扩散磁共振成像为神经影像提供了强大的工具，可以获取对大脑白质微结构特征敏感的体内数据，比典型体素大小要小3个数量级。提取这些有价值信息的关键在于复杂的建模技术，这些技术形成了丰富的扩散磁共振数据和与微结构组织相关的各种度量之间的联系。随着时间的推移，已经开发出越来越先进的技术，直到现在一些扩散磁共振模型可以在存在多个“交叉”纤维路径的情况下提供对每个体素中的单个纤维特定属性的访问。虽然具有很高的价值，但这种特定于纤维的信息对典型的图像处理流程和统计分析构成了独特的挑战。在这项工作中，我们回顾了FBA（Fixel-Based Analysis）框架，该框架提供解决方案。最近，在对健康人群和临床人群的研究中，采用这一方法的研究迅速增加。我们描述了与FBA分析相关的主要概念，以及最先进的FBA分析中涉及的方法和具体步骤，重点是为研究人员提供如何解释结果的实用建议。我们还概述了当前所有FBA研究的范围，在神经科学领域分类，列出了关键的设计选择，并总结了它们的主要结果和结论。最后，我们批判性地讨论了FBA框架涉及的几个方面和挑战，并概述了一些方向和未来的机会。本文发表在NeuroImage杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。
思影曾做过多期扩散磁共振成像相关文章解读（直接点击，即可浏览，加微信号siyingyxf或18983979082获取原文及补充材料）：
Frontiers in Neuroscience：弥散张量成像(DTI)研究指南
Magnetic Resonance Imaging:白质fMRI及静息态功能连接
BMJ:结构像和DTI纵向研究：适度饮酒可能导致认知能力下降
AJP:DTI概率追踪机器学习研究:青少年阈下抑郁患者早期白质微结构的变化
利用DTI和NODDI纵向研究揭示轻度脑外伤后的白质微结构改变
中青年人脑白质的年龄效应和性别差异：DTI、NODDI 和 q 空间研究
JAMA Pediatrics：学龄前儿童电子屏幕使用与脑白质完整性的关系
成人烟雾病外观正常的脑实质的微结构损伤及其与神经认知功能障碍
Nature neuroscience：大脑连接在跨哺乳物种中的保留
BRAIN:AFQ（纤维束自动量化）技术预测颞叶癫痫术后疗效
BRAIN：离散结构网络是帕金森病人冲动和赌博失范的神经底物
JAMA Neurology：视神经炎患者视觉系统的解剖连接及功能网络的改变
Pediatrics：早产儿前两周的营养摄入影响全脑白质等发育
纹状体-皮层回路的白质纤维连接强度预测吸烟者12小时内戒烟效果
JAMA DWI研究：遗传认知能力和精神病理学与大脑白质特性的联系
关键词：Fixel-Based Analysis, Diffusion
MRI, Fixel White matter, Microstructure Fibre density, Fibre-bundle
cross-section, Statistical analysis
引言
扩散磁共振成像(dMRI)使我们在健康和疾病人群中研究白质(WM)微结构和组织的能力发生了革命性的变化：它使我们能够以非侵入性、活体等方式可视化WM纤维束并测量其微结构的特性。20多年来，大量的dMRI研究表明，临床人群在各种特定的WM纤维束中存在WM组织改变。这些研究还普遍报道了疾病症状与dMRI得出的对WM微观结构敏感的指标之间存在显著、中到高度的相关性，WM微观结构的更严重变化通常与更明显的症状有关。 使这些研究能够评估有价值信息的关键因素在于复杂的建模技术，这些技术形成了弥散磁共振数据与感兴趣的微结构方面相关的各种指标之间的联系。这些模型包括一系列生物物理模型，如复合阻碍和限制扩散模型(CHARMED)或神经突方向离散和密度成像(NODDI)，其目的是将差异信号建模为具有生物物理参数的不同微结构区段；以及不同信号的更广泛的表示，包括扩散张量成像(DTI)、扩散峰度成像(DKI)和扩散光谱成像(DSI)。迄今为止，用于白质微结构研究的一些最常用的方法是基于DTI，它提供了关于白质纤维局部取向的一般信息以及描述分数各向异性(FA)和平均扩散系数(MD)的指标。DTI的预处理、各种匹配策略和后续分析都有很好的方法。统计分析通常使用基于感兴趣区域(ROI)或具有统计增强机制的基于体素分析方法(VBA)进行，例如无阈值聚类增强(TFCE)，但也提出了诸如基于白质骨架的弥散统计分析（TBSS）等框架，以通过配准和平滑来突出特定挑战。然而，DTI(以及其他几种常用的模型或信号表示)不能正确地表示通常被称为“交叉纤维”的复杂几何白质纤维结构，导致相关指标的解释和有限的生物学特异性的问题，以及对流线型纤维追踪(streamline tractography)等处理技术的各种不利影响。前述统计分析方法也缺乏利用来自体素内的多个不同纤维群体信息的机制。
为了应对这些挑战，提出了一个名为“Fixel-Based Analysis”(FBA)的统计分析框架。在这种情况下，“Fixel”指的是voxel内单个纤维，允许使用特定纤维来量化WM属性和变化。与体素不同，Fixels直接与潜在的WM解剖结构本身相关。在典型的FBA中，fixels通过基于约束球面去卷积(CSD)计算的白质纤维取向分布(FOD)得到的。基于fixel-wise的表观纤维密度测量，更广泛地称为“纤维密度”(fiber density, FD)，也可以直接从FOD（白质纤维取向分布）计算获得。表观FD是白质微观结构的量度：在特定条件下，其值与轴突内总体积近似成正比。有趣的是，纤维束截面值(fibre-bundle cross-section, FC)的宏观差异也可以通过在fixel-wise上利用将单个被试翻转到公共模板空间进行测量，有效使得与传统基于张量的形态测量(TBM)方法等价。最后，对纤维密度&纤维束截面(fiber density and cross-section, FDC)的分析类似于众所周知VBM分析。Raffelt等人首次充分利用FBA分析这一技术，2017年将一组颞叶癫痫患者与健康对照组进行比较。研究表明与对照组相比，患者受影响的颞叶纤维通路的FD(纤维密度)和FC(纤维束截面值)均有统计学意义的降低。此外，联合FDC(纤维密度&纤维束截面)测量能够对Fixel-Wise效应进行更敏感的评估，检测到的影响大小比单独测试表观FD或FC时更大。FBA研究的核心工具已作为MRtrix3软件包的一部分提供。自从FBA提出以来，已经进行了几项研究，特别是在近几年研究成果激增(如图1所示)。尽管最近的实证工作迅速形成了这一基础，但FBA框架的范围和方法方面尚未得到严格审查。
在这项工作中，我们回顾了FBA框架。本文：
(1) 提供与FBA框架相关的主要概念概述，并描述目前FBA处理中涉及的方法和具体步骤；
(2) 包括对当前所有FBA研究范围的概述，这些研究涉及广泛的神经科学领域；
(3)关键讨论与FBA框架及其各种应用相关的一系列方面和挑战。
Fig. 1. 每年发表FBA研究的数量。如果某项研究的预印本和随后的同行评议出版物均已出版，则只计算一次(计入同行评议作品发表的年份)。2021年的不完整数据不包括在这个曲线图中。然而，我们在2021年前两个月发现了另外17项FBA研究，总共发表了75项FBA研究(见补充文件2)。
Fixel-based Analysis (FBA): 概念及方法
