人类大脑皮层是一层薄薄的折叠神经组织，为感觉和运动功能以及区分人类和其他动物的更高级的心理过程提供了基础。复杂的行为源于神经信号在不同皮层区域的网络之间的转换，这些区域被认为是神经处理的假定原子。因此，准确标记皮层区域是系统神经科学中的一个重要问题。传统上，皮层区域的定义基于皮层区域应表现出的不同的功能、结构、连通性和脑地形。这些标准中的每一个都可以使用广泛的侵入性技术进行研究，包括行为操作期间的直接电生理记录，通过测量功能和脑地形图、细胞体分布的组织学染色、髓鞘形成和神经递质受体分布等来测量结构，以及通过轴突运输进行逆行和顺行追踪以测量神经元连接。非侵入性脑成像技术的进展，如正电子发射地形图（PET）和功能性磁共振成像（fMRI），提供了在体内评估皮层区域的可能性。一种比较有前景的方法是静息态功能连接（RSFC），当被试躺在扫描仪中休息而不执行任何特定任务时，测量大脑区域之间的rs-fMRI信号的同步。尽管不是解剖学连通性的直接测量，RSFC受到解剖学的充分限制，从而可以深入了解大规模大脑环路，并与任务诱发网络密切相关。此外，RSFC是可遗传的，并与整个皮层地幔的基因表达相关。因此，rs-fMRI 已被广泛用于估计大规模大脑网络。虽然一些工作侧重于将大脑划分为少数功能系统（少于20个），其他研究则专注于更精细的划分。鉴于人类大脑皮层中大概有300~400个经典定义的皮层区域，这些最终细分可能更精确地对应于皮层区域。由于经典定义的皮层区域通常不均匀，这些更精细的脑区划分也可能捕捉到亚脑区特征。众所周知的区域内异质性包括初级视觉皮层内的隐性显性注意定向、方向定向的细胞层。即使在宏观尺度上（即在 fMRI 的分辨率下）也可以观察到异质性，例如初级躯体感觉皮层内的躯体学。在这种异质性的驱使下，最近出现一种假设，划分出可能被称为“神经生物原子”的区域。传统皮层区域和神经生物学原子之间的差异对于按地形组织的大脑区域尤为突出。例如，不同的身体表征可以说是不同的神经生物学单位，因此可能需要区分。事实上，在对按键模拟行为任务进行建模时，区分手部和舌头运动区域可能很有用。现有的 rs-fMRI 划分似乎已经获取到了某些亚区域特征，包括躯体和视觉离心率。有两种使用 rs-fMRI 划分大脑区域的主要方法：局部梯度法和整体相似性方法。局部梯度法或边界映射方法利用了RSFC 模式可以从一个空间位置发生明显的梯度变化。这些突变可以通过计算全脑 RSFC 模式中的局部梯度来检测。先前的工作表明，局部梯度方法特别适用于描绘皮层区域，因为检测 RSFC 的梯度变化类似于皮层区域的组织学描绘。相比之下，整体相似性方法（例如，混合模型和频谱聚类）基于 rs-fMRI 时间进程或 RSFC 模式的相似性对大脑区域进行聚类。整体相似性方法通常不考虑空间距离（例如，内侧前额叶和后扣带回区域可以分组到同一个默认网络中，尽管它们的空间距离不同）。但有些方法不鼓励空间断开的分区或相邻的大脑位置有不同的分区标签。因为，整体相似性方法试图将具有相似 rs-fMRI 时间进程或 RSFC 模式的体素或顶点分组，因此产生的分区可能在连接上是高度同质的，这表明分区可能反映假定的神经生物学基础。同样重要的是，分区可能会在许多 rs-fMRI 应用中用作降维工具，在这些应用中，很难以原始体素级分辨率处理 fMRI 数据。在这些应用中，每个区域都可以用分区内体素或顶点的平均时间进程来表示。因此，理想情况下，构成分区的体素或顶点应具有非常相似的 fMRI 时间进程。局部梯度法确实会产生同质分区，因为它们通过阻止分区内较高的RSFC梯度来鼓励同质化。然而，由于整体相似性方法明确地优化了连接同质性，因此在理论上，它们应该能够比局部梯度方法生成更加同质的分区。另一方面，局部梯度方法似乎比整体相似方法对某些生物边界更敏感。例如，区域3和区域4之间的边界由局部梯度法获取，而不是整体相似性法。因此，融合局部梯度和整体相似性方法可能会生成既有神经生物学意义又对未来需要降维的应用有用的细分。在这项工作中，作者开发了一个梯度加权的马尔可夫随机场（gradient-weighted Markov Random Field, gwMRF）模型，该模型融合了局部梯度和整体相似性方法。MRF用于许多神经成像软件包中，用于描绘解剖结构。例如，FSL FAST MRF模型平衡了整体相似性目标和局部平滑性目标，前者鼓励具有相似T1强度的体素标记为相同的结构，后者鼓励相邻体素具有相同的标签。这篇文章的核心思想是修改局部平滑度目标，以促使相邻体素仅在局部静息态功能连接梯度较低的情况下拥有相同的标签。使用跨 MNI、fsaverage和fsLR 坐标系统的多个多模态数据集，将生成的 gwMRF 融合模型与 4 个公开可用的个体分区方法进行了比较。在控制分区数量后，结果表明，与其他全自动方法相比，通过任务态fMRI和rs-fMRI测量的gwMRF方法生成的分区具有更大的功能和连接同质性，同时获得了组织上和视觉边界相当的一致性。最后，作者将gwMRF模型应用于基因组的超结构项目（Genomics Superstruct Project, GSP）得出了400、600、800和1000个分区，这些分区可公开作为未来研究的参考模板：https://github.com/ThomasYeoLab/CBIG/tree/master/stable_projects/brain_parcellation/Schaefer2018_LocalGlobal
