導(dǎo)讀

本研究描述了一個(gè)連接分析工具箱(CATO)，用于基于擴(kuò)散加權(quán)成像(DWI)和靜息態(tài)功能磁共振成像(rs-fMRI)數(shù)據(jù)來(lái)重建大腦結(jié)構(gòu)和功能連接。CATO是一個(gè)多模態(tài)軟件包，使研究人員能夠運(yùn)行從MRI數(shù)據(jù)到結(jié)構(gòu)和功能連接組圖的端到端重建，定制其分析并利用各種軟件包對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。結(jié)構(gòu)和功能連接組圖可以根據(jù)用戶定義的(亞)皮層圖譜進(jìn)行重建，為集成多模態(tài)分析提供對(duì)齊的連接矩陣。CATO是在麻省理工學(xué)院(MIT)許可下發(fā)布的開源軟件，可作為MATLAB工具箱和獨(dú)立應(yīng)用程序使用，該軟件可在網(wǎng)站www.dutchconnectomelab.nl/CATO上獲取。

前言

對(duì)宏觀大腦結(jié)構(gòu)和功能連接數(shù)據(jù)的網(wǎng)絡(luò)分析已成為神經(jīng)科學(xué)中廣泛使用的方法。包括磁共振成像(MRI)在內(nèi)的神經(jīng)成像數(shù)據(jù)可用于重建大腦的解剖連接和功能同步模式，并研究衍生網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。通過(guò)對(duì)人類和動(dòng)物大腦的網(wǎng)絡(luò)研究發(fā)現(xiàn)了健康大腦結(jié)構(gòu)和功能的一般組織原則，以及與精神和神經(jīng)疾病相關(guān)的異常。

MRI連接組研究旨在通過(guò)擴(kuò)散加權(quán)成像(DWI)和靜息態(tài)功能MRI(rs-fMRI)數(shù)據(jù)重建和研究結(jié)構(gòu)和功能連接圖，該領(lǐng)域正在迅速開發(fā)用于重建大腦連接的工具。這些重建工具和管道在目標(biāo)(例如，成像模式和處理步驟)、編程語(yǔ)言(例如，C、MATLAB和python)和方法(例如，概率性與確定性纖維追蹤、數(shù)據(jù)驅(qū)動(dòng)與預(yù)定義的結(jié)構(gòu)劃分)方面有所不同。多種軟件包的可用性有利于研究人員選擇適合其研究、專業(yè)知識(shí)水平和首選編程框架的軟件包。

本文描述了CATO——連接分析工具箱，一個(gè)從DWI和rs-fMRI數(shù)據(jù)來(lái)重建結(jié)構(gòu)和功能連接組的靈活工具箱。CATO提供了一個(gè)簡(jiǎn)單的軟件包，可使用常用和已發(fā)布的算法將原始DWI/rs-fMRI數(shù)據(jù)映射到連接體，并具有可配置的選項(xiàng)，用戶可以根據(jù)所需的細(xì)節(jié)水平進(jìn)行調(diào)整。對(duì)于剛開始研究連接組學(xué)的研究人員，本研究在(www.dutchconnectomelab.nl/CATO)上提供了文檔，以及指導(dǎo)用戶為其特定數(shù)據(jù)集創(chuàng)建配置文件的在線配置助手。該工具箱提供了可配置的模塊化結(jié)構(gòu)，具有可定制的預(yù)處理和執(zhí)行特定結(jié)構(gòu)和功能處理步驟的選項(xiàng)。這種靈活性允許用戶利用CATO從FreeSurfer、FSL或其他數(shù)據(jù)預(yù)處理工具進(jìn)行預(yù)處理的成像數(shù)據(jù)中映射連接體。此外，用戶還可以選擇將自己的處理步驟作為附加組件添加到管道中，以執(zhí)行特定的后處理和其他任務(wù)。

