引言神经科学的一个关键挑战是随着发育过程，人类大脑是如何生长和适应的。磁共振成像 (MRI) 和连接组学方法的出现允许对活体进行非侵入性多模态探索。连接组学研究需要大型数据集的支持，在定义大脑图谱或将大脑连接与行为联系起来的研究方面最为成功。发展人脑连接组计划 (dHCP, http://www.) 将创建并公开提供早期结构和功能发育变化的四维图像。目前正在获取来自胎龄为 20-44 周的胎儿和婴儿的多模态MRI的大型数据集，以及相应的遗传、临床和发育信息，目的是让研究人员能够探索遗传和环境对大脑发育的影响，并进一步了解大脑连接和神经认知功能之间的关系。 这项工作专注于使用扩散 MRI (dMRI) 数据评估婴儿的结构连接性。dMRI是一种在早期发育过程中探测大脑连接和微观结构的强大技术。然而，婴儿的 dMRI数据存在一些挑战。对婴儿进行成像可能很困难，需要专门的医疗设施、操作员、设备和采集协议。图像分析具有挑战性，必须对成人大脑开发的分析工具进行改进或扩展。在分析婴儿 dMRI 时，需要考虑一些在处理成人数据时被忽略的问题，例如体积内运动（图 1A）。过度运动会导致严重的信号丢失，并不能反映解剖学相关的水分子各向异性；此外，结合较短的重复时间，由于自旋历史效应（spin-history effects），可能会导致显著的强度变化。由于任何给定的自旋连续激发之间的时间缩短，自旋历史效应（spin-history effects）可能会因厚且重叠的层数而进一步加剧。小且可变的头部尺寸会调节信噪比 (SNR)，必须加以考虑（图 1B）。婴儿大脑中的组织游离水含量较高，各向异性较低，并且婴儿大脑不均匀成熟会在几周内显著改变信号分布（图 1C）。因此，需要针对婴儿 dMRI连接组的分析定制解决方案。
本项工作针对婴儿 dMRI 数据开发和优化了一个全自动处理管道（pipeline）。该管道将有关扫描协议的原始数据和信息作为输入，对失真、伪影和运动进行校正，并对原始厚且重叠的切片（slice）进行超级分辨率。该管道使用考虑婴儿大脑白质固有的低各向异性的方法来估计白质纤维方向。然后，使用年龄匹配的模板，白质纤维连接通过自动纤维束成像框架分割为 16 个纤维（其中 13 个是双边的）联络纤维、投射纤维、边缘纤维、小脑和连合束。这允许在人口水平上绘制特定纤维的微观结构和形态变化。鉴于 dHCP 中包含大量受试者，本框架能够进行自动质量控制 (QC)，来评估图像质量并允许检测残留问题或数据不一致问题。本文使用该数据处理流程对胎龄 38-44 周的 140 名婴儿的dMRI数据进行分析。 被试及dMRI采集dHCP采集MRI数据；该研究得到了国家研究伦理委员会的批准，并得到所有参与者父母的书面知情同意。给婴儿喂食，包裹放入扫描仪，并鼓励他们在扫描仪中自然睡眠；没有给予镇静剂。图像是在Evelina London Children's Hospital婴儿重症监护病房内的 Evelina Newborn Imaging Centre获得的。全程监测脉搏血氧饱和度、体温和心率，并为每个婴儿提供耳朵保护，在整个扫描过程中都有儿科医生或护士在场。之前已经开发了一种专用的患者处理系统，该系统鼓励婴儿在图像采集期间自然睡眠并减少运动。 这项研究的数据包括 140 名婴儿（51 名男性，89 名女性），出生时的中位数（范围）为 40（36.6-42.1），并在胎龄为 40.9（37.6-44.4）周时成像（见补充图1）。在纳入分析之前，所有图像均由儿科神经放射科医生审查。 预处理流程图像采集协议在配备婴儿专用 32 通道头部线圈和 80 mT/m 梯度的 3T Philips Achieva 扫描仪上采集 dMRI 序列。简而言之，使用单极自旋回波平面成像 (SE-EPI) 的Stejksal-Tanner 序列获取数据（Δ = 42.5 ms，δ = 14 ms）。为了使 dMRI 采集时间短于 20 min，多频带因子为4（TR = 3800 ms，TE = 90 ms）。