关于脑图谱的一些知识笔记

查看了这个关于脑区的划分方法及一些模板说明的博客 发现了蒋田仔老师的一些相关资料，对这个脑区划分的历史和研究进行了详细的说明。 此处记录和补充一些笔记和心得。 PPT_pdf ：The Human Brainnetome Atlas and its Applications in Understanding of Brain Functions and Disorders 中文翻译是 《脑网络组图谱及其在脑认知与脑疾病方面的应用》 文字版报道 PPT的视频报告

文章目录

脑网络的构成脑网络组的五个方面的研究内容

发展历史Campbell 图谱1. 研究背景与方法2. 图谱的主要特点3. 图谱的呈现形式4. 与Brodmann分区的对比5. 历史意义6. 现代视角

Brodmann 图谱1. 研究背景与方法2. 图谱的主要特点3. 图谱的呈现形式4. 与Campbell分区的对比5. 历史意义6. 现代应用与争议

Flechsig 图谱说明：髓鞘相关关键贡献

von Economo and Koskinas主要特点与贡献：与Brodmann图谱的对比：现代应用与影响：争议与局限性：总结：

Talairach图谱核心特点与原理：主要应用：与Brodmann图谱的关系：局限性：**现代发展与替代方案**：**总结**：

JU-Brain atlas**1. 背景与开发团队****2. 核心特点****(1) 多模态数据整合****(2) 三维概率图谱****(3) 精细分区**

**3. 技术实现****4. 应用场景****(1) 基础研究****(2) 临床医学****(3) 技术开发**

**5. 与传统图谱的对比****6. 挑战与未来方向****7. 如何访问与使用**

过渡和承接**Surface-Based脑图谱的生态位与历史定位****1. 出现背景与技术挑战****(1) 体积图谱的局限****(2) Surface-Based技术的突破**

**2. Surface-Based图谱的生态位****(1) 与传统体积图谱的对比****(2) 在脑图谱发展中的定位**

**3. 存在的核心意义与价值****(1) 科学意义****(2) 应用价值****(3) 经济与工具生态**

**4. 对后续研究的深远影响****5. 局限性****总结：Surface-Based Atlas的里程碑地位**

fsaverge某个具体实例：fsaverage（FreeSurfer的标准模版）fsaverage的归属与定义1. fsaverage的开发者与背景2. fsaverage的核心特征(1) 几何属性(2) 功能定位

3. fsaverage在脑图谱体系中的生态位(1) 与传统体积模板的对比(2) 与其他表面模板的关系

4. fsaverage的科学意义与价值(1) 解决核心挑战(2) 推动技术标准化(3) 临床与研究应用

5. 如何使用fsaverage？(1) 数据处理流程(2) 可视化工具(3) 示例代码（Python）

6. 局限性总结：fsaverage的定位

3D Talairach atlas一、出现方式二、历史意义三、与前几代脑图谱的差异四、主要应用

AAL（Automated Anatomical Labeling）脑图谱概述一、AAL 的出现方式二、历史意义三、与前几代脑图谱的差异四、主要应用

FreeSurfer 的 **Desikan–Killiany atlas**（简称 **DK atlas**）一、DK Atlas 的出现方式二、历史意义与作用三、与其他图谱对比（如 AAL / Talairach）四、应用举例1. **皮层厚度 / 面积提取**2. **连接组研究**3. **脑老化/疾病生物标志物分析**4. **FreeSurfer 自带命令**五、后续发展

六、小结一、DK Atlas 的出现方式二、历史意义与作用三、与其他图谱对比（如 AAL / Talairach）四、应用举例1. **皮层厚度 / 面积提取**2. **连接组研究**3. **脑老化/疾病生物标志物分析**4. **FreeSurfer 自带命令**

五、后续发展六、小结

big Brain一、BigBrain 的出现方式二、历史意义三、与前几代脑图谱的差异四、主要应用

多模态图谱brainnetome的实现方法

脑网络的构成

脑网络组（brainnetome）是由两个基本要素构成，一是网络的节点（node），二是节点跟节点的连接（connection） 可以从不同尺度来进行研究，包括从神经元到脑区。

三个不同的尺度进行定义和研究：节点为神经元（neuron）的微观尺度、节点为神经元群的介观尺度（mesoscale）、节点为脑区的宏观尺度。

从微观尺度看，人脑有

1

0

11

10^{11}

1011 个神经元和

1

0

15

10^{15}

1015个连接，所以如果要从微观尺度研究全脑是不可能的，至少以目前的计算资源是无法做到的。

更小的规模就是介观尺度。介观尺度以目前的算力和计算水平也达不到全脑研究的要求。

今天要讲的主要是宏观尺度。宏观尺度就是连接脑区，在脑区跟脑区之间可以定义解剖连接(anatomical connectivity)、功能连接（functional connectivity）.

脑网络组的五个方面的研究内容

第一个方面是网络的拓扑结构；第二个方面是网络的动态变化规律；第三个方面是不同的脑功能，如功能异常在网络上是怎么表征的；第四个方面是一些特定的网络。如跟智力、注意等相关的网络是否有遗传基础；第五个方面是对网络进行仿真与建模；

一些脑区的细胞构筑比较复杂，很容易就能把它分成不同的类型；但还有一些脑区的细胞类型非常一致，这样的脑区，如果完全基于细胞构筑的话，是没办法区分开的。

Brainnetome是中国主导构建2011年开始脑图谱构建计划。973项目，设想的第一件事就是要用五年左右的时间重新绘制一个脑图谱。当时如果完全沿用国外原有的脑图谱绘制思想是不可能完成的。

下面的论文是该方向蒋田仔老师发表的文献。

The Human Brainnetome Atlas: A New Brain Atlas Based on Connectional Architecture 人类脑图谱：基于连接性架构的新脑图谱1

脑图谱绘制，某种意义上就是图像处理。它是在寻找具有不同特性的脑区之间的边界，某种意义上就是一种图像分割。

图像处理相关领域的人应该都了解，脑图像的基本单元不是一个个细胞，到不了那个程度。脑图像的基本单位并不是细胞，而是体素。二维图像的最小单位是像素，三维的最小单位就是体素。

脑图像跟其他图像有一个本质的区别，那就是脑图像的每一个体素都可以定义跟全脑其他体素之间的连接。所以只要拿一个体素出来，就可以定义它在全脑的连接，即所谓的连接模式（Connectivity Profile）。

有了这个东西以后，就可以比较体素和体素之间的连接模式是否一样。连接模式一样的话，那么它们就在同一个区域里；不一样的话，就在不同的脑区。这就是脑网络组图谱绘制的最基本的思想。

首先，需要有人的磁共振图像以及结构像。如果要进一步定义连接模式，除了结构像以外，我们还需要用于定义解剖连接的弥散磁共振成像，以及可以定义功能连接的功能磁共振成像。

经过反复的论证，我们认为只有解剖连接才有可能作为绘制图谱的工具。

由于功能连接会受各种各样的因素影响，尤其是时间因素——早上跟晚上采集的，功能上有可能也不一样，这种随时间动态变化的东西，是没办法用于绘制图谱的。所以我们使用的是弥散磁共振成像。