CATO允許在相同的圖譜模板集上重建結(jié)構(gòu)和功能連接。匹配連接重建使研究人員能夠研究?jī)煞N模式之間的相互作用，這可以為功能活動(dòng)的動(dòng)力學(xué)或腦疾病的生物機(jī)制提供新的見解。CATO中的結(jié)構(gòu)管道使用擴(kuò)散張量成像(DTI)、廣義q采樣成像(GQI)、約束球面反卷積(CSD)和確定性纖維追蹤算法來(lái)實(shí)現(xiàn)擴(kuò)散重建。CATO還具有將高級(jí)擴(kuò)散重建方法(GQI，CSD)與簡(jiǎn)單且穩(wěn)健的擴(kuò)散重建方法(DTI)相結(jié)合的功能。功能連接可以使用Pearson相關(guān)系數(shù)或用戶定義的測(cè)量(如偏相關(guān)系數(shù)或協(xié)方差測(cè)量)來(lái)估計(jì)。

CATO是在MATLAB中開發(fā)的，可以作為一個(gè)基于MATLAB的工具箱和獨(dú)立的應(yīng)用程序使用，也可以在Docker容器中使用。該工具箱是在MIT許可下發(fā)布的開源軟件，可在GitHub存儲(chǔ)庫(kù)www.GitHub.com/dutchconnectomelab/CATO中獲取。本文描述了結(jié)構(gòu)和功能管道中的步驟，然后對(duì)配置助手(Configuration Assistant)進(jìn)行了說(shuō)明，該助手提供了一個(gè)圖形用戶界面，用于創(chuàng)建和修改不同管道的配置文件。

方法

CATO可作為MATLAB的軟件包，也可作為編譯的獨(dú)立可執(zhí)行文件在高性能計(jì)算機(jī)集群上使用。它有兩個(gè)獨(dú)立的管道用于重建結(jié)構(gòu)和功能連接，每個(gè)管道包含多個(gè)處理步驟，這些步驟使用MATLAB函數(shù)來(lái)實(shí)現(xiàn)(見圖1)。structural_pipeline和functional_pipeline主函數(shù)驗(yàn)證用戶提供的輸入?yún)?shù)和文件，并執(zhí)行所需的管道步驟。預(yù)處理和分割函數(shù)通過(guò)執(zhí)行用戶指定的bash shell腳本來(lái)利用外部軟件(見圖2)。CATO提供的示例預(yù)處理腳本和圖譜分割腳本是使用FreeSurfer和FSL來(lái)執(zhí)行預(yù)處理和分割的。

圖1.CATO工具箱和管道概述。

圖2.結(jié)構(gòu)和功能管道及其依賴項(xiàng)的概述。

Part I：結(jié)構(gòu)管道

結(jié)構(gòu)管道的重建參數(shù)可以在命令行或配置文件中以JSON格式指定。重建參數(shù)描述了所需的處理步驟(詳細(xì)內(nèi)容如下)、FreeSurfer解剖目錄的位置、DWI文件的位置、梯度信息文件的位置、皮層圖譜類型，以及預(yù)處理、擴(kuò)散重建、纖維追蹤和網(wǎng)絡(luò)重建的設(shè)置。

①結(jié)構(gòu)預(yù)處理

結(jié)構(gòu)管道需要預(yù)處理的T1數(shù)據(jù)(用于組織分類和皮層分割)和DWI集(建議30個(gè)或更多的擴(kuò)散方向)。本研究推薦使用FreeSurfer皮層自動(dòng)重建過(guò)程來(lái)預(yù)處理結(jié)構(gòu)T1數(shù)據(jù)。在運(yùn)行CATO之前進(jìn)行FreeSurfer皮層重建，可以提供下游網(wǎng)絡(luò)重建所需的文件，并提高了并行處理被試時(shí)的計(jì)算效率。對(duì)于DWI數(shù)據(jù)，本研究建議使用FSL軟件包對(duì)DWI數(shù)據(jù)進(jìn)行預(yù)處理。所需的結(jié)構(gòu)預(yù)處理步驟可以由參數(shù)preprocessingScript指定的bash-shell腳本執(zhí)行，該腳本允許用戶自定義最適合其數(shù)據(jù)的預(yù)處理腳本，或者直接從已經(jīng)預(yù)處理過(guò)的數(shù)據(jù)開始。結(jié)構(gòu)管道提供了三個(gè)示例預(yù)處理腳本(FSL topup-eddy-preprocessing、FSL eddy-preprocessing和minimal-preprocessing)，用于執(zhí)行后續(xù)纖維追蹤和網(wǎng)絡(luò)重建所需的所有步驟和數(shù)據(jù)輸出文件。這些示例預(yù)處理腳本調(diào)用文檔良好且經(jīng)過(guò)全面評(píng)估的FSL topup和FSL eddy工具來(lái)校正DWI數(shù)據(jù)中磁化率引起的失真、渦流失真和運(yùn)動(dòng)偽影，更新b向量以調(diào)整DWI校正，根據(jù)校正后的擴(kuò)散未加權(quán)(b0)體積計(jì)算DWI參考圖像，使用FSL的bbregister計(jì)算DWI參考圖像和解剖T1圖像之間的配準(zhǔn)矩陣，并將FreeSurfer分割配準(zhǔn)到DWI參考圖像上。

