论文总结

• 研究背景
  • 丘脑是大脑关键中继站，其核团分割对认知功能研究至关重要，但个体与核团间差异大，现有方法难以兼顾解剖一致性与个体特异性。
• 方法创新
  • 提出迭代先验引导分割框架（iPGP），以 Morel 组织学图谱为先验，融合空间约束扩散特征，通过迭代优化实现个体化丘脑分割。
  • 核心设计：中心 - 边界假设，核团中心保留群体共性，边界适配个体差异，迭代至模型收敛。
• 实验数据
  • 采用 HCP 重测、青少年（HCPD）、青年成人（HCPYA）三组 MRI 数据，验证方法可靠性与适用性。
• 核心结果
  • 重测一致性：被试内 Dice 系数 0.832，重复性高，且能有效区分个体差异。
  • 核团间差异：轮廓系数显著优于传统图谱配准，核团内凝聚性、核团间区分度更强。
  • 个体间差异：扩散特征与体积的变异系数显著高于 Morel、THOMAS、FreeSurfer。
  • 关联验证：丘脑分割结果与青少年年龄、成人工作记忆及情绪识别能力显著相关，预测效果最优。
• 优势亮点
  • 兼顾组织学先验的解剖准确性与个体建模的特异性，迭代框架自适应优化。
  • 多模态扩散特征提升分割粒度，优于仅依赖结构像的方法。
• 局限与展望
  • 样本以青少年、青年成人为主，需拓展老年及临床人群验证。
  • 未来可引入更精细纤维模型、非线性模型提升性能。
• 研究结论
  • iPGP 可稳定捕捉丘脑个体与核团间差异，为个体化丘脑图谱绘制、脑功能与临床研究提供新工具。

摘要

丘脑是大脑中的一个关键中继站，由多个核团组成，这些核团在各种大脑回路中发挥着至关重要的作用。确定这些核团对于了解丘脑结构如何影响认知功能至关重要。然而，遗传和环境因素在丘脑的分割模式中引入了很大的变异性，这给个性化的丘脑功能标测带来了挑战和机遇。本研究提出了一种迭代先验引导包裹(IPGP)框架来构建个性化丘脑包裹。IPGP方法利用Morel组织图谱作为先验指导，结合空间约束的局部扩散特征作为特征，并采用迭代框架来优化个体特定的分割模型。因此，IPGP自动适应不同的丘脑对比度变化，产生个性化和解剖学上一致的切片。通过重测评估，IPGP显示出高度的受试者内重复性。通过评估受试者间和核团间的变异能力，IPGP在捕捉特定受试者和区域特定变异性的同时，显示出跨越不同年龄组的强大适应性。此外，IPGP产生的丘脑部分与青春期年龄和成年人的行为认知得分有显著的相关性。我们的发现表明，IPGP有效地捕捉了丘脑部分的受试者间和核团间的变异性，突出了其在探索脑功能方面促进丘脑映射的潜力。

