#paper doi:https://doi.org/10.1016/j.neuroimage.2019.01.074 Reproducibility of functional brain alterations in major depressive disorder: Evidence from a multisite resting-state functional MRI study with 1,434 individuals 静息态功能磁共振成像研究表明，重度抑郁症患者的脑功能存在广泛的改变。 然而，由于大样本、多站点数据集的稀缺，关于 MDD 相关改变的可重复模式的清晰一致的结论仍然有限。 研究者过五个中心的 1434 名参与者（709 名 MDD 患者和 725 名健康对照）的大型 R-fMRI 数据集来解决这个问题。 我们观察到，与对照组相比，重度抑郁症患者的眶额皮层、感觉运动皮层和视觉皮层显著减退，额顶皮层显著过度活跃。 这些改变不受不同统计分析策略、全局信号回归和药物状态的影响，并且通常可以在各个中心重现。 然而，这些组间差异部分受到患者发病状态和发病年龄的影响，并且脑-临床变量关系表现出较差的跨中心再现性

#paper Sample sizes and population differences in brain template construction.November 2019NeuroImage 206:116318.DOI: 10.1016/j.neuroimage.2019.116318.在磁共振成像(MRI)数据处理的各种pipeline中，通常使用空间归一化或对标准脑模板的形变作为关键模块。大脑模板通常是使用有限数量的受试者的MRI数据构建的，个体大脑在形态上表现出显著的差异。因此，样本量和群体差异是影响脑模板构建的两个关键因素。为了解决这些影响，本文用HCP和CHCP的两个数据来量化样本量和人口对大脑模板构建的影响。首先使用来自HCP和CHCP的数据子集评估样本量对体积脑模板构建的影响。应用了变形变异性的体素指数和对数变换的雅可比行列式来评估与模板构建相关的变异性，并将大脑模板变异性建模为样本量的幂函数。在系统水平上，额顶叶控制网络和背侧注意网络表现出较高的变形变异性，而其他主要网络表现出较低的变异性。为了研究人群差异，还构建了高加索人和中国人的标准脑图谱(即US200和CN200)。两个人口统计学上匹配的模板，特别是语言相关区域，在边缘上回和额下回的变形变异性和记录的雅可比行列式上表现出显著的双边差异。使用HCP和CHCP的独立数据，检验了分割和配准的准确性，发现在空间归一化中使用人口不匹配模板显著降低了大脑的分割和配准性能。研究结果为支持在人脑图谱研究中使用人口匹配模板提供了证据。

#paper The Minimal Preprocessing Pipelines for the Human Connectome Project. DOI: 10.1016/j.neuroimage.2013.04.127.人类连接组计划(HCP)面临着将多种磁共振成像(MRI)模式整合到一个跨越大量受试者的通用自动化预处理框架中的挑战性任务。HCP获得的MRI数据在许多方面与传统的3特斯拉扫描仪获得的数据不同，并且通常需要新开发的预处理方法。本文描述了由HCP开发的用于结构、功能和扩散MRI的最小预处理管道，以完成许多低级任务，包括空间伪影/失真去除、表面生成、跨模态配准以及与标准空间对齐。这些管道是专门设计用来利用HCP提供的高质量数据的。最后的标准空间使用了最近引入的CIFTI文件格式和相关的灰坐标空间坐标系统。这允许结合皮质表面和皮质下体积分析，同时减少高空间和时间分辨率数据的存储和处理要求。本文提供了HCP最小预处理管道的最低图像采集要求，并为有兴趣复制HCP采集协议或使用这些管道的研究人员提供了额外的建议。最后讨论了管道的一些潜在的未来改进。

