关于脑图谱的一些知识笔记

查看了这个关于脑区的划分方法及一些模板说明的博客
发现了蒋田仔老师的一些相关资料，对这个脑区划分的历史和研究进行了详细的说明。
此处记录和补充一些笔记和心得。
PPT_pdf ：The Human Brainnetome Atlas and its Applications in Understanding of Brain Functions and Disorders
中文翻译是 《脑网络组图谱及其在脑认知与脑疾病方面的应用》
文字版报道
PPT的视频报告

脑网络的构成

脑网络组（brainnetome）是由两个基本要素构成，一是网络的节点（node），二是节点跟节点的连接（connection）
可以从不同尺度来进行研究，包括从神经元到脑区。

三个不同的尺度进行定义和研究：节点为神经元（neuron）的微观尺度、节点为神经元群的介观尺度（mesoscale）、节点为脑区的宏观尺度。

从微观尺度看，人脑有$10^{11}$ 个神经元和$10^{15}$个连接，所以如果要从微观尺度研究全脑是不可能的，至少以目前的计算资源是无法做到的。

更小的规模就是介观尺度。介观尺度以目前的算力和计算水平也达不到全脑研究的要求。

今天要讲的主要是宏观尺度。宏观尺度就是连接脑区，在脑区跟脑区之间可以定义解剖连接(anatomical connectivity)、功能连接（functional connectivity）.

脑网络组的五个方面的研究内容

• 第一个方面是网络的拓扑结构；
• 第二个方面是网络的动态变化规律；
• 第三个方面是不同的脑功能，如功能异常在网络上是怎么表征的；
• 第四个方面是一些特定的网络。如跟智力、注意等相关的网络是否有遗传基础；
• 第五个方面是对网络进行仿真与建模；

一些脑区的细胞构筑比较复杂，很容易就能把它分成不同的类型；但还有一些脑区的细胞类型非常一致，这样的脑区，如果完全基于细胞构筑的话，是没办法区分开的。

Brainnetome是中国主导构建2011年开始脑图谱构建计划。973项目，设想的第一件事就是要用五年左右的时间重新绘制一个脑图谱。当时如果完全沿用国外原有的脑图谱绘制思想是不可能完成的。

下面的论文是该方向蒋田仔老师发表的文献。

The Human Brainnetome Atlas: A New Brain Atlas Based on Connectional Architecture
人类脑图谱：基于连接性架构的新脑图谱¹

脑图谱绘制，某种意义上就是图像处理。它是在寻找具有不同特性的脑区之间的边界，某种意义上就是一种图像分割。

图像处理相关领域的人应该都了解，脑图像的基本单元不是一个个细胞，到不了那个程度。脑图像的基本单位并不是细胞，而是体素。二维图像的最小单位是像素，三维的最小单位就是体素。

脑图像跟其他图像有一个本质的区别，那就是脑图像的每一个体素都可以定义跟全脑其他体素之间的连接。所以只要拿一个体素出来，就可以定义它在全脑的连接，即所谓的连接模式（Connectivity Profile）。

有了这个东西以后，就可以比较体素和体素之间的连接模式是否一样。连接模式一样的话，那么它们就在同一个区域里；不一样的话，就在不同的脑区。这就是脑网络组图谱绘制的最基本的思想。

首先，需要有人的磁共振图像以及结构像。如果要进一步定义连接模式，除了结构像以外，我们还需要用于定义解剖连接的弥散磁共振成像，以及可以定义功能连接的功能磁共振成像。

经过反复的论证，我们认为只有解剖连接才有可能作为绘制图谱的工具。

由于功能连接会受各种各样的因素影响，尤其是时间因素——早上跟晚上采集的，功能上有可能也不一样，这种随时间动态变化的东西，是没办法用于绘制图谱的。所以我们使用的是弥散磁共振成像。

逐个询问ai和参考一些资料，介绍一下背景和一些说明，从而更好的理解这个脑图谱的发展脉络。

发展历史

Campbell 图谱

Alfred Walter Campbell，在1905年发表了关于大脑皮层结构的研究。

对大脑皮层的细胞结构进行详细研究，并将其分为不同的区域。Campbell的工作在Brodmann分区之前，是基于组织学结构，即通过显微镜观察脑组织的细胞层次和结构。

将大脑皮层分成了大约20个区域，比如运动区、感觉区、视觉区和前额区等。
Alfred Walter Campbell于1905年发表的 《Histological Studies on the Localisation of Cerebral Function》 中提出的脑图谱，是早期对大脑皮层功能分区的重要研究。该图谱的特点和意义如下：

---

1. 研究背景与方法

• 技术基础：Campbell基于组织学切片和显微镜观察，结合当时新兴的神经元染色技术（如尼氏染色），分析大脑皮层的细胞结构差异。
• 目标：试图将大脑皮层的解剖结构与特定功能（如运动、感觉）联系起来。