引言

作为大脑中的重要中继站，丘脑由负责接收、处理和传输感觉信息的各种核组成，包括视觉、听觉、触觉和痛觉(Rikhye等人，2018；Roy等人，2022；Segobin等人，2024；Shine等人，2023；Torrico和Munakomi，2024)。不同的丘脑核团专门负责运动控制(Bosch-Bouju等人，2013；Sommer，2003)、情绪调节(Li等人，2022；Pessoa，2017)、记忆(Sweeney-Reed等人，2021；Watanabe和Funahashi，2012)、睡眠(Gent等人，2018)、注意力(Kastner等人，2020)和意识(Schiff等人，2023,2007)。准确识别这些核团对于更好地了解丘脑区域如何影响认知功能至关重要。然而，遗传和环境因素造成的个体差异导致丘脑核团细胞模式的显著差异(Gu和Kanai，2014；Mai和Majtanik，2018；Segobin等人，2024)。这些变化为更精确地绘制丘脑核团提供了挑战和机遇。因此，发展在个体水平上准确识别丘脑核团的方法对于推进探索大脑功能的丘脑图谱至关重要。在过去的二十年里，已经提出了各种方法来分割丘脑，包括组织学染色、模板图谱配准、皮质到丘脑的投影、无监督聚类、多图集配准、统计形状建模、基于贝叶斯模型的分割和概率图集指导的分割。作为最早的丘脑切片方法，组织学染色仍然是金标准，但它是侵入性的，不适用于活体(Krauth等人，2010；Morel等人，2007；Morel等人，1997)。模板图谱注册允许将组织图谱转移到个人身上。虽然模板图谱注册具有高度的解剖学一致性，但它忽略了分离模式中的对象间可变性(Evans等人，2012年；Krauth等人，2010年)。为了获得更加个性化的分割模式，基于个体特征的丘脑分割方法逐渐发展起来。大脑皮质到丘脑的投射依赖于个体特定的全球连接信息来分割丘脑，提供强大的功能解释力(Behrens等人，2003；O‘Muircheartaigh等人，2011；Zhang等人，2008)。非监督聚类方法是数据驱动的和个性化的，因为它们基于来自个体水平特征的相似度矩阵来分割丘脑核团。(Battistella等人，2017；Fan等人，2016,2015；Kumar等人，2015,2017；Tian等人，2020)。虽然投影和聚类法利用个体特有的信息来最大限度地刻画个体的特殊性，但由于缺乏先验指导，它们存在种群一致性不足的问题。为了确保较高的群体一致性和个体特异性，人们逐渐提出了事先指导的丘脑分割方法。多图谱配准在一组手动标记的图谱的指导下，使用白质空扫描序列根据结构特征的受试者间相似性来分割Thal amus(Su等人，2019年；维达尔等人，2024)。统计形状建模方法捕获丘脑核团的对象间形态相似性，以基于参考组织学图谱的手动轮廓训练分割模型(Jakab等人，2012；Liu等人，2020)。基于贝叶斯模型的丘脑分割使用人工标记的图谱作为先验来训练概率模型，基于结构和扩散对比实现解剖学上一致的丘脑分割模式(IGlesias等人，2018年；Tregidgo等人，2023年)。然而，这三种方法构建的组级分割模型不能完全捕捉个体的特异性。在群体水平建模的局限性的基础上，最近的努力，如概率地图集指导的一人一模型分割，试图通过在受试者水平上训练和测试模型来提高个体特异性(Gao等人，2024b)。但由于基于聚类的概率图谱指导，它仍然受到粒度和解剖一致性的限制(Gao等人，2024b)。因此，仍然迫切需要开发一种事先指导的个性化丘脑分割方法，该方法在个体水平上进行训练和测试，提供高粒度和解剖学一致性。在这项工作中，我们使用Morel组织学丘脑图谱作为先验指导，并应用中心边界假设来创建个体级别的训练和测试集，利用空间约束的扩散方向分布函数作为特征来构建个性化分割模型。为了确保个体训练中的自动收敛，我们设计了一种迭代先验引导分割(IPGP)框架，以实现丘脑分割中的最佳个体特异性。实验结果表明，该方法具有较高的受试者内重复性和受试者间可变性。在多个数据集上的分割内评估表明，该方法稳健地捕获了从青少年到年轻人的参与者的单个丘脑分割模式。此外，对HCP发育和年轻人数据的行为关联验证实验表明，IPGP在揭示丘脑分裂模式和认知行为之间的关系方面具有出色的性能。

方法

数据集

在这项工作中，我们利用了HCP重测、HCP发展(HCPD)和HCP青年(HCPYA)(Elam等人，2021；Van Essen等人，2013)。HCP重测数据集包括30名成年参与者的MRI数据，他们在3T扫描仪上使用相同的序列扫描了两次。使用HCP重测数据集来测试所提出的方法的受试者内重复性和捕捉受试者间分组拓扑差异的能力。HCPD数据集包括589名青少年的MRI。HCPYA数据集包括1062名年轻人的MRI数据。HCPD和HCPYA数据集被用来评估所提出的方法在检测不同年龄组下的对象间和核间变异性方面的稳健性。此外，HCPD和HCPYA数据集也被用于评估个性化丘脑分区与年龄或行为评分之间的关联。Hcp数据集的详细扫描和评分信息可在https://humanconnectome.org.上找到

预处理

使用HCP最小预处理流水线对HCP重测、HCPD和HCPYA数据集进行了预处理(Glasser等人，2013年)。在IPGP丘脑切片中，采用了结构MRI和弥散成像的图像处理方法。MNI空间和DWI空间通过FSL fnirt功能使用两步配准方法相互配准(Jenkinson等人，2012年)。具体地，将DWI空间注册到T1空间，然后将T1空间注册到MNI空间，最后，这两个注册矩阵被转换以生成从DWI空间到MNI空间的注册矩阵，该矩阵可以同时求逆以获得从MNI空间到DWI空间的注册矩阵(Gao等，2024b)。采用单壳单组织约束球面反卷积(Ssst-CSD)(Tournier等人，2008)或多壳多组织CSD(mSMT-CSD)(Jeurissen等人，2014)方法来估计基于b值数量的丘脑体素的八阶ODF模型(针对单个b值的Ssst-CSD和针对多个b值的mSMT-CSD)。基于这一ODF模型，45维球谐(SH)系数被用来用MRtrix3描述丘脑核团的局部扩散模式(Tournier等人，2019年)。丘脑Morel图谱(每半球30个核)被用作IPGP丘脑分割的模板图谱(Krauth等人，2010年)。

