磁共振成像（MRI）是活体成像人脑的标准工具。在这一领域，数字脑图谱对于特定受试者的解剖感兴趣区域（ROI）分割以及在共同坐标系中对不同受试者的神经解剖学进行空间比较至关重要。源自组织学的高分辨率数字图谱（例如，艾伦图谱、BigBrain、Julich）目前是顶尖水平，提供了精美的3D细胞结构图，但在整个大脑中缺乏概率性标签。在这里，我们展示了NextBrain，一个新一代的人脑解剖学概率图谱，它由连续的3D组织学和五个完整脑半球的相应高度精细的描绘构建而成。我们开发了AI技术，将约10,000个组织切片对齐并重建为具有联合几何约束（切片之间无重叠或间隙）的连贯3D体积，并半自动地在所有这些切片上追踪333个不同解剖ROI的边界。对多个病例的全面描绘使我们能够构建出第一个整个人脑的概率性组织学图谱。此外，我们创建了一个配套的贝叶斯工具，可利用NextBrain图谱在任何活体或离体脑MRI扫描中自动分割333个ROI。我们展示了该图谱的两个应用：超高分辨率离体MRI的自动分割以及基于约4,000个公开可用的活体MRI扫描对阿尔茨海默病和健康大脑衰老进行体积分析。我们公开发布：原始和对齐的数据（包括一个在线可视化工具）；概率图谱；分割工具；以及一个100微米各向同性离体半球的真实描绘（我们在本文中用其对我们的分割方法进行定量评估）。通过使全球研究人员能够在无需手动操作或高度特定的神经解剖学知识的情况下，以更精细的粒度分析脑MRI扫描，NextBrain有望提高MRI研究结果的特异性，并最终加速我们对健康和疾病状态下人脑的理解。本文发表在bioRxiv预印本平台。
正文
磁共振成像（MRI）可以说是研究活体人脑最重要的工具。它对不同类型软组织的精美对比度为我们提供了一个窥视活体大脑的窗口，且无需电离辐射，使其适用于健康志愿者。磁体强度、数据采集和图像重建方法的进步使得在几分钟内采集整个大脑的毫米级分辨率MRI扫描成为可能。MRI可以采用不同的脉冲序列对不同的组织特性进行成像，包括：利用结构采集进行神经解剖学成像；利用基于血氧的功能性MRI进行大脑活动成像；利用灌注成像和MR血管造影进行血管系统成像；或利用弥散加权MRI进行白质纤维和微观结构成像。
公开可用的神经影像软件包（FreeSurfer、FSL、SPM或AFNI）使研究人员能够进行包含数千次扫描的大规模研究，以研究健康衰老以及广泛的脑部疾病，如阿尔茨海默病、多发性硬化症或抑郁症。这些神经影像软件包的一个核心组成部分是数字3D脑图谱。这些是代表特定人群的参考3D脑图像，可以包含图像强度、神经解剖学标签或两者兼有。我们注意到，由于其高度卷曲的结构，大脑皮层通常使用在表面坐标系上定义的特定图谱进行建模——而不是3D图像）。我们建议读者参考进行比较研究。
体积图谱通常通过对大量受试者的数据进行平均来计算，但它们也可能只包含单个受试者——特别是在由劳动密集型模式（如组织学）构建时。图谱能够将来自不同受试者的数据聚合到一个共同坐标系（CCF）中，从而允许根据空间位置进行分析（例如，组间比较）。包含神经解剖学标签的图谱还为诸如自动图像分割之类的分析提供先验空间信息。
大多数体积图谱，包括神经影像软件包中的图谱，都利用了以约1毫米各向同性分辨率采集的大量活体MRI扫描。这种体素大小足以表示回旋、沟和皮层下核水平的信息。然而，它不足以在亚区水平研究大脑，而这正是我们所希望的，因为动物模型和死后人体研究表明，大脑亚结构（例如，海马亚区、丘脑核）具有不同的功能和连接性。这一局限性可以通过在离体采集的更高分辨率图像来规避，通常使用MRI或组织学。
离体MRI没有运动伪影，可以进行长时间采集，体素在100微米范围内。然而，它无法可视化细胞结构并解析许多脑区之间的边界。另一方面，组织学是一种微观的2D模式，可以使用一系列染色剂可视化细胞结构的不同方面——从而以更高的细节揭示神经解剖学。早期版本的组织学图谱是印刷的，通常没有数字化，并且只包含一小部分标记的切片。代表性的例子包括丘脑和基底节的Morel图谱或整个大脑的Mai图谱（图1A）。
