|
使用弥散MRI和概率性纤维追踪可以构建全脑结构网络。然而，测量噪声和纤维追踪具有概率性，导致白质连接的比例不确定。在网络层面缺乏全面的解剖学信息，无法区分虚假和真实的连接。因此，网络阈值方法被广泛用于消除表面上错误的连接，但目前尚不清楚不同的阈值策略如何影响基本网络属性，及其与人口统计变量（例如年龄）的关联。在来自英国生物样本库成像研究（UK Biobank Imaging Study）的3153名一般健康志愿者的样本中（44-77岁），我们构建了全脑结构网络，并应用了两种网络阈值方法（一致性和比例阈值）。应用于六种替代网络权重（纤维计数，各向异性分数，平均扩散率和来自神经元方向扩散和密度成像的三种新型权重），以及四种常见的网络度量（平均边权重，特征路径长度，网络效率和网络聚类系数）。 我们将网络度量与年龄进行了比较，发现： 1）来自非阈值矩阵的度量产生最弱的年龄相关性（0.033≤|β|≤0.409）； 2）相比于基于一致性的方法（仅保留了30%的连接），文献中最常用的比例阈值水平（保留了所有可能连接的68.7%）产生了明显较弱的年龄相关性（前者0.140≤|β|≤0.409，后者0.070≤|β|≤0.406）。然而，我们确定，阈值的严格性是网络—年龄相关性的决定因素，比阈值方法的选择更强，并且两种阈值方法在70%的网络稀疏度下匹配时，确定了一组高度重叠的连接（ICC = 0.84）。通常，更严格的阈值导致在六个网络权重中的五个中对年龄更敏感的网络度量，除了在最高水平的稀疏性（>90%），因为该水平下删除了关键连接。在两个常用的阈值水平下，被丢弃的连接的年龄相关性（平均值β≤|0.068|）在数量级上明显小于保留的连接的年龄相关性（平均值β≤|0.219|，p < 0.001，未校正）。鉴于组织学证据表明，随着年龄的增长，结构脑连接广泛退化，这些结果表明，严格的阈值方法在识别真正的白质连接方面可能是最准确的。本文发表在Neuroimage杂志。 人们越来越热衷于寻求构建结构大脑网络或结构“连接组”，它们绘制了人类大脑远端区域之间的白质连接。结构连接组可以在体内，在宏观尺度上，使用扩散磁共振成像（diffusion magnetic resonance imaging, dMRI）和全脑结构成像进行估计。这种方法对于衡量大脑网络组织的变化与行为、健康的关系至关重要。然而，建立一个具有代表性的大脑网络，并可以进行组内和组间比较是一项不小的任务。由于噪声，以及概率纤维追踪仅能间接测量水扩散，由此产生的结构脑网络包含许多假阳性连接。概率纤维追踪生成的未滤波网络通常将大脑描述为几乎完全连接。这与哺乳动物解剖连接的生物学和尸检研究不一致。对宏观尺度连接密度的估计差异很大：小鼠皮质—皮质网络的估计为32-52%；大鼠大脑为31.6%；猫脑约为27%；猕猴皮质网络为66%。Roberts等人报告了人脑连接密度的估计值，从<5%到13-36%不等。尽管这些估计值各不相同，但可以推断出，在未滤波网络中识别的许多“连接”都是虚假的。 尽管之前的研究已经使用dMRI和纤维追踪图绘制了大脑的主要白质通路，但尚未实现细粒度的解剖“基本真理（ground-truth）”，绘制宏观尺度上的每个连接（通常是数千个白质通路，涉及数百万条纤维束）。最近通过手动标记40个主要纤维束簇构建的基于人群的白质连通性模板（atlas）显示出验证连通性的希望，但仅限于一小部分可能的网络连接。 由于缺乏全面的连接图并满足对更有原则的网络去噪方法，研究人员引入了推理方法来识别和丢弃潜在的虚假连接。一些研究人员主张使用原始（非阈值）矩阵而不删除任何连接，因为拓扑网络属性不会因包含弱连接而显著改变。然而，许多网络研究已经采用了阈值策略，例如，绝对阈值，它应用统一阈值以仅保留高于设定权重的连接，以及稀疏度阈值，它对连接权重应用（相对）阈值，使得最弱的连接被删除，从而使不同被试的连接数量相同。尽管最低权重的网络连接（例如，涉及最少纤维束的网络连接）通常是假阳性，但低权重并不一定对应于难以置信的连接。 因此，引入了更复杂的阈值方法，这些方法使用组水平统计信息删除网络连接。比例阈值已被用于仅保留一定比例的被试中存在的联系。最近引入了一致性阈值方法，这些方法保留了受试者之间权重一致的连接，该方法假设具有最高受试者间变异性的连接是虚假的。此外，这些方法还涉及促进其物理长度较强的白质连接的方案，以补偿高估短程连接数量的偏差。这些研究还根据哺乳动物大脑纤维追踪研究的证据应用了网络连接密度水平，因此可能部分满足了对解剖学上更合理的连接测量的需求。然而，目前缺乏关于阈值化方法和阈值化水平范围的共识，这些方法和阈值水平范围可能最能反映潜在的生物连通性。 大脑中数千种可能连接中许多连接缺乏先验信息，导致研究人员使用标准有效性（criterion validity）评估不同阈值化方法的影响—即网络指标与感兴趣的外部结果的关联程度。例如，最近的一项研究检查了亨廷顿舞蹈症的四种阈值方法（138名参与者），发现在网络水平上检测群体差异高度依赖于所选的阈值水平。然而，小样本固有的统计效力不足，限制了准确性，无法可靠地检测阈值水平和网络加权方法的微小变化中有效性的相对差异。 我们认为，年龄与白质微观结构相关，是比较不同网络阈值和加权方法有效性的有力候选者。成年人年龄的增长与脑白质宏观和微观结构成相关性，该结果被广泛复制。由于正常和异常衰老引起的大脑组织改变的网络分析已应用于结构和功能MRI。