梭状回的结构
梭状回是腹侧颞叶上一个十分重要
的区域。由于它开始于枕叶结束于
颞叶，所以又称之为枕颞回。梭状
回的结构边界信息相对其他脑区如
海马旁回要清晰明确。在其外侧，
梭状回和颞下回紧邻并以枕颞沟（
occipito-temporal sulcus）为分界线。在其内侧，梭状回和海马旁回及舌
回相连，侧副沟（transverse collateral
sulcus）作为它们之间的分界线。梭
状回虽然主体部分处于颞叶腹侧， 但开始的部分紧靠着枕叶边缘，即
纹外皮层的部分。所以说梭状回是
一个承上启下的过渡区域，在视觉
信息的传递方面特别重要。
之前关于梭状回细胞构筑的研究主
要集中于它的后部。直到近几年，由德国Julich中心的J. Caspers才将梭状回的后部在
细胞构筑上划分成内外两个子区
（如图1-3），内侧的子区叫做
FG1，外侧的子区叫做FG2。
FG1的细胞构筑切片显示柱状的小锥
体细胞以较小的密度充斥第IV层和
第II层，而其他几层的锥体细胞也
有柱状的排布但相对密度更小。
除此之外开始几层的细胞过度比较 平滑，最后一层和白质的区分比较
模糊。反观FG2的细胞构筑切片，
锥体细胞的体积要比FG1的大的多
且分布不是呈柱状。其密度图也显
示大部分层的细胞分布密度比较大
且波动比较小，靠白质的最后一层
和白质的分辨情况也比较清晰。
梭状回中后部常有一条沟将其在
形态上内外分开称之为中央梭状
回沟（mid-fusiform sulcus）。根
据尸体解剖的观察发现，中央梭状
回沟在正常人7岁以后就已经成型， 而且大部分人的结构都很明显，有
的是一条完整的沟，有的分成了前
后两条沟。最近的研究发现，中央
梭状回沟的左右两侧在细胞构筑和
受体结构上有明显的差异，这些差
异可能预示着梭状回功能子区的存
在。
需要注意的是，细胞构筑的图谱和
结构连接信息构造的图谱反应的本
质信息不同，所以分割结果的直接
比较参考意义相对较弱。众所周
知，通过细胞构筑划分脑区有如下
的缺陷：（1）细胞构筑都是基于尸
体的解剖，通常在处理的时候会造
成大脑形变，直接对应活体标本的
大脑存在偏差。（2）细胞构筑只是
对反映局部细胞形态的反应，不能
良好的描述大脑脑区间的连接，
梭状回功能
人的视觉通路有两条，一条由位于
枕叶的初级视觉皮层开始沿着背侧
脑部自下而上到达头顶的顶叶，另
一条由初级视觉皮层开始沿着腹侧
的颞叶自后向前结束于颞叶极部。
这两条不同方向的通路为人类在视
觉相关的辨别和认知起着至关重要
的作用。第一条通路主要负责物体空
间位置的判断，也就是我们常说的“
where”通路，而第二条通路则作用于
物体类别的识别，我们称之为“what”
通路。所有视觉输入信号都可以分
为两个方面：位置和形态。更精确
地说，一旦有视觉信号进入大脑，
我们都会同时处理和分析它的空间
信息和物体信息，最后产生抽象的
空间物体认知形态。
梭状回处于颞叶底部，是“what”通路 上最为重要的一个环节。大量的研究
表明，梭状回在物体识别、面部识别
、肢体和文字识别等认知行为中都有
任务正激活[13-21]。比如说研究得最
多的面孔识别区。1992年，Justine
Sergent 发现脸部认知缺陷的病 ，
人大脑损伤区域都是在枕叶和颞叶
，为了确定损伤位置对其视觉认知
的影响，他使用PET扫描任务状态
下正常人的大脑并记录在不同任务
下每个脑区的激活程度。最后他得
出腹侧颞叶的梭状回和脸部认知是
十分相关的。随后Nancy
Kanwisher将这些梭状回上和面孔识
别相关的区域称为“面部识别区”（ fusiform face area, FFA）。这个
区的特性就是会对面孔信息敏感，
包括人脸和动物脸，而且对形似脸
部却非脸部的物体也会同样感知辨
识。除了对面孔的识别，梭状
回面部识别区还会感知面孔的抽象
信息，比如说人物情绪和相貌。所以一个人和情绪感知程度和梭
状回的异常有关，不同社会习性的
正常人，比如害羞的和善于交际的
，会存在梭状回激活程度的差异。
通常害羞的人此区域的激活程度会
比善于社交的人要显著的少。另
外，精神分裂症（Schizophrenia）和自闭症（Autism）等情感障碍性疾病都发现和梭状回相关。
除了面部识别区，另外一个研究比
较多的区域就是文字识别区（visual
word form area）。这个区域 当在从场景中辨识文字字形时有显著激活，而且这个辨识过程和稍后的语义和声形理解相关，可能是初级的视觉语义理解过程。考虑到文字的起源只不过短短几千年，所以这个梭状回上特异区的发展极有可能是由环境选择因素造就的进化区域，只对文字的形状敏感。当然也有部分研究质疑梭状回上具备文字识别功能的区域是否是功能唯一性的脑区[39, 40]。 梭状回的分割
梭状回的分割对于弄清楚腹侧颞叶视觉系统有举足轻重的作用。首先从结构上来说，之前因为大部分细胞构筑的脑谱图将梭状回定义为一个大的区域，且缺乏足够的解剖信息了解梭状回的细微结构差别，而这些差别是否和其功能的多样性对应也 不得而知。另外从其功能来说，梭状回由于是腹侧视觉系统的重要部分，需要处理大量的视觉以及和视觉相关的信号，而这些信号的多样性和复杂性就决定了梭状回本身功能特性的多样性。在这些复杂多样的功能背后，有研究发现存在细分子区对不同功能有不同的处理模式。无论是结构和功能信息都梭状回脑图谱的存在细分子区。近些年来，DTI技术用来分析白质纤维连接模式已被广泛用于脑区分割的研究中，如颞极（temporal pole），扣带（cingulated cortex），楔前叶 (precuneus) 和纹状体（striatum）等多个区域，而且大部分基于这种连接信息的分区结果和所分区域的细胞构筑、功能连接有很好的对应性，是一个可靠、方便、准确的 脑区分割是这几年来神经科学领域一个重要的研究方向。受研究技术所限，早期的脑图谱主要是从尸体解剖的层面探寻，所以相对粗糙。随着磁共振影像的发展，更加精细的脑图谱构建成为可能。此外，认知科学的发展需要一个更加准确细分的脑模板来帮助理解每个脑区的功能分配，从而构建脑区和功能的对应，这样对于将来的医学临床研究是一个极大的推动。
