随着脑连接成像技术（也就是扩散磁共振成像）的快速发展，我们有机会以前所未有的分辨率绘制人脑在体通路。本文回顾了扩散磁共振成像(MRI)重建连接体研究中解剖路径的当前进展。本文首先介绍了扩散磁共振成像的背景，重点介绍了人体磁共振成像中最先进的多壳（也就是多B值的采集方案）采集方案的技术进步和挑战。人类连接体项目正是采用了这种采集方案。本文的讨论从张量模型到可以分辨图像的每个体素中的交叉纤维的纤维方向分布(FOD)模型，讨论了人脑中微结构环境的表征。使用基于FOD函数的方法，我们描述了用于纤维束重建和基于图论的连通性分析的新方法。在这些新进展的基础上，已经成功应用了连接体成像技术来重建一些具有挑战性的大脑神经通路。具体来说，本文回顾可包括视网膜脱离和脑干通路在内的示例。最后，讨论了未来连接体成像的方向及其与脑成像研究其他方面的相互作用。本文发表在Molecular Psychiatry杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群）。 绘制大脑回路的连通性图对于我们理解人脑的功能至关重要。各种神经和精神疾病均与皮质-纹状体-丘脑-皮质网络、奖赏回路和边缘系统等回路中的脑连接中断有关。示踪剂注射研究历来用于完成这种回路的映射，并且仍然是推断哺乳动物脑中轴突连接的最可靠方法，但其可用性仅限于动物研究。对于人脑连通性的体内标测，磁共振成像(MRI)因其无创性和在检查大脑结构和功能方面的多功能性而成为当前在该方面最强大的工具。使用MRI研究脑连接性主要有两种方式：扩散性和功能性MRI (fMRI)。扩散MRI (dMRI)可收集对水分子沿不同方向扩散敏感的信号。dMRI数据可用于计算轴突定向的概率分布，然后使用纤维追踪重建的方法将轴突定向连接起来，以建立跨大脑区域的结构连通性。fMRI可测量血氧水平依赖性(BOLD)信号的波动，并将连通性建立为不同大脑位置fMRI信号的同步。自二十年前两种技术发明以来，在技术和科学上都取得了巨大进步，最终NIH于2009为人类连接体提供了资金。（humanconnectomeproject.org/)。尤其是在过去几年中多层同时扫描技术的巨大进步和成熟，以及它们在连接体成像协议中的采用，这帮助成像数据几乎增加了两个数量级，时间和空间分辨率都有了很大提高。这些丰富的连接体成像资源为以前所未有的精度绘制人脑路径图提供了巨大的机遇。另一方面，connectomics中海量数据的涌入也对现有的图像分析算法提出了挑战。这刺激了在连接体成像的各个方面研究大脑连通性的新分析解决方案的开发。在本文中，我们重点综述了dMRI方法用于连接体成像的最新进展。我们首先介绍了扩散成像的基本概念和脑微结构建模的相关技术。我们还讨论了纤维追踪技术及其如何将其用于重建白质纤维和研究网络连通性。最后，展望了连接体成像的未来研究方向及其在神经科学研究中的应用。在dMRI实验中，我们收集的数据是一系列3D图像数据。在这些图像数据中，一些称为B0图像的volume是在不应用扩散梯度的情况下生成的。其余图像采用变化的扩散梯度采集，这对于表征不同空间排列中的轴突非常有用。如表1所示，dMRI实验中的关键参数包括：扩散时间、梯度强度和梯度方向。原则上，扩散信号来自dMRI实验中氢原子自旋位移引起的自旋退相。在dMRI实验中，扩散时间从概率上决定了水分子或自旋将行进多远。随着扩散时间的增加，自旋很可能会远离它们的原始位置，从而产生可检测的磁共振信号。除扩散时间外，梯度强度也影响扩散信号。梯度强度越强，dMRI图像中的衰减越多。扩散时间和梯度强度的影响共同表征在B值中。在传统的dMRI实验中，b值是固定的，只需改变梯度方向即可获得一系列的三维图像。这就是所谓的单壳Q-ball采集，与连接体成像协议中使用的多壳采集方案(图1d-f)相反.