迭代先验指导分割法

为了指导具有种群水平解剖学先验的个性化丘脑分割，我们在迭代框架的开始引入了中心边界假说。这一假设假设，种群水平地图集中的每个核或次区域都显示出一个具有高度种群共同性的中心区域和一个具有较大个体变异性的边界区域(Gao等人，2024b；Hermosillo等人，2024)。这种中心到边界的区别使我们的模型能够利用强大的组级信息，同时允许在更可变的边界区域进行特定于对象的适应。我们用一个三维高斯核来模拟每个原子核的中心边界，其中靠近原子核中心的体素的百分比被视为中心区域，剩余的体素被视为边界区域(见公式)。(1)。为了保证该方法具有较高的群体通用性和抗噪声能力，本文将P设为90。下面我们将描述IPGP方法的工作流程。首先，将MNI空间中的模板图谱(Krauth等人，2010年)登记到DWI空间，作为迭代框架的初始化丘脑部分(Wang等人，2015)。在每一次迭代中，中心和边界区域从初始化的丘脑分区中提取，或者从最后一次迭代中基于中心边界假说。然后计算由边界区域到中心区域体素的空间距离(SD)加权的局部扩散距离(LDD)。情商。(2-4)可以计算每个体素对之间的这些距离。在计算距离之后，指定边界区域体素的分割标签，引用与边界体素具有最近的空间加权局部扩散距离(SWLDD)的中心区域体素。中心区域中的体素表示群体共性，并保留它们的分割标签。重新标记的过程可以用公式来表示。(5)。然后合并中央和边界区域以生成更新的丘脑分区。该更新的丘脑分割将与初始化的丘脑分割或在上次迭代中生成的丘脑分割进行比较。假设最后两个迭代之间的分割模式达到收敛条件。在这种情况下，迭代分割过程将结束，更新后的丘脑分割将作为个性化的丘脑分割输出。否则，IPGP方法将进入下一轮迭代，并基于最新的剖分结果重新定义中心和边界区域。如公式中所示。(6)，这种收敛条件被定义为所有丘脑核团质心之间的两个部分之间的空间距离之和小于给定的ε，本文将其设置为1。中心边界假设和迭代分割过程允许在群体水平先验的基础上利用自己的对比来构建自己的分割模型，该模型能够反映高度的个体特异性和群体共性。先前指导的迭代分离的示意图可以在图1中看到。丘脑核的命名指的是Morel图谱(Krauth等人，2010年)。

上图中，v表示丘脑体素。G是3D高斯核。M是丘脑核团的面具。HT(V)是体素v在t次迭代中的中心边界态函数。LDD(vi，vj)是体素对vi和vj的局部扩散距离。SHS vi和SHS vj分别是体素vi和vj的S维球谐系数。Sd(vi，vj)是体素对vi和vj的空间距离。Scs vi和Scs vj分别是体素vi和vj的S第维空间坐标。SWLDD(vi，vj)是体素对的空间加权局部扩散距离。Lt(V)是体素v在t次迭代中的体素标签。CT是t次迭代中丘脑核团的质心。CK是丘脑K核的质心集合体。

重测一致性评估

采用HCP重测数据集评价重测一致性。具体地说，这项研究中使用的数据集包含来自30名受试者的重复MRI扫描，每个受试者在不同的会话中扫描两次。为了评估我们方法的重测重复性，我们独立地将IPGP框架应用于每个受试者的两次扫描，从第一次和第二次扫描构建个性化的丘脑部分。在DWI空间进行IPGP丘脑分割后，使用预处理过程中生成的配准矩阵将所有分割结果配准到MNI空间。骰子系数(如公式中所定义。(7))对所有的分割对进行了计算(Dice，1945)。使用Dice系数来评估受试者内部分割的一致性，该系数测量同一受试者的两个扫描之间的分割模式的相似性。除了受试者内部的重复性外，我们还计算了受试者之间的一致性。被试之间的分割一致性用给定被试与所有其他被试之间分割模式的平均骰子系数来表示。

