纤维束成像是一种基于弥散加权磁共振成像(diffusion-weighted magnetic resonance imaging, DWI)的计算重建方法，它试图揭示人脑白质通路的轨迹，并推断人类大脑潜在的结构连接体。在神经科学和精神病学领域，已经开发了许多用于纤维束成像的算法，并将其应用到连接体研究中去。由于人们对这一方法非常感兴趣，已有研究使用广泛的方法讨论了纤维束成像的优点和缺点。对人脑的纤维束成像是通过对主观合理性或与类似Klingler那样解剖的定性视觉一致性来评估的。虽然当前已经对这些方法的可重复性或数据预测误差进行了评估。但由于缺乏真实的解剖下纤维通路的信息，这些评估无法验证重建的准确性。体外成像和追踪或物理和数值虚拟模型可以在一定程度上以及在某些特定情况下进行验证。然而，神经系统是复杂的，目前还缺少关于通路的轨迹和它们的源头以及人脑终止的精确的真实解剖信息。这使得我们很难对纤维束成像进行定量和全面的可靠性评估，也很难确定在健康人和患者的大脑连通性方面哪些发现是可靠的。 最先进的纤维束成像算法是由DWI估计的局部定向场（local orientation fields）驱动的，代表了感兴趣的白质束的局部切线方向（local tangent direction）。从概念上来说，只要通路有重叠、交叉、分支并且具有复杂的几何形状，从局部定向场推断连通性的原理就会导致一些问题的出现。自从弥散纤维束成像发明以来，这些问题已经在一些示意图或理论论证中进行了讨论，但还没有在脑成像中被量化。为了确定当前纤维束成像的最新水平，作者组织了一次国际纤维束成像大赛(tractometer.org/ismrm_2015_challenge)。采用虚拟的大脑状几何结构的DWI作为一种新的可靠性评估方法，该方法允许基于示踪（Tractometer）连通性指标对提交的数据进行定量评估。在比赛结束时，作者评估了由20个不同的研究小组提交的96条不同的纤维束通路，以评估算法能否很好地再现已知的连通性。这项研究还评估了必要的处理步骤，以找出当前许多通路共有的关键缺陷。大多数提出的算法都能够生成包含90%的真实解剖下纤维束的追踪图，恢复其大约三分之一的体积范围。与此同时，大多数算法会产生大量的假阳性纤维束，即它们不是解剖下实际纤维束的一部分。当使用更高质量的数据时，如在高空间分辨率下使用局部纤维束定向时，结果也不会得到明显改善。这些发现强调，需要新的技术和概念发展来解决这些限制。本文发表在Nature Communications杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）生成解剖下真实的纤维束。这组解剖下真实的远距离纤维束被设计成覆盖整个人脑，并具有许多相关的空间构型，如交叉、接触、扭曲和扇形纤维，从而代表了体内已知的主要纤维束的形态。获得这些纤维束的过程包括三个步骤。首先，在高质量的活体弥散加权图像上进行全脑全脑纤维束成像。然后，从生成的纤维束图像中手动提取25个主要的远距离纤维束。在第三步中，对这些纤维束进行细化，以获得平滑且定义明确的纤维束。作者选择了HCP的Q3数据发布中包含的弥散加权数据集之一来执行全脑整体纤维束成像。在其他自定义中，HCP扫描仪配备了一组高端梯度线圈，可实现100mTm−1的弥散编码梯度强度。相比之下，大多数标准磁共振扫描仪的梯度强度约为30至40mT m−1。这种硬件设置允许采集具有极高分辨率(1.25mm各向同性，270个梯度方向)的数据集，同时保持良好的信噪比。所有的数据集都经过了头部运动、涡流和磁化率失真的校正，总体来说质量非常高。使用MITK Diffusion进行全脑纤维束成像，参数如下：900,000,000次迭代，颗粒长度1 mm，颗粒宽度0.1 mm，颗粒重量0.002。此外，作者重复了6次纤维束成像，并将得到的全脑纤维束图合并成一个由500多万条流线组成的大型数据集。