7T 磁共振成像：解锁个体大脑多模态精准映射的奥秘

《Scientific Data》：Multimodal precision MRI of the individual human brain at ultra-high fields

为解决传统神经影像学研究依赖群体平均数据、限制 MRI 特异性和临床效用的问题，研究人员开展了多模态精准神经成像和连接组学（PNI）7T MRI 数据集研究。他们对 10 名健康个体进行扫描，获得多模态数据，该数据集有助于理解大脑结构 - 功能关系，具有重要意义。

　　在探索人类大脑奥秘的征程中，神经影像学一直发挥着关键作用。它就像一把神奇的钥匙，让科学家们能够在不侵入人体的情况下，大规模地研究大脑的结构和功能网络。然而，这把 “钥匙” 目前还存在一些 “瑕疵”。大多数人类 MRI 研究在短暂的扫描过程中收集的个体特异性数据有限，这使得标准的神经影像学研究主要围绕群体平均数据展开。虽然这些群体数据揭示了大脑组织的基本原理，但却限制了 MRI 在个体层面的特异性和临床应用价值。比如说，在诊断某些脑部疾病时，由于忽视了个体大脑的独特性，可能会导致误诊或治疗方案不够精准。

为了攻克这些难题，来自麦吉尔大学（McGill University）的 McConnell Brain Imaging Centre 等机构的研究人员挺身而出，开展了一项意义非凡的研究。他们聚焦于多模态精准神经成像和连接组学（PNI），利用 7T MRI 技术，对 10 名健康个体进行了全面的 MRI 扫描。最终，他们成功构建了多模态精准神经成像数据集，并将其公开，这一成果发表在《Scientific Data》上。这一数据集就像是一本详细的 “大脑地图集”，为深入了解人类大脑结构与功能的关系提供了全新的视角，对推动神经科学研究和临床应用有着不可估量的意义。

在这项研究中，研究人员用到了几个关键的技术方法。首先是 7T MRI 数据采集技术，使用 7T Terra Siemens 设备及特定的头线圈，在三个不同的扫描 session 中，对参与者进行 4 种结构成像和 5 种功能成像扫描。其次是数据预处理技术，利用 dcm2niix 将原始 DICOM 数据转换为 Nifti 格式，按照 BIDS 标准整理数据，并使用 micapipe 等软件进行预处理，包括图像去噪、校正和归一化等操作。最后是构建连接组和计算梯度技术，基于不同的成像序列构建区域间的结构和功能连接组，运用 Brainspace v0.1.3 计算皮质梯度。

下面来看看具体的研究结果。

• 参与者与数据采集：研究选取了 10 名健康成年人（4 名男性 / 6 名女性，年龄 26.6±4.60 岁 ，左 / 右利手比例为 2/8），在 2022 年 3 月至 2023 年 11 月期间，于蒙特利尔神经病学研究所（The Neuro）的 McConnell Brain Imaging Centre 进行实验。每位参与者都要经历三次测试 session，每次 session 间隔约 95.45 天。MRI 数据采集方案获得了麦吉尔大学和蒙特利尔神经病学研究所研究伦理委员会的批准，所有参与者均签署了知情同意书，同意公开分享匿名数据。
• MRI 数据采集：结构成像方面，采用多种序列，如 MP2RAGE 序列（用于研究皮质形态和皮质内微观结构组织）、扩散加权 MRI 扫描（用于检查结构连接组和纤维结构）、磁化转移（MT）成像（对髓鞘敏感）和 T₂^*加权多回波梯度回波（ME - GRE）成像（对铁敏感）。功能成像则通过多回波 fMRI 进行，包括静息态、任务态（如情景记忆编码 / 检索、语义任务）以及观看电影时的扫描，以此来追踪自然观看条件下的血流动力学活动。
• MRI 数据预处理：原始数据经过格式转换、按照 BIDS 标准整理和验证后，使用 micapipe 软件进行预处理。结构 MRI 图像进行匿名化和去标识处理，T₁w 图像还要进行去倾斜、背景降噪、偏置场校正等一系列操作。定量图像处理采用统一分割校正方法（UNICORT）校正 B₁⁺不均匀性引入的偏差，生成 T₂^*图、MT 饱和度（MTSAT）等指标，并构建特定的表面以获取皮质内强度轮廓。扩散 MRI 数据要进行去噪、校正多种伪影和偏差场，计算分数各向异性和平均扩散率等指标。多回波 fMRI 数据利用多种软件进行处理，包括重新定向、运动校正、提取和组合时间序列等操作。
• 连接组和梯度计算：研究人员基于不同的图谱构建了顶点级的个体和群体水平连接组矩阵，包括解剖图谱、基于功能连接的图谱和多模态图谱等。计算了皮质区域间的测地距离（GD），构建了微观结构轮廓协方差（MPC）矩阵和结构连接组（SC）、功能连接组（FC）。通过这些数据，使用 Brainspace v0.1.3 计算个体和群体水平的连接梯度，不同模态的梯度反映了大脑不同方面的组织特征，且部分梯度具有较高的可重复性。
• 数据记录与质量控制：所有数据按照 BIDS 标准组织，存储在 Open Science Framework 平台上。原始数据和处理后的数据分别进行压缩存储，并提供了质量控制报告。通过多种指标评估数据质量，如对比噪声比（CNR）、信号噪声比（SNR）、帧间位移（FD）等，确保数据的可靠性。同时，对皮质表面分割进行了人工检查和修正，保证数据的准确性。
• 可识别性和可靠性：通过评估测试 - 重测可靠性，研究发现不同模态（如默认模式网络（DMN）、结构连接组（SC）和 MPC）在个体内的可靠性高于个体间，具有较强的可识别性，这表明该研究的 UHF 数据能够可靠地区分不同个体的大脑模式，同时保留个体差异。

综上所述，这项研究通过构建多模态精准神经成像数据集，为研究人类大脑结构与功能关系提供了重要资源。研究结果有助于深入理解大脑的组织原理，在神经科学研究和临床诊断、治疗等方面具有广阔的应用前景。未来，基于这一数据集的进一步研究有望揭示更多大脑的奥秘，为解决脑部相关疾病带来新的突破。