在本部分中，我们将概述FBA的主要概念和方法，以及最新的FBA处理中涉及的具体步骤。虽然FBA框架是独一无二的，允许研究人员调查从扩散磁共振成像(dMRI)数据中提取的纤维特定属性，但该分析方法在其他方面相对接近地反映了基于体素的传统分析(VBA)的结构。从概念上讲，核心区别在于引入了一种新型的网格元素--fixel，它指的是体素内特定的单个纤维种群。乍一看，这似乎是对VBA的相对简单和直接的适应，但使用Fixels(以及通常从中派生Fixel的白质纤维取向分布)而不是体素。典型的VBA处理会带来各种问题和挑战。一系列工作提出并实施了具体的解决方案来突出这些挑战，即FBA框架。
从voxels到fixels
在VBA方法中，图像值是在voxel-wise上分析的。为此，各个被试图像进行空间配准并将其配准到公共模板空间。由于对原始图像值进行采样的体素网格是离散的规则晶格，因此将图像配准到模板空间需要将图像重新栅格到新的体素网格。然而，这可以通过允许对任意3D空间坐标集的原始图像值进行采样的各种内插方法来实现。这然后在模板空间中对齐和重新划分之后，所有被试图像建立体素之间的空间对应，从而允许在体素特定级别上的直接比较和统计分析，而不需要任何先验的空间假设。感兴趣区域(ROI)类型的分析也可以从该方法中受益，因为对于图像配准已经以足够的精度对齐了所有图像的区域，可以在模板上仅定义一次ROI。 FBA框架以Fixel为中心，Fixel是体素内特定的纤维束群，能够在存在交叉纤维的情况下分析单个纤维的特定属性。除了空间的3D位置外，Fixels还在角度域中具有2D方向。虽然Fixel是用于映射纤维特定度量的适当网格元素的选择，但它们在图像处理环境中与体素有着根本的不同：Fixel网格直接源自对每个体素中的dMRI数据本身的建模。这有几个值得注意的影响：
1.与体素不同（体素在常规位置覆盖整个空间域，与图像数据中表示的内容无关），Fixels的存在和方向直接与白质(WM)解剖联系在一起，如图2所示。在角度域中，Fixels可以具有任何方向。在空间域中，Fixels位置仍然限于基础体素网格的离散位置。然而，空间中并不是所有地方都存在fixels。另一方面，一些Fixel共享相同的空间：一些体素包含多个Fixel。
2.由于Fixel方向与WM解剖学相关联并从图像数据本身获得，因此Fixel-Wise图像数据的空间变换需要Fixels的相应重定向，即，空间变换隐含角度变换。对于非刚性变换，这些重定向可能不同于不同体素中的Fixel，甚至可能不同于包含在同一体素中的单个Fixel：同一体素中Fixels之间的角度可以更改。从好的方面来说，因为Fixels可以具有任何方向，所以不需要在角域中重新划分：局部(向前)角度变换可以直接应用于Fixel方向。
3.即使fixel的空间位置仍然被限制为体素内，图像变换所需的空间重排也不能以与体素图像数据相同的方式通过内插方法来克服：没有隐含地不存在相邻体素中的哪些固定像素“属于一起”的暗示。相邻体素可以包含不同数量的Fixel，而某些体素根本不包含Fixel，这一事实使这一点变得更加清楚(也具有挑战性)。换句话说，Fixels在整个空间域中并不是一致存在的。
4.即使空间重排问题将被克服(并且应用适当的fixel重定向)以将各个被试的fixel图像映射到公共模板空间，这仍然不能在所有被试图像上建立fixel的对应关系。即使图像应该与图像配准的准确性对齐，并且体素网格是共享的，fixel的局部存在和方向仍然与单个受试者的解剖有关。建立一个通用的Fixel网格本身就是一个独特的挑战。
5.最后，出于统计目的，VBA通常依赖于空间平滑(例如，提高信噪比和增加残差的正规性)和统计聚类增强(以提高敏感性)。这两点都需要一个局部体素neighbourhoods的概念。虽然为Fixels定义等价概念带来了另一个挑战，但这也提供了一个独特的机会：给定WM的局部Fixel簇可能位于与另一个交叉区域的Fixels完全分离的neighbourhoods中，即使这些区域在空间上重叠(即共享体素)。 总体而言，尽管Fixel是体素的合理扩展，但它显然不是微不足道的。FBA框架为上述挑战提供了解决方案。到目前为止，所有的FBA研究都依赖于WM纤维取向分布(FOD)，Fixels和Fixel-Wise指标都是从FOD中得出的。在这种情况下，FBA处理流程通过延迟从(体素方向的)FOD计算Fixels，直到对FOD图像进行配准、对齐，重新将FOD配准到公共模板空间之后，来“绕过”与上述点1和3相关的挑战。虽然要点2(重定向)在概念上与点3(空间重排)齐头并进，但实际上，它是在模板空间中导出Fixels之后分离和执行的。最后，对于要点4和5，实施了独特的策略。从平均FOD模板中导出一个公共空间的fixel网格，被试fixels与公共空间fixel网格的角度对应是通过在某个角度阈值内识别被试fixels来建立的。Fixel-neighbourhoods是通过计算Fixel之间的局部连通性来获得，并利用基于模板的流线型纤维束成像来获得信息。所有这些步骤和解决方案清楚的显示在在如下所述的FBA流程中：：
Fig. 2. fixel网格和fixel方向表观纤维密度(FD)的推导
左图：体素方向的WM-FOD(此处从三组织CSD获得)用作fixel网格和fixel方向表观FD度量的计算来源。在这张图像中，冠状切片中的WM-FOD被叠加在基于FOD的方向编码的彩色map (红色=内侧，绿色=前后，蓝色=上下部)。
中间：Fixels是通过将FOD分割成它们各自的“峰”来获得的。与底层体素网格的规则晶格结构不同，固定像素网格的存在和方向与WM解剖结构本身绑定在一起。
右图：表观纤维密度(FD)，一种fixel度量，计算为每个FOD“lobe”的积分(热色级)。基本体素强度显示总体素表观FD(灰色级)。固定像素和体素的表观纤维密度均以任意单位表示。
fixel指标和表观纤维密度
在voxel-wise的MRI数据中，每个体素的测量值与该体素体积内组织的潜在属性有关。Fixel-Wise也是如此。然而，一个体素中存在多个fixels，允许单个的特定fixel度量仅与体素的部分内容相关。由于部分容积效应，这些fixels在体素内的具体位置通常是未知的。相反，fixel-wise度量与沿着或接近于fixel分布的纤维属性有关。例如，不同交叉纤维群体的WM轴突甚至可能在体素内交叉。
Fixel-wise度量值可以从高级dMRI模型中获得。一些dMRI模型或信号表示仅估计体素平均属性：例如，来自DTI的张量允许提取单个主扩散方向，并且可以计算诸如FA和MD的体素度量。其他模型(通常是多隔室)显式地表示Fixels以及相应的Fixel-wise度量：例如，CHARMED模型包括用于各个纤维群的单独隔室，并估计每个隔室的信号分数。注意，并不是所有的多隔室模型都必须是多纤维模型：例如，NODDI模型具有单个细胞内和细胞外隔室(两者仅与单个纤维群有关)以及各向同性的自由水扩散，并且产生轴突密度和取向分散的体素平均测量。
