導讀

本研究描述了一個連接分析工具箱(CATO)，用于基于擴散加權成像(DWI)和靜息態(tài)功能磁共振成像(rs-fMRI)數(shù)據(jù)來重建大腦結構和功能連接。CATO是一個多模態(tài)軟件包，使研究人員能夠運行從MRI數(shù)據(jù)到結構和功能連接組圖的端到端重建，定制其分析并利用各種軟件包對數(shù)據(jù)進行預處理。結構和功能連接組圖可以根據(jù)用戶定義的(亞)皮層圖譜進行重建，為集成多模態(tài)分析提供對齊的連接矩陣。CATO是在麻省理工學院(MIT)許可下發(fā)布的開源軟件，可作為MATLAB工具箱和獨立應用程序使用，該軟件可在網(wǎng)站www.dutchconnectomelab.nl/CATO上獲取。

前言

對宏觀大腦結構和功能連接數(shù)據(jù)的網(wǎng)絡分析已成為神經(jīng)科學中廣泛使用的方法。包括磁共振成像(MRI)在內的神經(jīng)成像數(shù)據(jù)可用于重建大腦的解剖連接和功能同步模式，并研究衍生網(wǎng)絡的拓撲結構。通過對人類和動物大腦的網(wǎng)絡研究發(fā)現(xiàn)了健康大腦結構和功能的一般組織原則，以及與精神和神經(jīng)疾病相關的異常。

MRI連接組研究旨在通過擴散加權成像(DWI)和靜息態(tài)功能MRI(rs-fMRI)數(shù)據(jù)重建和研究結構和功能連接圖，該領域正在迅速開發(fā)用于重建大腦連接的工具。這些重建工具和管道在目標(例如，成像模式和處理步驟)、編程語言(例如，C、MATLAB和python)和方法(例如，概率性與確定性纖維追蹤、數(shù)據(jù)驅動與預定義的結構劃分)方面有所不同。多種軟件包的可用性有利于研究人員選擇適合其研究、專業(yè)知識水平和首選編程框架的軟件包。

本文描述了CATO——連接分析工具箱，一個從DWI和rs-fMRI數(shù)據(jù)來重建結構和功能連接組的靈活工具箱。CATO提供了一個簡單的軟件包，可使用常用和已發(fā)布的算法將原始DWI/rs-fMRI數(shù)據(jù)映射到連接體，并具有可配置的選項，用戶可以根據(jù)所需的細節(jié)水平進行調整。對于剛開始研究連接組學的研究人員，本研究在(www.dutchconnectomelab.nl/CATO)上提供了文檔，以及指導用戶為其特定數(shù)據(jù)集創(chuàng)建配置文件的在線配置助手。該工具箱提供了可配置的模塊化結構，具有可定制的預處理和執(zhí)行特定結構和功能處理步驟的選項。這種靈活性允許用戶利用CATO從FreeSurfer、FSL或其他數(shù)據(jù)預處理工具進行預處理的成像數(shù)據(jù)中映射連接體。此外，用戶還可以選擇將自己的處理步驟作為附加組件添加到管道中，以執(zhí)行特定的后處理和其他任務。

CATO允許在相同的圖譜模板集上重建結構和功能連接。匹配連接重建使研究人員能夠研究兩種模式之間的相互作用，這可以為功能活動的動力學或腦疾病的生物機制提供新的見解。CATO中的結構管道使用擴散張量成像(DTI)、廣義q采樣成像(GQI)、約束球面反卷積(CSD)和確定性纖維追蹤算法來實現(xiàn)擴散重建。CATO還具有將高級擴散重建方法(GQI，CSD)與簡單且穩(wěn)健的擴散重建方法(DTI)相結合的功能。功能連接可以使用Pearson相關系數(shù)或用戶定義的測量(如偏相關系數(shù)或協(xié)方差測量)來估計。

CATO是在MATLAB中開發(fā)的，可以作為一個基于MATLAB的工具箱和獨立的應用程序使用，也可以在Docker容器中使用。該工具箱是在MIT許可下發(fā)布的開源軟件，可在GitHub存儲庫www.GitHub.com/dutchconnectomelab/CATO中獲取。本文描述了結構和功能管道中的步驟，然后對配置助手(Configuration Assistant)進行了說明，該助手提供了一個圖形用戶界面，用于創(chuàng)建和修改不同管道的配置文件。

