突破传统：“megicparc” 助力 MEG 数据解析，解锁大脑功能连接新奥秘

为解决 MEG 数据处理中皮层分区不合理、存在串扰等问题，研究人员开展 MEG 信息驱动的皮层分区研究。结果显示新方法能有效减少串扰，提高源和连接估计准确性。推荐阅读，助你了解大脑研究新突破！

　　

在大脑研究的奇妙世界里，有一种神奇的技术 —— 脑磁图（MEG），它就像给大脑活动拍 “快进电影”，能以毫秒级的时间分辨率，捕捉大脑神经活动的动态变化，为我们探索大脑奥秘打开了一扇窗。凭借这一优势，科学家们可以借助 MEG 研究大脑不同区域之间的功能连接，了解大脑是如何协同工作的。

不过，MEG 也有自己的 “小脾气”。在进行功能连接分析之前，需要通过逆建模技术来估算 MEG 信号背后的神经源。但由于 MEG 测量的空间分辨率有限，加上所使用的逆建模技术的影响，估算出的神经源活动时间进程并非相互独立，存在着严重的空间泄漏问题。这就好比声音在房间里传播，本来只想听到一个人的说话声，结果周围其他人的声音也混了进来，导致我们听到的声音变得杂乱无章，在大脑研究里，这种空间泄漏会产生虚假的功能连接，干扰科学家们对大脑真实活动的判断。

为了解决这些问题，不少研究者尝试将大脑皮层划分为一个个预先定义好的感兴趣区域（ROI），把每个 ROI 内神经源的活动合并成一个时间进程，再去估算它们之间的功能连接。这些 ROI 通常是基于大脑结构，借助结构磁共振成像（MRI）来确定的，也有根据功能磁共振成像（fMRI）测量的功能来定义的。然而，这些划分方式并不完美，它们没有充分考虑 MEG 的物理特性和空间分辨率。比如，一些产生差异很大、很容易区分的 MEG 信号的神经源，可能被划分到了同一个大区域；而那些位置相近、方向相似，在 MEG 中很难区分开的神经源，却被分到了不同的小区域。即使采用一些对场传播不敏感的测量方法，空间泄漏还是可能导致大脑网络中出现虚假连接。虽然也有研究者提出各种校正方案来减少虚假连接，但都无法彻底消除这些 “捣乱” 的虚假连接，还可能会误删一些真实的瞬时连接。

为了攻克这些难题，来自 作者[第一作者单位] 的研究人员在《Scientific Reports》期刊上发表了一篇名为 “MEG-informed cortical parcellation for improved source and connectivity estimates” 的论文。他们提出了一种全新的大脑皮层分区方法，成功地解决了 MEG 研究中的多个关键问题。研究发现，新方法划分出的 60 - 120 个分区，能更准确地反映大脑活动，相比传统的 Desikan - Killiany（DK）图谱，可区分的区域增加了约 48%。并且，这种分区方法得到的源估计平均欧几里得定位误差低于 19 毫米，功能连接估计的灵敏度和特异性也更高。这一成果为大脑研究提供了更精确、更有效的工具，让我们能更深入地探索大脑的奥秘。

为了开展这项研究，研究人员主要用到了以下几个关键技术方法：

1. FLAME 算法：这是一种无监督模糊聚类算法，包含两个关键步骤。第一步是确定聚类中心，根据点之间的距离度量来计算每个点的密度，从而找出聚类中心和离群点；第二步是构建聚类，为每个点分配模糊隶属度向量，通过迭代优化，让距离相近的点属于同一个分区。
2. 构建 MEG 信息驱动的皮层分区：计算导联场矩阵列之间的余弦距离，以此衡量神经源产生的 MEG 模式的相似性；引入基于皮层表面距离（测地距离）的度量，促进分区在空间上的连续性；定义基于图谱的距离，使分区更符合解剖学结构。最后，将这三种距离度量加权组合，作为 FLAME 算法中的距离度量，实现对神经源点的聚类。
3. 实验数据处理：采集 10 名健康成年人的 T1 加权头部 MRI 数据构建真实形状的头部模型，利用这些模型计算导联场。同时，对 5 名受试者进行多模态感觉刺激实验，采集听觉诱发场（AEF）的 MEG 数据，并进行信号空间分离、滤波、去除伪影等预处理操作。