有研究主要从构建新的梭状回脑图谱使用基于DTI的白质纤维概率跟踪技术，将梭状回分割为几个结构和功能上都具备 特异性的子区。梭状回的边界定义有很多说法，我们选择了比较常用的沟回模板作为参考并构建基于分割样本的概率模板。然后引入谱聚类对获取的结构连接信息聚类得到一系列分割模式。根据指标以及重复性验证选取最合理的结果。在确定新的脑图谱模式后，接下来对每个子区的结构和功能定位，功能的定位不仅从静息态数据考虑功能连接而且采用meta分析对其子区进行行为学分析。这样全面的考察子区的特性，给出分类模式的合理解释。
研究中提出的基于解剖连接信息的梭状回脑图谱能揭示部分梭状回的结构和功能组织排布。帮助我们更好的理解梭状回在人类腹侧颞叶视觉处理系统中的作用，这 为以后的视觉相关的行为学研究提供结构依据。此外，像和视觉有关的疾病学研究也可以将此脑区图谱，三个梭状回的子区从前往后在内侧颞叶成正三角形排布。最前部的区称之为梭状回上部区，简称FGa，图红色所示。这个子区内靠海马旁回（parahippocampus），前靠前部的横向侧副沟（transverse collateral sulcus）， 外靠枕颞沟（occipito-temporal sulcus）。三个子区相对靠外部的称为梭状回外侧区，简称FGl，图蓝色所示。此区由枕颞沟将其与颞下回区分，内接中央梭状回沟（mid-fusiform sulcus）。最后靠近颞叶底部的区域称之为梭状回内侧区，由 FGm表示，如图绿色部分。这个区内侧毗连着舌回（lingual gyrus）与海马旁回，位于内侧纹外皮质的末端，和FGl隔着中央梭状回沟。由结构连接信息细分的三个子区和之前由细胞构筑和受体跟踪构建的脑图谱比较可得出，FGl与FGm分别对应着细胞构筑的FG1和FG2区，只不过我们的两个子区所包含的体素个数要多一些，所分出来的子区面积要比细胞构筑的子区面积大。除此之外，无论是细胞构筑得出的子区排布或者由结构连接得出的聚类模式，都将中央梭状回沟作为梭状回后部内外侧的分界线。之前的研究表明中央梭状回沟在大于7岁的正常人样本中即有显著的解剖轮廓。更进一步，从白质纤维连接模式的角度来看，中央梭状回沟的左右侧有比较明显的纤维连接模式的差别。一定程度上说明，基于细胞构筑得出的脑区边界和基于解剖连接模式得出的脑区边界有一定的对应关系。 梭状回的脑区分割。子区模板构建方法，即通过分割样本本身的结构属性构造概率模板。然后利用经典的白质纤维概率跟踪，找寻出个体样本空间梭状回脑区的全脑连接模式。最后采用融合了位置信息的谱聚类，对上一步获得的梭状回脑区的全脑连接模式进行分类，并结合多种评判 指标确定最合理的分类个数。有实验将梭状回分割成了三个部分，而且将其与之前的细胞构筑的脑区模板进行了细致对比。 梭状回子区结构与功能分析 全脑概率纤维跟踪图显示连接梭状回的主要是两根从前向后走向的粗大的纤维束，下额枕束（Inferior fronto-occipital fiber, IFOF）和下纵束（Inferior longitudinal fiber, ILF）。下额枕束经过脑岛主要将梭状回和额下部分相连，下纵束主要将梭状回和颞极相连。图中，绿、蓝、红三种颜色分别代表内侧梭状回（FGm）、外侧梭状回（FGl）和前侧 梭状回（FGa）。相对靠后的内外侧梭状回都显示有这两条纤维束的连接，而前侧梭状回则主要是下纵束的连接。
图4-1 左侧梭状回全脑纤维跟踪模式。红色区域代表FGa,蓝色区域代表FGl,绿色区域代表FGm。基于AAL模板的概率纤维连接强度进一步表现了三个子区间不同的连接模式。三个子区在连接区域上没有显著的区别，主要是和视觉、语义理解相关的脑区。最显著的区别主要反应在和这些脑区的连接强度上，而且左右半脑有区别。依照 连接强度从强到弱，左边内侧梭状回连接区主要是Lingual_L, Occipital_Inf_L, Temporal_Inf_L, Hippocampus_L,Calcarine_L,ParaHippocampal_L；左边外侧梭状回连接区主要Temporal_Inf_L, Occipital_Inf_L, Lingual_L, Calcarine_L,Occipital_Mid_L,Temporal_Mid_L, Hippocampus_L, Occipital_Sup_L；左边前侧梭状回连接区主要ParaHippocampal_L, Temporal_Inf_L,Hippocampus_L,Occipital_Inf_L。依照连接强度从强到弱，右边内侧梭状回连接区主要是Occipital_Inf_R,Lingual_R, Temporal_Inf_R, Occipital_Mid_R；右边外侧梭状回连接区主要是Temporal_Inf_R, Occipital_Inf_R,Temporal_Mid_L,Occipital_Mid_R；右边前侧梭状回连接区主要是Temporal_Inf_R, ParaHippocampal_R, Occipital_Inf_R,Temporal_Mid_R,Occipital_Mid_R。
表4-1 跟踪结果中使用的AAL脑模板脑区
名称及缩写
区域在AAL的上缩写 区域名称
Occipital_Sup_L Left superior occipital gyrus
Occipital_Sup_R Right superior occipital
gyrus Occipital_Mid_L Left middle occipital
gyrus Occipital_Mid_R Right middle occipital gyrus
Occipital_Inf_L Left inferior occipital gyrus
Occipital_Inf_R Right inferior occipital gyrus
Temporal_Sup_L Left superior temporal gyrus
Temporal_Sup_R Right superior temporal
gyrus
Temporal_Mid_L Left middle temporal gyrus