所选择的参数使纤维束成像方法具有非常高的灵敏度。由于感兴趣的区域是在第二步中手动提取的，因此所产生的纤维束图的特异性不那么令人担忧。由放射科专家使用手动放置的感兴趣的包含和排除区域来执行纤维束分区。本研究遵循Stieltjes等人介绍的用于ROI设置和纤维束提取的概念。提取了25个主要纤维束，覆盖整个大脑的联合、投射和连合纤维束(图1)。如图1所示，在手工提取后，进一步细化单个远距离纤维束作为图像模拟的真实解剖下纤维束。原始提取的纤维束具有大量过早终止的纤维束，单个流线不平滑。为了在没有过早终止纤维束的情况下获得平滑的纤维束，使用了Fiberfox(www.mitk.org33)分别模拟了每个原始纤维束的弥散加权图像。由于单个纤维束图像中不存在复杂的纤维结构(如交叉)，也没有模拟任何虚假的纤维束，因此使用简单的基于张量的流线型纤维束成像技术可以从这些图像中获得非常平滑和完整的纤维束。使用类似大脑的几何体模拟虚拟图像。使用开源软件Fiberfox(www.mitk.org33)模拟虚拟弥散加权图像。作者采用了一个四室模型（four-compartment model），包括脑组织(轴突内和轴突间)、灰质和脑脊液(CSF)。选择用于模拟脑室弥散加权信号的参数，以获得典型的弥散特性和图像对比度。轴突内室用棒状模型模拟，T2弛豫时间为110ms，弥散系数为1.2x10-9m2s−1。轴突间室用zeppelin飞艇模型模拟，T2弛豫时间为110ms。轴向弥散系数为1.2×10-9m2s−1，径向弥散系数为0.3×10-9m2s−1。用球模型模拟了GM室，T2弛豫时间为80ms，弥散系数为1.0×10-9m2s−1。CSF室也用球模型模拟，T2弛豫时间为2500ms，弥散系数为2.0×10-9m2s−1。作者选择下面报告的采集参数来模拟代表实际(例如，临床)设置的图像，特别是具有2 mm各向同性体素、32个梯度方向和1000s mm−2的b值的5-10分钟单次激发回波平面成像扫描。所选择的采集设置代表了应用纤维束成像研究的典型场景，并体现了大多数方法支持的共同点。因为具有更高b值的采集、更多的梯度方向和更少的伪迹对纤维束成像更有利。此外，作者报告了在完美图像质量条件下的最小上限纤维束成像性能，使用的数据集直接包含高空间分辨率的解剖下真实纤维束方向信息，没有虚假的纤维束(图6)。参数为矩阵大小90×108×90，回波时间108ms，停留时间1ms；T2弛豫时间为50ms。该模拟对应于具有恒定线圈灵敏度的单线圈采集，没有部分傅立叶变换，也没有平行成像。相位编码是从后向前的。还生成了两幅具有后-前/前-后相位编码的未加权图像。由于Fiberfox模拟了实际的k-空间采集，因此有可能在最终图像中引入一些常见的伪迹。模拟了复杂的高斯噪声，得到相对于平均白质基线信号的最终信噪比约为20。十个尖峰随机分布在整个图像体积中(图9a)。模拟了N/2个重影(图9b)。由B0场不均匀性引起的失真是使用在实际采集中测量的现有场图谱带来的，并配准到所使用的参考HCP数据集(图9c)。在三个随机选择的体积中，头部运动为随机旋转(围绕z轴±4°)和平移(沿着x轴±2 mm)。体积6旋转了3.36°，平移了1.74毫米，体积12旋转了1.23°，平移了0.72毫米，体积24旋转了3.12°，平移了1.55毫米。以1毫米的各向同性分辨率、约40的信噪比和作为解剖参考的无其他伪迹生成具有T1样对比度的图像。