---

2. 图谱的主要特点

• 分区依据：通过皮层细胞的排列、密度、神经元类型（如锥体细胞、颗粒细胞）和层次厚度，将大脑皮层分为不同区域。

• 主要分区：

  • 初级运动区（Precentral区域，对应后来的Brodmann 4区）。
  • 体感区（Postcentral区域，类似Brodmann 3,1,2区）。
  • 视觉皮层（枕叶区域，类似Brodmann 17区）。
  • 前额区（与高级认知功能相关）。
  • 其他感觉和联合区域（如听觉、语言区）。

• 功能联系：Campbell强调某些区域的细胞结构特征与其功能直接相关（如运动区的大型锥体细胞与运动控制）。

---

3. 图谱的呈现形式

• 手绘图谱：由于当时缺乏现代成像技术，图谱以手绘示意图为主，标注了不同皮层区域的细胞结构差异。
• 文字描述：详细记录了各分区的组织学特征及推测的功能。

---

4. 与Brodmann分区的对比

• 时间线：Campbell的工作早于Korbinian Brodmann的经典分区（1909年），两者方法类似，但Brodmann的分区更系统（编号1-52区）。
• 差异：Campbell的分区数量较少（约20区），更注重功能联系，而Brodmann更侧重纯解剖学分类。
• 影响：Campbell的研究为后来的功能定位理论（如Penfield的脑图谱）和Brodmann分区提供了基础。

---

5. 历史意义

• 开创性贡献：首次系统地将皮层细胞结构与功能联系起来，挑战了当时认为大脑功能弥散的观点。
• 局限：受限于技术，部分功能推测后来被修正（如联合区的复杂功能未被完全揭示）。

---

6. 现代视角

• 遗产：Campbell的术语（如“颗粒型皮层”“无颗粒型皮层”）仍被用于描述皮层结构。
• 应用：其工作启发了后续的脑图谱研究，如Brodmann、Vogt夫妇和现代连接组学。

该文章提供了一些脑细胞类型的说明²

这些是脑的皮层细胞在显微镜视角下的大致分类。

Brodmann 图谱

第一个比较成熟的可以称为图谱的，现在在脑认知及脑疾病研究中还使用得比较多的图谱。

Brodmann图谱主要是基于细胞构筑进行绘制的脑图谱。

细胞构筑的意思就是看细胞的形状。这一片跟那一片的形状长得很类似，他们认为就在同一个脑区；这一片跟另一片在形状上有明显的不同，他们就认为在不同的脑区。这就是Brodmann图谱绘制的基本思想。

Brodmann把皮层分成了52个不同的区域。现在看来，这个分区是非常粗糙的，而且有好多边界其实是错的。

ai补充说明：

Korbinian Brodmann于1909年发表的**《Vergleichende Lokalisationslehre der Großhirnrinde》（《大脑皮层的比较定位研究》）中提出的Brodmann分区**，是神经科学史上最具影响力的脑图谱之一。它基于大脑皮层的细胞结构差异（细胞构筑学），将人类和其他哺乳动物的大脑皮层划分为52个不同区域，至今仍是神经科学、临床医学和脑成像研究的重要基础框架。

---

1. 研究背景与方法

• 技术基础：Brodmann使用尼氏染色法（Nissl staining）观察神经元的细胞结构（如细胞密度、分层、形态），结合比较解剖学方法，研究不同物种（人类、猿类、啮齿类等）的皮层差异。
• 目标：通过细胞构筑学（cytoarchitecture）建立标准化的皮层分区系统，探索进化中的保守与差异。

---

皮层的六层结构是以哺乳动物为研究对象发现的，不一定适用于其他的动物。新皮质的说明³

大脑皮层中各层的分工⁴

2. 图谱的主要特点

• 分区依据：
  根据皮层6层结构的厚度、神经元密度、细胞类型（如锥体细胞、星形细胞）和排列方式，将人类大脑分为52个编号区域（部分区域仅在非人类灵长类中发现，如人类实际常用约44区）。

• 典型分区举例：

  • Brodmann 4区：初级运动皮层（中央前回），含大型锥体细胞（贝茨细胞），负责自主运动控制。
  • Brodmann 17区：初级视觉皮层（纹状皮层），具有独特的颗粒细胞层，处理视觉信息。
  • Brodmann 41/42区：初级听觉皮层（颞横回），参与声音处理。
  • Brodmann 44/45区：布洛卡区（左半球优势），与语言产生相关。
  • Brodmann 9/46区：前额叶背外侧皮层，涉及工作记忆和决策。
  • Brodmann 25区：膝下皮层，与情绪调节相关（现代抑郁症研究热点）。