图1：NextBrain在组织学图谱背景下的位置，包括优点、缺点和中性点。
(A) 带有稀疏手动追踪切片的印刷图谱。
(B-G) 覆盖范围有限的特定ROI的组织学图谱：
(B) 基底节的手动追踪切片；
(C) 确定性丘脑图谱的3D渲染；
(D-F) 海马图谱的追踪MRI切片、组织切片和3D渲染；以及(G) 我们丘脑概率图谱的切片。(H-N) 整个人脑的组织学图谱：
(H) BigBrain的3D重建切片；
(I) MNI模板上的Julich-Brain标签切片；
(J) 艾伦参考脑的标记组织切片；
(K) 受(J)启发的MNI模板标记协议；以及(L-N) AHEAD脑的MRI、组织学和3D渲染。
(O-S) 我们的新图谱NextBrain包括五个标本的密集3D组织学(O-P)和全面的手动标签(Q)，从而能够构建一个概率图谱(R)，该图谱可与贝叶斯技术相结合，在活体MRI扫描中自动标记333个ROI(S)。
虽然印刷图谱对于计算分析没有用处，但连续的组织学可以与图像配准（对齐）方法相结合，从而实现3D组织学的体积重建，为创建3D组织学图谱打开了大门。与MRI图谱相比，这些图谱有两个主要优势：（i）提供更详细的CCF(共同坐标系)；以及（ii）能够以更精细的分辨率分割MRI扫描——可能具有更高的灵敏度和特异性来检测由脑部疾病引起的脑部改变或测量治疗效果。
早期的3D组织学图谱在解剖学覆盖范围方面受到限制。继Morel图谱之后，又出现了两个关于基底节和丘脑的数字图谱（图1B-C）。为了自动获取活体受试者的分割，需要将其MRI扫描与组织学图谱进行配准，由于两种模式之间图像分辨率和对比度的差异，这很困难。因此，作者将图谱映射到3D MRI模板（例如，MNI图谱），这些模板可以更容易地与其他受试者的活体图像进行配准。海马也提出了一个类似的结合组织学和MRI数据的图谱（图1D-F）。我们小组提出了一个丘脑的组织学图谱（图1G），但我们没有使用MNI作为垫脚石，而是使用贝叶斯方法直接将我们的图谱映射到活体扫描。
最近，一些努力旨在实现构建整个人脑组织学图谱这一更大的事业：
BigBrain包含单个大脑的7,000多张组织切片，以离体MRI扫描为参考，在3D中进行了精确重建（图1H）。BigBrain为其后续的Julich-Brain铺平了道路，后者汇集了23个个体的数据。其中10个病例已提供给社区进行标记，这导致了作为41个项目一部分的248个细胞结构区域的注释。最大似然图已映射到MNI空间以进行活体MRI分析，但存在两个缺点（图1I）：它们与基础MNI模板的对齐不佳，并且皮层下注释仅是部分的。
艾伦参考脑（图1J）在高分辨率组织学上有全面的解剖学注释，并与艾伦基因表达图谱整合。然而，它只对单个标本的稀疏组织切片集进行了描绘（类似于印刷图谱）。为了对活体MRI进行3D分析，作者使用受其自身图谱启发的协议手动标记了MNI模板（图1K），但标签数量较少，描绘也不够准确——因为它们是在MRI上而不是组织学上进行的。
AHEAD脑（图1L-N）包含两个独立标本的定量MRI和配准的3D组织学。这些标本有几十个结构的解剖学标签，但几乎全部是基底节的。此外，这些标签是从MRI中通过自动化方法获得的，而不是在高分辨率组织学上手动追踪的。
虽然这些整个人脑的组织学图谱提供了精美的3D细胞结构图、与其他数据集（例如，基因表达）的互操作性以及一定程度的MRI-组织学整合，但目前既没有：（i）密集标记的整个人脑3D组织学数据集；也没有（ii）从这类数据集构建的概率图谱，而这将使得能够在亚区水平进行诸如贝叶斯分割或CCF映射之类的分析。