到目前为止，所有的FBA研究都依赖于CSD技术；这些技术估计每个体素的白质纤维取向分布，一些另外估计灰质(GM)和脑脊液(CSF)。从这些技术得到的WM-FOD是一个自由形式的连续角函数，即它不显式地表示fixel和fixel-wise度量。然而，FOD通常与几个明显与单个纤维群相关的“峰”形成角状对比。在定量的背景下，WM-FOD的振幅被称为表观纤维密度(AFD)。沿WM-FOD方向的AFD主要与垂直于其的dMRI信号成正比。因此，在包括足够长的扩散梯度脉冲持续时间(例如，≥30ms)、相对较高的b值(例如，≥3000s/mm2)和特定规模的微观结构特征(例如，轴突直径≤6μm)的某些条件下，AFD近似与沿该方向的轴突细胞内总体体积成比例。最近的发现表明，通过使用较高的b值和signle-shell数据(而不是包括较低b值的multi-shell数据)，可以提高AFD的准确性和特异性，因为这些选择有助于抑制轴突外信号(另见后面关于“采集参数的要求和影响”的章节，以深入讨论这一主题)。
在FBA框架中，通过分割每个FOD“lobe”(这指的是通过幅度的径向缩放可视化时FOD峰的形状)，直接从WM-FOD本身获得fixels，如图2所示。通过对相应“lobe”上的AFD值进行累加，得到基于fixel的总AFD。最终的fixel指标通常被更广泛地称为“纤维密度”(FD)。由于表观FD与体素内(以及沿fixel)轴突细胞内总体积大致成正比，因此它不能区分轴突计数或轴突直径的影响：这两个都是表观FD度量的因素。还要注意的是，表观FD在很大程度上对髓鞘不敏感，因为髓磷脂相关水具有非常短的T2弛豫时间，因此对dMRI信号贡献较小。最后，通过使用三种组织CSD技术，如多壳多组织CSD(MSMT-CSD)和单壳三组织CSD(SS3T-CSD)，可以从WM-FOD中梳理出与其他非WM组织、细胞和液体相关的信号，以使表观FD仅对WM更具特异性。
虽然表观FD与轴突内体积近似(线性)成正比，但它不能提供一个直接的绝对或标准化的体积测量。与大多数其他dMRI建模技术不同，本文中的CSD技术被应用于dMRI信号，而无需通过b=0图像进行体素归一化。表观FD不仅以任意单位表示，它还需要对dMRI数据的空间强度不均匀(偏置场)进行校正，以及某种形式的全局强度归一化，以使其在研究中的不同受试者之间具有可比性。这是在任何给定研究中使用相同的采集硬件和参数，以及对所有要比较的受试者使用单个通用的研究特定响应函数(每个组织)和CSD方法之外的另一种方法(如pipeline相关步骤中所反映的；另见图3)。
Fig. 3.FBA-pipeline反映了VBA-pipeline的一般结构，但有许多额外的步骤来适当处理dMRI数据(红框)、FOD图像(蓝框)和Fixel-Wise图像数据(金框)。
左栏显示了pipeline的主要分析。FBA框架通过将FOD图像对准到模板空间，并将Fixels的定义延迟到处理较后阶段，从而避免了与Fixel图像数据的空间内插相关的问题。
在右栏中，每个框命名一个处理步骤及其结果输出。在研究中，每个单独的受试者图像执行一次受试者级别的步骤，而对于整个研究，只计算一次组别的步骤。所有步骤在补充文件1中有详细说明。除了引入三组织CSD技术和对数域强度归一化外，这一处理流程与最初描述的所有步骤相匹配。
如您对DWI及其他脑影像等数据处理如脑功能，脑网络或其他模态脑影像数据处理感兴趣，请浏览思影以下链接（直接点击即可浏览），感谢转发支持。(可添加微信号siyingyxf或18983979082咨询)：
南京：
上海：
北京：
第十一届磁共振ASL（动脉自旋标记）数据处理班（北京，11.3-6）
重庆：
数据处理业务介绍：
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
基于fixel的处理分析流程
尽管支持FBA框架的基本组件早些时候已经完全建立，但由于引入了与预处理和dMRI信号建模相关的新技术，各种FBA研究的实施自那之后得到了改进。在这方面特别值得注意的是引入了三组织CSD技术，该技术除了可以估计WM-FOD之外，还可以估计GM和CSF信号的FOD。除了增加WM-FOD的特异性外，它还使全局强度归一化和偏置场校正的方法更加稳健。然后由三组织CSD导出的信号进行分析和执行，而不是作为对原始dMRI数据的“预处理”。这种做法和伴随的(预处理)流程结构已在最近的FBA研究中采用，因为自SS3T-CSD方法引入以来，三组织CSD处理已经成为可能，既可以处理multi-shell数据，也可以处理signle-shell的dMRI数据。
正如前面提到的，FBA-pipeline在其他方面密切地反映了“传统”VBA处理流程的整体结构。与VBA相比，大多数额外的步骤涉及pipeline中较早的特定于dMRI的预处理，以及处理pipeline中稍后的fixels和fixel-wise指标挑战的特定解决方案。从个体图像到模板空间的空间变换获得的局部变形信息也可以以fixel-wise方式使用。这就产生了基于fixel-wise的张量形态计量(TBM)和基于体素的形态计量(VBM)，前者是通过计算fixel的“纤维束横截面积”(FC)，后者是通过将FD和FC结合成纤维密度&纤维束横截面积(FDC)。运行FBA-pipeline的核心工具已作为MRtrix3软件包的一部分提供；并经常与其他工具相辅相成，例如用于运动和失真校正或SS3T-CSD。图3提供了所有步骤、关系和整体流程的示意图概述。在补充文件1中，我们描述了每个步骤，重点放在其目的、解释和实践方案，供研究人员考虑，并列出了其他软件资源。
最终，FBA的pipeline会产生fixel-wise的统计结果，并为每个单独的fixel分配特定的p值(即使在同一体素中存在多个不同的fixel)。图4显示了已发表FBA研究中通常最常见的可视化结果。值得注意的是，所有这些可视化呈现的是完全相同的Fixel-Wise结果。虽然修剪后的流线图可视化更便于整体观察和探索结果，但它仍然只显示个体有效fixels达到统计意义阈值的区域。然而，FBA结果通常具有一些解剖学上的“连续性”或“聚集性”的模式。一方面，对于一系列生物机制来说，涉及或影响WM区的更大部分是有意义的，但另一方面，这也在FBA框架本身的内在促进，例如，通过基于连接的fixels平滑和基于连接的fixels增强(CFE)机制。
Fig. 4.FBA 结果的常规可视化
A：通过根据其 p 值对每个fixel着色，直接可视化fixel-wise统计结果。由于（热色）比例尺限制的特殊选择，p < 0.05 的fixel被突出显示，而其他fixel为黑色。
B：通过裁剪的全脑流线束图可以看到相同的结果。部分流线仅在它们与包含 p < 0.05 的fixels的体素相交时显示，同时沿着靠近这些fixel方向运行。这里的颜色选择类似于图A，以强调这只是相同结果的不同可视化。
C：FBA 结果的流线型可视化的好处是它更容易识别结果中更大的连续模式，例如，与 WM 束的已知解剖结构有关。在这里，裁剪后的流线可视化以 3D 形式显示整个大脑。
FBA研究: 应用
我们进行系统搜索，以检索所有当前发布的FBA应用研究，如补充文件 2 中所示。请注意，我们还包括研究预印本，旨在更详尽地对当前的应用范围进行抽样。自引入 FBA 框架以来，已发表了 75 篇 FBA 研究（66 篇经过同行评审，9 篇预印本）。随着时间的推移，FBA 框架的采用显著增加（图 1）。
为了方便起见，我们将所有75项FBA研究分类如下：健康老龄化和健康成年人，典型和非典型儿童发育，胎儿和新生儿发育，精神疾病，神经退行性疾病和脱髓鞘疾病，脑损伤和侮辱，癫痫和其他疾病。