• 功能联系：Brodmann最初仅描述解剖结构，但后续研究发现许多分区与功能高度对应（如fMRI研究证实了感觉、运动区的定位）。

---

图2 灵长类动物的初级视觉皮层分层结构，从左至右分别为黑猩猩，猕猴，松鼠猴，猫头鹰猴，狨猴，婴猴，狐猴，树鼩

3. 图谱的呈现形式

• 手绘地图：Brodmann以精细的手绘冠状切面图展示各分区，标注编号和细胞结构特征。
• 跨物种比较：图谱涵盖人类、猴、猫等动物，强调进化中的保守性（如人类4区与猴4区的相似性）。

---

4. 与Campbell分区的对比

• 系统性：Brodmann分区更细致（52 vs. Campbell的约20区），编号系统简化了跨研究交流。
• 功能中立性：Brodmann最初避免直接赋予功能标签，而Campbell更强调结构与功能的直接联系。
• 影响范围：Brodmann分区成为现代脑成像（如fMRI、PET）的定位标准，而Campbell的工作更多作为先驱被引用。

---

5. 历史意义

• 科学范式：首次系统证明皮层细胞结构差异具有功能意义，为“定位主义”（localizationism）提供了关键证据。
• 跨学科影响：
  • 神经外科：Penfield的脑刺激实验（1950s）结合Brodmann分区绘制运动/感觉图谱。
  • 精神病学：精神疾病研究常关联特定Brodmann区（如精神分裂症与前额叶46区）。
  • 脑成像革命：fMRI研究依赖Brodmann编号定位激活区（如“视觉任务激活17区”）。

---

6. 现代应用与争议

• 核心价值：
  • 作为脑成像数据的空间参考框架（如Talairach坐标系常映射到Brodmann区）。
  • 在神经退行性疾病（如阿尔茨海默病累及边缘叶28/34区）和脑肿瘤手术中指导定位。
• 局限性：
  • 个体差异：分区边界在个体间存在变异，细胞构筑与功能不完全重叠。
  • 技术挑战：现代基于AI的脑图谱（如HCP-MMP1）试图结合多模态数据（结构、功能、连接），可能逐步补充Brodmann系统。
• 争议：部分分区（如Brodmann 10区“前额极”）功能复杂，难以简单归类。

---

Brodmann分区的持久生命力在于其简洁性和可验证性。尽管现代研究逐渐转向更精细的多模态图谱，但“BA+编号”仍是神经科学中不可替代的通用语言。

在原来的区域通过聚类进一步划分了结构和功能区

Flechsig 图谱

Flechsig的贡献和研究内容⁵

说明：髓鞘相关

弗莱希格最常指的是保罗·弗莱希格（1847-1929），一位德国神经解剖学家和心理学家，以其在脑结构研究方面的开创性工作而闻名，特别是对神经纤维髓鞘化（髓鞘形成）的研究。他的工作为理解大脑发育和神经疾病 髓鞘相关的疾病（如多发性硬化症）奠定了基础。

髓鞘的形成和大脑功能的分块和形成，有重要的意义。

对于形成的髓鞘，为脑功能的高效传递构建了硬件设施，相当于减少了电流的损失，提高了中间信息的传递效率。

越晚形成的髓鞘代表着越复杂和高级的功能。

关键贡献

1. 弗莱希格绘制了大脑中髓鞘（神经周围的绝缘层）的成熟过程，确定了在不同阶段形成髓鞘的区域。这有助于将大脑发育与功能能力联系起来。
2. 他根据髓鞘化模式将大脑皮层划分为区域，为早期大脑图谱绘制做出了贡献
3. 脊髓小脑束：后脊髓小脑束（弗莱希格氏束）是以他的名字命名的。它将身体的感觉信息传递到小脑。

von Economo and Koskinas

"von Economo and Koskinas"脑图谱是由奥地利神经科学家Constantin von Economo（1876–1931）和希腊神经科学家Georg N. Koskinas（1885–1975）共同建立的经典大脑皮层分区图谱。这一图谱首次发表于1925年的著作《Die Cytoarchitektonik der Hirnrinde des erwachsenen Menschen》（成年人大脑皮层的细胞结构学），是神经解剖学领域的里程碑式成果，至今仍被广泛引用。

---

主要特点与贡献：

1. 细胞结构学方法：

   • von Economo和Koskinas基于细胞结构（cytoarchitecture）对大脑皮层进行了精细分区，即通过显微镜观察神经元的大小、密度、层次排列等特征来划分不同功能区。
   • 与Brodmann图谱（1909年）相比，他们的分区更细致，将大脑皮层划分为107个区域（Brodmann分为52个区域），并强调了不同区域的演化层级（如古皮层、旧皮层、新皮层）。

