20、从皮质表面测量中学习特定受试者的功能分区

从皮质表面测量中学习特定受试者的功能分区

1. 引言

人类复杂的认知能力依赖于大脑中功能同步的分布式网络之间的通信。为了研究人类行为和大脑功能，人们对使用磁共振成像（MRI）等非侵入性脑成像技术来绘制这些局部功能区域产生了浓厚兴趣。大脑中不同功能单元的划分，即分区，被广泛用于促进对认知和疾病的研究。

早期，人们通过对死后大脑的组织学检查来定义大脑区域。随着MRI的出现，可以非侵入性地检查大脑的结构和地形特征。除了结构和解剖特征外，功能MRI也被用于寻找大脑中时间上连贯的区域。计算图谱，包括结构和功能图谱，通常是在群体层面进行总结的，旨在适用于不同的受试者，以捕捉个体间共有的稳定单元。

然而，群体层面的映射无法捕捉到个体之间的显著差异。研究表明，使用个体化分区可以大大提高统计推断的神经科学有效性。特定受试者的空间特征，如空间边界或分区大小，与行为和功能状态相关。个体化的功能结构映射也是手术规划和脑刺激疗法等临床程序的基本要求。

目前，从静息态功能磁共振成像（rs - fMRI）导出的多会话分层贝叶斯（HB）模型是划分个体化、空间局部化功能分区的先进工具，它能改善从功能连接进行的行为预测。但该方法的应用广泛依赖于rs - fMRI数据的可用性和质量。在临床实践中，rs - fMRI采集并不常规，且即使可用，扫描时间可能较短，而扫描长度会影响连接估计的可重复性和重测可靠性，短时间（<10分钟）的rs - fMRI采集实用性有限。

相比之下，结构MRI能提供与个体中功能不同区域有一定对应关系的结构标记，且在临床脑部扫描中比静息态fMRI更广泛应用。因此，我们假设可以通过深度学习对皮质进行标记，从更常见的结构MRI扫描中推断出基于先进rs -