上图中，K代表丘脑核团的数量。Ak或Bk表示分割A或B中第k个丘脑核团的体素集合。|Ak∩Bk|表示Ak和Bk之间空间重叠的体素的数量。|AK|∪|BK|表示AK和BK的体素总数。

核间变异性评估

使用HCPD和HCPYA数据集来评估检测不同年龄组之间核间变异性的能力。丘脑核间变异性评价的目的是量化丘脑核团内的整合程度和核团间的分离程度。在DWI空间中使用方程计算区域内和区域之间的整合和分离程度。(8),它测量球谐系数之间的距离。区域内体素之间的距离越短，表示集成度越高，而不同区域中体素之间的距离越大，表示分离程度越高。核间轮廓系数由方程定义。(9)(Chen等人，2012年)。具体地说，核间轮廓系数越高，表明分割模式的聚集性越好。我们使用Morel图谱注册方法(Krauth等人，2010年)作为比较的基线，以说明核间变异性评估的优势。

图1.反复事先引导的丘脑核团分割流水线。模板丘脑图谱被用于初始化单个丘脑的分割。然后，在每次迭代中，使用基于中心边界假设的三维高斯核来提取中心区域和边界区域。分割模型由中心区域构成，边界区域采用该模型。经过训练和测试，将中央区域和边界区域合并，生成更新的丘脑部分。重复上述迭代分割过程，直到当前单个丘脑分割和前一个丘脑分割的标签不变。最后，将最后更新的丘脑分割结果作为个性化丘脑分割输出。

上面，shvi和shvj分别是体素vi和vj的球谐系数的45维总向量。Dis(vi，vj)是体素vi到主播之间的距离。Corr(shvi，shvj)是SHvi和SHvj的皮尔逊相关系数。SIL是评价核间变异性的轮廓系数。

学科间变异性评估

HCPD和HCPYA数据集被用来评估检测不同年龄段受试者之间变异性的能力。我们计算了IPGP个体化丘脑部分的局部扩散特征的受试者间变异性，以及丘脑核团体积(VOL)的受试者间变异性。测量的局部扩散特性包括分数各向异性(FA)、平均扩散系数(MD)、轴向扩散系数(AD)、径向扩散系数(RD)、广义各向异性(GA)、旋转不变球谐函数(RISH0)和旋转不变球谐函数(RISH2)(De Luca等人，2022)。变异系数(CV)(Botta-Dukat，2023)被用来定量评估个性化丘脑部分检测受试者间变异性的能力。CV的公式如下式所示。(10)。所有参与者的每个丘脑核团的CVS都是单独计算的。为了证明IPGP方法在检测对象间变异性方面的优势，我们使用Morel atlas配准(Krauth等人，2010)、Thomas(Vdaal等人，2024)和Freesurfer丘脑分割(Tregidgo等人，2023)方法作为比较的基线。

上图中，σ表示被测量变量的标准差，μ表示被测量变量的平均值。变异系数越大，样品间的非均质性越大。

年龄关联性验证

HCPD数据集被用来评估具体的丘脑分区模式与年龄(以月为单位)之间的关联。共有363名青少年(年龄97至214个月)同时具有MRI数据和年龄信息(从cbcl01表中提取)被纳入分析中。这个数据集被用来评估年龄和丘脑分割模式之间的关系。基于个性化的丘脑分割模式，我们提取了每个参与者的丘脑核团体积分布向量。然后使用线性回归模型来预测参与者的年龄，并计算预测年龄与实际年龄之间的皮尔逊相关系数。采用最小二乘法对线性回归模型进行求解。为了确保预测的重要性，进行了交叉验证和排列测试。采用留一法交叉验证(LOO-CV)，所有留一法迭代的预测年龄与实际年龄之间的皮尔逊相关性被计算为交叉验证预测精度。

排列测试执行如下：随机洗牌体积分布向量和年龄之间的对应关系，以消除任何真实的关联。然后对回归模型进行重新训练，并在洗牌后重新计算交叉验证的皮尔逊相关系数。该过程重复1000次以产生零分布，表示在没有真实关联的情况下的交叉验证皮尔逊相关系数的分布。通过比较实际数据与零分布的交叉验证皮尔逊相关系数来确定显著性p值。P值表示大于实际数据相关系数的零分布相关系数的比例。为了证明所提出的方法在年龄相关性验证方面的优势，我们使用Morel图谱注册(Krauth等人，2010)、Thomas(Vdaal等人，2024)和Freesurfer丘脑分割(Tregidgo等人，2023)方法作为比较的基线。