表现指标和评估。这些小组提交了一整套流线集及其方法的简要说明。未考虑到与操作员有关的潜在误差，但这些误差很可能对最终结果的质量起到了推动作用。概率性的纤维束成像技术使用用户定义的不确定阈值进行预处理，每个小组在提交之前独立决定该阈值。VC（有效连接，意思是构建出来的真实存在白质连接）的示踪仪定义对于当前的纤维束成像算法是极其严格的，因为它需要流线(1)不在任何点离开解剖下真实纤维束，以及(2)准确地终止在弥散的解剖下真实的纤维束端点定义的端点区域内。因此，作者采用了另一种定义，其标准不那么严格，基于稳健的形状距离指标和流线之间的聚类。纤维束特定的阈值是手动设置的，以考虑纤维束形状和与其他纤维束的接近程度。对于偏侧化的纤维束，使用以下距离使得两侧的距离相同：CA和CP为2 mm；CST和SCP为3 mm；扣带为5 mm；穹窿、ICP、OR和UF为6 mm；FPT、ILF和POPT为7 mm；CC、MCP和SLF为10 mm。一旦确定了VCs，剩下的流线可以分为IC流线和非连接流线。使用基于QuickBundles的聚类算法对剩余的无效流线进行聚类。通过包含流线的多数投票来识别每个结果聚类的最佳匹配端点区域。如果将多个聚类分配给同一对区域，则会合并它们。未分配给任何聚类或低于长度阈值的流线被标记为不连接。1.VC比率：VCs /流线的总数（0到100之间的百分比）。2. VB：对于至少有一个有效流线关联的每个纤维束，此计数器递增一个（0到25之间的整数）。3. IB：在解剖下真实的25个纤维束，每个具有两个端点区域，有1275个可能的端点区域组合。将25个VBs从等式中取出，1250个潜在的IBs保持（0到1250之间的整数）。4.重叠：由与纤维束相关联的至少一个有效的流线遍历的解剖下真实的纤维束的体积比例。该值显示纤维束成像结果如何恢复纤维束的原始体积（0到100之间的百分比）。5. 过度估计：由至少一个与该纤维束相关的有效流线遍历解剖下真实的纤维束的体积之外的体素除以解剖下真实的纤维束内的体素总数的分数。该值显示VCs超出解剖下真实的纤维束体积的程度(介于0和100之间的百分比)。对于VC的传统定义，此值始终为零，但对于本研究中采用的非严格标准，此值可以为非零值。按照先前定义的评估标准，研究主要是关于参照的准确性，而不是关于纤维束成像的重复性或稳健性。多变量分析。在多变量线性混合模型中考察了实验设置的影响。描述不同提交方法的实验变量被作为固定效应包括在内(图2b)。VC比率、VB计数、IB计数、纤维束重叠百分比和纤维束过度估计百分比被建模为因变量，每个变量都用于单独的模型的计算。提交的小组被建模为随机效应。使用软件SAS 9.2，Proc Mixed进行分析。先前对纤维束成像方法的研究已经选择了人造纤维几何结构来构建合成真实的解剖模型。在这里，作者基于高质量的人类连接体项目(HCP)数据集的纤维束几何来定义这项研究的模型，该数据集是由多个全脑整体纤维束成像图 (图1)构建的。按照Stieltjes等人的做法，从中提取了25个主要纤维束。这一纤维束解剖事实数据集包括先前使用死后解剖学和电生理方法描述的联合束、投射束和连合束。总体而言，大脑纤维束占据了人脑白质体积的71%。该数据集的特点是一个类似大脑的远程连接的宏观结构，基于虚拟的弥散信号，模拟体内类似DWI临床的采集。另外还模拟了一个类似于T1对比的解剖图像作为参考。
图1.合成数据集概述。顶部总结了虚拟模型的生成过程。虚拟图像由25个主要纤维束生成，如图底部所示。其中包括胼胝体(CC)、扣带回(CG)、穹隆(FX)、前连合(CA)、视辐射(OR)、后连合(CP)、小脑下脚(ICP)、小脑中脚(MCP)、小脑上脚(SCP)、顶枕脑桥束(POPT)、皮质脊髓束(CST)、额叶(FPT)、下纵束(ILF)、钩束(UF)。中间的连接图显示了虚拟设计。每一段的位置与涉及到的区域在端点处对应(自上而下：额叶、颞叶、顶叶、枕叶、皮质下区、小脑、脑干)。辐射中每一段的长度和连接数是根据各自纤维束端点区域的体积选择的。来自12个国家的20个在弥散成像方面拥有广泛专业知识的研究小组(图2a)参加了比赛，他们提交了总共96个纤维束成像图，这些图像使用不同的预处理、局部重建、纤维束成像和后处理算法的各种纤维束成像生成纤维束通路(图2b)。
