神經影像資料處理/處理/步驟/配準和標準化

配準的概念

通常，配準是指對一系列影像進行空間對齊，這些影像可以來自同一受試者或不同受試者的影像體積，並且在預處理的多個步驟中使用。配準最常指將同一受試者的功能影像和結構影像對齊，以將功能資訊對映到解剖空間。標準化是指將受試者（主要是解剖）影像配準到標準模板，以克服不同受試者之間腦部形狀差異的問題。（此外，重新對齊對同一受試者的時間序列影像體積進行配準，以抵消受試者的頭部運動。）

典型的流程是透過仿射變換（即線性變換，保持比例）將平均EPI影像配準到受試者的結構影像，並使用非線性變換將結構影像扭曲到模板。從第二步中獲得的變換資訊可以應用到第一步中配準後的EPI，以在標準空間中獲得功能資訊。

解剖影像預處理

這些程式中使用的解剖影像也需要進行預處理。根據應用和配準模式，這可能包括去除低頻漂移（參見資料質量和時間濾波）、場圖校正、表面提取和組織分割（另見表面提取。根據軟體，這些步驟可以在配準過程中執行。

結構-功能配準

如果目的是研究受試者的功能啟用如何疊加到個體解剖結構上，則應將同一大腦的功能影像和結構影像對齊在一起。然而，同一大腦的功能影像和結構影像之間的差異並非微不足道。與具有清晰區域邊界輪廓的高解析度結構影像相比，功能影像通常是模糊的，並且存在幾何和強度失真。關於配準的基本思想類似於重新對齊，即定義一個代價函式，其目標是最大程度地減少影像引數之間的差異。但是，由於功能影像存在失真，六引數剛性變換可能不足以進行校正。根據失真複雜性的不同，可以採用九引數變換，其中另外三個引數用於解釋 x、y 或 z 軸上的縮放差異，甚至可以採用更復雜的演算法來量化代價函式。同時，由於功能影像和結構影像之間的對比度不同，互資訊比平方差之和更適合用作代價函式。

空間標準化

人類大腦的大小和形狀各不相同。這種大腦結構的變異性給受試者間大腦功能研究帶來了障礙，因為如何確定不同大腦之間的區域對應關係，即使它們存在差異。主要嘗試集中在建立一個三維笛卡爾座標空間中的參考系，作為不同大腦對齊的公共空間。空間標準化的最終目標是將大腦空間變換到公共空間，使它們彼此可比較。

模板

模板是指一個在座標空間中具有解剖特徵的代表性影像，它為對齊到它的個體影像提供了一個目標。 Jean Talairach 在 1967 年首次嘗試對參考腦圖譜進行建模。 一組解剖學標誌被定義為前連合 (AC)、後連合 (PC)、中線矢狀面和大腦在每個邊緣的外部邊界。 在大腦中這些錨點的基礎上，建立了三維座標空間。 更準確地說，前連合 (AC) 被設定為原點，從 AC 到 PC 的方向是 Y 軸；與 Y 軸相對應的縱向（半球間或正中矢狀）裂縫是 Z 軸；最後一個 X 軸垂直於 YZ 平面。Talairach 座標 提供了一種透過明確定義的程式將任何大腦歸一化到此模板的可能性。 但是，這種 Talairach 空間模板並不完美，其侷限性在於缺乏 MRI 掃描基礎以及不代表人群 呼籲進一步發展。 目前最常用的模板是由蒙特利爾神經研究所 (MNI) 提出的，稱為 MNI 模板。 這裡以 241 張正常 MRI 掃描作為基礎，手動定義各種標誌，以便識別出一條非常類似於 AC-PC 線的線，以及大腦的邊緣。 每個大腦都按比例縮放以使標誌與 Talairach 圖譜上等效位置的標誌匹配。 然後，使用自動化的 9 引數線性演算法將 305 張正常 MRI 掃描（全部右利手，239 名男性，66 名女性，年齡 23.4 +/- 4.1）與匹配 Talairach 的 241 個大腦的平均值進行匹配，並建立了 305 個大腦的平均值，即 MNI305。 MNI305 是第一個 MNI 模板。 當前標準 MNI 模板是 ICBM152，它是 152 張正常 MRI 掃描的平均值，這些掃描已使用 9 引數仿射變換與 MNI305 進行匹配。