逐个询问ai和参考一些资料，介绍一下背景和一些说明，从而更好的理解这个脑图谱的发展脉络。

发展历史

Campbell 图谱

Alfred Walter Campbell，在1905年发表了关于大脑皮层结构的研究。

对大脑皮层的细胞结构进行详细研究，并将其分为不同的区域。Campbell的工作在Brodmann分区之前，是基于组织学结构，即通过显微镜观察脑组织的细胞层次和结构。

将大脑皮层分成了大约20个区域，比如运动区、感觉区、视觉区和前额区等。 Alfred Walter Campbell于1905年发表的 《Histological Studies on the Localisation of Cerebral Function》 中提出的脑图谱，是早期对大脑皮层功能分区的重要研究。该图谱的特点和意义如下：

1. 研究背景与方法

技术基础：Campbell基于组织学切片和显微镜观察，结合当时新兴的神经元染色技术（如尼氏染色），分析大脑皮层的细胞结构差异。目标：试图将大脑皮层的解剖结构与特定功能（如运动、感觉）联系起来。

2. 图谱的主要特点

分区依据：通过皮层细胞的排列、密度、神经元类型（如锥体细胞、颗粒细胞）和层次厚度，将大脑皮层分为不同区域。

主要分区：

初级运动区（Precentral区域，对应后来的Brodmann 4区）。体感区（Postcentral区域，类似Brodmann 3,1,2区）。视觉皮层（枕叶区域，类似Brodmann 17区）。前额区（与高级认知功能相关）。其他感觉和联合区域（如听觉、语言区）。 功能联系：Campbell强调某些区域的细胞结构特征与其功能直接相关（如运动区的大型锥体细胞与运动控制）。

3. 图谱的呈现形式

手绘图谱：由于当时缺乏现代成像技术，图谱以手绘示意图为主，标注了不同皮层区域的细胞结构差异。文字描述：详细记录了各分区的组织学特征及推测的功能。

4. 与Brodmann分区的对比

时间线：Campbell的工作早于Korbinian Brodmann的经典分区（1909年），两者方法类似，但Brodmann的分区更系统（编号1-52区）。差异：Campbell的分区数量较少（约20区），更注重功能联系，而Brodmann更侧重纯解剖学分类。影响：Campbell的研究为后来的功能定位理论（如Penfield的脑图谱）和Brodmann分区提供了基础。

5. 历史意义

开创性贡献：首次系统地将皮层细胞结构与功能联系起来，挑战了当时认为大脑功能弥散的观点。局限：受限于技术，部分功能推测后来被修正（如联合区的复杂功能未被完全揭示）。

6. 现代视角

遗产：Campbell的术语（如“颗粒型皮层”“无颗粒型皮层”）仍被用于描述皮层结构。应用：其工作启发了后续的脑图谱研究，如Brodmann、Vogt夫妇和现代连接组学。

该文章提供了一些脑细胞类型的说明2 这些是脑的皮层细胞在显微镜视角下的大致分类。

Brodmann 图谱

第一个比较成熟的可以称为图谱的，现在在脑认知及脑疾病研究中还使用得比较多的图谱。

Brodmann图谱主要是基于细胞构筑进行绘制的脑图谱。

细胞构筑的意思就是看细胞的形状。这一片跟那一片的形状长得很类似，他们认为就在同一个脑区；这一片跟另一片在形状上有明显的不同，他们就认为在不同的脑区。这就是Brodmann图谱绘制的基本思想。

Brodmann把皮层分成了52个不同的区域。现在看来，这个分区是非常粗糙的，而且有好多边界其实是错的。

ai补充说明：

Korbinian Brodmann于1909年发表的**《Vergleichende Lokalisationslehre der Großhirnrinde》（《大脑皮层的比较定位研究》）中提出的Brodmann分区**，是神经科学史上最具影响力的脑图谱之一。它基于大脑皮层的细胞结构差异（细胞构筑学），将人类和其他哺乳动物的大脑皮层划分为52个不同区域，至今仍是神经科学、临床医学和脑成像研究的重要基础框架。

1. 研究背景与方法

技术基础：Brodmann使用尼氏染色法（Nissl staining）观察神经元的细胞结构（如细胞密度、分层、形态），结合比较解剖学方法，研究不同物种（人类、猿类、啮齿类等）的皮层差异。目标：通过细胞构筑学（cytoarchitecture）建立标准化的皮层分区系统，探索进化中的保守与差异。

皮层的六层结构是以哺乳动物为研究对象发现的，不一定适用于其他的动物。新皮质的说明3

大脑皮层中各层的分工4

2. 图谱的主要特点

分区依据： 根据皮层6层结构的厚度、神经元密度、细胞类型（如锥体细胞、星形细胞）和排列方式，将人类大脑分为52个编号区域（部分区域仅在非人类灵长类中发现，如人类实际常用约44区）。

典型分区举例：

Brodmann 4区：初级运动皮层（中央前回），含大型锥体细胞（贝茨细胞），负责自主运动控制。Brodmann 17区：初级视觉皮层（纹状皮层），具有独特的颗粒细胞层，处理视觉信息。Brodmann 41/42区：初级听觉皮层（颞横回），参与声音处理。Brodmann 44/45区：布洛卡区（左半球优势），与语言产生相关。Brodmann 9/46区：前额叶背外侧皮层，涉及工作记忆和决策。Brodmann 25区：膝下皮层，与情绪调节相关（现代抑郁症研究热点）。 功能联系：Brodmann最初仅描述解剖结构，但后续研究发现许多分区与功能高度对应（如fMRI研究证实了感觉、运动区的定位）。

图2 灵长类动物的初级视觉皮层分层结构，从左至右分别为黑猩猩，猕猴，松鼠猴，猫头鹰猴，狨猴，婴猴，狐猴，树鼩

3. 图谱的呈现形式

手绘地图：Brodmann以精细的手绘冠状切面图展示各分区，标注编号和细胞结构特征。跨物种比较：图谱涵盖人类、猴、猫等动物，强调进化中的保守性（如人类4区与猴4区的相似性）。

4. 与Campbell分区的对比

系统性：Brodmann分区更细致（52 vs. Campbell的约20区），编号系统简化了跨研究交流。功能中立性：Brodmann最初避免直接赋予功能标签，而Campbell更强调结构与功能的直接联系。影响范围：Brodmann分区成为现代脑成像（如fMRI、PET）的定位标准，而Campbell的工作更多作为先驱被引用。

5. 历史意义

科学范式：首次系统证明皮层细胞结构差异具有功能意义，为“定位主义”（localizationism）提供了关键证据。跨学科影响：

神经外科：Penfield的脑刺激实验（1950s）结合Brodmann分区绘制运动/感觉图谱。精神病学：精神疾病研究常关联特定Brodmann区（如精神分裂症与前额叶46区）。脑成像革命：fMRI研究依赖Brodmann编号定位激活区（如“视觉任务激活17区”）。

6. 现代应用与争议

核心价值：

作为脑成像数据的空间参考框架（如Talairach坐标系常映射到Brodmann区）。在神经退行性疾病（如阿尔茨海默病累及边缘叶28/34区）和脑肿瘤手术中指导定位。 局限性：

个体差异：分区边界在个体间存在变异，细胞构筑与功能不完全重叠。技术挑战：现代基于AI的脑图谱（如HCP-MMP1）试图结合多模态数据（结构、功能、连接），可能逐步补充Brodmann系统。 争议：部分分区（如Brodmann 10区“前额极”）功能复杂，难以简单归类。