图2. 团队和纤维束通路设置总结。
a.团队所属实验室的位置。
b.用于处理的不同通路的配置(A:头动校正，B:b值梯度校正，
C:图像失真校正，
D:尖峰校正，E:去噪，F:升采样，
G:弥散张量成像之外的弥散模型，H:确定性方法之外的纤维束成像，I:解剖先验，J:流线滤波，K:高级流线滤波，L:流线聚类)。
如果您对DWI及脑影像数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第十七届DTI数据处理班（上海，4.25-30）
第十八届DTI数据处理班（上海，7.2-7)
第三届DWI数据处理提高班（南京，5.17-22）
第一届脑网络数据处理提高班（上海，5.22-26）
第十六届脑影像机器学习班（上海，7.23-28)
第八届小动物脑影像数据处理班（上海，5.6-11）
第四十二届磁共振脑影像基础班（上海，6.5-10）
第四十一届磁共振脑影像基础班（重庆，5.9-14）
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）
第四十届磁共振脑影像基础班（南京，4.24-29）
第四十三届磁共振脑影像基础班（南京，7.1-6)
数据处理业务介绍：
使用示踪连通性指标对提交的材料进行定量评估。基于已知的真实解剖下纤维束，作者计算了与有效连接(VC)比率相对应的真阳性，即连接有效端点的流线的比例和关联的有效纤维束数目(VB)，其中，纤维束由一组流线组成（即紧密排列在一起的许多streamline构成一个大的纤维束）。此外还计算了对应于无效连接(IC)比率和相关无效纤维束(IB)数量的假阳性，以及基于纤维束体积重叠(OL)和体积过度估计(OR)的重建体积比(以百分比表示)。纤维束成像包含了大多数真实的解剖下纤维束。现有纤维束的体积重建在不同的纤维束之间差别很大。图3a显示了根据OL计算的百分比，所识别的VB可以被分组为非常困难、困难和中等难度的三个聚类。图3b显示了通过不同的纤维束成像技术重建的相应示例。所有提交的材料都难以重建最小的纤维束，即横截面直径不超过2 mm的前连合(CA)和后连合(CP)，或者是一个或两个体素(非常困难，0%<=OL<10%)。难以重建的纤维束可以部分恢复(10%<=OL<50%)。中等难度的纤维束为胼胝体(CC)、下纵束(ILF)、上纵束(SLF)和钩束(UF)，体积恢复率平均大于50%(50%<=OL<=100%)。计算Pearson积矩相关系数以评估OL和OR之间的关系(r=0.88，p<10-8)，表明重建更大部分纤维束的概率(OL)和产生虚假的纤维束 (OR)之间存在直接联系。
图3.纤维束成像技术识别了大多数解剖下实际纤维束，但不代表实际纤维束的全部范围。a.解剖下实际纤维束中不同纤维束达到的分数概述。参赛作品的平均重叠(OL)和平均超标(OR)分数(红色：非常困难，绿色：困难，蓝色：中等困难)。b.DTI确定性(DET)纤维束表征来自20个提交材料的团队中的6个，高角分辨率弥散成像(HARDI)确定性追踪技术来自9个提交材料的团队中的0个，以及HARDI概率(PROBA)追踪来自12个提交材料的团队中的2个。第一栏展示了供参考的基本事实VB。报告的OL和OR分数对应于各自算法类内达到的最高OL分数。
图4显示，25个VBs中平均有21个(中位数23)被参赛团队识别，只有4个团队提交了包含60%以上OL的纤维束图像。没有一份提交的材料中包含全部25个VBs，但10份材料(10.4%)恢复了24个VBs，69份 (71.9%)发现了23个或更多的VBs (图5a)。然而，纤维束成像显然需要改善其纤维束的完整空间范围的恢复:所有提交的纤维束体积重叠(OL)的平均值为36±16%，平均过度估计(OR)为29±26%(图4c)。在单个流线水平上，有效连接数平均为54±23%(图4a)。