方法

CATO可作為MATLAB的軟件包，也可作為編譯的獨立可執(zhí)行文件在高性能計算機集群上使用。它有兩個獨立的管道用于重建結構和功能連接，每個管道包含多個處理步驟，這些步驟使用MATLAB函數(shù)來實現(xiàn)(見圖1)。structural_pipeline和functional_pipeline主函數(shù)驗證用戶提供的輸入?yún)?shù)和文件，并執(zhí)行所需的管道步驟。預處理和分割函數(shù)通過執(zhí)行用戶指定的bash shell腳本來利用外部軟件(見圖2)。CATO提供的示例預處理腳本和圖譜分割腳本是使用FreeSurfer和FSL來執(zhí)行預處理和分割的。

圖1.CATO工具箱和管道概述。

圖2.結構和功能管道及其依賴項的概述。

Part I：結構管道

結構管道的重建參數(shù)可以在命令行或配置文件中以JSON格式指定。重建參數(shù)描述了所需的處理步驟(詳細內容如下)、FreeSurfer解剖目錄的位置、DWI文件的位置、梯度信息文件的位置、皮層圖譜類型，以及預處理、擴散重建、纖維追蹤和網(wǎng)絡重建的設置。

①結構預處理

結構管道需要預處理的T1數(shù)據(jù)(用于組織分類和皮層分割)和DWI集(建議30個或更多的擴散方向)。本研究推薦使用FreeSurfer皮層自動重建過程來預處理結構T1數(shù)據(jù)。在運行CATO之前進行FreeSurfer皮層重建，可以提供下游網(wǎng)絡重建所需的文件，并提高了并行處理被試時的計算效率。對于DWI數(shù)據(jù)，本研究建議使用FSL軟件包對DWI數(shù)據(jù)進行預處理。所需的結構預處理步驟可以由參數(shù)preprocessingScript指定的bash-shell腳本執(zhí)行，該腳本允許用戶自定義最適合其數(shù)據(jù)的預處理腳本，或者直接從已經(jīng)預處理過的數(shù)據(jù)開始。結構管道提供了三個示例預處理腳本(FSL topup-eddy-preprocessing、FSL eddy-preprocessing和minimal-preprocessing)，用于執(zhí)行后續(xù)纖維追蹤和網(wǎng)絡重建所需的所有步驟和數(shù)據(jù)輸出文件。這些示例預處理腳本調用文檔良好且經(jīng)過全面評估的FSL topup和FSL eddy工具來校正DWI數(shù)據(jù)中磁化率引起的失真、渦流失真和運動偽影，更新b向量以調整DWI校正，根據(jù)校正后的擴散未加權(b0)體積計算DWI參考圖像，使用FSL的bbregister計算DWI參考圖像和解剖T1圖像之間的配準矩陣，并將FreeSurfer分割配準到DWI參考圖像上。

②解剖分割

相對于參考圖譜，分割產(chǎn)生了表面的皮層分區(qū)。CATO包含的圖譜有FreeSurfer中的Desikan-Killiany圖譜，以及Desikan-Killiany圖譜的120、250和500區(qū)域Cammoun亞分區(qū)和Von Economo-Koskinas皮質區(qū)和皮質型圖譜。每個參考圖譜在TOOLBOXDIR/templates中都有一個目錄，其中包含一個分割腳本(bash script)、一個ROI文件和特定于模板的文件。文件名在配置文件中定義為變量(templatesDir、templateScript、ROIsFile)，用戶可以對其進行修改。

③解剖分割-匯總區(qū)域屬性。

collect_region_properties步驟收集大腦區(qū)域的體積和表面數(shù)據(jù)，并將這些數(shù)據(jù)匯總在regionPropertiesFile(MATLAB-file)中。每個腦區(qū)都包含以下統(tǒng)計信息：i）每個區(qū)域的質心(根據(jù)分割文件計算)，ii）頂點數(shù)，iii）表面積(mm2)，iv）灰質體積(mm3)，以及v）平均厚度(mm)(均來自FreeSurfer的統(tǒng)計文件)。這些度量將在管道的后續(xù)步驟中使用。

④重建擴散信號

reconstruction_diffusion步驟根據(jù)測量的DWI數(shù)據(jù)估計每個體素中的白質纖維組織。結構連接建模是基于白質纖維限制水分子運動的原理，從而導致體素中擴散信號的峰值(優(yōu)選擴散方向)。reconstruction_diffusion步驟提供了三種從DWI數(shù)據(jù)推斷擴散峰值的方法，包括擴散張量成像(DTI)、約束球面反卷積(CSD)和廣義Q采樣成像(GQI)，用戶也可以根據(jù)需要執(zhí)行其他方法。對于每種方法，在配置文件中都提供了重建參數(shù)，所有體素的重建峰值都保存在diffusionPeaksFile (MATLAB文件)中，相關的擴散測量值保存在differsionMeasuresFile (MATLAB文件)中。