在多壳（其实就是多b值采集，由于不同的b值大小可以形成不同的球形半径，因此可以想象为地壳这样的结构，一个球形空间，但不同层，因此翻译为壳是比较合理的）采集中，除了改变梯度方向之外，还使用了少量不同的B值。这为水在人脑中更复杂的结构中（如纤维交叉区域）扩散的建模提供了机会。更一般地说，每个梯度方向可以有不同的b值。通过对q空间进行充分采样，扩散波谱成像理论上可以恢复每个体素处的扩散剖面，但在高b值时面临扫描时间长、信噪比低的挑战。表1 扩散磁共振成像的关键参数（具体原理可看本公众号以往推文）
图1 来自人类连接体项目的多壳（即多B值）扩散成像。L/R相位编码(a)和R/L相位编码(b)的B0图像显示，由于磁场中的磁化率，图像在相反的相位编码方向上会出现失真。(c)在去除磁化率诱发的失真，并合并来自L/R and R/L相位编码的数据之后，校正了B0图像。多壳扩散成像从多个B-值获取数据。对于沿x轴的梯度方向，b= 1000、2000、3000s mm2的图像分别显示在(d–f)中。请注意，随着b值的增加，图像强度衰减更大但扩散成像中存在许多伪迹。主要伪迹包括头部运动、涡流和磁化率诱发的失真。头部运动和涡流导致以不同梯度方向采集的图像体积上的大脑区域未对准。这两种类型的伪影本质上是全局的，因此它们通常在相同的框架内用图像配准方法进行校正。然而，这类校正方法的挑战在于图像信号随梯度方向的变化而发生巨大变化。早期的工作依赖于通过将头部运动和涡流建模为仿射变换来对B0图像进行配准。但随着对梯度方向进行密集采样的数据的增多，需要开发能够对相邻梯度方向的信号进行预测的更复杂的模型。在这一框架下，可以应用多项式变换来实现涡流校正的性能改进。磁化率诱发的失真是由磁场的不均匀性引起的。它受到被试的脑结构的影响，因此每次大脑扫描都可能有不同程度的失真。在有组织-空气边界的区域，如眶额皮层或脑干，畸变最为严重，因此畸变场本质上是局部的。磁化率诱发的失真不仅会使脑图像失真，还会导致信号丢失。这是由来自多个体素的信号堆积成单个体素造成的。为了校正磁化率诱发的失真，早期的工作依赖于场图的测量，并使用它来校正几何失真5但是这种方法很耗时，并且不能逆转由于信号堆积而造成的信号损失。最近，开发了基于收集具有相反相位编码的两份dMRI数据的方法(图1a-c)来进行畸变校正。该方法基于以往对相反相位编码的失真是相互镜像的这一观察。在技术上，随着连接体成像协议中采集速度的显著提高，这也是可行的。与基于场图的校正相比，使用来自相反相位编码的数据获得了更好的校正。除了上述伪迹之外，其他更微妙的伪迹，如心脏脉动的整体运动，正在受到更多的关注。心脏脉动的整体运动可导致脑干等区域扩散信号的丢失。已经提出了心脏门控，但它会降低采集速度。对于连接体成像数据，最近已经提出了自动算法来识别具有这种伪影的体素，并且利用来自未被破坏的体素的预测值来改变它们的数量。除了扩散时间、梯度强度等MRI参数外，脑的局部微结构也影响扩散成像信号。对于有髓轴突内的自旋，其扩散在横向上受到限制。对于轴突外的自旋，其扩散受到周围细胞环境(包括轴突壁)的阻碍。用dMRI数据的目标是定量表征脑组织的显微结构并检测病理引起的变化。因此，在使用dMRI数据对白质进行重建时，就势必要考虑不同的模型。为了利用dMRI数据模拟自旋分布，最首先提出的是高斯分布。高斯模型中的张量矩阵是对称的，包含六个参数。该模型仅需要6张弥散加权图像就可以求解，因此可以在1.5T MRI扫描仪上相当有效地进行数据采集，这在dMRI的早期阶段是非常可取的。对于张量的稳健估计，通常要采集从12到30个梯度方向的数据。目前已经开发了各种算法来从dMRI数据估计张量，其范围从直接最小二乘拟合到确保张量矩阵非负的更复杂的方法。自从张量模型出现以来，它已经被广泛用于各种脑成像研究。