在本文中，我们展示了NextBrain，一个新一代的人脑概率图谱，它由五个半脑的全面标记、多模态3D组织学构建而成（图1O-P）。完整的数据集包含约10,000个用苏木精和伊红（H&E，可区分细胞核和细胞质）和Luxol固蓝（LFB，可增强髓鞘）染色的切片。这些切片：（i）通过离体MRI扫描和由人工智能（AI）驱动的高度定制的图像配准方法进行了3D重建；以及（ii）通过AI辅助的半自动分割方法密集地分割为333个感兴趣区域（ROI）（图1Q）。3D标签图最终用于构建一个概率图谱（图1R），该图谱与一个用于自动分割MRI扫描的贝叶斯工具相结合（图1S）。
作为第一个由组织学构建的密集标记的人脑概率图谱，NextBrain使得以前不可能实现的脑MRI分析细节水平成为可能。我们的结果展示了：我们3D组织学重建的高精度；NextBrain准确分割活体或离体采集的MRI扫描的能力；其在阿尔茨海默病组研究中区分患病和对照受试者的能力；以及以前所未有的细节进行的健康大脑衰老体积研究。
除了图谱和配套的分割工具，我们公开发布的NextBrain还包括：
（i）用于构建图谱的原始和配准图像，这对于MRI信号建模或组织学配准研究来说是宝贵的资源；
（ii）这些数据的在线可视化工具，用于教育和数据检查目的；
（iii）源代码和流程，它们不需要任何高度专业的设备，例如艾伦或朱利希等特定地点使用的完整冠状切片全脑程序（例如，全脑切片机、定制载玻片），从而使其具有广泛的适用性；
（iv）我们对一个公开可用的100微米各向同性离体扫描的手动3D分割（此处用于定量评估），这本身就是一个宝贵的资源，例如，用于该扫描的离体CCF中的ROI分析，或用于分割方法的开发和验证。
5个供体的半人脑的密集标记3D组织学
NextBrain工作流程总结在图2中，并在方法部分进行了详细说明。该流程的第一个结果（图A-G）是一个多模态数据集，包含来自五个供体的半人脑（三个右侧，两个左侧），包括半个小脑和脑干。五个病例中的每一个都包含精确对齐的高分辨率离体MRI、连续的组织学（H&E和LFB染色），以及对333个皮层和皮层下脑ROI的密集真实分割。
图2：NextBrain工作流程
(A) 福尔马林固定的半球照片。
(B) 高分辨率（400微米）离体MRI扫描、FreeSurfer分割和提取的软脑膜表面（用FreeSurfer进行分区）。
(C) 石蜡包埋前后的组织板和组织块。
(D) 用H&E和LFB染色的切片。
(E) 使用AI方法在切片上半自动标记333个ROI。
(F) 使用自定义配准算法初始化组织块的仿射对齐，该算法可最小化组织块之间的重叠和间隙。
(G) 使用组织学和非线性变换对配准进行精细调整，结合使用AI和贝叶斯技术。
(H) 3D概率图谱的正交切片。
(I) 使用该图谱对活体扫描进行333个ROI的自动贝叶斯分割。
对齐一个病例的组织学类似于在3D中解决一个2000片的拼图游戏，以离体MRI为参考（类似于盒子封面上的图像），并且这些碎片因切片和安装在载玻片上而变形——偶尔还会出现组织折叠或撕裂。这个问题超出了现有模态间配准技术的范围，包括切片到体积和3D组织学重建方法，这些方法不必处理数千个切片的联合约束，这些切片是在不同块中以非平行平面采集的。
相反，我们用一个定制的、最先进的图像配准框架来解决这个具有挑战性的问题（图3），该框架包括三个专门为本项目开发的组件：（i）一个可微分的正则化器，可最小化不同块的重叠和块之间的间隙；（ii）一个使用对比学习的AI配准方法，可在MRI和组织学之间提供高度精确的相应脑组织对齐；以及（iii) 一个基于李代数的贝叶斯精细调整技术，即使在由于组织折叠和撕裂而存在异常值的情况下，也能保证跨模态重建的3D平滑性。我们注意到，这是我们先前介绍的流程的演进，它结合了上述对比AI方法并联合优化了仿射和非线性变换，从而使配准误差减少了32%（详情如下）。
图3：病例1的3D重建。
(A) 3D重建的冠状切片；从不均匀的染色中可以注意到块之间的边界。
(B) 一个块的配准MRI、LFB和H&E组织学，叠加了组织边界（在LFB上追踪）。
(C) 重建的正交视图，由于贝叶斯精细调整而平滑，并且由于正则化器而避免了间隙和重叠。
