神經影像資料處理/處理/步驟/配準和歸一化

配準的概念

通常，配準指的是將一系列影像進行空間對齊，可以是來自同一個體內的影像體積，也可以是來自不同個體的影像體積，在預處理的多個步驟中使用。配準最常指的是將來自同一個體的功能影像和結構影像進行對齊，以將功能資訊對映到解剖空間。歸一化指的是將個體（大多數是解剖）影像配準到標準模板，以克服不同個體之間大腦形狀差異的問題。(此外，重新對齊將個體內的時序影像體積配準到個體頭部運動的參考影像)。

一個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影像配準到個體的結構影像，然後使用非線性變換將結構影像扭曲到模板。從第二步得到的變換資訊可以應用到第一步中配準的EPI，以獲得標準空間中的功能資訊。

解剖影像的預處理

用於這些程式的解剖影像也必須進行預處理。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（參見表面提取）。根據軟體的不同，這些步驟可以作為配準過程的一部分實現。

結構-功能配準

如果目的是研究個體的功能啟用如何疊加到其自身的解剖結構上，則應該將同一個體的功能影像和結構影像對齊在一起。然而，同一個體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，功能影像通常很模糊，並且遭受幾何和強度失真的困擾。配準的基本思想與重新對齊相似，即定義一個代價函式，以最小化影像引數之間的差異為目標。然而，由於功能影像的失真，六個引數的剛性變換可能不足以糾正。根據失真複雜性的不同，可以使用九個引數變換（另外三個附加引數用於解釋x、y或z軸上的比例差異）甚至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對比度的不同，互資訊比平方差之和更適合作為代價函式。

空間歸一化

人類大腦的大小和形狀各不相同。大腦的這種結構差異給跨個體大腦功能研究帶來了障礙，即如何在不同大腦之間確定區域對應關係，儘管它們存在差異。主要的工作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。空間歸一化的最終目標是將大腦空間變換到一個公共空間，使它們可以相互比較。

模板

模板指的是一個具有解剖特徵的代表性影像，它位於一個座標空間中，然後為對齊到該模板的單個影像提供一個目標。Jean Talairach在1967年提出了第一個建立參考大腦圖譜的嘗試。定義了一組解剖學地標，分別是前聯合（AC）、後聯合（PC）、中矢狀面以及大腦在每個邊緣的外部邊界。基於這些大腦中的錨點，構建了一個三維座標空間。更具體地說，將前聯合（AC）設定為原點，從AC到PC的方向為Y軸；與Y軸重合的縱向（半球間或正中矢狀）裂縫為Z軸；最後一個X軸垂直於YZ平面。Talairach座標提供了一種可能性，可以透過一個定義明確的過程將任何大腦歸一化到該模板。然而，這種Talairach空間模板並不完美，並且由於缺乏MRI掃描基礎和代表性不足，要求進一步發展。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個正常MRI掃描為基礎，手動定義各種地標，以識別與AC-PC線非常相似的線，以及大腦的邊緣。每個大腦都被縮放，以使地標與Talairach圖譜上的等效位置匹配。然後，使用自動化的9引數線性演算法將305個正常MRI掃描（均為右利手，239名男性，66名女性，年齡23.4 +/- 4.1）匹配到Talairach匹配的241個大腦的平均值，並建立了一個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個正常MRI掃描的平均值，這些掃描使用9引數仿射變換與MNI305匹配。

空間歸一化方法

基於地標

對於基於地標的歸一化，定義了AC-PC空間中的一個長方體，這需要指定其他地標來指定大腦的邊界。然後將邊界框透過多個子平面細分為12個子長方體。在最後的Talairach變換步驟中，透過數學上的拉伸、擠壓和扭曲子長方體，使每個子長方體補償到匹配相應的標準Talairach模板。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）最大化模板和單個目標影像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'，單個目標影像 X' 和模板 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，嘗試最大化公式 (2) 中的歸一化相關係數以實現空間歸一化。

