第三章　脑图谱的构建

第一节　脑图谱构建的一般流程

脑图谱的建立一般包括两步：图像配准和脑图谱构建。

1. 图像配准

构建脑图谱时需要将脑MRI图像配准到一个标准脑图像，使所有图像标准化到同一个空间。标准脑初始图像的选取有三种方法：

（1）选取（随机或挑选）某个被试的脑图像作为标准脑初始图像；

（2）从已有标准脑图谱数据库中选取初始图像；

（3）线性配准后与标准人脑图谱匹配最佳的脑图像作为标准脑初始图像（Mandal等，2012）。

之后将所有用于构建脑图谱的脑图像与选取的标准脑初始图像进行配准。MNI-152和MNI-305脑图谱的构建就是用线性变换进行配准（Mazziotta等，2001；Maintz等，1998）；ICBM-452脑图谱创建的Air-12版本是将452幅人脑图像通过仿射变换而成（Lalys等，2010）。由于线性配准只是将图像大致对齐，通过线性变换创建的脑图谱一般脑结构的细节都比较模糊，为了得到包含更多细节、结构更为清晰的脑图谱，许多研究者提出非线性配准方法。由于非线性配准方法更为精确，因而生成的脑图谱能提供更多皮层上的细节信息，如ICBM-452的warp-5版本（Lalys等，2010）。

因此，一些更为先进的非线性配准方法用于脑图谱的创建。一类是微分同胚方法。例如，为解决图谱选取初始图像时引入偏差这一问题，Xie等人提出基于微分同胚的方法建立无偏图谱，用两岁儿童的MRI数据构建了无偏图谱和概率图谱（Xie等，2013）。Joshi也用微分同胚映射方法构建了皮质脑沟图谱（Joshi等，2010）。Schuh用微分同胚配准构建4D脑图谱和生长模型，用相反一致性变换的Log-Euclidean方法，更好地代表平均形态（Schuh等，2014）。

还有一类是图像集配准方法。图像集配准可以构建无偏模板，常用的图像集配准方法是迭代计算组的均值图像，再进行配准。但是均值图像一般较为模糊，细节缺失，在一些应用图像集配准过程中保持组平均图像的清晰度有重要意义，为此，Wu等人提出了一种SharpMean方法，在配准时采用自适应权重策略；同时，应用基于树的配准，提高每个对象的配准精确度，在每一次配准时都用最小生成树来保证配准结果的鲁棒性（Wu等，2011）。为了解决图像之间有大形变这一问题，伦巴埃（Lombaert）提出一种新的图像谱集Log-Demons框架，通过扩展对称Log-Demons算法，模板的构建可以与图像集配准同时进行（Lombaert等，2012）。

2. 脑图谱构建

基于与标准脑图像配准后的脑图像，脑图谱构建的一种简单、直接的方法就是对所有配准后的脑图像进行平均，可以直接取平均或加权取平均。

MNI-152、MNI-305和ICBM-452都是将配准后的图像取平均获得脑图谱。这种做法将所有图像都用来构建图谱可增加图谱的细节信息，但也会引入噪声，使图谱中有关结构模糊不清。

Shi等人提出基于字典学习的方法（Shi等，2012）构建脑图谱。用少量图像块，而不是所有图像，来稀疏表示图谱中的每一块，可以展示更多细节。采用基于块的稀疏表示方法，利用局部稀疏表示，可以在图谱上展现许多解剖细节。同时，由于对组结构的约束和重叠块的使用，可以确保相邻块之间的解剖连续性（Shi等，2012）。他们通过该方法用73名婴儿的MRI图像构建无偏的新生儿脑图谱，结果表明该方法可以增强脑图谱的质量，因为它可以发现更多的解剖细节。

而无偏微分同胚算法构建的模板也会比较模糊，因为图像集配准算法不能保证全局最优解。考虑到图像清晰度以及旋转不变性，Xie等人引入了商空间的流形学习，用不变矩阵扩展流形学习方法，用流形结构将图像分成更均匀的子集，每个子集都能用一个模板图像表示（Xie等，2013）。他们提出一个两步算法：用无监督或半监督方法将输入图像分成亚组；在每个亚组用公式表示一个凸优化问题来定位模板。结果表明，通过该方法建立的模板不仅发现了不同年龄组的脑结构变化，也保留了重要的结构细节（Xie等，2013）。

总的来说，目前脑图谱构建是脑与认知科学研究的一个前沿活跃子领域，尚没有最优的方案，许多研究从不同的角度进行方法上的改进。