(D) 3D地标配准误差的可视化（左）；其大小的直方图（右）；以及平均值±标准差（底部），与我们之前的流程进行比较。其他病例的结果见扩展数据。所有病例的平均地标误差为0.99毫米（之前的流程为1.45毫米）。
从图3可以明显看出，尽管原始数据中存在非平行切片和变形，但空间对齐达到了很高的精度。正则化器有效地在3D中对齐了块边界，没有间隙或重叠（图3A-C），块之间存在轻微的不连续性（例如，在颞叶）。当不同块的分割结合在一起时（图3A，右），结果是一个平滑的ROI标签马赛克。
图3B举例说明了MRI和组织学染色之间的AI辅助配准。将主要ROI轮廓叠加在不同模态上，揭示了三种模态（MRI、H&E、LFB）的高度精确对齐，即使在皮层和基底节的卷曲区域也是如此。模态的马赛克也突显了在亚结构水平上的精确对齐，例如，海马的亚区。
图3C显示了与主切片平面（冠状面）正交方向的3D重建。这不仅说明了块之间没有间隙和重叠，而且还说明了块内部实现的平滑性。这要归功于贝叶斯精细调整算法，该算法结合了以下方法的最佳特性：（i）独立对齐每个切片（对参考的保真度高，但重建呈锯齿状）和（ii）将切片与相邻切片对齐（重建平滑，但有“香蕉效应”，即弯曲结构的拉直）。
定量结果呈现在图3D以及扩展数据图1-4D中。使用250对手动放置的地标（已知比标签重叠指标的相似性更能代表配准误差）评估的配准误差为0.99 ± 0.51毫米——与我们之前的流程（1.45 ± 1.68毫米，Wilcoxon p=2×10−22）相比有了相当大的减少。误差的空间分布通过核回归在扩展数据图5中进一步可视化，该图显示该分布相当均匀，即病例之间没有明显的模式。
我们的流程具有广泛的适用性，因为它能从标准尺寸盒中的组织块中产生精确的3D重建，并使用标准切片机进行切片。计算机代码和对齐的数据集可在我们的公共存储库中免费获得（见数据可用性）。为了教育和数据检查目的，我们为多模态数据构建了一个在线可视化工具，可在以下网址获得：github-pages.ucl.ac.uk/NextBrain。
补充视频1展示了对齐的数据，其中包括：（i）400微米各向同性分辨率的MRI；（ii）以4微米分辨率数字化的对齐的H&E和LFB组织学（间距为250或500微米，取决于大脑位置）；以及（iii）使用半自动AI方法获得的ROI分割。ROI包括34个皮层标签（遵循Desikan-Killiany图谱）和299个皮层下标签（遵循不同脑区的不同图谱；见下面的方法部分和补充材料）。这个公共数据集使全球研究人员不仅可以在3D组织学重建方面进行自己的研究，还可以在其他领域进行研究，例如：高分辨率MRI或组织学分割；MRI到组织学和组织学染色到染色的图像转换；从组织学推导MRI信号模型；以及许多其他领域。
新一代人脑概率图谱
来自五个人脑半球的标签被共同配准并合并成一个概率图谱。这是通过一种交替将体积配准到模板的估计值，并通过平均来更新模板的方法实现的。配准方法是微分同胚的，以确保神经解剖学拓扑的保留（例如，ROI在变形过程中不会分裂或消失）。关键的是，我们使用基于MNI模板的初始化，这有两个重要的目的：防止对任何病例的偏见（如果用其中一个初始化就会发生）；以及将我们的图谱“中心化”到一个由305名受试者计算出的成熟CCF上，这在很大程度上缓解了我们相对较少的病例数。由于MNI模板是一个灰度体积，图谱构建的第一次迭代使用从离体MRI扫描计算出的配准。后续迭代直接使用基于图谱中离散标签概率的度量来配准标签。
图4显示了图谱正交切片的特写，该图谱在0.2毫米各向同性网格上为333个ROI建模了体素级概率。该图谱的分辨率和细节代表了相对于目前FreeSurfer中SAMSEG图谱的重大进步（图4A）。SAMSEG在1毫米分辨率下对13个脑ROI进行建模，据我们所知，它是覆盖所有脑区的最详细的概率图谱。该图还显示了使用简化的艾伦协议对MNI图谱进行手动标记的大致对应切片。与NextBrain相比，这种标记不是概率性的，并且不包括许多在MNI模板上不可见的组织学边界（例如，海马亚区，紫色）。因此，它只有138个ROI——而NextBrain有333个。
