扩散磁共振成像（diffusion MRI, dMRI）正在从“看白质是否异常”，走向“定位白质通路中哪里异常、异常到什么程度”的精细化分析阶段。在这一过程中，沿束定量分析（tractometry）被认为是连接微结构成像、脑网络研究与临床疾病表型的重要桥梁。但一个核心问题始终存在：我们是否必须先重建出纤维束，才能可靠地刻画纤维束内部的微结构变化？ 传统答案通常是“是”。我们的工作尝试给出另一种可能：不再依赖 tractography，而是直接从白质束掩膜中完成束分割、中心线估计与沿束微结构聚合。下面我们将讲清楚：这个问题为什么难、我们是怎么想的、我们做到了什么、还有哪些没做到。
1. 为什么必须解决？
沿束定量的价值，在于它把白质分析从粗粒度的体素或区域平均，推进到沿具体神经通路的空间定位分析。这对于解释神经发育、衰老、精神疾病、神经退行性疾病以及脑损伤后的局部白质改变，都具有直接意义。
但现有主流 tractometry 框架大多建立在 tractography 之上，包括 Automated Fiber Quantification（AFQ）和 Bundle Analytics（BUAN）。这一路线虽然成熟，但存在几个难以回避的问题。
第一，它无法彻底摆脱 tractography 的间接推断误差。白质纤维流线并不是直接观测到的解剖结构，而是由局部扩散方向逐步推断得到。因此，一旦局部方向估计出现偏差，误差就会沿着流线传播。
第二，它在交叉纤维、扇形纤维和复杂白质区域中容易产生假阳性或假阴性流线。对于一些细小、弯曲或靠近灰白质边界的束，这种误差会直接影响后续沿束节点的定位。
第三，它对高质量方向信息和较长采集时间依赖较强。尤其是在临床或大规模人群研究中，扫描协议往往难以支持高质量纤维方向分布估计，这限制了 tractometry 的普及。
这些缺陷共同导致一个长期问题：tractometry 的空间精细度看似很高，但其可靠性仍被 tractography 的重建质量所限制。 这也是我们开展 AutoATQ 的根本动机。
2. 核心思路是什么？
我们跳出了一个传统前提：并不是只有“先追踪流线，再沿流线采样”这一条路，才能完成沿束定量。
不同于以往从纤维流线出发，我们从白质束空间占据区域重新审视这个问题。换句话说，我们不再问“这条流线应该怎么走”，而是问：“如果一个白质束已经被准确定位，我们能否直接在这个束的空间形态中找到一条稳定中心线，并沿这条中心线组织微结构信息？”
这个思路类似于把复杂的“道路重建问题”，转化为“城市区域内主干道定位问题”。传统 tractography 试图恢复每一条可能的道路；而我们更关注一个白质束作为整体结构时，其中心走向和沿程微结构变化是否能够被稳定估计。
围绕这一思想，AutoATQ 形成了三个关键环节。
首先，我们利用球面均值信号（spherical mean signal）构建与方向无关的输入表示。这样做的核心意义是弱化纤维方向差异带来的不稳定性，使模型更关注组织本身的扩散特征。
其次，我们使用 U-Mamba 网络对 72 条预定义白质束进行分割。相比仅依赖流线重建，这一步直接学习白质束的空间掩膜，使模型能够在重叠束和复杂区域中保留多标签结构。
最后，我们设计了基于 PointNet 思想的中心线预测网络，将每个白质束掩膜转换为三维点云，并从点云整体形态中估计束中心线。随后，模型沿中心线聚合体素级微结构指标，形成类似 BUAN 的沿束 profile。
这一路线对应解决了前文的三个痛点：它绕开了流线传播误差，降低了复杂纤维区的方向依赖，也为较短、更灵活的 dMRI 采集协议提供了 tractometry 分析入口。
3. 得到了什么发现？
发现一：沿束定量并不必然依赖 tractography。 AutoATQ 在不重建纤维流线的情况下，仍能得到与 BUAN 高度一致的 tract profile。这挑战了“tractometry 必须以 tractography 为前提”的常规假设。
发现二：白质束掩膜可以承载足够的空间组织信息。 通过 U-Mamba 分割 72 条白质束，并结合点云中心线预测，模型能够从束的整体空间形态中恢复沿束分析所需的主轴结构。这填补了“从 mask 到 tractometry”之间的方法空白。
发现三：20–50 个中心线节点是当前框架下更稳健的选择。 实验显示，在 20 或 50 个中心线点设置下，AutoATQ 与 BUAN 的结果最为一致；当节点增加到 100 时，性能明显下降。这提示我们：无 tractography 的沿束定量并不是节点越密越好，而需要匹配掩膜体素数量与空间分辨率。
4. 学术边界说明
坦诚地说，AutoATQ 仍然是一个方法学原型，而不是对所有 tractometry 场景的完整替代。
第一，我们目前主要在 Human Connectome Project（HCP）数据上验证。HCP 数据质量较高，扫描协议较规范，因此模型在临床低质量数据、多中心异质协议和病灶脑结构中的泛化能力仍需要进一步测试。
第二，AutoATQ 依赖预定义白质束掩膜和监督学习标签。当前中心线标签仍来自 BUAN 的高质量 tractography 结果，因此它并非完全摆脱 tractography 知识，而是将 tractography 的先验转化为可学习的结构表征。
第三，对于极细小、形态高度变异或病理改变明显的白质束，掩膜本身可能不稳定。当束分割出现明显偏差时，中心线预测和沿束聚合也会受到影响。
下一步，我们认为有两个方向值得推进：一是开展跨数据集、跨协议、跨疾病队列的系统验证；二是进一步探索弱监督或自监督中心线学习，使模型减少对传统 tractography 标签的依赖。
5. 结尾
总体来看，AutoATQ 的贡献不在于简单替代某一个工具，而在于提出了一种新的 tractometry 思路：沿束微结构分析可以从“流线驱动”转向“束结构驱动”。 这为临床受限采集、大规模人群影像研究和快速白质定量分析提供了新的方法入口。
论文引用： Zhang C., Xie Y., Wan Z., Wang T., Wu Y. AutoATQ: Automating Along-Tract Quantification without Tractography. IEEE International Symposium on Biomedical Imaging, 2026. DOI: 10.1109/ISBI61048.2026.11515591. 代码链接：https://github.com/Zhang-Chengzhe/AutoATQ