这些研究一直表明，它们与全脑范围的连通性测量和年龄增长有关。此外，对人类和动物数据的组织学研究发现，由于衰老和年龄相关疾病，白质（有鞘纤维）广泛退化。 除了虚假连接的问题之外，对于哪种网络权重最能反映潜在的生物连接仍然存在不确定性。从dMRI结构网络中得出了各种权重，这些权重反映了连接强度的不同概念。最常用的权重是区域间流线计数/密度、水扩散各向异性（各向异性分数；fractional anisotropy, FA）。一些网络研究引入了其他dMRI权重，例如平均扩散率（mean diffusivity, MD），以表征白质微观结构的不同方面。神经突起方向扩散和密度成像（Neurite orientation dispersion and density imaging, NODDI）提供了比传统的水扩散张量模型更复杂的组织微观结构模型。NODDI估计神经突起密度（细胞内体积分数；intra-cellular volume fraction, ICVF），细胞外水扩散（各向同性体积分数；isotropic volume fraction, ISOVF）和纤维追踪复杂性/扇形（方向扩散；orientation dispersion, OD），以及可以用作网络权重的其他生物标志物。以前的研究比较了一些常规加权方法，但目前尚不清楚阈值如何影响不同权重的网络及其与外部变量（如年龄）的关系。 在目前的研究中，使用大型单扫描仪成像样本（英国生物样本库成像研究），我们评估了两种有原则的网络阈值化方法（比例和一致性阈值）的效果，这两种方法都基于组水平统计数据。我们选择了在群体层面而不是个体层面运作的方法，因为这与受试者之间的连接密度相匹配，并允许对个体差异进行定量检查。我们还提供了有关不同网络权重阈值化的影响（流线计数，FA，MD，ICVF，ISOVF和OD）和四个基本图论度量（平均边权重，特征路径长度，全局网络效率和网络聚类系数）的信息。 我们使用已知的白质年龄相关性来评估阈值的影响。首先根据文献中的常见用法，为每个阈值方法选择相关的阈值水平，并对其进行比较。然后，我们在一系列阈值水平上比较了网络年龄相关性，并评估了被保留和被丢弃的连接的年龄相关性。我们假设： 1）随着阈值的严格性增加，随着更多（假定的）虚假连接的删除，网络-年龄相关性的幅度将增加； 2）被丢弃的连接的年龄相关性将为零，因为我们假设这些是代表测量噪声的假阳性连接。 英国生物样本库是一项大规模的流行病学研究，在2006年至2010年从英国各地招募了大约50万名社区居住，年龄在40-69岁之间的健康受试者。参与者提供了全面的人口统计，社会心理和医疗信息。初步评估后约4年，一部分参与者在英国曼彻斯特Cheadle的成像中心接受了脑部MRI（44-77岁）。dMRI数据的最初包括5455名参与者，其中567名由于在早期扫描阶段使用不兼容的dMRI采集而被排除。另有1314名参与者通不过dMRI质量控制。英国生物样本库获得了西北多中心研究伦理委员会的伦理批准。所有参与者均提供知情同意书。目前的研究是在批准的英国生物样本库申请号10279下进行的。 MRI协议和处理的详细信息可免费获得。所有成像数据均使用单个西门子 Skyra 3T 扫描仪获取。3D T1使用磁化制备的快速梯度回波序列以1×1×1 mm分辨率以208×256×256视场获得加权体积。dMRI数据是使用自旋回波回波平面成像序列采集的（50 b = 1000 s/mm2，50 b = 2000 s/mm2和 10 b = 0 s/mm2），产生 100 个不同的扩散编码方向。视场为104×104 mm，成像矩阵为52×52和72切片，切片厚度为2 mm，产生2×2×2 mm体素。 对FA（测量各向异性水分子扩散程度）和MD（测量扩散幅度）等水扩散参数进行了估计。从NODDI获得的参数是：ICVF，测量神经突起密度；ISOVF，测量细胞外水扩散；OD，测量神经突起取向的扇形或角度变化程度。 使用自动连通性映射流程来构建白质结构网络矩阵。下面描述了这个框架，参数来自先前使用健康志愿者的测试—重新测试研究的结果。 使用体积分割和皮质重建（FreeSurfer v5.3.0）把每个 T1-加权图像分割成85个不同的神经解剖学区域——感兴趣区域（regions-of-interest, ROI）。Desikan-Killiany图谱用于识别每个半球的34个皮质结构。应用皮质下分割以获得脑干和每个半球的另外八个灰质结构：伏隔区，杏仁核，尾状体，海马体，苍白球，壳核，丘脑和腹侧间脑。对所有皮质分割进行视觉质量检查，以发现严重分割错误，并删除202名参与者。在参与者的子集（N = 1500）中，我们还使用了另一种皮质图谱，即多模态分割（multi-modal parcellation），具有375个节点（358个皮质和17个皮质下区域，具有替代海马体分割）。 采用交叉模态非线性配准方法将ROIs从T1加权体积配准到扩散空间。首先，将头骨剥离和脑提取应用于每个参与者的FA图像。作为初始对齐，使用具有12个自由度的仿射变换将每个脑提取的FA图像与相应的FreeSurfer提取的T1加权脑对齐（使用互信息成本函数，FLIRT）。然后使用非线性变形方法（FNIRT）细化局部对齐。然后使用最近邻插值将FreeSurfer分割与扩散空间对齐。对于每个参与者，用于约束纤维追踪的二进制掩码是在扩散空间中从所有灰质和白质体素中形成的。 