#paper Growth charts of brain morphometry for preschool children https://doi.org/10.1016/j.neuroimage.2022.119178 从1到6岁的大脑发育确定了广泛的功能能力，并带有神经发育障碍的早期迹象。然而，目前缺乏描述大脑形态变化和进行个性化推断的定量模型，阻碍了这一时期早期大脑非典型性的识别。通过285个样本，我们描述了神经功能正常儿童皮层厚度和皮层下体积的年龄依赖性，并构建了学龄前儿童所有大脑区域的定量生长图表。大部分脑区的皮质厚度随年龄的增加而减小，而内嗅区和海马旁区则呈现出倒u型的年龄依赖关系。与皮层厚度相比，皮层下区域的归一化体积变化趋势更为发散，有的区域增大，有的区域减小，有的区域呈倒u型变化趋势。所有大脑区域的生长曲线模型在识别大脑非典型性方面显示出效用。生长曲线的百分位数测量有助于识别发育性言语和语言障碍儿童，其准确率为0.875。该结果填补了关键发育时期脑形态测量学的知识空白，并为个性化的脑发育状态评估提供了一条途径，具有良好的敏感性。

#paper https://doi.org/10.1016/j.neuroimage.2021.118723. NeuroImage 2018. Structural connectivity-based segmentation of the human entorhinal cortex 在啮齿动物中，将内嗅皮层分割为内侧(MEC)与外侧(LEC)具有明确的定义和特征。然而，在人类中，MEC和LEC的对应确切位置却仍然不确定。之前功能性磁共振成像 (fMRI) 研究已将人类内嗅皮层细分为后内侧 (pmEC) 和前外侧 (alEC)部分，但是成像方式和种子区域(seed)对划分结果的影响仍不明确。本研究使用扩散张量成像(DTI) 和概率纤维束成像，根据与已知选择性投射到的其他大脑区域的差异连接来分割人类内嗅皮层的MEC和LEC。我们将 MEC定义为与前下托和压后皮层(RSC) 的联系更紧密的内嗅皮层，LEC定义为与远端 CA1、近端dCA1pSub)以及外侧眶额叶皮层(OFC) 的联系更紧密的内嗅皮层。尽管我们的DTI分割比之前的 fMRI 研究具有更大的内侧-外侧成分，但我们的结果表明人类 MEC 和 LEC 同系物具有朝向后-前和内侧-外侧轴的边界，支持 pmEC 后内侧 (pmEC) 和前外侧 (alEC)的划分方式。

#paper doi: 10.1016/j.neuroimage.2016.09.046. BrainNetCNN: Convolutional neural networks for brain networks; towards predicting neurodevelopment. NeuroImage.2017. 功能连接矩阵（FCS）是介于功能连接（FC）和脑网络（FCN）之间的特殊的度量指标，在基于FCS的表征学习过程中，如果直接使用线性统计学模型会忽略其中的网络连接拓扑属性，如果使用图卷积等深度学习方法也存在很多限制（例如，FCS是一个完全图，每个节点都与其他节点存在连接；直接使用全连接的话模型又会很庞大）。针对这个问题，作者提出了适用于FCS的深度学习网络——BrainNetCNN，该网络的卷积包括三个部分： 1、 E2E卷积。FCS中连接两节点的每个功能连接受到这两个节点的profile的影响，该卷积核用来学习这两个节点的profile的特征。 2、 E2N卷积。该卷积核将单个节点的profile的特征降维至单个节点的特征，类似于传统CNN中的池化过程。 3、 N2G卷积。类似于E2N，将上一步降维后的所有节点的特征进一步降维至“图”的特征，此时原始FCS已降至一维 BrainNetCNN在认知评分预测等任务取得了不错的效果，并且进一步发现了在这一过程中起到重要作用的FCS子模块，例如右额中回与右侧中央前回之间的连接对运动、认知评分预测和年龄预测过程起到了重要作用。