目前，术语扩散张量成像(DTI)几乎与扩散成像同义，尽管该领域已经大大超越了张量模型。张量模型的本征结构提供了连通性研究中一些最流行的特征。由于张量是一个3 × 3矩阵，它有三个特征值和相关的特征向量。最大特征值称为轴向扩散率，其他两个特征值的平均值可以定义径向扩散率。这些定义反映了我们希望将自旋沿轴突的扩散建模为细长椭球体。利用这三个特征值，定义了分数各向异性(FA)来表征底层扩散的各向异性。FA可以取0到1之间的值.当张量为纯各向同性时，即三个特征值相等时，FA为0。张量越拉长，FA越大，即水的扩散越各向异性，尤其是当张量为径向扩散率为零的棒模型时，它的值达1。对白质结构的扩散率的测量是检测微观结构变化的高度灵敏的测量。它们已被用于研究各种神经系统疾病和精神障碍。但在解释这些指标时必须格外小心，因为多种病理事件都可导致扩散率发生非常相似的变化。这种特异性的缺乏是扩散成像众所周知的局限性之一。虽然已在动物模型中尝试将脱髓鞘、轴突横断和水肿的作用分开，但仍需进行多项重大研究才能将此类研究转化为可用的人类研究。对于水扩散各向异性的建模，张量模型最适合于只有一个纤维方向的脑结构。当存在更复杂的结构(包括纤维并行和交叉)时，我们需要更先进的数据采集方案和数学模型。从数据采集的角度来看，高角度分辨率扩散成像从相同b值的大量(60–100)梯度方向收集数据是有帮助的。这推动了更复杂建模算法的发展，以更好地表征复杂纤维结构的水扩散。类似于统计学中的高斯混合模型，混合的张量模型是张量的自然扩展，以表征高角度分辨率扩散成像信号。然而，这种方法有几个挑战。首先是需要选择分量的数量。如果选择的分量很少，我们可能会错过重要的纤维方向，无法正确表征dMRI信号。另一方面，如果使用太多的分量，可能会出现数值问题，因为额外的分量可能会被迫与dMRI信号中的噪声相匹配。由于不同大脑区域的纤维架构的复杂性不同，因此固定分量的数量是不切实际的。混合张量模型的第二个挑战是优化问题的非线性。与张量模型相反，混合张量模型的优化是高度非线性的，这意味着我们可能经常遇到局部最优。考虑到额外的张量分量可能适合噪声，这尤其具有挑战性。为了减轻这一困难，当前的方法采用了蒙特卡罗抽样和信息论模型选择的方法。纤维方向分布函数(FOD)是在单位球体上定义的非负函数，其值表示沿每个方向的纤维束的概率(图2a)。它与在q-ball成像中通过一系列近似步骤计算的方向分布函数相关但不同。与混合张量模型相比，FOD在表示任意纤维的结构时更具有灵活性，无需事先指定纤维交叉的数量。FOD的数值解也更易处理，因为它通常由二次或凸函数的反卷积步骤组成，由于这些原因，FOD变得越来越流行，并作为纤维连通性的标准表示形式出现。
使用本文作者最近开发的方法从人连接体项目(HCP)数据重建的纤维方向分布(FOD)图示。(a) FOD是单位球体上的函数，可通过根据FOD函数的大小调整形状半径，将其可视化为3D形状(下图)。对于(b)中显示为红色方框的感兴趣区域(ROI)，fod在(c)中可视化。(d)使用基于FOD的追踪成像，可以重建更完整的胼胝体。成功捕获了胼胝体的外侧投射。如(e)所示，可以使用300万个纤维绘制全脑连接。利用来自HCP的多壳（多B值）和高角度分辨率数据，我们可以用高阶球面反卷积方法来估计FOD。这将产生非常清晰的FOD，并提高每个体素处交叉纤维的分辨率，这无疑将有助于大脑连通性建模的纤维追踪算法(图2)。除了FOD估计之外，多壳HCP数据还使得能够将先验的结构信息结合到FOD的估计中。这些根据结构图像计算出的参数提供了关于白质微结构完整性的新度量。在丘脑和灰质/白质边界等组织成分复杂的区域，提高了FOD估计的稳健性。如果您对脑影像等数据处理等感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第十八届DTI数据处理班（上海，7.2-7)