图4：NextBrain概率图谱。
(A) NextBrain概率图谱（有333个ROI）、FreeSurfer中的SAMSEG图谱（13个ROI）和基于艾伦图谱的MNI手动标签（138个ROI）的部分。
(B) NextBrain三个正交切片的特写。颜色编码遵循艾伦图谱的惯例，其中色调表示结构（例如，紫色是丘脑，紫罗兰色是海马，绿色是杏仁核），饱和度与神经元密度成正比。每个体素的颜色是对应ROI的颜色的加权和，权重是该体素处的相应概率。红线根据每个体素处最可能的标签来分隔ROI，从而突出了颜色相似的ROI之间的边界；我们注意到，锯齿状的边界是概率图谱在两个或多个标签连续混合的区域（例如，小脑皮层的两层）中常见的离散化伪影。
补充材料中包含了Mai & Paxinos印刷图谱的所有数字化切片与艾伦参考脑和NextBrain大致等效切片之间的全面比较。三个图谱之间的一致性通常很好，特别是对于整个结构的外部边界，例如，整个海马、杏仁核或丘脑。在亚结构（皮层和皮层下，例如，伏隔核的细分）的描绘中可以发现轻微的差异，这主要是由于：（i）由于较小区域缺乏对比度，在两个图谱中都强制选择应用任意解剖学标准；（ii）不同的解剖学定义；以及（iii）NextBrain的概率性质。我们强调，这些差异并非NextBrain独有，因为它们也存在于Mai-Paxinos和艾伦之间。
图4B显示了以代表性脑区为中心的NextBrain切片特写，并叠加了ROI之间的边界（根据最大似然分割计算）为红色。这些突显了新图谱的解剖学精细度，对于诸如丘脑、海马、杏仁核、中脑等区域有数十个亚区。补充视频2展示了完整图谱的概览，它说明了图谱的构建过程，并以轴向、冠状和矢状视图飞越所有切片。
该概率图谱作为我们与FreeSurfer一起分发的分割模块的一部分免费提供。最大似然和颜色编码的概率图（如图4所示）也可以从我们的公共存储库中单独下载，用于快速检查和教育目的（见数据可用性）。神经影像方法的开发者可以自由地利用这一资源，例如，通过与其他图谱结合或手动追踪新标签来扩展图谱；或通过使用该图谱设计他们自己的分割方法。神经影像研究人员可以使用该图谱进行精细的自动分割（如下所示），或作为高度详细的CCF进行群体分析。
超高分辨率离体MRI的自动分割
NextBrain实现的新分析之一是对超高分辨率离体MRI进行自动精细分割。由于离体成像中没有运动因素，因此可以使用非常长的MRI扫描时间来采集在活体中不可行的分辨率的数据。一个例子是中介绍的公开可用的100微米各向同性全脑，它是在7T MRI扫描仪上进行了100小时的扫描获得的。这类数据集在中观研究中具有巨大的潜力，可将显微镜与活体成像联系起来。
超高分辨率离体MRI的体积分割在神经影像学中可以以两种不同的方式具有高度优势。首先，通过补充诸如100微米大脑之类的扫描，提供增强其作为图谱价值的神经解剖学信息，例如，作为共同坐标系或用于分割目的。其次，通过使离体MRI数据集能够进行大规模分析（例如，体积测量或形状分析）。
对这些数据集进行密集的手动分割实际上是不可行的，因为它需要在超过 1,000 个切片上手动追踪 ROI。此外，人们通常希望以比活体更高的细节水平（即，更多尺寸更小的 ROI）来标记这些图像，这加剧了问题。人们可以利用半自动方法，例如我们在构建 NextBrain 时使用的 AI 辅助技术（见上一节），该技术将手动分割限制为每 N 个切片中的一个（在这项工作中 N=4）。然而，这种策略只能在一定程度上缓解问题，因为仍然需要对相当一部分切片进行繁琐的手动分割。