研究开发了gwMRF（梯度加权的马尔可夫随机场）细分程序，并将其应用于GSP的rs-fMRI数据集（N=744）。使用来自多个扫描仪的多模态数据，采用不同的采集和处理协议，将得到的分区与之前发布的4个rs-fMRI分区进行比较。根据完整的GSP数据集（N=1489）来估计不同空间分辨率的gwMRF分区的最终数据集，并进一步描述其特征。这项工作中使用的主要数据集包括来自 GSP的 1489 名年轻成人（18-35 岁）的结构 MRI 和 rs-fMRI 数据。所有成像数据均在3T扫描仪上采集。有1083名被试进行了2次扫描，406名被试只进行了1次扫描。每个程序均以 3mm 各向同性分辨率获得，TR为3.0s，持续6分12秒。结构数据包括每个被试的 1.2 mm 各向同性扫描。使用 FreeSurfer 4.5.0处理结构扫描，并使用 FsFast进行结构-功能配准。功能预处理步骤包括切片时间校正、运动校正、低通时域滤波保留频率低于 0.08 Hz的、运动参数回归、脑室信号、白质信号、全脑信号和线性趋势。最终数据被投射到 fsaverage6 表面空间（其中顶点间距大约为2mm）并使用6mm全宽半最大值 (FWHM) 内核进行平滑处理。GSP 数据的预处理遵循官方数据发布出版物。然而，某些预处理步骤（例如，全脑信号回归）是有争议的。因此，使用备用预处理流程来处理额外的 rs-fMRI 数据集以评估分区。完整的 GSP 数据集被分为训练集（N=744）和测试集（N=745）。MRF模型被用于许多著名的神经成像软件包，用于为解剖大脑区域分区，包括 FreeSurfer和 FSL。在这些软件包中，典型的目标是为所有大脑位置分配一个解剖标签（例如，白质、灰质、脑脊液）。典型的 MRF 模型由具有多个竞争项的目标函数组成，编码是在最终分区的理想属性之间的权衡。目标函数几乎总是包含一个整体相似性项，它鼓励具有相似图像强度的大脑位置被分配共享标签，而忽略掉空间距离。例如，所有白质体素在 T1 MRI 中都应具有高信号强度。如果目标函数仅包含整体相似性项，则 MRF 也称为混合模型。除了整体相似性项之外，MRF目标函数几乎总是包括第二个“成对”项，用于编码相邻大脑位置之间的所需关系。例如，一个常见的成对项（Potts模型）鼓励相邻的大脑位置拥有相同的分区标签。该成对项可用于处理 MRI 中固有的噪声。例如，如果目标函数仅包含整体相似性项，白质体素可能会表现出异常低的强度，从而导致错误的标签。然而，在体素被正确标记的白质体素包围的情况下，额外的成对 Potts 模型可能会克服整体相似性项，并生成准确的分配标签。这项研究中gwMRF分区程序在 MRF 目标函数中使用了3个项。目标函数中的第一项是Yeo et al.（2011）应用的 von Mises-Fisher 混合模型的模拟，对整体相似性方法进行编码。当应用于一组被试的预处理 fMRI 数据时，fMRI 时间进程在归一化为零均值和标准差为1后连接起来。由此产生的整体相似性项鼓励将具有相似 fMRI 时间进程的大脑位置分配到同一分区。作者对时间进程相似性的特定选择相当于为每个被试计算了皮尔逊积矩相关系数，然后在被试间求均值。MRF目标函数中的第二项是对局部梯度方法进行编码的成对项。与 Potts 模型不同，Potts 模型惩罚具有不同分区标签的任何相邻的大脑位置对，作者的成对项在存在强局部 RSFC 梯度的情况下降低了惩罚的权重（因此得名“梯度加权”）。在这项工作中，作者利用了 Gordon et al.（2016）计算的最先进的 RSFC 梯度，其中梯度的值范围从 0 到 1。随着两个相邻大脑位置之间的梯度大小从 0增加到1，具有不同分区标签的两个大脑位置的惩罚呈指数下降至零。如果 MRF 目标函数只包含前 2 项，那么由于较强的远距离 RSFC，生成的分区将包含许多空间分布的区域。要求分区在 MRF 框架中进行空间连接（其他假设最少）是非常重要的。在这里，作者在 MRF 目标函数中包含了第三个空间连通性项，它鼓励构成分区的大脑位置离分区中心不要太远。如果他们的 MRF 目标函数中的第三项足够强，那么分区确实会在空间上连接起来。这种方法的计算成本明显低于竞争方法。给定 MRF 目标函数和来自皮层半球的数据，可以通过使用各种标准技术优化目标函数来获得最终分区。这项研究在最大后验估计框架内利用图分区。应注意，目标函数中的第三项是为了确保分区在空间上是相连的。然而，过强的第三项会导致非常圆的分区，这在生物学上是不合理的。例如，扣带回的皮层区域又长又窄。为了避免这个问题，优化过程从第三项权重开始，然后逐渐降低第三项的权重。虽然没有理论上的保证，但在实践中几乎所有分区的第三项都被驱动为零。如果估计的分区确实是大脑皮层的神经生物学原子，那么每个分区应该具有统一（同质）的功能和连接性，并且与用组织上和地形上描绘的皮层区域的边界很好地对应。因此，为了评估给定大脑皮层分区的质量，考虑了基于功能、组织学、连接性和视觉的多模态测量的评估指标。十个人类组织学领域 17、18、1、2、3（结合区域3a和3b）、4（结合区域 4a和4p）、6、hOc5、44 和 45。基于 Fischl et al. (2008)，Van Essen et al. (2012a)将组织学区域映射到 fsLR 表面空间。组织边界和分区边界之间的对齐使用平均 Hausdorff 距离进行数值评估。简而言之，对于每个组织区域的每个边界顶点，计算到最近的分区边界的测地线距离。测地线距离在一个组织区域的所有边界顶点上取平均值，从而得出每个组织区域的 Hausdorff 距离（如图2所示）。较小的 Hausdorff 距离表明分区和组织学边界之间的一致性更好。在分区之间进行比较时，对两个半球的 Hausdorff 距离进行了配对样本检验 (dof=19)。考虑了先前研究中 fsLR 空间中的 18 个视觉区域。视觉区域是通过单个被试的 fMRI 视觉映射获得的，然后使用多模态表面匹配在 fsLR 空间中进行转换和平均。一个棘手的问题是很难刺激周边视野，因此视觉地图往往跨越每个区域真实范围的一半左右。因此，只有与相邻视觉区域接壤的边界顶点才被认为是有效的边界顶点。两个半球总共有 46 对相邻的视觉区域。使用平均 Hausdorff 距离评估视觉和分区边界之间的一致性。对于每个有效的视觉边界顶点，计算到最近的分区边界顶点的测地线距离。测地线距离在每对相邻的视觉区域（例如，V1 和 V2）的所有边界顶点上取平均值，然后在所有 46 对视觉区域上取平均值，从而得到“结果”中图 5 所示的所有视觉区域的单一平均距离。在比较分区时，对 Hausdorff 距离进行了配对样本检验 (dof=45)。来自人类连接组项目 (HCP) S900 在 fsLR 表面空间中发布的任务态fMRI 数据被用来评估分区的功能同质性。该数据集包含 7 个认知领域：社会认知、运动、赌博、工作记忆、语言加工、情感处理和关系推理。考虑了具有所有对比度的可用 z 映射的被试子集 (N=745)。为了评估分区的功能不均匀性，针对每个任务对比计算每个分区的 z 值的标准偏差。较低的标准偏差表示分区内较高的功能同质性。标准差在所有分区上取平均值，同时考虑到分区大小：