Brodmann分区的持久生命力在于其简洁性和可验证性。尽管现代研究逐渐转向更精细的多模态图谱，但“BA+编号”仍是神经科学中不可替代的通用语言。

在原来的区域通过聚类进一步划分了结构和功能区

Flechsig 图谱

Flechsig的贡献和研究内容5

说明：髓鞘相关

弗莱希格最常指的是保罗·弗莱希格（1847-1929），一位德国神经解剖学家和心理学家，以其在脑结构研究方面的开创性工作而闻名，特别是对神经纤维髓鞘化（髓鞘形成）的研究。他的工作为理解大脑发育和神经疾病 髓鞘相关的疾病（如多发性硬化症）奠定了基础。 髓鞘的形成和大脑功能的分块和形成，有重要的意义。

对于形成的髓鞘，为脑功能的高效传递构建了硬件设施，相当于减少了电流的损失，提高了中间信息的传递效率。

越晚形成的髓鞘代表着越复杂和高级的功能。

关键贡献

弗莱希格绘制了大脑中髓鞘（神经周围的绝缘层）的成熟过程，确定了在不同阶段形成髓鞘的区域。这有助于将大脑发育与功能能力联系起来。他根据髓鞘化模式将大脑皮层划分为区域，为早期大脑图谱绘制做出了贡献脊髓小脑束：后脊髓小脑束（弗莱希格氏束）是以他的名字命名的。它将身体的感觉信息传递到小脑。

von Economo and Koskinas

"von Economo and Koskinas"脑图谱是由奥地利神经科学家Constantin von Economo（1876–1931）和希腊神经科学家Georg N. Koskinas（1885–1975）共同建立的经典大脑皮层分区图谱。这一图谱首次发表于1925年的著作《Die Cytoarchitektonik der Hirnrinde des erwachsenen Menschen》（成年人大脑皮层的细胞结构学），是神经解剖学领域的里程碑式成果，至今仍被广泛引用。

主要特点与贡献：

细胞结构学方法：

von Economo和Koskinas基于细胞结构（cytoarchitecture）对大脑皮层进行了精细分区，即通过显微镜观察神经元的大小、密度、层次排列等特征来划分不同功能区。与Brodmann图谱（1909年）相比，他们的分区更细致，将大脑皮层划分为107个区域（Brodmann分为52个区域），并强调了不同区域的演化层级（如古皮层、旧皮层、新皮层）。 功能与结构结合：

他们不仅描述解剖结构，还尝试将分区与生理功能（如运动、感觉、联合区）联系起来，尤其关注额叶、顶叶的高级认知功能。 标准化与三维定位：

图谱结合了冠状切面、矢状切面和水平切面的三维定位，为后来脑成像技术（如MRI）的解剖定位奠定了基础。

（A）皮层映射的侧面视图，（B）背视图，（C）腹视图，（D）内侧视图。

与Brodmann图谱的对比：

Brodmann图谱：更简化，侧重功能大区（如Brodmann 4区对应初级运动皮层），临床和研究中应用更广泛。von Economo-Koskinas图谱：

分区更精细，尤其对联合皮层（如额叶、顶叶）的划分更详细。提出了独特的演化层级分类（如“同源皮层”和“异源皮层”），强调不同区域在进化中的起源。对岛叶（insula）和扣带回（cingulate cortex）的描述尤为深入，这些区域在现代情感和认知研究中至关重要。

现代应用与影响：

神经退行性疾病研究：

该图谱被用于阿尔茨海默病、额颞叶痴呆等疾病的病理研究，帮助定位萎缩或病变区域。 脑成像与神经外科：

为fMRI、PET等技术的功能定位提供解剖参考，尤其在高级认知任务（如决策、语言）的脑区映射中仍有价值。 演化神经科学：

他们对皮层演化的分类（如古皮层→新皮层）启发了对大脑功能演化的研究。

争议与局限性：

由于分区过于细致，实际应用中可能因个体差异导致边界模糊，临床使用不如Brodmann图谱方便。部分术语（如“颗粒型”和“无颗粒型”皮层）现已较少使用，但核心贡献仍被认可。

总结：

von Economo和Koskinas的脑图谱代表了神经解剖学的黄金时代，其精细的细胞结构学方法和对功能-结构关联的探索，至今仍是研究大脑复杂性的重要工具。尽管Brodmann图谱更为普及，但现代神经科学（尤其是认知神经科学和临床神经学）仍会结合两者的优势，以更全面地理解大脑的解剖与功能。

An MRI Von Economo – Koskinas atlas6 这个文章提供了这个古老的图谱的mri形式的数字化数据，从文中可以下载到。

（A）图示显示 1925 年冯·埃孔诺-科斯金纳斯侧视图和正视图上用红色勾勒的区域，（B）该区域在皮质表面重建上的绘制轮廓，（C）完成并填充的区域标签。绿色阴影表示皮层的曲率。

Talairach图谱

该文章对Talairach进行了一些说明7如何找到和定位这个AC-PC线。

Talairach图谱（Talairach Atlas）是由法国神经外科医生和神经解剖学家Jean Talairach（1911–2007）于20世纪中期开发的脑立体定位参考系统，主要用于神经外科手术规划和脑成像研究中的解剖定位。该图谱的核心是建立一种标准化的三维坐标系，以精确描述大脑结构的位置，至今仍在神经科学和临床医学中具有重要影响。

核心特点与原理：

AC-PC参考系统：

Talairach坐标系以两个解剖标志点为基础：

前连合（Anterior Commissure, AC）：连接左右大脑半球的小型纤维束前端。后连合（Posterior Commissure, PC）：位于中脑顶盖附近的另一纤维束。 AC-PC线：连接AC和PC的直线作为水平基准线，用于定义大脑的三维坐标系。

比例网格系统：

将大脑分为12个立方体区域，通过比例坐标（百分比）定位脑区位置。坐标原点位于AC点，X轴（左右）、Y轴（前后）、Z轴（上下）均以AC-PC线为基准进行标准化分割。 脑区划分：

结合Brodmann分区（细胞结构）和功能解剖学，将大脑皮层与深部核团（如丘脑、基底节）纳入坐标系统。

主要应用：

神经外科手术：

为癫痫、帕金森病等手术提供精确的脑区定位，帮助避免损伤关键功能区（如语言区、运动区）。 脑成像研究：

用于功能磁共振成像（fMRI）、正电子发射断层扫描（PET）等技术的激活点定位，使不同个体的脑数据能在标准化空间中对比。 神经导航与脑刺激：

在深部脑刺激（DBS）和立体定向脑电图（SEEG）中，Talairach坐标帮助电极或探针的精确定位。 跨研究数据整合：

允许不同实验室的脑成像数据在统一坐标系中叠加分析，促进大样本研究的可比性。

与Brodmann图谱的关系：

Talairach系统常与Brodmann分区结合使用。例如，fMRI研究中激活的Talairach坐标可转换为对应的Brodmann区（如BA44对应布洛卡区），以关联功能与解剖结构。但Talairach坐标系不直接依赖细胞结构学，而是基于几何标准化，因此在个体差异较大的区域可能存在误差。

局限性：

个体脑形态差异：

Talairach系统假设所有大脑具有相似的几何比例，但实际个体间差异（如脑回形态、大小）可能导致定位偏差。 标准化方法的过时性：

基于单一大脑（一名60岁女性）的解剖数据建立，无法代表全人群的多样性。现代脑成像多采用MNI（蒙特利尔神经研究所）空间，其基于更大样本的MRI数据，更符合现代研究需求。 深部结构定位不精确：

