从扩散张量成像数据中提取连接结构的数据驱动方法

扩散张量成像（DTI）是分析正常发育及广泛脑疾病中结构性脑连接的有效工具。然而，由于数据维度极高、样本量相对较小以及缺乏广泛可接受的基于连接的感兴趣区域（ROIs），推导结构性脑网络的固有特征一直受到阻碍。典型方法要么聚焦于由标准解剖图谱定义的区域（未纳入解剖连接），要么基于体素级分析，这相对于结构级连接分析导致统计效能的丧失。在本工作中，我们提出一种新颖且计算高效的迭代聚类方法，以生成基于连接的全身脑分区，并在少数几次迭代内收敛到稳定分区。我们的算法基于全脑连接矩阵的稀疏表示，在纳入必要空间约束的同时，将边数从约五亿减少到几百万。我们表明，所得区域在某种意义上捕获了数据中存在的固有连接信息，并且相对于算法内的初始化和随机化方案是稳定的。这些分区在群体样本受试者间提供了一致的结构区域，这些区域在解剖连接上是同质的。我们的方法还推导出可用于区分具有已知不同结构连接的群体样本的连接结构。特别地，还展示了针对不同群体样本（如女性与男性、正常对照与精神分裂症、以及正常对照中不同年龄段）结构差异的新结果。