第一届脑网络数据处理提高班（上海，5.22-26）
第四十二届磁共振脑影像基础班（上海，6.5-10）
第十六届脑影像机器学习班（上海，7.23-28)
第二十一届脑网络数据处理班(上海，8.20-25)
第十三届脑影像结构班（重庆，6.8-13)
第九届任务态数据处理班（北京，5.27-6.1）
第十四届磁共振脑影像结构班（北京，7.10-15)
第四十四届磁共振脑影像基础班（北京，7.29-8.3）
第四十三届磁共振脑影像基础班（南京，7.1-6)
第九届磁共振ASL数据处理班（南京，8.5-8）
数据处理业务介绍：
尽管在复杂的纤维束成像算法方面有许多令人兴奋的进展，但流线法仍然是使用张量或FOD进行纤维束成像最广泛应用的方法。直观地说，我们可以想象这种纤维束成像算法正在模拟水分子沿轴突的运动。这个跟踪过程的起始位置被称为种子点。在跟踪过程的每一点，我们利用当前位置的FOD或张量来生成下一个方向，以扩展纤维束。水分子然后沿着这个方向移动一段特定的距离，这就是所谓的步长。重复该过程，直到满足停止标准。如果符合特定问题的某些解剖学要求，则可接受追踪出来的纤维束。第一个因素是我们规定的纤维束是否符合的解剖实际。这代表了我们对所研究的特定环路的解剖学知识。它们一般被表示为纤维束需要穿过或避开的感兴趣区域(ROI，图3a)。第二个因素是纤维束的整体形状必须在生物学上合理。总体而言，纤维束的变化是平稳的。这是由几个参数的组合控制的，包括步长和每一步的最大转角。第三个因素是我们如何在每一步产生运动方向。这就是确定性和概率性追踪相互偏离的地方。对于确定性纤维追踪，选择张量或FOD的峰值方向。由于fod有多个峰值，因此将选择其中一个，通常是与入射方向成最小角度的方向。对于概率纤维追踪，我们将FOD或张量视为纤维方向概率分布的数学表示。为了获得移动水分子的下一个方向，运行随机程序从该分布中提取样本方向。对于每个方向，它被选择的机会与其在概率分布中的大小成比例。如果该方向满足形状约束，则接受该方向。
图3 利用连接体成像数据，我们可以使用基于纤维方向分布(FOD)的纤维追踪方法和感兴趣解剖区域(ROI)更准确地重建人脑通路。
(a)利用延髓和丘脑的ROI重建脊髓丘脑通路。
(b)对于穹窿束的重建，我们使用了多个ROI，包括海马、一个穹窿ROI、乳头体和基底前脑。这里绘制了两个ROI:红色:穹窿；绿色:乳头体。
(c)重建的穹窿束与海马表面重叠。注意，乳头体的两个分支(后分支)和基底前脑(前分支)已成功重建。
(d)使用基于皮层的ROI重建未端钩束。绿色:眶额皮质；红色:颞前皮质。
(e)两个半球重建的未端钩束与皮质表面重叠。
(f)连接两个半球中央前回(运动皮层)的胼胝体束已用包括中央前回和中矢状胼胝体ROI在内的ROI重建。在该图中，两个感兴趣区域都被渲染为三维表面。
纤维追踪的一个主要应用是重建主要白质束的数字表示(图3)。这是通过精心设计的解剖规则来实现的，包括一组纤维束应通过的“与”ROI和一组纤维束不应接触的“非”ROI可以有效地追踪研究对象。由于“与”ROI的数量通常很少，我们需要“非”ROI来增加对纤维束轨迹的控制。在早期研究中，在解剖MRI图像上手动绘制ROI。但这种方法很耗时，只能在样本量较小的研究中进行。对于像HCP这样的大规模研究，我们需要开发能够利用脑图像分析算法最新发展的自动化算法。使用FreeSurfer和FSL 等软件工具，我们可以提取一组通用的皮质和皮质下ROI，但这通常是不够的。对于特定束所需的额外感兴趣区域，HCP开发的不同ROI标签的融合框架提供了自动体积感兴趣区域分割的一般策略，我们还将其扩展到皮层感兴趣区域。这需要在一组代表性受试者上手动绘制必要的感兴趣区域。然后，用非线性配准软件工具将这些掩膜配准到新对象的图像空间。