Temporal_Mid_R Right middle temporal
gyrus
Temporal_Inf_L Left inferior temporal gyrus
Temporal_Inf_R Right inferior temporal gyrus
ParaHippocampal_L Left parahippocampal
gyrus ParaHippocampal_R Right
parahippocampal gyrus
Lingual_L Left lingual gyrus Lingual_R Right
lingual gyrus
Calcarine_L Left calcarine
Hippocampus_L Left hippocampus 左侧（图4-3）和右侧（图4-4）梭状回子区的全脑连接模式显示了这3个子区有着完全不同的静息态功能激活。从正激活的情况看，内侧梭状回主要和掌管视觉、运动的脑区正连接，如顶上小叶、颞中回前部、额上回后部和脑岛中部。前部的梭状回则相对正激活区域较前两个子区少，主要集中在默认网络相关的脑区，如楔前叶、额中回下部、枕上回以及外侧额上回。和梭状回各子区显著负相关的脑区是，内侧梭状回为：额上回内侧、额下回和颞上回后部；外侧梭状回为：内外侧额上回、顶下小叶、后扣带、颞中回前部和颞极；前侧梭状回为：枕叶、外侧额上回前部、内侧额上回后部、中央前回以及脑岛前部。需要注意的是，左右半脑的外侧梭状回在静息态功能连接上有显著的偏侧化，左边的外侧梭状回和语言区有连接而右边外侧梭状回没有。 正相关，如内外侧枕叶的大部分区域、中央前回、脑岛后部、颞上回下部。外侧梭状回主要和高级的视觉皮层以及部分和语言相关的脑区 图4-3 左侧梭状回子区的全脑功能连接激活图。图中对角线位置（白色背景）为组内单样本T检验显著性的结果，代表各子区自身的静息态功能连接脑区；图中非对角线部分（淡蓝色背景）为组间配对双样本T检验显著性的结果，反应不同子区间的功能连接差异。FDR校正，p<0.05，voxel size>50。 图4-4 右侧梭状回子区的全脑功能连接激活图 均。 4.3.2 实验结果 图4-6 左侧梭状回子区功能网络参与程度指纹图。图中左侧柱状图指示不同子区在相同功能网络下的参与度（大于零为正连接，小于零为负连接）；右侧用指纹图显示各子区在正连接的情况下参与的功能网络分布模式。红色区域代表FGa,蓝色区域代表FGl,绿色区域代表FGm。 如图4-6和图4-7所示，不同的梭状回子区分别用绿蓝红三色表示。图中左侧显示各梭状回子区和10个功能子网络的正负连接值，分别用正负相关性表示。相关性值越接近于说明梭状回子区参与这个功能子区的可能性越大。图右边用指纹图 浅显的表示网络参与情况的趋势。
结果显示左右半脑的梭状回子区存在功能偏侧性，而且主要是左右的外侧梭状回子区，左右内侧和前侧的梭状回子区参与功能网络基本一致。内侧梭状回主要参与视觉相关的网络（RSN1, RSN2, RSN3），小脑网络（RSN5）和听觉网络（RSN7）。前侧梭状回主要参与默认网络（RSN4）和较弱的参与外侧视觉网络（RSN3）。左脑的外侧梭状回子区主要参与了视觉网络（RSN2, RSN3），小脑网 络（RSN5），运动网络（RSN6），感知网络（RSN9）和语言网络（RSN10）。右脑的外侧梭状回相对左脑缺失了和语言网络的相关性但仍保留了和其他子网络的功能连接。 图4-7 右侧梭状回子区功能网络参与程度指纹图 图4-6 左侧梭状回基于meta分析的行为学定位。图中左侧两列反应梭状回子区在任
务态下主要的行为活动；右侧两列为检测
梭状回子区行为功能时主要的实验范例。
FDR校正，p<0.05。
红色区域代表FGa,蓝色区域代表FGl,绿色
区域代表FGm。任务名称见表4-2。
本节结果同样用不同颜色指代梭状
回各子区，绿色为内侧梭状回，蓝
色为外侧梭状回，红色为前侧梭状 回。图中给出的行为学特征全部是
三个子区无论是从行为种类还是实验范例种类都有显著的不同。内侧和前侧子区参与的功能比较单一，而外侧梭状回则相对要复杂。
图左侧两列概率值显示的是有关行
为种类的分析结果。左右半球的内
侧梭状回主要和视觉感知相关（
language cognition, vision
perception）。外侧梭状回左右脑存在
偏侧性差异，左脑的外侧梭状回主
要处理语言相关的文字识别以及物
体形状识别（phonology, language
semantics, orthography, shape
perception）；右脑的外侧梭状回主要
和物体形状，人脸识别等视觉处理
相关（emotion, sexuality
interoception, shape perception）。前 侧梭状回相对来说参与的功能较少
，主要是语义的理解和
体形状的识别（language semantics,
shape perception）。
图4-6 右侧梭状回基于meta分析的行为学
定位。任务名称见表4-2。
表4-2 行为学分类名称的中英文表述
行为种类（Behavioral Domains） 实验范
例种类（Paradigm Classes） Action.
observation 动作观察 Cued explicit.
recognition 细节提示任务 Cognition.
language 语言认知 Delayed match to
sample 延时任务 Cognition.language. orthography 字形识别 Drawing 画画
Cognition.language.phonology 音韵识别
Face.monitor/discrimination 面部识别
Cognition.language.semantics 语义识别
Naming(covert) 命名任务（隐式）
Cognition.language.speech 语音识别
Naming(overt) 命名任务（显式）
Cognition.memory.explicit 明确记忆
Passive viewing 被动视觉 Cognition.
