ARTICLE · 1320943

脑区之间有多相似?MIND网络的原理与应用(附高分文献下载)

发布时间：2026-11-06 17:54:18 最近访问：2026-11-06 17:54:18

从结构MRI到个体脑网络

结构 MRI 分析经常从皮层厚度、表面积和灰质体积入手，寻找哪些脑区出现了改变。但一个脑区与其他脑区在形态上有多相似，也是值得研究的问题。MIND（Morphometric INverse Divergence，形态测量逆散度）利用脑区内部多种形态特征的分布，为每位被试构建皮层相似性网络，为常规 T1 加权图像提供了另一种分析视角。

这张网络的每个节点代表一个皮层脑区，每条边代表两个脑区的形态相似程度。理解这个定义，才能判断后续的差异脑图和统计结果究竟说明了什么。

一、为什么需要MIND？

结构 MRI 分析常用皮层厚度、表面积和灰质体积等指标，描述单个脑区的形态特征。在此基础上，还可以进一步研究：同一个人的不同脑区，在形态上有多相似？这种脑区间的形态关系，是否会随发育、衰老或疾病发生改变？形态相似性网络（Morphometric Similarity Network，MSN）和 MIND 都是研究这类问题的方法。

两者确实存在区别，可以先看一个例子。假设两个脑区的平均皮层厚度都是 2.5 mm，一个脑区的大多数顶点都接近这一数值，另一个脑区则同时包含较薄和较厚的部分。两者的平均厚度相同，内部的厚度分布却不同。如果同时考虑面积、曲率和沟深等特征，脑区之间的差异还可能体现在多种特征的组合关系上。仅用区域汇总值描述脑区，会丢失其中一部分信息。

MSN 和 MIND 均以 ROI 为节点，为每位被试构建“脑区×脑区”的相似性矩阵，区别在于如何表示脑区，以及如何计算边权。经典 MSN 通常将每个脑区的多种形态特征汇总并标准化，组成一个特征向量，再通过向量之间的相关系数衡量脑区间相似性。MIND 则利用各脑区内顶点级形态特征的联合分布，估计两个脑区分布之间的对称 KL 散度，并将其转换为相似度。因此，MIND 为利用脑区内部的形态分布信息提供了一种方法。

在实际研究中，MIND 可以补充回答：患者与对照之间，除了某些脑区的厚度或体积存在差异，脑区之间的形态相似性是否也发生了变化？将相似性网络与单脑区指标结合，可以同时考察区域本身的形态改变，以及区域之间的形态关系。

二、方法核心：比较脑区的多维形态分布

MIND 的标准输入来自皮层表面重建。可以把皮层表面想象成由许多顶点构成的网格，每个顶点都有一组形态测量值。原始研究使用五种特征：皮层厚度（CT）、表面积（SA）、顶点级灰质体积（Vol）、平均曲率（MC）和沟深（SD）。这些特征可由常规 T1 加权图像的FreeSurfer处理结果获得。

计算时，先在每位被试的全部有效皮层顶点上，分别对各特征进行标准化，再按脑区标签组织顶点数据。一个脑区因此对应一批多维观测值。这里比较的是这些特征的联合分布，并不是把五种特征各自计算一次后简单取平均。

图1.MIND 的计算逻辑。

算法使用近邻方法估计两个脑区分布的 KL 散度，并合并两个方向的散度，使结果具有对称性。将这个差异量记为 D，MIND 相似度的计算形式如下：

MIND(a, b) =11 + D(P_a,P_b)

公式中的两个 P 分别表示脑区 a、b 的多维特征分布。D 越小，MIND 越接近 1；D 越大，相似度越低。它利用了顶点级特征的分布信息，但没有直接保留或比较这些顶点在脑区内的空间排列。

三、从T1图像到个体相似性矩阵

第一步是数据整理与检查原始结构像。重点查看运动伪影、覆盖范围、明显信号异常。图像质量差异会影响形态测量，不能等到矩阵生成后才检查输入数据。

第二步是完成FreeSurfer皮层重建与质量控制。处理结果应包含皮层表面、顶点级形态特征和分区标签。需要检查白质面、软脑膜面与实际组织边界是否吻合，以及分区是否落在合理的解剖位置。重建错误会传递到相似性网络中。

第三步是准备一致的特征与脑区模板。标准实现读取 surf 目录中的lh/rh.thickness、area、volume、curv、sulc等特征，以及 label 目录中对应的 .annot文件。仅有每个脑区的平均厚度或体积表，还不足以恢复所需的顶点级分布。所有被试必须采用一致的特征定义、分区及标签顺序。

第四步是标准化顶点数据。标准化应在每位被试内部、跨其有效皮层顶点进行；不能把每个脑区分别标准化到相同分布，否则可能消除原本要比较的差异。具体过滤规则应与所采用的实现保持一致，并记录软件版本和参数。

第五步是计算和导出网络。将脑区两两配对计算相似度，得到每位被试的一张 R×R 矩阵，R 为保留的脑区数。导出时同时保存被试编号、行列标签、特征组合、分区名称和处理记录。若采用标准双侧 DK 68 区分区，在无额外缺失脑区的情况下，矩阵为 68×68。图2为DK子图谱308分区。

