融合白质fMRI的dMRI纤维追踪重建研究

董小凤 杨智鹏 吴 锡

1(成都信息工程大学计算机学院，成都 610225)2(成都信息工程大学电子工程学院，成都 610225)

引言

弥散磁共振成像(diffusion magnetic resonance imaging，dMRI)是对活体脑部组织结构进行非侵入性研究的主要成像方法。在脑白质结构的研究中，通过测量水分子的弥散情况估计白质中神经纤维的方向，并结合纤维跟踪算法来映射白质轨迹[1]。

现有纤维追踪方法可分为两类：确定型纤维追踪方法和概率型纤维追踪方法[2]。确定型纤维追踪方法从种子点开始，在每一步根据当前点的弥散方向分布函数或弥散张量主方向获得确定的纤维走向，根据该方向跃进，重复执行该过程直到满足终止条件为止；概率型纤维追踪方法主要利用纤维的已知信息获得纤维的后验概率分布，每一步的方向是从概率分布中抽样选取，最终得到从种子点到目标区域的概率路径。在解决复杂纤维追踪成像的过程中，基于概率型的纤维追踪方法的重建效果优于基于确定型的纤维追踪方法，以概率的方式描述多条可能的路径，可以克服纤维追踪成像过程中存在的不确定性，但是难点在于其后验概率本身就存在不确定性，由此得到的纤维轨迹也就并不一定是最优的[3-5]，尤其是重建白质、灰质边界区域的纤维轨迹容易出现错误。弥散磁共振成像的空间分辨率较低[6]，由低空间分辨率引起的部分体积效应(partial volume effects, PVE)和角度离散化效应，降低了边界区域的纤维束成像精度。与此同时，dMRI信号在白质灰质交界区域衰减很快，同时成像效率低，使得大多数纤维在白质中过早停止而没有到达灰质区域，进而无法在脑回区分析神经纤维的结构和功能[7-10]。相关领域学者正从不同方面作出努力，比如，St-Onge和Rheault等进行了一系列基于脑白质纤维边界区域的研究[11-12]。

功能磁共振成像(functional magnetic resonance imaging, fMRI)通过测量神经元功能活动中的血氧依赖水平(blood oxygen level dependent，BOLD)进而估计脑部功能活动[13-14]。以往对fMRI的研究仅限于灰质中，但最近研究发现在白质中的BOLD信号也蕴含了脑神经活动，并且邻域体素信号之间的功能相关性具有方向性[15]，呈现与结构张量相似的各向异性。另外，特定的灰质皮层与白质神经路径也存在相关的脑活动[16]，如Wu等[15]研究发现皮层运动区域的信号与相连接的神经通路呈现高相关性。白质BOLD信号研究为分析神经纤维的结构和功能融合奠定了基础，也为解决白质、灰质边界区域纤维重建精度问题提供了新的思路，可尝试利用交界区域的功能信号提高重建的准确性和降低纤维重建虚假纤维数量。

本研究针对白质灰质边界区域纤维重建精度问题，提出融合白质fMRI的dMRI纤维追踪成像算法。在粒子滤波纤维追踪成像框架中加入白质BOLD信号和纤维的几何结构信息，在符合解剖学约束的同时，能更好提高白质灰质边界区域纤维跟踪精度。

1 数据和方法

本研究方法的具体流程如图1所示，主要包括数据预处理流程和粒子滤波纤维追踪成像两大部分。数据预处理流程主要使用SPM12对fMRI信号进行预处理，得到配准到dMRI空间的fMRI信号。粒子滤波纤维追踪成像主要使用Matlab融合由dMRI数据得到的Q-ball和fMRI构建的功能取向分布函数(orientation distribution function, ODF)重建脑白质纤维。