其中sdl是分区l的任务激活z值的标准偏差，|l|是分区l中的顶点数。 为每个被试和每个任务对比单独计算功能非同质指标（方程（1）），然后在一个认知域内的所有对比中求平均值，从而得出每个认知域的功能性非同质指标（如图3所示）。 为了评估分区的功能连接同质性，作者利用了来自 3 个不同数据集的 rs-fMRI 数据。第一个数据集是“GSP 数据”部分中讨论的 GSP 测试集（N=745）。为了评估分区是否可以很好地推广到来自不同扫描仪、采集协议、预处理策略、坐标系和群体的数据，他们考虑了另外两个数据集。第一个附加数据集是来自 HCP S900 版本的 fsLR 空间中的组平均连接矩阵 (N=820)。 HCP 和 GSP 数据之间的主要区别在于，HCP 数据是使用多波段序列在定制的 3T扫描仪上收集的，并使用 ICAFIX和 Wishart 软阈值最小化 (2 mm) 平滑。第二个数据集包含来自 Nathan Kline Institute (NKI) Rockland 样本发布1-3的 205 名被试，归一化为 MNI 体积空间。 NKI 数据集已用于最近的几项寿命连接组学研究。 GSP 和 NKI 数据集之间的主要区别在于 NKI 数据集由 6 到 85 岁的被试组成，提供了评估人类整个生命周期中分区性能的机会。GSP 和 NKI 预处理之间的两个主要区别是解剖 CompCor（而不是全脑信号回归），以及未对 NKI 数据集应用平滑。通过对每个分区内所有顶点对（或体素）之间的皮尔逊矩积相关系数求平均值来计算功能连接同质性。然后对所有分区的平均相关性进行平均，同时考虑分区大小：
其中ρl表示分区l的功能连通性，而|l|表示分区l的顶点（或体素）数量。 功能连接同质性指标（方程（2））是为每个被试单独计算的，并在被试之间求平均值，除了 HCP 组平均连接矩阵已经执行了被试间平均。由此产生的功能连接同质性指标在如图4。当在不同分区之间进行比较时，在执行配对样本测试（GSP 的自由度 = 744，NKI 的自由度 = 204）之前，分别为每个被试计算了同质性指标（方程（2））。由于使用了 HCP 组平均连接矩阵，因此无法对 HCP 数据进行统计测试。作者注意到，在建议的评估指标上，具有更多分区的皮层分区平均会表现得更好。原因是具有更多分区的皮层分区平均将具有较小的分区。较小的分区可能在功能和连接上更加同质。类似地，更多的分区会导致更多的边界顶点，因此将享受更好（更低）的组织和视觉 Hausdorff 距离（平均）。因此，在比较分区时，重要的是控制分区数量。为了评估这项研究中分区程序的质量，gwMRF 模型被应用于 GSP 训练集 (N=744)。将得到的 gwMRF分区与 4 个公开可用的分区进行比较。其中三个分区是使用 rs-fMRI 的全自动算法生成的，而另外一个分区是通过将半自动算法应用于多模态生成的数据，包括 rs-fMRI、相对髓鞘映射和任务态fMRI。半自动算法需要解剖学家手动选择适合皮层区域的先前解剖知识的多模态梯度。 Gordon 和 Glasser 分区分别由 333 和 360 个分区组成，由于估计有300到400个人类皮层区域，Shen和Craddock 分区则分别由300和400个分区组成。在比较大脑分区时，有几个问题值得详细说明。第一个问题是分区的数量L。随着分区数量的增加，平均而言，在所有建议的评估指标中，gwMRF 分区的表现会更好。为了控制分区的数量L，使用不同数量的分区运行gwMRF 分区划分程序以匹配4个公开可用的分区。在 Gordon 分区情况下，分区之间存在未分配给任何分区标签的顶点，这通常会提高分区在所有评估指标上的性能。因此，GSP 训练集中连接同质性最差的边界顶点从 gwMRF 分区中移除，以匹配 Gordon 分区中未标记顶点的数量。第二个重要问题是分区位于不同的坐标系中。 Gordon 和 Glasser 分区在 fsLR 表面空间中，Shen 和 Craddock 分区在 MNI 体积空间中，gwMRF 分区在 fsaverage 空间中。同样，评估数据在不同的坐标系中。组织、视觉和任务 fMRI 数据位于 fsLR 表面空间中。 GSP rs-fMRI 数据在 fsaverage 空间中，HCP rs-fMRI 数据在 fsLR 表面空间中，而 NKI rs-fMRI 数据在 MNI152 体积空间中。为了评估，将不同的分区转换为评价数据所在的坐标系统。例如，为了使用 GSP 测试集（驻留在 fsaverage 表面空间中）评估连接同质性，Gordon、Glasser、Shen 和 Craddock 分区被转换为 fsaverage 表面空间。这两个问题（分区数量和坐标系）实际上是相互影响的，因为将分区转换为目标坐标系可能会影响产生的分区数量。例如，Shen 和 Craddock 分区包括皮层下结构。将他们的分区映射到 fsaverage（或 fsLR）空间减少了分区的数量，分别导致 Shen 和 Craddock 的分区分别为 236 和 348 个分区。为了在 fsaverage（或 fsLR）空间中进行比较，运行 gwMRF 分区算法以确保与 Shen 和 Craddock 划分相同的分区数量。另一方面，当将 gwMRF 分区与 MNI 空间中的 Shen 或 Craddock 分区进行比较时，mask的使用可确保分区覆盖大脑皮层的相同方面。这个mask修改了分区数量，分别为 Shen 和 Craddock 分区产生了 243 和 360 个分区。为了在 MNI 空间中进行比较，运行 gwMRF 分区算法以确保与 Shen 和 Craddock 划分相同的分区数量。