⑤擴散張量成像(DTI)

DTI重建通過單個張量對體素中測量的信號進行建模，使用RESTORE算法執(zhí)行張量估計，該算法在擬合過程中執(zhí)行張量估計，同時識別和去除異常值，減少了生理噪聲偽影對擴散張量建模的影響?；贕avin(2019)執(zhí)行的Levenberg-Marquardt方法用于解決非線性最小二乘問題。根據(jù)估計張量計算出四種擴散系數(shù)，包括分數(shù)各向異性、軸向擴散率、徑向擴散率和平均擴散率。

⑥約束球面反卷積(CSD)

CSD通過對測量信號與纖維相關的擴散分布進行去卷積來重建體素中的纖維取向分布函數(shù)(fODF)。在超分辨率球面諧波框架中執(zhí)行信號去卷積，以允許對擴散過程的表面進行自然描述(球面諧波的階數(shù)由參數(shù)shOrder設置)。球面反卷積約束于非負球面諧波上，從而減少了高頻噪聲，并能重建出一些明確的峰值。參數(shù)lambda指定正則化參數(shù)λ，該參數(shù)控制重建fODF的粗度。參數(shù)tau指定振幅閾值τ，低于該閾值對應的fODF被假定為零。從重建的fODF的局部最大值中選擇擴散峰值。如果局部最大值的fODF值(通過fODF的最大值歸一化)大于或等于minPeakRatio，則將其視為擴散峰。擴散峰值的最大局部極值的數(shù)量由outputPeaks參數(shù)設置。大于maxPeaks最大局部極值的體素被認為具有各向同性擴散分布，不選擇擴散峰值。

⑦廣義Q采樣成像(GQI)

GQI利用擴散信號與潛在擴散位移之間的傅里葉變換關系來重建體素中的fODF。該實現(xiàn)遵循Yeh等人(2010)中描述的方法，以及http://dsi-studio.labsolver.org上提供的示例。參數(shù)meanDiffusionDistanceRatio用于調節(jié)fODF粗度的平均擴散距離比。從fODF重建擴散峰的方法與上述CSD重建方法相同。計算各峰的廣義分數(shù)各向異性和定量各向異性，并將其添加到diffusionMeasuresFile中。

⑧聯(lián)合實現(xiàn)

比較這三種重建方法，DTI是一種穩(wěn)健且相對簡單的方法，CSD和GQI是更先進的擴散模型，可以更好地描述更復雜白質體素中的擴散信號。為了結合簡單和先進重建方法的優(yōu)勢，CATO為用戶提供了將DTI與CSD或GQI相結合的選項。該選項在CSD或GQI僅估計一個峰值的體素中執(zhí)行DTI建模(更穩(wěn)健)，并在檢測到多個峰值的體素中使用CSD或GQI(在具有復雜纖維結構的體素上更靈活)。在配置文件中設置了每種重建方法的具體參數(shù)，并在在線文檔中進行了更詳細的描述。

⑨中間輸出文件

reconstruction_diffusion步驟為用戶提供了將擴散測量值導出到NIFTI文件diffusionMeasuresFileNifti的附加選項。導出的標準擴散測量值包括分數(shù)各向異性、軸向擴散率、徑向擴散率和平均擴散率。

⑩重建纖維

reconstruction_fibers步驟基于每個體素的擴散峰值執(zhí)行纖維追蹤。纖維追蹤步驟采用了標準的“連續(xù)追蹤纖維分配”(FACT)算法。FACT描述了一種確定性追蹤算法，該算法從白質中的種子開始纖維重建，并在體素的主擴散軸上傳播流線，同時每當流線的尖端進入新的體素時更新傳播方向。當使用CSD、GQI或二者結合的方法時，通過遵循最接近追蹤方向的峰值方向，調整算法以兼容多個擴散峰，與其他FACT算法實現(xiàn)一致。FACT的CATO實現(xiàn)從所有體素中的一個或多個種子(由NumberOfSeedsPerVoxel設置的種子數(shù)量)開始，并具有與startRegions提供的列表匹配的分割標簽。