单个体积采集64层交错重叠切片(平面内分辨率=1.5 mm，厚度=3 mm，重叠=1.5 mm，步骤3)，超分辨率后获得的各向同性体素分辨率为1.5 mm。总成像体积为150×150×96 mm3，以覆盖胎龄44周婴儿头部的95%左右。每个受试者共收集300个volume（20 b0s），采集4个不同的相位编码(PE)方向(后>前、前->后、左->右、右->左)和3种不同的b值 (400、1000和2600s/mm2)。独特的扩散编码方向(每个b值为64、88和128)和大小以最大化婴儿脑白质和灰质之间的dMRI组织对比度。multi-shell HARDI协议优化基于dMRI信号内容，不依赖于任何特定的重建算法。切片、扩散编码方向和PE方向之间最佳交替，以限制运动伪影和梯度占空比。 图2显示了dHCP婴儿自动化数据分析流程。在接下来的部分中，我们将详细介绍每个处理阶段，并讨论解决特定问题的方法。  偏共振场强估计使用快速SE-EPI序列来最小化运动的影响。然而，EPI对组织的磁化率差异非常敏感，这种差异会产生场不均匀，从而导致沿着PE（相位编码）方向的图像失真。 为了纠正这种失真，可以直接测量偏共振场（off-resonance field），或者参考dHCP婴儿采集协议，使用不同的PE方向获取dMRI数据。更具体地说，组合使用反向PE方向获取的EPI图像提供了有关磁化率引起的失真信息。这些信息可以用来估计磁化率引起的偏共振场（off-resonance field），当转换为位移场并应用于原始数据时，可以恢复每个扭曲体素的正确位置，并恢复正确的大脑几何形状。这对dMRI数据配准到更高分辨率的解剖图像（例如，T1或T2加权）十分重要。 在dHCP中，共采集4个PE（相位编码）方向。当估计具有不同PE编码的多个体积的磁化率场时，这些体积不受体积内运动的影响是十分重要的。因此，为了避免由运动引起的信号丢失，处理流程为每个PE方向选择最佳的b0体积对（即，受体积内运动引起的明显形状变化影响最小）。为此，首先使用刚体配准对每个单独PE方向的所有b0进行对齐(6个自由度)。然后，得到每个b0与其他PE匹配体积之间的平均相关性。对于每个PE方向，选择具有最高平均相关性的两个b0体积，因为它们受体积内运动的影响较小。选择与所有其他b0具有最高平均相关性的体积用作后续预处理(补充图2)。 图3显示了使用四个PE方向在出生后41周扫描的婴儿数据b0图像（原始vs 校正后）。不同体积显示出不同的易感失真程度和方向，这取决于在获取过程中使用的PE方向。FSL的TOPUP用于估计偏共振场强，然后将其用于下一步分析(见下文)，在该步骤中，磁化率和涡流引起的失真随着受试者运动而被校正。  失真校正(磁化率、涡流和运动)为了解决运动、运动引起的信号丢失和涡流引起的失真，使用非参数方法(FSL EDDY)在单个重采样步骤中校正失真。该框架基于未失真数据的高斯过程(Gaussian Process, GP)预测器，利用输入数据的冗余。使用位于球体上相对锥体内的扩散敏感方向采样的体积显示出相反的涡流失真，因此这些体积的平均值近似为无失真。GP使用整个测量数据集作为输入来表示扩散信号的形状如何作为b值和扩散编码方向的函数变化，并在无失真空间中产生预测。将基于GP的预测值与数据进行比较，并利用两者差异来更新当前对涡流和运动参数的估计。这些估计被迭代直到收敛，一旦被估计，它们被用来消除原始数据的失真。在迭代过程结束时，还使用运动参数来旋转用户提供的扩散编码方向。  第二个扩展通过重新排列相同体积内的切片来处理体积内运动。切片到体积运动模型增加了估计运动的时间分辨率，该时间分辨率最初通过拟合连续运动模型而受到重复时间(TR)的约束。图5显示了dHCP示例受试者中，校正单个显著移动的体积内运动结果。该图显示，当只使用基于体积的校正方法时，仍然存在一个明显的之字形轮廓，当使用所建议方法时，这一点得到了校正。