将 Shen 和 Craddock 分区转化为表面空间在技术上具有挑战性。尽管有研究者开发了 MNI 和 fsaverage 空间之间的高度精确映射，但仍会使表面空间中的转换分区倾向于具有粗糙的边界，导致功能同质性降低。为了减轻这种偏差，在表面空间上对分区边界进行了平滑处理。后处理程序用于提高转换后的分区的性能，并且生成的分区在视觉上看起来很平滑。然而，无法做到完全消除所有偏差，因此在坐标系X中创建和评估的分区在其原始空间中比在不同坐标系中创建然后投射到坐标系X的分区具有固有的优势。因此，结果应该被小心解读。gwMRF划分出的 400、600、800 和 1000 个区域的稳定性gwMRF分区算法独立应用于 GSP 训练和测试集划分了400、600、800 、1000 个分区。为了直观地理解训练和测试分区之间的一致性，两个分区的边界都覆盖在 fsLR表面空间上。根据分配给相同分区的顶点百分比评估训练和测试分区之间的定量一致性。gwMRF 分区算法应用于完整的 GSP 数据集 (N=1489) 以生成大脑皮层分区的人口图谱。鉴于大脑皮层的层次结构，作者不相信单一分辨率的分区在所有应用中都是最佳的。因此，他们生成了 400、600、800 和 1000 个分区。分区可用于 fsaverage 和 fsLR 表面空间，以及 MNI152 体积空间。为了研究分区是否保留了原始数据的社区结构，使用与 Yeo et al.(2011)类似的程序将分区聚类为7个和17个网络应用于完整的 GSP 数据集。对于L分区（其中 L是 400、600、800或1000），计算每个分区和每个被试的平均时间进程。对于每个被试，使用平均时间进程计算 L×L 相关矩阵。类似于 Yeo et al.(2011)，每个相关矩阵都被二值化（只保留前 10% 的相关条目）并在 1489 名被试中取平均值。使用vonMises-Fisher混合模型得到的二值化和平均相关矩阵被聚类为7和17个网络，并与Yeo et al.(2011)的网络进行比较。通过将分区与组织和视觉区域的边界并置，以及可视化其与任务激活和连接同质性的关系，进一步确定了400区域分区划分的特征。作者还将分区体积的分布与之前发布的4个分区进行了比较。图1将组织学定义的区域3和44的边界覆盖在由3种不同方法生成的分区上。局部梯度方法对应于 Gordon 分区的333个区域划分。gwMRF 融合方法对应于将 gwMRF 分区程序应用于具有 333 个分区的 GSP 训练集。整体相似性方法对应于gwMRF 算法，其中删除了目标函数中的成对项（即局部梯度对结果分区没有影响），所有其他参数与 gwMRF 融合分区相同。与整体相似性方法相比，局部梯度方法生成的分区与区域3边界更吻合（图1的底部）。局部梯度方法的测地线（平均 Hausdorff）距离为 4.7 mm，而整体相似性方法为 5.1 mm。距离越小表明一致性越好。如果不考虑局部梯度，就无法轻易避免中央沟皮层分区的“渗出（bleeding）”。另一方面，局部梯度方法生成的分区高估了区域44的后边界，而整体相似性方法低估了区域44的后部和前部（图2的顶部）。局部梯度方法的测地距离为 5.8 mm，全局相似性方法为 6.6mm。通过融合局部和整体方法，得到的分区结果与测地线距离分别为3.9 mm和4.2 mm的区域3和44吻合良好。
图1.来自使用整体相似性、局部梯度和 gwMRF 方法的 333 个区域分区（蓝色）叠加在区域 44 和 3 的组织学（红色）边界上。局部梯度方法高估了区域 44 的后边界。与其他全自动方法相比，gwMRF （梯度加权的马尔可夫随机场）模型产生了与组织学相似的分区在 10 个组织学区域中，gwMRF 分区实现了与 Gordon 相当的组织学距离（P=0.076 未校正），比 Craddock 更好的组织学距离（P=0.049 未校正），比 Shen 更好的距离（P=2.7e-5 未校正），以及比Glasser 更差的距离（P=0.042 未校正）。相对于 gwMRF 分区，Glasser 分区在某些早期感觉和晚期运动区域（区域 17、18、hOc5、3、4）中表现得特别好。相对于 Glasser 分区，gwMRF 分区在早期躯体感觉区域 2 中表现特别好，在假定的语言区域 44 和 45 中略好一些。 Glasser 分区采用半自动方法，需要解剖学家手动选择与先前匹配的特定多模态信息区域边界的知识。组织学领域之间的可变差异可能反映了解剖学家的优先顺序。与其他全自动方法相比，gwMRF 模型产生了与视觉皮层组织相似的分区在18个视觉区域中，gwMRF分区实现的视觉距离低于 Gordon（P=8.7e-3 未校正）、与 Craddock 相当的距离（P=0.37 未校正）、与 Shen 相当的距离（P=0.21 未校正），以及比Glasser更差的距离（P=1.8e-6 未校正）。如上所述，Glasser 分区利用了一种方法，该方法半自动地选择特定的多模态信息来匹配区域边界的先验知识。与其他方法相比，gwMRF 模型产生了具有更高功能同质性的分区 图2比较了由gwMRF模型生成的分区与4个公开可用的分区的功能非同质性。gwMRF 模型生成的分区在功能上明显比 Gordon (P≈0)、Craddock (P≈0)、Shen (P≈0) 和 Glasser (P=4.8e−229) 更同质，平均改进了 4.7% ( Gordon)、2.7% (Craddock)、2.3% (Shen) 和 0.8% (Glasser)。值得一提的是，Glasser 分区在本次评估中有先天优势，因为分区部分源自该数据集，并且定义在与数据集相同的表面空间 (fsLR) 中。