?重建纖維特性

reconstruction_fiber_properties步驟識別連接大腦區(qū)域的纖維段，并計算纖維測量值，為網(wǎng)絡重建步驟做準備。對于每個圖譜和重建方法，reconstruction_fiber_properties步驟迭代所有纖維，如果纖維跨越兩個或多個感興趣的腦區(qū)(由感興趣區(qū)域文件定義(ROIsFile，text文件))，則每個區(qū)域對之間最短的纖維段包含在纖維特性文件(fiberPropertiesFile，MATLAB文件)中。除了每個纖維段的起點和終點以及相關區(qū)域對之外，還存儲了纖維段的其他測量指標，包括：最大轉角、最小分數(shù)各向異性、纖維長度(物理長度mm)和平均分數(shù)各向異性，軸向擴散率、徑向擴散率、平均擴散率和廣義分數(shù)各向異性。擴散測量在體素上按通過每個體素的路徑長度加權平均。

?結構連接矩陣

reconstruction_network步驟為每個選定的(亞)皮層圖譜和重建方法建立連接矩陣。連接矩陣中包含的腦區(qū)及其順序由感興趣區(qū)域文件(ROIsFile)定義。通過迭代fiberPropertiesFile中的所有纖維段來構建網(wǎng)絡矩陣，并將連接感興趣區(qū)域的纖維段添加到連接矩陣中。

除了在reconstruction_fibers步驟中使用的纖維重建標準之外，還可以在reconstruction_network步驟中通過纖維的投影長度、最小分數(shù)各向異性(僅包括接觸體素的分數(shù)各向異性高于minFA的纖維)和最大角度(僅包括軌跡轉彎小于maxAngleDeg的纖維)來過濾纖維(只有長于minLengthMM的纖維被包含在網(wǎng)絡重建中)。連接矩陣保存在文件connectivityMatrixFile(MATLAB文件)中。連接矩陣包括連接兩個區(qū)域的流線數(shù)量(即纖維數(shù)量)、纖維長度(物理長度，單位為mm)、平均分數(shù)各向異性、軸向擴散率、徑向擴散率、平均擴散率、廣義分數(shù)各向異性、重建流線段的流線體積密度和流線表面密度等權重。

Part II：功能連接

功能連接管道建立在與結構連接管道相同的模塊化組織上，包括一個預處理步驟、兩個解剖步驟和一個連接重建步驟(見圖1)。靜息態(tài)fMRI處理從主函數(shù)functional_pipeline開始，該函數(shù)根據(jù)命令行或rs-fMRI管道配置文件(JSON文件)中提供的參數(shù)運行處理步驟。重建參數(shù)描述了所需的處理步驟(詳見下文)、解剖FreeSurfer目錄的位置、rs-fMRI文件的位置、皮層圖譜類型以及預處理、回歸、帶通濾波、清洗和網(wǎng)絡重建的設置。功能管道包括以下步驟：

①預處理

默認的預處理腳本執(zhí)行以下步驟：使用FSL工具slicetimer校正時間層，使用FSL工具MCFLIRT校正運動偽影，通過對所有(運動校正后的)rs-fMRI幀進行平均來計算rs-fMRI參考圖像(使用FSL工具)，計算rs-fMRI參考圖像和T1圖像之間的配準矩陣(使用FreeSurfer)，以及將T1分割配準到rs-fMRI圖像上(使用FreeSurfer)。模塊化管道允許使用其他軟件包進行預處理，并在需要時完全自定義預處理。文檔網(wǎng)站上提供了其他預處理示例腳本，例如BIDS組織的數(shù)據(jù)和使用ICA+FIX對rs-fMRI數(shù)據(jù)進行預處理。

②解剖分割

功能管道的第一步包括與結構管道相同的分割步驟parcellation和collect_region_properties，從而在與結構管道相同的圖譜上分割皮層表面，這樣就可以在后處理整合多模態(tài)分析中探索結構-功能關系。解剖步驟進一步計算這些區(qū)域的解剖統(tǒng)計信息，并將區(qū)域特性收集到regionPropertiesFile(MATLAB文件)中。

③計算運動指標

Compute_motion_metrics為每一幀計算運動度量逐幀位移(FD)和幀間信號強度的變化(稱為“DVARS”)。度量源自motionParametersFile文件，該文件可以在預處理步驟中使用MCFLIRT創(chuàng)建，并保存在motionMetricsFile(MATLAB文件)中。逐幀位移(FD)計算為幀內估計的平移和旋轉位移之和，旋轉位移在motionParametersFile文件(MATLAB文件)中以度為單位定義。通過計算半徑為50mm的球體表面的預期位移，將FD轉換為毫米，作為大腦皮層的模型。

