AGFS-Tractometry: A Novel Atlas-Guided Fine-Scale Tractometry Approach for Enhanced Along-Tract Group Statistical Comparison Using Diffusion MRI Tractography

AGFS-Tractometry 技术摘要

问题陈述
扩散磁共振成像（dMRI）纤维追踪技术是目前体内绘制大脑白质（WM）连接的主要方法。虽然纤维追踪术（tractometry）允许对沿纤维束的微结构属性进行分析，但现有的最先进方法，如自动纤维束定量分析（AFQ）和束分析（BUAN），面临两个主要局限性：

1. 粗粒度划分（Coarse Parcellation）： 当前的方法通常仅根据沿流线长度的位置（例如，等距点或投影到中心线）进行纤维束划分。这忽略了纤维束内的解剖学细分（例如，皮质脊髓束的躯体解剖组织），可能将不同的功能通路混合到单个分区（parcel）中，从而降低了对局部差异的敏感性。
2. 统计敏感性： 精细尺度分析中大量分区的存在，使得必须进行严格的多重比较校正（如 FDR、Bonferroni）。传统的基于体素或基于分区（parcel-wise）的假设检验在经过此类校正后，往往缺乏检测细微且具有空间局部性的组间差异的敏感性。

方法论：AGFS-Tractometry
作者提出了 AGFS-Tractometry（图谱引导的精细尺度纤维追踪术），该框架旨在通过两项创新来增强沿轴向的统计比较：

1. 图谱引导的精细尺度纤维特征提取：

   • 模板创建： 该方法利用 ORG-atlas，这是一个群体级图谱，其中主要的纤维束根据形状和位置的相似性被细分为多个纤维簇（fiber clusters）。
   • 双维度划分： 与仅沿纤维束长度进行划分的 AFQ/BUAN 不同，AGFS-Tractometry 在每个纤维簇的长度方向和直径方向上同时进行细分。这是通过为每个簇生成一条中心线，并将流线点分配给最近的中心线点来实现的，从而生成的模板具有显著更多的分区（例如，每个簇 100 个分区 $\times$ 15 个簇 = 1500 个分区，而 AFQ 仅为 100 个）。
   • 受试者映射： 受试者的纤维追踪结果被注册到图谱空间。受试者纤维被分配到图谱簇中，并应用模板的划分方案以提取受试者特异性的特征曲线，确保跨受试者的一致性。
   • 指标提取： 利用基于马氏距离（Mahalanobis distance）的距离加权策略计算定量指标（如各向异性分数/FA），该策略基于与分区中心线的距离，并利用无迹卡尔曼滤波（UKF）进行特定点的微结构估计。

2. 基于簇阈值的置换检验（Cluster-Thresholding Permutation Testing）：

   • 邻域构建： 构建一个空间邻域矩阵，如果分区在簇内相邻，或者在空间上接近其他簇（基于欧几里得距离和分区半径），则视为邻居。
   • 社区检测： 在完成初步的分区级未校正统计检验（如 t 检验）后，使用团块渗流算法（Clique Percolation, CP）将超阈值分区归类为“社区”。该算法通过识别具有空间连续性的显著分区密集连接子图来发挥作用。
   • 显著性校正： 应用非参数置换检验。通过对受试者标签进行随机洗牌来生成最大社区规模的零分布。只有当实际数据中的社区规模超过该零分布的阈值（例如 95 百分位数）时，该社区才被视为显著。这种方法在控制族错误率（FWER）的同时，增强了对空间连续效应的敏感性。

核心贡献

• 新型纤维特征提取模板： 创建了一个精细尺度的、由图谱引导的模板，能够实现沿纤维束长度和直径的一致性划分，捕捉到现有方法经常遗漏的解剖学细分。
• 增强的统计框架： 引入了一种基于分区社区的非参数置换检验方法。这使得可以在进行多重比较校正的同时，对所有分区进行同步分析，从而提高检测局部组间差异的能力。
• 开源实现： 提供纤维特征提取模板和代码，以促进研究的可重复性和进一步研究。

实验结果
该方法在已知真实值的合成数据集以及真实世界数据集（用于性别差异分析的 HCP-YA 和用于自闭症谱系障碍分析的 ABIDE-II）上进行了评估。

• 合成数据： AGFS-Tractometry 在检测不同种类的纤维束（弓状束、皮质脊髓束、胼胝体）及不同 ROI 大小时，在检测真实差异区域方面的准确度（ACC）优于 AFQ 和 BUAN。它成功识别了空间受限的区域，而 AFQ 倾向于高估区域，BUAN 则在相邻区域出现了假阳性。
• 真实数据 (HCP-YA)： 在性别差异分析中，AGFS-Tractometry 在布罗卡区（Broca's area）和韦尼克区（Wernicke's area）附近的左侧弓状束（AF）中识别出了局部显著差异。这些发现通过重测信度（高 ICC）和独立队列复制（84.24% 的空间重叠）得到了验证。AFQ 未检测到显著区域，而 BUAN 发现了部分重叠但特异性较低的区域。
• 真实数据 (ABIDE-II)： 在自闭症谱系障碍（ASD）分析中，AGFS-Tractometry 在胼胝体 1（CC1）、右侧下纵束（ILF）和右侧颞枕束（TO）中识别出了显著的组间差异。AFQ 和 BUAN 在这些数据集中均未检测到任何具有统计学意义的差异。

意义与声明
本文声称，与当前最先进的方法相比，AGFS-Tractometry 在检测细微或空间局部的白质组间差异方面提供了更高的敏感性和特异性。通过利用解剖学引导进行更精细的划分，并利用空间聚类进行统计校正，该方法可以识别出传统方法无法发现的改变区域。

作者明确指出，真实数据的分析结果主要作为方法学验证而非最终的神经生物学结论。他们强调，尽管该方法检测到的局部差异与现有文献一致（例如，性别差异中的语言区和 ASD 中的间半球纤维束），但这些发现仍需要通过更大的队列和临床研究进行进一步验证。论文也承认了解剖学上的局限性，指出 dMRI 分辨率无法完全分离交织的纤维（例如锥体束内的 CST），且靠近灰白质界面的部分体积效应仍然是一个挑战，但所提出的框架通过高分辨率数据和鲁棒算法缓解了这些问题。