图2.MIND 的核心流程。来源Zeng et al., 2026。

四、如何分析和解读MIND结果

边水平分析关注具体脑区对。例如，额叶某区与颞叶某区之间的 MIND 降低，表示在当前特征和分区设定下，两者的形态分布更不相似。节点水平分析则可以计算某个脑区与其余脑区的平均相似度，概括这个脑区在整个相似性网络中的位置；部分研究将它称为节点加权度。

整体水平可以先考察全网络平均相似度及边权分布。如果进一步计算效率、聚类系数或最短路径，需要事先说明网络阈值、权重处理及相似度到距离的转换方式。

组间比较可使用一般线性模型，根据研究设计纳入年龄、性别、扫描站点和适当的图像质量指标等协变量；是否控制颅内容积需要结合特征组合与研究问题决定。比较大量边或节点时，明确检验范围，并采用 FDR 或 FWE 等错误率控制策略；使用置换检验时，也要说明如何控制多重比较。

相似度升高或降低本身没有固定的“好坏”方向。升高可能反映形态分布更趋近，降低可能反映更分化，也可能受到疾病或测量误差影响。

图3.MIND 边水平分析结果示意图。

五、应用场景一：脑发育与年龄相关差异

发育研究既关心单个脑区如何成熟，也关心脑区之间的形态关系如何随年龄变化。例如，某些脑区在儿童期具有相似的形态分布，随着发育可能出现不同程度的分化。MIND 可以把这种关系表示成可供统计分析的个体网络。

Sebenius等人的研究（2023）在 ABCD、HCP-D 和 HCP-YA 等队列中评估了MIND，其中 HCP-D 覆盖 8～21 岁，HCP-YA覆盖 21～35 岁。作者使用网络边权或节点加权度预测年龄，并比较了 MIND、MSN 以及部分数据中的扩散成像网络。该研究支持 MIND 包含年龄相关信息，但不同方法的表现仍取决于数据、特征和评价任务。

图4.MIND 网络中的年龄相关信息。a 比较不同年龄组平均网络的相似性；b、c 比较不同网络特征的年龄预测表现。

实际项目可以先分析边或节点指标与年龄的关系，再评估其与认知或行为表现的关联。横断面研究发现“不同年龄的人网络不同”，并不等同于证明“同一个人的网络随时间这样改变”。研究衰老或疾病进展时，需要相应年龄范围的数据；要描述个体变化轨迹，则应优先使用纵向设计，而不能直接把儿童和年轻成人队列的结果外推到老年人。

六、应用场景二：临床疾病中的形态关系变化

临床研究可以比较患者与健康对照的 MIND 网络，再考察差异是否与症状、认知或病程相关。与单脑区厚度或体积分析相比，这一步关注的是脑区之间的形态关系是否改变。两类结果可以并列解释，但不必期待它们在空间上完全重合。

García-San-Martín 等在 2025 年发表的研究，使用 352 名精神分裂症谱系障碍个体和 195 名健康对照的结构 MRI 构建 MIND 网络。研究观察到，患者的相似性降低主要涉及颞叶、扣带和岛叶，部分枕叶关系则升高。某些临床状态较差的亚组表现出更明显的改变，但不同量表的模式并不完全一致。

这个案例说明，组间差异不仅可以落在某一条边上，还可以通过节点平均相似度定位相关脑区，再与临床信息联系起来。需要留意的是，展示脑图时可能使用效应量、统计量或校正后的显著性；它们的颜色含义不同，不能只凭颜色判断“连接增强或减弱”。

图4.精神分裂症谱系障碍中的 MIND 差异及临床分层。A 展示患者相对对照的边和节点效应量，B、C 展示按临床状态分层后的结果。

结语

MIND 通过整合多种形态特征及其脑区内分布，它将丰富的皮层形态信息转化为可比较的个体网络表型，为研究脑发育、衰老和疾病中的形态关系变化提供了新的工具。对于已有的结构像队列，MIND 也提供了重新挖掘数据价值的机会，使研究者能够进一步联系认知表现、临床症状及其他生物学信息，探索脑区之间的形态组织如何体现个体差异。它为结构像研究带来的价值，正是从区域形态描述出发，进一步理解脑结构的组织及其与行为和疾病的关系。

参考文献

[1] Sebenius I, Seidlitz J, Warrier V, et al. Robust estimation of cortical similarity networks from brain MRI. Nature Neuroscience. 2023;26:1461–1471.

[2] García-San-Martín N, Bethlehem RAI, Segura P, et al. Reduced brain structural similarity is associated with maturation, neurobiological features, and clinical status in schizophrenia. Nature Communications. 2025;16:8745.

[3]Zeng, Y., Yang, L., Cui, Z., & Cao, Q. (2026). Cortical morphometric inverse divergence in attention-deficit/hyperactivity disorder correlates with cell-type-specific, laminar-specific and developmental transcriptomic signatures. Psychological Medicine, 56, e136.

[4]Bianco, M. G., Calomino, C., Novellino, F., Crasà, M., Augimeri, A., Quattrone, A., ... & Nisticò, R. (2026). MIND-Based Cortical Similarity Networks reveal distinct Cortical Alterations in Motor Subtypes of Parkinson’s Disease. NeuroImage, 122245.