我们在补充文件 3 中总结了每项研究的主要结果和结论。最后，我们还在补充文件 4 的全面概述中记录了所有关键研究参数和结果。
讨论：挑战与机遇
FBA和其他dMRI分析策略
FBA 是用于评估和分析白质微观结构的技术之一。扩散 MRI 数据也通常使用基于体素分析(VBA)对源自不同扩散和微观结构模型的各种指标进行分析。另一个专门为dMRI数据开发的分析框架是基于白质骨架的弥散统计分析(TBSS)。大多数在 dMRI数据上应用VBA或TBSS的研究都集中在DTI或NODDI中得出的指标上模型。
值得注意的是，一些FBA研究本身也额外包括了基于 DTI 衍生指标的结果，例如分数各向异性 (FA)。在纳入本次审查的所有 75 项 FBA 研究中，33 项研究 (44%) 包括通过 VBA、TBSS 和/或基于兴趣区域的分析得出额外的DTI结果。考虑到 DTI 模型的局限性和派生指标的解释问题（图 5），看到这样的结果仍然经常被包括在内，有点令人惊讶。一种解释可能是希望更直接地将发现与同一应用领域（例如，类似的临床组）的先前研究联系起来，他们的结论通常确实仅依赖于基于DTI的发现。在某些情况下，这些研究结合并直接比较了 FBA 和 DTI 的发现，例如，与基于DTI结果的分析相比，使用 FBA 框架显示出更大的效应量。其他报告表明，与FBA相比，DTI体素指标在检测组间差异方面的敏感性较低，特别是在交叉纤维区域。在另一项研究中，发现显著的体素和fixel发现之间几乎没有重叠，这非常了不起。理解这些差异仍然是一个持续的挑战。它们的影响是相关的。
Fig. 5.在包含交叉纤维的体素中，表观 FD 的纤维特异性降低导致基于 DTI 的 FA 增加。该示例描绘了半卵圆中心的体素，其中皮质脊髓束、胼胝体和上纵束（SLF）交叉。患者在 SLF 中表现出基于fixel的显著 FD 降低，而其他两个纤维束不受影响。在这种情况下，基于 DTI 的分析将产生违反直觉的结果，即此类体素中的 FA 增加。这种变化可能未被检测到，可能会被误解（好像 WM 微观结构的某个方面已经“改进”），并且不能归因于任何特定的单个纤维群或其组合，因为缺乏纤维特异性。最后，请注意这种变化甚至影响了扩散张量的主要方向，而实际上并没有影响单个WM束方向。
与其他 dMRI 分析技术相比，FBA 提供了两个关键优势：对与局部纤维几何形状无关的微观结构敏感性，以及关于单个纤维特定效应的分析和结果的特异性。虽然 DTI 指标已被证明对白质微观结构特性的某些变化很敏感，但它们本质上对轴突特性没有特异性，并且与轴突外信号污染以及纤维几何的各个方面（例如，交叉纤维、分散等）的生物物理解释具有挑战性、不直观甚至具有误导性。图5说明在存在交叉纤维的情况下，纤维密度 (FD) 的真正降低如何可能导致例如源自 DTI 的 FA 增加。例如，基于 DTI 的神经退行性疾病的研究甚至可能无法恢复这些区域，因为通常只假设和测试 FA 的减少。但即使经过测试和恢复，这种效果也是违反直觉的。一些 FBA 研究结合DTI 分析，以突出纤维交叉区域的这些问题。Grazioplene 等人在精神分裂症队列中证明，FA的显著组间差异与包含复杂纤维结构的区域基本重叠。他们得出结论，由于宏观结构的复杂性，DTI的发现可能缺乏特异性，因此可能不一定反映微观结构特性的群体差异。Mito等人在阿尔茨海默病患者的交叉纤维区域中恢复了 FA 增加的区域，并明确证明这些是反映体素 FA 值固有问题的误导性发现。
已经提出了替代的多室方法，例如神经突定向分散和密度成像 (NODDI)，以量化白质微观结构特性，对细胞内具有更高的特异性，并将这些特性与几何形状的影响区分开来。例如，NODDI 结合了一个单独的参数，用于神经突分布的定向分散，与神经突密度（大小）无关。另一方面，在 DTI 中，这两种影响都“纠缠”在 FA 度量中，导致上述问题。然而，FBA 的另一个显著优势是它能够单独分析单个纤维的特定属性，而 VBA 方法由于部分容积效应而无法对特定纤维群体产生显著影响。即使模型（例如 NODDI）确实解决并解开了某些纤维几何混淆，但它们本身也不能模拟单个纤维群。例如，虽然 NODDI 确实考虑了分散，但并没有为体素内的单独纤维群定义这一点。因此，真正的纤维交叉配置被拟合为具有大量分散的单个群，并且神经突密度没有单独量化交叉神经突群。
一些研究人员可能有兴趣直接比较不同分析框架和 dMRI 模型之间的结果。虽然 FBA 相对于其他基于体素分析方法的改进特异性已得到充分证明，但通常很难将各种其他体素扩散指标的影响与给定的纤维特异性效应联系起来。依赖于不同临床人群、采集参数和图像处理步骤的个别研究只会进一步增加这种直接比较的复杂性。因此，我们通常会告诫用户不要试图推断结果之间的直观甚至复杂的关系，因为基于体素的方法和模型缺乏特异性，如果没有强有力的假设，这在理论上是不可能的。
前面提到的基于白质骨架的弥散统计分析(TBSS)构成了另一种分析体素指标（例如， DTI 或 NODDI）。在本综述和fixel主题的背景下，为避免混淆 TBSS 命名（特别是术语“基于区域”）：这实际上是一种基于体素的技术。TBSS 旨在解决的 VBA 问题具有完全不同的性质：它们与被试图像对齐的挑战（由于图像配准技术的精度和准确性有限）以及 VBA 对任意平滑的依赖性有关（这确实对结果有很大影响）。换句话说：TBSS 主要解决了与建立图像之间的体素对应关系相关的 VBA 现有问题。虽然 FBA 还实施了在被试数据之间建立对应关系的定制策略，但这是为了解决由fixels性质引入的新挑战（另请参见前面的“从voxels到fixels”部分）。有趣的是，TBSS 所解决的挑战原则上仍然主要存在于 FBA 中。然而，由于在pipeline中加入基于 FOD 的模板构建和配准，因此首先图像对齐会更加准确。我们在表1中提供了一个总体概述，比较了 VBA（也包括 TBM 和 VBM）、TBSS 和 FBA 分析方法。有关 TBSS 的具体细节，我们请读者参考 Smith 等人。 FBA 框架的所有相关细节都在前面的“基于fixel的处理分析流程”部分和补充文件 1 中提供。
Table. 1. 比较基于体素的分析 (VBA)、基于白质骨架的弥散统计分析 (TBSS) 和基于fixel的分析 (FBA) 的关键定义。请注意，在这种情况下，基于张量的形态测量 (TBM) 和基于体素的形态测量 (VBM) 被视为 VBA 的一种。
最后，如前面“fixel指标和表观纤维密度”部分所述，其他扩散建模和参数估计技术也可以产生 fixel-wise 测量。CHARMED模型估计体素中单个纤维群的信号分数。另一个例子是“使用采样技术和交叉纤维建模获得的扩散贝叶斯估计”技术（BEDPOSTX），它类似地估计fixel-wise参数。与 CSD 技术的主要区别在于，上述方法直接从 dMRI 数据计算fixel-wise指标，而 CSD 技术首先产生自由形式的连续FOD，随后在 FBA-pipeline中获得fixels（见图.2 用于说明从 FOD 得到fixel，图 3 用于这些步骤的处理顺序）。这使得FBA从其他估计策略（例如 CHARMED 或 BEDPOSTX）获得纤维特定参数。然而，由于基于 CSD 的 FBA 处理分析通过配准 FOD 图像来实现从个体空间到标准空间的转换，以避免与fixel数据空间插值相关的问题，因此必须进行一些调整来实现这一点。这样的数据处理应该将（预处理的）dMRI 数据本身直接配准到标准空间（无需重新定向）。然后在标准空间中获取fixels及其方向以及fixels参数（例如，应用 CHARMED 或 BEDPOSTX），之后可以与原始pipeline类似地重新定向fixels（图 3）。此外，还必须实施一种解决方案来获得一个fixels分析的通用mask。请注意，为此目的，仍然可以依赖从 CSD 技术获得的 FOD 来构建特定于研究的 FOD 模板，从中可以导出mask。然而，最终的fixel-wise统计将直接在从其他 dMRI建模技术（例如，CHARMED 或 BEDPOSTX）衍生的参数上执行。