memory.working 工作记忆 Phonological.
discrimination 音韵辨认 Emotion.anger
愤怒情绪 Reading(covert) 阅读（隐式）
Emotion.fear 惊恐情绪 Reward task 奖赏任
务 Interoception.sexuality 性别内感
Semantic.monitor/discrimination 语义识别
Perception vision 视觉感知 Visual
distractor/visual attention 视觉注意
Perception.vision.shape 形态感知
图右侧两列概率值反应了各子区最
常被研究的实验设计范例。左右半
脑的内外侧及前侧梭状回在范例模 式上都有明显不同。左边半脑来看
，内侧梭状回相关的实验主要是考
察物体识别能力和视觉注意力（
naming, visual distractor/attention），第四章 梭状回子区结构与功能分析
35
外侧梭状回则集中在物体识别、阅
读文字识别和面部识别实验（
naming, reading, phonological/
semantic discrimination, face
discrimination），前侧梭状回则是语
义识别和物体认知（semantic
discrimination, naming, cued explicit
recognition）。右半脑来看，内侧梭 状回主要的考察主要集中在面
部识别和视觉注意实验（face
discrimination, visual distractor/
attention），外侧梭状回主要是面部
识别的实验（face discrimination），
而前侧梭状回的实验主要是物体
认知和识别（cued explicit
recognition, naming）。
4.5 梭状回子区结构和功能研究
结果讨论
在本章研究内容中，我们基于三分
区模式的梭状回最大概率图对梭状
回子区的结构及功能做了详细的研
究。首先每个子区和全脑所有体素
做白质概率纤维连接，构建出经过
梭状回的白质纤维束走形。然后将
纤维跟踪的目标区由全脑细分为按
照AAL模板的脑区，再重复子区-
脑区这种匹配模式的概率跟踪。这 样，我们可以确切的知道每个梭状
回子区的解剖学纤维连接模式，以
便从结构上更好的区分各子区。紧
接着，在确定完结构异同后，我们
对每个子区的功能模式和定位做
了比较。首先对比每个梭状回子区
的静息态全脑功能连接模式，包括
各子区本身的脑区共激活模式以及
模式间的区别。然后就同样的静息
态数据抽离出10个在静息态和任务
态下都保持相同波动的功能子网络
。依次计算每个子区和功能网络间
的功能连接，刻画出梭状回子区对
这10个子网络的参与情况，从而确
定静息态下子区的功能定位。最后
，基于先前大量的行为学和认知科
学对梭状回的研究，我们通过数据
统计算法估计各梭状回子区对不同
功能角色的参与概率。无论是在静 息态还是任务态下，梭状回分割模
式的功能定位都能准确表示并帮助
我们确定分割结果的准确性和合理
性。
内侧梭状回在结构上主要和内侧的
枕叶、颞下回和海马及周边脑区连
接，在纤维走形上和下额枕束、下
纵束都有联系。静息态功能连接和
功能网络的参与情况表明内侧梭状
回和枕极、内侧颞叶后部的脑区正
相关。这些脑区主要处理初级的视
觉信号，而且人类视觉系统的两条
通路（腹侧物体识别通路和背侧空
间位置识别通路）都源于这些脑区
直至高级的视觉区域。此外本研究
中行为学数据反映的功能定位也证
明内侧梭状回和视觉感知的处理有
紧密联系。基于以上的论据，我们
猜想梭状回的这个子区很可能负责 一些初级视觉信号的处理以及传输
，它作为一个桥梁把由初级视觉皮
层传入的视觉刺激信息传递给更高
级的视觉处理区域，比如外侧梭状
回。除此之外，我们还发现内侧梭
状回和颞上回及后侧脑岛有功能
连接，这些脑区构成了听觉网络的
一部分。之前的研究表明，人类感
知系统在处电子科技大学硕士学位论文
36
理多元信号有优势，如声音和视觉
，并且后侧的梭状回在处理声音视
觉同步化信号时的任务激活大于非
同步信号时的激活。另外，任务态
的功能磁共振研究也证实声音信号
包含的内容会影响视觉信号的处理
，如声音对脸部情绪感知的影响。
据此，梭状回有可能同时处理多元 信号，而内侧梭状回则主要负责这
个功能。
外侧梭状回在以往的研究中被广泛
的研究，通常认为它参与了面部辨
识，文字识别以及物体识别等视觉
认知。从本研究的功能连接以及行
为学功能定位来看，外侧梭状回的
功能角色和之前的研究结论很相近
。除此之外，双侧梭状回的功能
偏侧性也有明显的表征。左侧半脑
的外侧梭状回相对右侧的同源区和
语言处理的脑区有强相关，这和用
功能态磁共振的研究结论一致，说
明左脑的外侧梭状回作为一个核心
节点处理文字认知以及语义的理解
。右脑外侧梭状回的偏侧性在行为
学功能定位的结果中显示了相较左
脑有和视觉脑区较强的功能连接。
但是，右脑功能偏侧现在在静息态 下却不明显，这有可能和视觉网络
在有无相关刺激时网络内部信号的
半脑偏侧性有关。之前的研究证实
这个子区内的视觉任务，特别是面
部识别任务由半脑间合作处理并伴
随有视觉信息的左右传输。所以当
在静息态下缺少外部视觉刺激时，
有可能由交互作用产生的功能偏侧
化会明显减弱。今后的研究可以利
用任务实验更进一步证实外侧梭状
回的功能偏侧性。
前侧梭状回在结构连接上主要是通
过下纵束和周围脑区连接直至颞极
。而颞极作为高级语言中枢负责抽
象的语言理解功能。此外，前侧梭
状回在功能连接模式上和楔前叶、
后扣带以及颞中回有显著的正连接
。这些脑区常在静息态下激活而在
功能态下减弱，常称为默认网络（。 default mode network）。之前的研究
发现默认网络和语义理解网络有部
分重合。而且任务态的功能研究也
发现前侧梭状回在语义理解中有激
活。另外，颞叶上发现有一条由后
向前功能复杂度递增的语言通路，
即由初级视觉皮层开始到颞极结束
，其对视觉信息的处理由信号相关
的语义理解（stimulus-oriented
semantic processing）到多信息交互
的语义理解（transmodal semantic
processing）。因此，前侧梭状回可能
主要负责复杂视觉信息的理解，比
如前期经过内外侧梭状回处理的文
字和面部分类信息。实验中此子区
的行为学特征也证实了这个假设。
总的来说，梭状回各子区在结构连
接上的区别主要集中在连接强度，
其连接脑区的差别相对不明显。静 息态功能连接和子网络参与度都显
示了各子区不同的连接模式。最后
