神经影像数据处理/处理/步骤/配准和标准化

配准的概念

通常，配准是指对一系列图像进行空间对齐，这些图像可以来自同一受试者或不同受试者的图像体积，并且在预处理的多个步骤中使用。配准最常指将同一受试者的功能图像和结构图像对齐，以将功能信息映射到解剖空间。标准化是指将受试者（主要是解剖）图像配准到标准模板，以克服不同受试者之间脑部形状差异的问题。（此外，重新对齐对同一受试者的时间序列图像体积进行配准，以抵消受试者的头部运动。）

典型的流程是通过仿射变换（即线性变换，保持比例）将平均EPI图像配准到受试者的结构图像，并使用非线性变换将结构图像扭曲到模板。从第二步中获得的变换信息可以应用到第一步中配准后的EPI，以在标准空间中获得功能信息。

解剖图像预处理

这些程序中使用的解剖图像也需要进行预处理。根据应用和配准模式，这可能包括去除低频漂移（参见数据质量和时间滤波）、场图校正、表面提取和组织分割（另见表面提取。根据软件，这些步骤可以在配准过程中执行。

结构-功能配准

如果目的是研究受试者的功能激活如何叠加到个体解剖结构上，则应将同一大脑的功能图像和结构图像对齐在一起。然而，同一大脑的功能图像和结构图像之间的差异并非微不足道。与具有清晰区域边界轮廓的高分辨率结构图像相比，功能图像通常是模糊的，并且存在几何和强度失真。关于配准的基本思想类似于重新对齐，即定义一个代价函数，其目标是最大程度地减少图像参数之间的差异。但是，由于功能图像存在失真，六参数刚性变换可能不足以进行校正。根据失真复杂性的不同，可以采用九参数变换，其中另外三个参数用于解释 x、y 或 z 轴上的缩放差异，甚至可以采用更复杂的算法来量化代价函数。同时，由于功能图像和结构图像之间的对比度不同，互信息比平方差之和更适合用作代价函数。

空间标准化

人类大脑的大小和形状各不相同。这种大脑结构的变异性给受试者间大脑功能研究带来了障碍，因为如何确定不同大脑之间的区域对应关系，即使它们存在差异。主要尝试集中在建立一个三维笛卡尔坐标空间中的参考系，作为不同大脑对齐的公共空间。空间标准化的最终目标是将大脑空间变换到公共空间，使它们彼此可比较。

模板

模板是指一个在坐标空间中具有解剖特征的代表性图像，它为对齐到它的个体图像提供了一个目标。 Jean Talairach 在 1967 年首次尝试对参考脑图谱进行建模。 一组解剖学标志被定义为前连合 (AC)、后连合 (PC)、中线矢状面和大脑在每个边缘的外部边界。 在大脑中这些锚点的基础上，建立了三维坐标空间。 更准确地说，前连合 (AC) 被设置为原点，从 AC 到 PC 的方向是 Y 轴；与 Y 轴相对应的纵向（半球间或正中矢状）裂缝是 Z 轴；最后一个 X 轴垂直于 YZ 平面。Talairach 坐标 提供了一种通过明确定义的程序将任何大脑归一化到此模板的可能性。 但是，这种 Talairach 空间模板并不完美，其局限性在于缺乏 MRI 扫描基础以及不代表人群 呼吁进一步发展。 目前最常用的模板是由蒙特利尔神经研究所 (MNI) 提出的，称为 MNI 模板。 这里以 241 张正常 MRI 扫描作为基础，手动定义各种标志，以便识别出一条非常类似于 AC-PC 线的线，以及大脑的边缘。 每个大脑都按比例缩放以使标志与 Talairach 图谱上等效位置的标志匹配。 然后，使用自动化的 9 参数线性算法将 305 张正常 MRI 扫描（全部右利手，239 名男性，66 名女性，年龄 23.4 +/- 4.1）与匹配 Talairach 的 241 个大脑的平均值进行匹配，并创建了 305 个大脑的平均值，即 MNI305。 MNI305 是第一个 MNI 模板。 当前标准 MNI 模板是 ICBM152，它是 152 张正常 MRI 扫描的平均值，这些扫描已使用 9 参数仿射变换与 MNI305 进行匹配。

空间归一化方法

基于标志

对于基于标志的归一化，定义了 AC-PC 空间中的一个长方体，这需要指定额外的标志来指定大脑的边界。 然后，将边界框通过几个子平面细分为 12 个子长方体。 在最后的 Talairach 变换步骤中，通过对子长方体进行数学拉伸、挤压和扭曲，使每个子长方体都补偿为与相应的标准 Talairach 模板匹配。 根据这种分段线性变换，每个大脑与 Talairach 模板之间的差异达到最小。