2. 功能与结构结合：

   • 他们不仅描述解剖结构，还尝试将分区与生理功能（如运动、感觉、联合区）联系起来，尤其关注额叶、顶叶的高级认知功能。

3. 标准化与三维定位：

   • 图谱结合了冠状切面、矢状切面和水平切面的三维定位，为后来脑成像技术（如MRI）的解剖定位奠定了基础。

（A）皮层映射的侧面视图，（B）背视图，（C）腹视图，（D）内侧视图。

---

与Brodmann图谱的对比：

• Brodmann图谱：更简化，侧重功能大区（如Brodmann 4区对应初级运动皮层），临床和研究中应用更广泛。
• von Economo-Koskinas图谱：
  • 分区更精细，尤其对联合皮层（如额叶、顶叶）的划分更详细。
  • 提出了独特的演化层级分类（如“同源皮层”和“异源皮层”），强调不同区域在进化中的起源。
  • 对岛叶（insula）和扣带回（cingulate cortex）的描述尤为深入，这些区域在现代情感和认知研究中至关重要。

---

现代应用与影响：

1. 神经退行性疾病研究：

   • 该图谱被用于阿尔茨海默病、额颞叶痴呆等疾病的病理研究，帮助定位萎缩或病变区域。

2. 脑成像与神经外科：

   • 为fMRI、PET等技术的功能定位提供解剖参考，尤其在高级认知任务（如决策、语言）的脑区映射中仍有价值。

3. 演化神经科学：

   • 他们对皮层演化的分类（如古皮层→新皮层）启发了对大脑功能演化的研究。

---

争议与局限性：

• 由于分区过于细致，实际应用中可能因个体差异导致边界模糊，临床使用不如Brodmann图谱方便。
• 部分术语（如“颗粒型”和“无颗粒型”皮层）现已较少使用，但核心贡献仍被认可。

---

总结：

von Economo和Koskinas的脑图谱代表了神经解剖学的黄金时代，其精细的细胞结构学方法和对功能-结构关联的探索，至今仍是研究大脑复杂性的重要工具。尽管Brodmann图谱更为普及，但现代神经科学（尤其是认知神经科学和临床神经学）仍会结合两者的优势，以更全面地理解大脑的解剖与功能。

An MRI Von Economo – Koskinas atlas⁶
这个文章提供了这个古老的图谱的mri形式的数字化数据，从文中可以下载到。

（A）图示显示 1925 年冯·埃孔诺-科斯金纳斯侧视图和正视图上用红色勾勒的区域，（B）该区域在皮质表面重建上的绘制轮廓，（C）完成并填充的区域标签。绿色阴影表示皮层的曲率。

Talairach图谱

该文章对Talairach进行了一些说明⁷如何找到和定位这个AC-PC线。

Talairach图谱（Talairach Atlas）是由法国神经外科医生和神经解剖学家Jean Talairach（1911–2007）于20世纪中期开发的脑立体定位参考系统，主要用于神经外科手术规划和脑成像研究中的解剖定位。该图谱的核心是建立一种标准化的三维坐标系，以精确描述大脑结构的位置，至今仍在神经科学和临床医学中具有重要影响。

---

核心特点与原理：

1. AC-PC参考系统：
   • Talairach坐标系以两个解剖标志点为基础：
     • 前连合（Anterior Commissure, AC）：连接左右大脑半球的小型纤维束前端。
     • 后连合（Posterior Commissure, PC）：位于中脑顶盖附近的另一纤维束。
   • AC-PC线：连接AC和PC的直线作为水平基准线，用于定义大脑的三维坐标系。
     

2. 比例网格系统：

   • 将大脑分为12个立方体区域，通过比例坐标（百分比）定位脑区位置。
   • 坐标原点位于AC点，X轴（左右）、Y轴（前后）、Z轴（上下）均以AC-PC线为基准进行标准化分割。

3. 脑区划分：

   • 结合Brodmann分区（细胞结构）和功能解剖学，将大脑皮层与深部核团（如丘脑、基底节）纳入坐标系统。

---

主要应用：

1. 神经外科手术：

   • 为癫痫、帕金森病等手术提供精确的脑区定位，帮助避免损伤关键功能区（如语言区、运动区）。

2. 脑成像研究：

   • 用于功能磁共振成像（fMRI）、正电子发射断层扫描（PET）等技术的激活点定位，使不同个体的脑数据能在标准化空间中对比。

3. 神经导航与脑刺激：

   • 在深部脑刺激（DBS）和立体定向脑电图（SEEG）中，Talairach坐标帮助电极或探针的精确定位。

4. 跨研究数据整合：

   • 允许不同实验室的脑成像数据在统一坐标系中叠加分析，促进大样本研究的可比性。

---

与Brodmann图谱的关系：

• Talairach系统常与Brodmann分区结合使用。例如，fMRI研究中激活的Talairach坐标可转换为对应的Brodmann区（如BA44对应布洛卡区），以关联功能与解剖结构。
• 但Talairach坐标系不直接依赖细胞结构学，而是基于几何标准化，因此在个体差异较大的区域可能存在误差。