的行为学特征考察也同样说明了各
子区功能特征的特异性。对梭状回
子区的结构和功能属性的研究说明
此区域3分区模式的合理性，也一定
程度上表明使用解剖学白质纤维连
接来划分梭状回脑区的可靠性。 第四章 梭状回子区结构与功能分析
37
4.6 本章小结
本节从结构连接模式、静息态功能
连接模式、功能网络参与度和行为
学定位四个方面考察了梭状回分割
图谱的合理性。第一小节，讨论不
同子区的全脑白质纤维跟踪模式以
及和各脑区的连接强度。第二小节
，研究了各子区的全脑功能激活图
，对子区间的功能连接差异也做了 详细比较。第三小节主要评价了
3个子区在10个功能子网络中的参与
度。第四小节，进一步考察了对梭
状回子区的行为学评价。本章结果
合理解释了不同梭状回子区在脑认
知中扮演的角色。 电子科技大学硕士学位论文
38
第五章 总结及展望
5.1 总结
作为腹侧视觉网络上重要的一个环
节，人脑梭状回参与了物体识别，
人脸识别以及语义理解等方面的认
知功能。之前的任务态研究都是把
梭状回当成一块大的脑区进行研究
，根据任务激活进行功能定位。而
且早期的细胞构筑模板也没有将梭
状回细分，近几年新的结构脑模板
只是将梭状回后部进行了细胞构筑 的划分。基于梭状回参与的复杂功
能以及颞叶信息处理的模式排布，
我们认为梭状回上应该存在更加精
细的脑区划分。由于大脑功能活动
大量依靠脑区间的纤维连接，所
以依照白质纤维连接强度的差异可
以反映脑区功能上的异同。弥散磁
共振技术使得在活体上对大脑白质
纤维的观察成为可能。利用此技术
，我们第一次在结构连接的角度将
人体梭状回细分，构建了代表不同
功能角色的梭状回子区模式。
本文主要的贡献有： （1） 提出构
建梭状回分割种子区的新方法，即
先根据沟回模板，在T1结构项下
构建每个个体的梭状回ROI，然后
融合ROI结果计算概率模板。根据
合理的概率值，提取一个基于样本
的梭状回种子区。 的划分。基于梭状回参与的复杂功
能以及颞叶信息处理的模式排布，
我们认为梭状回上应该存在更加精
细的脑区划分。由于大脑功能活动
大量依靠脑区间的纤维连接，所
以依照白质纤维连接强度的差异可
以反映脑区功能上的异同。弥散磁
共振技术使得在活体上对大脑白质
纤维的观察成为可能。利用此技术
，我们第一次在结构连接的角度将
人体梭状回细分，构建了代表不同
功能角色的梭状回子区模式。
本文主要的贡献有： （1） 提出构
建梭状回分割种子区的新方法，即
先根据沟回模板，在T1结构项下
构建每个个体的梭状回ROI，然后
融合ROI结果计算概率模板。根据
合理的概率值，提取一个基于样本
的梭状回种子区。 ） 使用改进的谱聚类算法将梭
状回基于结构连接信息分成3部分
：内侧梭状
回（FGm）、外侧梭状回（FGl）和
前侧梭状回（FGa），并在多套数据
上进行重复性验证。无论是分类指
标还是重复性分割结果的分类模式
都说明
了3分区模式的可靠性和稳定性。
（3） 分别从全脑结构连接、脑区和
梭状回子区结构连接、全脑静息态功
能连接、功能子网络参与度分析以
及行为学定位5个方面考察梭状回3
分区模式的
合理性。所有结果都证实了这3
个子区在结构连接的模式和强度，
功能连接模式和子网络参与情况，
甚至行为学定位方面都具有特异性
。此外，左右半脑的相同子区也表 现了部分功能性偏侧。
（4） 基于分割模式和验证结论，
我们提出了梭状回细分子区可能的
功能角色。
内侧梭状回作为一个桥梁，将视觉
信息传到高级的视觉脑区，并融合
了声音等多元信息；左脑的外侧梭
状回主要处理文字的识别和部分物
体分类识别，而右脑的外侧梭状回
主要处理面部识别和物体分类识别
；前侧的梭状回和语义理解等抽象
认知活动相关。 第五章 总结及展望
39
5.2 展望
人类新脑图谱的构建目的是为了确
定功能活动更加细分的脑区体系。
利用灰质密度或灰质体积磁共振图
像（T1项）、弥散加权图像（DTI）以及 静息态（rest-fMRI）和任务态（task-
fMRI）的功能磁共振图像，基于磁
共振影像学的脑区划分可以从结构
和功能的各种方面方便准确的考察
脑图谱构建模式的合理性及可靠性
。目前，随着影像学技术手段的发
展，新脑图谱的创建工作也不断在
推进和改良。
首先，磁共振影像数据的采集分辨
率和数据分析算法在不断提高，这
为将来更加精细的脑图谱构建提供
了可能。早期的DTI数据分辨率较
低，计算白质纤维连接时导致空间
位置相近的脑区其属性区分度较差
，划分脑区时反映的信息量不足以
刻画精细的图谱。在DTI信号分辨
率提高后，加上数据分析算法的改
进如HARDI算法，对不同脑区结构
特异性的考察准确度有显著提高。 。其次，各种扫描态数据描述脑区
的信息不同，所以新脑图谱可以基
于多模态磁共振信息划分。结构图
像和功能图像所反映的内容不同，
前者考察脑组织结构包括灰质和白
质纤维，后者反映基于结构连接基
础的脑部活动，两者的对应性不
是完全契合的。所以只依据特定单
一的信息进行脑区划分可能无法反
应这个脑区子区排布模式的真实情
况。这要求将来的脑图谱研究考虑
多模态融合技术，构建无论是在结
构还是功能都具有显著差异的脑区
模板。
最后，聚类方法的提高和改进对最
终的脑区分割模式至关重要。现在
聚类算法的确定没有统一的规定，
一般来说用得较多的是k-means
聚类、谱聚类、基于图论的N-cut
[1] Basser PJ, Mattiello J, LeBihan D. MR
diffusion tensor spectroscopy and imaging
[J]. Biophys J,
1994;66:259-67. [2] Catani M, Jones DK,
ffytche DH. Perisylvian language
networks of the human brain[J]. Ann
Neurol, 2005;57:8-16. [3] Catani M,
Howard RJ, Pajevic S, Jones DK. Virtual in
vivo interactive dissection of white matter
fasciculi in the human brain[J]. Neuroimage,
2002;17:77-94. [4] Weiner KS, Golarai G,
Caspers J, et al. The mid-fusiform sulcus:
a landmark identifying both
cytoarchitectonic and functional divisions
of human ventral temporal cortex[J].