采集参数的要求和影响
由于 FBA 的主要目标是研究特定纤维的影响，因此首先解决单个交叉纤维当然是必不可少的。在这种情况下，通常采用所谓的“高角分辨率扩散成像”（HARDI）梯度方案来收集 dMRI 数据。顾名思义，HARDI 方案旨在获取大量扩散梯度方向的图像，均匀分布在角域上，并且通常以恒定量的扩散加权（即，特定的 b 值，参考作为一个“shell”）。因此，考虑到分辨交叉纤维的能力，要考虑两个关键参数：扩散梯度方向（diffusion gradient directions）的数量和 b 值。
Tournier等人已经系统地研究了所需的梯度方向数量，通过捕获 dMRI 数据的角度对比度，确定一系列 b 值，高达 b = 5000 s/mm 2 。通常，虽然 dMRI 数据的信号（以及信噪比(SNR)）随着 b 值的增加而降低，但角度对比度随着 b 值的增加而增加。然而，更高的角度对比度意味着信号的角频率更高，因此也增加了所需的梯度方向数量，以很好地捕获该信号的所有特征。Tournier等人通过球谐函数 (SH) 表示研究信号的角频率内容（傅里叶基的角度等效），证实了这一点。具体来说，他们发现，对于所有高达 b = 5000 s/mm 2的b值来说 ，超过 8 级的 SH （球谐函数）项可以忽略不计。在他们的 b值采样范围内，要求更高 SH 阶数的趋势也在 b = 3000 s/mm 2 左右趋于平稳。对 8 阶 SH 信号进行采样，在数学上等效于45 个扩散梯度方向。因此，这些结果表明，45 个方向构成了足够的 HARDI 采样以捕获信号中的所有特征，并且这些特征本身在 b = 3000 s/mm 2 表现较好的效果（至少在高达b = 5000 s/mm 2的范围内 )。
然而，在实践中，可能仍然需要获取超过 45 个梯度方向的数据：高 b 值下的 SNR 通常非常低，因此更多数据点对于各种模型的稳健拟合很有用。另一方面（并且经常被忽视），当使用 CSD 方法解析 WM-FOD 时，对 FOD 幅值的非负约束也将信息“注入”到模型拟合过程中，这种固有效应称为“超解析” CSD。鉴于这一点以及前面提到的更多图像对整体 SNR 的贡献，在为 FBA 设计 HARDI 协议时，仍然可以合理地认为 45 个梯度方向是一个好的（最小）目标。在我们纳入的 75 项 FBA 研究中，66 项研究 (88%) 使用了具有 45 个或更多梯度方向的数据（对于最高 b 值），而 6 项研究 (8%) 仍然设法以 30 个或更少的梯度方向运行 FBA（对于最高 b 值）。总体而言，HARDI 梯度方案似乎在实践中得到了很好的采用。
虽然扩散梯度方向的数量和 b 值对 WM-FOD 的整体定性方面产生影响，但使用少量梯度方向和/或低 b 值的几项 FBA 研究仍然产生了令人相当鼓舞的结果，这表明 FBA 对此类数据有效可行，并且对显著影响敏感。FBA 在技术上肯定与一系列角度分辨率和 b 值兼容，因为这些参数不排除任何预处理步骤、三组织 CSD 重建（使用 MSMT-CSD 或 SS3T-CSD）、强度归一化、模板重构、固定分割和重定向，或最先进的 FBA-pipeline中的任何其他步骤（另请参见前面的“基于fixel的处理分析流程”和补充文档 1 部分）。
然而，对于表观 FD 度量的解释需要谨慎（另请参见前面的“fixel指标和表观纤维密度”部分）。在足够高的 b 值下，例如 b = 3000 s/mm 2 或类似值，轴突内水信号的特异性增加导致表观纤维密度的测量更准确，与某些条件下轴突细胞体积大致成比例相关，这是由于在如此高的 b 值下轴突外水信号的强烈衰减。在较低的 b 值下，例如通常用于 DTI 处理的 b 值（例如，b = 1000 s/mm 2 或类似值），来自轴突外信号将有助于表观 FD 度量，从而破坏后者的预期定义，从而使生物学解释具有挑战性并且从根本上受到限制。例如，临床患者组可能会经历细胞外结构的重大变化，这将被人为地反映为表观 FD 的（组）差异。此外，由于轴突内体积的实际变化导致的表观 FD有效差异可能会导致细胞外体积和结构的伴随变化。因此，大多数测量的表观 FD 效应将有效地偏向于低 b 值。例如，轴突内体积的减少会导致表观 FD 减少；但如果这导致细胞外空间体积的相应增加，来自后者的低 b 值信号也会增加，从而抵消表观 FD 的预期减少。在这种情况下，表观 FD 效应会减小，并且 FBA 对表观 FD 的敏感性会受到负面影响。有趣的是，这也对使用multi-shell数据来量化表观 FD 提出了挑战，因为这也引入了较低的 b 值。虽然使用所有（或通常“更多”）数据来计算 WM-FOD 可能在直觉上很有吸引力，但这并不一定与表观 FD 所依赖的假设兼容。事实上，MSMT-CSD 方程适用于数据中的每个 b 值，因此较低的 b 值将引入细胞外信号。Genc 等人通过模拟以及相关 FBA 场景中的体内数据证明了这一点。他们的结果表明：
（1）与signle-shell高 b 值数据相比，当使用较低 b 值或multi-shell数据时，表观 FD 估计不太准确，并且显示出对细胞外信号的更大依赖性；
（2 ) 使用较低的 b 值或multi-shell数据也导致敏感性降低（在一项涉及与年龄相关的实验中）。在本次审查中抽样的所有 75 项研究中，44 项研究 (59%) 仅限于 b ≤ 2500 s/mm 2。其中，20 项研究甚至仅限于 b ≤ 1000 s/mm 2。虽然其余 31 项研究 (41%) 确实使用了最大 b > 2500 s/mm 2 的数据集，但其中 12 项依赖于multi-shell数据并包括较低 b 值来解决 WM-FOD，其中表观 FD度量被估计。Dimond等人确实有可用的multi-shell数据，但由于上述原因，他们选择仅使用带有 SS3T-CSD 的最高 b 值 (+ b = 0) 来计算 FBA 的表观 FD（以及更低的 b值数据仅用于对 DTI 派生指标的单独分析）。总的来说，我们注意到，与 HARDI 梯度方案相比，更高的 b 值仍然相对不太被采用。
总之，一方面，即使在仅限于例如30 个梯度方向和/或低b值如 b = 1000 s/mm 2上，运行最先进的基于三组织CSD的FBA-pipeline在技术上也是完全可行的。这为在许多现有的旧数据集中揭示特定于fixel的分析开辟了可能性，或者为已经“锁定”在 dMRI 协议中的长期研究提供了可能性。然而，可能需要进一步的工作来评估从包括低 b 值在内的数据中得出具体结论的可靠性。另一方面，对于新研究，强烈建议收集具有 ≥ 45 个梯度方向和 b ≥ 3000 s/mm2 的 HARDI 数据，以确保良好的 WM-FOD 质量（促进稳健处理）以及对轴突内信号的特异性，从而能够对典型 FBA 核心的表观 FD 指标进行适当的定量解释。
