神经影像数据处理/处理/步骤/配准
当头部在实验运行期间或运行之间移动（也称为运行内与运行间运动）时，一些图像将以大脑位于错误位置的方式获取。因此，运动会导致给定的体素包含来自两种不同类型组织的信号或数据丢失（例如，在成像体积的边缘）。此外，头部移动将改变已针对一个特定头部位置进行匀场的磁场均匀性。最后，头部运动会对激发时间/激发模式产生影响，因为每个激发脉冲都针对一个切片，而头部在采集过程中穿过不同的切片。因此，运动校正的目标是调整图像序列，使大脑始终处于相同位置。这是通过称为共配准的过程实现的。
空间对齐两个图像体积的一般过程称为共配准。对于运动校正，时间序列中的连续图像体积与参考体积共配准。为此，使用刚体变换。刚体变换假定两个应该共配准的体积的大小/形状是相同的（是同一个大脑）。因此，一个体积可以通过三个平移和三个旋转的组合叠加在另一个体积上。因此，刚体变换具有三个平移参数和三个旋转参数。
计算机算法可以识别出一组参数，这些参数提供了与参考体积的最佳匹配。通过成本函数（关于绝对强度值的体素对体素减法）可以量化一个图像与另一个图像匹配的程度。参考体积和校正体积之间的完美共配准将产生零差。在确定一组配准参数后，必须对原始数据进行重采样，以便估计在没有头部运动的情况下将获得的值。这个过程称为“空间插值”。
参考体积可以是会话或运行的特定体积，例如第一个体积，也可以是平均体积。使用第一个（可用）体积的原因是，它通常是在解剖扫描后直接获取的，与解剖扫描相比，这应该会导致最小的运动。然而，平均体积可能更可取，因为它包含更多信息，并且所有体积或多或少地与它相差相似。另一方面，平均体积将由未对齐的体积构建，这在某种程度上是有问题的。这可以通过两遍平均来克服（例如在 AFNI 中，见下文），其中所有体积首先对齐到一个未对齐的平均体积，然后构建另一个“对齐”平均体积，所有体积再次对齐到它。
或者，也可以通过在 GLM 中包含计算的运动参数（作为回归量）来从数据中去除运动相关成分，从而校正运动的影响（例如，对应于三个平移方向和三个旋转轴的六个干扰回归量）。事实上，许多人同时进行配准和包含运动回归量，以解释配准未解决的任何问题。（请参阅[2]了解不同方法的比较，以及[3]了解在回归中包含运动参数的影响）
在静息态 fMRI 中，运动校正尤为重要，因为头部运动具有全局影响。[4]尤其是在比较健康对照组与通常表现出更多头部运动的儿童或患者时。因此，标准方法是应用配准和运动回归。然而，最近人们开始担心，经过这些校正后依然存在的微小运动伪影（< 0.5 毫米）会使个体和群体之间的功能连接比较产生偏差。因此，有人建议要么排除显示微运动的体积（“擦除”），要么在群体水平分析中将每个受试者的平均运动参数作为协变量纳入。[5]
有关为什么简单的运动校正可能不足的辩论，请参阅[6] [7]
配准通过最小二乘法和刚体变换，作为时间序列图像的个体间配准。在 SPM8 中，为此提供了四种模式。
* 配准（估计）
- 这里的估计指的是如何从单个图像获取到参考图像的最佳变换（通常是具有六个参数的刚体变换）。SPM 中提供了一些参数用于调整算法。执行此步骤后，每个输入文件的头部将被更改以反映它们的相对方向；然后会生成一个名为 rp_*.txt 的文件；此外，在图形窗口中，六个运动参数将以图像序列的形式绘制。然而，如何设置这些参数并非易事，SPM 只建议如果你不完全清楚它们的含义，则保留默认设置。下表列出了七个参数及其设置建议。
| 参数 | 含义 | 默认 |
|---|---|---|
| 质量 | 0 到 1 之间的值。值越大，估计的质量越高，但计算速度越慢。此值反映了估计过程中考虑的体素百分比。一些体素的贡献可能较小，因此可以在计算中忽略它们。 | 0.9 |
| 分离 | 这是参考空间中采样点之间的距离（非负）。值越小，采样越精细，估计越准确，但速度越慢。 | 4 |
| 平滑 | 在变换参数估计之前对图像进行平滑处理。过滤图像中的噪声。SPM 建议对 MRI 数据使用 5 毫米内核。 | 5 |
| 传递次数 | 这里确定参考图像的选择。参考可以是第一个体积或所有图像的平均体积。此外，与 AFNI 一样，可以选择两遍程序。然而，SPM 指出这可能不会对重新对齐性能有所贡献，但计算时间是两倍。 | 注册到均值 |