行为关联验证

使用HCPYA数据集来评估个性化丘脑分区模式与行为评分之间的关联。共有456名同时具有MRI数据和行为得分的年轻人被纳入分析，以评估丘脑分裂模式和认知得分之间的关系。行为评分包括工作记忆和情绪识别。以下是对这两个行为得分的具体描述。工作记忆得分：这个测量来自NIH工具箱中的2-back工作记忆任务(在HCP数据集中使用)。参与者被展示了一系列视觉刺激，并被指示当当前刺激与之前两次试验中的刺激匹配时做出反应。分数反映了正确回答的百分比，提供了视觉空间工作记忆表现的指数。情绪识别分数(ER40)：ER40是一项评估面部情绪识别的计算机化任务。参与者被展示了40张面部图像，每一张都显示了五种情绪中的一种，包括高兴、悲伤、愤怒、恐惧或没有情绪。对于每一张图像，参与者选择他们认为正在表达的情感。情绪识别分数以正确回答的数量计算，满分40分，代表参与者在识别情绪表达方面的准确性。基于个性化的丘脑分割模式，我们提取了每个参与者的丘脑核团体积分布向量。然后使用线性回归模型来预测行为得分，并计算预测的行为得分与实际行为得分之间的相关性。采用最小二乘法对线性回归模型进行求解。与年龄关联验证类似，采用留一交叉验证和排列检验，以确保行为得分预测的显著性。此外，为了验证IPGP算法得出的个性化丘脑分割模式与行为评分相关的预测优势，我们使用了Morel组织图谱配准(Krauth等人，2010)、Thomas(Vdaal等人，2024)和Freesurfer丘脑分割(Tregidgo等人，2023)方法作为比较的基线。

结果

重测一致性

我们使用ITK-SNAP(Yushkevich等人，2006)进行可视化。图2参照Morel图谱，可视化了通过IPGP方法在个体空间和丘脑核的命名中对示例受试者的丘脑分割结果。图3(A)给出了使用IPGP方法重新测试丘脑分割结果的可视化结果。在标准的MNI空间中，分割结果很好地证明了IPGP方法不仅在受试者内表现出很高的重复性，而且有效地捕捉了受试者之间的丘脑分割模式。此外，IPGP方法产生的丘脑核团分割结果具有很高的空间连续性。图3(B)示出了IPGP方法的对象内和对象间划分一致性结果。被试内部的平均骰子系数为0.832，显著高于被试间的平均骰子系数(0.797)(p&lt；0.001)。这一发现表明，IPGP方法既实现了个体内分割模式的高度重现性，又实现了受试者之间的显著差异，突出了其在捕捉特定个体丘脑分割模式方面的有效性。

核间变异性

图4(a，b)显示了青少年组和成人组的丘脑在个体空间(B0)的分割可视化结果。IPGP方法在青少年和成年人中都表现出了稳健性。此外，丘脑的分割模式在个体之间也有很大的差异。如图4(C)所示，HCPYA数据集的平均核间轮廓系数为0.461，MOREL图谱注册为0.449。对于HCPD数据集，IPGP的平均核间轮廓系数为0.524，莫雷尔图谱登记的平均核间轮廓系数为0.503，如图4(D)所示。在青少年和青壮年，IPGP的核间轮廓系数均显著高于莫雷尔地图集注册(p&lt；0.001)。核间轮廓系数越高，丘脑各亚区之间的分离程度越大，各亚区内的连贯性越强。因此，这些结果表明，IPGP提供了更大的核间可变性，同时保持了丘脑部分核内的高水平一致性。

图2.IPGP法丘脑切片结果。丘脑核团的命名指的是莫雷尔图谱。

图3.|重测一致性评估结果。高的受试者内DIC值表明IPGP方法具有良好的重复性。被试间DICE显著低于被试内DICE，说明IPGP方法也具有较强的检测被试间变异性的能力。

研究对象间的可变性

如图5所示，在HCPD(a1-a8)和HCPYA(b1-b8)数据集上，IPGP方法在丘脑局部扩散特征(包括AD、RD、MD、FA、GA、RISH0和RISH2)以及丘脑核体积(VOL)方面显示出比Morel图谱注册、Thomas和Freessufer丘脑分割方法显著更高的变异系数。这表明，IPGP产生的个性化丘脑颗粒提供了一种改进的能力，以检测丘脑局部扩散特征和丘脑核体积的受试者之间的差异。HCPD和HCPYA数据集中对象间可变性的数值结果分别见表1和表2。