使用已建立的概率算法和双纤维模型（BEDPOSTX/ProbtrackX）进行全脑纤维追踪。概率密度函数描述了扩散主要方向的不确定性，用每个体素的双纤维模型计算。然后，通过使用100次马尔可夫链蒙特卡罗迭代在纤维追踪期间从这些分布中采样来构建纤维束，连续点之间的固定步长为0.5 mm。从所有白质体素开始纤维追踪，并在两个共线方向上构建纤维束，直到被以下停止标准终止： 1）超过70°的曲率阈值；2）追踪进入FA低于0.1的体素；3）进入脑外体素；4）长度超过200毫米；5）超过距离比值度量（distance ratio metric）的阈值10。设置此追踪标准是为了最大限度地减少解剖学上不可靠的纤维束数量。距离比度量排除了不可靠的曲折纤维束，长度比端点之间的距离长10倍的纤维束被认为是无效的。 通过识别所有ROI对之间的连接来构建网络。纤维束的端点被记录为从种子位置进行追踪时遇到的第一个 ROI（如果有）。成功的连接记录在85×85 连接矩阵中。计算了基于绝对流线计数（streamline count, SC）的网络加权，aij= count（i, j），这是节点 i 和 j 之间标识的所有纤维束的计数。为了应用纤维束长度校正，为每个参与者计算一个长度矩阵，dij记录节点i和j之间所有互连纤维束的平均长度。然后，通过取长度集合中元素平均值来构造平均纤维束长度l的组水平矩阵。除了流线计数之外，还计算了FA，MD，ICVF，ISOVF和OD的另外五个网络权重。对于每个加权，使用元素计算一个连通矩阵，aij，以体素为单位记录扩散参数的平均值，这些体素沿着节点 i 和 j 之间的所有互连纤维束标识。由于纤维追踪无法区分传入和传出连接，因此所有矩阵都是对称的。删除了自连接（对角线元素），并将所有自连接设置为零。 我们使用SC加权网络应用比例和一致性阈值，这反映了从概率纤维追踪中获得连接的可能性。比例阈值化通过仅保留给定比例的受试者中发生的网络连接（即非零）应用于SC矩阵集。一致性阈值化首先基于长度矩阵（aij / lij）校正每个SC矩阵，以纠正识别短程连接的偏差。然后应用长度归一化权重的变异系数（coefficient of variation, CoV）的阈值，以保留受试者之间的一组连接。由于比例和一致性方法的阈值标准不能直接比较，因此我们根据网络稀疏性（零加权元素在连通性矩阵中可能元素总数中的比例）测量了这两个标准。 对于每种方法，我们根据文献中的使用情况选择了相关的阈值水平，以进行比较。对于比例阈值，该水平被设置为至少50%的受试者中存在连接，这基于从过去两年发表的网络研究的文献检索中获得的中位数。根据人类和动物体内和体外数据的估计，一致性阈值水平设置为保留30%的连接。除了这些水平之外，还计算了超过 100 个相等间隔阈值水平的网络，即从0到100%的网络稀疏性。对于每个阈值水平，对五个扩散加权网络中的每一个应用相同的阈值mask，从而在加权之间产生相同的网络稀疏性。 对于每个网络加权（SC，FA，MD，ICVF，ISOVF和OD）和阈值水平，每个受试者，我们计算平均边权重（所有网络连接的平均值，包括任何在组水平阈值中幸存下来的零权重元素）。此外，还计算了三个全局图论指标：特征路径长度（网络整合的度量），全脑网络效率和网络聚类系数（反映每个节点邻居的互连性）。我们还进行了补充分析，以评估更高分辨率的网络（375个节点）将如何影响网络稀疏性和阈值行为。对于这些网络，我们计算了相同的六个网络权重和参与者子集（N = 1500）中的平均边权重。 我们首先计算了平均连通矩阵，并报告了六个网络权重中非阈值网络的描述性统计量。在网络阈值化之后，我们计算了六个权重中的每一个和三个阈值水平的四个网络度量之间的相关性（跨受试者）。同样，在相同的阈值水平上计算了六个权重之间的相关性，即跨受试者的平均边权重。 我们计算了两种阈值方法使用的组水平统计数据，并提供了有关发生连接的受试者比例和所涉及的纤维束数量的详细信息。我们测量每种方法使用完整队列的不同子集保持相同网络连接的一致性，来测试这两种阈值方法的可重复性。通过将整个数据集随机分成两半（N = 1577和N = 1576），计算每半中的两个独立阈值，然后使用类内相关系数（intraclass correlation coefficient, ICC）计算从两个阈值获得的85×85二进制矩阵之间的一致性（记录存在的连接/不存在的连接）来计算拆分半一致性（split-half agreement）。我们计算了ICC(3,1)，它应用了具有单一度量和一致性的双因素混合模型。在 100 个阈值水平中的每一个水平上，通过重新采样 1000 次来计算平均值和置信区间，并重复此split-half agreement过程。 我们使用年龄相关性作为测试来比较比例和一致性阈值标准的有效性。最初，我们在预定义的阈值水平以及非阈值矩阵上比较了这两种方法：存在于50%的参与者中的连接（PT50）；30% 的一致性阈值（CT30）。因此，我们有三种阈值配置用于比较，分别称为 Raw、PT50 和 CT30。我们认识到这些配置具有不同的网络稀疏性（PT50为0.313；CT30为0.700），因此还提供了两个与稀疏性匹配的附加比较值（CT在0.313稀疏度和PT在0.700稀疏度）。这使我们能够评论阈值方法（比例/一致性）或阈值的严格性（即网络稀疏性）对观察到的网络年龄相关性的相对贡献。