对皮层下核团（如杏仁核、海马）的坐标描述较粗糙，难以满足精准神经调控的需求。

现代发展与替代方案：

MNI空间：目前主流的脑成像标准化空间，使用ICBM-152模板（基于152人的平均MRI脑图像），更贴近真实脑形态。非线性配准技术：通过弹性变形算法将个体脑图像匹配到标准空间，减少Talairach线性方法的误差。高分辨率图谱：如BigBrain（20微米分辨率）和Human Connectome Project的多模态图谱，提供更精细的解剖-功能整合。

总结：

Talairach图谱是神经科学史上首个广泛应用的标准化脑定位系统，为神经外科和脑成像研究奠定了基础。尽管其局限性逐渐被现代方法（如MNI空间）弥补，但Talairach坐标系的历史贡献不可忽视。在临床手术、经典文献解读或早期数据复现中，仍需理解其原理与应用场景。

JU-Brain atlas

1996年前后，德国于利希研究中心 Forschungszentrum Jülich下面的神经科学与医学研究所（Institute of Neuroscience and Medicine）就是想改造Brodmann图谱。这个研究所用的思想跟Brodmann是完全一样的，还是把去世后的人捐献的脑袋切成一片片，然后染色，看每一片上面的边界在什么地方，再将它组成三维的。

这项研究从1996年到现在，二十多年过去了，尽管已经在《Science》上发表了两篇文章，但仍然没有完成全脑图谱的绘制。

这个项目是EBRAINS项目（欧洲联合的脑科学项目）的一部分。是一个多模态脑图谱，整合了细胞构筑、功能和连接数据，属于人类脑计划的一部分。

好的！既然您指的是Jülich-Brain Atlas（于利希脑图谱），以下是关于这一现代脑图谱的详细介绍：

1. 背景与开发团队

主导机构：德国于利希研究中心（Forschungszentrum Jülich），联合欧洲多国实验室，是欧盟人类脑计划（Human Brain Project, HBP）的核心成果之一。目标：突破传统单一模态脑图谱的局限，构建多模态、高精度、三维动态的脑区划分系统，服务于科研与临床。时间线：2010年代启动，持续更新（最新版本为2023年的v4.0）。

2. 核心特点

(1) 多模态数据整合

细胞构筑学（Cytoarchitecture）： 基于10,000+例人脑切片，分析皮层6层结构的神经元密度、形态和排列（延续Brodmann方法，但更精细）。受体分布图谱（Receptor Architecture）： 通过PET和免疫组化，绘制20+种神经递质受体（如GABA、谷氨酸、多巴胺受体）的密度分布，揭示脑区化学特性。功能连接（fMRI与静息态网络）： 整合任务态和静息态fMRI数据，标注默认模式网络、突显网络等关键功能系统。白质连接（扩散成像与纤维追踪）： 标注主要白质纤维束（如胼胝体、钩束）及其连接强度。

(2) 三维概率图谱

个体差异处理： 使用大数据统计模型，生成脑区边界的三维概率分布（例如，某区域在70%的个体中位于某坐标范围内），而非固定边界。动态配准工具： 提供算法将图谱适配到个体MRI数据，支持临床精准定位（如癫痫灶切除前的功能区映射）。

(3) 精细分区

皮层区域： 将传统Brodmann分区细化，例如：

Brodmann 9区 → 分为背外侧前额叶（9d）和内侧前额叶（9m）等亚区。Brodmann 44/45区 → 进一步区分语法处理与语音产生的子区。 皮层下结构： 对丘脑、基底节、海马等深部核团进行亚区划分（如海马CA1-CA3、齿状回）。

3. 技术实现

数据来源：

10,000+例尸体脑样本（细胞与受体数据）。1,000+例活体脑影像（fMRI、DTI）。 计算工具：

机器学习算法（如随机森林）自动识别脑区边界。基于云计算的EBRAINS平台支持在线分析与可视化。 开放访问： 数据与工具公开于EBRAINS平台，支持科研与临床免费使用。

4. 应用场景

(1) 基础研究

脑区功能解码： 例如，发现前额叶背外侧（9d区）的5-HT受体密度与决策速度相关。跨物种比较： 对比人类与非人灵长类脑区，研究语言、工具的进化基础。

(2) 临床医学

神经外科导航： 术前规划肿瘤切除范围，避开高概率语言区（如Broca亚区）或运动区。精神疾病机制： 分析抑郁症患者的默认模式网络（涉及Brodmann 32区）连接异常。脑深部刺激（DBS）： 优化帕金森病丘脑底核（STN）的电极植入靶点。

(3) 技术开发

脑机接口（BCI）： 为运动皮层电极阵列提供亚区功能参考（如手部vs.面部运动区）。计算模型： 构建基于真实受体分布的大脑动力学模型，模拟药物作用。

5. 与传统图谱的对比

维度Brodmann分区（1909）Jülich-Brain Atlas数据模态单一（细胞构筑）多模态（细胞+受体+功能+连接）分辨率厘米级（宏观）亚毫米级（微观到宏观）个体差异忽略，固定边界概率模型，动态适配个体应用领域基础研究、粗略定位精准医疗、人工智能、跨学科整合

6. 挑战与未来方向

技术挑战：

受体数据的活体采集仍依赖PET，分辨率有限。动态脑图谱需实时整合EEG、fNIRS等多源信号。 伦理问题：

个体脑数据的隐私保护与共享机制。 未来趋势：

结合单细胞测序技术，添加基因表达图谱层。开发AI驱动的“个性化脑图谱”，实时指导手术或治疗。

7. 如何访问与使用

访问平台：登录EBRAINS → 搜索“Jülich-Brain Atlas”。工具兼容性：支持主流神经影像软件（如FreeSurfer、FSL、SPM）。教程资源：平台提供从基础配准到高级分析的在线课程。

Jülich-Brain Atlas代表了脑图谱从“静态解剖地图”向“动态多模态操作系统”的演变，其核心价值在于将解剖、化学、功能与连接数据统一到同一框架，为理解人脑复杂性提供了前所未有的工具。

和pd结合的案例 Brain (2023)：结合Jülich连接组学，证明PD认知障碍与默认模式网络-前额叶连接中断相关。

可能的使用方式： 分析流程：

影像配准：使用ANTs或Advanced Normalization Tools（ANTs）将个体数据对齐到Jülich模板。特征提取：基于Python的Nilearn或FSL工具包提取多模态指标。统计分析：R或Python（Pandas、Scikit-learn）进行多变量建模。

个体差异：

使用Jülich的概率边界模型，而非固定阈值，提高定位鲁棒性。

多模态数据融合：

采用联合独立成分分析（jICA）或相似性网络融合（SNF）整合细胞、受体和功能数据。

过渡和承接

上面的图谱都是以解剖结构和物理扫描定位为主，进行构建的，分析的是大脑的体素，团块，是三维的。 1997年的Surface-based atlas 发展了不一样的二维表面分析

Surface-Based脑图谱的生态位与历史定位

在脑图谱的发展历程中，1990年代末兴起的Surface-Based Atlas（基于表面的脑图谱）标志着从体积空间（Volume-Based）向皮层表面空间的范式转变。这一技术革新彻底改变了脑区划分、数据分析和跨个体比较的方式，为现代神经影像学和脑连接组学奠定了基础。