基於表面的

基於表面方法不使用完整的大腦體積來執行歸一化，而是僅考慮皮質表面。這些方法通常包含兩個步驟，1）從解剖影像中提取皮質表面（參見 表面提取）；2）註冊到表面圖譜。考慮到皮質特徵（如溝回），可能會提高配準精度。但是，這種方法僅限於涉及皮質表面的研究問題。

質量控制

為了檢測一系列歸一化影像中的異常值，檢查歸一化的效果是非常必要的。總的來說，這些方法可以分為三類。

1. 透過配準策略檢查模板和歸一化影像之間的重疊部分
2. 檢查所有歸一化大腦的平均影像。良好的歸一化結果預期是一個模糊的大腦版本。如果有一個大腦影像顯示異常，則意味著歸一化過程存在一些問題。
3. 將一系列歸一化影像以電影的形式檢視（例如在 FSLView 中），跳躍的影像被識別為歸一化的異常值。

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 中的“配準”模組完成（fMRI 部分）。提供了三個選項：“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”，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，而不會真正應用於影像。如果計劃在配準之後進行其他空間變換，則建議使用此選項，例如歸一化。在這種情況下，來自每個空間變換的空間變換引數將被組合，並且僅在最後一步應用於資料，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，字首為 'r'（預設情況下，可以調整）。只選擇“重取樣”假定您已經擁有要應用於影像的變換檔案，您將被要求提供這些檔案。

在此，我們選擇了“配準（估計）”選項，以便僅執行變換，因為將進行歸一化步驟。

1 帶有選定配準模組（估計）的主 GUI

點選此按鈕後，將出現一個批處理編輯器，其中包含幾個要設定的引數。首先，透過突出顯示“參考影像”行定義參考影像，然後點選底部的“選擇檔案”按鈕。選擇要配準到的檔案（取決於您希望的方向，例如平均重排功能影像，因此，在“選擇檔案”選單中過濾“平均”檔案），然後點選“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，參考影像被假定為保持不變，而源影像應該在稍後與參考影像匹配。對於“其他影像”，您可以選擇所有其他功能影像，如果它們也要被配準。在“估計選項”下，有四個可調整的引數，您可以調整它們或保持預設設定，就像我們這裡做的那樣。要了解更多關於要設定的任何引數的資訊，點選相應的行，並在底部的框中閱讀說明。點選批處理編輯器選單欄中的綠色三角形來執行配準。

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

歸一化

對於歸一化，請在主 fMRI GUI 中選擇“歸一化”模組。同樣，這裡有三個選項“歸一化（估計）”、“歸一化（寫入）”和“歸一化（估計和寫入）”。雖然命名略有不同，但意義與配準模組基本相同（見上文，重取樣被寫入取代）。如果歸一化是最終的空間變換步驟（如我們的示例），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，並且將配準和歸一化這兩種變換應用於功能卷。

1 帶有選定歸一化（估計和寫入）的主 GUI

批處理編輯器開啟後，突出顯示“資料”行，然後點選下面的“新建主題”框來建立一個新的主題（如果您願意，可以建立更多主題）。您必須透過突出顯示相應的行，點選“選擇檔案”，選擇您的檔案並點選“完成”，選擇三個（組）檔案。請記住，“選擇檔案”選單中有一個過濾器選項，使您的生活更容易。首先，您選擇“源影像”，這是計算到標準空間的變換的影像，通常是高解析度解剖影像。接下來，您定義“要寫入的影像”，即您要應用變換的影像。這裡將是所有經過重排的（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到 SPM 的模板資料夾，在那裡您可以找到 MNI 模板。選擇與您的源影像匹配的模板，在這種情況下為 T1。最後，您可以根據需要調整所有其他引數。調整“體素大小”以匹配您要寫入的影像的體素大小（對於功能影像通常為 [3 3 3]，突出顯示相應的行，然後點選下面的“編輯值”）。您無法獲得高於原始影像的解析度，較低的體素大小值只會增加資料的尺寸。