我们对年龄相关性进行了四组成对测试：1）Raw与PT50；2）PT50与CT30；3）PT50 与 PT50 匹配的一致性；4）CT30与CT30匹配的比例化阈值。然后，我们通过在一系列阈值水平上测试比例阈值和一致性阈值来提供更深入的分析。 为了评估阈值在具有已知年龄相关性的样本中的功效，我们提取了保留和丢弃的网络连接，以测试以下假设：即丢弃的连接将是虚假的，将主要表现出零年龄相关性，并且保留连接中信噪比的增加将导致更强的年龄相关性。使用未配对的双样本 t 检验来检验保留的连接集与丢弃的相应连接之间的年龄相关性差异。我们比较了这两个类别在平均边权重的年龄相关性方面的属性（标准化β）。为了可视化用CT30计算的保留和丢弃连接所涉及的区域，构建了解剖圆图，其对相关的神经解剖学节点进行分组，并根据年龄相关性的强度绘制连接。 在整个过程中，对于六个权重和四个网络度量中的每一个，都使用多元回归来建模网络度量与年龄，年龄的平方，性别，年龄×性别之间的关联。由于比较的次数多，使用p<0.001（未校正）的阈值来表示每个模型中的显著影响。报告了未校正的p值，因为我们的目的是使用白质中已知的年龄相关性作为不同权重和阈值之间的比较器（鉴于缺乏先验知识）。对于每个网络加权和阈值水平，计算上述预测变量的回归系数（标准化β系数）以及这些系数的标准误差和调整后的R2。 在补充分析中，我们调查了应用 SC 加权的四个变体（以及每个变体的对数变换）时的平均边权重的标准有效性的差异： 通过每个受试者的种子点数（白质体素数）进行网络校正； 纤维束密度，通过白质界面处的节点表面积（直接与白质体素相邻的体素数）进行校正。 在排除了质量筛查不合格和处理失败的参与者后，剩下3153名参与者（44.6-77.1岁，1496名男性）。平均而言，每个受试者追踪了601万条纤维束，删除自连接后，得到149万条（24.9%）连接。图 1 显示了为每个网络加权（SC、FA、MD、ICVF、ISOVF 和 OD）计算的平均连通性矩阵和相应的边权重直方图。在每种情况下，网络都是由同一组纤维束生成的。在任何阈值化之前，受试者之间网络稀疏性（连接矩阵中零加权元素的比例）的平均值为0.316（SD = 0.032），这意味着概率性纤维追踪成像生成的大脑网络中每个受试者的连接密度约为68%。在所有受试者中计算的平均连通矩阵（图1）几乎完全连接，稀疏度为0.002，尽管该网络中69.8%的连接平均涉及每个受试者不到50个纤维束。我们从所有受试者汇集的边权重的直方图（图1）中观察到，SC权重的分布大致遵循幂律，涉及许多低加权连接，但很少有高加权连接，而基于dMRI的五个权重遵循近似正态分布。
图 1. 上部：85×85 平均区域间连接权重矩阵（非阈值），从同一组纤维束生成六个网络权重，所有参与者求平均（N = 3153）。在每种情况下，对角线上的两个大矩形模式对应于左半球和右半球。底部：针对每个权重在所有参与者中汇总的非零边权重的相应直方图（SC 是对数缩放的）。SC = streamline count流线计数；FA = fraction anisotropy各向异性分数；MD = mean diffusivity平均扩散率；ICVF = Intracellular volume fraction细胞内体积分数；ISOVF = Isotropic volume fraction各向同性体积分数；OD = orientation dispersion方向色散。 已知图论指标的绝对值取决于所使用的网络方法。虽然全脑网络测量值的绝对值（平均边权重、特征路径长度、网络效率和网络聚类系数）不是我们分析的关键，但我们发现，每个测量值在权重和阈值之间差异很大。通常，随着网络稀疏性的增加，平均边权重（包括零加权在内的阈值中幸存下来的权重的平均值）和特征路径长度也增加，而网络效率和网络聚类系数都降低了。我们发现，在六个网络权重和三个阈值水平 [未阈值（Raw）；连接存在于50%的参与者中（PT50）；30% 的一致性阈值（CT30）] 下，在受试者之间评估时，所有四个全脑网络度量都高度相关。对于 SC 加权网络，这些网络测量值之间的所有相关性均为 r≥|0.60|，对于所有其他权重r≥|0.74|。在某些情况下，网络测量值几乎是完全相关的（例如，平均边权重和网络效率；平均边权重和网络聚类系数）。同样，在一些情况下，发现六个网络权重的平均边权重高度相关。例如，在最严格的稀疏度测试水平（CT30）下，FA和ICVF之间的相关性最强（r = 0.84）；MD 和 ICVF（r = −0.83）；FA 和 MD（r = −0.73）；MD 和 OD（r = −0.46）； MD 和 ISOVF（r = 0.44）。 为了说明比例和一致性阈值方法使用的组水平统计，我们计算了经过长度校正后每个连接的受试者的比例（图2A）和流线计数中的受试者间变异性（inter-subject variability, CoV）（图2B）。比例矩阵和CoV矩阵的元素在r = −0.61时显著相关。受试者比例的阈值与由此产生的网络稀疏性之间的关系是非线性的（图2C）。边权重的受试者间变异性阈值与网络稀疏性的关系（图2D）表明，具有高受试者间变异性（CoV >10）的连接很少，并且大多数连接表现出低的受试者间变异性（例如，对于前30%最一致的连接，CoV<1.25）。比例阈值无法在网络稀疏性的最高级别应用，因为高于 81% 的稀疏性，此标准无法删除进一步的连接，即19%的所有可能网络连接存在于每个受试者中。