| 插值 | 根据对单个图像的采样复杂度和算法中考虑的体素数量，参数估计可能会受到影响。插值度越高，估计越准确，但时间更长，速度更慢。 | 二阶 B 样条 |
| 包裹 | 这是关于体积中值应该环绕的方向。在 MRI 扫描中，图像在相位编码方向上环绕。SPM 建议，如果图像已进行空间变换，或者您不确定如何设置它，那么最好设置为 void。 | 不包裹 |
| 加权 | 您可以使用不同的值对参考图像中的体素进行加权。建议在 SPM 中使用，只要存在明显的脑外运动或存在严重噪声的区域块。 | 无权重文件 |
* 重新对齐（重新切片）一旦估计了变换参数，就不会生成新的图像。在重新切片过程中，一系列已配准的图像将与选择的第一个图像逐体素匹配，并生成一系列新的图像。新图像将根据其原始名称命名，但带有“r”前缀。基本上，重新切片仍然属于将原始空间中的点插值到新空间中以推断新空间中值的插值问题，而在 SPM 中，提供了一些参数来控制算法。
| 参数 | 含义 | 默认 |
|---|---|---|
| 重新切片图像 | 细化哪些图像需要进行重新切片操作，而“平均图像”指的是通过对所有重新切片图像进行平均而得到的附加图像。 | 所有图像 + 平均图像 |
| 插值 | SPM 建议，更简单的方案（例如最近邻）通常比考虑更多体素进行插值的更高阶方法表现更差。 | 四阶 B 样条 |
| 包裹 | 这是关于体积中值应该环绕的方向。在 MRI 扫描中，图像在相位编码方向上环绕。SPM 建议，如果图像已进行空间变换，或者您不确定如何设置它，那么最好设置为 void。 | 否 |
| 掩码 | 对于需要从原始图像外部采样的体素，它们在所有图像上直接设置为零。 | 掩码图像 |
| 文件名前缀 | 重新切片后如何命名图像文件。 | r |
* 重新对齐（估计 & 重新切片）
- 这是步骤一和步骤二的组合。更多信息可以在上面找到。
* 重新对齐 & 去扭曲
在 FSL 中，MCFLIRT 用于运动校正 (MC)。此功能集成到 FEAT FMRI 分析协议中。执行 MC 最简单的方法是单击“FEAT FMIR 分析”，然后在“预统计”选项卡中选中“MCFLIRT”选项。
在这样一个简单的操作背后，GUI 中自动将几个可调节参数设置为默认值，这些参数可以在命令行中灵活地设置。这些参数包括：
- -cost：MCFLIRT 中用于量化参考图像与目标图像之间差异的成本函数。有五个不同的成本函数可用：互信息 (mutualinfo)、相关系数 (corratio)、归一化相关性 (normcorr)、归一化互信息 (normmi) 和最小二乘法 (leastsquares)，默认值为 normcorr。
- -bin：直方图 bin 的数量，默认值为 256。
- -dof：变换 dof 的数量，默认值为 6。
- -refvol：参考体积的数量，默认值为中间体积。
- -scaling：默认值为 6.0。
- -smooth：默认值为 1.0，用于控制成本函数中的平滑度。
- -rotation：指定旋转优化容差的缩放因子。
- -verbose：值不小于 0，默认值为 0。
- -stages：通常，将目标图像配准到参考图像需要几个阶段，从三个到四个。默认设置是 3 阶段，可以增加到 4 阶段。在不同的阶段，插值算法不同，可以是三线性、sinc 或最近邻。
- -init：要应用于所有体素的初始变换矩阵，默认值为无。
- -gdt：在梯度图像上运行搜索。
- -edge：在轮廓图像上运行搜索。
- -meanvol：将时间序列配准到平均体积，而不是参考体积。
- -stats：生成方差和标准差图像。
- -mats：将变换矩阵保存在子目录 outfilename.mat 中。
- -plots：将变换参数保存在文件 outputfilename.par 中。
- -report：向屏幕报告进度。
- -help：打印此信息。
GUI 上运动校正操作的命令行是：
mcflirt -in input_func_data -out out_func_data_mcf -mats -plots -refvol 100
结果包括三个图，分别对应于六个参数沿时间序列的趋势，以及平均位移。