因此，一个更具吸引力的替代方案是自动分割。然而，现有的方法存在局限性，因为它们要么：（i）是为1毫米活体扫描设计的，没有利用离体MRI增加的分辨率；要么（ii）利用了用离体扫描训练的神经网络，但ROI数量有限，因为生成训练数据需要巨大的标记工作。
NextBrain规避了这一限制：作为一个神经解剖学的概率图谱，它可以与成熟的贝叶斯分割方法（对MRI对比度具有自适应性）相结合，将超高分辨率离体MRI扫描分割为333个ROI。我们已在FreeSurfer中发布了一个实现，该实现可在配备图形处理单元（GPU）的台式机上约1小时内分割全脑扫描。
为了定量评估该分割方法，我们创建了一个公开的100微米大脑的真实分割，我们将其作为NextBrain的一部分公开发布。为了使这项繁重的任务变得实用可行，我们通过五种方式对其进行了简化：（i）将数据下采样到200微米分辨率；（ii）仅标记一个半球；（iii）使用与NextBrain中相同的半自动AI方法以加快分割速度；（iv）使用FreeSurfer自动细分大脑皮层；以及（v）仅标记98个可见ROI的子集（见补充视频3和4）。即使有这些简化，标记扫描也花费了超过100小时的手动追踪工作。
我们使用Dice重叠分数将真实标签与NextBrain产生的自动分割进行了比较。由于真实标签的ROI较少（特别是在脑干中），我们：（i）将自动分割中与真实标签中的ROI相对应的ROI进行聚类；以及（ii）使用一个版本的NextBrain，其中脑干ROI被简化以更好地匹配真实标签的ROI（有264个标签而不是333个）。结果显示在扩展数据表1中。正如预期的那样，大小与Dice之间存在明确的联系。较大的ROI，如大脑白质或皮层，Dice约为0.9。较小的ROI的Dice较低，但很少低于0.4——这足以定位ROI。我们注意到，中位Dice（0.667）与大脑亚区的其他贝叶斯分割方法报告的值相当。
图5显示了样本切片及其相应的自动和手动分割。该数据集的精美分辨率和对比度使我们的图谱能够准确地描绘大量大小差异很大的ROI，包括海马、杏仁核、丘脑、下丘脑、中脑等的小核和亚区。撇开标签精细度的差异，自动分割和真实分割之间的一致性在定性上非常强。
图5：使用简化版NextBrain对公开可用的超高分辨率离体脑MRI进行自动贝叶斯分割，并与真实情况进行比较（仅右半球可用）。我们展示了两个冠状、矢状和轴向切片。为了处理，MRI被重采样到200微米各向同性分辨率。与前面的图一样，分割使用艾伦颜色图，并以红色叠加边界。我们注意到，手动分割使用了较粗糙的标记协议。
据我们所知，这是迄今为止对人脑MRI扫描进行的最全面的密集分割。随着包含数十次扫描的离体数据集的出现，我们的工具在增强人脑中观研究方面具有巨大潜力。此外，我们发布的标记MRI在其他神经影像学研究中也具有巨大潜力，例如，用于训练或评估分割算法；用于高分辨率离体空间中的ROI分析；或通过基于配准的分割进行体积分析。
活体MRI的精细分析
NextBrain还可用于以图谱的分辨率（200微米各向同性）自动分割活体MRI扫描，从而达到前所未有的细节水平。研究中使用的扫描通常具有各向同性分辨率，体素大小范围为0.7至1.2毫米，因此不能像超高分辨率离体MRI那样详细地显示所有ROI边界。然而，许多边界仍然可见，包括脑结构（海马、丘脑等）的外部边界和一些内部边界，例如，丘脑前内侧核和后外侧核之间的边界。贝叶斯分割利用这些可见边界，并将其与图谱中编码的先验知识相结合，以产生完整的细分——尽管对于不清晰的边界的可靠性较低。图2F显示了一个样本分割。
分割准确性评估：
我们首先在两个不同的实验中对活体分割进行了定量评估。首先，我们将上一节的离体MRI扫描下采样到1毫米各向同性分辨率（即活体扫描的标准分辨率）；以200微米分辨率对其进行分割；并计算与高分辨率真实值的Dice分数。结果显示在扩展数据表1中。中位Dice为0.590，比200微米时低0.077，但对于如此小的ROI来说仍然尚可。此外，大多数Dice分数保持在0.4，与超高分辨率时一样，这暗示先验知识可以成功地提供内部边界的粗略定位，前提是外部边界更可见。