图1 本研究方法的整体框图Fig.1 The block diagram of the proposed method

1.1 数据采集

数据来源于文献[16]的视觉实验，采集8位成年人视觉刺激的功能图像用于测试。视觉刺激通过一个8 Hz的闪烁板完成，实验设计为方波形式，30 s固定的空白屏幕，然后30 s的棋盘闪烁，周期重复。采集参数：T2*-weighted (T2*w) gradient echo (GE)，echo planar imaging (EPI) 序列采集了三组BOLD信号，TR=3 s，TE=45 ms，matrix size=80×80，FOV=240 mm×240 mm，43 层和3 mm层间距，145 volumes，435 s。每个受试者分别以上述相同的参数扫描，在视觉刺激下完成数据采集。同时利用a single-shot，spin echo EPI序列采集diffusion weighted images (DWI)数据：b=1 000 s/mm2，32 diffusion-sensitizing directions，TR=8.5 s，TE=65 ms，SENSE factor=3，matrix size=128×128，FOV=256 mm×256 mm，68层和2 mm层间距。同时，为了提供解剖学参考图像，使用1 mm×1 mm×1 mm的体素尺寸，a multi-shot 3D GE序列，获取3D高分辨率T1加权(T1*-weighted，T1*w)图像。图像采集顺序：T1*w，fMRI和DWI。

1.2 数据预处理

采集的数据均使用SPM12进行预处理。fMRI信号依次经过时间层矫正、头动矫正、白质灰质区域分别进行FWHM=4 mm的高斯平滑。如果头动位移距离不超过2 mm、旋转大于2°，数据将被剔除。以b=0的DWI数据为参考，将所有被试者的平滑后的fMRI数据配准到各自的dMRI数据空间。所有体素的BOLD信号进行0.01～0.08 Hz的带通滤波，该频带含有实验刺激波形频率(0.016 Hz)。T1*w数据进行偏移矫正和分割得到白质、灰质和脑脊液，然后共同以b=0 DWI数据为参考配准到dMRI图像空间，用作重建实验的白质、灰质区域模板以定位跟踪区域。

1.3 纤维轨迹建模

xk+1=xk+λvk

(1)

式中，λ⊂是步长，假设为常量。vk是第k步中的单位方向矢量。因此，在空间状态模型中，v0:k的轨迹可以迭代建立。在顺序构建纤维的过程中，每一步只能获取局部弥散信息，所以假设纤维轨迹具有马尔可夫性质，每一步只取决于前一步和当前的观测数据。

1.4 粒子滤波的纤维追踪成像建模

用球谐函数来表示弥散信号，给定球面坐标(θ,φ)∈[0,π]×[0,2π]，l阶和m阶的球谐基写为

(2)

式中，Pm,l是相关的勒让德函数。假设弥散信号是反对称的实数，则应使用实球谐函数

(3)

考虑在N个方向上的图像域Ω⊂3和弥散加权信号的测量。根据球谐函数分解模型[17]，体素x∈Ω，N个方向上每个方向的弥散信号u=(θ,φ)被分解为实球谐函数，有

(4)

式中，l是分解的顺序，只使用偶数顺序。系数cm,k可以通过正则化线性回归来估计[17-18]。

将Funk-Radon变换[19]应用于式(4)，可以在点x∈Ω和方向u=(θ,φ)处分析计算弥散ODF[17]。为了获得更清晰的ODF，通过解卷积从弥散ODF计算fODF[19]。使用从式(4)估算的系数，该函数在点x∈Ω和u=(θ,φ)方向定义为

(5)

式中，Pm,k是相关的勒让德函数，cm,k是式(4)中的估计系数，而fm,k是Funk-Radon变换中让ODF变的更尖锐的系数[19]。

在动态系统中，状态和观测过程用yk={xk,vk}和zk={Uxk}表示，分别定义为

yk=gk{xk,γk}

(6)

zk=hk{yk,δk}

(7)

式中，对函数gk和hk无线性假设，且式中γk和δk是独立的高斯白噪声。则动态系统由3个密度来定义：初始化，先验和最大似然函数[20]。

在步骤k时，假设当前步和下一步相互独立

p(zk,yk+1|yk)=p(zk|yk)p(yk+1|yk)

(8)

由于式(8)给出的纤维轨迹和独立条件的马尔可夫性质，纤维路径可由马尔可夫链建模。因此，动态系统仅由以下密度来描述

p(y0)

(9)

p(yk|y0:k-1,z1:k-1)=p(yk|yk-1)

(10)

p(zk|y0:k,z1:k-1)=p(zk|yk)

(11)

考虑式(8)、(10)和(11)并应用贝叶斯定理，可得到后验密度的表达式

(12)

(13)

π(y0:k|z1:k)=π(yk|y0:k-1,z1:k)π(y0:k-1|z1:k-1)

(14)