图 2. A） 85×85 矩阵显示每个网络连接存在的受试者比例；B）85×85 矩阵显示一致性阈值使用的流线型计数长度校正后网络权重的变化系数（coefficient of variation, CoV）；E）阈值连接的split-half一致性方法计算方式：随机将数据集分成两半，应用两个独立的阈值，并使用ICC来测量从两个阈值中识别的一致性（是否存在连接），并根据网络稀疏性绘制（超过1000次重采样迭代计算的95% CIs）。 虽然CT30保留了3570个可能的网络连接的30.0%，但PT50的阈值水平更宽松，保留了所有连接的68.7%。值得注意的是，通过任一阈值方法删除的网络连接涉及每个被试的纤维束相对较少。例如，CT30删除了2493（70.0%）的网络连接，但这仅丢弃了每个被试的75000个纤维束，并且保留了大多数纤维束（约142万个）。同样，PT50删除了1119个（31.3%）的网络连接，但这只丢弃了每个被试的约650个纤维束（即，丢弃的连接在许多被试中的纤维束计数为零），并且保留了大约149万个纤维束。
对于这两种阈值方法，在随机分成两半（N = 1577和N = 1576）并计算两个独立的阈值之后，测量在样本的单独两半中识别相同网络连接的一致性程度，得出高度一致性（平均ICC>0.81；图 2E）。PT50的一致性（平均ICC = 0.99）大于CT30的一致性（平均ICC = 0.93）。当在整个稀疏范围内进行检查时，20-60%的稀疏性下，比例阈值高度一致（平均ICC>0.97），但高于60%的稀疏度，一致性下降到0.85（在80%稀疏度时），可能是因为核心白质连接是从一个样本中修剪出来而不是从另一个样本中修剪的。一致性阈值显示，ICC评分大致呈线性增长，因为连接被移除，最高平均ICC为0.97，剩余连接数为5%。尽管此结果是预期的，但鉴于一致性阈值选择的连接在受试者之间变化最小，将阈值应用于两个独立样本并不一定保证两个矩阵在所有阈值水平上都是相似的。尽管在大多数水平上，比例方法比一致性方法获得了更高的一致性，但我们观察到其性能的交叉发生在约70%的稀疏性下（与Roberts等人2017年提出的30%的连接阈值水平相吻合）。同样，当两种阈值方法在整个样本中以70%的匹配稀疏度（CT30和PT的0.7稀疏度）进行比较时，两种方法确定的网络连接中的一致性很高（ICC = 0.84或948/1190匹配连接）。 我们检查了PT50（对应于31.3%的网络稀疏性）和CT30（70.0%稀疏性）获得的全脑网络测量的年龄相关性，以及来自Raw矩阵集的结果。为了解析网络稀疏性对阈值方法之间观察到的任何差异的贡献，我们还计算了其他两个阈值级别的年龄相关性，阈值方法之间的网络稀疏性是匹配的。在6个权重（SC、FA、MD、ICVF、ISOVF、OD）和5个阈值（图3）中计算了4个指标（平均边权重、特征路径长度、网络效率和网络聚类系数）的年龄相关性线性分量。计算密度图（图4）以绘制Raw、PT50和CT30阈值的平均边权重与年龄的关系。
图 3. 85 个节点网络（在五个离散水平上阈值）的四个网络指标和六个网络权重的年龄相关性（标准化回归系数）。五个阈值是：Raw（未阈值）；比例为 50% （PT50），一致性（在网络稀疏性上与 PT50 匹配，以便进行比较），比例为99.6% （与 CT30 的稀疏性匹配）和在 30% 处的一致性（CT30）。粗体表示显著性（p < 0.001，未校正），括号（底部）表示网络稀疏性。SC = streamline count流线计数；FA = fraction anisotropy各向异性分数；MD = mean diffusivity平均扩散率；ICVF = Intracellular volume fraction细胞内体积分数；ISOVF = Isotropic volume fraction各向同性体积分数；OD = orientation dispersion方向色散。
图 4. 使用三种替代阈值方法从 85 个节点网络派生的 6 个网络权重的平均边权重的密度图，二次拟合和 95% CIs：非阈值（Raw）、50% 受试者的比例阈值（PT50）和30%的一致性阈值（CT30）。 对离散阈值水平下的年龄相关性的成对测试显示，Raw < PT50的年龄相关性显著性存在于16/24（66.7%）的病例中，T50<CT30的年龄相关性显著性存在于12/24（50.0%）的病例中（p <0.001，未校正）。Raw的年龄相关性幅度在0.033~0.409之间，PT50在0.070~0.406之间，CT30在0.140~0.409之间。在14/24（58.3%）的病例中，从原始矩阵中提取的指标产生了最弱的年龄相关性。在这三个水平上，FA加权网络显示，随着稀疏性增加，效应大小增加最为明显（0.033<0.070<0.179）。总体上，MD和ISOVF产生了最大的年龄相关性（|0.269|≤β≤ |0.418|)。一些涉及MD和ISOVF的指标显示，随着阈值的增加，年龄相关性的幅度显著降低。当两种阈值方法均与稀疏性相匹配时，PT50水平的比例阈值和一致性阈值之间的差异很小，16/24（66.7%）的病例是非显著的。然而，在CT30水平上，只有9/24（37.5%）测试病例是非显著的，并且在10/24（41.7%）病例中，比例阈值的年龄相关性比一致性阈值更强。