在第二个实验中，我们分析了NextBrain在OpenBHB中产生的Dice分数，OpenBHB是一个公开的元数据集，包含在60多个地点采集的超过3,000名健康个体的约1毫米各向同性T1加权扫描。我们以FreeSurfer 7.0为银标准，在整个区域的水平上计算了我们分割的Dice分数，即FreeSurfer提供的粒度水平。虽然这些分数无法评估亚区水平的分割准确性，但它们确实能够在一个更大的多中心队列上进行评估，并与艾伦MNI模板进行比较——这是唯一一个可以对整个大脑进行活体分割的竞争性组织学（或更确切地说，受组织学启发的）图谱（图1）。结果（扩展数据图6）表明：（i）NextBrain始终优于艾伦MNI模板，正如预期的那样，因为一个图谱是概率性的而另一个不是；以及（ii）NextBrain产生的Dice分数在贝叶斯分割方法预期的范围内——尽管只使用了五个病例，这要归功于生成模型的出色泛化能力。
应用于阿尔茨海默病（AD）分类：
为了进一步比较NextBrain与艾伦MNI模板，我们使用了一个基于ROI体积（经年龄和颅内体积校正）的线性判别分析（LDA）的AD分类任务。在一个预期存在强烈差异的任务上使用简单的线性分类器，使我们能够将分类准确率作为输入特征质量的代理，即，从自动分割中得出的ROI体积。为了能够直接比较，我们使用了来自ADNI数据集的383名受试者的样本（168名AD，215名对照），我们在之前的出版物中曾使用过这些样本。
使用FreeSurfer 7.0估计的ROI体积（不包括亚区）产生的受试者工作特征曲线下面积（AUROC）等于0.911，其拐点处的分类准确率为85.4%。艾伦MNI模板利用亚区信息实现了AUROC = 0.929和86.9%的准确率。NextBrain增加的分割准确率和粒度使其能够实现AUROC = 0.953和90.3%的准确率——与艾伦MNI模板相比，AUROC有显著增加（DeLong检验p = 0.01）。这个AUROC也优于我们之前工作中提出的特定离体图谱的AUROC——其范围从0.830到0.931。
应用于衰老的精细特征：
我们对来自Ageing HCP数据集的705名受试者（年龄36-90岁，平均59.6岁）进行了NextBrain的贝叶斯分割，该数据集包含高质量的0.8毫米分辨率活体扫描。我们计算了每位受试者的ROI体积，对其进行了总颅内体积（通过除法）和性别（通过回归）校正，并计算了它们与年龄的Spearman相关性。我们使用Spearman而不是Pearson相关性，因为它是基于秩的，更适合于衰老轨迹的模型，因为已知衰老轨迹在较宽的年龄范围内是非线性的。
该分析的结果，据我们所知，是迄今为止最全面的人脑区域性衰老图谱（图6A和扩展数据图7A；另见扩展数据图8中选定ROI的完整轨迹）。在皮层方面，我们发现前额叶皮层（图中用’a’标记）和岛叶（b）与年龄呈显著负相关，而颞叶（c）和海马旁皮层（d）未产生显著相关性；这与皮层厚度研究的发现一致。已知白质（e）在约35岁后稳步下降，NextBrain也检测到这种负相关。在整个结构水平上的其他一般衰老模式也成功地被捕获，例如尾状核、丘脑或壳核（f）的稳步体积减少，或海马、杏仁核或苍白球的体积减少。
图6：从活体MRI扫描得出的ROI体积与年龄的Spearman相关性绝对值：
（A）Ageing HCP数据集（图像分辨率：0.8毫米各向同性；年龄范围：36-90岁；平均年龄：59.6岁）；请参阅正文了解标记（字母）的含义。
(B) OpenBHB数据集，限制为年龄超过35岁的受试者以匹配Ageing HCP（分辨率1毫米各向同性；年龄范围：36-86岁；平均年龄：57.9岁）。
(C) 完整的OpenBHB数据集（年龄范围：6-86岁，平均年龄：25.2岁）；请注意色标的不同比例。ROI体积已通过颅内体积（通过除法）和性别（通过回归）进行校正。更多切片显示在扩展数据图6中。