#paper A 4D infant brain volumetric atlas based on the UNC/UMN baby connectome project (BCP) cohort，NeuroImage，2022，https://doi.org/10.1016/j.neuroimage.2022.119097 时空婴儿脑图谱对于分析早期动态大脑发育至关重要。 但由于婴儿大脑 MR 图像的收集和处理存在巨大挑战，紧密覆盖婴儿期大脑动态发育各个年龄段的4D 图谱仍然很少。 现有的图谱存在组织对比度和低时空分辨率的问题，使得后续分析的准确性下降。 为了解决这个问题，本文基于 UNC/UMN Baby Connectome Project (BCP) 数据集构建了婴儿大脑的 4D 结构 MRI 图谱，该数据集具有高空间分辨率、广泛的年龄范围和密集的采样时间 点。 为了提高联合配准的精确度，采用了最先进的配准方法，并利用脑组织概率图以及强度图像改善单个图像的对齐方式。 为了在婴儿和成人脑图像上实现一致的区域标记以促进跨年龄的基于区域的分析，通过遵循年龄递减的映射方式将广泛使用的 Desikan 皮层分割映射到我们的图谱上。 同时，人工勾画出了典型的皮层下结构，方便皮层下相关研究。 与现有的婴儿脑图谱相比，本文图谱具有更高的时空分辨率并保留了更多的结构细节，因此可以提高婴儿期神经发育分析的准确性。

#paper http://dx.doi.org/10.1016/j.neuroimage.2017.07.008 Quicksilver: Fast predictive image registration – A deep learning approach 介绍了一种快速变形图像配准方法——Quicksilver。图像对的配准通过直接基于图像外观的变形模型的patch-wise预测工作。采用深度编码器-解码器网络作为预测模型。虽然预测策略是通用的，但作者主要关注大变形Diffeomorphic Metric Mapping (LDDMM)模型的预测。具体地说，作者预测了LDDMM的动量参数化，这促进了patch-wise预测策略，同时保持了LDDMM的理论性质，如保证微分同胚映射以获得足够强的正则化。作者还提供了预测网络的概率版本，可以在测试期间进行采样，以计算预测变形的不确定性。最后，作者引入了一种新的修正网络，它大大提高了现有预测网络的预测精度。

#paper https://doi.org/10.1016/j.neuroimage.2021.118423. NeuroImage, 2021, Representation learning of resting state fMRI with variational autoencoder. 这篇文章是变分自编码器（VAE）在静息态磁共振成像上进行表征学习的一次尝试。该团队使用了HCP的650个健康被试的静息态磁共振影像，利用FreeSurfer工具将单个被试的BOLD信号volume数据（仅皮层）映射至球面，之后再利用极坐标转换（用横向和纵向偏转角度描述）至二维平面，将该“二维平面激活图”输入VAE训练。主要研究结论： 1、VAE对rfMRI的重建效果显著优于PCA、GIFT等数据重建方法，但会对全脑BOLD信号造成smooth效果。在VAE的latent space上随机重采样重建数据，进一步计算出的seed-based FC或FCS都具有很高的可重复性。 2、训练集不包括fMRI的时间维度的信息，但是研究发现volume的全脑BOLD信号映射至latent space后随着时间序列推移存在某些特定的运动规律（例如主要沿着某些方向运动），这是由某些脑区（感觉运动、初级视觉、听觉等）的独特激活模式造成的。 3、t-SNE分析发现来自同一被试的volume数据聚为一类，说明VAE学习到了每个被试独特的BOLD信号激活模式，这是其他数据重建算法（PCA等）无法做到的。 4、无论是在latent space还是在reconstruction space，VAE都保留了被试间和被试内（不同session之间）的相似性。

#paper https://doi.org/10.1016/j.neuroimage.2021.118799 Longitudinal brain atlases of early developing cynomolgus macaques from birth to 48 months of age 具有密集采样时间点和解剖信息的纵向脑图谱对研究人类和非人类灵长类动物婴儿期大脑的早期发育特征具有重要意义。然而，对于非人类灵长类动物这种对于理解人类大脑有极大帮助的动物模型来说，现有的大脑图谱主要是基于成人或青少年的，明显能够覆盖早期脑发育阶段的密集脑图谱。为填补这一空白，作者团队基于39只食蟹猴的175个纵向MRI数据，构建了一套纵向的脑图谱和组织分割概率图，共包含从出生到4岁(即1、2、3、4、5、6、9、12、18、24、36和48月龄)的12个时间点。