图4. VBs和IBs纤维束成像重建的组间差异。以连接有效区域的流线百分比（a）检测到的VBs和IBs的数量(b)以及重叠(OL)和过度估计(OR)分数的形式（c）概述不同团队达到的分数。黑色箭头所指的材料在后续的图中使用到。
a.连接矩阵中的每个条目表示已识别相应纤维束的提交数量。每个纤维束的两行和列代表头端点和尾端点区域。连接矩阵显示了大多数提交文件中确定的大量现有区域(红色)。它还表明跨团队被系统性重建的虚假纤维(蓝色)。
b.80%以上的提交材料被一致识别为IBs，但在解剖事实数据集中不存在。例如，AF是由ILF和SLF交叉流线产生的，而IFOF是由ILF和UF交叉流线产生的。MdLF、FAT、SFOF和VOF是其他具有高度代表性的IBs。
纤维束图像包含的无效纤维束包多于有效纤维束。36±17％的重建的个体流线连接区域并未实际连接。未连接任何端点的流线的分数为10±15％。即使不是解剖下实际纤维束的一部分，这些流线也常常以密集、结构化和连贯的形式出现。提交的纤维束图像包括88±58 IBs的平均值，是它们平均含有的VBs数量的四倍多(图4b)。这证明了目前最先进的纤维束成像算法无法控制假阳性。这些IBs中有41例在大多数提交的材料中出现（图5）。纤维束水平上的总体平均精度为23±9％（召回率为85±15％，特异性为93±5％）。至少有23个 VBs的材料中显示出不少于37个IBs（平均值 88±39，n=69）。具有23个或更多VBs的材料在99到204 IBs之间被识别的体积纤维束重叠大于50％。81%- 95%的提交者系统性地发现了图5b所示的纤维束，但这并不是实际解剖下纤维束的一部分。有趣的是，这些无效的流线簇中有几个在解剖位置上与神经纤维束有相似之处，如前额斜束(FAT)、弓状束(AF)、额枕下束(IFOF)、中纵束(MdLF)、终囊束、额枕上束(SFOF)、垂直枕束(VOF)。这些发现表明，纤维束存在的证据不应仅从目前的纤维束成像中获得，而应辅之以其他解剖学和电生理学方法。为了确认这项研究的发现揭示了纤维素成像本身的基本属性，并且与特定的虚拟模拟过程的影响无关，作者直接在真实解剖下纤维束的方向上运行了两个独立的确定性流线型纤维束成像数据(图6)，而不使用弥散加权数据。该实验针对多个分辨率(2、1.75、1.5、1.25、1.0、0.75和0.5 mm)重复进行。因此，该设置独立于图像质量、伪迹以及来自特定纤维束通路和虚拟生成过程的许多其他影响。根据实际解剖方向，纤维束成像的通路达到了76±6%的重叠分数，这是以前在类似的过度估计水平上所没有达到的(29±8%)。VC比率在71%~82%之间。然而，纤维束图像仍包含102±24个IBs(最小的73个)。
图6. 在真实纤维束解剖方向上没有噪声影响的纤维束图像仍然受到IB问题的影响。使用确定性纤维束成像方法的两个独立方法获得的结果（GT1和GT2）。a.连接有效区域的简化百分比。b.检测到的VBs和IBs数量。c.体积重叠和覆盖分数在纤维束上取平均值。方法上的创新可能会提高纤维束成像的有效性。结果表明，虚拟数据集中许多结点的几何形状太复杂，即使给出了一个完美的真实解剖方向，也不能用现有的追踪算法来解决。因此，这些问题似乎与方向性信息中的模糊性有关(图7)。