图2.通过每个分区内 fMRI 任务激活的标准偏差测量的功能非同质性，并在每个认知域的所有分区和对比度上取平均值 (N=745)。较低的标准偏差表示较高的功能同质性。与其他方法相比，gwMRF 模型产生了具有更高连接同质性的分区 图 3 比较了使用 gwMRF 模型生成的分区的连接同质性和 4 个公开可用的分区。对于相同的分区，由于掩蔽和过滤操作，不同坐标系的分区数量可能略有不同。gwMRF 模型生成的分区明显比 Gordon (NKI: P=9.4e–111, GSP:P≈0), Craddock (NKI:P=3.1e–59, GSP:P≈0), Shen ( NKI:P=2.8e−28, GSP:P≈0) 和 Glasser (NKI:P=6.3e −110, GSP:P≈0)在连接上更同质。为 HCP 数据集计算了 NoP 值，因为使用了 HCP 组平均密集连接矩阵（因此无法获取在单个被试的连接同质性）。然而，鉴于 HCP 数据集比其他2个数据集大，可以假设连接同质性的改善在统计上是显著的。在所有数据集中，gwMRF模型生成的分区平均改进为 8.0% (Gordon)、4.5% (Shen)、4.6% (Craddock) 和 7.7% (Glasser)。值得一提的是，Glasser 分区对 HCP 数据集具有先天优势，因为 Glasser 分区部分源自该数据集，并在与 rs-fMRI 数据相同的表面空间 (fsLR) 中定义。虽然更多的分区通常会导致更高的同质性，但在3个数据集中，333个区域的 gwMRF 分区都比 360 个区域的 gwMRF 分区在连接上更同质。这种差异的产生是因为对于 333 区域的划分，边界顶点被标记以匹配 Gordon 分区，从而人为地提高了连接同质性。另一个有趣的观察结果是，尽管 Craddock 分区的数量小于或等于 Glasser 分区的数量，但相对于 GSP 和 NKI 数据集中的 Glasser 分区，Craddock 分区具有优越的连接同质性。最后的观察结果是，在 MNI 空间（图3C）中计算的同质性明显低于在表面空间中计算的同质性（图3A和B），这与前人研究的观测结果一致。一个主要原因可能是因为 NKI 数据没有经过平滑处理，但另一个原因可能是表面坐标系实现了明显更好的配准精度。由于作者关注大脑皮层，因此表面坐标系是这项工作的自然选择。然而，体积坐标系统（例如，MNI）对于分析皮层下结构是非常宝贵的。
图3.通过 rs-fMRI 在 fsaverage 空间中的 (A) GSP 测试集 (N=745)、FSLR 空间中的 (B) HCP 数据集 (N=820) 和 (C) NKI 数据集 (N=205) 上计算得出的连接同质性。分别从 GSP 训练集和测试集评估具有400、600、800 和 1000 个分区的大脑皮层分区。训练集和测试集分区之间的百分比重叠分别为 81%、76%、75% 和 69%，表明稳定性优于或等于之前的分区。对分区边界的视觉检查表明训练集和测试集分区之间的一致性相对较好，尤其是对于具有较少分区的区域。这些分区是在 fsaverage6空间中计算的，但这些分区在 fsaverage、fsLR 和 MNI152 空间中是公开可用的。图 4（第一行）显示了 Yeo et al.（2011）的7个网络和17个网络分区。图4（第二行）显示了400 个区域的大脑皮层分区，其中每个分区的颜色是根据其与原始的7个网络和17个网络分区的空间重叠分配的。使用与 Yeo et al.（2011）类似的方法对400个区域的划分进行了聚类，得出了7和17个网络（图 4 最后一行），它们在视觉上与原始网络（图4第一行）非常相似。因此，gwMRF 大脑皮层分区在很大程度上保留了原始数据集的社区或网络结构，尽管存在一些小的差异。例如，与最佳分配（图4第二行）相比，7个网络解决方案（图4最后一行）中的默认网络（红色）包含更多楔前叶分区。类似地，与最佳分配（图4第二行）相比，17个网络解决方案（图4最后一行）中的突显网络/腹侧注意力网络（紫色）包含更少的楔前叶分区。使用 600 区域、800 区域和1000 区域分区获得了类似的结果。
图5覆盖了左侧大脑皮层半球的组织学定义的组织区域 3、4、2、hOc5 和 17 的边界上的400个区域。分区边界和组织区域之间普遍存在良好的对应关系，尤其是两个半球的区域 3、4、2 和区域 17。
图5.覆盖在左半球 (A) 区域 3、(B) 区域 4、(C) 区域 2、(D) hOc5 和 (E) 区域17的组织学（红色）边界上的 400 区域大脑皮层分区（蓝色）。分区将主要区域划分为子区域。在躯体运动区域 3、4 和 2 的情况下，分区可能对应于不同身体部位的躯体表征，与运动任务激活（图6）和以前的功能连接划分一致。由于分区的方向垂直于距状沟，所以也出现了沿离心轴将区域17划分的现象。
图6.（A）舌头运动（舌头-平均运动），（B1）右指敲击（右指-平均运动），（B2）左指敲击（左指-平均运动）和（D）语言任务的组平均任务激活图（故事—数学）来自覆盖在 400 区域大脑皮层分区边界（黑色）上的 HCP 数据集。 与其他组织区域的对应关系更弱。例如，与 hOc5 区域最大重叠的分区似乎超出了两个半球的组织边界。类似地，与区域18重叠的分区似乎延伸到其与区域19的背侧边界之外，但似乎与其与区域17的边界以及与区域19的腹侧边界很好地匹配。分区无法获取到区域1的背侧。分区边界和视觉边界之间通常有很好的一致性。对于视觉区域 V1（理论上应该对应于组织区域 17）尤其如此，它似乎根据视觉离心率进一步细分。除了 V1/V2 边界，那里有相应的分区边界，分区边界和其他视觉区域之间的对应关系不是很明显。例如，跨V2 和 V3 的多个分区，可能反映了 V2 和 V3 中的离心组织。有趣的是，LO1 和 LO2 位于相同的视觉图集聚类中，虽然也被分成了一组，但也可能是基于视觉离心组织。总体而言，视觉皮层中的分区可能反映了区域边界之外的超区域组织。图6覆盖了HCP在400个分区边界的运动和语言任务激活。由 HCP 提供的 833-852 名被试（取决于对比度）的 z图的平均值。通常，即使具有相对较高的阈值，单个对比度也会引发跨越分区边界的任务激活。这也许并不奇怪，因为给定的任务对比可能涉及由多个皮层区域支持的多种认知过程。即使任务操作设法引发一个单一的认知过程，这个认知过程也可以在许多皮层区域实施。图7显示了 GSP 和 HCP 数据集中 400 个分区中每个分区的连接同质性。尽管 gwMRF 模型比其他分区实现了更好的连接同质性（图3），但并非所有分区都同样同质（图7）。尽管扫描仪、采集协议和预处理策略存在差异，但 GSP 和 HCP 数据集的同质性空间变化是一致的。更具体地说，腹侧颞叶和眶额叶皮层中的分区具有较低的同质性，可能是由于这些区域的信噪比 (SNR) 较低。与 GSP 数据集 (0.58) 相比，HCP 数据集 (0.78) 中的连接同质性更高，即使分区来自 GSP 数据集。差异可能源于 HCP 数据中的多频带协议和更长的采集时间，这可能导致更高的信噪比，从而导致连接上更高的同质性。此外，HCP 使用了基于函数的被试间配准算法，这可能会减少被试间的可变性，从而增加连接的同质性。