Neuroimage, 2014;84:453-65.
5] Caspers J, Zilles K, Eickhoff SB,
Schleicher A, Mohlberg H, Amunts K.
Cytoarchitectonical
analysis and probabilistic mapping of two
extrastriate areas of the human posterior
fusiform gyrus[J]. Brain Struct Funct, 2013;
218:511-26.
[6] Caspers J, Zilles K, Amunts K, Laird
AR, Fox PT, Eickhoff SB. Functional
characterization and
differential coactivation patterns of two
cytoarchitectonic visual areas on the
human posterior fusiform gyrus[J]. Hum
Brain Mapp, 2014;35:2754-67.
[7] Caspers J, Palomero-Gallagher N,
Caspers S, Schleicher A, Amunts K,
Zilles K. Receptor
architecture of visual areas in the face
and word-form recognition region of the
posterior fusiform gyrus[J]. Brain Struct
Funct, 2013.
8] Hassler R. [The development of
architectonics since Brodmann and its
significance for modern
brain research][J]. Dtsch Med Wochenschr,
1962;87:1180-5. [9] Wang J, Fan L, Zhang
Y, et al. Tractography-based parcellation of
the human left inferior parietal
lobule[J]. Neuroimage, 2012;63:641-52. [10]
Zhang Y, Fan L, Wang J, Zhu M, Yu C,
Jiang T. Connectivity-based parcellation of
the human
posteromedial cortex[J]. Cereb Cortex,
2014;24:719-27. [11] Fan L, Wang J, Zhang
Y, Han W, Yu C, Jiang T. Connectivity-
Based Parcellation of the Human
Temporal Pole Using Diffusion Tensor
Imaging[J]. Cereb Cortex, 2013. [12]
Beckmann M, Johansen-Berg H,
Rushworth MF. Connectivity-based
parcellation of human
cingulate cortex and its relation to
functional specialization[J]. J Neurosci,
2009;29:1175-90. [13] Haxby JV,
Hoffman EA, Gobbini MI. The
distributed human neural system for
face
perception[J]. Trends Cogn Sci, 2000;4:223-
33. 电子科技大学硕士学位论文
42
[14] Malach R, Levy I, Hasson U. The
topography of high-order human object
areas[J]. Trends Cogn
Sci, 2002;6:176-84. [15] Martin A. The
representation of object concepts in the
brain[J]. Annu Rev Psychol,
2007;58:25-45. [16] Op de Beeck HP,
Haushofer J, Kanwisher NG. Interpreting
fMRI data: maps, modules and
dimensions[J]. Nat Rev Neurosci, 2008;9:
123-35. [17] Tarr MJ, Gauthier I. FFA: a
flexible fusiform area for subordinate- level visual processing
automatized by expertise[J]. Nat Neurosci,
2000;3:764-9. [18] Weiner KS, Grill-
Spector K. Neural representations of
faces and limbs neighbor in human
high-level visual cortex: evidence for
a new organization principle[J].
Psychol Res, 2013;77:74-97.
[19] Amedi A, Jacobson G, Hendler T,
Malach R, Zohary E. Convergence of visual
and tactile shape
processing in the human lateral occipital
complex[J]. Cereb Cortex, 2002;12:1202-12.
[20] James TW, Humphrey GK, Gati JS,
Servos P, Menon RS, Goodale MA.
Haptic study of
three-dimensional objects activates
extrastriate visual areas[J].
Neuropsychologia, 2002;40:1706-14.
[21] Kitada R, Johnsrude IS, Kochiyama T,
Lederman SJ. Functional specialization and convergence
in the occipito-temporal cortex supporting
haptic and visual identification of human
faces and body parts: an fMRI study[J]. J
Cogn Neurosci, 2009;21:2027-45.
[22] Sergent J, Ohta S, MacDonald B.
Functional neuroanatomy of face and
object processing. A
positron emission tomography study[J].
Brain, 1992;115 Pt 1:15-36. [23] Kanwisher
N, McDermott J, Chun MM. The fusiform
face area: a module in human extrastriate
cortex specialized for face perception[J]. J
Neurosci, 1997;17:4302-11. [24] Gauthier I,
Skudlarski P, Gore JC, Anderson AW.
Expertise for cars and birds recruits brain
areas involved in face recognition[J]. Nat
Neurosci, 2000;3:191-7. [25] Gauthier I,
Behrmann M, Tarr MJ. Can face
recognition really be dissociated from
object recognition?[J]. J Cogn Neurosci, 1999;11:
349-70. [26] Adolphs R. Neural systems for
recognizing emotion[J]. Curr Opin
Neurobiol, 2002;12:169-77. [27] Beaton
EA, Schmidt LA, Schulkin J, Antony MM,
Swinson RP, Hall GB. Different fusiform
activity to stranger and personally familiar
faces in shy and social adults[J]. Soc
Neurosci,
2009;4:308-16.
