摘要

本文综述了近年来在个体脑部分割（individual brain parcellation）领域的最新进展，强调了在精准医学快速发展的背景下，群体级别的脑图谱分割方法由于未能考虑个体间的差异性而受到限制。文章详细介绍了基于优化和学习的方法在个体脑功能区域精确映射中的应用，并引入了全面的评估指标来验证个体脑图谱的有效性。此外，文章还探讨了个体脑图谱在神经科学研究和临床医学中的应用，以及面临的挑战和未来的发展方向。

原理

个体脑部分割的核心在于确定大脑中每个体素或顶点的“最优”分配，以形成不同的区域（即parcels）。这一过程通常基于个体的信息，如rsfMRI时间序列、解剖和功能连接性以及形态学特征。优化方法直接通过预定义的假设来获得个体的分割，而学习方法则通过训练过程从数据中估计出一个参数模型（即映射）来推断个体的分割。这些方法的关键在于捕捉个体特定信息与个体分割之间的非线性关系，从而实现更精确的脑部分割。

流程

个体脑部分割的工作流程通常包括数据准备、特征提取、分割算法应用和结果验证。首先，通过磁共振成像（MRI）技术获取个体的脑部数据。然后，提取相关的特征，如功能连接性或结构连接性。接下来，应用优化或学习算法对这些特征进行处理，以生成个体的脑部分割图。最后，通过一系列评估指标，如个体内部可靠性、区域内部同质性和预测个人特征的能力，来验证分割结果的准确性和有效性。

应用

个体脑部分割技术在神经科学研究和精准医学领域具有广泛的应用前景。在神经科学中，该技术有助于理解个体大脑功能和结构的变异性，以及这些变异性与年龄、性别、认知行为等因素的关联。在临床医学中，个体脑部分割可用于发现神经精神疾病的生物标志物，指导神经调节治疗（如经颅磁刺激TMS和深部脑刺激DBS）的精确靶向，以及辅助脑部手术规划。