1. 出现背景与技术挑战

(1) 体积图谱的局限

结构对齐难题：传统体积图谱（如Talairach、MNI模板）将大脑视为三维像素（体素）的集合，但不同个体的脑沟回形态差异巨大，导致皮层功能区在体积空间中对齐不准确。皮层折叠的复杂性：人类大脑皮层高度褶皱，体积方法难以直接分析皮层厚度、曲率等关键指标。

(2) Surface-Based技术的突破

核心思想：将三维皮层表面展开为二维平面或球面，保留拓扑结构（如沟回关系），实现跨个体的高精度对齐。关键技术：

皮层重建算法（如FreeSurfer的自动分割与表面生成）。球面配准（Spherical Registration）：将个体皮层映射到标准球面（如fsaverage），对齐功能区域（如V1视觉区）。 代表性工具：FreeSurfer（1997年启动）、Caret（1999年）、Human Connectome Project的MSMAll配准（2010s）。

2. Surface-Based图谱的生态位

(1) 与传统体积图谱的对比

维度Volume-Based AtlasSurface-Based Atlas数据表达三维体素（x,y,z坐标）二维表面网格（顶点与三角面片）对齐方式线性/非线性体积配准基于皮层几何的球面非线性配准分辨率体素级（毫米级）顶点级（亚毫米级，约16万顶点/半球）核心优势全脑覆盖（包括白质、深部核团）精准对齐皮层功能/结构特征

(2) 在脑图谱发展中的定位

承上启下：

继承Brodmann的细胞构筑分区思想，但通过几何建模实现功能区的活体定位。为后续多模态图谱（如HCP-MMP1）提供皮层表面框架。 横向扩展：

与扩散成像（DTI）结合，研究皮层-白质连接。支持功能磁共振（fMRI）数据的皮层表面分析（如GLM、静息态网络）。

3. 存在的核心意义与价值

(1) 科学意义

解决皮层对齐的根本问题： 通过表面配准，将不同个体的功能区（如布洛卡区）映射到同一标准空间，减少解剖变异导致的噪声，提升统计效力。量化皮层属性： 直接测量皮层厚度、曲率、表面积、髓鞘化程度（如HCP的Myelin Map），揭示这些指标与认知能力或疾病的关联。支持跨物种比较： 非人灵长类的皮层表面可与人类对齐，研究进化中皮层扩张的规律（如额叶联络区的差异）。

(2) 应用价值

神经影像分析革命：

功能定位：任务fMRI激活区可精准映射到表面（如Visual Cortex的拓扑映射）。脑网络分析：构建基于表面的功能连接矩阵（如默认模式网络节点定义）。 临床诊断：

阿尔茨海默病的皮层变薄模式、癫痫灶的定位精度提升。 发育与老化研究： 追踪儿童皮层扩张或老年人萎缩的动态变化（如纵向表面配准）。

(3) 经济与工具生态

开源工具链：FreeSurfer、Connectome Workbench等工具的普及，降低了表面分析门槛。商业整合：医疗影像软件（如Brainlab）集成表面图谱，用于神经外科导航。

4. 对后续研究的深远影响

Human Connectome Project（HCP）的基石： HCP的多模态皮层分区（MMP1）完全基于表面框架，整合了功能、结构与连接数据。个体化脑图谱： 表面方法支持生成个体特异性图谱（如个体功能分区），推动精准医学。脑机接口优化： 皮层表面电极阵列（ECoG）的数据可直接与表面图谱融合，提升解码效率。

5. 局限性

对非皮层结构的弱覆盖：白质纤维、深部核团仍需依赖体积空间分析。计算复杂度高：表面数据处理需高性能计算（如FreeSurfer单被试处理需数小时）。配准误差：极度变形的脑（如严重脑损伤）可能导致表面重建失败。

总结：Surface-Based Atlas的里程碑地位

功能定位的黄金标准：现代fMRI研究几乎均依赖表面分析发表结果。跨学科桥梁：为神经科学、计算建模、临床医学提供统一空间框架。技术遗产：其核心思想（如保留拓扑的配准）影响了AI驱动的现代图谱（如球形卷积神经网络）。球面卷积神经网络8

Surface-Based Atlas不仅是技术工具，更是理解皮层复杂性的哲学突破——它将大脑从“一团像素”转化为可度量、可比较的拓扑表面，开启了人类探索脑结构与功能关系的新篇章。

fsaverge

某个具体实例：fsaverage（FreeSurfer的标准模版）

我在mne溯源后的数据初步处理方法9这个文章里面使用的就是表面的模版，使用的是fsaverage这个，fsaverage是FreeSurfer软件包中的标准表面模板。 FreeSurfer是一个广泛使用的神经影像分析工具，主要用于处理MRI数据，生成大脑皮层的表面模型。fsaverage作为其标准模板，用于将不同个体的大脑皮层数据配准到一个共同的表面空间，方便比较和分析。

fsaverage的归属与定义

fsaverage 是 FreeSurfer 软件包中使用的标准表面模板（Surface-Based Atlas），属于基于皮层几何的表面空间脑图谱。它并非传统意义上的解剖分区图谱（如Brodmann分区），而是一个用于跨个体皮层数据对齐和比较的几何与功能参考框架，广泛应用于神经影像学研究和脑皮层表面分析。

1. fsaverage的开发者与背景

开发团队：由美国哈佛医学院/MGH Martinos Center的Bruce Fischl团队开发，集成于开源软件FreeSurfer（1997年启动，持续更新）。目标：解决个体间皮层沟回形态差异问题，提供标准化的皮层表面空间，支持功能、结构和连接数据的跨研究比较。版本迭代：

fsaverage：最初的对称模板，左右半球独立。fsaverage6、fsaverage5：不同分辨率版本（顶点数不同）。fsaverage_sym：对称化模板，用于左右半球对称性分析。

2. fsaverage的核心特征

(1) 几何属性

表面结构：

将每个半球皮层表面表示为三角网格（约16万顶点/半球）。包含白质表面（White Surface）、灰质表面（Pial Surface）和中间层（如皮层厚度计算）。 球面配准：

所有个体皮层表面通过非线性配准映射到fsaverage的标准球面，保留拓扑结构（沟回对应关系）。

(2) 功能定位

与功能数据融合：

fMRI激活图可投影到fsaverage表面，实现跨被试的功能区对齐（如视觉皮层V1的拓扑映射）。 分区兼容性：

支持叠加多种分区方案（如HCP-MMP1多模态分区、Desikan-Killiany脑区）。

3. fsaverage在脑图谱体系中的生态位

(1) 与传统体积模板的对比

维度体积模板（如MNI152）fsaverage表面模板数据空间三维体素空间（x,y,z坐标）二维表面空间（顶点与三角面片）对齐精度适用于全脑（包括皮层下结构）专注于皮层沟回的高精度对齐应用场景体素级统计分析、深部核团研究皮层厚度、曲率、功能激活分析

(2) 与其他表面模板的关系

Caret（PALS）：华盛顿大学开发的表面模板，兼容不同物种（如猕猴），但fsaverage更广泛用于人类研究。HCP-MMP1：人类连接组计划的多模态分区，常基于fsaverage表面框架展示。个体特异性模板：fsaverage是群体模板，而个体表面数据可通过配准与之对齐。