②解剖分割

相對(duì)于參考圖譜，分割產(chǎn)生了表面的皮層分區(qū)。CATO包含的圖譜有FreeSurfer中的Desikan-Killiany圖譜，以及Desikan-Killiany圖譜的120、250和500區(qū)域Cammoun亞分區(qū)和Von Economo-Koskinas皮質(zhì)區(qū)和皮質(zhì)型圖譜。每個(gè)參考圖譜在TOOLBOXDIR/templates中都有一個(gè)目錄，其中包含一個(gè)分割腳本(bash script)、一個(gè)ROI文件和特定于模板的文件。文件名在配置文件中定義為變量(templatesDir、templateScript、ROIsFile)，用戶可以對(duì)其進(jìn)行修改。

③解剖分割-匯總區(qū)域?qū)傩浴?/p>

collect_region_properties步驟收集大腦區(qū)域的體積和表面數(shù)據(jù)，并將這些數(shù)據(jù)匯總在regionPropertiesFile(MATLAB-file)中。每個(gè)腦區(qū)都包含以下統(tǒng)計(jì)信息：i）每個(gè)區(qū)域的質(zhì)心(根據(jù)分割文件計(jì)算)，ii）頂點(diǎn)數(shù)，iii）表面積(mm2)，iv）灰質(zhì)體積(mm3)，以及v）平均厚度(mm)(均來(lái)自FreeSurfer的統(tǒng)計(jì)文件)。這些度量將在管道的后續(xù)步驟中使用。

④重建擴(kuò)散信號(hào)

reconstruction_diffusion步驟根據(jù)測(cè)量的DWI數(shù)據(jù)估計(jì)每個(gè)體素中的白質(zhì)纖維組織。結(jié)構(gòu)連接建模是基于白質(zhì)纖維限制水分子運(yùn)動(dòng)的原理，從而導(dǎo)致體素中擴(kuò)散信號(hào)的峰值(優(yōu)選擴(kuò)散方向)。reconstruction_diffusion步驟提供了三種從DWI數(shù)據(jù)推斷擴(kuò)散峰值的方法，包括擴(kuò)散張量成像(DTI)、約束球面反卷積(CSD)和廣義Q采樣成像(GQI)，用戶也可以根據(jù)需要執(zhí)行其他方法。對(duì)于每種方法，在配置文件中都提供了重建參數(shù)，所有體素的重建峰值都保存在diffusionPeaksFile (MATLAB文件)中，相關(guān)的擴(kuò)散測(cè)量值保存在differsionMeasuresFile (MATLAB文件)中。

⑤擴(kuò)散張量成像(DTI)

DTI重建通過(guò)單個(gè)張量對(duì)體素中測(cè)量的信號(hào)進(jìn)行建模，使用RESTORE算法執(zhí)行張量估計(jì)，該算法在擬合過(guò)程中執(zhí)行張量估計(jì)，同時(shí)識(shí)別和去除異常值，減少了生理噪聲偽影對(duì)擴(kuò)散張量建模的影響。基于Gavin(2019)執(zhí)行的Levenberg-Marquardt方法用于解決非線性最小二乘問(wèn)題。根據(jù)估計(jì)張量計(jì)算出四種擴(kuò)散系數(shù)，包括分?jǐn)?shù)各向異性、軸向擴(kuò)散率、徑向擴(kuò)散率和平均擴(kuò)散率。

⑥約束球面反卷積(CSD)