图5. 最左边的一栏显示了同一受试者两个体积的矢状图(b=1000 s/mm2)。中间和右侧列分别使用基于体积的移动模型和切片到体积的移动模型显示了相同两个体积的预处理矢状图。 超分辨率优化的dHCP图像采集协议旨在尽可能短的时间内获取大数量的体积(即总共300个)。为了在保持高信噪比的情况下实现最大的大脑覆盖，切片厚度被设置为平面内分辨率的两倍，即3 mm，同时将切片间距保持在1.5 mm。当样本数目与各向同性分辨率相同（都是1.5 mm）时，可以在规则网格（grid）上应用超分辨率（super-resolution）重建算法恢复各向同性分辨率。使用较厚的重叠切片有利于在存在运动时避免数据间隙，但也可能加剧自旋历史效应并导致穿透平面方向上的模糊。超分辨率算法通过对已知点扩散函数(point spread function, PSF)从高分辨率各向同性体积中获取厚切片进行建模并求解逆问题，以从所获取切片中恢复各向同性分辨率来消除这种模糊。在当前处理流程中，对失真校正后的数据采用超分辨率算法，并沿切片选择方向分别对每个扩散加权图像进行处理，以避免同时使用整个数据集的计算负担。 配准到解剖和标准空间获得将扩散数据与结构图像对准的变换矩阵，以允许个体到标准空间的进一步配准。由于高信噪比以及白质和灰质之间的对比度，使用b=1000s/mm2的平均衰减剖面将扩散数据配准到高分辨率T2加权图像。根据灰白质的边界信号差(BBR)，使用FLIRT进行配准（具有6个自由度(DOF)的刚体变换）。与体积配准方法相比，BBR具有对后处理残余失真不那么敏感的优势(图6)。当与使用原始数据获得结果相比较时，我们观察到一些受试者的相关值非常低。这些是由于组织对比度非常低以及高度失真(补充图3)。然后，我们使用FSL FNIRT将线性变换矩阵(扩散图像到T2加权像)与非线性配准(T2到年龄匹配的模板)相结合，以获得从扩散空间到年龄匹配标准空间模板的映射。我们使用这些变换来平均标量图和跨受试者的纤维方向，得到BBR所需的脑白质分割和从dHCP结构处理结果中得到的非线性变形场。最后，所得到的变换矩阵被反转，以得到从标准空间到个体的扩散图像。  质量控制在处理诸如dHCP之类的大型数据集时，自动质量控制(QC)对于检测数据处理和不一致问题非常重要。我们开发了一个dMRI质量控制框架，该框架读取处理流程中不同阶段的输出，并生成汇总数据质量统计数据。QC在个体和组级别两个层面上进行。表1概述了所有估计的质量控制指数。 表1 QC指标概述
在数据导入阶段，自动化QC框架检查是否已获得所有300个volumes。当获取的volumes总数不到11.3%(即34)时，数据被认为是不完整的，不会进一步处理。这是能够估计偏共振场所需的最小volumes数量，因为当达到34个volumes时，获得了两个PE方向相反的b0图像。如果达到此阈值，我们就能够执行失真校正并生成QC评估。但这并不意味最优，volumes减少将反映在所有CNR指标的减少值中。计算并报告绝对和相对运动。前者量化参考体积和每个其他体积之间的位移，后者量化两个连续dMRI体积之间的位移。我们发现，对于足月出生的受试者来说，平均绝对运动的中位数为1.52毫米(标准差：0.62，最小值：0.56，最大值：6.31毫米)。作为比较，我们计算了成人人脑连接组项目(HCP)受试者子集(n=50)的平均绝对运动，发现中位数为0.83 mm(标准差：0.29，最小值：0.11，最大值：3.21 mm)。 计算了几个与异常值相关的质量控制指标。离群值总数根据b值、PE方向和单个体积进行划分。还计算了单个切片被标记为异常值的次数，以检查由于图像重建问题或硬件故障而导致的采集静态空间不一致。与HCP数据相比，dHCP总异常值切片的中位数百分比几乎高出5倍(dHCP为1.89%，HCP为0.39%)。 为了检查磁敏感性引起的失真校正和从dMRI空间到个体解剖空间配准的准确性，我们还计算了平均b0图像和高分辨率T2加权像之间的相关性。