重要的是，NextBrain还揭示了这些区域内体积与衰老之间关系的更精细模式。例如，前尾状核（g）的年龄与体积之间的负相关性比后尾状核（h）更强。同样，苍白球外侧段（i）的相关性比内侧段（j）更强——这在以前研究整个苍白球的工作中没有观察到。调查独立亚区的能力突显了衰老对不同脑网络的不同影响，特别是对边缘网络和前额叶网络区域的影响更强，考虑到我们在尾状核头部（g）、岛叶（b）、眶额皮层（k）、杏仁核和丘脑中发现的相关性。在丘脑内，相关性在背内侧核（l）、前腹侧核（m）和枕下核（n）中更显著，这些是边缘、眶额外侧和背外侧前额叶回路中的关键区域。在海马中，下丘脑区域（o）的相关性比结构的其他部分更强。在杏仁核（边缘系统中的关键区域）、下丘脑和小脑中，相关性强度的模式在亚区之间更均匀。
然后，我们重新审视了OpenBHB数据集，并仅对年龄超过35岁的受试者进行了相同的回归分析，以匹配Ageing HCP数据集的年龄范围（N=431，年龄36-86岁，平均57.9岁）。结果显示在图6B和扩展数据图7B中。尽管采集存在差异且OpenBHB数据集异质性很大，但结果与HCP的结果高度一致——但显著性略低，这可能是由于体素尺寸增加（是原来的两倍，因为1/0.83 ≈ 2）。
我们还对OpenBHB中的所有3,220名受试者进行了相同的分析；结果见图6C和扩展数据图7C。对于许多区域，将年龄范围扩大到6-86岁（平均年龄：25.2岁）会产生非单调的衰老曲线，因此Spearman相关性较弱。因此，这些图表突出了那些体积最早开始随年龄减少的区域，例如壳核或内侧丘脑。年龄与ROI体积之间的许多其他关联模式与老年人群的模式非常相似（例如，基底节或海马）。
该分割代码已在FreeSurfer中公开发布：https://surfer.nmr.mgh./fswiki/HistoAtlasSegmentation，并且只需一行代码即可运行。这使全球研究人员能够在无需手动操作或高度特定的神经解剖学知识的情况下，以更精细的细节水平分析他们的扫描。
讨论与结论
NextBrain是新一代的人脑概率图谱，它已公开发布，并与配套的贝叶斯分割工具和多模态数据集一起分发。该数据集本身已经是一个非常有价值的资源：研究人员可以免费访问原始和配准数据，他们可以将其用于自己的研究（例如，在MRI信号建模或配准中），或者通过在新ROI上进行标记（例如，在组织学或MRI数据上）并重建图谱来扩充图谱。图谱本身是一个新颖的、高分辨率的群体分析共同坐标系。对100微米离体脑MRI扫描的3D分割是对这一资源的宝贵补充。最后，贝叶斯工具能够以前所未有的粒度对离体和活体MRI进行分割。
由于其体积和语义性质，NextBrain可以被其他描述大脑其他方面的分割方法和图谱所补充。例如，可以通过表面模型实现更准确的皮层分割和分区。我们目前正在研究结合神经网络和几何处理的模型，以从活体和离体扫描中获得层状分割。表面放置也将保证与通过多模态数据获得的皮层图谱的兼容性。
NextBrain是可扩展的：由于所有数据和代码都是公开的，因此可以下载数据，修改（或扩展）手动注释，然后重新运行所有脚本来构建自定义图谱。然而，这些任务需要领域专业知识和计算能力。自动化此过程以使其更易于访问是可取的，但也是一项相当大的工程——因此仍有待未来工作。
NextBrain中的贝叶斯分割工具与1毫米各向同性扫描兼容，正如阿尔茨海默病和衰老实验所示。与其他概率图谱一样，贝叶斯分割可以通过病理模型进行增强，以自动分割病理，例如肿瘤或白质高信号。重要的是，NextBrain的高细节水平使我们能够充分利用高分辨率数据，例如离体MRI、超高场MRI（例如，7T）和令人兴奋的新模态，如HiP-CT。随着高质量3D脑图像的日益普及，NextBrain以其卓越的粒度分析它们的能力，为增进对健康和疾病状态下人脑的认识带来了巨大希望。