神經影像資料處理/處理/步驟/配準
當頭部在實驗執行期間或執行之間移動（也稱為執行內與執行間運動）時，一些影像將以大腦位於錯誤位置的方式獲取。因此，運動會導致給定的體素包含來自兩種不同型別組織的訊號或資料丟失（例如，在成像體積的邊緣）。此外，頭部移動將改變已針對一個特定頭部位置進行勻場的磁場均勻性。最後，頭部運動會對激發時間/激發模式產生影響，因為每個激發脈衝都針對一個切片，而頭部在採集過程中穿過不同的切片。因此，運動校正的目標是調整影像序列，使大腦始終處於相同位置。這是透過稱為共配準的過程實現的。
空間對齊兩個影像體積的一般過程稱為共配準。對於運動校正，時間序列中的連續影像體積與參考體積共配準。為此，使用剛體變換。剛體變換假定兩個應該共配準的體積的大小/形狀是相同的（是同一個大腦）。因此，一個體積可以透過三個平移和三個旋轉的組合疊加在另一個體積上。因此，剛體變換具有三個平移引數和三個旋轉引數。
計算機演算法可以識別出一組引數，這些引數提供了與參考體積的最佳匹配。透過成本函式（關於絕對強度值的體素對體素減法）可以量化一個影像與另一個影像匹配的程度。參考體積和校正體積之間的完美共配准將產生零差。在確定一組配準引數後，必須對原始資料進行重取樣，以便估計在沒有頭部運動的情況下將獲得的值。這個過程稱為“空間插值”。
參考體積可以是會話或執行的特定體積，例如第一個體積，也可以是平均體積。使用第一個（可用）體積的原因是，它通常是在解剖掃描後直接獲取的，與解剖掃描相比，這應該會導致最小的運動。然而，平均體積可能更可取，因為它包含更多資訊，並且所有體積或多或少地與它相差相似。另一方面，平均體積將由未對齊的體積構建，這在某種程度上是有問題的。這可以透過兩遍平均來克服（例如在 AFNI 中，見下文），其中所有體積首先對齊到一個未對齊的平均體積，然後構建另一個“對齊”平均體積，所有體積再次對齊到它。
或者，也可以透過在 GLM 中包含計算的運動引數（作為迴歸量）來從資料中去除運動相關成分，從而校正運動的影響（例如，對應於三個平移方向和三個旋轉軸的六個干擾迴歸量）。事實上，許多人同時進行配準和包含運動迴歸量，以解釋配準未解決的任何問題。（請參閱[2]瞭解不同方法的比較，以及[3]瞭解在迴歸中包含運動引數的影響）
在靜息態 fMRI 中，運動校正尤為重要，因為頭部運動具有全域性影響。[4]尤其是在比較健康對照組與通常表現出更多頭部運動的兒童或患者時。因此，標準方法是應用配準和運動迴歸。然而，最近人們開始擔心，經過這些校正後依然存在的微小運動偽影（< 0.5 毫米）會使個體和群體之間的功能連線比較產生偏差。因此，有人建議要麼排除顯示微運動的體積（“擦除”），要麼在群體水平分析中將每個受試者的平均運動引數作為協變數納入。[5]
有關為什麼簡單的運動校正可能不足的辯論，請參閱[6] [7]
配準透過最小二乘法和剛體變換，作為時間序列影像的個體間配準。在 SPM8 中，為此提供了四種模式。
* 配準（估計）
- 這裡的估計指的是如何從單個影像獲取到參考影像的最佳變換（通常是具有六個引數的剛體變換）。SPM 中提供了一些引數用於調整演算法。執行此步驟後，每個輸入檔案的頭部將被更改以反映它們的相對方向；然後會生成一個名為 rp_*.txt 的檔案；此外，在圖形視窗中，六個運動引數將以影像序列的形式繪製。然而，如何設定這些引數並非易事，SPM 只建議如果你不完全清楚它們的含義，則保留預設設定。下表列出了七個引數及其設定建議。
| 引數 | 含義 | 預設 |
|---|---|---|
| 質量 | 0 到 1 之間的值。值越大，估計的質量越高，但計算速度越慢。此值反映了估計過程中考慮的體素百分比。一些體素的貢獻可能較小，因此可以在計算中忽略它們。 | 0.9 |
| 分離 | 這是參考空間中取樣點之間的距離（非負）。值越小，取樣越精細，估計越準確，但速度越慢。 | 4 |
| 平滑 | 在變換引數估計之前對影像進行平滑處理。過濾影像中的噪聲。SPM 建議對 MRI 資料使用 5 毫米核心。 | 5 |
| 傳遞次數 | 這裡確定參考影像的選擇。參考可以是第一個體積或所有影像的平均體積。此外，與 AFNI 一樣，可以選擇兩遍程式。然而，SPM 指出這可能不會對重新對齊效能有所貢獻，但計算時間是兩倍。 | 註冊到均值 |
| 插值 | 根據對單個影像的取樣複雜度和演算法中考慮的體素數量，引數估計可能會受到影響。插值度越高，估計越準確，但時間更長，速度更慢。 | 二階 B 樣條 |
| 包裹 | 這是關於體積中值應該環繞的方向。在 MRI 掃描中，影像在相位編碼方向上環繞。SPM 建議，如果影像已進行空間變換，或者您不確定如何設定它，那麼最好設定為 void。 | 不包裹 |