FD 和 FC解释的挑战
除了采集参数的影响外，这可能会使上述表观 FD 效应的解释复杂化或受到限制（例如，由于在有限 b 值下对轴突外信号部分敏感），存在表观 FD 度量的其他挑战和限制。正如前面关于“fixel指标和表观纤维密度”的部分所述，表观 FD 并没有区分轴突数量和轴突直径的影响。在解释FD 变化时，这是一个重要的考虑因素，因为没有适当的背景，例如，将表观 FD 的减少严格地视为单个轴突的丢失可能构成对发现的严重误解。此外，表观 FD 在很大程度上对髓鞘不敏感，因此FD减少并不一定表明脱髓鞘（表观 FD 增加也不意味着髓鞘生成），即使它们可能伴随或最终跟随它在许多（生物学上的）现实场景中。请注意，虽然 dMRI 信号通常对髓鞘不敏感，但它仍然是研究髓磷脂的流行选择。这是可能的，因为髓鞘变化间接影响轴突外空间的几何结构，进而影响某些 dMRI 模型的参数。然而，这些参数也受到一系列其他效应的影响，因此不能将它们具体解释为髓磷脂。
除了上述关于表观 FD特定敏感性的注释之外，另一个挑战涉及到它的解释：它代表局部（表观）密度度量这一事实具有复杂含义，很容易被忽视或误解。轴突的局部 FD 为我们提供了与每单位体积存在的“轴突物质”的量大致成比例的度量，即在体素内（并沿fixel方向）。因此，这不仅取决于这些轴突本身，还取决于它们之间的所有其他（非轴突）空间或体积。例如，FD 的减少可能是由血管源性水肿引起的，从而过量的液体在间质基质中积聚并导致其扩张：这可能只是将轴突进一步分开，而不会影响它们的个体大小（即直径）。有趣的是，请注意，其他几个多室 dMRI 模型也涉及局部密度度量（voxel-wise或者fixel-wise）：例如，NODDI 模型产生神经突密度度量。因此，与解释密度度量相关的考虑因素同样相关。
在血管源性水肿的例子中，FD 度量对给定体素内轴突数量的减少很敏感，即使没有实际的轴突丢失：一些轴突只是在体素之外移动到其他体素中。在 FBA 框架中，可以通过计算纤维束横截面积 (FC) 度量来评估，该指标表示相对于一个共同模板的不同主题图像的这一属性。这是从将每个被试映射到模板空间获得，因此依赖于准确的图像配准（参见补充文档 1 中的“纤维束横截面积 (FC) 计算”部分）。然后可以在类似于 VBM策略中将这些信息与 FD 度量相结合，从而产生纤维密度&纤维束横截面积（FDC）。在血管源性水肿示例中，FD 减少将被类似的 FC 增加（即肿胀）所抵消，从而导致 FDC 不变。后者最终将反映一个事实：即整个束中没有丢失任何实际的轴突。然而，FDC 确实对血管源性水肿效应不敏感，尽管它可能仍然具有关键的生物学相关性。最终，仅通过评估 FD、FC 和 FDC 并综合考虑它们各自的减少或增加来提供完整信息，会导致许多不同可能的效果组合，我们在补充文档 1 的“FDC计算”部分中提供了一系列基本示例和更复杂的场景。图 6 展示了另一个涉及交叉纤维束的更复杂示例。后者说明了某一个纤维束内效应可能导致另一个交叉束的伴随效应。然而，我们应该注意到，这些示例并未展示该框架的任何技术限制。相反，它们说明了关于密度和/或横截面效应的推理并不简单，解释这些结果需要仔细考虑任何可能解释这些的潜在情景。
Fig. 6.解释特定于fixel的 FD 和 FC 变化时的复杂陷阱。
这个例子展示了一个轴突束的变化如何解释另一个交叉束的伴随变化。显示了一束交叉的橙色和蓝色轴突，并在（黑色）体素中测量。橙色束遭受微观轴突损失，然后是组织的宏观塌陷（萎缩）。蓝色束没有实际的轴突损失，而只是“加入”由于可用空间而导致的组织塌陷。在初始轴突损失时，所有结果都是直观的：只有橙色纤维群的 FD 减少（这也反映在其 FDC 中），而所有其他特性（橙色 FC；蓝色 FD 和 FC）不受影响。然而，当组织塌陷（萎缩）时，一组复杂的效应会在橙色和蓝色束的 FD 和 FC 值中发挥作用。两个纤维束的 FD 增加，而 FC 共同减少。与最初的“健康”设置相比，FD 单独的影响大小不足以代表对橙色区域的影响，但也描述了蓝色区域的增加。可以说，FDC 更容易解释（仅显示对橙色束的影响，而蓝色束始终不受影响）；但反过来，它对萎缩不敏感，这本身可能表明复杂疾病过程中的生物学相关阶段或过渡。
最后，即使是FD 和 FC的效果特异性在实践中也不是完全明确的：它受到将个体图像配准到公共模板空间的准确性和精度的限制。自引入 VBM 以来，配准对密度和体积评估的影响已为人所知并得到了很好的描述，但在实践中有时会被忽视。在 FBA 的背景下，这意味着当图像配准不能完全弥补图像之间的空间差距时，部分“应该”的FC 效应可能会被低估并部分转化为 FD 效应。对于某些解剖结构来说，这在一定程度上总是如此，因为非刚性配准算法依赖于空间正则化来稳健地在图像之间产生足够平滑的映射。此外，这种 FC 效应向 FD “转移”的量将取决于解剖结构大小，并且通常对于较薄的结构更为明显（特别是那些接近采集体素大小的结构）。当由于表观 FD 效应导致的强度差异可能会导致非线性变形（以及由此产生的 FC 效应）时，尤其是在使用平方差之和度量来进行配准时，相反的情况也是可能的。区分 FD 和 FC 效应的特异性取决于空间分辨率、不同解剖结构的大小和一系列图像配准参数（例如，正则化或配准的平滑度），这些参数由研究人员控制，因此FD和 FC 效应大小无法进行有意义的直接比较。FD通常与微观结构效应有关，而FC反映宏观结构效应。这是一种有用的直觉，可以介绍和解释 FD、FC 和 FDC 效应的复杂组合，并激励研究人员仔细考虑可能解释其结果的各种生物学情景。然而，我们的结论是建议谨慎，因为由于方法的实际限制，FD 和 FC 之间的“分离”不太明确。
多模态研究
结合来自不同对比或模态（MRI）的互补信息，可能比单独使用 FBA（或其他 dMRI 分析）分析得出更全面和更有见地的结论。这在研究脑损伤患者时尤其重要，因为白质损伤与其他脑部改变（例如 GM 萎缩、功能连接性变化和神经炎症）相关。在本次审查中抽样的 75 项研究中，22 项采用了多模态数据和分析技术，并结合了 dMRI 数据的 FBA。然而，这些多模式 MRI 研究中只有 9 项量化了fixel-wise指标与其他（例如，结构或功能）MRI 指标之间的关系。例如，Luo等人报道，阿尔茨海默病患者的穹窿柱和体部表观 FD 以及腹侧扣带的 FC 与复合淀粉样蛋白和 tau 水平相关。作为另一个例子，Savard 等人观察到灰质萎缩的数量与额颞叶痴呆患者表观 FD 和 FC 减少密切相关。多模态研究还可以改进对结构-功能关系研究结果的解释，例如，与认知和行为相关的疾病进展。Savard等人能够将表观 FD、FC 和 GM 体积对额颞叶痴呆的语义症状和执行功能障碍的贡献分离出来，增加了我们对这两种损伤的不同病理生理机制的理解，并提出了治疗目标。
尽管有令人鼓舞的发现，但一些将 FBA 结果与其他模态相结合的多模态MRI 研究显示出许多常见的局限性。在其中许多研究中，所报告的fixel-wise指标与其他指标之间只是弱到中等相关。此外，多重比较校正并不恰当。有时会报告未校正的阈值和趋势，以进行fixel和其他指标之间的相关性分析。不过，这些问题并非特定于 FBA 研究或基础方法学：这些问题在一般多模态研究中非常普遍，而且这个问题最近才开始引起更多关注。一般来说，研究应旨在采用针对多重比较进行调整的 p 值；不仅用于fixel的数量，还用于测试多种对比（在 FBA 内）以及涉及（组合）不同模态的多项实验。虽然这将更好地确保统计结果的有效性，但仍可以报告趋势以帮助推动未来（多模态）成像研究。明确记录哪些结果得到何种修正是关键的，结果、讨论和结论部分中使用的词语和语言的选择应仔细考虑。