CSD通過(guò)對(duì)測(cè)量信號(hào)與纖維相關(guān)的擴(kuò)散分布進(jìn)行去卷積來(lái)重建體素中的纖維取向分布函數(shù)(fODF)。在超分辨率球面諧波框架中執(zhí)行信號(hào)去卷積，以允許對(duì)擴(kuò)散過(guò)程的表面進(jìn)行自然描述(球面諧波的階數(shù)由參數(shù)shOrder設(shè)置)。球面反卷積約束于非負(fù)球面諧波上，從而減少了高頻噪聲，并能重建出一些明確的峰值。參數(shù)lambda指定正則化參數(shù)λ，該參數(shù)控制重建fODF的粗度。參數(shù)tau指定振幅閾值τ，低于該閾值對(duì)應(yīng)的fODF被假定為零。從重建的fODF的局部最大值中選擇擴(kuò)散峰值。如果局部最大值的fODF值(通過(guò)fODF的最大值歸一化)大于或等于minPeakRatio，則將其視為擴(kuò)散峰。擴(kuò)散峰值的最大局部極值的數(shù)量由outputPeaks參數(shù)設(shè)置。大于maxPeaks最大局部極值的體素被認(rèn)為具有各向同性擴(kuò)散分布，不選擇擴(kuò)散峰值。

⑦廣義Q采樣成像(GQI)

GQI利用擴(kuò)散信號(hào)與潛在擴(kuò)散位移之間的傅里葉變換關(guān)系來(lái)重建體素中的fODF。該實(shí)現(xiàn)遵循Yeh等人(2010)中描述的方法，以及http://dsi-studio.labsolver.org上提供的示例。參數(shù)meanDiffusionDistanceRatio用于調(diào)節(jié)fODF粗度的平均擴(kuò)散距離比。從fODF重建擴(kuò)散峰的方法與上述CSD重建方法相同。計(jì)算各峰的廣義分?jǐn)?shù)各向異性和定量各向異性，并將其添加到diffusionMeasuresFile中。

⑧聯(lián)合實(shí)現(xiàn)

比較這三種重建方法，DTI是一種穩(wěn)健且相對(duì)簡(jiǎn)單的方法，CSD和GQI是更先進(jìn)的擴(kuò)散模型，可以更好地描述更復(fù)雜白質(zhì)體素中的擴(kuò)散信號(hào)。為了結(jié)合簡(jiǎn)單和先進(jìn)重建方法的優(yōu)勢(shì)，CATO為用戶提供了將DTI與CSD或GQI相結(jié)合的選項(xiàng)。該選項(xiàng)在CSD或GQI僅估計(jì)一個(gè)峰值的體素中執(zhí)行DTI建模(更穩(wěn)健)，并在檢測(cè)到多個(gè)峰值的體素中使用CSD或GQI(在具有復(fù)雜纖維結(jié)構(gòu)的體素上更靈活)。在配置文件中設(shè)置了每種重建方法的具體參數(shù)，并在在線文檔中進(jìn)行了更詳細(xì)的描述。

⑨中間輸出文件

reconstruction_diffusion步驟為用戶提供了將擴(kuò)散測(cè)量值導(dǎo)出到NIFTI文件diffusionMeasuresFileNifti的附加選項(xiàng)。導(dǎo)出的標(biāo)準(zhǔn)擴(kuò)散測(cè)量值包括分?jǐn)?shù)各向異性、軸向擴(kuò)散率、徑向擴(kuò)散率和平均擴(kuò)散率。

⑩重建纖維

reconstruction_fibers步驟基于每個(gè)體素的擴(kuò)散峰值執(zhí)行纖維追蹤。纖維追蹤步驟采用了標(biāo)準(zhǔn)的“連續(xù)追蹤纖維分配”(FACT)算法。FACT描述了一種確定性追蹤算法，該算法從白質(zhì)中的種子開始纖維重建，并在體素的主擴(kuò)散軸上傳播流線，同時(shí)每當(dāng)流線的尖端進(jìn)入新的體素時(shí)更新傳播方向。當(dāng)使用CSD、GQI或二者結(jié)合的方法時(shí)，通過(guò)遵循最接近追蹤方向的峰值方向，調(diào)整算法以兼容多個(gè)擴(kuò)散峰，與其他FACT算法實(shí)現(xiàn)一致。FACT的CATO實(shí)現(xiàn)從所有體素中的一個(gè)或多個(gè)種子(由NumberOfSeedsPerVoxel設(shè)置的種子數(shù)量)開始，并具有與startRegions提供的列表匹配的分割標(biāo)簽。