这些相关值的分布有助于识别有问题的受试者。 一旦到个体原始解剖空间配准完成，白质和灰质分割的二值mask被映射到dMRI空间。它们被用来计算特定组织的平均对比度噪声比(CNR)和SNR。我们使用嵌入在EDDY中的非参数高斯过程获得预测数据，并使用最终的变形场估计和计算CNR、SNR。具体地说，我们通过将预测信号的标准差除以未失真空间中残差的标准差(即，原始数据和预测数据之间的差)来获得体素方向的CNR，为每个采集的shell获取CNR。仅使用b0体积作为平均预测信号与未失真空间中残差的标准偏差之间的比率来计算体素方向的SNR。然后，在WM/GM内对体素值进行平均。CNR和SNR对于量化数据集的质量都是有用的(图7)。在140名dHCP受试者中，白质中b=1000s/mm2的CNR中位数约为1.0(标准偏差：0.19，最小值：0.12，最大值：1.36)，而50名HCP受试者的CNR中位数为0.45(标准偏差：0.2，最小值：0.11，最大值：0.73)。140名dHCP受试者中白质的SNR中位数约为16(标准偏差：3.36，最小值：6.65，最大值：26.87)，而50名HCP受试者的白质SNR中位数为10(标准偏差：1.2，最小值：7.2，最大值：11.3)。这可能是体素大小的差异造成的，因为用于dHCP获得的体素体积是HCP的~3.5倍。  为了探究任何潜在差异或问题，我们还额外处理了25个早产儿大脑(扫描年龄范围：29-35周)。在运行完整个流程后，使用自动化QC框架来评估质量指标分布的差异。在处理此类数据时，没有发现可能会指出潜在问题的重大差异(补充图4)。 微观结构建模扩散张量(DT)模型仍然是目前应用最广泛的大脑微观结构研究方法。然而，基于高斯位移假设的DTI在高b值时被打破。为了克服这一限制并解释与高斯位移的偏差，我们使用了磁共振扩散峰度成像(DKI)。使用对数衰减的b值幂的二阶泰勒展开式将单个参数添加到平均峰度模型。这种方法提高了multi-shell的整体拟合度，并估计了平均峰度图(mean Kurtosis map, 图8)，该图量化了水分子位移的高斯偏差，可以反映不同程度的组织异质性。从DT的6个独立分量得到特征值和特征向量，并生成各向异性分数(FA)、轴向(AD)、径向(RD)和平均扩散率(MD)。图8显示了胎龄38-44周DT导出的微观结构参数估计的变化，每个年龄段有20名受试者(单个受试者的结果见补充图5)。  我们还应用了神经突取向弥散和密度成像(NODDI)。NODDI将dMRI信号描述为三个不同贡献水的总和，即受限(轴突内)、受阻(轴突外)和各向同性，并估计了一个神经突起方向分散程度来解释fibre fanning (图9和补充图6为单个受试者的结果)。为了模拟纤维取向的分布，使用Watson分布或Bingham分布。使用Bingham分布描述沿两个正交轴的纤维分布来提供其他信息。通过引入神经突起方向分散程度并估计细胞内和细胞外体积分数，NODDI模拟在发育过程中可能改变的组织微观结构和几何形状。由于适应模型需要非常长的计算时间，使用基于GPU的函数库来加速非线性优化。 纤维取向建模除了微观结构建模，我们还估计用于纤维束成像的纤维取向分布(FOD)。基于体素方向的dMRI信号是FOD和单纤维响应函数卷积的假设，我们使用参数框架来执行估计。 不同纤维束的微观结构差异，例如投射纤维束和联合纤维束之间的差异，加上轴突修剪和胶质细胞发育，使普通的单纤维响应函数的使用不是最优的。我们使用多隔间模型来执行参数反卷积，该模型将FOD视为增量函数的总和。与使用无限各向异性单纤维响应模型的参数模型相比，我们使用来自轴对称张量的响应模型(即具有相等的第二和第三特征值)。这一扩展能够更好捕捉婴儿dMRI数据固有的低各向异性。单纤维响应函数的各向异性能够改变，因为它的宽度是一个被估计的模型参数(λR，张量长短轴的比率)。我们提供了这个参数的先验知识，使用λR的高斯先验，根据数据估计先验均值和标准差。