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處理。重要的是，在前面的步驟中，我們對解剖影像進行了配準，現在我們使用它來計算到標準空間的變換，並將其配準到平均功能影像。因此，現在我們將兩種變換（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，會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“檢查迴歸”按鈕檢視。後者使您能夠一次顯示多個數據集，但不幸的是，不支援疊加，因此無法直觀地檢查功能、結構和模板影像的對齊。您可能希望使用 FLSview 等其他軟體。

AFNI

傾斜資料

有關傾斜資料配準問題的詳細資訊，請參見 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，並將生成的變換應用於其中一個數據集，使其對齊。 變換是計算出來的，以便將解剖結構對齊到 epi 資料，但生成的變換可以以指定的方式使用。基本輸入是解剖結構和 epi 資料集，哪一個 epi 卷應作為對齊的基礎，對齊的方向（0/平均/中位數/最大/卷號）以及需要哪種對齊方向（anat2epi/epi2anat），例如

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

在afni_proc.py 中，對齊塊預設情況下沒有設定，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，這可以透過以下選項更改：

-volreg_align_e2a

要檢查配準是否成功，請選擇對齊的（和去除頭骨的）解剖結構作為底層，並將 epi 作為疊加（或者反過來，如果您對齊了其他方式），並降低疊加的透明度（預設值為 9）。

在 afni 中視覺化配準

歸一化

@auto_tlrc 是一個指令碼，用於變換解剖結構資料集以匹配 Talairach 空間中的模板。

@auto_tlrc -base TEMPLATE -input ANATOMICAL

請注意，除非另有指示（-no_ss），否則該指令碼還會執行頭骨剝離。實際上，它也可以應用於 epi 資料，而不僅僅是解剖資料。

在afni_proc.py 中，歸一化可以透過包含do_block tlrc 來實現，它預設使用 TT_N27+tlrc 作為基礎並進行仿射配準（可以透過 -tlrc_NL_warp 更改）。

-volreg_tlrc_warp 

此外，它會告訴 afni_proc.py 在 volreg 步驟中將該變換應用於 EPI 資料（然後它將在 3dAllineate 中實現）。因此，volreg 塊的輸出將位於 Talairach 空間。

組合空間變換

afni 中的空間變換是依次進行的。然而，有一種方法可以在一步中應用所有空間變換（有關執行此操作的原因，請參閱 SPM 實現部分）。在 afni 中執行此操作的方法是實際執行不同的空間變換，但不要使用建立的資料集，而只使用也計算的變換矩陣。該矩陣是 align_epi_anat.py 的預設輸出，而如果您想包含重排矩陣，則必須明確告訴 3dvolreg 儲存矩陣（如“重排”章節中所述）。@auto_tlrc 無法儲存矩陣，但可以從建立的 +tlrc 檔案中提取矩陣。一個工作流程示例如下：

計算對平均影像的重排，同時儲存變換矩陣

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

計算解剖結構對時序校正的 EPI 系列的配準（不是重排的那些），儲存去除頭骨的解剖影像以進行歸一化（最後三個選項在這裡是必需的，因為所有這些步驟之前都已完成）。

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

將上面生成的去除頭骨的解剖影像（不是配準的影像）歸一化到 Talairach 空間，跳過頭骨剝離（-no_ss），因為這已經完成。

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

連線變換矩陣。第一個是歸一化解剖結構的標頭資料，第二個是配準的矩陣。這兩個矩陣必須被反轉（-I），因為現在我們希望將 EPI 頁面配準到解剖結構，然後配準到 Talairach，這與計算矩陣的方向相反。最後一個矩陣是重排變換。total_transform... 是新的組合變換矩陣的名稱。

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

在計算適應標準空間的解剖結構的空間變換之前，將組合的變換應用於 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: 桑德蘭，馬薩諸塞州，美國。