?重建纖維特性

reconstruction_fiber_properties步驟識(shí)別連接大腦區(qū)域的纖維段，并計(jì)算纖維測(cè)量值，為網(wǎng)絡(luò)重建步驟做準(zhǔn)備。對(duì)于每個(gè)圖譜和重建方法，reconstruction_fiber_properties步驟迭代所有纖維，如果纖維跨越兩個(gè)或多個(gè)感興趣的腦區(qū)(由感興趣區(qū)域文件定義(ROIsFile，text文件))，則每個(gè)區(qū)域?qū)χg最短的纖維段包含在纖維特性文件(fiberPropertiesFile，MATLAB文件)中。除了每個(gè)纖維段的起點(diǎn)和終點(diǎn)以及相關(guān)區(qū)域?qū)χ?#xff0c;還存儲(chǔ)了纖維段的其他測(cè)量指標(biāo)，包括：最大轉(zhuǎn)角、最小分?jǐn)?shù)各向異性、纖維長(zhǎng)度(物理長(zhǎng)度mm)和平均分?jǐn)?shù)各向異性，軸向擴(kuò)散率、徑向擴(kuò)散率、平均擴(kuò)散率和廣義分?jǐn)?shù)各向異性。擴(kuò)散測(cè)量在體素上按通過(guò)每個(gè)體素的路徑長(zhǎng)度加權(quán)平均。

?結(jié)構(gòu)連接矩陣

reconstruction_network步驟為每個(gè)選定的(亞)皮層圖譜和重建方法建立連接矩陣。連接矩陣中包含的腦區(qū)及其順序由感興趣區(qū)域文件(ROIsFile)定義。通過(guò)迭代fiberPropertiesFile中的所有纖維段來(lái)構(gòu)建網(wǎng)絡(luò)矩陣，并將連接感興趣區(qū)域的纖維段添加到連接矩陣中。

除了在reconstruction_fibers步驟中使用的纖維重建標(biāo)準(zhǔn)之外，還可以在reconstruction_network步驟中通過(guò)纖維的投影長(zhǎng)度、最小分?jǐn)?shù)各向異性(僅包括接觸體素的分?jǐn)?shù)各向異性高于minFA的纖維)和最大角度(僅包括軌跡轉(zhuǎn)彎小于maxAngleDeg的纖維)來(lái)過(guò)濾纖維(只有長(zhǎng)于minLengthMM的纖維被包含在網(wǎng)絡(luò)重建中)。連接矩陣保存在文件connectivityMatrixFile(MATLAB文件)中。連接矩陣包括連接兩個(gè)區(qū)域的流線數(shù)量(即纖維數(shù)量)、纖維長(zhǎng)度(物理長(zhǎng)度，單位為mm)、平均分?jǐn)?shù)各向異性、軸向擴(kuò)散率、徑向擴(kuò)散率、平均擴(kuò)散率、廣義分?jǐn)?shù)各向異性、重建流線段的流線體積密度和流線表面密度等權(quán)重。

Part II：功能連接

功能連接管道建立在與結(jié)構(gòu)連接管道相同的模塊化組織上，包括一個(gè)預(yù)處理步驟、兩個(gè)解剖步驟和一個(gè)連接重建步驟(見圖1)。靜息態(tài)fMRI處理從主函數(shù)functional_pipeline開始，該函數(shù)根據(jù)命令行或rs-fMRI管道配置文件(JSON文件)中提供的參數(shù)運(yùn)行處理步驟。重建參數(shù)描述了所需的處理步驟(詳見下文)、解剖FreeSurfer目錄的位置、rs-fMRI文件的位置、皮層圖譜類型以及預(yù)處理、回歸、帶通濾波、清洗和網(wǎng)絡(luò)重建的設(shè)置。功能管道包括以下步驟：