我们从有相干的白质纤维群取样。具体地说，使用标准胼胝体模板，并为每个受试者保留了FA值最高的50%体素。然后，计算λR的平均值和标准差。在140名婴儿的数据集中，平均值为0.3，平均标准差为0.08；分别比HCP的估计值大2.3倍和2.7倍，反映出较低的白质各向异性。 该参数模型允许体素特定的单纤维响应函数，并且可以估计显示低程度各向异性的深层白质区域内体素的纤维交叉。为了估计所有不同的参数及其不确定性，我们使用贝叶斯推理(Bayesian inference)和莱斯(Rician)噪声模型。该估计框架能够通过使用主动相关决策理论(automatic relevance determination, ARD)先验来去除不必要的纤维取向。 图10显示了胎龄为38至44周的二级和三级纤维取向的平均体积分数图，随着时间的推移，第二和第三纤维变得更加突出，特别是在成人大脑中显示多个纤维交叉的区域，如脑室周围深层白质区域。该图显示了模型选择程序(ARD)的结果。该方法自动拒绝其他纤维隔间（这些纤维隔间存在数据不强烈支持的问题）。因此，这些区域由于低纤维相干性和/或高含水率而表现出非常低的扩散对比噪声比(CNR)，要可靠地估计多个纤维隔室是非常具有挑战性的。在年龄较大的人群中检测纤维交叉的能力增强，表明数据的扩散对比度更高，这是由于白质中较高的结构一致性和髓鞘形成造成的。这反映了随着髓鞘形成的增加，减少了轴突外的水含量和短的皮质投射发育。  纤维束成像由于婴儿大脑发生着重大结构连接变化，建立一个不同发育阶段标准化的白质连接图谱十分重要。我们开发了标准脑空间纤维连接束成像方案，允许在不同年龄受试者自动重建16条白质纤维束(见表2)。 表2. 自动重建的解剖纤维束列表，可在年龄匹配的空间中获得所有这些ROI区域。当需要时，在两个半球中定义同源ROI。 图11. 自动纤维束追踪框架。为第44周定义了一组标准化ROI。该示例显示了虚拟解剖mask：seed：绿色，target：蓝色，exclusion：红色。然后，首先将感兴趣区变换到年龄匹配的模板，然后转换到受试者的dMRI空间。在个体扩散空间中运行纤维束追踪成像，然后将结果存储到年龄匹配的模板空间中。 在开始纤维束追踪前，使用非线性配准FNIRT将每个选定区域的ROI变换到与受试者扫描年龄匹配的模板上(以周为单位)。该步骤确保所有纤维追踪结果都与年龄匹配的模板空间相一致，以供进一步处理。然后在受试者的个体扩散空间中执行概率追踪成像，并且使用非线性变形场将结果从扩散空间重采样到年龄匹配的标准空间。当纤维追踪完成时，获得纤维追踪概率图(tract probability maps)。最后，对所有年龄匹配的纤维追踪概率图进行平均，以获得组平均图。图12显示了双侧纤维的平均纤维追踪概率图。该分析工具能够进行扩展/修改，并且由于使用GPU，计算效率很高。 使用大脑纤维束成像技术对于评估婴儿特定纤维束的微观结构变化非常有用。大多数关于婴儿脑白质微观结构的研究使用基于图谱的感兴趣区来确定重要纤维或手动分割。例如，使用自动化框架结果来定义特定年龄的白质模板，以提取特定纤维的微观结构指标。图13和补充图6显示了从DKI和NODDI获得的140名受试者的特定纤维微观结构指标的线性回归分析结果(回归系数的完整列表见补充表1)。大脑总体积作为协变量以回归部分容积效应，对两个协变量均取平均值。在年龄匹配的标准空间中，对不同个体的纤维束成像结果进行平均，0.01作为阈值，对其进行二值化以获得纤维束特定的模板。无论是死后还是活体dMRI研究中均发现白质纤维束的发育是不同步的，因此与年龄相关的回归系数大小的差异反映了个体白质纤维束不同的发育路径。 将从同一分析技术获得的不同微观结构指数之间的截距联系起来，也揭示了基于区域的集群。随着年龄的增长，FA增加和MD减少伴随着细胞内体积分数的显著增加和各向同性体积分数的减少。MD和各向同性体积分数的变化表明，发育中大脑的水含量普遍减少。 