并非所有研究都发现fixel-wise和其他指标之间存在显著关系。例如，Adanyeguh 等人发现小脑性共济失调患者的fixels指标和萎缩评分之间没有显著相关性。未能检测到显著相关性可以通过更复杂的非线性关系来解释。然而，并非所有这种性质的直观表述的假设首先都必然有效（即，即使在特定队列中独立观察或描述两种效应时，相关性也可能真的不存在）。无论如何，研究通常会受益于更先进的统计分析，以揭示fixels和其他大脑指标之间潜在的非线性关系。由于 FD 和 FC 度量的大小和性质（分别是体积和与表面积相关），各种非线性变换（例如对数）可以说是合理的候选。研究人员还探索了各种大脑测量和fixel-wise之间的关联，为研究人员提供了更大的自由度，以提高确定大脑效应位置的特异性。Mizuguchi等人发现右侧前额叶皮层和左侧纹状体之间的静息状态功能连接与右前放射冠中的FC呈正相关。 Boonstra 等人发现多发性硬化症(MS) 患者的小脑 FDC 减少与小脑白质萎缩和病变负荷有关。Savard 等人在额颞叶痴呆患者中观察到，额颞叶网络中表观 FD 和 FC 的减少与该网络中峰值节点的 GM 萎缩量密切相关。
FBA结果与行为相关性
一些 FBA 研究调查fixel-wise指标和行为得分之间的关联关系作为次要目标，例如，Adab 等人研究了双手协调性能，Verhelst 等人研究了口头工作记忆，其他研究通过简易精神状态检查等纳入临床结果。这些研究通常使用fixel-wise指标与群体感兴趣区域之间的相关分析来检查这种关联。例如，Choy 等人发现健康成年人年龄与fixel-wise指标在多个区域存在显著的负相关，而 Pannek 等人观察到认知和运动表现的发育改善与婴儿的fixel-wise指标呈正相关。应该指出的是，在实施此类分析的那些研究中，大多数fixel-wise指标与行为结果的相关系数通常在强度上较弱到中等。值得注意的是，Verhelst 等人发现传统 DTI 指标与口头工作记忆之间存在相关性，但在 fixel-wise 指标没有发现。如前几节所述，解释 FBA 和 DTI 指标分析之间的不同结果仍然是一个持续的挑战，因为 DTI 及其派生指标的非特异性性质（另请参见前面的“FBA和其他dMRI分析策略”）。
虽然相关性分析对于理解大脑行为关系很重要，但一些研究采用了其他先进的分析方法，包括多变量分析和中介分析。例如，Adab 等人进行中介分析揭示 FDC 部分介导了胼胝体压部和膝部的年龄与双手协调性之间的关系。与多模态研究的挑战类似，探索fixel-wise指标和行为指标之间的非线性关系也可能是相关的。
随着fixel-wise指标和行为测量分析的数量增加，组合的数量以及统计测试（或“对比”）的数量很容易增长。如果不仔细考虑，这可能会增加 1 型错误的发生率。然而，适当地纠正这些将影响研究的整体统计能力。在这种情况下，由于经常分析大量个体fixel，FBA 尤其已经面临挑战；尽管它实现了基于连接的fixel增强机制 (CFE)来部分解决这个问题（另请参见前面的“FBA 和其他 dMRI 分析策略”部分）。其他策略包括使用fixel感兴趣区域，或者从先前 FBA 对比的显著结果中获得，或者通过使用先验解剖假设定义感兴趣区域。
纵向FBA研究
迄今为止，大多数 FBA 研究主要集中在揭示fixel-wise指标的横向差异。然而，检查大脑微观结构的纵向变化通常具有临床意义，特别是对发育、衰老、疾病或训练干预的反应。在审查的 75 项研究中，我们确定了 14 项研究，他们调查了随着时间的推移fixel-wise指标的变化。一方面，这些变化通常在一组特定的参与者中进行评估，并进行统计分析，比较不同时间点之间的指标。另一方面，例如，Genc 等人和Kelly等人直接分析了每个受试者某一时间段内fixel-wise的变化，并评估了这些变化与发展因素之间的关系。这实际上是通过预先计算每个参与者的不同时间点fixel-wise指标的差异来实现的，反映了随时间变化的度量。然后通过全脑 FBA 依次分析这些结果，或者通过横断面确定随时间变化的组间是否不同，或者测试随时间的变化是否与表型和临床特征相关。
研究人员需要考虑的一个重要因素是随着时间的推移，fixel-wise 指标变化的定义和预计算。在某些研究中，“时间点”之间的实际时间差在一定程度上可能因受试者的“时间点”如何定义或何时可以从受试者那里获得数据而有所不同。在这些情况下，量化每单位时间的变化可能是明智的，即，通过时间差对fixel指标中预先计算的变化进行归一化。然而，这是否可取取决于所研究（或假设）的变化类型。在这种情况下，选择获取数据的时间点以及 FD 和 FC 随时间的变化建模可能是极具挑战性的，并且涉及对生物和生物物理过程的先验假设。例如，请注意萎缩或血管源性水肿对 FD 和 FC 指标的复杂影响，因此它们可能（非单调地）随着时间的推移而上升和下降。能够测量这一点，首先取决于对特定时间点进行采样。
许多纵向研究面临的另一个挑战是某些受试者某些时间点的数据缺失。这些场景需要能够更恰当地处理这一问题的统计分析，例如混合效应建模。一些 FBA 研究已经计算了一系列白质通路中的（平均）fixel-wise 指标，以便准确地模拟由于在pipeline级别而不是fixel级别丢失数据而导致的混合效应。更一般地说，对于特别复杂的统计挑战，提取 tract-wise 或 fixel-ROI-wise 指标并在专用的高级统计软件包中处理这些指标可能很有用。这种高级统计分析的结果通常也可以使用专门的图可视化，否则对于许多个体的fixel来说是不可能的（它至少会破坏清晰且有用的可视化的目的）。同样，它可能有助于避免对复杂结果的过度解释。
最后，在实施纵向 FBA 研究时经常提到的另一个方法是与研究特定 (FOD) 模板的构建有关。一般来说，在这种情况下的考虑与横断面分析或非 FBA（例如，VBA 或 VBM）研究的考虑没有什么不同（参见补充文件 1 中关于“研究特定 FOD 模板构建”的部分）。 FOD 模板用作研究的公共参考：例如，虽然 FC 度量值相对于模板在个体表示（通过从个体到模板的配准计算），但它们对所有个体和时间点的图像均等地缩放到标准模板的整个范围。
FBA 研究WM 病变
许多临床人群，例如创伤性脑损伤 (TBI)、中风、多发性硬化症 (MS)、痴呆和其他神经退行性疾病的患者，在临床上是异质的，因为病变分布在不同的（通常是广泛的）位置和不同的类型和大小。这些包括大的局灶性病变、弥漫性轴索损伤、白质高信号 (T2-WMH)、炎症和水肿。即使在健康的老年受试者中，病变也可能以同样具有挑战性的方式出现。病灶对 FBA 的具体影响——包括处理步骤和结果——在文献中相对未探讨。由于 FBA 处理的复杂性及其许多不同的交互步骤（另请参见前面的“基于fixel的处理分析流程”和补充文档 1 部分），强烈建议在预处理的大多数阶段进行严格的质量评估（包括处理伪影和运动的预处理步骤、大脑mask估计、响应函数估计、三组织 CSD 等）以估计相关的fixel指标，特别是在大局灶性病变、炎症和水肿存在。造成这种情况的原因主要源于损伤会严重改变图像强度以及几何形状的事实。例如，此类损伤可能会影响图像配准的准确性和精度，甚至影响研究 FOD 模板本身的构建。已经在 FBA 框架之外研究了病变的几个方面以及它们如何影响三组织建模和指标，例如 Mito 等人和Khan等人。一般来说，当纳入脑受损患者时，FBA 研究采取适当谨慎的方法是很重要的。