3dvolreg 使用 6 个参数应用刚体变换。参考使用-base选项定义。另一个有用的功能是-1Dfile，它创建一个包含运动参数的文件。这可以稍后用于回归。插值方法也可以调整，默认方法是傅里叶方法，据说是最慢但最准确的。有关更多详细信息和选项，请参阅手册页[8]
要对运行的平均值进行对齐，可以使用 3dTstat 在之前计算此值，并将其用作 3dvolreg 命令中的基础。这是一个示例，它还保存了重新对齐参数和变换矩阵。这在您想要将所有空间变换组合起来并在最后一起应用它们时很有用。如上所述，AFNI 3dvolreg 包含选项-twopass，请查看手册以获取更多详细信息。
3dTstat -mean -prefix MEAN_FILE INPUTFILE 3dvolreg -twopass -1Dfile PARAMETER.1D -1Dmatrix_save MATRIX.1D -base MEAN_FILE -prefix OUTPUTFILE INPUTFILE
应该始终直观地检查运动参数。这可以通过以下命令完成
1dplot -volreg PARAMETERFILE.1D
还有一个名为1d_tool.py [9]的功能，它将所有运动参数总结成一个时间序列。这有助于检测整体运动，也可以使用1dplot进行绘制。生成的enorm文件可用于通过将它们包含在回归中来审查大的异常值（那些无法通过重新对齐处理的）。这可以通过在 afni_proc.py 中使用命令-regress_censor_motion 0.3 自动完成，其中 0.3 是阈值，当然可以调整。可以通过在 uber_subject.py 中设置运动审查限制来实现相同的效果。
还有一个好的做法是在重新对齐前后查看视频中的体积，以检查运动是否已减少。在 afni 浏览器中，单击要作为视频查看的图像，然后按键盘上的v。按Esc停止视频模式。
在afni_proc.py中，重新对齐是一个标准步骤，默认情况下是对第一个运行的第 3 个体积进行对齐，使用三次插值并准备运动参数以便在所有运行中进行回归。要更改这些，请使用
-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: 马萨诸塞州桑德兰，美国。
- ↑ Churchill, Nathan W., Oder, Anita, Abdi, Hervé, Tam, Fred, Lee, Wayne, Thomas, Christopher, Ween, Jon E., Graham, Simon J., Strother, Stephen C., 优化单被试 fMRI 的预处理和分析流程。I. 标准时间运动和生理噪声校正方法，人脑图谱 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, 运动或活动：它们在 fMRI 中被试内和被试间差异中的作用，神经影像，第 26 卷，第 3 期，2005 年 7 月 1 日，第 960-964 页，ISSN 1053-8119，doi:10.1016/j.neuroimage.2005.02.021
- ↑ Kevin Murphy, Rasmus M. Birn, Peter A. Bandettini, 静息态 fMRI 混淆和清理，神经影像，第 80 卷，2013 年 10 月 15 日，第 349-359 页，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, 对头部微小运动对功能连接组学影响的区域变异的全面评估，神经影像，第 76 卷，2013 年 8 月 1 日，第 183-201 页，ISSN 1053-8119，doi:10.1016/j.neuroimage.2013.03.004
- ↑ “fMRI 中的运动问题：接收场对比度效应。” (2012 年 10 月 27 日)。实用 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 程序：3dvolreg：
-help的输出 - ↑ AFNI 程序：1d_tool.py：
-help的输出