最后，通过基于加权投票过程，将这些配准的ROI融合，形成新对象的ROI。一般工作流程可应用于灰质和白质区域。对于手动分割的可用磁共振成像缺乏可见对比度的挑战性情况，必须制定新的策略。需要注意的是，即使在多个ROI的约束下，重构的纤维束也常常包含异常束。可能的原因包括解剖结构的复杂性、概率纤维追踪的自由度过大或估计FOD中的噪声。对于小规模研究，可以应用手动编辑来移除束中的异常值。对于大规模研究，已经开发了各种自动过滤策略。直觉上，我们有两种方法来识别异常区域。第一种方法是基于这样的观察，即异常束往往远离“主要”束。从数学上讲，这可以用纤维束微分几何之间的距离度量来表示。利用纤维束之间的成对距离，可以应用波谱聚类技术将纤维束分成纤维束簇，之后，可以将小簇作为异常值去除。这已成功地应用于各种纤维束聚类项目。这种方法的困难在于缺乏调整聚类参数的直觉。对于单个数据，需要一个微调过程来为大规模应用找到最佳参数。识别异常值的第二种可能方法是基于纤维束的密度。这假设异常值在空间上更分散，并且它们的密度比主要纤维束低。为了在数值上实现这一思想，我们可以将纤维束转换成束密度图像，然后在对束密度图像取阈值之后去除异常值。在纤维束的束密度图像表示的基础上，还可以开发拓扑分析策略来去除异常值。对于大规模脑成像研究，纤维束的成功重建可能需要多种纤维束滤波方法的组合，因为它们中的每一种都捕获异常值束的稍微不同的方面。使用纤维束追踪方法的结果，我们还可以建立大脑连接体的网络模型，并应用对图（其实主要就是图论方法）的测量来研究网络的连接性。进行脑成像网络研究有两个主要步骤。第一步是构建连接图，第二步是计算各种网络度量。在数学上，图由一组节点和边组成。如果两个节点之间有一条边，那么这两个节点是相连的。为了定义大脑连接体的节点，已经提出了各种方法将大脑分成许多更小的区域。一个流行的选择是使用软件生产的皮质标签来定义不同区域。 FreeSurfer等工具将带有皮质标签的图集(如LPBA图集)配准到受试者的个体空间。通过进一步划分这些区域，可以获得更精细的划分。这些基于结构核磁共振成像的划分可以通过多模态信息得到进一步改善。HCP最近的结果表明，使用功能连接模式可以获得详细的细胞分裂，但它依赖于人工的校正。总体而言，连接体研究中节点的定义仍是一个有待进一步研究的技术和科学研究的开放问题。但一旦我们有了一组节点，就可以使用纤维束成像来定义边，纤维束成像可以是加权的，也可以是未加权的。如果有纤维束连接两个感兴趣区域，我们可以用束的数目、扩散率平均值和FA等量来定义连通性。通过对边上的权重取阈值，我们还可以得到一个二元图，其中边上的权重是1(连通)或0(不连通)。一旦图构造完成，就可以生成图的矩阵表示，使用矩阵的行和列来索引对应节点和节点对表示的边。节点度和最短路径等基本度量可以很容易地从矩阵表示中计算出来。然后可以从这些基本度量中得出更高级的度量，如特征路径长度和聚类系数。在这些度量的基础上，可以定义小世界，它比较节点的聚类系数和它们到随机网络的距离。最近，针对中枢节点和富人俱乐部的定量测量被提出并成功地应用于精神病学研究的成像研究。基于网络的测量与针对特定同类的纤维束的研究对于提供关于大脑网络连通性的全局表征的互补是很有价值的。
- 借助连接体成像的高分辨率数据，我们有机会扩展人脑通路的重建，提高完整性并捕捉更精细的细节。虽然这些HCP的高质量连接体成像数据仅在最近才可获得，但在利用它们重建常规扩散成像技术难以实现的通路方面已经做出了一定的贡献。在此，我们对这些在视觉通路、脑干通路和语言通路重建方面的早期研究进展进行综述。由于迄今为止HCP连接体成像方案在精神病学研究中的应用有限，因此我们提供这些示例来说明使用尖端MRI方法重建脑通路的实用性。这有望推动在未来的精神病学研究中快速采用连接体成像方案。