[28] Pinkham A, Penn D, Wangelin B, et al.
Facial emotion perception and fusiform
gyrus volume in
first episode schizophrenia[J]. Schizophr
Res, 2005;79:341-3. 参考文献
43
[29] Yoon JH, D'Esposito M, Carter
CS. Preserved function of the fusiform
face area in
schizophrenia as revealed by fMRI[J]. Psychiatry Res, 2006;148:205-16. [30]
Walther S, Federspiel A, Horn H, et al.
Encoding deficit during face processing
within the right
fusiform face area in schizophrenia[J].
Psychiatry Res, 2009;172:184-91. [31]
Silverstein SM, All SD, Kasi R, et al.
Increased fusiform area activation in
schizophrenia during
processing of spatial frequency-degraded
faces, as revealed by fMRI[J]. Psychol
Med, 2010;40:1159-69.
[32] van Kooten IA, Palmen SJ, von
Cappeln P, et al. Neurons in the fusiform
gyrus are fewer and
smaller in autism[J]. Brain, 2008;131:987-
99. [33] Bolte S, Hubl D, Feineis-
Matthews S, Prvulovic D, Dierks T,
Poustka F. Facial affect
recognition training in autism: can we
animate the fusiform gyrus?[J]. Behav Neurosci, 2006;120:211-6.
[34] Dziobek I, Bahnemann M, Convit A,
Heekeren HR. The role of the fusiform-
amygdala system
in the pathophysiology of autism[J]. Arch
Gen Psychiatry, 2010;67:397-405. [35]
Pierce K, Haist F, Sedaghat F, Courchesne
E. The brain response to personally familiar
faces in
autism: findings of fusiform activity and
beyond[J]. Brain, 2004;127:2703-16. [36]
Cohen L, Dehaene S, Naccache L, et al.
The visual word form area: spatial and
temporal
characterization of an initial stage of
reading in normal subjects and posterior
split-brain patients[J]. Brain, 2000;123 ( Pt
2):291-307.
[37] Dehaene S, Naccache L, Cohen L,
et al. Cerebral mechanisms of word
masking and unconscious repetition priming[J]. Nat
Neurosci, 2001;4:752-8. [38] Dehaene S,
Cohen L. The unique role of the visual
word form area in reading[J]. Trends Cogn
Sci, 2011;15:254-62.
[39] Mei L, Xue G, Chen C, Xue F, Zhang
M, Dong Q. The "visual word form area" is
involved in
successful memory encoding of both words
and faces[J]. Neuroimage, 2010;52:371-8.
[40] Devlin JT, Jamison HL, Gonnerman
LM, Matthews PM. The role of the
posterior fusiform
gyrus in reading[J]. J Cogn Neurosci, 2006;
18:911-22. [41] Lehericy S, Ducros M,
Krainik A, et al. 3-D diffusion tensor
axonal tracking shows distinct
SMA and pre-SMA projections to the
human striatum[J]. Cereb Cortex, 2004;14:
1302-9. [42] Lehericy S, Ducros M, Van de
Moortele PF, et al. Diffusion tensor fiber tracking shows distinct
corticostriatal circuits in humans[J]. Ann
Neurol, 2004;55:522-9. [43] Altered white-
matter architecture in treatment-naive
adolescents with clinical depression -
ERRATUM[J]. Psychol Med, 2014:1. 电子科技大学硕士学位论文
44
[44] Alexopoulos GS, Kiosses DN,
Choi SJ, Murphy CF, Lim KO.
Frontal white matter
microstructure and treatment response of
late-life depression: a preliminary study[J].
Am J Psychiatry, 2002;159:1929-32.
[45] Bracht T, Horn H, Strik W, et al. White
matter microstructure alterations of the
medial forebrain
bundle in melancholic depression[J]. J
Affect Disord, 2014;155:186-93. [46]
Charlton RA, Lamar M, Zhang A, Yang S,
Ajilore O, Kumar A. White-matter tract integrity in
late-life depression: associations with
severity and cognition[J]. Psychol Med,
2013:1-11. [47] Jokinen H, Kalska H,
Mantyla R, et al. White matter
hyperintensities as a predictor of
neuropsychological deficits post-stroke[J]. J
Neurol Neurosurg Psychiatry, 2005;76:1229-
33. [48] Ihle-Hansen H, Thommessen B,
Fagerland MW, et al. Impact of white
matter lesions on
cognition in stroke patients free from pre-
stroke cognitive impairment: a one-year
follow-up study[J]. Dement Geriatr Cogn
Dis Extra, 2012;2:38-47.
[49] Delano-Wood L, Bondi MW, Jak
AJ, et al. Stroke risk modifies regional
white matter
differences in mild cognitive impairment[J].
Neurobiol Aging, 2010;31:1721-31. [50]
Durand-Birchenall J, Leclercq C, Daouk J, integrity in
late-life depression: associations with
severity and cognition[J]. Psychol Med,
2013:1-11. [47] Jokinen H, Kalska H,
Mantyla R, et al. White matter
hyperintensities as a predictor of
neuropsychological deficits post-stroke[J]. J
Neurol Neurosurg Psychiatry, 2005;76:1229-
33. [48] Ihle-Hansen H, Thommessen B,
Fagerland MW, et al. Impact of white
matter lesions on
cognition in stroke patients free from pre-
stroke cognitive impairment: a one-year
follow-up study[J]. Dement Geriatr Cogn
Dis Extra, 2012;2:38-47.
[49] Delano-Wood L, Bondi MW, Jak
AJ, et al. Stroke risk modifies regional
white matter
differences in mild cognitive impairment[J].
Neurobiol Aging, 2010;31:1721-31. [50]
Durand-Birchenall J, Leclercq C, Daouk J, Monet P, Godefroy O, Bugnicourt JM.
