2025.12.18
这篇文章发表于《Medical Image Analysis》期刊（2026 年第 109 卷），由电子科技大学、哈佛医学院等机构学者联合撰写，聚焦扩散 MRI 束描记术的沿束分析优化，提出新型图谱引导精细尺度束测量方法 AGFS-Tractometry。
Title题目
01
AGFS-tractometry: A novel atlas-guided fine-scale tractometry approach for enhanced along-tract group statistical comparison using diffusion MRI tractography
AGFS-Tractometry：一种新型图谱引导的精细尺度束测量方法，用于增强扩散MRI束描记术的沿束组统计比较
文献速递介绍
02
扩散磁共振成像（dMRI）是目前唯一能无创重建大脑白质连接并表征其微观结构的体内技术。束描记术是一种先进的dMRI分析方法，用于研究沿解剖纤维束的形态和微观结构特性，比传统方法更能敏感地检测局部白质差异。在过去的十年中，使用束描记术进行跨人群白质纤维束的组比较，极大地促进了对大脑正常发育的理解，并有助于识别神经系统疾病的潜在生物标志物。然而，现有的束描记方法如AFQ和BUAN主要关注整个纤维束，忽略了束内的解剖学细分，导致无法有效区分属于不同解剖亚区的束块。此外，精细尺度分块会增加统计检验的数量，从而需要更严格的多重比较校正，这限制了现有方法的敏感性。为解决这些局限性，本研究提出了一种新型图谱引导的精细尺度束测量方法AGFS-Tractometry，其主要贡献在于创建了一个基于解剖学精选白质纤维束图谱（ORG-atlas）的群体束剖面模板，实现沿束长度和横截面的高空间采样分辨率分块；其次，提出了一种新颖的基于聚类阈值的非参数置换检验方法，用于同时分析所有沿束块并校正多重比较，以提高统计敏感性。
Aastract摘要
02
扩散MRI（dMRI）束描记术是目前唯一一种体内映射大脑白质（WM）连接的方法。束测量是一种先进的束描记分析技术，用于沿束分析以研究纤维束的形态和微观结构特性。它已成为研究不同人群（如健康与疾病）之间局部沿束差异的重要工具。本研究提出了一种新型图谱引导的精细尺度束测量方法，即AGFS-Tractometry，该方法利用束空间信息和置换检验来增强人群间的沿束统计分析。AGFS-Tractometry主要有两个贡献：首先，它创建了一个新型的图谱引导束剖面模板，可以对受试者特异性纤维束进行一致的、精细尺度的沿束分块。其次，提出了一种新型非参数置换检验组比较方法，可以在校正多重比较的同时对所有沿束分块进行同步分析。研究在具有已知组差异的合成数据集和体内真实数据上进行了实验评估，并与两种最先进的束测量方法（AFQ和BUAN）进行了比较。结果表明，AGFS-Tractometry在检测局部白质差异方面获得了更高的灵敏度和特异性。在真实数据分析实验中，AGFS-Tractometry可以识别出更多具有显著差异的区域，这些区域与现有文献解剖学上一致。总的来说，这些结果证明了AGFS-Tractometry在检测微妙或空间局部化的白质组水平差异方面的能力。
Method方法
03
AGFS-Tractometry旨在识别感兴趣束（例如皮质脊髓束CST）中在两组人群之间表现出显著差异的局部区域。该方法包含三个主要步骤：首先，创建图谱引导的精细尺度束剖面模板，包括沿束分块（使用ORG图谱中心线进行沿簇分块，形成m×n个束块）和束块邻域构建（定义簇内和簇间束块的邻接关系，以捕获空间连续性）。其次，通过将剖面模板应用于个体束描记数据来提取受试者特异性束剖面，这包括对受试者束描记数据进行图谱空间对齐和纤维分配，然后根据模板细分受试者纤维簇，并使用UKF束描记法计算每个束块的定量微观结构测量（如FA值），采用距离加权策略以确保精确性。最后，进行组间束剖面的统计比较，首先对每个沿束块进行初步的束块水平统计检验（如t检验，p<0.05），识别超过阈值的束块；然后，基于束块邻域图和通过检验的束块，利用团渗透（CP）算法形成超阈值束块社区；最终，采用非参数置换检验（基于最大社区大小的零分布）来校正多重比较，从而确定统计显著的社区。
Discussion讨论
04
本文提出的AGFS-Tractometry利用图谱解剖引导进行精细尺度沿束分块，并通过置换检验增强了沿束统计分析。在合成数据集中，AGFS-Tractometry在检测真实差异方面比AFQ和BUAN更准确。在真实数据分析中，AGFS-Tractometry能识别出更多显著差异区域，表明其在检测细微或局部白质组水平差异方面的潜力。本方法通过将流线分配到解剖学上信息丰富的白质簇，能更好地评估每个束的潜在结构亚区，解决了现有方法在处理整个白质束时忽略其精细亚结构的问题，避免了AFQ的序数分块假设可能导致的不精确性以及BUAN的单中心线方法在束末端可能出现的异常分段。框架不限于ORG图谱，可适用于满足精细分块和个体间一致性标准的任何纤维束图谱。然而，其解剖精度受限于底层图谱定义的准确性，因此结果应被视为方法对局部微观结构差异敏感性的体现，而非精确解剖对应。研究通过计算每个束块的体素数量，确保了精细尺度分块的微观结构测量可靠性。统计推断方面，非参数置换检验在控制多重比较方面优于传统方法，具有假设少、适用于多白质束同时分析的优点。在HCP-YA数据集中，检测到的性别相关差异与现有语言处理相关白质区域研究一致；在ABIDE数据集中，检测到的ASD相关差异与文献报道的互联、视觉处理和社交认知障碍区域一致，进一步验证了方法的敏感性。文章也讨论了束描记术面临的挑战，如解剖路径与微观结构属性的区分，以及灰白质交界处部分容积效应可能影响扩散指标可靠性。未来的研究方向包括整合多种互补扩散测量、扩展至多组或连续变量分析、优化CP算法的计算成本，以及利用更大、更多样化的数据集进行临床应用。