空間歸一化方法

基於標誌

對於基於標誌的歸一化，定義了 AC-PC 空間中的一個長方體，這需要指定額外的標誌來指定大腦的邊界。 然後，將邊界框通過幾個子平面細分為 12 個子長方體。 在最後的 Talairach 變換步驟中，透過對子長方體進行數學拉伸、擠壓和扭曲，使每個子長方體都補償為與相應的標準 Talairach 模板匹配。 根據這種分段線性變換，每個大腦與 Talairach 模板之間的差異達到最小。

基於體積

基於體積的歸一化旨在基於歸一化相關係數 (NCC) 最大化模板和個體目標影像的交集區域中的重疊體素。 假設模板影像為 X，目標影像表示為 X'，則個體目標影像 X' 與模板 X 之間的重疊區域可以表示為

$X_{0}=\{{X_{0}:X_{0}\in X\cap T(X')}\}$..........(1)

$T$: 剛體變換

模板和目標影像之間的重疊體素為

$F(X_{0})$: 模板中重疊體素的強度集

$G(X_{0})$: 目標影像中重疊體素的強度集

重疊集之間的歸一化相關係數 (NCC) 為

$NCC(F,G)={\frac {1}{N_{0}^{2}}}{\frac {\sum _{x_{0}\in X_{0}}(f(x_{0})-{\overline {f}})(g(x_{0})-{\overline {g}})}{\sigma _{f}\sigma _{g}}}$..........(2)

${\overline {f}}$: $F(X_{0})$ 中體素的平均強度

${\overline {g}}$: $G(X_{0})$ 中體素的平均強度

$\sigma _{f}={\frac {1}{N_{0}}}{\sqrt {\sum _{x_{0}\in X_{0}}(f(x_{0})-{\overline {f}})^{2}}}$..........(3)

$\sigma _{g}={\frac {1}{N_{0}}}{\sqrt {\sum _{x_{0}\in X_{0}}(g(x_{0})-{\overline {g}})^{2}}}$..........(4)

最後，嘗試最大化方程 (2) 中的歸一化相關係數，以實現空間標準化。

基於表面的

基於表面的方法不是使用整個大腦體積進行標準化，而是僅考慮皮層表面。這些方法通常涉及兩個步驟：1) 從解剖影像中提取皮層表面（參見表面提取）；2) 與表面圖譜配準。皮層特徵（如溝回）被考慮在內，可能提高配準精度。但是，這種方法僅限於涉及皮層表面的研究問題。

質量控制

檢查標準化的效能對於檢測一系列標準化影像中的異常值非常必要。總而言之，這些方法分為三大類。

1. 透過配準策略檢查模板和標準化影像之間的重疊
2. 檢查所有標準化大腦的平均影像。良好的標準化結果應顯示大腦的模糊版本。如果存在顯示異常的大腦影像，則表示標準化過程中存在問題。
3. 將一系列標準化影像作為電影觀看（例如在 FSLView 中），跳出的影像被識別為標準化的異常值。

實現

SPM

配準

在 SPM 中，功能影像和結構影像的配準可以透過 GUI（fMRI 部分）中的配準模組進行。提供三個選項：配準（估計）、配準（重取樣）和配準（估計和重取樣）。您的選擇將取決於後續步驟。如果只選擇“估計”，則配準的變換矩陣將被估計，變換引數將儲存在源影像的標頭中，而不會實際應用到影像上。如果計劃在配準之後進行其他空間變換（例如標準化），則建議這樣做。在這種情況下，每個空間變換的空間變換引數將被組合起來，並且只在最後一步應用於資料，從而減少了變換步驟的負面影響。另一方面，“估計和重取樣”將估計變換並將變換應用於資料，生成一個新的資料集，其字首為 'r'（預設情況下，可以調整）。僅選擇“重取樣”假設您已經擁有要應用於影像的變換檔案，系統會詢問您提供這些檔案。