---

局限性：

1. 个体脑形态差异：

   • Talairach系统假设所有大脑具有相似的几何比例，但实际个体间差异（如脑回形态、大小）可能导致定位偏差。

2. 标准化方法的过时性：

   • 基于单一大脑（一名60岁女性）的解剖数据建立，无法代表全人群的多样性。
   • 现代脑成像多采用MNI（蒙特利尔神经研究所）空间，其基于更大样本的MRI数据，更符合现代研究需求。

3. 深部结构定位不精确：

   • 对皮层下核团（如杏仁核、海马）的坐标描述较粗糙，难以满足精准神经调控的需求。

---

现代发展与替代方案：

• MNI空间：目前主流的脑成像标准化空间，使用ICBM-152模板（基于152人的平均MRI脑图像），更贴近真实脑形态。
• 非线性配准技术：通过弹性变形算法将个体脑图像匹配到标准空间，减少Talairach线性方法的误差。
• 高分辨率图谱：如BigBrain（20微米分辨率）和Human Connectome Project的多模态图谱，提供更精细的解剖-功能整合。

---

总结：

Talairach图谱是神经科学史上首个广泛应用的标准化脑定位系统，为神经外科和脑成像研究奠定了基础。尽管其局限性逐渐被现代方法（如MNI空间）弥补，但Talairach坐标系的历史贡献不可忽视。在临床手术、经典文献解读或早期数据复现中，仍需理解其原理与应用场景。

JU-Brain atlas

1996年前后，德国于利希研究中心 Forschungszentrum Jülich下面的神经科学与医学研究所（Institute of Neuroscience and Medicine）就是想改造Brodmann图谱。这个研究所用的思想跟Brodmann是完全一样的，还是把去世后的人捐献的脑袋切成一片片，然后染色，看每一片上面的边界在什么地方，再将它组成三维的。

这项研究从1996年到现在，二十多年过去了，尽管已经在《Science》上发表了两篇文章，但仍然没有完成全脑图谱的绘制。

这个项目是EBRAINS项目（欧洲联合的脑科学项目）的一部分。是一个多模态脑图谱，整合了细胞构筑、功能和连接数据，属于人类脑计划的一部分。

好的！既然您指的是Jülich-Brain Atlas（于利希脑图谱），以下是关于这一现代脑图谱的详细介绍：

---

1. 背景与开发团队

• 主导机构：德国于利希研究中心（Forschungszentrum Jülich），联合欧洲多国实验室，是欧盟人类脑计划（Human Brain Project, HBP）的核心成果之一。
• 目标：突破传统单一模态脑图谱的局限，构建多模态、高精度、三维动态的脑区划分系统，服务于科研与临床。
• 时间线：2010年代启动，持续更新（最新版本为2023年的v4.0）。

---

2. 核心特点

(1) 多模态数据整合

• 细胞构筑学（Cytoarchitecture）：
  基于10,000+例人脑切片，分析皮层6层结构的神经元密度、形态和排列（延续Brodmann方法，但更精细）。
• 受体分布图谱（Receptor Architecture）：
  通过PET和免疫组化，绘制20+种神经递质受体（如GABA、谷氨酸、多巴胺受体）的密度分布，揭示脑区化学特性。
• 功能连接（fMRI与静息态网络）：
  整合任务态和静息态fMRI数据，标注默认模式网络、突显网络等关键功能系统。
• 白质连接（扩散成像与纤维追踪）：
  标注主要白质纤维束（如胼胝体、钩束）及其连接强度。

(2) 三维概率图谱

• 个体差异处理：
  使用大数据统计模型，生成脑区边界的三维概率分布（例如，某区域在70%的个体中位于某坐标范围内），而非固定边界。
• 动态配准工具：
  提供算法将图谱适配到个体MRI数据，支持临床精准定位（如癫痫灶切除前的功能区映射）。

(3) 精细分区

• 皮层区域：
  将传统Brodmann分区细化，例如：
  • Brodmann 9区 → 分为背外侧前额叶（9d）和内侧前额叶（9m）等亚区。
  • Brodmann 44/45区 → 进一步区分语法处理与语音产生的子区。
• 皮层下结构：
  对丘脑、基底节、海马等深部核团进行亚区划分（如海马CA1-CA3、齿状回）。

---

3. 技术实现

• 数据来源：
  • 10,000+例尸体脑样本（细胞与受体数据）。
  • 1,000+例活体脑影像（fMRI、DTI）。
• 计算工具：
  • 机器学习算法（如随机森林）自动识别脑区边界。
  • 基于云计算的EBRAINS平台支持在线分析与可视化。
• 开放访问：
  数据与工具公开于EBRAINS平台，支持科研与临床免费使用。

---

4. 应用场景

(1) 基础研究

• 脑区功能解码：
  例如，发现前额叶背外侧（9d区）的5-HT受体密度与决策速度相关。
• 跨物种比较：
  对比人类与非人灵长类脑区，研究语言、工具的进化基础。