#paper doi.org/10.1016/j.neuroimage.2012.12.054 Track-weighted functional connectivity (TW-FC): A tool for characterizing the structural–functional connections in the brain. NeuroImage. 2013. MRI 为无创研究大脑中的功能和结构连接提供了强大的工具。功能连接 (FC) 技术利用缓慢自发信号波动的内在时间相关性来表征大脑功能网络。此外，弥散 MRI 纤维追踪可用于研究白质结构连接。近年来，人们对结合这两种技术以提供大脑的整体结构-功能描述产生了相当大的兴趣。在这项工作中，我们应用了最近提出的超分辨率轨迹加权成像 (TWI) 方法来演示如何将全脑纤维跟踪数据与 FC 数据相结合以生成轨迹加权 (TW) FC 图FC 网络。该方法应用于来自 8 名健康志愿者的数据，并用 ( i ) 使用基于种子连接的分析获得的 FC 网络（在楔前叶/后扣带回皮层，PCC 中播种，已知是默认模式网络的一部分）进行说明，和（二) 使用独立成分分析生成的 FC 网络（特别是默认模式、注意力、视觉和感觉运动网络）。TW-FC 图在连接 FC 网络节点的白质结构中显示出高强度。例如，扣带束在基于 PCC 种子的分析中显示出最强的 TW-FC 值，因为它们在内侧额叶皮层和楔前叶/后扣带皮层之间的连接中起主要作用；类似地，上纵束在注意力网络、视觉网络中的视辐射以及感觉-运动网络中的皮质脊髓束和胼胝体中都有很好的表现。TW-FC 地图突出显示与给定 FC 网络相关的白质连接，并且它们在给定体素中的强度反映了由穿过该体素的结构连接连接的网络节点部分的功能连接性。因此，它们包含与用于生成它们的图像不同的（和新颖的）图像对比度。本研究中显示的结果说明了 TW-FC 方法在将结构和功能数据融合为单一的定量图像。因此，这种技术可以在神经科学和神经学中具有重要的应用，例如基于体素的比较研究。

#paper doi.org/10.1016/j.neuroimage.2022.119550 NeuroImage, 2022, Superficial white matter bundle atlas based on hierarchical fiber clustering over probabilistic tractography data. 与已知的长联络纤维束相比，短联络纤维束具有更高的被试间变异性和更小的尺寸，因此对对短联络纤维束的研究仍是一个未完成的任务。然而，它们的描述对于理解人类大脑功能障碍和更好地描述人类大脑连接体是必不可少的。在这项工作中，作者提出了一个短联络纤维的多被试脑图谱，它是使用基于纤维束聚类的浅表层白质识别方法计算的。为了创建脑图谱，作者使用了来自HCP数据库的100名受试者的概率纤维追踪束图，并用非线性配准的方式将它们对齐。该方法从被试内的短联络纤维（30~50 mm）聚类开始。在皮层脑图谱的基础上，对来自所有受试者的簇内质心进行分割，以识别连接图谱中每个感兴趣区域的质心。为了减少计算量，将每个ROI组的质心随机分成10个子组。然后，对每个中心子组应用被试间层次聚类，然后再进行第二级聚类，为每个ROI组选择被试间最可重复的聚类。最后，根据它们连接的区域对类别进行标记，并进行聚类以创建最终的纤维束图。最终的图谱由525束沿整个大脑的浅表层短联络纤维组成，其中384束连接不同的ROI，141束连接相同ROI的部分。在三个不同的束图数据库上使用自动分割方法验证了束的可重复性。确定性和概率性追踪结果具有较高的可重现性，尤其是HCP数据中的概率性追踪。与之前的研究相比，我们的图谱具有更多的束和更大的皮层表面覆盖。

