段，这些连接构成了一个复杂的网络。可以通过现代医学成像技术，如磁共振成像MRI在宏观尺度上进行估计

• 网络节点的定义是构建大脑连接网络的关键步骤之一。使用体素水平的网络具有高噪声以及极大的数据量，这使得后续的网络分析难以进行。所以，往往采用脑图谱（对大脑皮层进行预先的分割）来定义节点

大脑皮层分割方法的分类

1.个体水平的分割方法

• 个体水平的分割是针对每个个体进行独立的皮层分割，一般采用数据驱动的方法，如采用随机分割和k-means聚类

2.组水平的分割方法

• 两级分割方法：类似于多数投票，首先在个体水平将具有相似特征的体素聚集在一起，然后在组水平捕捉个体分割的共享特征。例如两级归一化谱聚类NCUT方法，该方法从个体水平产生邻接矩阵，然后在组水平平均邻接矩阵，对邻接矩阵进行划分完成聚类

• 组平均方法：该方法旨在通过计算功能连接FC的组平均来捕获个体的共享模式，通过会使用PCA进行降维

大脑皮层分割方法效果的验证

• 再现性（稳定性）：可从（a）不同的受试者（b）不同的采集设备等角度进行验证，可以使用Dice系数、调整的兰德指数ARI等定量计算分割的再现性
• 聚类效果：分割可以看作是聚类任务，需要评估簇内的一致性，可以使用剪影系数等衡量
• 与零模型比较

 

参考文献：

Arslan S, Ktena S I, Makropoulos A, et al. Human brain mapping: A systematic comparison of parcellation methods for the human cerebral cortex[J]. Neuroimage, 2018, 170: 5-30.