图4.|核间变异性评估结果。图中显示了IPGP和Morel图谱在HCPYA(A)和HCPD(B)数据集上的核间轮廓系数。在两个数据集(c，d)中，IPGP的核间轮廓系数明显高于Morel图谱登记的核间轮廓系数。

年龄关联性验证

如图6(A1)所示，IPGP方法的预测年龄和实际年龄之间的交叉验证皮尔逊相关性为0.461，置换检验p值为0.000。类似地，如图6(A2)所示，莫雷尔图集配准方法的交叉验证皮尔逊相关性为0.307，排列测试p值为0.000。在图6(A3)中，托马斯方法的交叉验证皮尔逊相关性为0.425，置换测试p值为0.000。在图6(A4)中，自由下水丘脑分割方法的交叉验证的皮尔逊相关性为0.405，置换测试p值为0.000。在这四种丘脑分割方法中，排列试验的p值均达到显著水平(p&lt；0.05)。这些结果表明丘脑的分割模式与年龄之间存在显著的相关性。此外，IPGP方法获得了比Morel atlas配准、Thomas和Freesurfer丘脑分割方法更高的交叉验证的Pearson相关系数。这一结果表明，与Morel图谱配准、Thomas和Freessufer丘脑分割方法相比，IPGP构建的个性化丘脑分割方法更能有效地捕捉青少年与年龄相关的丘脑分割模式变化。

行为关联验证

如图6(B1)所示，IPGP方法的预测工作记忆分数和实际工作记忆分数之间的交叉验证皮尔逊相关性为0.141，置换测试p值为0.034。类似地，如图6(B2)所示，莫雷尔图谱配准方法的交叉验证皮尔逊相关性为0.072，排列测试p值为0.297。在图6(B3)中，托马斯方法的交叉验证皮尔逊相关性为0.084，置换测试p值为0.062。在图6(B4)中，自由搜索丘脑分割方法的交叉验证皮尔逊相关性为0.094，置换测试p值为0.053。在这四种方法中，只有IPGP方法的置换检验的p值有显著意义(p&lt；0.05)。更重要的是，在四种方法中，IPGP方法的交叉验证的皮尔逊相关系数最高。这一结果表明，IPGP方法在探索与工作记忆显著相关的丘脑部分模式方面具有优势。如图6(C1)所示，IPGP方法的预测情感识别分数和实际情感识别分数之间的交叉验证皮尔逊相关性为0.138，置换测试p值为0.043。类似地，如图6(C2)所示，莫雷尔图谱配准方法的交叉验证皮尔逊相关性为0.074，排列测试p值为0.261。在图6(C3)中，交叉验证的皮尔逊相关性托马斯法为−0.018，排列检验p值为0.513。在图6(C4)中，自由搜索丘脑分割方法的交叉验证皮尔逊相关性为0.106，置换测试p值为0.037。在这四种方法中，IPGP和Freesurfer丘脑分割方法的排列检验的p值有显著差异(p&lt；0.05)。更重要的是，在四种方法中，IPGP方法的交叉验证皮尔逊相关系数最高。这一结果表明，IPGP方法在探索与情绪识别显著相关的丘脑分割模式方面具有优势。

图5.|研究对象间变异性评估结果。在HCPYA和HCPD数据集上，对于丘脑的7个局部扩散特征和丘脑核团体积，IPGP方法的变异系数都显著高于Morel atlas配准、Thomas和Freessufer丘脑分割方法。“*”：标普0.001。“**”：P&lt；0.01。“*”：P&lt；0.05。《N.S.》：P≥0.05.

