神经影像数据处理/处理/步骤/配准和归一化

配准的概念

通常，配准指的是将一系列图像进行空间对齐，可以是来自同一个体内的图像体积，也可以是来自不同个体的图像体积，在预处理的多个步骤中使用。配准最常指的是将来自同一个体的功能图像和结构图像进行对齐，以将功能信息映射到解剖空间。归一化指的是将个体（大多数是解剖）图像配准到标准模板，以克服不同个体之间大脑形状差异的问题。(此外，重新对齐将个体内的时序图像体积配准到个体头部运动的参考图像)。

一个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图像配准到个体的结构图像，然后使用非线性变换将结构图像扭曲到模板。从第二步得到的变换信息可以应用到第一步中配准的EPI，以获得标准空间中的功能信息。

解剖图像的预处理

用于这些程序的解剖图像也必须进行预处理。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（参见表面提取）。根据软件的不同，这些步骤可以作为配准过程的一部分实现。

结构-功能配准

如果目的是研究个体的功能激活如何叠加到其自身的解剖结构上，则应该将同一个体的功能图像和结构图像对齐在一起。然而，同一个体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，功能图像通常很模糊，并且遭受几何和强度失真的困扰。配准的基本思想与重新对齐相似，即定义一个代价函数，以最小化图像参数之间的差异为目标。然而，由于功能图像的失真，六个参数的刚性变换可能不足以纠正。根据失真复杂性的不同，可以使用九个参数变换（另外三个附加参数用于解释x、y或z轴上的比例差异）甚至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对比度的不同，互信息比平方差之和更适合作为代价函数。

空间归一化

人类大脑的大小和形状各不相同。大脑的这种结构差异给跨个体大脑功能研究带来了障碍，即如何在不同大脑之间确定区域对应关系，尽管它们存在差异。主要的工作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。空间归一化的最终目标是将大脑空间变换到一个公共空间，使它们可以相互比较。

模板

模板指的是一个具有解剖特征的代表性图像，它位于一个坐标空间中，然后为对齐到该模板的单个图像提供一个目标。Jean Talairach在1967年提出了第一个建立参考大脑图谱的尝试。定义了一组解剖学地标，分别是前联合（AC）、后联合（PC）、中矢状面以及大脑在每个边缘的外部边界。基于这些大脑中的锚点，构建了一个三维坐标空间。更具体地说，将前联合（AC）设置为原点，从AC到PC的方向为Y轴；与Y轴重合的纵向（半球间或正中矢状）裂缝为Z轴；最后一个X轴垂直于YZ平面。Talairach坐标提供了一种可能性，可以通过一个定义明确的过程将任何大脑归一化到该模板。然而，这种Talairach空间模板并不完美，并且由于缺乏MRI扫描基础和代表性不足，要求进一步发展。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个正常MRI扫描为基础，手动定义各种地标，以识别与AC-PC线非常相似的线，以及大脑的边缘。每个大脑都被缩放，以使地标与Talairach图谱上的等效位置匹配。然后，使用自动化的9参数线性算法将305个正常MRI扫描（均为右利手，239名男性，66名女性，年龄23.4 +/- 4.1）匹配到Talairach匹配的241个大脑的平均值，并创建了一个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个正常MRI扫描的平均值，这些扫描使用9参数仿射变换与MNI305匹配。

空间归一化方法

基于地标

对于基于地标的归一化，定义了AC-PC空间中的一个长方体，这需要指定其他地标来指定大脑的边界。然后将边界框通过多个子平面细分为12个子长方体。在最后的Talairach变换步骤中，通过数学上的拉伸、挤压和扭曲子长方体，使每个子长方体补偿到匹配相应的标准Talairach模板。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）最大化模板和单个目标图像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'，单个目标图像 X' 和模板 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，尝试最大化公式 (2) 中的归一化相关系数以实现空间归一化。

基于表面的

基于表面方法不使用完整的大脑体积来执行归一化，而是仅考虑皮质表面。这些方法通常包含两个步骤，1）从解剖图像中提取皮质表面（参见 表面提取）；2）注册到表面图谱。考虑到皮质特征（如沟回），可能会提高配准精度。但是，这种方法仅限于涉及皮质表面的研究问题。

质量控制

为了检测一系列归一化图像中的异常值，检查归一化的效果是非常必要的。总的来说，这些方法可以分为三类。

1. 通过配准策略检查模板和归一化图像之间的重叠部分
2. 检查所有归一化大脑的平均图像。良好的归一化结果预期是一个模糊的大脑版本。如果有一个大脑图像显示异常，则意味着归一化过程存在一些问题。
3. 将一系列归一化图像以电影的形式查看（例如在 FSLView 中），跳跃的图像被识别为归一化的异常值。

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 中的“配准”模块完成（fMRI 部分）。提供了三个选项：“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”，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，而不会真正应用于图像。如果计划在配准之后进行其他空间变换，则建议使用此选项，例如归一化。在这种情况下，来自每个空间变换的空间变换参数将被组合，并且仅在最后一步应用于数据，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，前缀为 'r'（默认情况下，可以调整）。只选择“重采样”假定您已经拥有要应用于图像的变换文件，您将被要求提供这些文件。