Conclusion结论
05
本文提出了一种新型基于图谱的精细尺度沿束白质分析方法AGFS-Tractometry。该方法利用解剖学指导进行束分块，并整合局部邻域信息以提高空间一致性。相较于依赖位置索引或中心线剖面的AFQ和BUAN，AGFS-Tractometry提供了具有更高空间分辨率的互补方法。研究采用非参数置换检验进行组间比较，并校正了多重比较。AGFS-Tractometry在合成和真实数据集中均识别出更多局部差异，这些发现旨在评估方法性能而非得出生物学结论。未来的临床应用需要更大规模的数据集和更先进的统计模型。总体而言，AGFS-Tractometry是对现有工具的补充，可能有助于未来神经影像学研究中更精细尺度的白质分析。
Results结果
06
该方法在合成数据集和两个真实数据集（HCP-YA用于研究性别差异，ABIDE II-NYU用于研究自闭症谱系障碍ASD的白质缺陷）上进行了评估。在合成数据集实验中，AGFS-Tractometry在检测具有已知组差异的局部白质区域方面表现出更高的准确性（ACC），优于AFQ和BUAN，尤其是在不同尺寸和位置的ROI上，其检测结果与真实区域的空间吻合度更高，误差更小。在真实数据分析中，AGFS-Tractometry在HCP-YA数据集中成功识别出左侧弓状束（AF）中与性别相关的白质差异区域，这些区域与语言处理相关，而AFQ和BUAN未检测到显著区域。通过重测可靠性分析和独立队列验证，进一步证实了AGFS-Tractometry在检测性别相关差异方面的稳健性和可重复性，两个分析的显著区域空间重叠度达到84.24%。在ABIDE II-NYU数据集中，AGFS-Tractometry识别出胼胝体1（CC1）、右侧下纵束（ILF_right）和右侧颞枕束（TO_right）的几个显著组差异区域，这些区域与ASD相关改变的现有文献一致，而AFQ和BUAN均未检测到统计显著差异。这些结果表明AGFS-Tractometry在检测细微或空间局部化的白质组水平差异方面具有更高的敏感性。
Figure图
07
图1.束测量中不同的束剖面策略，包括AFQ、BUAN和AGFS-Tractometry。(a) 皮质脊髓束（CST）的示意图，带有颜色编码的簇表示解剖学亚区。(b) 使用传统AFQ和BUAN方法沿整个纤维束的束剖面图，结果显示为颜色编码的束块。© 我们提出的AGFS-Tractometry方法可以实现更精细的细分，区分腿部、躯干、手部和面部的不同运动通路。
图2.方法概览。(a) 步骤1：束剖面模板创建。沿束分块由ORG图谱计算的中心线引导，接着进行邻域构建以生成束块邻域矩阵；(b) 步骤2：受试者特异性剖面提取。执行受试者特异性束分块，并计算每个束块的定量测量值以生成个体束剖面；© 步骤3：组间统计比较。在束块层面进行组水平比较。识别出统计显著的束块，并根据束块邻域矩阵将其分组为社区。置换检验根据大小阈值确定每个社区的显著性，从而最终检测出组差异。
图3.束块邻域构建过程示意图：(a) 簇内和簇间束块邻域关系，(b) 束块邻域矩阵。
图4.社区检测和统计验证的方法。上方面板示意了社区检测过程。构建束块邻域矩阵和束块层面统计检验矩阵，通过点乘组合形成束块图。然后应用团渗透（CP）算法，根据图结构检测束块社区。社区按大小降序排列。下方面板描绘了超阈值社区检测。通过重复置换受试者标签并在置换后的数据集上应用社区检测，生成最大社区大小的零分布。来自真实数据的社区，如果其大小超过零分布导出的阈值（例如，95%百分位数），则被认为是显著的，从而确保对假阳性率的控制。
图5.合成数据集中不同方法的可视化比较。展示了AF、CST和CC2束在不同ROI和半径的27种组合中的三个示例。第一列显示了人工引入差异的真实ROI，随后的列显示了AFQ、BUAN和AFGS-tractometry检测到的区域。对于每个ROI，显示了检测到的显著区域的ACC。
图6.使用HCP-YA数据比较三种方法在检测左侧弓状束（AF）中与性别相关的白质差异。彩色区域表示具有显著组水平白质差异的束块。
图7.真实数据（ABIDE）的应用，评估不同方法识别潜在组水平白质差异（彩色区域）的能力。本文提出的方法在三个束（CC1、右侧下纵束ILF_right、右侧颞枕束TO_right）中识别出局部差异，而AFQ和BUAN未检测到。这些结果旨在说明方法的比较敏感性，而非旨在建立确切的ASD相关发现。
