Hum Brain Mapp | 在连接组空间建立孕周特异的胎儿结构图谱

● 认知神经科学前沿文献分享

论文信息：Charting the Normal Development of Structural Brain Connectivity in Utero Using Diffusion MRI

发表时间：2026-09-25

发表期刊：Human Brain Mapping

为什么胎儿连接图谱不能只靠影像平均？

胎儿结构连接组研究想回答的，是脑区之间的连接如何随孕周组织起来、哪些连接变化较早，以及哪些脑区在发育过程中保持枢纽地位。常见做法是先把不同胎儿的影像配准到共同空间，再对影像进行平均。这个流程便于得到一张平滑的群体图谱，但影像信号被平均之后，个体之间“哪些脑区相连、连接有多强”的关系可能被冲淡。胎儿大脑又在 22—37 孕周内快速生长，运动、低信噪比和方向信息不足会让这种损失更难判断。

Karimi 等人使用 Developing Human Connectome Project（发育中的人类连接组计划，dHCP）数据，在 198 个胎儿上重建个体结构连接组，并为每个孕周建立代表性连接模板。作者采用的核心路径是：先把每个胎儿的弥散磁共振成像（diffusion MRI，dMRI）转换成一张结构连接图，再直接在这些连接图之间建立孕周模板。这样，模板比较的对象始终是脑区之间的连接关系，而不是被平均后的影像信号。

从每个胎儿的影像到一张连接矩阵

数据集中原有 279 次扫描、250 个胎儿；同时具备 T2 加权结构像和 dMRI 的扫描为 259 次、239 个胎儿。研究作者对弥散图、纤维方向图和全脑纤维追踪结果进行质量控制后，保留 198 次扫描，其中男胎 105 名、女胎 93 名。

下面的处理可以分成两层（dHCP 已完成：球谐与径向分解（spherical harmonics and radial decomposition，SHARD）等基础预处理；本文作者完成：质量控制以及后续的连接图构建）。作者在此基础上把每个胎儿变成一张可比较的连接图。作者先将 dMRI 配准到同一胎儿的 T2 结构像，并重采样为 1 mm 各向同性体素；再用单壳层约束球面反卷积（constrained spherical deconvolution，CSD）估计纤维取向分布（fiber orientation distribution，FOD），同时计算弥散张量成像（diffusion tensor imaging，DTI）结果。由于多壳层、多组织约束球面反卷积（multi-shell multi-tissue constrained spherical deconvolution，MSMT-CSD）在这批胎儿数据上不能稳定估计组织部分体积分数，作者没有把它作为主要方向模型。

脑区节点来自胎儿脑图谱：深度学习分割将大脑灰质划分为 88 个区域，每侧 44 个；皮层板的分割借助 T2 结构像，再与 dMRI 分割结果合并。之后，作者使用适用于孕中晚期的二阶纤维取向分布积分（second-order integration over fiber orientation distributions，iFOD2）进行解剖约束纤维追踪，并用不同方向模型和追踪阈值生成多组结果。多组结果经过 SIFT2（spherical-deconvolution informed filtering of tractograms）和 μ 系数校正后合并，减少单一追踪设置对连接结果的支配。

每个胎儿最后得到一张 88×88 的对称加权邻接矩阵。矩阵的行和列都代表脑区，第 i 行、第 j 列的单元格表示脑区 i 与脑区 j 之间的结构连接，数值表示经过校正的纤维束容量。它记录的是这个胎儿的结构连接组：后续的模板构建、孕周比较和网络分析都以这张矩阵为输入。