4. fsaverage的科学意义与价值

(1) 解决核心挑战

跨个体比较：通过表面配准减少皮层形态差异带来的噪声，提升功能定位的统计效力。量化皮层特性：支持计算皮层厚度（阿尔茨海默病早期标志）、曲率（脑发育指标）、表面积（进化扩张分析）。

(2) 推动技术标准化

开源生态：作为FreeSurfer的核心输出，fsaverage成为神经影像领域的事实标准，促进数据共享（如OpenNeuro、HCP数据集）。多模态整合：支持将功能激活、皮层厚度、白质连接等数据统一到同一表面空间。

(3) 临床与研究应用

疾病标志物挖掘：

精神分裂症的前额叶皮层变薄。癫痫患者的功能网络节点异常。 发育与老化：

儿童皮层表面积扩张轨迹。老年人默认模式网络连接衰退。 脑机接口：

皮层表面ECoG电极信号与fsaverage功能图谱对齐，优化解码算法。

5. 如何使用fsaverage？

(1) 数据处理流程

FreeSurfer重建：将个体T1 MRI数据通过recon-all流程生成皮层表面。表面配准：使用mri_surf2surf将个体表面映射到fsaverage模板。数据分析：在fsaverage空间计算皮层厚度、功能激活或连接矩阵。

(2) 可视化工具

FreeView（FreeSurfer内置）：查看表面数据与分区叠加。Connectome Workbench：绘制多模态表面图谱（如HCP数据）。Python工具：nilearn、pycortex支持表面数据可视化。

(3) 示例代码（Python）

from nilearn import datasets, surface

# 加载fsaverage表面

fsaverage = datasets.fetch_surf_fsaverage()

# 加载功能数据并投影到表面

left_hemi_data = surface.load_surf_data("func_left.gii")

# 可视化

surface.plot_surf(fsaverage['infl_left'], left_hemi_data, cmap='cold_hot')

6. 局限性

对非皮层结构不适用：深部核团、白质需依赖体积分析。计算资源需求：表面重建与配准耗时（单被试需数小时）。个体差异残留：即使配准后，功能区位置仍存在微小变异。

总结：fsaverage的定位

角色：表面分析的基础设施，非传统“分区图谱”而是“空间框架”。遗产：为HCP等现代项目铺路，推动神经影像从体积到表面的范式转变。未来：随着个体化图谱兴起，fsaverage可能逐渐被超个性化模板补充，但其标准化价值仍不可替代。

3D Talairach atlas

介绍3D Talairach大脑图谱

一、出现方式

原始二维切片 Talairach‐Tournoux 立体定向脑图谱最初于 1988 年出版（第二版），基于单一成年健康脑体组织的解剖切片，以 AC–PC（前联合–后联合）线为参考，将大脑分为三组正交的二维切片（矢状面、冠状面、轴状面）并标注 Brodmann 区与解剖结构(Wikipedia)。数字化与三维重建 1990年代末—2000年代，研究者将这些纸质切片数字化，手动描绘各解剖区边界，并采用分块（piecewise linear）插值或体素填充方法，将二维分区拼接成栅格化的三维体积标签（volume‐occupant hierarchy）(Talairach)。

二、历史意义

首个标准化三维坐标系统 Talairach 空间定义了以前联合（AC）为原点、AC–PC 线为基准轴的三维坐标系，使得不同个体的大脑影像可映射到统一参考框架中，奠定了现代功能影像（fMRI、PET）报告坐标的标准(Wikipedia)。促进影像配准算法发展 有了明确的标志点（AC、PC）与六面体边界（前、后、左、右、上、下），研究者得以设计线性或非线性配准算法，将个体 MRI 自动扭转到 Talairach 空间，推动了 SPM、FLIRT、ANTS 等配准工具的诞生(科学直通车)。构建层次化标签库 基于 Talairach 坐标的“Talairach Daemon”数据库（Lancaster et al., 1997）提供了从半球、大叶、脑回到 Brodmann 区的层次化标签查询接口，极大地方便了自动标注与大规模元分析(PMC)。

三、与前几代脑图谱的差异

代 数代表图谱尺度数据类型主要局限Talairach 突破点第 1 代Brodmann（1909）µm 级细胞手工细胞染色分区二维；无统一三维坐标—第 2 代Talairach 1967 切片2D 切片解剖切片＋手工标注仅纸质图版；无数字化体素标签定义三维坐标系（AC–PC）第 3 代3D Talairach（1988）mm 级坐标数字化体素标签＋层次化结构样本仅一例；分辨率 ~1 mm；线性配准精度有限标准化三维坐标；层次化标签库；支持自动化配准第 4 代AAL（2002）mm 级 ROI宏观解剖体素分区区域较大；无微观组织结构—第 5 代BigBrain（2013）µm 级体素组织学微米级切片宏观功能映射支持有限—

四、主要应用

功能影像坐标报告 研究论文中常用 Talairach 坐标 (x,y,z) 报告激活峰值位置，并可借助 Talairach Daemon 自动获取解剖名称。术前立体定向导航 神经外科和放射外科利用 Talairach 坐标为框架，规划电极植入、活检通道和放疗靶区。ROI 分割与层次化查询 基于 Talairach 栅格，可自动提取半球→大叶→脑回→Brodmann 区等多层级 ROI，用于功能连接组与结构分析。配准模板与算法验证 作为经典配准目标，Talairach 空间被广泛用于测试新配准方法的线性与非线性变换精度。元分析与数据库构建 BrainMap、Neurosynth 等大型数据库以 Talairach/MNI 坐标为统一参考，实现跨研究激活坐标的聚合和统计分析。

Talairach 3D 图谱以其先驱性的坐标标准化与层次化标签体系，为后续自动化神经影像分析与大规模数据整合奠定了基石。

Looking up AAL Atlas details

用户要求提供类似BigBrain的解释，这意味着我要提供关于AAL Atlas的介绍、起源、历史意义、与早期版本的区别及其应用。为了充分展示这一点，我将搜索AAL Atlas的相关信息，并在解释时加入必要的引用。另外，用户可能会对AAL Atlas配图感兴趣，因此我考虑展示4张大脑分区图像，增强视觉效果。接下来，我会开始搜索AAL Atlas的相关资料。

准备AAL Atlas解释

我打算按以下结构组织内容：AAL的出现、历史意义、与前几代图谱的差异，最后是应用部分。在内容中，我还可能加入一个类似BigBrain回答那样的表格，比较各代图谱。为了让解释更清晰，我也会添加图片展示AAL Atlas的大脑分区图，我打算搜索相关图片。这些都将帮助让解释更全面，当然会加上必要的引用。

已思考 10 秒

AAL（Automated Anatomical Labeling）脑图谱概述

一、AAL 的出现方式

基础数据与方法

AAL 最早由 Tzourio‑Mazoyer 等人在 2002 年提出，基于蒙特利尔神经学研究所（MNI）提供的单一高分辨率 T1 结构像（空间归一化至 MNI 空间）进行手动与半自动的宏观解剖分区，共划分出 90 个大脑半球皮层区和 26 个小脑区(Wikipedia)。分区依托解剖学书写规则（gyri/sulci 边界）及专家手动校正，生成数字标签体积（NIfTI/Analyze 格式），可直接在 SPM、MRIcron 等软件中应用(gin.cnrs.fr)。 版本演进

