近几年来，在不少脑深部电刺激治疗病例的展示中，我们经常可以看到由Lead-DBS工具箱（基于Matlab软件）重建出的植入电极与靶点核团位置关系的3D演示（如下视频）。这种直接又美观的展示无疑是吸引人的，但重建的准确性以及该工具的应用场景也需要我们思考。使用Lead-DBS工具箱的重建过程涉及多个步骤，包括影像注册及均一化、核团图谱的选择、电极模型的应用以及人工校对等等。下面这篇文章阐述了影像均一化以及基于图谱自动分割核团的意义，并对包括lead-dbs工具箱在内的多种算法的准确性进行了比较，对我们理解基于图谱自动分割核团的价值很有帮助。

将单个受试者的影像转换到统一空间（如MNI空间）是脑图（brain mapping）研究领域的核心概念，以此为基础，不同大脑、队列和研究中心的MRI影像结果就能够相互比较。该理念和相关技术也逐渐应用于脑深部电刺激领域。皮层下核团图谱能够显示出DBS靶点如丘脑底核（STN）和苍白球内侧部（GPi），这些核团在临床使用的普通MRI序列上是不能完美显示的。一个常见的需求就是确定植入电极与靶点的空间关系，并探索电极位置与治疗结果的相关性。而另一个应用是将图谱转换到单个受试者的术前影像中，分割识别靶点以进行手术计划。这些“患者到模板”或“模板到患者”的注册被称为“基于图谱的分割”，之所以重要是由于手工分割DBS相关靶点非常费时，而且可能在（信噪比或分辨率较差的）临床MRI影像上无法直接进行。

在近20年间，多个团队研究了STN和GPi核团的自动分割，也开发了多种影像均一化（normalization）的方法。但是，仍缺乏图像均一化后皮层下结构对齐的比较性研究。因此Ewert等人评估了6种常用的变形算法对皮层下结构均一化和核团分割的结果。对于每种算法，分别对采用T1或T2序列影像，以及T1、T2和质子密度加权成像组合进行了评估。每种算法都应用于2组数据，一组为来源于年轻受试者的信噪比最佳水平MRI队列（Young Cohort，YC组），另一组为年龄和图像质量与帕金森病患者可比的普通MRI队列（Pseudo-Clinical，PC组）。核团分割主要针对于STN和GPi，并且与专家进行的人工核团分割（这里为“金标准”）做比较。人工核团分割是由2名专家参考神经解剖图谱和7T磁共振的结果在3DSlicer软件上进行的。

受试者的原始影像采用多种方法转换为MNI ICBM 152 NLIN 2009b模板空间（即均一化），并在得到的变形影像上应用DISTAL图谱来确定靶点核团，再进行逆均一化从而在患者原始空间上得到核团位置，这个过程就是“基于图谱的分割”。DISTAL图谱中包含了在MNI模板上人工精确分割的STN和GPi核团。该流程见图1。

研究流程。A) 首先，受试者的原始影像经均一化转换为MNI模板空间， 此模板中DBS靶点STN和GPi可精确显示。B) 变形后的影像应用DISTAL图谱显示出STN和GPi，然后进行逆均一化而在患者原始影像空间中得到基于图谱分割的结果（橙色所示），进而可与人工分割结果相比较。C) 显示图谱分割（橙色）和人工分割（绿色）的重复部分。D）以上结果与人工分割施测者间一致部分相比较，绿色和蓝色分别代表不同施测者对同一个受试者的分割结果。

均一化采用了多种方法（见表1），优化了皮层下结构注册的参数，并进行相互比较。对于ANTs算法首先比较了ANTs SyN和ANTs BSplineSyN两种均一化方法，最终将ANTs SyN作为Lead-DBS v2.1.6中均一化的默认方法并用于随后的研究。

为了评估各种均一化方法后图谱分割的准确性，以人工分割结果作为“金标准”，计算两者间一致性，采用分割结果相关系数（Dice coefficient）和平均表面距离进行评估，并对核团体积进行相关分析。得到的结果如图2。