讨论这项工作提出了一个全面和自动化分析流程来处理婴儿dMRI数据，这些数据来自于dHCP。之前关于发育的研究涉及胎儿或婴儿数据分析的某个方面，如预处理、微观结构构建和结构连通性分析。尽管婴儿dMRI数据分析存在挑战，自动化分析流程能够一致地分析大量受试者(图1)。我们优化现有方法并开发新方法，成功对数据进行预处理。通过该自动化分析流程，可以纠正磁化率和涡流引起的失真、运动伪影和信号丢失。此外，还引入自动化质量控制框架，检测不同数据处理阶段发生的问题和数据不一致，并量化总体数据质量。这样的处理框架在处理大量不符合要求的受试者时是至关重要的，因为手动质量控制非常耗时且具有主观性。 婴儿大脑不仅仅是一个微型成人大脑，还带来几个分析挑战。与成人相比，婴儿大脑的dMRI信号有很大不同。婴儿大脑的特点是水含量较高，髓鞘形成较少。此外，灰质和白质也表现出不同的微观结构特征。之前工作认为，使用较低的b值(~700s/mm2)可能是婴儿dMRI的最佳选择，因为水含量较高。对于dHCP，使用数据驱动的方法来确定扩散编码方向和b值的最佳组合。这使我们能够最大化不同组织之间的对比度，并使用先进的分析技术来估计复杂的纤维几何形状。此外，与成年受试者相比，婴儿通常表现出更高的运动水平。在成人中不太明显的伪影在婴儿中会变得突出，例如体积内运动、错位和信号丢失。褶皱化模式、对比度和头部大小在整个发育过程中都有很大的变化。因此，我们开发了解决这种问题的新方法。此外，我们使用了特定年龄的模板和变换，以及专门的MR线圈，在为小尺寸脑成像时提高了信噪比。之前大多数研究都使用DTI来评估微观结构的变化和结构连通性。dHCP数据集中遵循的数据质量和采集策略允许使用 multi-shell分析技术，原则上可以估计更丰富的微观结构特征和同一体素内的多个纤维取向。为了在纤维束成像中实现以上好处，使用估计纤维交叉方法，通过假设一个非完全各向异性的响应函数来解释婴儿大脑的低各向异性。这在使用球形去卷积方法估计纤维方向时很重要，这种方法通常假设整个大脑的去卷积核相同。这一假设在婴儿大脑中不成立，在整个发育过程中，由于髓鞘形成和皮质投射的变化，局部各向异性发生变化。因此，我们放松这一假设，并允许反卷积核在空间中的变化。 使用体素估计的纤维方向，我们开发了一种婴儿专用的自动纤维束成像工具。这允许自动将白质分割成一组特定于受试者的长投射。它们可以用来确定感兴趣的区域，以便进一步进行特定纤维束的显微结构或形态分析。 这项工作使用的所有数据是共享的。原始和经过处理的dMRI、结构和rfMRI数据集将在http://www.上提供，是dHCP公共数据集发布的一部分，包括图谱和ROI，例如用于自动纤维束成像技术。处理流程也将在这一平台上提供。dHCP婴儿dMRI处理流程的当前版本已经可以从以下网址下载：https://git.fmrib./matteob/dhcp_neo_dmri_Pipeline_Release。 这项工作描述了当前版本的dMRI婴儿处理流程。然而，为了应对数据分析流程中的其他挑战，该工作仍有不断发展中。例如，由于婴儿数据中存在运动较多，因此在采集过程中，磁感场可能会发生显著变化。这意味着单一场图估算是不够的，应该在存在较大旋转和平移的情况下进行更新。此外，对解剖空间的配准还可以进行改进。与结构像(例如，T1或T2加权)相比，扩散MRI数据提供了额外信息。这可以改进对个体解剖空间的配准，例如扩散张量。还可以通过使用允许估计复杂的不对称子体素纤维模式的方法来改进纤维束成像结果。改进的皮层配准可以使皮质微观结构和连接组重建受益，例如允许基于多种模式配准皮层表面的先进技术，以及保留不同年龄的皮质位置模板。 结论本文提出了一种自动化预处理流程来分析婴儿dMRI数据，该流程能够有效地处理婴儿数据分析带来的挑战，并能够提供高质量的失真校正、微观结构和早期发育的连接结果，并提供了示例数据的使用和输出。该分析流程将允许研究人员使用dHCP数据集来探索关于人脑发育的重要问题。 |
|
|
