用于磁共振成像（MRI）分割的人类大脑概率组织学图谱

《Nature》：A probabilistic histological atlas of the human brain for MRI segmentation

NextBrain是一种基于人工智能和贝叶斯方法构建的高分辨率全脑概率图谱，整合了五个半脑的3D histology数据，实现了333个脑区的自动分割。其创新点包括：改进的图像配准算法将误差降低至0.99毫米，支持超分辨率MRI分割；通过概率建模和优化，提供连续的脑区概率分布；应用案例涵盖阿尔茨海默病分类（AUROC达0.953）和全生命周期脑区体积变化分析，显著优于传统图谱。

　　脑图谱是神经影像学研究中不可或缺的工具，它为研究人员提供了一个标准化的参考框架，使得不同个体的脑区感兴趣区域（ROIs）能够被精确分割并进行比较。目前，最先进的脑图谱主要来源于组织学数据，如BigBrain和Julich-Brain，这些图谱在三维结构上提供了细致的细胞结构映射，但缺乏对全脑所有位置的精确概率标签，即每个位置属于特定ROIs的可能性。为了解决这一限制，研究人员开发了NextBrain，这是一个全脑的概率组织学图谱。NextBrain不仅整合了来自五个全脑半球的组织学切片，还使用人工智能技术将这些切片对齐到三维体积中，并生成了333个ROIs的精细划分。此外，NextBrain还附带了一个基于贝叶斯方法的自动分割工具，可用于磁共振成像（MRI）扫描中的ROIs分割。该图谱被应用于两个主要领域：超高分辨率离体MRI的分割和活体MRI中阿尔茨海默病的体积分析。

NextBrain的核心优势在于其高分辨率和全脑覆盖。它利用先进的图像对齐和分割技术，将超过10,000张组织学切片对齐到三维体积中，这些切片来源于五个不同的全脑半球。该图谱不仅包含详细的组织学信息，还通过贝叶斯方法将这些信息应用于MRI数据，从而实现了全脑的自动分割。此外，NextBrain还提供了精确的概率标签，使得研究人员可以更准确地识别不同脑区的结构和功能。

NextBrain的开发过程涉及多个关键步骤。首先，研究人员使用定制的人工智能方法对齐组织学切片，并生成详细的ROI分割。然后，他们使用贝叶斯方法对齐MRI数据，以确保分割结果在全脑范围内具有较高的准确性。这种方法不仅提高了分割的精确度，还能够处理MRI图像中可能存在的不同对比度和分辨率。NextBrain的构建还考虑了如何将不同来源的组织学数据整合到一个统一的图谱中，以确保其在不同个体间的可比性。

NextBrain的图谱和分割工具已经公开发布，研究人员可以自由访问这些数据，并利用它们进行各种神经影像学研究。例如，NextBrain可以用于超高分辨率离体MRI的分割，以研究特定脑区的结构和功能。此外，它还可以用于活体MRI的体积分析，以评估阿尔茨海默病等神经退行性疾病的影响。NextBrain还提供了详细的概率标签，使得研究人员能够更精确地识别不同脑区的结构和功能。

NextBrain的另一个重要应用是阿尔茨海默病的分类。研究人员使用NextBrain的概率标签和贝叶斯分割方法，对活体MRI数据进行了分类分析。结果表明，NextBrain的分割方法在分类准确性方面显著优于传统的图谱，如Allen MNI模板。这是因为NextBrain的概率标签能够提供更详细的结构信息，使得分类模型能够更好地捕捉不同脑区的特征。

NextBrain的图谱还能够用于研究脑老化。通过分析ROI体积与年龄之间的关系，研究人员发现了一些重要的老化模式。例如，前额叶皮层和岛叶的体积随年龄增长而减少，而白质的体积则在35岁后开始稳定下降。这些发现为理解脑老化提供了新的视角，并有助于开发更精确的诊断和治疗策略。

NextBrain的开发还涉及多个技术挑战，包括如何处理组织学切片的非平行性、如何确保分割结果的平滑性以及如何提高分割的准确性。研究人员使用了先进的图像对齐和分割方法，如基于深度学习的半自动分割和贝叶斯优化，以解决这些问题。这些方法不仅提高了分割的精度，还使得NextBrain能够处理高分辨率的MRI数据，从而在神经影像学研究中发挥重要作用。

总的来说，NextBrain的出现为神经影像学研究提供了新的工具和方法。它不仅能够实现全脑的高分辨率分割，还能够提供详细的概率标签，使得研究人员能够更精确地分析不同脑区的结构和功能。此外，NextBrain还能够用于研究脑老化和神经退行性疾病，为临床诊断和治疗提供了新的可能性。随着高分辨率MRI数据的普及，NextBrain有望成为神经影像学研究的重要资源，推动我们对人类大脑健康与疾病的理解。