基于体积

基于体积的归一化旨在基于归一化相关系数 (NCC) 最大化模板和个体目标图像的交集区域中的重叠体素。 假设模板图像为 X，目标图像表示为 X'，则个体目标图像 X' 与模板 X 之间的重叠区域可以表示为

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

$T$: 刚体变换

模板和目标图像之间的重叠体素为

$F(X_{0})$: 模板中重叠体素的强度集

$G(X_{0})$: 目标图像中重叠体素的强度集

重叠集之间的归一化相关系数 (NCC) 为

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

${\overline {f}}$: $F(X_{0})$ 中体素的平均强度

${\overline {g}}$: $G(X_{0})$ 中体素的平均强度

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

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

最后，尝试最大化方程 (2) 中的归一化相关系数，以实现空间标准化。

基于表面的

基于表面的方法不是使用整个大脑体积进行标准化，而是仅考虑皮层表面。这些方法通常涉及两个步骤：1) 从解剖图像中提取皮层表面（参见表面提取）；2) 与表面图谱配准。皮层特征（如沟回）被考虑在内，可能提高配准精度。但是，这种方法仅限于涉及皮层表面的研究问题。

质量控制

检查标准化的性能对于检测一系列标准化图像中的异常值非常必要。总而言之，这些方法分为三大类。

1. 通过配准策略检查模板和标准化图像之间的重叠
2. 检查所有标准化大脑的平均图像。良好的标准化结果应显示大脑的模糊版本。如果存在显示异常的大脑图像，则表示标准化过程中存在问题。
3. 将一系列标准化图像作为电影观看（例如在 FSLView 中），跳出的图像被识别为标准化的异常值。

实现

SPM

配准

在 SPM 中，功能图像和结构图像的配准可以通过 GUI（fMRI 部分）中的配准模块进行。提供三个选项：配准（估计）、配准（重采样）和配准（估计和重采样）。您的选择将取决于后续步骤。如果只选择“估计”，则配准的变换矩阵将被估计，变换参数将存储在源图像的标头中，而不会实际应用到图像上。如果计划在配准之后进行其他空间变换（例如标准化），则建议这样做。在这种情况下，每个空间变换的空间变换参数将被组合起来，并且只在最后一步应用于数据，从而减少了变换步骤的负面影响。另一方面，“估计和重采样”将估计变换并将变换应用于数据，生成一个新的数据集，其前缀为 'r'（默认情况下，可以调整）。仅选择“重采样”假设您已经拥有要应用于图像的变换文件，系统会询问您提供这些文件。

在此，我们选择“配准（估计）”选项单独进行变换，因为之后会进行标准化步骤。

1 带有已选择配准模块（估计）的主 GUI

单击此按钮时，批处理编辑器将显示出来，其中包含几个需要设置的参数。首先，通过突出显示参考图像行来定义参考图像，然后单击底部的选择文件按钮。选择要配准到的文件（取决于您希望的方向，例如平均重新对齐的功能图像，因此，在选择文件菜单中筛选平均值文件）并单击完成。对源图像参数执行相同的操作，这次选择要配准到参考图像的文件（例如解剖图像）。请注意，假设参考图像保持不变，而源图像应该在之后与之匹配。对于其他图像，如果也要进行配准，可以选择所有其他功能图像。在估计选项下，有四个可调整的参数，您可以调整这些参数或保留默认设置，就像我们在这里做的那样。要了解有关要设置的任何参数的更多信息，请单击相应的行并在底部的框中阅读说明。单击批处理编辑器菜单栏中的绿色三角形以运行配准。

2 批处理编辑器

计算完成后，源图像和参考图像都将在图形窗口中显示。

3 显示结果的图形窗口

标准化

对于标准化，请在主 fMRI GUI 中选择标准化模块。同样，有三个选项标准化（估计）、标准化（写入）和标准化（估计和写入）。虽然命名略有不同，但意义与配准模块大致相同（参见上文，重采样被写入取代）。如果标准化是最后的空间变换步骤，如我们的示例所示，则应选择估计和写入，因为我们希望估计到模板空间的变换，并应用配准和标准化这两种变换到功能体积。

1 带有已选择标准化（估计和写入）的主 GUI

打开批量编辑器后，选中“数据”行，并在下面的框中点击“新建主题”来创建一个新主题（如果需要，可以创建多个主题）。您需要通过选中相应行，点击“选择文件”，选择文件，最后点击“完成”来选择三个（组）文件。请记住，“选择文件”菜单中有一个过滤选项，可以简化您的操作。首先选择“源图像”，它是在标准空间中进行转换计算的图像，通常是高分辨率解剖图像。接下来定义“要写入的图像”，即您想应用转换的图像。这里将是所有重新对齐的（前缀为 r）功能图像，因为我们希望将它们扭曲到标准空间。然后选择“模板图像”。“选择文件”按钮会自动将您引导至 SPM 的模板文件夹，您可以在其中找到 MNI 模板。选择与源图像匹配的模板，在本例中为 T1。最后，如果需要，您可以调整其他所有参数。调整“体素大小”至要写入图像的体素大小是有意义的（对于功能图像通常为 [3 3 3]，选中相应行，然后点击下面的“编辑值”）。您无法获得比原始图像更高的分辨率，较低的体素大小值只会增加数据的大小。