图7.基于（A）GSP和（B）HCP数据集的400个区域大脑皮层分区的每个分区的功能连通性同质性。最大分区与最小分区的体积比为 16 (gwMRF)、3.8 (Craddock)、3.8 (Shen)、45 (Glasser) 和 443 (Gordon)。第90个百分位数分区与第10个百分位数分区的体积比为3.2 (gwMRF)、1.7 (Craddock)、1.6 (Shen)、5.7 (Glasser) 和8.3 (Gordon)。这项研究开发了一个 gwMRF （梯度加权的马尔可夫随机场）模型，该模型将局部梯度和整体相似性方法融合后对大脑进行分区。将 gwMRF 模型生成的大脑皮层分区与全自动算法的3 rs-fMRI 生成的分区以及半自动方法生成的多模式分区进行比较。与全自动分区相比，gwMRF 分区与组织和视觉区域的边界之间具有一定的一致性。与 Glasser分区相比，gwMRF 分区与组织和视觉边界之间的一致性较差，这可能反映了 Glasser 分区中解剖学家手动选择多模态信息以匹配区域边界的先验知识。与所有其他分区相比，由 gwMRF 模型生成的分区享有更好的功能和连接同质性。此外，这些分区重现了原始顶点方向 fMRI 数据的网络结构。用rs-fMRI 描绘皮层区域的局部梯度方法是由 Cohen et al.（2008）首次提出的。这种方法已大量应用于rs-fMRI，最近的研究还将这种方法应用于多模态数据。有人提出，与整体聚类方法（例如，混合模型和频谱聚类）相比，梯度方法特别适合描绘组织学定义的皮层区域。更具体地说，有研究表明，与诸如infomap算法或混合模型等整体方法不同，局部梯度方法能够描绘区域17。然而，这种比较并不完善，一些研究者将大脑皮层分成不到20个空间分布的网络，相当于大约100个分区。根据猴子的数据推断大概有300~400个人类皮层区域，因此相对低分辨率的分区无法完全区分皮层区域。事实上，这项实验表明，整体相似性方法可以产生与区域 17 的边界紧密匹配的分区边界。另一方面，由于2个区域之间具有较强的静息态功能连接，整体相似性方法无法区分区域 3 和 4（图1）。这种强大的功能连接可能源于中央沟的信号渗出，但也可能源于初级躯体感觉区域和运动区域之间的强大解剖学联系。另一方面，与整体相似性方法不同，局部梯度方法无法捕获区域 44 的边界（图 1）。基于视觉检查，通过融合局部梯度和整体相似性方法获得的 gwMRF 分区能够比任一方法更好地获取组织学边界（图 1、5），尽管数值结果没有统计学差异。总体而言，gwMRF 融合模型生成的分区与全自动方法产生的分区具有相当的组织一致性。半自动分区与区域 17、18、hOc5、3、4 的边界一致性较好，但与区域 2、6、44 和 45 的边界一致性较差。可变差异可能反映了解剖学家在竞争的多模态信息中手动选择的优先顺序。如图5所示，由 gwMRF 模型生成的分区与全自动方法的分区具有一定的视觉一致性，然而比半自动多模态方法差得多。视觉检查表明分区边界与视觉边界具有一定的一致性，尤其是V1。然而，划分的分区和视觉区域之间通常没有一对一的映射。例如，V1 似乎根据视觉离心率进一步细分。这种分离可能扩展到视觉皮层中的其他视觉区域，这表明除了区域边界外，视觉皮层中的分区可能还反映了超区域（例如，视觉离心率）组织。值得注意的是，视觉和组织边界本身并不完全一致。例如，组织区域 18 似乎与视觉区域 V2 或 V3 没有很好的对应关系。类似地，hOc5 似乎对应于多个视觉区域（MT和pMST）。因此，rs-fMRI 分区边界与组织边界和视觉边界之间不能完美匹配。多模态分区的表现说明，这种方法仍有很大的改进空间。使用任务态fMRI评估分区的功能同质性。一个重要的考虑因素是选择任务对比来评估功能同质性。更严格的对比可能提供更纯粹的认知结构，但HCP任务对比不太可能只激活单一皮层区域的单一认知功能。以前的研究通过评估落在 rs-fMRI 分区内的任务激活顶点的比例而不是分区之间的边界来解决这个问题。他们的方法在实施局部梯度方法的背景下是有意义的，该方法在rs-fMRI 分区之间引入了不均匀的厚边界。由于需要对任务激活设置阈值，因此需要对多个阈值进行考虑。这项研究通过简单地计算每个分区内的任务激活z值的标准偏差来避免需要阈值任务激活（图2）。较低的标准偏差表明一个分区在功能上更同质。这种方法不需要任务对比来仅调用单个认知功能或激活单个皮层区域。相反，只要每个皮层区域内的激活强度均匀，就可以实现高功能同质性，这是合理的，因为作者试图分离大脑皮层内的神经生物学原子。如果分区内的任务激活不均匀，这将意味着分区内的功能异质性，表明分区不是神经生物学原子。由于功能非同质性测量不需要任务对比来隔离单个认知过程，作者决定利用所有7个认知领域的所有对比，而不是必须证明某些对比与其他对比是合理的（图2）。鉴于任务态fMRI和rs-fMRI 之间的紧密联系，并且由于 gwMRF 模型产生了连接最同质的分区，因此 gwMRF 分区也是功能最同质的可能并不奇怪（图2）。与连接同质性的情况一样，作者注意到 HCP 任务态fMRI数据是从具有不同采集协议的不同扫描仪收集的，并以不同于用于推导gwMRF划分的GSP数据的方式进行处理。有趣的是，功能非同质性在认知领域各不相同（图2），工作记忆任务比其他任务表现出更大的不均匀性。