| 加權 | 您可以使用不同的值對參考影像中的體素進行加權。建議在 SPM 中使用，只要存在明顯的腦外運動或存在嚴重噪聲的區域塊。 | 無權重檔案 |
* 重新對齊（重新切片）一旦估計了變換引數，就不會生成新的影像。在重新切片過程中，一系列已配準的影像將與選擇的第一個影像逐體素匹配，並生成一系列新的影像。新影像將根據其原始名稱命名，但帶有“r”字首。基本上，重新切片仍然屬於將原始空間中的點插值到新空間中以推斷新空間中值的插值問題，而在 SPM 中，提供了一些引數來控制演算法。
| 引數 | 含義 | 預設 |
|---|---|---|
| 重新切片影像 | 細化哪些影像需要進行重新切片操作，而“平均影像”指的是透過對所有重新切片影像進行平均而得到的附加影像。 | 所有影像 + 平均影像 |
| 插值 | SPM 建議，更簡單的方案（例如最近鄰）通常比考慮更多體素進行插值的更高階方法表現更差。 | 四階 B 樣條 |
| 包裹 | 這是關於體積中值應該環繞的方向。在 MRI 掃描中，影像在相位編碼方向上環繞。SPM 建議，如果影像已進行空間變換，或者您不確定如何設定它，那麼最好設定為 void。 | 否 |
| 掩碼 | 對於需要從原始影像外部取樣的體素，它們在所有影像上直接設定為零。 | 掩碼影像 |
| 檔名字首 | 重新切片後如何命名影像檔案。 | r |
* 重新對齊（估計 & 重新切片）
- 這是步驟一和步驟二的組合。更多資訊可以在上面找到。
* 重新對齊 & 去扭曲
在 FSL 中，MCFLIRT 用於運動校正 (MC)。此功能整合到 FEAT FMRI 分析協議中。執行 MC 最簡單的方法是單擊“FEAT FMIR 分析”，然後在“預統計”選項卡中選中“MCFLIRT”選項。
在這樣一個簡單的操作背後，GUI 中自動將幾個可調節引數設定為預設值，這些引數可以在命令列中靈活地設定。這些引數包括：
- -cost：MCFLIRT 中用於量化參考影像與目標影像之間差異的成本函式。有五個不同的成本函式可用：互資訊 (mutualinfo)、相關係數 (corratio)、歸一化相關性 (normcorr)、歸一化互資訊 (normmi) 和最小二乘法 (leastsquares)，預設值為 normcorr。
- -bin：直方圖 bin 的數量，預設值為 256。
- -dof：變換 dof 的數量，預設值為 6。
- -refvol：參考體積的數量，預設值為中間體積。
- -scaling：預設值為 6.0。
- -smooth：預設值為 1.0，用於控制成本函式中的平滑度。
- -rotation：指定旋轉最佳化容差的縮放因子。
- -verbose：值不小於 0，預設值為 0。
- -stages：通常，將目標影像配準到參考影像需要幾個階段，從三個到四個。預設設定是 3 階段，可以增加到 4 階段。在不同的階段，插值演算法不同，可以是三線性、sinc 或最近鄰。
- -init：要應用於所有體素的初始變換矩陣，預設值為無。
- -gdt：在梯度影像上執行搜尋。
- -edge：在輪廓影像上執行搜尋。
- -meanvol：將時間序列配準到平均體積，而不是參考體積。
- -stats：生成方差和標準差影像。
- -mats：將變換矩陣儲存在子目錄 outfilename.mat 中。
- -plots：將變換引數儲存在檔案 outputfilename.par 中。
- -report：向螢幕報告進度。
- -help：列印此資訊。
GUI 上運動校正操作的命令列是：
mcflirt -in input_func_data -out out_func_data_mcf -mats -plots -refvol 100
結果包括三個圖，分別對應於六個引數沿時間序列的趨勢，以及平均位移。
3dvolreg 使用 6 個引數應用剛體變換。參考使用-base選項定義。另一個有用的功能是-1Dfile，它建立一個包含運動引數的檔案。這可以稍後用於迴歸。插值方法也可以調整，預設方法是傅立葉方法，據說是最慢但最準確的。有關更多詳細資訊和選項，請參閱手冊頁[8]
要對執行的平均值進行對齊，可以使用 3dTstat 在之前計算此值，並將其用作 3dvolreg 命令中的基礎。這是一個示例，它還儲存了重新對齊引數和變換矩陣。這在您想要將所有空間變換組合起來並在最後一起應用它們時很有用。如上所述，AFNI 3dvolreg 包含選項-twopass，請檢視手冊以獲取更多詳細資訊。
