为什么需要这么多图谱
同一张皮层，换一套分区方案就换一副面貌。这不是因为哪一套更准，而是因为它们在回答不同的问题：Destrieux 的边界是一条沟，Yeo 的边界是一组相关性，Schaefer 的边界是一次优化的结果。把它们放在一起看，会看到一件平时容易忘记的事——分区是一种选择，不是事实。
| 图谱 | 粒度 | 一条边界代表什么 |
|---|---|---|
| Destrieux 沟回图谱 | 75 区 / 半球 | 一条沟或一个回的边缘 |
| Yeo 7 网络 | 7 网络 | 静息态功能连接的聚类界 |
| Yeo 17 网络 | 17 网络 | 同上，聚成更多类 |
| Schaefer 100 分区 | 100 区 | 功能连接梯度上的优化结果 |
| Schaefer 400 分区 | 400 区 | 同上，切得更细 |
Destrieux 沟回图谱
按沟回形态划分。每条边界都是解剖学家肉眼能指认的一条沟或一个回的边缘——它描述的是大脑长成什么形状。
适合用来
学解剖、给病灶定位、以及和教科书、手术记录、影像报告用同一套语言说话。
不能告诉你什么
沟回边界不等于功能边界。同一个脑回可以跨越两个功能网络，而同一个功能网络会横跨若干脑回——用沟回去谈功能会系统性地切错地方。另外个体的沟回变异很大，模板上的边界在具体某个人身上会偏移。
该用哪种表面看
折叠面。分区本身由折叠定义，必须在折叠面上看才成立。
Destrieux C, Fischl B, Dale A, Halgren E (2010). Automatic parcellation of human cortical gyri and sulci using standard anatomical nomenclature. NeuroImage, 53(1):1–15. DOI ↗
Yeo 7 网络
不问形状，只问「哪些地方在静息时一起活动」。边界由静息态功能连接的聚类得出，完全不参考沟回。默认网络、额顶控制网络这些概念，在这里第一次有了皮层上的具体位置。
适合用来
理解大脑的功能组织架构，看一个网络概念究竟落在皮层哪些地方、以及它是不是连续的一片。
不能告诉你什么
只有七类，粒度极粗，一个网络内部的异质性被完全抹掉。网络边界依赖聚类参数与被试群体，换一组数据会挪动。还有一点常被忽略：同一个顶点在 7 网络与 17 网络方案里可能归入看起来不相关的网络，因为那是两次独立的聚类，不是嵌套细分。
该用哪种表面看
充气面。网络边界横跨沟回，而折叠面把约三分之二的皮层藏在沟里，网络会被切成看不出形状的碎块。
Yeo BTT, Krienen FM, Sepulcre J, et al. (2011). The organization of the human cerebral cortex estimated by intrinsic functional connectivity. Journal of Neurophysiology, 106(3):1125–1165. DOI ↗
Yeo 17 网络
与 7 网络同源但聚成十七类，暴露出前者被合并掉的子系统——最典型的是默认网络其实可以再分成若干个各有偏好的子网络。
适合用来
看网络内部的异质性，理解「一个网络」这个说法本身有多粗。
不能告诉你什么
粒度提升同时意味着稳定性下降，十七类之间的边界比七类更依赖具体数据。官方没有给出逐个网络的通用中文名，所以本站只保留编号与官方配色，不自行命名——硬translate会造出一套没人用的术语。
该用哪种表面看
充气面。同 Yeo 7：功能网络与折叠无关，折叠只会遮挡。
Yeo BTT, Krienen FM, Sepulcre J, et al. (2011). The organization of the human cerebral cortex estimated by intrinsic functional connectivity. Journal of Neurophysiology, 106(3):1125–1165. DOI ↗
Schaefer 100 分区
在功能连接的梯度上做局部-全局联合优化：既要求每个分区内部信号均匀，又要求它整体归属于某个已知网络。产出的是大小相对均匀、可以直接当分析单元用的分区。
适合用来
看功能网络是怎么被切成可计算的单元的——真实研究里做脑区级统计分析时，这类分区是标准选择之一。
不能告诉你什么
分区编号本身没有解剖含义，`Vis_3` 只是视觉网络里的第三块，不对应任何有名字的结构。不同分辨率之间不嵌套：100 分区里的一块并不是 400 分区里某几块的并集。
该用哪种表面看
充气面。分区依功能连接而非折叠划定，理由同 Yeo。
Schaefer A, Kong R, Gordon EM, et al. (2018). Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI. Cerebral Cortex, 28(9):3095–3114. DOI ↗
Schaefer 400 分区
与 100 分区同法，但切得更细。粒度接近当下功能连接研究常用的尺度，能看出同一个网络内部被分成许多块、且这些块沿皮层呈梯度排列。
适合用来
看网络内部的空间结构，以及「分区数」这个选择如何改变你看到的图景。
不能告诉你什么
同 100 分区：编号无解剖含义、跨分辨率不嵌套。分得越细，单个分区的信号越不稳定，这是分辨率与可靠性之间的固有权衡。
该用哪种表面看
充气面。分区依功能连接而非折叠划定，理由同 Yeo。
Schaefer A, Kong R, Gordon EM, et al. (2018). Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI. Cerebral Cortex, 28(9):3095–3114. DOI ↗