2 批处理编辑器

现在，您可以通过按下绿色三角形来运行批量处理。在前面的步骤中，我们将解剖图像与平均功能图像进行配准，这一点很重要，我们现在使用它来计算到标准空间的转换。因此，我们将这两种转换（功能-解剖和解剖-模板）应用于所有功能图像，从而将它们扭曲到标准空间。运行 SPM 后，将创建一个新的数据集，前缀为 w（表示扭曲），您可以通过主 GUI 中的“显示”或“检查配准”按钮进行查看。后者使您能够同时显示多个数据集，但不幸的是，不支持叠加以直观地检查功能、结构和模板图像的对齐。您可能需要使用其他软件，例如 FLSview。

AFNI

倾斜数据

有关倾斜数据配准问题，请参阅 AFNI

配准

align_epi_anat.py 脚本计算两个数据集之间的对齐，通常是 EPI 和解剖结构数据集，并将生成的转换应用于其中一个数据集，以使它们对齐。^[3] 转换的计算是为了将解剖结构与 EPI 数据对齐，但生成的转换可以以指定的任何方式使用。基本输入是解剖结构和 EPI 数据集，哪个 EPI 体积应该作为对齐的基准，对齐的方向（0/平均/中位数/最大/体积#）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，默认情况下不会设置 align 块，但可以通过以下方法包含：

-do_block align 

默认情况下，这意味着 anat2epi 配准，可以通过以下选项进行更改

-volreg_align_e2a

要检查您的配准是否成功，请选择对齐的（和头骨去除的）解剖结构作为“底层”，EPI 作为“叠加”（或者反过来，如果您对齐了另一种方式），并降低叠加的透明度（默认值为 9）。

在 afni 中可视化配准

标准化

@auto_tlrc ^[4] 是一个脚本，用于将解剖结构数据集转换为与 Talairach 空间中的模板匹配。

@auto_tlrc -base TEMPLATE -input ANATOMICAL

请注意，除非另有指示（-no_ss），否则此脚本还会执行头骨去除。它实际上也可以应用于 EPI 数据，而不仅仅是应用于解剖结构。

在 afni_proc.py 中，可以通过包含 do_block tlrc 来实现归一化，该块默认情况下使用 TT_N27+tlrc 作为基准和仿射配准（可以通过 -tlrc_NL_warp 进行更改）。

-volreg_tlrc_warp 

还会告诉 afni_proc.py 在 volreg 步骤中将该转换应用于 EPI 数据（这将作为 3dAllineate 的一部分实施^[5]）。因此，volreg 块的输出将位于 Talairach 空间中。

合并空间转换

在 afni 中，空间转换是按顺序进行的。但是，有一种方法可以一步应用所有空间转换（请参阅 SPM 实现部分，了解为什么要这样做）。在 afni 中，这样做的方法实际上是运行不同的空间转换，但不是使用创建的数据集，而是只使用也计算的转换矩阵。此矩阵是 align_epi_anat.py 的默认输出，而如果您想包含重新对齐矩阵，则必须明确告诉 3dvolreg 保存矩阵（如重新对齐章节所述）。@auto_tlrc 无法保存矩阵，但可以从创建的 +tlrc 文件中提取。工作流程示例如下：

计算对平均图像的重新对齐，同时保存转换矩阵。

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

计算解剖结构与切片时间校正后的 EPI 系列（非重新对齐的）的配准，保存头骨去除的解剖结构图像以进行归一化（最后三个选项是必需的，因为所有这些步骤都在之前完成）。

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

将上述产生的头骨去除的解剖结构图像（不是配准后的图像）归一化到 Talairach 空间，跳过头骨去除（-no_ss），因为这已经完成。

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

连接转换矩阵。第一个是归一化后的解剖结构的头文件数据，第二个是配准的矩阵。这两个矩阵必须反转（-I），因为我们现在希望将 EPI 页配准到解剖结构，然后配准到 Talairach，这与矩阵计算的方向相反。最后一个矩阵是重新对齐转换。total_transform... 是新的组合转换矩阵的名称。

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

在计算空间转换以将解剖结构拟合到标准空间之前，将组合转换应用于 EPI。-mast_dxyz 设置为 3，以防止 EPI 数据的过采样，因为 EPI 数据的分辨率仅为 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

参考文献

配准软件比较 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: 马萨诸塞州桑德兰，美国。