(a)顶部:视交叉处的纤维方向分布(FODs底部:从fod重建视神经管的同侧和对侧分支。来自人类连接体项目(HCP)受试者的重构纤维束。(c)使用(a)所示方法重建的左侧视辐射纤维束。红色、蓝色和绿色分别表示投射到周围视野的中央凹、上象限和下象限的纤维。(d)重建的视通路，包括视神经管和两个半球的视辐射。(e)使用视觉通路的皮质投影，可为每个纤维束指定详细的视网膜功能投射的坐标(偏心距、角度)。这里，偏心率图绘制为皮质上的彩色图。(f)视辐射束的横截面，通过投影到V1上定义的偏心率着色。视觉通路包括视神经、视交叉、视神经束、外侧膝状核和视辐射。虽然提出了各种方法利用dMRI重建这些重要的通路，但视觉通路的独特复杂性阻碍了利用纤维追踪进行稳健和自动化重建方法的发展。难点包括交叉处的交叉纤维、视束的曲折行程、邻近多个相邻纤维束以及结构性磁共振成像中外侧膝状体核的对比度有限。我们开发了一个自动系统，用于重建从视交叉到原发性视觉皮质和胼胝体的视网膜视觉通路。凭借HCP数据，我们团队开发了一个自动化系统来应对这些挑战。通过我们的方法从HCP数据中计算出的超清晰fod极大地增强了我们捕捉多条主要纤维束交叉的能力。我们的系统还自动识别相关的解剖ROI，包括外侧膝状体核和初级视皮层(V1)，并重建视觉通路的解剖学忠实表示。如图4所示，我们方法得到的FOD能够生成高度组织化的纤维束，这些纤维束遵循视觉通路的主体组织。定量测量还显示，我们的结果与尸检研究和Contrack方法(基于手动干预的DTI研究)非常一致。使用215名HCP受试者的重建束，我们还发现了与尸检研究一致的具有统计学意义的视辐射的左右脑不对称结构。脑干调节重要的自主功能，在大脑和周围神经系统之间传递运动和感觉信息，并调节认知、情绪和情绪。来自脑干的核团的纤维通路对广泛的皮质和皮质下区域进行神经支配，并在各种认知和行为功能中发挥重要的调节作用。由于脑干解剖的复杂性和常规dMRI的有限分辨率，可靠地绘制脑干通路图一直是一个挑战。随着连接体成像技术分辨率的提高，人们对脑干相关通路的研究兴趣日益浓厚。使用从488名HCP受试者创建的平均数据集，重建了一套全面的脑干通路。将重建结果的纤维的有效性与脑干不同节段的五个死后大脑的组织学图像进行比较发现了类似的结构。最近还利用90名HCP受试者的数据开发了小脑脚的概率图谱。从每个大脑重建下、中和上小脑脚，并对齐以创建概率图谱。为了在体内重建人脑稳定网络中的通路，使用具有300 mT m1最大梯度强度和64通道线圈的MGHUSC Connectome扫描仪采集了107个高分辨率扩散波谱成像数据。55 min的扩散光谱成像方案包括515个q空间样本，其最大b值为10000s\mm2.利用该数据集，重建了6个脑干核团和7个前脑区域之间的网络。通过统计每对脑干和前脑区域间的纤维连接概率，并形成连通矩阵。对纤维束进行了详细检查，发现了医学前脑束的分支，以及从脑干到颞叶内侧的外侧前脑束。上纵束(SLF)和弓状束是语言网络的重要组成部分。然而，这两种纤维系统的确切连接在之前的DTI研究中仍有争议。虽然一些DTI研究认为AF由腹侧和背侧节段组成，但其他研究将SLF最腹侧节段(SLF III)归类为AF间接节段的一部分。通过比较HCP的追踪成像重建数据与25例尸检脑的解剖结果，Yagmurlu等人检查了SLF和AF的详细通路。三个SLF节段(背侧SLF I、中SLF II和腹侧SLF III节段)和两个AF节段(腹侧和背侧)在解剖和追踪成像重建上都得到了稳健的重建。特别是，明确确定了AF通路和SLF3段的关系。这些结果为利用连接体成像数据改善纤维通路重建的最先进水平提供了证据。总的来说，我们可以看到，通过仔细应用连接体成像技术，可以更真实地描述大脑解剖结构。随着这些方法在其他未被充分探索的大脑区域的广泛应用，预计在未来几年将会取得更令人兴奋的进展。