模板不是影像平均，而是满足三项条件的代表性连接图

研究为 22—37 每个孕周建立一个代表性矩阵，并与影像空间平均、共识阈值和距离保持平均进行比较。连接组模板需要同时满足三项要求：

2. 接近同孕周的真实个体。

   模板不能偏离该孕周已有的连接组，距离目标孕周越近的个体，影响越大。

4. 沿孕周平滑变化。

   相邻孕周的模板应当连续，避免矩阵出现样本无法支持的突然跳变。

6. 保留长程和短程连接的比例。

   模板不能因为短程连接数量较多，就在聚合过程中把长程连接系统性冲淡。

因此，模板优化的输入是同一孕周附近的一组个体连接矩阵，输出是一张同时满足上述三项要求的代表性连接图。这个设计让“代表性”“时间连续性”和“连接距离结构”共同参与模板形成，回应了影像空间平均可能损失网络拓扑的问题。具体学习率和直方图分箱等优化参数属于实现细节，不改变这套方法的基本逻辑。

这个模板比影像平均多保留了什么？

作者从三个层面评价模板。第一，比较模板与同孕周个体在网络拓扑和整体连接强度上的差异；第二，检验模板能否保留孕周信息；第三，比较模板与个体枢纽脑区的一致性。

连接组空间聚合得到的模板整体上更接近真实个体，孕周预测误差也更小，前 10 个枢纽的重叠率更高。换句话说，模板没有只保留一组平滑的平均连接，而是较好地保留了个体网络的组织方式和随孕周变化的信号。

评价结果需要结合方法本身来理解。图编辑距离（graph edit distance，GED）参与了模板优化，因此用 GED 做最近邻评价会对连接组聚合有一定目标重合；支持向量机（support vector machine，SVM）使用了不同的预测流程，但训练和测试仍来自同一批胎儿，不能视为外部验证。这些评价支持的是“连接组模板更接近本研究数据中的个体结构”，不等于它已经在独立队列中得到验证。

有了连接组模板，孕周变化呈现出什么轨迹？

模板的价值还在于，它把发育变化放到了网络关系层面。随着孕周增加，全球效率和局部效率上升，特征路径长度下降，说明跨区域整合和局部邻域组织同时增强；小世界指数总体稳定，提示网络的整体组织形式没有发生剧烈改变。

在边层面，许多连接随孕周增强，短程连接的增强更明显；在节点层面，一些脑区在多数孕周保持较高中心性，另一些区域的中心性逐渐上升。由此得到的是 22—37 周的群体规范结构连接轨迹：它说明网络关系如何随孕周变化，但不能单独区分轴突生长、髓鞘化、轴突密度变化，以及后期信噪比和方向可分辨性改善等不同原因。研究也没有用组织学或离体高分辨率数据逐条验证追踪路径，且没有覆盖 17—21 周最早的通路形成阶段。

方法怎样迁移到自己的数据？

与传统的“影像配准—影像平均”流程相比，这项研究先保留个体连接图，再用时间连续性和长短程连接结构约束群体模板。它因此能够同时观察个体拓扑、孕周变化、枢纽分布和不同距离连接的变化。若要把方法迁移到其他年龄段或疾病队列，至少需要重新确认三件事：

2. 节点定义是否匹配目标数据。

   脑区分区、组织分割和配准方式要适合目标年龄、脑部形态和扫描质量。

4. 边权是否稳定且可解释。

   追踪模型、参数敏感性和权重校正需要经过复现性检查，不能把未经校正的纤维流线（streamline）数量直接当作连接强度。

6. 模板评价是否有独立证据。

   除了参与优化的距离，还应加入独立的拓扑、预测或重复测量指标，检验模板是否真正保留了个体和发育信息。

这套方法仍然生成的是群体模板，会平滑掉真实的个体差异；连接组空间减少的是平均过程对拓扑和长程连接的额外损失，并不能消除 dMRI 纤维追踪的间接性。

分享人：天天
审核：PsyBrain 脑心前沿编辑部

● 原文信息与获取方式

DOI：10.1002/hbm.70609

获取原文：

1. 三连后添加小助手：PSY-Brain-Frontier 获取

版权归属作者团队和出版社，本文仅做分享