①預(yù)處理

默認(rèn)的預(yù)處理腳本執(zhí)行以下步驟：使用FSL工具slicetimer校正時(shí)間層，使用FSL工具M(jìn)CFLIRT校正運(yùn)動(dòng)偽影，通過(guò)對(duì)所有(運(yùn)動(dòng)校正后的)rs-fMRI幀進(jìn)行平均來(lái)計(jì)算rs-fMRI參考圖像(使用FSL工具)，計(jì)算rs-fMRI參考圖像和T1圖像之間的配準(zhǔn)矩陣(使用FreeSurfer)，以及將T1分割配準(zhǔn)到rs-fMRI圖像上(使用FreeSurfer)。模塊化管道允許使用其他軟件包進(jìn)行預(yù)處理，并在需要時(shí)完全自定義預(yù)處理。文檔網(wǎng)站上提供了其他預(yù)處理示例腳本，例如BIDS組織的數(shù)據(jù)和使用ICA+FIX對(duì)rs-fMRI數(shù)據(jù)進(jìn)行預(yù)處理。

②解剖分割

功能管道的第一步包括與結(jié)構(gòu)管道相同的分割步驟parcellation和collect_region_properties，從而在與結(jié)構(gòu)管道相同的圖譜上分割皮層表面，這樣就可以在后處理整合多模態(tài)分析中探索結(jié)構(gòu)-功能關(guān)系。解剖步驟進(jìn)一步計(jì)算這些區(qū)域的解剖統(tǒng)計(jì)信息，并將區(qū)域特性收集到regionPropertiesFile(MATLAB文件)中。

③計(jì)算運(yùn)動(dòng)指標(biāo)

Compute_motion_metrics為每一幀計(jì)算運(yùn)動(dòng)度量逐幀位移(FD)和幀間信號(hào)強(qiáng)度的變化(稱為“DVARS”)。度量源自motionParametersFile文件，該文件可以在預(yù)處理步驟中使用MCFLIRT創(chuàng)建，并保存在motionMetricsFile(MATLAB文件)中。逐幀位移(FD)計(jì)算為幀內(nèi)估計(jì)的平移和旋轉(zhuǎn)位移之和，旋轉(zhuǎn)位移在motionParametersFile文件(MATLAB文件)中以度為單位定義。通過(guò)計(jì)算半徑為50mm的球體表面的預(yù)期位移，將FD轉(zhuǎn)換為毫米，作為大腦皮層的模型。

④功能連接矩陣

reconstruction_functional_network步驟先計(jì)算功能連接矩陣，然后對(duì)時(shí)間序列進(jìn)行(可選)協(xié)變量回歸、帶通濾波和清洗?；貧w：對(duì)于每個(gè)體素，通過(guò)計(jì)算信號(hào)強(qiáng)度線性模型的殘差，從rs-fMRI時(shí)間序列中去除協(xié)變量(稱為回歸變量)，其中回歸變量作為預(yù)測(cè)因子。帶通濾波：對(duì)rs-fMRI數(shù)據(jù)進(jìn)行(可選，但推薦)帶通濾波，采用零相位巴特沃斯帶通濾波器，其低通和高通截止頻率由配置參數(shù)頻率設(shè)定。清洗：從rs-fMRI時(shí)間序列中刪除出現(xiàn)明顯運(yùn)動(dòng)偽影的幀?？苫趦蓚€(gè)指標(biāo)來(lái)識(shí)別具有運(yùn)動(dòng)偽影的幀：i）逐幀位移FD大于maxFD；ii）DVARS大于q3+maxDVARS×IQR，其中IQR是指四分位距IQR=q3-q1，q1和q3是指所有幀的DVARS的第一個(gè)和第三個(gè)四分位距。大于或等于minViolations的幀被標(biāo)記為具有潛在運(yùn)動(dòng)偽影的幀，并且排除在進(jìn)一步的分析之外。網(wǎng)絡(luò)重建：reconstruction_functional_network步驟計(jì)算區(qū)域之間的功能連接。通過(guò)所選幀中這些區(qū)域的平均信號(hào)強(qiáng)度的相關(guān)系數(shù)來(lái)估計(jì)腦區(qū)之間的功能連接(由ROIsFile指定)。用于功能連接估計(jì)的相關(guān)性測(cè)量可以由用戶指定(在reconstructionMethod參數(shù)中)，選項(xiàng)包括Pearson相關(guān)系數(shù)、偏相關(guān)系數(shù)或協(xié)方差。雖然默認(rèn)的相關(guān)性測(cè)量是Pearson相關(guān)系數(shù)，但考慮到各種測(cè)量都有其優(yōu)缺點(diǎn)，用戶可以選擇自己喜歡的測(cè)量方法。連接矩陣保存在文件connectivityMatrixFile (MATLAB文件)中，每個(gè)區(qū)域的時(shí)間序列保存到文件timeSeriesFile (MATLAB文件)中?？梢詧?zhí)行多個(gè)reconstruction_functional_network步驟來(lái)探索不同的重建設(shè)置，并使用參數(shù)methodDescription進(jìn)行區(qū)分。