(2) 临床医学

• 神经外科导航：
  术前规划肿瘤切除范围，避开高概率语言区（如Broca亚区）或运动区。
• 精神疾病机制：
  分析抑郁症患者的默认模式网络（涉及Brodmann 32区）连接异常。
• 脑深部刺激（DBS）：
  优化帕金森病丘脑底核（STN）的电极植入靶点。

(3) 技术开发

• 脑机接口（BCI）：
  为运动皮层电极阵列提供亚区功能参考（如手部vs.面部运动区）。
• 计算模型：
  构建基于真实受体分布的大脑动力学模型，模拟药物作用。

---

5. 与传统图谱的对比

维度	Brodmann分区（1909）	Jülich-Brain Atlas
数据模态	单一（细胞构筑）	多模态（细胞+受体+功能+连接）
分辨率	厘米级（宏观）	亚毫米级（微观到宏观）
个体差异	忽略，固定边界	概率模型，动态适配个体
应用领域	基础研究、粗略定位	精准医疗、人工智能、跨学科整合

---

6. 挑战与未来方向

• 技术挑战：
  • 受体数据的活体采集仍依赖PET，分辨率有限。
  • 动态脑图谱需实时整合EEG、fNIRS等多源信号。
• 伦理问题：
  • 个体脑数据的隐私保护与共享机制。
• 未来趋势：
  • 结合单细胞测序技术，添加基因表达图谱层。
  • 开发AI驱动的“个性化脑图谱”，实时指导手术或治疗。

---

7. 如何访问与使用

• 访问平台：登录EBRAINS → 搜索“Jülich-Brain Atlas”。
• 工具兼容性：支持主流神经影像软件（如FreeSurfer、FSL、SPM）。
• 教程资源：平台提供从基础配准到高级分析的在线课程。

---

Jülich-Brain Atlas代表了脑图谱从“静态解剖地图”向“动态多模态操作系统”的演变，其核心价值在于将解剖、化学、功能与连接数据统一到同一框架，为理解人脑复杂性提供了前所未有的工具。

和pd结合的案例
Brain (2023)：结合Jülich连接组学，证明PD认知障碍与默认模式网络-前额叶连接中断相关。

可能的使用方式：
分析流程：

• 影像配准：使用ANTs或Advanced Normalization Tools（ANTs）将个体数据对齐到Jülich模板。
• 特征提取：基于Python的Nilearn或FSL工具包提取多模态指标。
• 统计分析：R或Python（Pandas、Scikit-learn）进行多变量建模。

• 个体差异：

使用Jülich的概率边界模型，而非固定阈值，提高定位鲁棒性。

• 多模态数据融合：

采用联合独立成分分析（jICA）或相似性网络融合（SNF）整合细胞、受体和功能数据。

过渡和承接

上面的图谱都是以解剖结构和物理扫描定位为主，进行构建的，分析的是大脑的体素，团块，是三维的。
1997年的Surface-based atlas 发展了不一样的二维表面分析

---

Surface-Based脑图谱的生态位与历史定位

在脑图谱的发展历程中，1990年代末兴起的Surface-Based Atlas（基于表面的脑图谱）标志着从体积空间（Volume-Based）向皮层表面空间的范式转变。这一技术革新彻底改变了脑区划分、数据分析和跨个体比较的方式，为现代神经影像学和脑连接组学奠定了基础。

---

1. 出现背景与技术挑战

(1) 体积图谱的局限

• 结构对齐难题：传统体积图谱（如Talairach、MNI模板）将大脑视为三维像素（体素）的集合，但不同个体的脑沟回形态差异巨大，导致皮层功能区在体积空间中对齐不准确。
• 皮层折叠的复杂性：人类大脑皮层高度褶皱，体积方法难以直接分析皮层厚度、曲率等关键指标。

(2) Surface-Based技术的突破

• 核心思想：将三维皮层表面展开为二维平面或球面，保留拓扑结构（如沟回关系），实现跨个体的高精度对齐。
• 关键技术：
  • 皮层重建算法（如FreeSurfer的自动分割与表面生成）。
  • 球面配准（Spherical Registration）：将个体皮层映射到标准球面（如fsaverage），对齐功能区域（如V1视觉区）。
• 代表性工具：FreeSurfer（1997年启动）、Caret（1999年）、Human Connectome Project的MSMAll配准（2010s）。

---

2. Surface-Based图谱的生态位

(1) 与传统体积图谱的对比

维度	Volume-Based Atlas	Surface-Based Atlas
数据表达	三维体素（x,y,z坐标）	二维表面网格（顶点与三角面片）
对齐方式	线性/非线性体积配准	基于皮层几何的球面非线性配准
分辨率	体素级（毫米级）	顶点级（亚毫米级，约16万顶点/半球）
核心优势	全脑覆盖（包括白质、深部核团）	精准对齐皮层功能/结构特征