④功能連接矩陣

reconstruction_functional_network步驟先計算功能連接矩陣，然后對時間序列進行(可選)協(xié)變量回歸、帶通濾波和清洗。回歸：對于每個體素，通過計算信號強度線性模型的殘差，從rs-fMRI時間序列中去除協(xié)變量(稱為回歸變量)，其中回歸變量作為預測因子。帶通濾波：對rs-fMRI數(shù)據(jù)進行(可選，但推薦)帶通濾波，采用零相位巴特沃斯帶通濾波器，其低通和高通截止頻率由配置參數(shù)頻率設定。清洗：從rs-fMRI時間序列中刪除出現(xiàn)明顯運動偽影的幀?？苫趦蓚€指標來識別具有運動偽影的幀：i）逐幀位移FD大于maxFD；ii）DVARS大于q3+maxDVARS×IQR，其中IQR是指四分位距IQR=q3-q1，q1和q3是指所有幀的DVARS的第一個和第三個四分位距。大于或等于minViolations的幀被標記為具有潛在運動偽影的幀，并且排除在進一步的分析之外。網(wǎng)絡重建：reconstruction_functional_network步驟計算區(qū)域之間的功能連接。通過所選幀中這些區(qū)域的平均信號強度的相關系數(shù)來估計腦區(qū)之間的功能連接(由ROIsFile指定)。用于功能連接估計的相關性測量可以由用戶指定(在reconstructionMethod參數(shù)中)，選項包括Pearson相關系數(shù)、偏相關系數(shù)或協(xié)方差。雖然默認的相關性測量是Pearson相關系數(shù)，但考慮到各種測量都有其優(yōu)缺點，用戶可以選擇自己喜歡的測量方法。連接矩陣保存在文件connectivityMatrixFile (MATLAB文件)中，每個區(qū)域的時間序列保存到文件timeSeriesFile (MATLAB文件)中?？梢詧?zhí)行多個reconstruction_functional_network步驟來探索不同的重建設置，并使用參數(shù)methodDescription進行區(qū)分。

配置助手

配置助手是為結構和功能管道(http://www.dutchconnectomelab.nl/CATO/configuration-assistant)創(chuàng)建和修改配置文件的在線工具。配置助手檢查所有配置參數(shù)的有效性。

自定義

除了CATO提供的標準功能外，用戶還可以根據(jù)自己的特定研究需求靈活地定制工具箱。首先，用戶可以通過提供自己的預處理腳本或分割腳本來定制工具箱，并可以選擇調用其他軟件工具。此外，用戶可以通過向管道添加附加組件來擴展CATO的功能，該附加組件是一個MATLAB函數(shù)，可以將外部軟件作為管道步驟執(zhí)行。有了這些定制選項，研究人員可以根據(jù)自己的獨特需求定制CATO。

結果

結構管道基準測試

空間重建。與ITC2015挑戰(zhàn)賽20個不同站點提供的(共)96份基于纖維束成像的纖維云進行對比，驗證了其性能。ITC2015提交的材料顯示了空間重建質量測量的廣泛得分：在25個基準真值束中，有效重建束的數(shù)量從5到24個束不等，無效束的數(shù)量從27到386個束不等(圖3a)。在用CATO獲得的重建中，25個基準真值束中有23個(92%)被重建，這與ITC2015提交的23(中位數(shù))個束相似(圖3a)。丟失的白質束包括前連合和后連合。在所有重建方法中，追蹤到62至73個無效束，這些束不包括在真值白質骨架中(CSD：73、DTI：69、GQI：62、GQI-DTI：69和CSD-DTI：81)，這些數(shù)據(jù)與ITC2015提交的數(shù)據(jù)相當，ITC2015提交數(shù)據(jù)的中值為77個無效束(圖3a)。在ITC2015提交的數(shù)據(jù)中，與真值白質骨架在空間上重疊的纖維束的百分比(稱為“有效纖維”)在3.75%至92.5%之間(中位數(shù)：62.6%)，CATO值在43%至65%之間(CSD：43%，DTI：65%，GQI：53%，GQI-DTI：65%和CSD-DTI：48%，圖3b)。

