脑连接组：结构与功能连接03 / 20
结构连接：弥散 MRI 与纤维追踪
从扩散信号到流线
弥散磁共振测量水分子沿不同方向扩散的程度。在白质中，水分子沿纤维方向扩散更容易，由此估计每个体素的主纤维方向。最简单的模型是弥散张量成像（DTI），用一个 3×3 张量描述扩散，派生出分数各向异性（FA）等指标。DTI 的已知局限是不能很好地表示交叉纤维，高角分辨率方法（HARDI、DSI）与约束球面反卷积（CSD）对此有所改进，它们给出每个体素的纤维方向分布（fiber orientation distribution, FOD），而不只是一个主方向。
纤维追踪（tractography）从种子点出发沿方向场一步步延伸，得到“流线”（streamline）。确定性追踪每步沿最可能方向走；概率追踪每步从方向分布中抽样，能穿过交叉区域，但也更容易产生虚假路径。还可以加入解剖约束（如要求流线在灰白质交界处起止），减少明显不合理的流线。
边权的定义与归一化
结构网络的边权常用：
- 流线数：两区之间终止的流线条数；
- 流线密度：按两区体积或灰白质交界面积之和归一化的流线数，Hagmann 等（2008）还对流线长度做了校正；
- 微结构加权：沿流线平均的 FA 或其他微结构指标；
- 加权流线数：SIFT/SIFT2 等方法（Smith 等, 2015, NeuroImage）给每条流线分配权重，使流线密度与 FOD 估计的纤维密度一致，以减少流线数对追踪参数的依赖。
流线数的分布极度偏斜，跨越数个数量级，常取对数后再分析；不同被试的总流线数不同，组比较前需决定是否按总量归一化。这些选择都会改变强度、富人俱乐部等依赖权重的指标。
重建偏倚：假阳性、假阴性与距离偏倚
流线不是轴突。纤维追踪存在系统性的假阳性和假阴性：
- Maier-Hein 等（2017, Nature Communications）用带有已知真实纤维束的模拟人脑数据组织了一场国际比赛，收到 20 个团队的 96 份提交。多数先进算法能在一定程度上找回约 90% 的真实纤维束，但同一批结果中无效束的数量远多于有效束，且约一半无效束在不同团队之间系统性重复出现——这说明问题来自仅凭局部方向信息重建通路的内在歧义，而不只是某个算法的缺陷。
- Thomas 等（2014, PNAS）在数据质量极高的离体猕猴弥散数据上，用示踪剂研究得到的已知投射作为金标准，发现没有一种方法同时达到高敏感度和高特异度：敏感度最高的方法特异度最低，反之亦然，且最优参数因通路而异。
此外，长程、弯曲、穿过交叉区域的通路更难被追踪到，而相邻脑区之间容易出现大量短流线：流线数系统性地偏向短程连接。因此结构连接的边权应理解为“重建证据强度”，而不是真实的纤维数量。
假阳性与假阴性对网络指标的影响并不对称。de Reus & van den Heuvel（2013, NeuroImage）的分析指出，在组水平构建网络时，假阳性连接对图论指标的扭曲往往比同等数量的假阴性更大，因为它们多是随机分布的“捷径”，会抬高效率、降低聚集。常用的缓解办法有：
- 组一致性阈值：只保留在一定比例被试中都出现的连接；
- 一致性阈值（consistency-based thresholding；Roberts 等, 2017, NeuroImage）：保留跨被试权重变异小的连接，理由是假阳性连接的权重往往不稳定；
- 多算法、多参数的敏感性分析：报告关键结论在确定性/概率追踪、不同 FOD 模型下是否一致；
- 与空间距离对照：检查组间差异是否集中在长程连接上，因为那正是追踪最不可靠的地方（见空间嵌入与布线代价）。