在此，我们选择了“配准（估计）”选项，以便仅执行变换，因为将进行归一化步骤。

1 带有选定配准模块（估计）的主 GUI

点击此按钮后，将出现一个批处理编辑器，其中包含几个要设置的参数。首先，通过突出显示“参考图像”行定义参考图像，然后点击底部的“选择文件”按钮。选择要配准到的文件（取决于您希望的方向，例如平均重排功能图像，因此，在“选择文件”菜单中过滤“平均”文件），然后点击“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，参考图像被假定为保持不变，而源图像应该在稍后与参考图像匹配。对于“其他图像”，您可以选择所有其他功能图像，如果它们也要被配准。在“估计选项”下，有四个可调整的参数，您可以调整它们或保持默认设置，就像我们这里做的那样。要了解更多关于要设置的任何参数的信息，点击相应的行，并在底部的框中阅读说明。点击批处理编辑器菜单栏中的绿色三角形来运行配准。

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

归一化

对于归一化，请在主 fMRI GUI 中选择“归一化”模块。同样，这里有三个选项“归一化（估计）”、“归一化（写入）”和“归一化（估计和写入）”。虽然命名略有不同，但意义与配准模块基本相同（见上文，重采样被写入取代）。如果归一化是最终的空间变换步骤（如我们的示例），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，并且将配准和归一化这两种变换应用于功能卷。

1 带有选定归一化（估计和写入）的主 GUI

批处理编辑器打开后，突出显示“数据”行，然后点击下面的“新建主题”框来创建一个新的主题（如果您愿意，可以创建更多主题）。您必须通过突出显示相应的行，点击“选择文件”，选择您的文件并点击“完成”，选择三个（组）文件。请记住，“选择文件”菜单中有一个过滤器选项，使您的生活更容易。首先，您选择“源图像”，这是计算到标准空间的变换的图像，通常是高分辨率解剖图像。接下来，您定义“要写入的图像”，即您要应用变换的图像。这里将是所有经过重排的（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到 SPM 的模板文件夹，在那里您可以找到 MNI 模板。选择与您的源图像匹配的模板，在这种情况下为 T1。最后，您可以根据需要调整所有其他参数。调整“体素大小”以匹配您要写入的图像的体素大小（对于功能图像通常为 [3 3 3]，突出显示相应的行，然后点击下面的“编辑值”）。您无法获得高于原始图像的分辨率，较低的体素大小值只会增加数据的尺寸。

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处理。重要的是，在前面的步骤中，我们对解剖图像进行了配准，现在我们使用它来计算到标准空间的变换，并将其配准到平均功能图像。因此，现在我们将两种变换（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，会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“检查回归”按钮查看。后者使您能够一次显示多个数据集，但不幸的是，不支持叠加，因此无法直观地检查功能、结构和模板图像的对齐。您可能希望使用 FLSview 等其他软件。

AFNI

倾斜数据

有关倾斜数据配准问题的详细信息，请参见 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，并将生成的变换应用于其中一个数据集，使其对齐。 变换是计算出来的，以便将解剖结构对齐到 epi 数据，但生成的变换可以以指定的方式使用。基本输入是解剖结构和 epi 数据集，哪一个 epi 卷应作为对齐的基础，对齐的方向（0/平均/中位数/最大/卷号）以及需要哪种对齐方向（anat2epi/epi2anat），例如

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

在afni_proc.py 中，对齐块默认情况下没有设置，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，这可以通过以下选项更改：

-volreg_align_e2a

要检查配准是否成功，请选择对齐的（和去除头骨的）解剖结构作为底层，并将 epi 作为叠加（或者反过来，如果您对齐了其他方式），并降低叠加的透明度（默认值为 9）。

在 afni 中可视化配准

归一化

@auto_tlrc 是一个脚本，用于变换解剖结构数据集以匹配 Talairach 空间中的模板。

@auto_tlrc -base TEMPLATE -input ANATOMICAL

请注意，除非另有指示（-no_ss），否则该脚本还会执行头骨剥离。实际上，它也可以应用于 epi 数据，而不仅仅是解剖数据。

在afni_proc.py 中，归一化可以通过包含do_block tlrc 来实现，它默认使用 TT_N27+tlrc 作为基础并进行仿射配准（可以通过 -tlrc_NL_warp 更改）。

-volreg_tlrc_warp 

此外，它会告诉 afni_proc.py 在 volreg 步骤中将该变换应用于 EPI 数据（然后它将在 3dAllineate 中实现）。因此，volreg 块的输出将位于 Talairach 空间。

组合空间变换

afni 中的空间变换是依次进行的。然而，有一种方法可以在一步中应用所有空间变换（有关执行此操作的原因，请参阅 SPM 实现部分）。在 afni 中执行此操作的方法是实际运行不同的空间变换，但不要使用创建的数据集，而只使用也计算的变换矩阵。该矩阵是 align_epi_anat.py 的默认输出，而如果您想包含重排矩阵，则必须明确告诉 3dvolreg 存储矩阵（如“重排”章节中所述）。@auto_tlrc 无法存储矩阵，但可以从创建的 +tlrc 文件中提取矩阵。一个工作流程示例如下：

计算对平均图像的重排，同时存储变换矩阵

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

计算解剖结构对时序校正的 EPI 系列的配准（不是重排的那些），保存去除头骨的解剖图像以进行归一化（最后三个选项在这里是必需的，因为所有这些步骤之前都已完成）。

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

将上面生成的去除头骨的解剖图像（不是配准的图像）归一化到 Talairach 空间，跳过头骨剥离（-no_ss），因为这已经完成。

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

连接变换矩阵。第一个是归一化解剖结构的标头数据，第二个是配准的矩阵。这两个矩阵必须被反转（-I），因为现在我们希望将 EPI 页面配准到解剖结构，然后配准到 Talairach，这与计算矩阵的方向相反。最后一个矩阵是重排变换。total_transform... 是新的组合变换矩阵的名称。

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

在计算适应标准空间的解剖结构的空间变换之前，将组合的变换应用于 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: 桑德兰，马萨诸塞州，美国。