在此，我們選擇“配準（估計）”選項單獨進行變換，因為之後會進行標準化步驟。

1 帶有已選擇配準模組（估計）的主 GUI

單擊此按鈕時，批處理編輯器將顯示出來，其中包含幾個需要設定的引數。首先，透過突出顯示參考影像行來定義參考影像，然後單擊底部的選擇檔案按鈕。選擇要配準到的檔案（取決於您希望的方向，例如平均重新對齊的功能影像，因此，在選擇檔案選單中篩選平均值檔案）並單擊完成。對源影像引數執行相同的操作，這次選擇要配準到參考影像的檔案（例如解剖影像）。請注意，假設參考影像保持不變，而源影像應該在之後與之匹配。對於其他影像，如果也要進行配準，可以選擇所有其他功能影像。在估計選項下，有四個可調整的引數，您可以調整這些引數或保留預設設定，就像我們在這裡做的那樣。要了解有關要設定的任何引數的更多資訊，請單擊相應的行並在底部的框中閱讀說明。單擊批處理編輯器選單欄中的綠色三角形以執行配準。

2 批處理編輯器

計算完成後，源影像和參考影像都將在圖形視窗中顯示。

3 顯示結果的圖形視窗

標準化

對於標準化，請在主 fMRI GUI 中選擇標準化模組。同樣，有三個選項標準化（估計）、標準化（寫入）和標準化（估計和寫入）。雖然命名略有不同，但意義與配準模組大致相同（參見上文，重取樣被寫入取代）。如果標準化是最後的空間變換步驟，如我們的示例所示，則應選擇估計和寫入，因為我們希望估計到模板空間的變換，並應用配準和標準化這兩種變換到功能體積。

1 帶有已選擇標準化（估計和寫入）的主 GUI

開啟批次編輯器後，選中“資料”行，並在下面的框中點選“新建主題”來建立一個新主題（如果需要，可以建立多個主題）。您需要透過選中相應行，點選“選擇檔案”，選擇檔案，最後點選“完成”來選擇三個（組）檔案。請記住，“選擇檔案”選單中有一個過濾選項，可以簡化您的操作。首先選擇“源影像”，它是在標準空間中進行轉換計算的影像，通常是高解析度解剖影像。接下來定義“要寫入的影像”，即您想應用轉換的影像。這裡將是所有重新對齊的（字首為 r）功能影像，因為我們希望將它們扭曲到標準空間。然後選擇“模板影像”。“選擇檔案”按鈕會自動將您引導至 SPM 的模板資料夾，您可以在其中找到 MNI 模板。選擇與源影像匹配的模板，在本例中為 T1。最後，如果需要，您可以調整其他所有引數。調整“體素大小”至要寫入影像的體素大小是有意義的（對於功能影像通常為 [3 3 3]，選中相應行，然後點選下面的“編輯值”）。您無法獲得比原始影像更高的解析度，較低的體素大小值只會增加資料的大小。

2 批處理編輯器

現在，您可以透過按下綠色三角形來執行批次處理。在前面的步驟中，我們將解剖影像與平均功能影像進行配準，這一點很重要，我們現在使用它來計算到標準空間的轉換。因此，我們將這兩種轉換（功能-解剖和解剖-模板）應用於所有功能影像，從而將它們扭曲到標準空間。執行 SPM 後，將建立一個新的資料集，字首為 w（表示扭曲），您可以透過主 GUI 中的“顯示”或“檢查配準”按鈕進行檢視。後者使您能夠同時顯示多個數據集，但不幸的是，不支援疊加以直觀地檢查功能、結構和模板影像的對齊。您可能需要使用其他軟體，例如 FLSview。

AFNI

傾斜資料

有關傾斜資料配準問題，請參閱 AFNI

配準

align_epi_anat.py 指令碼計算兩個資料集之間的對齊，通常是 EPI 和解剖結構資料集，並將生成的轉換應用於其中一個數據集，以使它們對齊。^[3] 轉換的計算是為了將解剖結構與 EPI 資料對齊，但生成的轉換可以以指定的任何方式使用。基本輸入是解剖結構和 EPI 資料集，哪個 EPI 體積應該作為對齊的基準，對齊的方向（0/平均/中位數/最大/體積#）以及所需的對齊方向（anat2epi/epi2anat），例如

align_epi_anat.py anat2epi -anat ANATOMICALDATA -epi EPIDATA -epi_base mean

在 afni_proc.py 中，預設情況下不會設定 align 塊，但可以透過以下方法包含：

-do_block align 

預設情況下，這意味著 anat2epi 配準，可以透過以下選項進行更改

-volreg_align_e2a

要檢查您的配準是否成功，請選擇對齊的（和頭骨去除的）解剖結構作為“底層”，EPI 作為“疊加”（或者反過來，如果您對齊了另一種方式），並降低疊加的透明度（預設值為 9）。