圖3.基準測試重建。

連接體映射。ITC2015提交的結果(共67份)顯示，假陽性率在3%-92%之間(中位數(shù)=114.8%)，假陰性率在0%-69%之間(中位數(shù)=26.8%)。這強調了參加ITC2015的小組使用的不同策略之間的廣泛特異性-敏感性權衡。CATO連接體重建的假陽性率在4%-12%之間(CSD：12%，DTI：7%，GQI：4%，GQI-DTI：5%和CSD-DTI：13%)，假陰性率在29%-43%之間(CSD：29%，DTI：32%，GQI：43%，GQI-DTI：36%和CSD-DTI：26%，見圖3c)。這種相對較低的假陽性率使CATO重建成為一種具有相對保守的重建敏感性和相對較高的連接重建特異性的連接體重建工具。連接體重建的敏感性和特異性水平可以通過改變所使用的重建參數(shù)和應用額外的后處理來進一步調整。在附加CATO通道步驟中使用COMMIT2進行額外的流線過濾，增加了連接體重建的嚴格性，假陽性率在1%-6%之間(CSD：5%，DTI：3%，GQI：1%，GQI-DTI：3%，CSD-DTI：6%)，假陰性率在48%-62%之間(CSD：49%，DTI：54%，GQI：62%，GQI-DTI：54%，CSD-DTI：48%)。改變擴散重建和后處理參數(shù)對連接體重建的敏感性和特異性影響很小(＜5%)。改變纖維重建參數(shù)對敏感性-特異性權衡有很大影響。

結構重測基準測試

在HCP重測數(shù)據(jù)集上對重建后的結構連接進行重測信度估計。通過ICC評估不同皮層分割、重建方法和連接強度的可靠性。流線數(shù)量(NOS)連接強度測量顯示，在組掩蔽的連接體中，19%的連接信度“較差”，24%的連接“一般”，57%的連接“良好”至“極好”(中位數(shù)ICC=0.66，IQR=0.47-0.79，Desikan-Killiany圖譜，GQI-DTI方法)。不同圖譜的ICC中位數(shù)在0.59至0.70之間變化，信度“較差”的連接比例在13-22%之間，“一般”信度在21-29%之間，“良好”至“極好”信度在49-66%之間(圖4a)。對于Desikan-Killiany皮層分割，使用DTI、CSD、GQI、GQI-DTI和CSD-DTI方法重建的連接體顯示，ICC重測信度的中位數(shù)在0.52-0.66之間，“較差”信度的百分比在15-32%之間，“一般”信度的百分比在24-32%之間，以及“良好”至“極好”信度的百分比在37-61%之間(圖4b)。分數(shù)各向異性加權連接體的重測信度也顯示出類似的結果。使用GQI-DTI和Desikan-Killiany皮層分割重建的連接體顯示，中位數(shù)ICC=0.44，42%的連接信度“較差”，37%的連接信度為“一般”，21%的連接信度為“良好”或“極好”(圖4)。

圖4.結構連接組重測信度。

功能重測基準測試

功能連接體的重測信度顯示，在各圖譜中，有13-23%的連接信度“較差”，51-58%的信度“一般”和20-36%的信度“良好”至“極好”(圖5a)。針對Desikan-Killiany分割的68個皮層區(qū)域，可以觀察到包括全局平均回歸的網(wǎng)絡重建導致23%的連接信度“較差”、49%的信度“一般”和27%的信度“良好”至“極好”(中位數(shù)ICC=0.52，IQR=0.41-0.61)。省略清洗預處理步驟或帶通濾波對重建可靠性沒有太大影響(圖5b)。

圖5.功能管道重測信度。

結論

本文討論了CATO，一個用于重建結構和功能連接組圖的軟件工具箱；描述了結構和功能管道中的模塊化處理步驟，并詳細說明了重建方法以及基準值，以幫助研究人員深入了解連接組重建的敏感性-特異性權衡和可靠性。多種連接重建工具包的可用性使神經(jīng)科學社區(qū)能夠使用多種分析管道來復制報告的結果，以證明研究結果對應用處理軟件變化的穩(wěn)健性。CATO的早期版本已用于研究健康大腦中的連接組組織、各種疾病、新生兒腦組織，以及進行連接組學的比較。CATO是一個開源的連接重建工具箱，在MIT許可證下共享。

原文：Siemon C. de Lange , Koen Helwegen , Martijn P. van den Heuvel , Structural and functional connectivity reconstruction with CATO - A Connectivity Analysis TOolbox, NeuroImage (2023), doi: https://doi.org/10.1016/j.neuroimage.2023.120108