因此，在步骤k，考虑纤维路径的马尔可夫性质，根据π(yk|y0:k-1,z1:k)对路径y0:k-1的状态yk进行采样。

在预测阶段之后，对后验密度的近似的可靠性的估计进行加权。使用未知后验分布与其近似之间的比率，粒子的权重表示为

(15)

将式(12)和(14)代入式(15)，得到粒子权重的递归定义，有

(16)

式中，步骤k中的权重wm,k是使用在步骤k-1处的权重wm,k-1，先验密度p(ym,k|ym,k-1)，似然密度p(zk|ym,k)和重要性密度π(ym,k|ym,0:k-1,z1:k)来计算的。然后进行标准化，有

(17)

式(14)的重要性分布会随着迭代的进行导致权重的方差增加[21]。因此，在估算过程早期，相当一部分权重可能会迅速下降。最后阶段选择的目的是为了避免这种退化。使用有效样本量(explained sum of squares, ESS)的估计来测量路径[21-22]

(18)

当NESS降低到固定阈值εESS以下时，应进行重采样以消除权重较低的粒子[20]。

1.4.1先验概率密度函数设计

先验概率密度p(yk|yk-1)体现的是当前追踪方向与前一步追踪方向的接近程度，其值越大，说明前后两个追踪方向越接近，反之就偏离得越远。本研究选择由白质fMRI信号构建的功能ODF作为先验概率密度函数。

BOLD信号的时间波动反映自发神经活动或对功能刺激的诱发反应。对于BOLD数据集中的每个体素，可以构造时空相关张量以表征体素与其邻域之间的时间相关性的局部轮廓。类似于弥散张量，时空相关张量也可以使用最小二乘拟合求解。给定3×3×3体素的小窗口，定义连接中心体素与其每个相邻体素的单位方向向量。假设F是要构建的空间相关张量，假设C=(C1,C2,…,C26)T表示沿着26个方向观察到的时间相关性的集合，沿单位向量ni(xi,yi,zi)进行投影，有

(19)

设Fc是从F重新排列的列向量，则C和Fc之间的关系可以表示为

C=D·Fc

(20)

Fc=(DT·D)-1·DT·C

(21)

式中，-1表示矩阵逆。

设p(F)是功能ODF，利用前面构造的时空相关张量F由吉布斯分布建模[23]。该模型假定体素X中张量F的测量仅取决于局部主方向uF(X)。p(F)可由以下吉布斯分布表示为

(22)

式中，ZF是标准化常数。

(23)

式(22)中的势函数p随着函数方向uF(X)和最大张量特征值r1之间的差异而减小。分母用张量范数进行归一化[7]。对于各向异性张量，势能给出的概率分布集中在张量F的主特征向量的方向上。对于各向同性张量，势能函数将形成更宽的概率分布。

则先验概率密度函数为

p(yk|yk-1)=p(F)

(24)

1.4.2重要性概率密度函数设计

已知路径的矢量序列及其观测信息，可根据重要性密度对添加到路径中的下一个方向进行采样，其最优重要性密度为p(yk|yk-1,z1∶k)。沿yk和y1∶k方向，重要性权重wk的方差最小[21]。由于从p(yk|yk-1,y1:k)中直接抽样很困难，为了方便计算，通常是用与先前相同的分布来表示重要性。

选择局部参数化π(yk|θ(yk-1,zk))作为重要性函数，式中θ(yk-1,zk)是由yk-1和zk确定的有限维参数[13]。ODF模拟大脑中的水分子的扩散情况，并估计基本的纤维结构。每个ODF的最大值应指示纤维的方向。设Λk是由前一方向vk-1周围的阈值角θ定义的立体角方向，式中ψxk是局部最大值。使用vMF分布可以在计算时间内对重要性分布进行有效采样[24]。因此，在维度d=3中，选择vMF分布作为重要性函数，有

(25)

式中，uk是对应于笛卡尔坐标中的单位向量vk的球面坐标中的单位向量。μ是平均方向，κ是浓度，κμ取决于观察结果的浓度，ωμ是混合比例，使得0≤ωμ≤1且∑μ∈Λkωμ=1。每个ωμ与μ方向上的ODF值成比例，有

(26)

Uxk对Sxk建模的强度越大，则越集中于μ方向的流线越可能是重要性分布。因此，可以根据模型在μ方向上的不确定性来设置浓度参数κμ。由模型的归一化均方根误差(normalized root mean square error, NRMSE)给出强度和模型之间拟合程度。令ξμ为NRMSE，限制为由平均方向μ周围的阈值角θ定义的立体角。参数κμ可根据ξμ的经验值得到。