下面让我们一起来看看研究人员通过这些方法都得到了哪些有趣的结果：

1. 结构特性：
   • 分区数量和皮层覆盖范围：研究发现，指定的最近邻数量和空间距离权重会影响分区数量。增加会使分区数量减少，而增加会使分区数量增多。要得到与 DK 图谱数量相近的分区，应在 30 - 40 之间，应低于 0.8。MEG 信息驱动的分区覆盖了超过 98.3% 的总皮层表面，而 DK 图谱平均只覆盖约 92.7%。
   • 空间连续性：权重对分区的空间连续性影响很大。当仅使用空间距离（）时，分区往往连接紧密且界限分明；而当给余弦距离更大权重时，分区可能会扩散并分裂成多个独立的部分。值也会影响分区的平均大小和连接组件数量。
   • 基于图谱距离的影响：增加基于图谱距离的权重，会使分区与给定的解剖分区更匹配，得到更标准的源空间描述结果。但即使，MEG 信息驱动的分区仍可能对解剖区域进行重新划分，如将左半球的中央后回区域分成两个分区，或将部分岛盖部与三角部合并为一个分区。
   
   
2. 功能特性：
   • 定位误差：研究人员使用动态统计参数映射（dSPM）在由聚类中心定义的简化源空间上进行源定位。结果显示，当低于 30 时，平均定位误差比使用完整源空间时更低或相近。在为 20 - 30 且小于 0.4 时，约 60% 的源估计峰值出现在真实源所在分区的聚类中心；而使用 DK 图谱时，只有 18% 的源位置能在正确分区产生峰值。
   • 分区间串扰：通过计算分区间的串扰和可区分性指数，研究发现新算法能得到具有低分区间串扰的皮层分区。当在 20 - 30 且小于 0.4 时，可区分性指数最高，此时将皮层表面划分为 60 - 140 个分区。MEG 信息驱动分区的可区分性指数显著高于 DK 图谱。
   
   
3. 功能连接特性：
   • 连接性估计：研究人员通过模拟两个相互作用的偶极子源的活动，并添加噪声，来评估新方法在估计功能连接方面的性能。结果表明，与基于解剖学的分区相比，MEG 信息驱动的分区在计算两个相互作用源之间的虚部相干性（IC）时，相对误差更低。在高噪声和低噪声场景下，且时，相对误差最低。使用相干性（COH）估计功能连接时也得到了类似结果，且 COH 估计的相对误差通常比 IC 更低。
   • 灵敏度和特异性：新的分区方法提高了功能连接估计的整体灵敏度和特异性。在且接近 0 时，真阳性率（TPR）最高；而当时，灵敏度大幅下降。与 DK 图谱相比，MEG 信息驱动分区的假阳性率（FPR）显著更低。使用 COH 量化功能连接时，新方法的整体灵敏度和特异性仍高于 DK 图谱，但 FPR 相对较高。
   
   
4. 实验 MEG 数据：研究人员在 4 名成年人中测试了新的分区方法对听觉诱发场皮层源的建模效果。选择、和的分区，用 dSPM 将数据投影到简化源空间上。结果发现，简化源空间中估计的源定位误差与完整源空间相近，考虑整个分区时定位误差甚至更小。在特异性方面，新方法与 DK 图谱的灵敏度相似，但通过主成分分析（PCA）估计 DK 图谱分区活动时会产生更多假阳性。新方法的受试者工作特征曲线下面积（AUC）平均值高于 DK 图谱。

在讨论部分，研究人员总结了此次研究的重要意义。他们提出的这种全新的大脑皮层分区方法，充分考虑了 MEG 的空间可分辨性，通过无监督聚类算法，根据 MEG 导联场矩阵的余弦距离对皮层源空间的点进行分组，并结合测地距离和基于图谱的距离，使分区更易于解剖学解释。该算法能自动估计分区数量，并为每个分区提供一个聚类中心，在这个由聚类中心定义的简化源空间中进行源和连接估计，提高了功能连接估计的准确性。

同时，研究人员也指出了新方法的一些局限性。例如，目前的余弦距离定义只适用于一种传感器，如果要考虑不同类型的传感器（如磁力计、梯度计和 EEG 传感器），需要对定义进行修改。此外，由于该方法主要基于导联场矩阵，得到的分区会因受试者和 MEG 采集时头部位置的不同而有所差异，若要实现真正的组水平分区，还需要对方法进行进一步改进。

尽管存在这些限制，这项研究依然为大脑研究领域带来了新的曙光。它让我们更加深入地理解了大脑皮层分区与 MEG 信号之间的关系，为未来更精准地研究大脑功能连接、探索大脑奥秘奠定了坚实的基础。相信在未来，随着技术的不断进步和方法的持续优化，我们对大脑的认识将会更加全面和深入。