配置助手

配置助手是為結(jié)構(gòu)和功能管道(http://www.dutchconnectomelab.nl/CATO/configuration-assistant)創(chuàng)建和修改配置文件的在線工具。配置助手檢查所有配置參數(shù)的有效性。

自定義

除了CATO提供的標(biāo)準(zhǔn)功能外，用戶還可以根據(jù)自己的特定研究需求靈活地定制工具箱。首先，用戶可以通過(guò)提供自己的預(yù)處理腳本或分割腳本來(lái)定制工具箱，并可以選擇調(diào)用其他軟件工具。此外，用戶可以通過(guò)向管道添加附加組件來(lái)擴(kuò)展CATO的功能，該附加組件是一個(gè)MATLAB函數(shù)，可以將外部軟件作為管道步驟執(zhí)行。有了這些定制選項(xiàng)，研究人員可以根據(jù)自己的獨(dú)特需求定制CATO。

結(jié)果

結(jié)構(gòu)管道基準(zhǔn)測(cè)試

空間重建。與ITC2015挑戰(zhàn)賽20個(gè)不同站點(diǎn)提供的(共)96份基于纖維束成像的纖維云進(jìn)行對(duì)比，驗(yàn)證了其性能。ITC2015提交的材料顯示了空間重建質(zhì)量測(cè)量的廣泛得分：在25個(gè)基準(zhǔn)真值束中，有效重建束的數(shù)量從5到24個(gè)束不等，無(wú)效束的數(shù)量從27到386個(gè)束不等(圖3a)。在用CATO獲得的重建中，25個(gè)基準(zhǔn)真值束中有23個(gè)(92%)被重建，這與ITC2015提交的23(中位數(shù))個(gè)束相似(圖3a)。丟失的白質(zhì)束包括前連合和后連合。在所有重建方法中，追蹤到62至73個(gè)無(wú)效束，這些束不包括在真值白質(zhì)骨架中(CSD：73、DTI：69、GQI：62、GQI-DTI：69和CSD-DTI：81)，這些數(shù)據(jù)與ITC2015提交的數(shù)據(jù)相當(dāng)，ITC2015提交數(shù)據(jù)的中值為77個(gè)無(wú)效束(圖3a)。在ITC2015提交的數(shù)據(jù)中，與真值白質(zhì)骨架在空間上重疊的纖維束的百分比(稱為“有效纖維”)在3.75%至92.5%之間(中位數(shù)：62.6%)，CATO值在43%至65%之間(CSD：43%，DTI：65%，GQI：53%，GQI-DTI：65%和CSD-DTI：48%，圖3b)。

圖3.基準(zhǔn)測(cè)試重建。

連接體映射。ITC2015提交的結(jié)果(共67份)顯示，假陽(yáng)性率在3%-92%之間(中位數(shù)=114.8%)，假陰性率在0%-69%之間(中位數(shù)=26.8%)。這強(qiáng)調(diào)了參加ITC2015的小組使用的不同策略之間的廣泛特異性-敏感性權(quán)衡。CATO連接體重建的假陽(yáng)性率在4%-12%之間(CSD：12%，DTI：7%，GQI：4%，GQI-DTI：5%和CSD-DTI：13%)，假陰性率在29%-43%之間(CSD：29%，DTI：32%，GQI：43%，GQI-DTI：36%和CSD-DTI：26%，見圖3c)。這種相對(duì)較低的假陽(yáng)性率使CATO重建成為一種具有相對(duì)保守的重建敏感性和相對(duì)較高的連接重建特異性的連接體重建工具。連接體重建的敏感性和特異性水平可以通過(guò)改變所使用的重建參數(shù)和應(yīng)用額外的后處理來(lái)進(jìn)一步調(diào)整。在附加CATO通道步驟中使用COMMIT2進(jìn)行額外的流線過(guò)濾，增加了連接體重建的嚴(yán)格性，假陽(yáng)性率在1%-6%之間(CSD：5%，DTI：3%，GQI：1%，GQI-DTI：3%，CSD-DTI：6%)，假陰性率在48%-62%之間(CSD：49%，DTI：54%，GQI：62%，GQI-DTI：54%，CSD-DTI：48%)。改變擴(kuò)散重建和后處理參數(shù)對(duì)連接體重建的敏感性和特異性影響很小(＜5%)。改變纖維重建參數(shù)對(duì)敏感性-特異性權(quán)衡有很大影響。