尽管以前使用过各种区域间流线计数权重，但我们已将上面的分析限制为未校正的流线计数。在补充分析中，我们还计算了其他三个流线加权（以及每个流线型的log变换），并使用平均边权重计算了年龄和性别关联。正如预期的那样，在所有测试的阈值中，年龄的增长与未校正SC的纤维束较少相关（−0.172≤β≤−0.141，p <0.001），但也与男性（0.379≤β≤0.384，p <0.001）有关。当SC校正每个受试者的白质种子点数时，没有显著的年龄相关性（−0.005≤β≤0.042，所有非显著），女性具有更大的流线权重（-0.173≤β≤−0.159，p <0.001）。当校正灰质节点体积或表面积的流线计数时，随着年龄增长权重增加（0.067≤β≤0.173，p < 0.001），并产生零性别差异，除了使用表面积校正的Raw和PT50阈值网络（β= 0.082，p <0.001，在所有病例中），表明男性的权重略高。在测量平均边权重时，dMRI权重未发现显著的性别影响。通常，对流线权重应用对数变换可降低回归系数的大小。然而，流线加权最强的年龄相关性（β = 0.298）是使用PT50阈值，由节点体积校正的纤维束密度的对数变换变体。 在从0到100%的整个稀疏度范围内，比较了保留连接与丢弃连接的年龄相关性（图5表示平均边权重）。当在所有阈值水平上可视化时，不同阈值水平（保留和丢弃的连接）的年龄相关性图在比例阈值和一致性阈值之间非常相似。然而，由于阈值标准的局限性，无法在最高水平的稀疏性下计算比例法的年龄相关性。一般来说，更严格的阈值（增加稀疏性）导致SC，FA，MD，ICVF和OD中保留连接的年龄相关性更大，除非在最高水平的稀疏性（>90%）下（删除了关键连接）。然而，对于ISOVF，增加阈值水平会导致保留连接的年龄相关性幅度略有降低。保留连接中最强年龄相关性的范围约为50–95%的稀疏性（不同权重），而丢弃连接的年龄相关性在 50% 稀疏度以下最接近于 null。至关重要的是，观察到，在几乎每个阈值水平上，保留连接的年龄相关性幅度都大于丢弃连接的相应年龄相关性（SC除外）。丢弃的连接在大多数稀疏范围内显示 FA、ICVF 和 OD的空配置文件（但不包括 SC、MD 和 ISOVF）。尽管保留与丢弃的连接相比，年龄相关性的幅度更大，但在大多数水平的网络稀疏性中，两者都很重要，并且方向相同；ISOVF中，超过 70% 稀疏度的保留连接和丢弃连接，年龄相关性变得大致相等。
图 5. 为保留和丢弃的两个连接计算的平均边权重的年龄相关性（标准化 beta 与 SE）。对于六个网络权重中的每一个，使用85个节点网络在阈值范围（0-100%）上计算关联：比例阈值（顶部），一致性阈值（底部）。彩色线表示保留连接和丢弃连接之间的年龄相关性大小存在显著差异（p <0.001，未校正）。虚线垂直线分别表示 50% 受试者的阈值水平（PT50）和30%的一致性阈值（CT30）。 我们进行了补充分析，以评估更高分辨率的网络（375个节点）将如何影响网络稀疏性和阈值行为。在阈值之前，发现375节点网络（平均稀疏度为0.38）比85节点网络（平均稀疏度为0.65）要稀疏得多。然而，所有受试者的平均连通性矩阵几乎完全连通（0.01稀疏性），这意味着几乎所有375个区域之间的连接都至少在一个受试者中被发现。对于这两种阈值方法，我们发现，在整个稀疏范围内测量保留连接的年龄相关性的趋势与较粗模板下报告的趋势大致相似（图5）。然而，除了一些涉及FA和ICVF的阈值外，375节点网络的年龄相关性幅度小于85节点网络。
鉴于我们的假设，即阈值丢弃的连接将主要显示零年龄相关性，我们确定了保留和丢弃的网络连接，并计算了所有六个网络权重中PT50和CT30的每个单独连接的年龄相关性（图6，图7）。鉴于两种阈值方法都与年龄无关，年龄相关性的直方图显示保留/丢弃的连接的分布存在显著差异，特别是对于FA，MD，ICVF和ISOVF。除了PT50的SC加权网络（图6）之外，对于所有其他网络加权和两种阈值方法，丢弃连接的年龄相关性（平均值β≤|0.068|）在幅度上明显小于相应的保留连接（平均值β≤|0.219|，p < 0.001，未校正）。在所有权重中，PT50下，丢弃连接的年龄相关性分布（图6，图7A）（SD在0.043和0.052之间）比更严格的CT30方法的分布（SD在0.065和0.085之间）更窄。对于CT30，保留连接中不同权重具有显著（未校正）年龄相关性的连接百分比在57.2%至93.7%之间，对于丢弃连接，在30.1%至48.8%之间。PT50 显著连接的百分比对于保留连接在 48.8.% 和 78.5% 之间，对于丢弃连接，在 14.8% 和 22.2% 之间。对每个连接的年龄相关性的检查（图6，图7B）表明CT30丢弃了更大比例的显示强烈年龄相关性的连接。对于 CT30，丢弃连接（|β|≥0.20）的数量，ISOVF为8.2%，MD为4.4%，其他权重为≤1.9%。保留连接的数量（CT30，|β|≥0.20），MD为58.8%，ISOVF为44.1%，ICVF为32.1%，其他测量参数下为9.9%至16.9%。
图 6. 对于六个网络度量：A）使用50%被试的比例阈值保留/丢弃的连接的年龄相关性的直方图； B）85×85热图，显示保留（顶部）和丢弃（底部）的两个连接的年龄相关性。 