AAL1 (2002)：初版 116 区（90 皮层 + 26 小脑）。AAL2 (2015)：对眶额皮层、扣带回等区域重新细分并优化分区边界。AAL3 (2019–2024)：进一步细分前扣带、丘脑 15 个亚区，并新增核团（伏隔核、黑质、腹侧被盖区、红核、蓝斑、缝核等）(PubMed)。

二、历史意义

宏观功能影像标注标准化 在此之前，功能性激活坐标往往依赖 Talairach 或 Brodmann 区手工对照，重复性差、边界模糊。AAL 提供了数字化、可编程调用的标准标签，大幅提升了 ROI 提取与跨研究对比的一致性(Wikipedia)。推动自动化分析工具发展 AAL 与 SPM、FSL、Nilearn 等工具链无缝结合，使得大规模功能连接组、MVPA、网络分析等自动化流水线成为可能。开源与广泛采纳 数据及软件免费公开（GPL 许可），成为全世界数千篇 fMRI/DTI/PET 研究的默认解剖参考。

三、与前几代脑图谱的差异

代 数代表图谱尺度数据类型主要局限AAL 突破点第 1 代Brodmann（1909）2D 细胞结构手工细胞染色分区无数字化，难以三维重建—第 2 代Talairach（1988）mm 级坐标解剖 MRI + 立体定向网格毫米级，手动标签，边界依赖专家经验—第 3 代AAL（2002）mm 级宏观解剖切割体素—数字化、全国一套 116 区标准化标签；支持自动化 ROI 提取(Wikipedia)第 4 代BigBrain（2013）µm 级组织学微米级切片聚焦宏观分区，微观结构信息缺失衔接宏观–微观，20 µm 分辨率细胞级三维重建

四、主要应用

功能激活标注 自动给 fMRI、PET 等功能激活簇分配解剖名称（extrema labeling），无需人工对照坐标(nilearn.github.io)。ROI 提取与连接组分析 利用 AAL 分区定义 116 个节点，提取各节点时间序列并计算功能/结构连接矩阵，配合图论指标研究脑网络(nilearn.github.io)。多变量模式解码 (MVPA) 基于 AAL ROI 特征进行分类/回归（如疾病状态预测、认知任务解码），直接调用 scikit‑learn 接口完成机器学习分析。跨研究/跨中心对比 统一解剖框架使得不同数据集之间 ROI 统计量可直接比较，促进大规模元分析和多中心协作。教学与可视化 配合 BrainNet Viewer、MARINA 等可视化工具，一图呈现 116 个区的分布，方便教学与科普。

AAL 脑图谱以其简便、标准、开放的优势，成为宏观功能与结构神经影像研究的基石；在大规模自动化分析、跨尺度对照和多中心协作中继续发挥核心作用。

FreeSurfer 的 Desikan–Killiany atlas（简称 DK atlas）

是神经影像分析中广泛使用的 皮层分区图谱，它基于解剖学边界将人脑皮层划分为多个功能相关的区域。下面对其进行系统说明：

一、DK Atlas 的出现方式

创建背景 由 Bruce Fischl 等人基于 FreeSurfer 自动皮层重建框架开发，于 2006 年随 FreeSurfer 发布，最初发表在 NeuroImage 期刊（Desikan et al., 2006）。

方法基础 通过对 MRI T1 加权图像的自动分割与皮层表面重建，结合多个解剖标志（sulcus/gyri 边界）及训练样本进行 贝叶斯统计建模，实现自动标签传播。

分区标准 参考 neuroanatomy 的 gyral 模式，将皮层自动分为 68 个区域（每半球 34 个），覆盖主要额叶、顶叶、颞叶、枕叶和边缘系统。

二、历史意义与作用

领域影响与意义自动化解剖分区首个实现自动皮层重建与精准分区的开源算法，替代了手工标注。跨个体对比保证分区具有解剖一致性，使大样本皮层厚度、面积等形态学特征可以对比分析。结构影像研究标准目前数千篇结构影像文章（特别是皮层厚度/面积研究）默认使用该图谱。与临床结合阿尔茨海默病、癫痫、精神分裂等疾病的皮层萎缩特征广泛基于 DK 图谱区提取。

三、与其他图谱对比（如 AAL / Talairach）

图谱类型分区方式分辨率/数量应用场景是否基于皮层模型AAL体素级 ROI 图谱解剖体素分割~116 区功能影像、连接组分析否Talairach坐标系 + 栅格标签三维坐标映射~100+（层次结构）坐标标注、功能定位否DK（Desikan-Killiany）皮层表面图谱皮层曲面分区（sulcus/gyrus）68 区（34×2）结构研究、厚度测量、临床神经学是✅DK-TourvilleDK 扩展版精度更高的自动标注~75 区精细分区、研究用是

四、应用举例

1. 皮层厚度 / 面积提取

import nibabel as nib

from nilearn import plotting

# FreeSurfer输出的annot文件转换成nifti后可用于可视化

plotting.plot_roi("lh.aparc.annot.nii.gz", title="DK Atlas LH", display_mode="ortho")

自动提取每个区域的皮层厚度、面积、平均曲率等形态学指标，用于疾病对照、年龄回归等。

2. 连接组研究

将 DK 图谱作为 parcellation 模板，配合 DTI 或 rs-fMRI，提取结构或功能连接矩阵。

3. 脑老化/疾病生物标志物分析

比如：阿尔茨海默症患者的 entorhinal cortex（内嗅皮层）萎缩，使用 DK atlas 的 ROI 可直接量化体积变化。

4. FreeSurfer 自带命令

recon-all -i subj1.nii -s subj1 -all

FreeSurfer 自动完成皮层重建和 DK 分区，输出：aparc.stats、lh.aparc.annot 等文件。

五、后续发展

图谱说明Destrieux Atlas（aparc.a2009s）更精细的 gyral/sulcal 边界划分（75×2）Glasser HCP Atlas结合结构/功能/连接特征的多模态图谱（180×2）DKT AtlasDK 的标准化改良版本（CIVET 系统/BrainSuite 支持）

六、小结

DK Atlas 是基于皮层表面结构解剖学构建的经典自动分区图谱，是 FreeSurfer 系统的核心组成部分；它 弥补了 AAL 等体素图谱在皮层研究方面的精度缺陷；广泛应用于 结构脑影像、临床神经学、连接组学和人群研究中；对想做结构+功能多模态分析的用户非常推荐作为结构参考模板使用。

是否需要我演示一下如何将 FreeSurfer 的 DK atlas 区域用于 Python 中的统计分析或连接图绘制？

FreeSurfer 的 Desikan–Killiany atlas（简称 DK atlas）是神经影像分析中广泛使用的 皮层分区图谱，它基于解剖学边界将人脑皮层划分为多个功能相关的区域。下面对其进行系统说明：

一、DK Atlas 的出现方式

创建背景 由 Bruce Fischl 等人基于 FreeSurfer 自动皮层重建框架开发，于 2006 年随 FreeSurfer 发布，最初发表在 NeuroImage 期刊（Desikan et al., 2006）。

方法基础 通过对 MRI T1 加权图像的自动分割与皮层表面重建，结合多个解剖标志（sulcus/gyri 边界）及训练样本进行 贝叶斯统计建模，实现自动标签传播。