浓度参数κμ和ξμ之间的关系可通过指数函数描述

(27)

式中，α、β和γ由拟合估计给出。

1.4.3观测概率密度函数设计

由于存在噪声等因素的影响，MRI弥散信息中存在不确定性成分，观测概率密度p(zk|yk)就是衡量这种不确定性的指标。本研究选择利用Q-ball模型计算得出fODF作为观测概率密度p(zk|yk)。

白质、灰质中的后验概率密度函数存在纤维交叉体素的例子，其定义为先验概率密度(见图2(a))和观测概率密度函数(见图2(b))的乘积，如图2(c))所示。

图2 后验概率密度由先验概率密度和观测概率密度结合得到。(a)先验概率密度；(b)观测概率密度；(c)后验概率密度Fig.2 The posterior probability density is obtained by combining the prior probability density and the observation probability density. (a) Prior probability density; (b) Observation probability density; (c) Posterior probability density

1.5 评价指标

由于对重建纤维束的定量评估没有金标准，本研究进行量化统计的目的仅是为了说明加入功能信号对白质灰质边界区域纤维束重建结果的影响。为详细描述本研究方法和DWI重建的具体差异，引入3个指标：用每个线段的欧氏距离之和进行计算得到纤维的平均长度；无效纤维(即没有到达灰质或任何感兴趣区域[25](region of interest, ROI)区域的纤维被称为无效纤维)占总纤维数的百分比；以及有效纤维中，纤维长度大于等于10 mm(标准化的最小阈值[2])的纤维占有效纤维的百分比。对纤维长度的定量分析，能说明当在追踪算法中没有使用长度约束时，重建纤维束长度的均匀性和有效性。

为对所提出方法进行定量评估，测量与种子点相邻的三角形区域的初始数量和与流线端点相邻的三角形区域的结果数量的表面覆盖率[11]。从初始数量与结果数量的比率获得覆盖百分比，其中三角形按其各自的面积加权。表面覆盖率能准确说明在特定三角形区域纤维束数量的多少，覆盖率越高说明到达边界区域的纤维数量越大，进而说明加入功能信号对白质灰质边界区域的影响。

1.6 统计学分析

为对比两种方法的差异性，对4个量化参数，首先计算了每例重建的所有纤维的平均参数值，然后进行两种重建方法每例重建的所有纤维的配对t检验来评估统计差异。

2 结果

2.1 定性结果展示

为验证所提出算法的有效性，本研究在真实脑部数据上进行了测试，并从8位成年人的测试结果中任选4例进行展示。测试结果的步长均为0.5个像素，如果前进至目标区域或方向变化大于90°则停止追踪。从起始感兴趣区域随机分别产生800个种子点，每例数据并基于这些种子点进行纤维追踪成像得到800根纤维。

从大脑外侧膝状体核(lateral geniculate nucleus, LGN)到视放射区域进行追踪，重建结构通路，追踪过程的结果如图3蓝色区域所示。作为比较，图3中分别展示本研究方法和DWI重建的追踪结果。图3中显示结果背景均为第27层的T1*w图像。对图中蓝色区域分析可见，本研究方法和DWI重建都能重建LGN到视放射区域的结构通路，说明两种方法均可对白质纤维进行有效重建，且本研究方法相较于DWI重建的重建结果更为完整。同时，对比展示的4例数据中，(a)、(b)两例数据较(c)、(d)两例数据重建的纤维路径更为集中。

图3 LGN到视放射区域的追踪结果(上为利用本研究方法重建，下为DWI重建；图中蓝色区域为LGN到视放射区域的结构通路)。(a)～(d)分别为4位不同受试者Fig.3 Tracking results from LGN to the visual radiation area (The top is the reconstruction using our proposed method, and the bottom is DWI reconstruction; the blue area in the figure is the structural path from LGN to the apparent radiation area). (a)～(d) The reconstruction for 4 different subjects

为评估加入fMRI对白质灰质边界区域纤维重建精度的影响，对白质灰质边界区域的纤维束进行追踪成像实验。同时，为更好验证加入视觉刺激fMRI的影响，将视放射终点区域和中段区域的追踪重建结果与DWI重建的结果进行对比，实验结果如图4和图5所示。