(2) 在脑图谱发展中的定位

• 承上启下：
  • 继承Brodmann的细胞构筑分区思想，但通过几何建模实现功能区的活体定位。
  • 为后续多模态图谱（如HCP-MMP1）提供皮层表面框架。
• 横向扩展：
  • 与扩散成像（DTI）结合，研究皮层-白质连接。
  • 支持功能磁共振（fMRI）数据的皮层表面分析（如GLM、静息态网络）。

---

3. 存在的核心意义与价值

(1) 科学意义

• 解决皮层对齐的根本问题：
  通过表面配准，将不同个体的功能区（如布洛卡区）映射到同一标准空间，减少解剖变异导致的噪声，提升统计效力。
• 量化皮层属性：
  直接测量皮层厚度、曲率、表面积、髓鞘化程度（如HCP的Myelin Map），揭示这些指标与认知能力或疾病的关联。
• 支持跨物种比较：
  非人灵长类的皮层表面可与人类对齐，研究进化中皮层扩张的规律（如额叶联络区的差异）。

(2) 应用价值

• 神经影像分析革命：
  • 功能定位：任务fMRI激活区可精准映射到表面（如Visual Cortex的拓扑映射）。
  • 脑网络分析：构建基于表面的功能连接矩阵（如默认模式网络节点定义）。
• 临床诊断：
  • 阿尔茨海默病的皮层变薄模式、癫痫灶的定位精度提升。
• 发育与老化研究：
  追踪儿童皮层扩张或老年人萎缩的动态变化（如纵向表面配准）。

(3) 经济与工具生态

• 开源工具链：FreeSurfer、Connectome Workbench等工具的普及，降低了表面分析门槛。
• 商业整合：医疗影像软件（如Brainlab）集成表面图谱，用于神经外科导航。

---

4. 对后续研究的深远影响

• Human Connectome Project（HCP）的基石：
  HCP的多模态皮层分区（MMP1）完全基于表面框架，整合了功能、结构与连接数据。
• 个体化脑图谱：
  表面方法支持生成个体特异性图谱（如个体功能分区），推动精准医学。
• 脑机接口优化：
  皮层表面电极阵列（ECoG）的数据可直接与表面图谱融合，提升解码效率。

---

5. 局限性

• 对非皮层结构的弱覆盖：白质纤维、深部核团仍需依赖体积空间分析。
• 计算复杂度高：表面数据处理需高性能计算（如FreeSurfer单被试处理需数小时）。
• 配准误差：极度变形的脑（如严重脑损伤）可能导致表面重建失败。

---

总结：Surface-Based Atlas的里程碑地位

• 功能定位的黄金标准：现代fMRI研究几乎均依赖表面分析发表结果。
• 跨学科桥梁：为神经科学、计算建模、临床医学提供统一空间框架。
• 技术遗产：其核心思想（如保留拓扑的配准）影响了AI驱动的现代图谱（如球形卷积神经网络）。球面卷积神经网络⁸

Surface-Based Atlas不仅是技术工具，更是理解皮层复杂性的哲学突破——它将大脑从“一团像素”转化为可度量、可比较的拓扑表面，开启了人类探索脑结构与功能关系的新篇章。

fsaverge

某个具体实例：fsaverage（FreeSurfer的标准模版）

我在mne溯源后的数据初步处理方法⁹这个文章里面使用的就是表面的模版，使用的是fsaverage这个，fsaverage是FreeSurfer软件包中的标准表面模板。
FreeSurfer是一个广泛使用的神经影像分析工具，主要用于处理MRI数据，生成大脑皮层的表面模型。fsaverage作为其标准模板，用于将不同个体的大脑皮层数据配准到一个共同的表面空间，方便比较和分析。

---

fsaverage的归属与定义

fsaverage 是 FreeSurfer 软件包中使用的标准表面模板（Surface-Based Atlas），属于基于皮层几何的表面空间脑图谱。它并非传统意义上的解剖分区图谱（如Brodmann分区），而是一个用于跨个体皮层数据对齐和比较的几何与功能参考框架，广泛应用于神经影像学研究和脑皮层表面分析。

---

1. fsaverage的开发者与背景

• 开发团队：由美国哈佛医学院/MGH Martinos Center的Bruce Fischl团队开发，集成于开源软件FreeSurfer（1997年启动，持续更新）。
• 目标：解决个体间皮层沟回形态差异问题，提供标准化的皮层表面空间，支持功能、结构和连接数据的跨研究比较。
• 版本迭代：
  • fsaverage：最初的对称模板，左右半球独立。
  • fsaverage6、fsaverage5：不同分辨率版本（顶点数不同）。
  • fsaverage_sym：对称化模板，用于左右半球对称性分析。

---

2. fsaverage的核心特征

(1) 几何属性

• 表面结构：
  • 将每个半球皮层表面表示为三角网格（约16万顶点/半球）。
  • 包含白质表面（White Surface）、灰质表面（Pial Surface）和中间层（如皮层厚度计算）。
• 球面配准：
  • 所有个体皮层表面通过非线性配准映射到fsaverage的标准球面，保留拓扑结构（沟回对应关系）。