分区标准 参考 neuroanatomy 的 gyral 模式，将皮层自动分为 68 个区域（每半球 34 个），覆盖主要额叶、顶叶、颞叶、枕叶和边缘系统。

二、历史意义与作用

领域影响与意义自动化解剖分区首个实现自动皮层重建与精准分区的开源算法，替代了手工标注。跨个体对比保证分区具有解剖一致性，使大样本皮层厚度、面积等形态学特征可以对比分析。结构影像研究标准目前数千篇结构影像文章（特别是皮层厚度/面积研究）默认使用该图谱。与临床结合阿尔茨海默病、癫痫、精神分裂等疾病的皮层萎缩特征广泛基于 DK 图谱区提取。

三、与其他图谱对比（如 AAL / Talairach）

图谱类型分区方式分辨率/数量应用场景是否基于皮层模型AAL体素级 ROI 图谱解剖体素分割~116 区功能影像、连接组分析否Talairach坐标系 + 栅格标签三维坐标映射~100+（层次结构）坐标标注、功能定位否DK（Desikan-Killiany）皮层表面图谱皮层曲面分区（sulcus/gyrus）68 区（34×2）结构研究、厚度测量、临床神经学是✅DK-TourvilleDK 扩展版精度更高的自动标注~75 区精细分区、研究用是

四、应用举例

1. 皮层厚度 / 面积提取

import nibabel as nib

from nilearn import plotting

# FreeSurfer输出的annot文件转换成nifti后可用于可视化

plotting.plot_roi("lh.aparc.annot.nii.gz", title="DK Atlas LH", display_mode="ortho")

自动提取每个区域的皮层厚度、面积、平均曲率等形态学指标，用于疾病对照、年龄回归等。

2. 连接组研究

将 DK 图谱作为 parcellation 模板，配合 DTI 或 rs-fMRI，提取结构或功能连接矩阵。

3. 脑老化/疾病生物标志物分析

比如：阿尔茨海默症患者的 entorhinal cortex（内嗅皮层）萎缩，使用 DK atlas 的 ROI 可直接量化体积变化。

4. FreeSurfer 自带命令

recon-all -i subj1.nii -s subj1 -all

FreeSurfer 自动完成皮层重建和 DK 分区，输出：aparc.stats、lh.aparc.annot 等文件。

五、后续发展

图谱说明Destrieux Atlas（aparc.a2009s）更精细的 gyral/sulcal 边界划分（75×2）Glasser HCP Atlas结合结构/功能/连接特征的多模态图谱（180×2）DKT AtlasDK 的标准化改良版本（CIVET 系统/BrainSuite 支持）

六、小结

DK Atlas 是基于皮层表面结构解剖学构建的经典自动分区图谱，是 FreeSurfer 系统的核心组成部分；它 弥补了 AAL 等体素图谱在皮层研究方面的精度缺陷；广泛应用于 结构脑影像、临床神经学、连接组学和人群研究中；对想做结构+功能多模态分析的用户非常推荐作为结构参考模板使用。

big Brain

Explaining BigBrain Atlas BigBrain是由Amunts等人开发的高清3D脑图谱，基于组织切片，它继承了早期数字脑图谱如Talairach和MNI的设计。与早期版本相比，它在分辨率上有显著提升，达到20微米的同质化分辨率，实现了细胞级的精确度。它的应用包括脑区的映射、对比、数据整合等。

一、BigBrain 的出现方式

样本来源与制备：BigBrain 来自一位 65 岁男性遺体（无已知脑部病理），大脑经固定后嵌入石蜡，并用大切片微切机切出 7,404 张厚度 20 μm 的连续组织切片。每切片在染色（Merker 法）后，以 2,400 dpi 扫描数字化，生成约 1 TB 原始图像数据。随后通过人工与自动化算法修复组织破损与形变，并在高性能计算平台上进行精确配准与三维重建，最终得到等方性 20 μm 分辨率的完整三维脑模型(Wikipedia)。技术推动：得益于近年计算能力与图像处理算法的突破，研究团队得以克服皮层复杂皱折、高数据量运算等挑战，实现了亚毫米级以下（微米级）脑结构的数字化再现(IEEE Spectrum)。

二、历史意义

首个微观级三维全脑图谱：在此之前，经典脑图谱（如 Brodmann 分区、Talairach 立体定向图谱）均基于二维切片或毫米级 MRI，无法提供细胞级别的全脑三维信息；BigBrain 首次将微米级细胞结构带入标准空间，为宏观影像与微观组织学之间架起桥梁(Nature)。推动多模态集成：BigBrain 成为对齐功能性 MRI、扩散成像、基因表达等多种模态数据的“显微参考模板”，促进了从细胞到系统水平的跨尺度研究(eLife)。开创共享与协作模式：作为欧洲人脑计划与加拿大“健康大脑”项目的重要成果，BigBrain 数据公开在 EBRAINS、LORIS 等平台，带动全球科研协作与工具开发（如 BigBrainWarp）。

三、与前几代脑图谱的差异

代 数代表图谱尺度数据类型主要局限BigBrain 突破点第 1 代Brodmann（1909）2D 切片手工细胞分区仅皮层少数切片，半球单侧；难以三维重建—第 2 代Talairach（1988）mm 级坐标解剖 MRI/网格立体定向但仍毫米级；侵入式定位；二维图版—第 3 代MNI、Allen Atlas（2000s）mm 级、基因表达体素 MRI／分子数据分辨率 ~1 mm；微观结构信息缺失—第 4 代BigBrain（2013）20 μm 等方组织学切片—细胞级、全脑三维；多模态对齐；微观–宏观桥梁 (SpringerLink)

四、主要应用

细胞结构与层析分析：基于 BigBrain 生成的三维皮层层析图（laminar atlas），可精确测量各层厚度、细胞密度分布，揭示感觉-运动皮层不同层次梯度(PLOS)。多模态配准与比较：借助 BigBrainWarp 工具箱，将功能性 MRI、扩散成像、基因组数据映射到微观解剖模板，研究功能网络与细胞结构的关系(eLife)。神经病理学研究：在阿尔茨海默病、精神分裂症等病理模型中，用 BigBrain 作为“正常”对照，定量评估病变引起的微观结构改变。教育与可视化：高精度三维模型为解剖教学、神经科学科普提供直观工具；支持虚拟现实/增强现实平台中的沉浸式学习。计算模拟与 AI：为大型神经网络、生物物理模拟提供真实微观几何边界，促进类脑计算与脑仿真研究。

BigBrain 的问世标志着人脑图谱从宏观成像向微观细胞级联合的重大飞跃，其高分辨率与开放共享加速了跨尺度神经科学研究的发展。

多模态图谱brainnetome的实现方法

从核磁扫描的白质束，通过多被试平均加矫正匹配，形成概率的模式图。 对于功能连接，使用相关矩阵，进行某种阈值化，然后对于子区域，按照相关性较高的进行聚合，从而得到功能脑谱图

先发布，之后继续更新

人类脑图谱：基于连接性架构的新脑图谱 ↩︎

神经解剖 | 大脑半球的内部结构(下)-《临床神经解剖学》连载之三 ↩︎

wiki新皮质的说明 ↩︎

大脑皮层中各层的分工 ↩︎

wiki百科的髓鞘研究 ↩︎

An MRI Von Economo – Koskinas atlas ↩︎

头颅影像学横断面扫描不同角度定位参考线解析 ↩︎

球面卷积神经网络 ↩︎

mne溯源后的数据初步处理方法 ↩︎