A）通过一致性阈值保留/丢弃的连接的年龄相关性的直方图，阈值为30%；B）85×85热图显示保留（顶部）和丢弃（底部）的两个连接的年龄相关性。 为了确定所涉及的区域，使用CT30构建了解剖圆图，其对相关的神经解剖节点进行了分组，并按FA和MD权重的年龄相关性强度（p <0.001，未校正）绘制连接（图8）。目视检查保留连接最强的年龄相关性（|β|≥0.20）揭示了跨半球广泛对称的连接模式，特别是对于FA，MD和ICVF。对于这些权重，最强的年龄相关性是皮质下节点之间的连接和额叶节点之间的连接。单一最强的年龄相关性是MD的左丘脑和左尾状核之间的联系（β=0.50）。对侧的年龄相关性性低于同侧连接，特别是对于FA，MD和ICVF。然而，SC和较小的ISOVF和OD显示出几种具有强年龄相关性的对侧连接。SC，FA，ICVF和OD的丢弃连接涉及≤1.9%的具有相对强年龄相关性的连接（|β|≥ 0.20）。具有强年龄相关性的丢弃连接以很大程度上不对称的模式发生，许多最强的关联涉及皮质下连接以及皮质下节点和对侧皮质节点之间的连接。
图 8. 保留和丢弃连接的年龄相关性（p < 0.001，未校正），FA 和 MD 加权的 85 节点网络，使用 30% 的一致性阈值。连接颜色表示平均边权重的年龄相关性（标准化 beta），连接厚度表示关联的大小。 本研究量化了结构网络中网络阈值方法和网络权重对标准有效性（与年龄的关联）的影响。我们提供的证据是，在具有先前报告的白质年龄相关性的大样本中，去除虚假连接的原则方法导致识别出比非阈值网络更多的年龄敏感网络成分。对组水平阈值方法（在不同稀疏水平下）的初步比较显示，年龄相关性通常更强，基于一致性（而不是比例）的阈值更严格。这提供了一个实际的例子，说明当前的阈值方法如何能够产生与外部变量关联的实质上不同的估计。至关重要的是，我们还在整个过程中进行了稀疏匹配比较，这是网络分析中的良好做法。我们更详细的分析表明，总体阈值的严格性是年龄相关性的决定因素，而不是实际的阈值本身的方法。当我们增加比例阈值的严格性（99.6%的个体中存在连接，而不是50%）以匹配基于一致性的方法时（使用70%的网络稀疏性），两种阈值方法都产生了一组高度重叠的网络连接和大致等效的年龄相关性（尽管比例阈值导致在这个水平上比一致性阈值更强的年龄相关性）。在整个稀疏度范围内检查时，两种阈值方法在年龄相关性方面几乎没有差异。一般来说，更严格的阈值（增加稀疏性）导致保留连接的年龄相关性更大，与原始矩阵相比，保留连接也主要更接近先前使用主要纤维追踪平均测量报告的结果。 我们进一步比较了所有可能的网络稀疏中保留和丢弃的连接的年龄相关性的配置文件。以前来自多种方法的结果发现大脑白质与成人年龄的普遍性变性。我们发现，最强的年龄相关性在50%到95%的网络稀疏性之间，并且丢弃连接的年龄相关性在阈值水平上主要是零，这与以下一致：1）先前对范围内连接密度的估计；2）概率纤维追踪高估了连接数；3）这些杂散连接会给信号增加噪声。尽管严格的阈值与哺乳动物大脑中约30%连接密度的先前估计一致，真正的连通性水平可能更高。 我们的结果与之前倡导消除弱网络连接的报告不一致。Civier等人报告说，“即使去除最弱的~70-90%连接，去除弱连接也没有统计学影响”；只有当更大程度的弱连接被移除时，作者才发现显著差异。尽管这些发现导致Civier等人反对任何阈值，但他们的结果表明，最弱的连接是嘈杂的，这与我们的结果大致一致。此外，研究间差异的比较具有挑战性，因为这两项研究都使用实质上不同的方法。与Civier等人相比，我们使用的概率纤维追踪受到的约束更少，这可能导致更密集的网络，从而导致更高比例的假阳性连接。然而，我们的研究具有更大的统计效力，这有利于组水平连通性统计（阈值所基于的）以及统计测试。因此，我们的研究结果倾向于一种更保守的方法（阈值是有益的），因为来自死后研究的证据。 我们还提供了证据，证明测试的两种阈值方法对网络分辨率都相对无影响。使用相同的纤维束数据，我们发现，当根据阈值水平进行测量时，粗（85节点）和细粒度（375节点）网络具有大致相似的年龄相关性趋势。然而，在大多数情况下，375节点网络的年龄相关性幅度较小。一个合理的解释是，通过使用较小的灰质区域增加了测量误差。因此，更高分辨率的网络可能并不总是检查连接性及其相关性的个体差异的最佳选择。 我们观察到丢弃连接（图5）的年龄相关性图中，一般水扩散参数（MD和ISOVF）总体上比被认为传达更具体的白质微观结构信息的扩散参数（FA，ICVF和OD）更强；后者主要显示了两种阈值方法在阈值水平上的零年龄相关性。这种零年龄相关性符合丢弃杂散连接会增加信噪比的假设。相反，被丢弃的连接由描述一般水分子扩散大小的指标（MD和ISOVF）加权，携带着关于大多数阈值的年龄差异的重要信息（图5）。从理论上讲，描述水定向相干性（而不是其一般大小）的扩散指标应该对概率纤维追踪偏差引起的错误白质路径识别的假设现象更敏感。 随着网络稀疏性的增加，我们还发现丢弃了大量具有强年龄相关性的连接。我们对这些保留和丢弃的纤维束的比较性解剖学研究表明，前者描述了主要在半球内连接的对称双侧模式，特别是在皮质下节点之间和额叶节点之间（FA，MD和ICVF）。此外，与同侧连接的年龄相关性通常比对侧连接更强，这与哺乳动物大脑中的尸检追踪研究一致。相比之下，丢弃的连接中很少有表现出强烈的年龄相关性，并且这些连接不太对称，并且通常涉及皮质下和对侧皮质节点之间的连接。因此，与年龄最密切相关的废弃连接与哺乳动物大脑连接的发现不太一致。