結(jié)構(gòu)重測(cè)基準(zhǔn)測(cè)試

在HCP重測(cè)數(shù)據(jù)集上對(duì)重建后的結(jié)構(gòu)連接進(jìn)行重測(cè)信度估計(jì)。通過(guò)ICC評(píng)估不同皮層分割、重建方法和連接強(qiáng)度的可靠性。流線數(shù)量(NOS)連接強(qiáng)度測(cè)量顯示，在組掩蔽的連接體中，19%的連接信度“較差”，24%的連接“一般”，57%的連接“良好”至“極好”(中位數(shù)ICC=0.66，IQR=0.47-0.79，Desikan-Killiany圖譜，GQI-DTI方法)。不同圖譜的ICC中位數(shù)在0.59至0.70之間變化，信度“較差”的連接比例在13-22%之間，“一般”信度在21-29%之間，“良好”至“極好”信度在49-66%之間(圖4a)。對(duì)于Desikan-Killiany皮層分割，使用DTI、CSD、GQI、GQI-DTI和CSD-DTI方法重建的連接體顯示，ICC重測(cè)信度的中位數(shù)在0.52-0.66之間，“較差”信度的百分比在15-32%之間，“一般”信度的百分比在24-32%之間，以及“良好”至“極好”信度的百分比在37-61%之間(圖4b)。分?jǐn)?shù)各向異性加權(quán)連接體的重測(cè)信度也顯示出類似的結(jié)果。使用GQI-DTI和Desikan-Killiany皮層分割重建的連接體顯示，中位數(shù)ICC=0.44，42%的連接信度“較差”，37%的連接信度為“一般”，21%的連接信度為“良好”或“極好”(圖4)。

圖4.結(jié)構(gòu)連接組重測(cè)信度。

功能重測(cè)基準(zhǔn)測(cè)試

功能連接體的重測(cè)信度顯示，在各圖譜中，有13-23%的連接信度“較差”，51-58%的信度“一般”和20-36%的信度“良好”至“極好”(圖5a)。針對(duì)Desikan-Killiany分割的68個(gè)皮層區(qū)域，可以觀察到包括全局平均回歸的網(wǎng)絡(luò)重建導(dǎo)致23%的連接信度“較差”、49%的信度“一般”和27%的信度“良好”至“極好”(中位數(shù)ICC=0.52，IQR=0.41-0.61)。省略清洗預(yù)處理步驟或帶通濾波對(duì)重建可靠性沒(méi)有太大影響(圖5b)。

圖5.功能管道重測(cè)信度。

結(jié)論

本文討論了CATO，一個(gè)用于重建結(jié)構(gòu)和功能連接組圖的軟件工具箱；描述了結(jié)構(gòu)和功能管道中的模塊化處理步驟，并詳細(xì)說(shuō)明了重建方法以及基準(zhǔn)值，以幫助研究人員深入了解連接組重建的敏感性-特異性權(quán)衡和可靠性。多種連接重建工具包的可用性使神經(jīng)科學(xué)社區(qū)能夠使用多種分析管道來(lái)復(fù)制報(bào)告的結(jié)果，以證明研究結(jié)果對(duì)應(yīng)用處理軟件變化的穩(wěn)健性。CATO的早期版本已用于研究健康大腦中的連接組組織、各種疾病、新生兒腦組織，以及進(jìn)行連接組學(xué)的比較。CATO是一個(gè)開源的連接重建工具箱，在MIT許可證下共享。

原文：Siemon C. de Lange , Koen Helwegen , Martijn P. van den Heuvel , Structural and functional connectivity reconstruction with CATO - A Connectivity Analysis TOolbox, NeuroImage (2023), doi: https://doi.org/10.1016/j.neuroimage.2023.120108