Attenuation
of brain white matter lesions after lacunar
stroke[J]. Int J Prev Med, 2012;3:134-8. [51]
D'Agati E, Casarelli L, Pitzianti MB,
Pasini A. Overflow movements and
white matter
abnormalities in ADHD[J]. Prog
Neuropsychopharmacol Biol Psychiatry,
2010;34:441-5. [52] Cutting LE, Cooper
KL, Koth CW, et al. Megalencephaly in
NF1: predominantly white matter
contribution and mitigation by ADHD[J].
Neurology, 2002;59:1388-94. [53]
Federspiel A, Begre S, Kiefer C, Schroth
G, Strik WK, Dierks T. Alterations of
white matter
connectivity in first episode schizophrenia[J]
. Neurobiol Dis, 2006;22:702-9. [54]
Connor CM, Crawford BC, Akbarian S.
White matter neuron alterations in schizophrenia and
related disorders[J]. Int J Dev Neurosci,
2011;29:325-34. [55] Begre S, Kleinlogel
H, Kiefer C, Strik W, Dierks T,
Federspiel A. White matter anisotropy
related to electrophysiology of first
episode schizophrenia during NoGo
inhibition[J].
Neurobiol Dis, 2008;30:270-80.
[56] Andreone N, Tansella M, Cerini R, et
al. Cortical white-matter microstructure in
schizophrenia.
Diffusion imaging study[J]. Br J Psychiatry,
2007;191:113-9. [57] Carr HY, Purcell EM.
Effects of diffusion on free precession in
nuclear magnetic resonance
experiments[J]. Physical Review, 1954;94:
630. [58] Torrey HC. Bloch equations with
diffusion terms[J]. Physical Review, 1956;
104:563.
[59] Le Bihan D, Breton E, Lallemand D, Grenier P, Cabanis E, Laval-Jeantet M.
MR imaging of 参考文献
45
intravoxel incoherent motions: application
to diffusion and perfusion in neurologic
disorders[J]. Radiology, 1986;161:401-7.
[60] Moseley ME, Cohen Y, Kucharczyk
J, et al. Diffusion-weighted MR imaging
of anisotropic
water diffusion in cat central nervous
system[J]. Radiology, 1990;176:439-45. [61]
Frank LR. Characterization of anisotropy
in high angular resolution diffusion-
weighted MRI[J].
Magn Reson Med, 2002;47:1083-99. [62]
Tuch DS, Reese TG, Wiegell MR, Makris N,
Belliveau JW, Wedeen VJ. High angular
resolution
diffusion imaging reveals intravoxel white
matter fiber heterogeneity[J]. Magn Reson Med, 2002;48:577-82.
[63] Ozarslan E, Mareci TH. Generalized
diffusion tensor imaging and analytical
relationships
between diffusion tensor imaging and
high angular resolution diffusion imaging
[J]. Magn Reson Med, 2003;50:955-65.
[64] Beaulieu C, Allen PS. Determinants
of anisotropic water diffusion in nerves[J].
Magn Reson
Med, 1994;31:394-400. [65] Beaulieu C,
Allen PS. Water diffusion in the giant
axon of the squid: implications for
diffusion-weighted MRI of the nervous
system[J]. Magn Reson Med, 1994;32:579-
83. [66] Stejskal E, Tanner J. Spin
diffusion measurements: Spin echoes in
the presence of a time‐
dependent field gradient[J]. The journal of
chemical physics, 2004;42:288-92. [67]
Frandsen J, Hobolth A, Ostergaard L, Vestergaard-Poulsen P, Vedel Jensen EB.
Bayesian
regularization of diffusion tensor images[J].
Biostatistics, 2007;8:784-99. [68] Basser PJ,
Pierpaoli C. Microstructural and
physiological features of tissues
elucidated by
quantitative-diffusion-tensor MRI[J]. J
Magn Reson B, 1996;111:209-19. [69]
Pierpaoli C, Jezzard P, Basser PJ, Barnett
A, Di Chiro G. Diffusion tensor MR
imaging of the
human brain[J]. Radiology, 1996;201:637-
48. [70] Mori S, van Zijl PC. Fiber
tracking: principles and strategies - a
technical review[J]. NMR
Biomed, 2002;15:468-80.
[71] Lazar M, Weinstein DM, Tsuruda JS,
et al. White matter tractography using
diffusion tensor
deflection[J]. Human brain mapping, 2003; 18:306-21. [72] Basser PJ, Pajevic S,
Pierpaoli C, Duda J, Aldroubi A. In vivo
fiber tractography using DT‐
MRI data[J]. Magnetic resonance in
medicine, 2000;44:625-32. [73] Poupon C,
Clark CA, Frouin V, et al. Regularization
of diffusion-based direction maps for the
tracking of brain white matter fascicles[J].
Neuroimage, 2000;12:184-95. [74] Behrens
TE, Woolrich MW, Jenkinson M, et al.
Characterization and propagation of
uncertainty 电子科技大学硕士学位论文
46
in diffusion-weighted MR imaging[J].
Magn Reson Med, 2003;50:1077-88. [75]
Kubicki M, McCarley R, Westin CF, et al.
A review of diffusion tensor imaging
studies in
schizophrenia[J]. J Psychiatr Res, 2007;41:
15-30. [76] Hagmann P, Thiran JP, Behavioral interpretations of intrinsic
connectivity
networks[J]. J Cogn Neurosci, 2011;23:
4022-37. [81] Laird AR, Lancaster JL,
Fox PT. BrainMap: the social evolution of
a human brain mapping
database[J]. Neuroinformatics, 2005;3:65-
78. [82] Laird AR, Eickhoff SB, Kurth F,
et al. ALE Meta-Analysis Workflows Via
the Brainmap
Database: Progress Towards A
Probabilistic Functional Brain Atlas[J].
Front Neuroinform, 2009;3:23.
[83] Eickhoff SB, Laird AR, Grefkes C,
Wang LE, Zilles K, Fox PT. Coordinate-
based activation
likelihood estimation meta-analysis of
neuroimaging data: a random-effects
approach based on empirical estimates of
spatial uncertainty[J]. Hum Brain Mapp,
2009;30:2907-26.