然而，小鼠中存在一些对侧皮质下-皮质连接可能表明严格的阈值消除了一些真正的连接。此外，一定比例的假阳性连接可能是由于处理中的系统限制，例如，靠近主要白质束的ROI，然后被错误地识别为白质连接的起点/终点。纤维束的错误延续或过早终止是概率纤维追踪的已知局限性。 以前曾使用过各种区域间流线计数加权。我们的结果表明，基于流线的权重受到体积效应的影响，例如，未矫正SC的巨大性别差异可能是由于头部尺寸和组织体积的差异。然而，校正白质体积和/或灰质体积的流线计数变体可能会过度补偿体积驱动的效应，从而导致相反（和意外）的年龄趋势。一些研究人员此前曾提出，流线加权的体积校正可能会过度补偿体积驱动的流线计数效应。因此，目前尚不清楚如何最好地校正流线权重，以测量被试之间的连通性差异。然而，基于dMRI的权重，如FA或MD，在很大程度上与大脑大小无关，因为它们沿着互连的流线测量平均值。在测量平均边权重时，dMRI权重未发现显著的性别影响。 除了我们对阈值和网络加权方法文献的贡献外，我们还对年龄和图论指标之间的关联进行了强有力的估计，这些指标以前从未在这种规模的样本中报告过。例如，MD和ISOVF加权网络的网络效率是跨广泛阈值的最敏感的年龄敏感指标；这比先前报道的用于这些测量的来自该样品中22条纤维的微观结构的潜在因子要强得多。此外，ISOVF和OD的平均边权重测量值也大于这些先前报告的估计值。这可能表明，考虑更大范围的白质连接可能会更清楚地反映大脑范围内的白质与年龄的相关性。此外，我们通过评估比以前在这个大型单扫描仪样本中报告的更多的连接来增加我们对白质微观结构年龄差异的理解。例如，先前报道的丘脑辐射（thalamic radiations）对衰老的重要性很可能是由于采样偏倚（即没有丘脑辐射以外的皮质下纤维束）。虽然我们的分析确实表明丘脑 - 海马和丘脑 - 皮质连接表现出最强的年龄相关性，但对于尾状核和壳核，相对较强的年龄相关性也很明显，这与认知衰老某些方面的神经结构基础的现有数据一致。 该研究有一些局限性。年龄相关性是验证网络属性的间接手段，不应单独用作检测或规定最佳网络阈值水平的手段（例如，“在 X% 稀疏性处发现了最大的年龄相关性”），我们在这里不这样做。鉴于阈值方法与年龄无关，我们使用描述性模式使我们能够比较不同方法标准的有效性，其中一些被重要的生物学/组织学证据所证实。我们还警告说，尽管年龄是白质微观结构的众所周知的相关性，但还有其他合理的解释，通过这些解释，废弃连接可能代表真正的解剖途径，这些途径根本不显示年龄相关性。为了进行比较，先前对英国生物样本库成像参与者的体素分析发现，尽管FA通常随着年龄的增长而降低，但一些体素的FA随着年龄的增长而增加，这可能反映了次级纤维的降解或纤维分散的减少。这里使用的样本包括通常健康的中年和老年参与者，他们在几个方面受到范围限制，这可能会影响我们的发现对其他样本的普遍性。进一步的方法学工作比较不同网络阈值方法在病理性神经退行性疾病背景下的标准有效性将为当前发现提供另一个视角。 已知网络变量的价值对所应用的构造方法很敏感，但还没有一个统一的模式来从dMRI数据构建结构脑网络。当然，我们将分析限制在一种方法上，但我们意识到阈值的效果可能会与其他方法不同。本研究侧重于概率性纤维追踪成像，其被认为比确定性方法获得更高的灵敏度（更多的真阳性连接），但以较低的特异性（更多的假阳性）为代价。Sarwar等人（2018）的工作证明了这一点，他们比较了重建仿真数据拓扑的两种方法。虽然这里报告的结果（使用概率方法）对于使用确定性纤维追踪得出的连接组可能有所不同，但这两种方法都已被证明受益于一定程度的网络阈值。特别是，dMRI去噪，纤维追踪成像和纤维束滤波的原则方法可以进一步降低阈值化前错误连接的可能性。此外，我们比较了两种皮质分割模板，并发现两种阈值方法对网络分辨率都相对不变。然而，生物和方法学因素的影响仍有待在替代网络规模上完全确定。 确保任意阈值在保留真实连接模式的同时消除虚假连接是一项挑战。我们将分析限制在组水平阈值上；因此，我们的发现不一定适用于在个体水平上阈值的方法，例如绝对阈值。此外，不同个体结构网络的特殊性可能会限制这种正统方法的效用。一致性阈值基于这样的假设，即具有最高被试间变异性（校正流线计数）的连接是虚假的。可以说，消除这种联系可能会阻碍识别与外部变量相关的个体差异。尽管任何网络阈值方法都不完美，并且可能消除真正的连接模式（至少在一部分个体中），但我们认为，与连接密度的解剖学估计一起使用的阈值确实消除了比真实连接更多的假阳性连接。 我们使用一个普遍健康的中老年参与者的大型单中心扫描样本来测试阈值和新型网络权重对网络指标年龄相关性的标准有效性的影响。与先前估计哺乳动物大脑中大约30%的连接密度以及丢弃的连接不会传达有关衰老的重要信息的假设一致，我们发现更严格的阈值比非阈值网络产生更强的年龄相关性。对于测量水分子方向相干性方面的网络权重（FA，ICVF，OD）尤其如此。重要的是，我们发现，与阈值方法的选择相比，应用特定阈值水平是年龄相关性的更强驱动因素。总结：本文使用UK Biobank数据库，分析了不同阈值化方法下（一致性和比例阈值）结构网络参数和年龄的相关性，依据年龄相关性强弱评估了不同阈值化方法，发现：许多通过概率纤维追踪重建的网络连接都是虚假的；与非阈值化数据相比，网络阈值化提供了更多的年龄敏感测量；相比于不同阈值方法，不同阈值水平是年龄相关性的更强驱动因素；严格的阈值化方法可以得到对年龄最敏感的网络测量。
|