可能的原因可能包括任务设计的差异和认知领域的总体任务持续时间。然而，工作记忆任务相对较大的不均匀性与之前探索高度采样个体的区域组织的工作一致。rs-fMRI分区的一个潜在用途是在未来的研究中减少 fMRI 数据的维度。例如，通常对大脑分区的每个分区内的 fMRI 时间进程求平均，并使用由此产生的平均时间进程来计算用于研究精神障碍的功能连接矩阵、个体被试、图论分析或神经质量建模。为了使降维有意义，分区的代表性时间进程应该与分区内的所有时间进程相似。这项研究结果表明，gwMRF 分区表现出比源自局部梯度或整体相似性方法（图3）。因此，gwMRF 分区可能是 fMRI 社区有用的降维工具。gwMRF 分区是来自从 Siemens Tim Trio 扫描仪获取的 GSP 数据，并使用涉及 FreeSurfer fsaverage 空间中的全脑信号回归的流程进行预处理。在从不同扫描仪和采集协议（HCP 和 NKI）、预处理流程（ICA-FIX 和 CompCor）和坐标系统（fsLR 和 MNI）收集的数据集中复制了功能连接同质性的改进（图3）。此外，虽然 GSP 和 HCP 数据集由年轻健康的成年人组成，但 NKI 数据集由年龄在6到85岁之间的被试组成，这表明 gwMRF 分区很好地适用于不同的人群，并且适合于人类寿命不同阶段的研究。最后，即使连接同质性很高，同质性也存在空间变化（图7），低信噪比的区域（腹侧颞叶和眶额皮层）分区具有较低的同质性。较低的信噪比可能会降低这些区域内的分区精度。未来的工作可能会探索可靠性和信噪比的事后校正是否可以提高分区质量。尽管 gwMRF （梯度加权的马尔可夫随机场）分区与组织和视觉区域的边界之间普遍匹配良好，但仍有很大的改进空间。例如，400个分区与组织区域hOc5的边界，以及3a和3b、4a和4p之间的边界不一致。类似地，400 个区域的划分与一些视觉边界不太相符，但可能反映了超区域（例如，视觉离心）组织。这些结果表明 rs-fMRI 的局部梯度和整体相似性方法的融合对某些皮层区域的边界不够敏感。然而，rs-fMRI 可能不一定对这些边界本质上不敏感。例如，最近开发的 rs-fMRI 方法利用了这样一个事实，即代表相同视觉位置的皮层区域在解剖学上和功能上是有联系的。这种方法能够精细地描绘视觉区域，比 gwMRF 分区更符合视觉边界。未来的工作可能会将这种脑地形 rs-fMRI 方法与当前工作中使用的方法相结合。如果 rs-fMRI 在某些生物边界上确实是本质上不敏感的，则其他方式的贡献可能是必要的。例如，相对髓鞘映射技术可以很好地描绘躯体运动区域 4a、4p、3a、3b、1 和 2，而在标准的RSFC局部梯度应用中，4a和4p以及3a和3b之间的边界都不可见。因此，髓鞘映射与 rs-fMRI 的融合可能会改善大脑分区。多模态整合的挑战之一是解决多模态冲突。在半自动多模态分区中，解剖学家明确地忽略了躯体运动皮层内的较强的静息态功能连接梯度和基于先前关于感觉和运动皮层区域的神经解剖学知识的 V1 内强梯度。然而，虽然感觉运动皮层的先验知识丰富且可靠，但人类联想皮层的先验知识却很弱，在将人类与猕猴分开的数百万年的进化过程中，人类联想皮层经历了显著的进化扩张和变化。因此，尚不清楚 Glasser 分区的准确性扩展到联想皮层的准确性如何。事实上，Glasser 分区的优势在皮层区域 44 和 45 中基本消失，这被认为与语言加工有关。因此，需要开发可以在竞争梯度中自动选择的方法。使用全自动方法的一个优点是，感觉运动皮层内的良好划分性能可能被假定扩展到联想皮层，假设感觉运动皮层和联想皮层之间没有根本区别，这可能不一定是真的。在相互冲突的模态之间进行权衡还有其他成本。例如，虽然 Glasser 分区与组织和视觉边界实现了非常好的一致性（图2和5），但它的功能和连接同质性明显更差（图3和4），即使 Glasser 分区部分源自 HCP 任务态fMRI 和 rs-fMRI 用于评估功能和连接的同质性。平均而言，在 GSP 和 NKI 数据集中，Glasser 分区的连接同质性比 gwMRF 分区差7.7%，甚至比 Craddock 分区的连接同质性更差（图4）。这项研究的比较控制了分区的数量，Glasser 分区“浪费（wasted）”了珍贵的分区，因此可以区分了无法区分的静息态功能连接的皮层区域。例如，即使区域 3a 和 3b 中的关于舌头的表征具有非常相似的 rs-fMRI 和任务态fMRI 属性，Glasser 分区也区分了区域 3a 和 3b。另一方面，通过将区域 3a 视为单个分区而将区域 3b 视为单个分区，Glasser 分区“失去（lost）”了区分具有独特 rs-fMRI 和任务态fMRI 的身体表征（例如，手和舌头）的机会特性。作者注意到区域 3a 和 3b 之间存在功能差异——区域 3b与躯体感觉（somatic sensation）有关，而区域 3a 与本体感受（proprioception）有关。然而，考虑到 rs-fMRI 和任务态fMRI 测量的两个区域之间只有细微的差异，如果目标是降低 fMRI 数据的维度，区分这两个区域似乎不是很有用。相反，在对按键行为任务进行建模时，区分手和舌头的表征将非常有用。与局部梯度方法相比，整体相似性方法似乎生成尺寸更均匀的圆形分区。一个可能的原因是整体相似性方法明确优化了同质分区，因此对 fMRI 平滑度更敏感。另一个可能的原因是整体相似性方法通常需要额外的正则化目标来确保分区在空间上相连，尽管值得注意的是，局部梯度方法隐含地限制了分区在空间上相连，例如通过使用分水岭算法（watershed algorithm）。通过融合局部梯度和整体相似性方法，并通过在优化过程中弱化空间连通性目标，gwMRF 模型生成了中间圆度和尺寸分布的分区。从神经科学的角度来看，传统定义的皮层区域可能非常不规则。在尺寸方面，最大和最小皮层区域面积的比率大约为 200，最接近 Gordon 分区。就形状而言，皮层区域的范围可以从相对圆形的区域（例如，区域44）到狭窄而长的区域（例如，区域3）。