图7. 弥散方向和纤维几何形状之间的模糊对应关系。使用体素、局部和全脑级别的三个图示作为示例来说明弥散成像信息中可能包含的模糊性信息，这些模糊性可能导致可替换的纤维束重建。(A)假设真实解剖下纤维束的体素内交叉导致体素水平的成像信息模糊。(B)类似地，局部纤维交叉的成像表征可以通过几种其他配置来解释。(C)在全脑水平，由多个纤维束共享的白质区域(所谓的“瓶颈”，虚线矩形表示)可能导致许多虚假的纤维束重建。假设真实解剖下的纤维束只有两束(红色和黄色束)，就会出现四个潜在的假阳性纤维束。请注意，在全脑水平的例子中使用的假设基础事实在解剖学上是不正确的，因为大多数胼胝体纤维是同源分布的(即，连接两个半球上的相似区域)。作者考察了在合成虚拟和人体数据集中遇到的模糊性。例如，在颞叶多个纤维束重叠，并且明显超过了大多数体素中纤维束方向的数量。如图8所示，弥散信号中的单一的纤维束方向规则地表示多个纤维束。这样的漏斗（funnels）体现了用于纤维束成像中的困难瓶颈，这导致了如图7c和图8c中描绘的用于连接相关联的纤维束端点的合理配置的大量组合可能性。因此，对于真实数据集以及合成虚拟，数十个结构化和相干的纤维束通过该瓶颈，表现出相似的纤维束总数和广泛的解剖学上合理的几何形状。基于真实HCP数据的示踪图显示了理论上合理的整个纤维束穿过颞叶瓶颈，即使在局部弥散信号通常仅显示一个纤维束方向(参见图8d)。要解决这些问题，更好地利用补充DWI估计的局部定向场的额外信息来源，方法创新是必要的。
a.将六个实际纤维束的可视化聚集到左颞叶的瓶颈区域中的几乎平行的漏斗中（由正方形区域表示）。每个体素的纤维束（方框“#有效纤维束”）清楚地超过弥散信号中的峰值方向（方框“#信号峰值”）。b.通过相同区域的体内纤维束成像图中的HCP可视化流线。c.已识别出超过50％的示例性IBs，显示纤维束成像图不能区分连接不同端点区域的大量合理组合可能性。d. 自动快速捆绑（QuickBundle）—从通过时间ROI的活体示踪图中聚集流线。成簇的纤维束以不同的绿色色调说明。这些簇代表了通过HCP数据集的瓶颈区域的真阳性和假阳性纤维束的混合。在多变量的线性混合模型中研究了不同提交材料中的结果的方法逻辑设置，并揭示了个体处理步骤对纤维束成像结果的影响（表1）。纤维束成像算法的选择，以及追踪后滤波方法以及潜在的弥散模型对整体分数有很大的影响，揭示了敏感性和特异性之间的明显权衡。根据解剖先验手动编辑的纤维束图像对识别的VBs数量(平均效应:3.8±2.6束)和纤维束重叠(平均效应:−15±11%)有负面影响。然而，这些技术对平均纤维束过度估计有积极影响(平均效应:−16±9%)。值得注意的是，团队3使用聚类的方法对图像进行了后期处理，达到了92%的有效连接流线。
表1. 绿色表示显著的积极影响(p<0.05)，而红色表示显著的负面影响(p<0.05)。数字表示对该指标及其标准偏差的估计平均影响。作者使用白质束和连通性的真实解剖数据集评估了当前最先进的纤维束成像方法，这些数据集代表了人类活体脑成像中可能出现的挑战。先进的纤维束成像技术与当前的弥散虚拟技术相结合，成功地恢复了大多数VB，覆盖了其体积范围的77%。这一结果表明，目前的方法和团队有能力处理DWI中的大量伪迹，并克服纤维束重建过程中的局部交叉情况。然而，纤维束成像也在实际不存在流线的地方产生厚实而密集的看似合理的纤维束。当聚焦于由大多数提交系统地恢复的64个纤维束时，64%的纤维束实际上不存在解剖实际位置。目前的纤维束成像通路，甚至在高分辨率图像上追踪真实解剖位置方向，都会产生大量的假阳性纤维束。所采用的基于虚拟的方法不能在绝对意义上量化与体内连接相关的影响；也就是说，研究结果并不意味着任何正在做纤维束成像的人都应该预料到所报告的VB与IB的比率和覆盖范围与过度估计范围的比率。然而，目前的研究结果确实暴露了与全脑纤维束成像相关的模糊性程度，并表明纤维束成像的计算问题远远超出了纤维束方向的局部重建和数据质量问题。因此，这项研究结果总体上对纤维束成像和连通性测绘领域提出了一个核心和开放的挑战。以前的研究报告了简化条件下的高无效连接率 (www.tractometer.org)，并且已经使用示意图表示和理论论证讨论了纤维束成像中的一些潜在的模糊性。白质瓶颈区域在过去已经讨论过，并且是关于纤维束成像发现的关键。目前的结果揭示了在活体人脑研究中可能会发现的更复杂条件下这些限制的后果，解决了以前未解决的重要问题。