在 afni 中視覺化配準

標準化

@auto_tlrc ^[4] 是一個指令碼，用於將解剖結構資料集轉換為與 Talairach 空間中的模板匹配。

@auto_tlrc -base TEMPLATE -input ANATOMICAL

請注意，除非另有指示（-no_ss），否則此指令碼還會執行頭骨去除。它實際上也可以應用於 EPI 資料，而不僅僅是應用於解剖結構。

在 afni_proc.py 中，可以透過包含 do_block tlrc 來實現歸一化，該塊預設情況下使用 TT_N27+tlrc 作為基準和仿射配準（可以透過 -tlrc_NL_warp 進行更改）。

-volreg_tlrc_warp 

還會告訴 afni_proc.py 在 volreg 步驟中將該轉換應用於 EPI 資料（這將作為 3dAllineate 的一部分實施^[5]）。因此，volreg 塊的輸出將位於 Talairach 空間中。

合併空間轉換

在 afni 中，空間轉換是按順序進行的。但是，有一種方法可以一步應用所有空間轉換（請參閱 SPM 實現部分，瞭解為什麼要這樣做）。在 afni 中，這樣做的方法實際上是執行不同的空間轉換，但不是使用建立的資料集，而是隻使用也計算的轉換矩陣。此矩陣是 align_epi_anat.py 的預設輸出，而如果您想包含重新對齊矩陣，則必須明確告訴 3dvolreg 儲存矩陣（如重新對齊章節所述）。@auto_tlrc 無法儲存矩陣，但可以從建立的 +tlrc 檔案中提取。工作流程示例如下：

計算對平均影像的重新對齊，同時儲存轉換矩陣。

3dTstat -mean -prefix mean_func_deob func_tshift+orig
3dvolreg -twopass -1Dfile realign_par.1D -1Dmatrix_save realign_mat.aff12.1D -base mean_func_deob+orig  -prefix func_realigned  func_tshift+orig

計算解剖結構與切片時間校正後的 EPI 系列（非重新對齊的）的配準，儲存頭骨去除的解剖結構影像以進行歸一化（最後三個選項是必需的，因為所有這些步驟都在之前完成）。

align_epi_anat.py -anat2epi -anat anat+orig -epi func_tshift+orig -epi_base mean -save_skullstrip -volreg off -tshift off -deoblique off 

將上述產生的頭骨去除的解剖結構影像（不是配準後的影像）歸一化到 Talairach 空間，跳過頭骨去除（-no_ss），因為這已經完成。

@auto_tlrc -base TT_N27+tlrc -input anat_ns+orig -no_ss

連線轉換矩陣。第一個是歸一化後的解剖結構的標頭檔案資料，第二個是配準的矩陣。這兩個矩陣必須反轉（-I），因為我們現在希望將 EPI 頁配準到解剖結構，然後配準到 Talairach，這與矩陣計算的方向相反。最後一個矩陣是重新對齊轉換。total_transform... 是新的組合轉換矩陣的名稱。

cat_matvec -ONELINE anat_ns+tlrc::WARP_DATA -I anat_al_mat.aff12.1D -I realign_mat.aff12.1D > total_transform_mat.aff12.1D

在計算空間轉換以將解剖結構擬合到標準空間之前，將組合轉換應用於 EPI。-mast_dxyz 設定為 3，以防止 EPI 資料的過取樣，因為 EPI 資料的解析度僅為 3x3x3 毫米。

3dAllineate -base anat_ns+tlrc -1Dmatrix_apply total_transform_mat.aff12.1D -mast_dxyz 3 -float -prefix func_trans func_tshift+orig

參考文獻

配準軟體比較 http://brainimaging.waisman.wisc.edu/~oakes/teaching/coreg_software_comparison.html

Huettel, S. A., Song, A.W., & McCarthy, G. (2008). 功能性磁共振成像（第二版）。Sinauer Associates, Inc: 馬薩諸塞州桑德蘭，美國。