图5 视放射中段区域追踪重建结果(上为利用本研究方法重建，下为DWI重建；图中蓝色区域为视放射中段区域的结构通路)。(a)～(d)分别为4位不同受试者Fig.5 Tracking reconstruction results in the mid-radiation region (The top is the reconstruction using our proposed method, and the bottom is DWI reconstruction; the blue area in the figure is the structural pathway of the mid-radiation region). (a) ～ (d) The reconstruction for 4 different subjects

对视放射终点区域进行追踪重建，重建结果如图4蓝色区域所示。为更好展示白质灰质边界区域的结果，(a)的背景为第35层的T1*w图像，(b)的背景为第39层的T1*w图像，(c)的背景为第32层的T1*w图像，(d)的背景为第27层的T1*w图像。使用红色框放大对应的区域，具体展示视放射终点区域白质灰质边界区域的追踪结果，可以看出，(a)和(b)的对比说明本研究方法在重建视放射终点区域纤维数量方面的优势，而(c)和(d)的对比则更集中展示了本研究方法在重建纤维长度方面的优势。

图4 视放射终点区域追踪重建结果(上为利用本研究方法重建，下为DWI重建；图中蓝色区域为视放射终点区域的结构通路)。(a)～(d)分别为4位不同受试者Fig.4 Tracking reconstruction results from the end-radiation region (The top is the reconstruction using our proposed method, and the bottom is DWI reconstruction; the blue area in the figure is the structural pathway of the end-radiation region). (a)～(d) The reconstruction for 4 different subjects

对视放射中段区域进行追踪重建，重建结果如图5蓝色区域所示。其中，(a)的背景为第35层的T1*w图像，(b)的背景为第32层的T1*w图像，(c)的背景为第34层的T1*w图像，(d)的背景为第38层的T1*w图像。红色框和对应的放大区域展示视放射中段区域白质灰质边界区域的追踪结果。从(a)和(b)放大区域的对比可以看出，本研究方法重建的纤维更集中，从而表明本研究方法在重建有效纤维方面的优势。而(c)和(d)的对比旨在说明本研究方法在重建视放射中段区域纤维数量方面的优势。

图4和图5对本研究方法在视放射区域的重建结果进行定性评价。从中可见，本研究方法和DWI重建均可重建视放射中段区域和终点区域，且本研究方法重建的纤维数量和长度明显优于DWI重建，并且在白质灰质边界区域本研究方法的表现也优于DWI重建。

2.2 定量评估参数

对每例追踪形成的800根纤维，计算本研究方法和DWI重建的纤维的平均长度、无效纤维占总纤维数的百分比和有效纤维中纤维长度≥10 mm的结果，如表1所示两种方法重建的8例数据每例800根纤维的3个参数平均值对比。同时计算本研究方法和DWI重建的纤维束沿白质灰质界面的流线端点的覆盖率，如表2所示。表1和表2中的4个量化参数统计检验结果，配对t检验的P值如表中所示。检验结果表明，本研究方法得到的纤维平均长度显著性长于DWI重建方法(P<0.05)，无效纤维占总纤维数的百分比显著性低于DWI重建方法(P<0.05)，有效纤维中纤维长度≥10 mm的有效纤维占比显著性高于DWI重建方法(P<0.05)。本研究方法得到的表面覆盖率(沿白质灰质界面的流线端点的覆盖率)极显著高于DWI重建方法(P<0.01)。

表1 本研究方法与DWI重建纤维束的结果比较

表2 沿白质灰质界面的流线端点的覆盖率比较

3 讨论

如何提高白质中神经纤维重建的准确性是当前纤维追踪成像领域的重要研究内容。然而由于原始dMRI的分辨率不够高[6]，使得基于DWI的脑白质纤维重建在重建白质灰质边界区域时准确性难以提高。本研究在dMRI信号基础上，引入能够表征大脑白质功能结构的fMRI信号，旨在提高白质灰质边界区域纤维追踪重建的准确性。为进一步提高重建的准确性，在粒子滤波的纤维追踪重建框架中融合功能ODF辅助脑白质纤维追踪重建。通过融合视觉刺激的功能磁共振数据，可较好重建视放射区域，并提高白质灰质边界区域重建的准确性。

