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時（也稱為執行內運動與執行間運動），一些影像將以大腦位於錯誤位置的情況下獲取。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，頭部的移動將改變已經針對特定頭部位置校準的磁場的均勻性。最後，頭部運動會影響啟用時間/興奮模式，因為每個興奮脈衝都是針對一個切片，而頭部在採集過程中經過不同的切片。因此，運動校正的目標是調整影像序列，以便大腦始終處於相同的位置。這透過稱為配準的過程實現。
對齊兩個影像體積的通用過程稱為配準。對於運動校正，時間序列中的連續影像體積與參考體積配準。為此，使用剛體變換。剛體變換假設要配準的兩個體積的大小/形狀是相同的（它是同一個大腦）。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提供與參考體積最佳匹配的引數集。透過代價函式（關於絕對強度值的體素逐體素減法），可以量化影像匹配程度。參考體積和校正體積之間的完美配准將產生零差異。確定一組配準引數後，需要對原始資料進行重取樣，以估計在沒有頭部運動的情況下將獲得的值。此過程稱為空間插值。
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立即獲取的，與解剖掃描相比，這應該導致最小的運動。然而，平均體積可能更可取，因為它包含更多資訊，並且所有體積都或多或少地與它類似不同。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。這可以透過雙遍平均（例如，在 AFNI 中見下文）來克服，其中所有體積首先與未對齊的平均體積對齊，然後構建另一個“對齊”的平均體積，所有體積再次與之對齊。
或者，也可以透過在 GLM 中包含計算的運動引數（作為迴歸量）來從資料中移除與運動相關的成分，從而校正運動的影響（例如，六個討厭迴歸量對應於三個平移方向和三個旋轉軸）。實際上，許多人都會同時進行配準和包含運動迴歸量，以解釋配準尚未解決的任何問題。（有關不同方法的比較，請參見 [2]，有關在迴歸中包含運動引數的影響，請參見 [3]）
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明顯更多頭部運動的兒童或患者時。因此，標準做法是同時應用配準和運動迴歸。然而，最近出現了擔憂，一些細微的運動偽影（< 0.5 毫米）在進行這些校正後依然存在，可能會使個體和群體之間功能連線性的比較產生偏差。因此，建議要麼排除顯示微運動的體積（“清除”）和/或在組水平分析中包含每個受試者的平均運動引數作為協變數。 [5]
有關為什麼簡單的運動校正可能不夠的辯論，請參見 [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受試者內配準。在 SPM8 中，為此提供了四種模式。
* 配準（估計）
- 此處的估計指的是如何從單個影像獲得最佳變換（通常是具有六個引數的剛體變換）到參考。SPM 中提供了一些引數供使用者調整演算法。執行此步驟後，每個輸入檔案的頭部將被更改以反映它們之間的相對方向；然後，一個名為 rp_*.txt 的檔案；此外，在圖形視窗中，六個運動引數以影像序列的形式繪製。然而，關於如何設定這些引數並非易事，如果使用者不瞭解它們的含義，SPM 建議保留預設設定。下表列出了七個引數及其設定建議。
| 引數 | 含義 | 預設值 |
|---|---|---|
| 質量 | 介於 0 和 1 之間的值。值越大，估計的質量越高，但計算速度越慢。此值反映了在估計過程中考慮的體素的百分比。一些體素可能貢獻較少，因此可以在計算中忽略它們。 | 0.9 |
| 分離 | 這是在參考空間中取樣點的距離（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 5mm 核心。 | 5 |
| 透過次數 | 這裡確定參考影像的選擇。參考可以是第一卷或所有影像的平均卷。此外，與 AFNI 一樣，可以選擇兩遍程式。但是，SPM 指出這可能不會提高配準效能，但計算時間是兩倍。 | 註冊到均值 |
| 插值 | 根據對單個影像取樣的複雜性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，但需要更長的時間和更慢的速度。 | 2 次 B 樣條 |
| 包裹 | 這是關於體積中值應圍繞其包裹的方向。在 MRI 掃描中，影像在相位編碼方向上包裹。SPM 建議，如果影像已進行空間變換，或者不確定如何設定，那麼最好設定為空。 | 不包裹 |
| 加權 | 可以在參考影像中使用不同的值對體素進行加權。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。 | 沒有權重檔案 |
* 配準（重新切片） 一旦估計了變換引數，就不會生成新影像。在重新切片過程中，一系列配準後的影像將與選擇的第一個影像體素對體素匹配，並生成一系列新影像。新影像將根據其原始影像命名，但以 'r' 為字首。基本上，重新切片仍然屬於將原始空間中的點插值到推斷新空間中值的插值問題，在 SPM 中提供了幾個引數來控制演算法。
| 引數 | 含義 | 預設值 |
|---|---|---|
| 重新切片影像 | 細化需要進行重新切片操作的影像，而“平均影像”指的是透過對所有重新切片影像進行平均得到的附加影像。 | 所有影像 + 平均影像 |
| 插值 | SPM 建議，更簡單的方法（例如最近鄰）通常比更高階方法表現更差，更高階方法會將更多體素考慮在插值中。 | 4 次 B 樣條 |
| 包裹 | 這是關於體積中值應圍繞其包裹的方向。在 MRI 掃描中，影像在相位編碼方向上包裹。SPM 建議，如果影像已進行空間變換，或者不確定如何設定，那麼最好設定為空。 | 否 |