400个分区的 gwMRF 分区将 V1 分成视觉离心带，将区域3分成躯体亚区。虽然这些分裂具有生物学意义，但它们也增加了分区的均匀性。由于 V1 是最大的皮层区域之一，因此分区 V1 会产生尺寸更均匀的分区。类似地，将长而薄的皮层区域3分成躯体感觉亚区导致更圆的分区。然而，这种解释可能不能扩展到非地形组织的皮层区域。鉴于 gwMRF 和 Gordon 分区与组织和视觉边界实现了相似的一致性，gwMRF 分区可能代表传统皮层区域边界的空间布局，几乎与基于梯度的方法一样。另一方面，鉴于 gwMRF分区享有更好的功能和连接同质性，当用作新 fMRI 数据的降维工具时，gwMRF 分区可能比基于梯度的划分更有用。最后，虽然局部静息态功能连接梯度是基于全脑静息态功能连接计算的，但分别为每个半球导出了gwMRF分区。由于 gwMRF 目标函数中的空间连通性项，将该过程应用于两个半球理论上应该会产生类似的分区。虽然已知功能系统（例如，默认和背侧注意网络）跨两个半球，但众所周知的大脑皮层内的功能偏侧化也表明双侧功能系统可能包括不对称分布的分区（图4）。实际上，局部静息态功能连接梯度的视觉检查表明，某些梯度存在于一个半球而不是另一个。因此，gwMRF和 Gordon分区都是不对称的，与文献中的大多数划分程序一致。一个主要的例外是最近的多模态分区，其中解剖学家明确忽略了不对称梯度信息。在基于连通性的分区文献中提出了许多指标来评估或证明大脑分区的数量。还有各种各样的机器学习技术试图预估聚类问题中的模块数量，包括贝叶斯信息准则和稳定性分析。然而，由于计算指标所需的近似值，这些方法不太可能估计真正最佳的聚类数量。在许多情况下（例如，稳定性分析），预估的聚类数可能部分反映了数据集的大小，从而降低了估计反映生物学的置信度。此外，大脑是分层级组织的，从分子 (1 Å) 到突触 (1μm)，再到神经元 (100μm)，再到区域 (1 cm) 到系统 (10 cm)。即使在 MRI 的毫米分辨率下，也可以观察到层级组织。例如，大规模网络（例如，默认、背侧注意力网络等）包括多个皮层区域。鉴于皮层区域的异质性，皮层区域可以进一步细分。例如，初级运动区域可以分为不同的身体表征，例如手和嘴。手部表征又可以细分为手腕和单个手指。因此，尚不清楚是否存在正确数量的大脑分区，或者皮层区域是否必然是皮层分区的最佳分辨率。例如Glasser et al. (2016)和Gordon et al. (2016)将 V1 提取为单个分区，而这项研究中的 400 个分区根据 V1 的视觉离心率将它们分成多个分区。同样，Gordon et al. (2016)和这项研究的 400个分区将躯体运动皮层分成多个分区，大概是基于身体表征。区域 3a 的不同部分代表不同的身体部位，因此可能被视为不同的计算单元。因此，有人可能会争辩说，分离不同的脑区可能对未来的计算建模有用。例如，在对按键行为任务进行建模时，区分手部和足部运动区域可能很有用。作为一个额外的例子，在对涉及外围视觉干扰物的任务进行建模时，区分中央 V1 和外围 V1 可能很有用。此外，人们可能期望不同的分辨率的分区可能对不同的应用程序有用。例如，如果感兴趣的效果是高度聚焦（或弥散），那么更高（或更低）分辨率的分区可能更有效。因此，这项研究生成了由 400、600、800 或 1000 个分区组成的皮层分区。比较不同实验室生成的大脑分区是很困难的。一个主要的混淆因素是分区的数量。缓解这一问题的一种方法是使用零模型从统计上测试，以检验在相同数量的大脑分区以及分区大小和形状的分布情况下，大脑分区是否比随机分区表现得更好。在这里，作者在比较分区时采用了更明确的匹配分区数量的方法。另一个在文献中未被广泛承认的主要混淆因素是从不同数据或坐标系生成的分区的比较。在这里，作者采用了来自多个扫描仪的多模态数据、采集协议和跨不同坐标系的预处理策略，从而增加了这项研究中的分区将很好地推广到从以不同方式预处理的不同扫描仪收集的数据的信心。将分区投射到到位置不同的坐标系中会显著降低分区质量。例如，与 fsaverage 空间中的 Shen (7.6%) 和 Craddock (7.2%) 分区相比，文中的融合模型生成的分区实现了显著更好的连接同质性。改善持续存在，但在 MNI 空间下降至 1.0% 和 1.8%。大脑皮层与皮层下结构形成空间上有组织的连接。在这里，尽管在这里使用的梯度图考虑了皮质-皮质下的连通性，但作者将定位限制在了大脑皮层。虽然作者的方法原则上适用于皮层下结构，但由于大脑皮层和皮层下结构之间存在显著的信噪比差异，因此仅在一步内对整个大脑进行准确分区并非易事。因此，像许多研究中所做的那样，皮层下结构可能更有效地从大脑皮层划分出来。例如，来自相邻视觉皮层的 fMRI 信号往往会渗入相邻的小脑区域，这些区域与运动皮层形成紧密的解剖环，但不会流入视觉皮层。因此，需要额外的回归步骤来消除这些混淆。我们得出的大脑皮层分区是通过对许多被试的数据进行平均获得的。鉴于大脑功能组织中众所周知的个体差异，在这项工作中得出的组水平分区可能不能与个体被试达到最佳拟合。对于更高分辨率的分区（例如，1000 个区域的分区），这个问题可能会加剧，因为较小的组水平分区更有可能与单个被试的内在组织不匹配。因此，特定被试的大脑网络或区域估计可能对于理解行为和障碍的个体差异可能很重要。将 gwMRF 模型扩展到单个被试可以在将来进行研究。这项研究开发了一种rs-fMRI 精细分区的算法，该算法利用静息态功能连接中的局部梯度，同时最大化分区内rs-fMRI 时间进程的相似性。由此产生的大脑皮层分区在功能和连接上是同质的，并且与某些组织和视觉边界非常一致。提供多分辨率分区作为参考图集，用于其他模式的未来表征、图论分析和神经数据的建模。本文的方法可能在未来用于个体分区，个体分区的方法在未来会具有更高的灵活性，并在疾病研究中发挥更大作用。原文：Local-Global Parcellation of the Human Cerebral
Cortex from Intrinsic Functional Connectivity MRI
|