3dTstat -mean -prefix MEAN_FILE INPUTFILE 3dvolreg -twopass -1Dfile PARAMETER.1D -1Dmatrix_save MATRIX.1D -base MEAN_FILE -prefix OUTPUTFILE INPUTFILE
應該始終直觀地檢查運動引數。這可以透過以下命令完成
1dplot -volreg PARAMETERFILE.1D
還有一個名為1d_tool.py [9]的功能，它將所有運動引數總結成一個時間序列。這有助於檢測整體運動，也可以使用1dplot進行繪製。生成的enorm檔案可用於透過將它們包含在迴歸中來審查大的異常值（那些無法透過重新對齊處理的）。這可以透過在 afni_proc.py 中使用命令-regress_censor_motion 0.3 自動完成，其中 0.3 是閾值，當然可以調整。可以透過在 uber_subject.py 中設定運動審查限制來實現相同的效果。
還有一個好的做法是在重新對齊前後檢視影片中的體積，以檢查運動是否已減少。在 afni 瀏覽器中，單擊要作為影片檢視的影像，然後按鍵盤上的v。按Esc停止影片模式。
在afni_proc.py中，重新對齊是一個標準步驟，預設情況下是對第一個執行的第 3 個體積進行對齊，使用三次插值並準備運動引數以便在所有執行中進行迴歸。要更改這些，請使用
-volreg_align_to -volreg_interp
- ↑ Huettel, S. A., Song, A. W., & McCarthy, G. (2008). 功能性磁共振成像（第 2 版）。Sinauer Associates, Inc: 馬薩諸塞州桑德蘭，美國。
- ↑ Churchill, Nathan W., Oder, Anita, Abdi, Hervé, Tam, Fred, Lee, Wayne, Thomas, Christopher, Ween, Jon E., Graham, Simon J., Strother, Stephen C., 最佳化單被試 fMRI 的預處理和分析流程。I. 標準時間運動和生理噪聲校正方法，人腦圖譜 2012 年，第 33 卷第 3 期，doi:10.1002/hbm.21238
- ↑ Torben E. Lund, Minna D. Nørgaard, Egill Rostrup, James B. Rowe, Olaf B. Paulson, 運動或活動：它們在 fMRI 中被試內和被試間差異中的作用，神經影像，第 26 卷，第 3 期，2005 年 7 月 1 日，第 960-964 頁，ISSN 1053-8119，doi:10.1016/j.neuroimage.2005.02.021
- ↑ Kevin Murphy, Rasmus M. Birn, Peter A. Bandettini, 靜息態 fMRI 混淆和清理，神經影像，第 80 卷，2013 年 10 月 15 日，第 349-359 頁，ISSN 1053-8119，doi:10.1016/j.neuroimage.2013.04.001
- ↑ Chao-Gan Yan, Brian Cheung, Clare Kelly, Stan Colcombe, R. Cameron Craddock, Adriana Di Martino, Qingyang Li, Xi-Nian Zuo, F. Xavier Castellanos, Michael P. Milham, 對頭部微小運動對功能連線組學影響的區域變異的全面評估，神經影像，第 76 卷，2013 年 8 月 1 日，第 183-201 頁，ISSN 1053-8119，doi:10.1016/j.neuroimage.2013.03.004
- ↑ “fMRI 中的運動問題：接收場對比度效應。” (2012 年 10 月 27 日)。實用 fMRI：螺母和螺栓 http://practicalfmri.blogspot.de/2012/10/motion-problems-in-fmri-receive-field.html
- ↑ Sheltraw, D. & Inglis, B. (2012 年 10 月 12 日). "A Simulation of the Effects of Receive Field Contrast on Motion-Corrected EPI Time Series." arXiv 1210.3633 http://arxiv.org/abs/1210.3633
- ↑ AFNI 程式：3dvolreg：
-help的輸出 - ↑ AFNI 程式：1d_tool.py：
-help的輸出