讨论

在这项研究中，我们提出了一种先验指导的迭代分割框架来构建个性化的丘脑分割。通过对HCP重测数据集IPGP的重测评估显示其有能力实现丘脑的分割和高度的对象间分化，同时保持对象内的强大连贯性。对HCPD和HCPYA数据集的核间可变性评估表明，IPGP不仅在不同年龄段之间具有健壮性，而且还有效地捕获了丘脑部分的核间可变性。此外，IPGP在捕捉丘脑核团扩散特征和体积的受试者间变异性方面优于Morel图谱配准、Thomas和Freessufer丘脑分割方法。此外，IPGP在生成与年龄、工作记忆和情绪识别更密切相关的丘脑部分方面具有优势。综上所述，IPGP Demon具有高度的重复性，有效地捕捉了对象间和核间的变异性，并在探索大脑功能方面为推进丘脑映射提供了重要的前景。IPGP方法的主要优点是集成了组织学先验知识、空间加权局部扩散特征和个体水平建模，以实现解剖学上的一致性和个性化的丘脑分割。这种设计平衡了个体特异性和群体水平的共性，同时保持了高度的组织学一致性。与我们之前的方法依赖于基于聚类的概率图谱作为初始化模板(Gao等人，2024b)不同，IPGP结合了Morel图谱(Krauth等人，2010)作为组织学先验，这被广泛认为是丘脑分割的黄金标准。这使得IPGP能够产生比以前更强的解剖一致性和更细的粒度(Gao等人，2024b)。通过结合空间加权扩散方向分布函数作为特征，IPGP有效地捕获了仅使用结构成像无法区分的丘脑区域内的局部扩散对比(Jakab等人，2012；Liu等人，2020；Su等人，2019；Vdal等人，2024)。此外，它的先行指导一人一模型策略使分割模型能够适应个体级别的特征，同时保持强大的种群级别的解剖先验。与群体层面的建模方法(IGlesias等人，2018年；Tregidgo等人，2023年)相比，IPGP方法通过个体层面的建模确保了更大的个体特异性。IPGP的另一个优势是其迭代分割框架，它自动适应每个受试者的丘脑分割模型，优化丘脑核团中个体特定的对比度。这种迭代设计使模型的状态空间能够收敛到每个受试者的唯一最优配置，而不需要外部干预(崔等人，2024；han等人，2020；Wang等人，2015)。与先进的序列学习技术不同，如RNN(MAO和Sejdic，2023)、LSTMS(Hochreiter和Schmidhuber，1997)、Transformers(Vaswani等人，2017)和Mamba(Gu和Dao，2023)，IPGP作为一种测试时间训练(TTT)方法(Sun等人，2024)。这使IPGP能够快速收敛并专门适应各个输入数据。它通过将莫雷尔地图集视为预先训练的模型，同时将每个受试者的数据作为当前输入来实现这一点。利用上下文信息，特别是核间对比，IPGP仅对当前受试者的数据结合预先训练的模型进行训练和测试。在每次迭代中，基于中心边界假设，根据最新的分割结果重新定义每个核的中心区域(类似于训练集)和边界区域(类似于测试集)，以确保分割模型的优化。IPGP的核心原则是训练一种独特的、特定于对象的分割模型，实现高度个性化的丘脑分割，同时消除跨对象再培训的需要。作为人工智能技术(Huang等人，2023)和个性化脑图谱(Eickhoff等人，2018；Fan，2021；Gao等人，2024a；Li等人，2025)的新组合，IPGP提供了一个有效的、自适应的框架，有可能推动未来脑图谱研究的进展。从Morel atlas注册(Krauth等人，2010)和IPGP方法得出的丘脑分割模式通过结构对比准确地识别了丘脑核团，这可能解释了为什么这两种方法与青少年的年龄显著相关。然而，在年龄和行为关联验证中，与Morel atlas Regis方法相比，IPGP方法产生的丘脑部分与年龄和行为认知能力显示出更强的相关性。这种较高的相关性可能归因于IPGP方法捕获个体特异性的增强能力。研究对象间和核间变异的比较结果进一步支持了IPGP方法在检测个体变异方面的优越能力。与Morel图谱配准方法在配准过程中仅依赖结构对比度不同，IPGP通过自动适应丘脑核团内的局部扩散对比度变化而提供了明显的优势，从而增强了其灵活性。在这一点上，IPGP可以被认为是一种先验指导的多模式迭代分解方法。