这一发现来自于一个类似大脑的几何结构，它包含了一些已知的主要远距离连接，覆盖了71%的白质。未来版本的虚拟计划包括更多的纤维束，如AF、MdLF和IFOF的颞叶中、下部投射，以及更小的U-纤维、前脑内侧纤维、深核以及它们之间的联系。此外，更先进的弥散建模方法将允许生成更真实的DWI信号，可能会以更高的空间和q-空间分辨率进行模拟。然而，这些发展不会解决纤维束成像的根本模糊性，因此只对研究的主要结果产生有限的影响。结果表明，即使在使用信号的最大角度精度，也就是说，使用真实解剖方向，假阳性的纤维束也以相似的速度出现。这些发现证实了先前研究中所示的那些问题以及涉及纤维束成像中的基本问题制定：从局部方向场推断连通性。通过添加更多纤维束来增加虚拟的解剖复杂性，很有可能导致假阳性率的进一步提高。当前虚拟构建过程类似于潜在的限制，因为它涉及纤维束成像自身，从而引发自我验证问题。在直接的方法比较中应该考虑这一方面，因为可能存在对类似于用于虚拟生成的算法的偏见。然而，这一警告对我们的一般发现的影响非常有限。可以预期的是，在解剖学复杂性较高的虚拟中，可通过使用独立的方法(如偏振光成像，polarized light imaging)来实现的纤维束图像的识别限制将变得更加明显。综上所述，研究观察结果证实了计算问题的根本不适定性，这是目前的纤维束成像方法努力解决的问题。因此，解决IBs问题需要进行实质性的方法创新。目前的几个研究方向可能会提高纤维束成像的特异性。流线滤波技术可以优化信号预测误差，以减少纤维束成像偏差。它们是整合非局部信息的更一般趋势的一部分，也是超越原始方向性向量的先进弥散微结构建模的一部分。机器学习驱动的纤维束成像技术的最新进展在提高特异性方面显示出巨大的潜力。作者虚拟的未来版本将具有多个b值、更好的信噪比和更少的伪迹，以进一步鼓励这些方向的研究。此外，纤维束成像应该越来越多地采用来自体外组织学、高分辨率尸检DWI或互补电生理学的可靠解剖学先验，以获得最佳指导。虽然手动或自动清理流线可能会有所帮助，但真正的挑战是我们对需要重建的解剖结构的知识有限。目前，使用Klingler方法进行的尸检揭示了人脑白质的宏观组织，尽管该方法在复杂纤维结构或皮质附近有一些前述的纤维束成像上的局限性。未来的研究将不得不进一步深入了解白质组织的基本原理，并越来越多地学习如何利用这些信息来进行脑白质成像。在纤维束成像方面取得的潜在进展将对结构连接的图形分析研究产生重要影响。迄今为止，这种分析(例如，在精神病学环境中)所证明的诊断或预测能力不应该让我们忽视纤维束成像的哪些方面是可靠的，哪些是不可靠的。目前的一个发现与连接体领域特别相关：传统的指标要求流线精确地结束于纤维束的头部或尾部区域，对于纤维束的解剖和连通性评估来说，限制太多了。没有一份材料中生成精确流线与真实解剖下纤维束和扩大的端点掩蔽完美重叠。这一发现与之前的报告一致，之前的报告发现灰质(GM)中的纤维束终止是不准确的，并突显了使用T1图像上的分区的体素定义来选择相关流线的方法的一个重要限制。作者虚拟的未来版本将包括白质/灰质皮层带的真实解剖下分区，以帮助解决这些问题的进一步发展，并将评估方法扩展到应用于图论指标。总体看来，虽然仍存在种种限制，但DWI目前仍是绘制人体中短期和长期结构大脑连通性的唯一工具，并且对于比较大脑、检测差异和模拟大脑活动是必不可少的。这项发现应该会促进新的纤维束成像方法的发展，这些方法使用目前的方法进行了仔细的评估。下一代纤维束成像算法最重要的目标是提高重建现有纤维束的完整空间范围的能力，同时更好地控制假阳性连接。解剖学先验、先进的弥散微结构建模和多模态成像更紧密的整合有助于解决信号中的模糊性问题，并克服当前的纤维束成像的限制。从根本上说，为了提高我们对人类脑白质解剖学的认识，建立解剖学上正确的人体连接，迫切需要在纤维束成像中进行方法学上的创新。
