脑图谱在神经科学研究及临床医学中扮演着关键角色。然而，由于群体水平脑图谱忽略了个体间脑区差异，在精准医学快速发展的当下，其适用性受到限制。与此相对地，个体水平脑图谱能够提供精确的个体级别脑功能区定位，有效弥补了群体水平图谱的不足，被认为具有广泛的应用前景。近年来，研究者们提出了多种基于磁共振影像（magnetic resonance imaging，MRI）的个体脑图谱绘制方法，但大多数研究仅限于利用单一模态 MRI 所获取的个体信息。相比之下，多模态融合能更全面地捕捉和描述脑功能与结构组织。针对这一现状，本论文对现有的个体脑图谱绘制方法进行了系统梳理，将其分为基于优化的方法和基于学习的方法两大类，并基于这两类中多模态方法存在的局限性展开了针对性研究。本文分别提出了基于优化的和基于学习的多模态个体脑图谱绘制新方法，并从多个维度对所提出方法进行了验证和初步应用研究。本文的主要贡献和创新点包括：

（1）针对现有基于优化的多模态方法在个体图谱同源性方面的不足，本文 提 出 了一种基于多模态脑连接信息的 脑 图 谱 个 体化方 法（multimodal connectivity-based individual parcellation，MCIP）。MCIP 基于弥散磁共振成像（diffusion MRI，dMRI）和静息功能磁共振成像（resting-state functional MRI， rsfMRI），通过融合个体的功能连接和解剖连接特征，优化了脑区内的同质性、空间连续性和与参考图谱的相似性。MCIP 不依赖于多被试数据，可直接生成单个被试的个体图谱，且具有良好的脑区同源性，特别适合应用于疾病患者、非人灵长类动物等小样本数据场景。本研究在个体图谱的功能和解剖同质性、认知行为的预测性能、遗传性、可重复性和跨物种的鲁棒性方面对 MCIP 进行了验证，证实了其在总体上优于现有的基于多模态信息的个体化方法。本研究还对人类和猕猴的脑区拓扑变异进行了比较研究，发现人类的脑区拓扑变异性高于猕猴。总体而言，MCIP 提供了脑区在个体水平上的准确定位，并有潜力用于神经科学和精准医疗中。

（2）任务功能磁共振成像（task functional MRI，tfMRI）反映大脑在执行任务下的功能活动，是一种对个体分区有重要作用的数据模态，然而在科研和临床环境中获取一系列高质量的 tfMRI 数据耗时费力。本文提出了一种基于学习的脑图谱个体化方法（atlas individualizing with task contrasts synthesis，TS-AI），可以利用 tfMRI 对比图的合成帮助个体图谱的绘制。另一方面，通过引入特征一致性损失，TS-AI 克服了现有基于学习的方法因缺乏真实标签而带来的局限性，能充分利用深层神经网络具有的强大学习能力以得到性能更优的个体图谱。本文使用多种参考图谱和数据集对个体图谱的可重复性、同质性和认知行为预测能力进行了评估，展示了 TS-AI 的优越性能和泛化能力。对 TS-AI 进行的敏感性分析揭示了影响各脑区个体差异的多模态特征。此外，TS-AI 能够识别出在阿尔茨海默病进展过程中颞叶内侧和额叶区域的加速萎缩，表明其能够识别疾病生物标记，具有临床研究和应用价值。

综上所述，本研究提出了两种基于多模态磁共振影像的个体脑图谱绘制方法，克服了以往基于多模态信息的个体图谱绘制方法存在的不足，提供了脑区在个体水平上的准确定位，为神经科学和精准医学的发展提供了新工具。