在白质灰质边界区域的大部分是灰质，仅用DWI数据重建的ODF的方向概率分布范围更大，会导致纤维追踪过程提前终止。通常在这种情况会通过增加追踪次数的方法来解决，但同时可能导致其他区域(视放射终点区域和中段区域)的错误重建。而加入的视觉刺激的功能信号更倾向于向纤维末端延伸，可以连接更大的边界区域。LGN到视放射区的重建实验结果(见图3)表明，加入视觉刺激的功能信号能重建出功能状态激活的通路，且纤维路径的范围更宽，充分说明所提出方法在探索功能激活通路上的潜力。但是，重建神经纤维的两种方法都出现大面积分散流线，其中大部分流线离开视放射区域，这可能是由于弥散ODF与后验ODF相比更宽，从而导致概率束追踪产生大量所有可能路径上的纤维。

视放射区的重建实验是本研究的研究重点，主要从视放射的终点区域和中段区域进行追踪重建，说明本研究方法在白质灰质边界区域的重建优势。结果(见图4和图5)表明，加入功能信号后，能提供有效的功能连接，使视放射终点区域和中段区域重建的纤维束均更加接近白质灰质边界区域，且重建结果符合解剖学约束[26]。通过引入视觉刺激的功能信号，可以进一步引导和修改纤维追踪的方向，并重建具有特定功能的纤维路径。同时，视觉刺激能在重建过程中提供更强的信号，激活更可靠的视觉区域，从而使重建的结果更精准。

定量分析结果(见表1和表2)表明，本研究所设计的基于粒子滤波融合功能磁共振信号的脑白质纤维追踪重建方法，能有效提升白质纤维束的平均长度、有效纤维中纤维长度大于等于10 mm的纤维占有效纤维的比例和沿白质灰质界面的流线端点的覆盖率，同时减少总纤维数中无效纤维的比例。受到路径中体素的噪声和神经交叉区域ODF多方向峰值的影响，追踪过程会出现提前终止和走向非目标区域的现象[27]。实验结果证明，多模态信息的加入使 ODF具有更窄的方向分布，在追踪过程中能更好的克服噪声因素且重建出完整纤维的成功率更高，克服在交叉区域的随机走向。大量无效虚假纤维是纤维重建结果影响后续结构连接分析的一个不利因素[27]，在本研究中由于功能信息的加入，纤维追踪沿着每一步的功能相关的方向前进，也减少了无效纤维的产生。另外在追踪过程的终止 区域，融合的ODF指向与灰质最相关的方向且与对应的皮层区域相连，克服了用T1*w数据分割灰白交界区域不准的和DWI的ODF方向扩散缺陷，提高了白质灰质边界区域纤维重建的精度。

与传统的基于DWI重建的方法相比，本研究方法克服了以前方法的一些缺陷，但同时也存在一些不足。首先，由于BOLD信号易受成像伪影的影响，因此还应在有效检测弱BOLD信号上努力。如在图像采集过程中小心放置磁头线圈，最大程度减少磁头运动，从而限制磁头位移和旋转；或使用更为先进的伪影矫正方法，提升图像质量，通过这些操作本研究的重建效果一定会得到极大提升。其次，白质区域BOLD信号是否真实反映了神经纤维的活动还处在研究阶段。最新的研究对信号有效性问题进行了深入分析，Wang等[28]对连接胼胝体的纤维结构和功能分析发现该区域的BOLD信号对应于实际的纤维束和解剖学连通性，而不是来自其他来源的干扰。Li等[29]对白质区域信号的血液动力学响应和白质区域血管分布进行分析，验证了代谢和血液动力学变化都在调节白质中的信号。还有精神疾病的白质功能改变研究也说明了信号来源于神经元的活动[30-31]。今后随着更多的研究开展，白质区域神经元的功能活动与BOLD信号变化的关系模型需要深层次的研究，将可进一步提高纤维重建的准确性和功能特性。

4 结论

本研究针对白质灰质边界区域纤维重建精度问题，提出融合白质fMRI的新型dMRI纤维追踪成像算法，并结合粒子滤波理论进行追踪重建成像。在真实数据上进行追踪重建实验。结果表明，本研究方法可有效提高白质灰质边界区域纤维追踪重建的准确性。下一步将开发使用高精细角度分辨率的功能相关模型，构建多功能方向连接以提高后验ODF的准确性，重建多功能通路用于分析任务态时多区域间的功能结构连接。