(2) 功能定位

• 与功能数据融合：
  • fMRI激活图可投影到fsaverage表面，实现跨被试的功能区对齐（如视觉皮层V1的拓扑映射）。
• 分区兼容性：
  • 支持叠加多种分区方案（如HCP-MMP1多模态分区、Desikan-Killiany脑区）。

---

3. fsaverage在脑图谱体系中的生态位

(1) 与传统体积模板的对比

维度	体积模板（如MNI152）	fsaverage表面模板
数据空间	三维体素空间（x,y,z坐标）	二维表面空间（顶点与三角面片）
对齐精度	适用于全脑（包括皮层下结构）	专注于皮层沟回的高精度对齐
应用场景	体素级统计分析、深部核团研究	皮层厚度、曲率、功能激活分析

(2) 与其他表面模板的关系

• Caret（PALS）：华盛顿大学开发的表面模板，兼容不同物种（如猕猴），但fsaverage更广泛用于人类研究。
• HCP-MMP1：人类连接组计划的多模态分区，常基于fsaverage表面框架展示。
• 个体特异性模板：fsaverage是群体模板，而个体表面数据可通过配准与之对齐。

---

4. fsaverage的科学意义与价值

(1) 解决核心挑战

• 跨个体比较：通过表面配准减少皮层形态差异带来的噪声，提升功能定位的统计效力。
• 量化皮层特性：支持计算皮层厚度（阿尔茨海默病早期标志）、曲率（脑发育指标）、表面积（进化扩张分析）。

(2) 推动技术标准化

• 开源生态：作为FreeSurfer的核心输出，fsaverage成为神经影像领域的事实标准，促进数据共享（如OpenNeuro、HCP数据集）。
• 多模态整合：支持将功能激活、皮层厚度、白质连接等数据统一到同一表面空间。

(3) 临床与研究应用

• 疾病标志物挖掘：
  • 精神分裂症的前额叶皮层变薄。
  • 癫痫患者的功能网络节点异常。
• 发育与老化：
  • 儿童皮层表面积扩张轨迹。
  • 老年人默认模式网络连接衰退。
• 脑机接口：
  • 皮层表面ECoG电极信号与fsaverage功能图谱对齐，优化解码算法。

---

5. 如何使用fsaverage？

(1) 数据处理流程

1. FreeSurfer重建：将个体T1 MRI数据通过recon-all流程生成皮层表面。
2. 表面配准：使用mri_surf2surf将个体表面映射到fsaverage模板。
3. 数据分析：在fsaverage空间计算皮层厚度、功能激活或连接矩阵。

(2) 可视化工具

• FreeView（FreeSurfer内置）：查看表面数据与分区叠加。
• Connectome Workbench：绘制多模态表面图谱（如HCP数据）。
• Python工具：nilearn、pycortex支持表面数据可视化。

(3) 示例代码（Python）

from nilearn import datasets, surface
# 加载fsaverage表面
fsaverage = datasets.fetch_surf_fsaverage()
# 加载功能数据并投影到表面
left_hemi_data = surface.load_surf_data("func_left.gii")
# 可视化
surface.plot_surf(fsaverage['infl_left'], left_hemi_data, cmap='cold_hot')

---

6. 局限性

• 对非皮层结构不适用：深部核团、白质需依赖体积分析。
• 计算资源需求：表面重建与配准耗时（单被试需数小时）。
• 个体差异残留：即使配准后，功能区位置仍存在微小变异。

---

总结：fsaverage的定位

• 角色：表面分析的基础设施，非传统“分区图谱”而是“空间框架”。
• 遗产：为HCP等现代项目铺路，推动神经影像从体积到表面的范式转变。
• 未来：随着个体化图谱兴起，fsaverage可能逐渐被超个性化模板补充，但其标准化价值仍不可替代。

3D Talairach atlas

多模态图谱brainnetome的实现方法

从核磁扫描的白质束，通过多被试平均加矫正匹配，形成概率的模式图。
对于功能连接，使用相关矩阵，进行某种阈值化，然后对于子区域，按照相关性较高的进行聚合，从而得到功能脑谱图

先发布，之后继续更新

---

1. 人类脑图谱：基于连接性架构的新脑图谱 ↩︎

2. 神经解剖 | 大脑半球的内部结构(下)-《临床神经解剖学》连载之三 ↩︎

3. wiki新皮质的说明 ↩︎

4. 大脑皮层中各层的分工 ↩︎

5. wiki百科的髓鞘研究 ↩︎

6. An MRI Von Economo – Koskinas atlas ↩︎

7. 头颅影像学横断面扫描不同角度定位参考线解析 ↩︎

8. 球面卷积神经网络 ↩︎

9. mne溯源后的数据初步处理方法 ↩︎