左侧为年轻受试者组均一化的准确性。采用Dice coefficient评价每种图谱分割方法和专家人工分割（“金标准”）的一致性（数值越高意味着一致性越好）。A显示STN和GPi组合的结果，而B和C分别为STN和GPi的结果。图中仅显示了每种方法在不同影像数据集得到的最佳结果。Linear变形的最佳数据集为T1&T2，SHOOT为T1，DARTEL为T1，FNIRT为T2，SPM Segment为T1&T2，而ANTs为T1&T2且进行低方差皮层下过滤（Low Variance with Subcortical Refine）。右侧为模拟临床组的结果。

从图2中可以看到，表现最好的两种均一化方法是SPM Segment和ANTs SyN。对于这两种方法，除了用Dice coefficient评价之外，还采用平均表面距离和核团体积相关性进行了比较，结果如图3和图4。

SPM Segment和ANTs Syn在年轻受试者组中均一化的准确性。这两种最好方法与施测者间一致性进行了比较。红色为STN结果，蓝色为GPi结果。一致性的评估指标为Dice coefficient和表面距离（SD），展示在左侧。右侧为两种图谱分割方法和人工分割后核团体积的相关性。

SPM Segment和ANTs Syn在模拟临床组中均一化的准确性。

该研究评估了6种常用的非线性变形算法，选出了效果最好的2种方法，并且优化了算法参数使皮层下结构的对齐更准确。优化算法后图谱分割的准确性类似于专家人工分割，并且对于临床实际中常见的低信噪比影像数据而言更是如此。这允许我们可以在标准空间中对不同患者DBS电极植入位置的误差进行定量计算。另外，均一化算法中采用多模态影像注册的结果要优于单个序列注册，因此推荐在功能神经外科实践中术前采集多个序列的影像数据。

截至目前，对皮层下小核团进行均一化还缺乏标准方法。图5中显示了采用不同算法（包括ANTs SyN, SPM SHOOT和ANTs BSplineSyN）将一位DBS患者影像非线性转换为MNI空间的例子。患者植入了双侧GPi电极，电极实际位置显示在原始影像中（图5.A）。三维重建的电极显示在均一化处理后的空间中（图B-D），从中可以看出，如果不对照原始数据，均一化的结果可能会导致错误的信息。另外，该例子也说明了选择合适均一化算法的重要性，而且即使是最佳算法，进行人工检查也是必要的。

在A图中显示了一名双侧GPi植入电极的患者术后T2轴位影像，在该平面上可见GPe、GPi和壳核。该影像为了最大化GPi的对比度而导致了DBS电极导线伪影更为明显。在右侧放大图中，双侧GPi的轮廓用白色虚线画出，白色星形为电极所在位置。B-D为利用3种不同的均一化方法将患者术前T1和T2影像转换为MNI空间，并通过lead-dbs工具箱重建显示电极在MNI空间中的位置，再评估电极与GPi核团的空间关系。对于B-D图，左侧一栏显示了均一化后的T2影像，然后以红色线条显示MNI模板中解剖结构的边界并覆盖在T2像上，从而显示患者影像与MNI模板的匹配程度。中间和右侧栏以3D视角显示了重建的电极在MNI空间中的位置。可见从B到D均一化的效果越来越差，D中电极位置远远偏离了GPi。将MNI空间中3D重建的电极位置和患者原始影像中电极位置相比较，可以看出B更接近事实（即采用之前所述的“低方差皮层下过滤”ANTs SyN算法）。

文章作者认为，尽管该研究只关注了STN和GPi这两个DBS常见靶点，但均一化方法可能同样适用于丘脑或者伏隔核等其他核团。从系统发育角度来看，不同患者皮层下结构的位置差异要小于皮层折叠。

最后作者指出，现有的研究结果证实了基于图谱自动分割皮层下核团可以达到专家在MRI影像上人工分割的效果。但MRI上的核团边界仍不同于组织学上核团的真实边界。未来的技术进步如更高场强的MRI或者特定的MRI序列（ QSM或FGATIR）可能弥补这一不足。