#paper https://doi.org/10.1016/j.neuroimage.2022.119297. A deep learning-based multisite neuroimage harmonization framework established with a traveling-subject dataset. 分享一篇师弟与我合作发表的工作。多中心效应在不同的研究领域都是一件非常难解决的问题，比如在脑磁共振成像研究中观察到的显著效应及其得出的结构功能特征在不同中心的数据上会得出不一致的结果。这篇文章提出了一个深度学习框架，利用特征解耦的建模方式分离与脑结构无关的站点特征和仅与脑结构有关的生物特征。这个方法可以显著消除灰质图的中心差异，并且编码器部分有效的编码了与站点效应有关的抽象特征以及与大脑结构有关的特征。

#paper https://doi.org/10.1016/j.neuroimage.2021.118799. Longitudinal brain atlases of early developing cynomolgus macaques from birth to 48 months of age. 2022年发表于neuroimage。这篇研究和《A 4D infant brain volumetric atlas based on the UNC/UMN baby connectome project (BCP) cohort》这篇研究差不多，用的方法基本上是一样的。只不过研究对象换成了48月龄以前的食蟹猴。这里面强调了一个问题，就是在做纵向配准的时候，不能直接将年龄跨度差异较大的两个大脑直接进行配准，应当一步一步地在相邻年龄上的图像进行配准，这样能够最大程度的保证解剖结构在整个发育轨迹上的一致性。

#paper https://doi.org/10.1016/j.neuroimage.2022.119097 A 4D infant brain volumetric atlas based on the UNC/UMN baby connectome project (BCP) cohort. 2022年发表于neuroimage。由于人类大脑在出生后的头两年处于快速发育的过程，随着年龄的增长，其MRI影像的图像appearance和contrast呈现动态的变化。因此，为婴幼儿早期发育研究构建高精度的时空脑图谱是一件非常重要的事情。这篇研究从240名26月龄以前的婴幼儿被试中采集了542例T1和T2的纵向影像数据用于图谱的构建。出乎我意料的是，他们没有采用他们实验室之前开发的一系列针对于婴幼儿脑影像数据特点的配准技术，而是通过结合强度图像和分割图像并利用基于成人大脑开发的配准算法构建的图谱。他们对0-24个月的婴幼儿分年龄段的构建了17个时间点的图谱，其中前12个月每一个月构建一个图谱，后12个月每3个月构建一个图谱。当然这篇文章存在一些技术问题，我的博士课题也正在考虑做相似的工作，可能会根据里面出现的问题做一些改进。

#paper: doi.org/10.1016/j.neuroimage.2012.10.022 扩散加权 (DW) MRI 有助于对组织微观结构进行无创量化，并结合适当的信号处理，对纤维方向进行三维估计。近年来，人们的注意力已经从扩散张量模型转移到更复杂的高角分辨率扩散成像 (HARDI) 分析技术，该模型假设单峰高斯扩散位移分布来恢复纤维取向（具有各种有据可查的限制）。 球面反卷积 (SD) 方法假设体素内的纤维取向密度函数 (fODF) 可以通过从观察到的 DW 信号集中对“普通”单纤维响应函数进行反卷积来获得。在实践中，这种常见的响应函数是先验未知的，因此必须使用估计的纤维响应。在这里，这种单纤维响应函数的建立被称为“校准”。这项工作检查了两种不同的 SD 方法对不适当的响应函数校准的脆弱性：(1) 约束球谐反卷积 (CSHD) - 一种利用球谐基组的技术和 (2) 阻尼 Richardson-Lucy (dRL) 反卷积 - 一种技术基于标准的 Richardson-Lucy 反卷积。 通过模拟，研究了在单光纤和交叉光纤配置中校准的扩散剖面与观察到的（“目标”）DW 信号之间的差异的影响。结果表明，随着校准和目标响应之间的差异增加，CSHD 会产生虚假 fODF 峰（与众所周知的振铃伪影一致），而 dRL 对误校准表现出较低的整体敏感性（对于高度各向异性光纤的校准响应函数为最佳）。然而，与 CSHD 相比，dRL 显示出解决低各向异性交叉纤维的能力降低。得出的结论是，必须仔细考虑图像中预期单纤维各向异性的范围和空间分布，以确保选择适当的算法、参数和校准。未能仔细选择校准响应函数可能会严重影响任何最终纤维束成像的质量。