一种典型做法是排除具有大量受损组织的参与者，否则会导致处理或统计分析出现特定问题。例如，Verhelst 等人选择仅检查弥漫性轴索损伤的 TBI 患者，并排除具有较大局灶性病变的患者。一方面，有必要专门研究 TBI 亚型人群，重点关注更可能由白质断开引起的缺陷，另一方面，仅限于这种方法在其他情况下具有固有的局限性。始终排除参与者有时可能会导致描述特定人群的文献中的非代表性样本。最近提出了解决这一挑战的方法：为了更具体地了解稀有或异质人群，可以考虑从小组研究转向单一案例研究。为单一案例的 FBA方法定义强大的预处理方法可能是未来研究的一个方向。在这种情况下，据我们所知，只有 Fekonja 等人对从他们关于肿瘤患者皮质脊髓束损伤的研究中随机选择的两个病例进行了适度的初步尝试，以针对特定主题进行分析。
一些研究试图通过在细分群组进行分析来解决由于病变引起的挑战，例如，基于共同的病变特征，能够限制异质性的数量。Wallace等人进行了一项 FBA研究，结合了轻度、中度和重度 TBI 患者的大量异质数据。虽然没有提供排除标准的描述，但他们分别对轻度 TBI 和中重度 TBI 参与者进行了亚组分析。作为另一个例子，Egorova 等人对一组中风患者进行了全脑 FBA分析，还分别分析了右半球中风和左半球中风患者（所有三项分析均作为与健康对照组的横断面比较）。请注意，后一个示例展示了与病变相关的一个方面：偏侧化病理。这些研究尤其具有挑战性，因为即使在健康的大脑中，基于fixel的表观 FD、FC 和 FDC 也显示出广泛且非平凡的偏侧性。值得注意的是，Verhelst 等人谨慎使用翻转大脑图像的方法，这种方法有时用于研究偏侧病理学，因为这可能会导致与兴趣效应无关的假阳性结果。他们在这种情况下制定了一系列警告和建议，得出的结论是，通常最好避免为此目的完全使用大脑翻转策略，并分别分析（不同侧化的）患者组，正如 Egorova 等人所做的那样。更广泛地说，病理组织可能会不同地影响附近（或更远）的 WM 结构和功能，具体取决于其特定位置。
一些 FBA 研究评估了病变负荷或体积测量值，这些测量值来自其他 MRI 模式，例如磁共振成像液体衰减反转恢复序列(FLAIR) 或磁敏感加权成像(SWI) 数据。在这些研究中，病变体积通常没有被整合到 FBA 本身中，例如，作为不感兴趣的协变量或感兴趣的变量。相反，它们被单独报告或分析。一些研究，例如，Boonstra 等人为了对某些步骤（例如图像配准）进行质量评估，还（目视）检查了病变分割和附近区域。
最后，针对 MS、中风以及轻度认知障碍和阿尔茨海默病的特定研究，计算了使用 SS3T-CSD 的 WM-FOD。通过在模型中包括其他组织和流体的附加各向同性信号隔间，三组织 CSD 技术解决了对来自轴突的各向异性信号更敏感的 WM-FOD。至关重要的是，这允许在存在浸润性病变的情况下解决和保留 WM
FOD 的角度对比度。保留上述 WM FOD 的角度对比度反过来又使 FOD 引导的群体模板构建和个体 FOD 图像与该模板的配准可以实现更好的空间对齐（类似于三组织 CSD 技术如何增加轴突的相同对比度用于投射到皮质 GM 中）。此外，在损伤区域或存在浸润型病理组织的区域中也可以进行精确的fixel分割。最终，它还可以通过消除与轴突内空间无关的信号贡献来实现更准确和具体的表观 FD 测量。但是，请注意，另外建议使用高 b 值以进一步抑制轴突外信号的贡献（另请参阅前面关于“fixel指标和表观纤维密度”和“采集参数的要求和影响”）。
局限性和未来挑战
FBA 框架引入了一项独特的功能，在很大程度上解决了不同交叉纤维群体之间的部分容积效应。然而，这仍然不能代表解开所有相关不同纤维群体效应的“终极”特异性。大脑中的几个 WM 束“漏斗”沿着它们的大部分长度聚集。这不能通过仅在局部体素级别甚至fixel级别建模来克服：它实际上是对孤立体素中 dMRI 测量的固有限制。这也会导致重大问题，例如纤维束成像，甚至可能是它受到大量误报连接挑战的最重要原因。对于 FBA，在根据已知解剖结构解释结果时，这成为一项挑战。纤维特异性增加甚至可能在标记这些结果时产生一种错误的信心感，偏向于更大或更常见的束（具有将这些与错误的皮质区域甚至功能相关联的进一步风险）。基于精心策划的先验知识，有机会制定客观的标记策略。
另一个挑战在于 FBA 框架的明显复杂性（例如，参见图 3）。与 VBA 相比，需要许多额外的步骤来适当地解决 dMRI 数据、FOD 图像和fixel图像数据的独特性质。虽然其中一些步骤对研究人员来说相对简单，但在很大程度上是自动化的，但其他步骤确实引入了新的用户定义参数或选择，并且需要在处理流程中的各个阶段进行专门的质量评估。由于步骤之间存在如此多的复杂交互，因此很难预测处理早期的某些选择最终会如何影响最终结果。对于某些机制，确实存在默认参数：例如，Raffelt 等人确定了平滑程度和 CFE 参数的合理选择。然而，目前尚不清楚这些在多大程度上超出了最初的实验结果。同样，空间上重采样的做法已被采用，因为它有利于提高图像对比度（对其他步骤有进一步的下游优势，例如图像配准），但对上游采样分辨率及其对 FBA 研究的影响进行系统研究尚未对罕见或临床异质人群进行研究。该领域的持续工作有望将fixel指标用作诊断或预后生物标志物，为研究人员和临床医生提供新的价值。
总结
本文回顾了 FBA 框架，用于分析来自扩散MRI数据的白质微观和宏观结构的全脑纤维特异性。与基于体素的分析类似，FBA 能够对整个大脑进行分析，而无需先验假设大脑的哪些部分或结构可能显示出（显著）感兴趣的影响。然而，它允许以真正的纤维特定方式实现这一点，即使对于单个体素内的不同纤维群体，效果也可以单独显现。这带来了一系列独特的挑战，框架为此实施了特定的解决方案。自最初开发以来，该框架在不同应用领域的采用率显著增加，对各种临床人群和健康受试者产生了独特而有价值的见解。然而，限制和挑战仍然存在，特别是在验证和解释方面。结果的解释——虽然由于纤维的特异性而大大优于其他方法——但仍应谨慎执行，并且由于 WM 组织的微观结构特的复杂性和相互作用，结果的解释更为重要。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！
微信扫码或者长按选择识别关注思影非常感谢转发支持与推荐
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
核磁：
南京：
上海：
北京：
第十一届磁共振ASL（动脉自旋标记）数据处理班（北京，11.3-6）
重庆：
脑电及红外、眼动：
南京：
上海：
北京：
重庆：
第四届脑电机器学习数据处理班（Matlab版本，重庆，9.24-29）
数据处理业务介绍：
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