连接体成像技术代表了脑成像能力的一次飞跃，为人脑的在体研究提供了一个全新的范式。在未来的几年，该项目将预计带来大量的新的成果。目前的连接体成像协议在获取弥散和fMRI数据方面已经实现了一个数量级以上的速度提升。然而，完整的《HCP采集协议》的获取时间相对较长，这给其在疾病研究中的采用带来了严重挑战。即使使用最先进的3T MRI扫描仪，疾病研究中也只能包含HCP协议的一部分。因此，非常需要针对适用于成像研究和临床应用的多个时间帧进一步优化成像协议。继续研究多波段和并行成像技术无疑将在这方面有所帮助。还应研究在给定时间范围内现有连接体采集协议的优化，其中面临的挑战是在空间分辨率、梯度方向数和b值分布之间权衡的黄金标准的定义。在我们目前的研究中，我们发现视觉通路的视束组织为在体内验证纤维追踪技术提供了理想的试验台。还有其他大脑区域也具有特征明确的解剖结构，如皮质-纹状体连接。这些可以作为量化不同采集方案性能的宝贵资源。将连接体成像扩展到7T MRI是另一个令人振奋的方向。HCP在7T弥散和功能MRI采集方面取得了重大进展。原则上，7T MRI将提供更高的信噪比和更高的分辨率，因此有很大的机会对脑通路进行更精细的检测。除了图像采集方面的进步，我们还将见证图像处理算法的不断研究和改进。新的预处理方法将有助于校正成像伪影，如涡流和磁化率失真，以及由于体积运动引起的信号丢失。来自多种相位编码的数据融合也需要更多专门的研究来改善连接体建模的信号质量。同时，更好的追踪算法也将出现。连接体成像的一个基本问题是从MRI数据中验证重建连接和真实连接之间的假阳性。虽然通常很难获得人脑连接的基本事实，但某些通路的详细解剖学知识可用于定量评估纤维追踪方法的性能。一个具体的例子是感觉通路的白质组织，如视觉通路和躯体感觉通路。除此以外，动物追踪研究提供了关于大脑连接性的基本事实，但是注射部位的数量通常是有限的。对于小鼠大脑的追踪研究，在创建覆盖全脑的详细连接体方面已经取得了巨大的进展。这些对于检查牵引图算法的性能是非常有价值的资源。这样的验证实验将提高我们对纤维追踪方法中模型选择和各种参数的影响的理解。对于死后组织，基于免疫组织化学的染色将为先验模型的验证提供有价值的信息。通过测量髓鞘含量和轴突外细胞结构的体积，我们可以量化先验模型和组织组成之间的一致性。总体而言，非常需要验证尖端的连接体成像方法，我们相信，将通过使用生物学基础真理的额外验证研究来满足这一需求。虽然这些使用死后样本的验证实验至关重要，但也应仔细研究它们转化为体内研究的情况。这可以通过精心设计和简化的实验来实现，包括体内MRI、示踪剂注射和死后MRI以及免疫组织学测量。为了进行这些复杂的实验和数据分析，培养具有互补专业知识的多学科团队之间的合作非常重要。静息fMRI的功能连接性主要来源于灰质区域BOLD信号的相关性。纤维追踪成像方法能够绘制穿过脑白质区域的路径。原则上，这两种模式提供了互补的信息。然而，挑战在于开发有效的方法来融合来自这两种方法的连通性信息。现有的方法大多局限于事后分析，即测试纤维束两端之间的功能连通性或功能ROI(例如默认模式网络的节点)之间的结构连通性。对于未来的发展，更多的关注点将放在改善具有功能连接的结构连接体上，反之亦然。例如，一个关键问题是用结构连通性增强功能连通性的预测能力。重点将放在具有减少的假阳性和假阴性的纤维束造影方法上，例如旨在保持纤维束的解剖规律性的新方法。动态功能连接是另一个有希望的方向，具有检测大脑区域之间的瞬时连接的潜力。这可以提高计算结构连接的解剖学先验。除功能磁共振成像外，其他成像方式也可以改善结构连通性的计算。来自定量T2的髓鞘含量可能与来自多壳dMRI的先验模型结合，获得更好的纤维估计。总的来说，人类连接体项目中高质量的dMRI采集和追踪方案将在未来的研究中带来更大的研究成果和启发更多的研究项目。