Thomas是丘脑分割的成熟方法(Su等人，2019年；维达尔等人，2024年)。它使用特定的扫描序列(白质为空)来增强结构对比度，并结合多图谱配准方法来考虑对象间的可变性。然而，Thomas完全依赖于结构对比，这可能会限制其在描绘丘脑核团之间精细边界方面的有效性。相反，IPGP方法将结构配准与空间加权的45维球调和函数系数相结合，同时提供结构对比度和局部扩散对比度，从而扩大了对比度模式的范围。在分割粒度方面，IPGP利用Morel图谱作为先前的模板(Krauth等人，2010年)，将丘脑划分为每个半球30个核团，从而在丘脑分区中实现更精细的粒度。这种更丰富的多模式对比和更精细的分割粒度可能在一定程度上解释了IPGP方法在检测受试者之间的变异性、预测年龄和行为测量方面优于Thomas方法的性能。基于贝叶斯模型的丘脑分割方法，使用来自组织学图谱的先验信息和来自一组受试者的高质量MRI数据进行训练，在高质量数据集上表现出很强的鲁棒性。此外，由于这种方法被整合到Free urfer中，因此实施起来简单方便(IGlesias等人，2018年；Tregidgo等人，2023年)。然而，与依赖于组级建模的基于贝叶斯模型的分割不同，IPGP实现了个性化建模(Gao等人，2024b)，使其能够捕获特定于对象的分割轮廓。这种个性化的设计可能有助于IPGP在捕捉受试者之间的变异性、预测年龄和行为测量方面比自由浏览丘脑分割方法具有更好的性能。虽然IPGP方法有效地捕捉了丘脑部分的受试者之间的变异性，但它也可能反映了没有明确建模的个体因素，如年龄和认知特征。这些未建模的变量可能导致在丘脑核团中观察到的可变性，潜在地混淆了纯粹的解剖学解释。然而，IPGP方法的分割结果显著地预测了这些个体水平的变量，这表明该方法可以捕捉到具有生物学意义和行为相关的特征，尽管缺乏明确的建模。此外，虽然球谐(SH)系数在计算效率和方向敏感度之间提供了平衡，但它们在具有复杂光纤结构或高各向异性的区域可能仍然受到限制。在未来的工作中，我们计划探索更具表现力的表示，例如多隔室模型Node(Zhang等人，2012)，以提高对丘脑内细粒微结构属性的敏感性。鉴于丘脑在全脑功能协调中的中心作用(Roy等人，2022；Shine等人，2023)，拟议的IPGP框架也可能在翻译研究中提供重要价值。它能够产生个性化的、解剖学上一致的切片，使其特别适合于研究临床条件下丘脑的变化及其对药物干预的反应。例如，迷幻剂已知可以调节丘脑皮质的连接(Avram等人，2025；Doss等人，2022)，IPGP方法可能有助于揭示其影响背后的核特定机制。麦角酸二乙胺(LSD)(Delli Pizzi等人，2023年)和莫达非尼(Delli Pizzi等人，2025年)都调节丘脑皮质连接，但针对不同的丘脑核，并诱导不同的连接改变，导致不同的药理作用。这进一步强调了丘脑分离在药理学研究中的价值，以揭示化合物特有的作用机制。此外，在阿尔茨海默病等神经退行性疾病中也发现了丘脑萎缩和连接障碍(Aggleton等人，2016；Biesbroek等人，2024)，这表明个性化的丘脑部分可能有助于在衰老相关的认知下降中更准确地描述和监测疾病。除了涉及人类对象的研究外，IPGP方法可能会在跨物种研究中激发新的研究想法(崔等人，2024；Fan等人，2016；Lu等人，2024；Wang等人，2025)，同时也为其验证提供了进一步的机会。

图6.丘脑分割方法的年龄和行为关联验证结果。(A)丘脑切片法的年龄相关性验证结果。与Morel图谱注册法、Thomas和Freesurfer丘脑分割方法相比，IPGP方法提取的丘脑核团体积与青少年的年龄相关性最高。(B)丘脑分割方法的工作记忆分数关联验证结果。与Morel图谱配准、Thomas和Freesurfer丘脑分割方法相比，IPGP方法提取的丘脑核团体积与青壮年工作记忆能力的相关性最高。(C)丘脑分割方法的情绪识别分数关联性验证结果。与Morel图谱配准、Thomas和Freesurfer丘脑分割方法相比，IPGP方法提取的丘脑核团体积与青壮年情绪识别能力的相关性最高。

局限性

我们承认，目前的数据集主要包括年轻人和青少年，这可能会限制我们的研究结果适用于老年人群或患有神经疾病的个人。为了解决这些限制，未来的工作将在更广泛的年龄范围和临床队列中验证IPGP方法，例如那些患有神经退行性或神经精神疾病的人，以更好地评估其在非理想条件下的稳健性。此外，观察到的丘脑核团体积与年龄或行为指标之间的关联是适度的，因为我们选择了线性回归模型来提供预测能力的保守估计。未来的工作将探索非线性模型，以更好地捕捉复杂的大脑-行为关系。

总结

总而言之，IPGP为丘脑分区提供了一种强大的、个性化的方法。它利用先验指导的迭代建模来捕捉对象间和核内的可变性，具有很高的解剖一致性和良好的重复性，展示了其在探索脑功能方面推进个性化丘脑映射的潜力。