| 掩碼 | 對於需要從原始影像外部取樣的體素，它們直接在所有影像上設定為零。 | 掩碼影像 |
| 檔名字首 | 如何命名重新切片後的影像檔案。 | r |
* 配準（估計和重新切片）
- 這是第一步和第二步的組合。更多資訊可以在上面找到。
* 配準和反扭曲
FSL
[edit | edit source]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 的最簡單方法是單擊“FEAT FMRI 分析”，然後在“預統計”選項卡中選中“MCFLIRT”選項。
在如此簡單的操作背後，有幾個可調整的引數在 GUI 中自動設定為預設值，這些引數可以在命令列中靈活設定。這些引數包括：
- -cost：MCFLIRT 中用於量化參考影像和目標影像之間差異的成本函式。有五種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（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。
- -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：通常將目標影像註冊到參考影像需要多個階段，從三個到四個。預設設定為 3 階段，可以增加到 4 階段。在不同的階段，插值演算法是不同的，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：將時間序列註冊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：將進度報告到螢幕
- -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和平均位移。
AFNI
[edit | edit source]3dvolreg 使用 6 個引數應用剛性變換。參考是使用 -base 選項定義的。另一個有用的功能是 -1Dfile，它建立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，預設值為傅立葉方法，據說它是最慢但最準確的。有關更多詳細資訊和選項，請參閱手冊頁 [8]
要與執行的平均值對齊，可以使用 3dTstat 在使用之前計算此平均值，然後將其用作 3dvolreg 命令中的基礎。這是一個示例，它還儲存了配準引數和變換矩陣。這在您希望合併所有空間變換並在最後一起應用它們時非常有用。如上所述，AFNI 3dvolreg 包含選項 -twopass，請檢視手冊以瞭解更多詳細資訊。
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，它將所有運動引數彙總成一個時間序列。這有助於檢測整體運動，也可以使用 1dplot 繪製。生成的 enorm 檔案可用於透過將它們包括在迴歸中來剔除大的異常值（那些無法透過配準處理的異常值）。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。透過在 uber_subject.py 中設定運動剔除限制可以實現相同的效果。
檢視配準前後影片中的體積以檢查運動是否已減少也是一個好習慣。在 afni 檢視器中，單擊您要檢視的影像作為影片，然後按鍵盤上的 v 鍵。按 Esc 鍵停止影片模式。
在 afni_proc.py 中，配準是標準步驟，預設情況下與第一個執行的第 3 個體積對齊，使用三次插值併為所有執行準備運動引數以進行迴歸。要更改這些引數，請使用
-volreg_align_to -volreg_interp
參考文獻
[edit | edit source]- ↑ Huettel, S. A., Song, A. W., & McCarthy, G. (2008). 功能性磁共振成像 (第二版)。Sinauer Associates, Inc: 薩默塞特，馬薩諸塞州，美國。
- ↑ Churchill，Nathan W.，Oder，Anita，Abdi，Hervé，Tam，Fred，Lee，Wayne，Thomas，Christopher，Ween，Jon E.，Graham，Simon J.，Strother，Stephen C.，最佳化單個受試者 fMRI 的預處理和分析流程。一、標準時間運動和生理噪聲校正方法，人類腦圖 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 中的受試者內和受試者間差異中的作用，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，靜息狀態 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
- ↑ Yan Chao-Gan、Brian Cheung、Clare Kelly、Stan Colcombe、R. Cameron Craddock、Adriana Di Martino、Qingyang Li、Zuo Xi-Nian、F. Xavier Castellanos、Michael P. Milham，對頭部微運動對功能連線組學影響的區域差異進行綜合評估，《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）。實踐 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)。“接收場對比度對運動校正 EPI 時間序列影響的模擬”。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