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时（也称为运行内运动与运行间运动），一些图像将以大脑位于错误位置的情况下获取。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，头部的移动将改变已经针对特定头部位置校准的磁场的均匀性。最后，头部运动会影响激活时间/兴奋模式，因为每个兴奋脉冲都是针对一个切片，而头部在采集过程中经过不同的切片。因此，运动校正的目标是调整图像序列，以便大脑始终处于相同的位置。这通过称为配准的过程实现。
对齐两个图像体积的通用过程称为配准。对于运动校正，时间序列中的连续图像体积与参考体积配准。为此，使用刚体变换。刚体变换假设要配准的两个体积的大小/形状是相同的（它是同一个大脑）。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提供与参考体积最佳匹配的参数集。通过代价函数（关于绝对强度值的体素逐体素减法），可以量化图像匹配程度。参考体积和校正体积之间的完美配准将产生零差异。确定一组配准参数后，需要对原始数据进行重采样，以估计在没有头部运动的情况下将获得的值。此过程称为空间插值。
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立即获取的，与解剖扫描相比，这应该导致最小的运动。然而，平均体积可能更可取，因为它包含更多信息，并且所有体积都或多或少地与它类似不同。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。这可以通过双遍平均（例如，在 AFNI 中见下文）来克服，其中所有体积首先与未对齐的平均体积对齐，然后构建另一个“对齐”的平均体积，所有体积再次与之对齐。
或者，也可以通过在 GLM 中包含计算的运动参数（作为回归量）来从数据中移除与运动相关的成分，从而校正运动的影响（例如，六个讨厌回归量对应于三个平移方向和三个旋转轴）。实际上，许多人都会同时进行配准和包含运动回归量，以解释配准尚未解决的任何问题。（有关不同方法的比较，请参见 [2]，有关在回归中包含运动参数的影响，请参见 [3]）
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明显更多头部运动的儿童或患者时。因此，标准做法是同时应用配准和运动回归。然而，最近出现了担忧，一些细微的运动伪影（< 0.5 毫米）在进行这些校正后依然存在，可能会使个体和群体之间功能连接性的比较产生偏差。因此，建议要么排除显示微运动的体积（“清除”）和/或在组水平分析中包含每个受试者的平均运动参数作为协变量。 [5]
有关为什么简单的运动校正可能不够的辩论，请参见 [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受试者内配准。在 SPM8 中，为此提供了四种模式。
* 配准（估计）
- 此处的估计指的是如何从单个图像获得最佳变换（通常是具有六个参数的刚体变换）到参考。SPM 中提供了一些参数供用户调整算法。执行此步骤后，每个输入文件的头部将被更改以反映它们之间的相对方向；然后，一个名为 rp_*.txt 的文件；此外，在图形窗口中，六个运动参数以图像序列的形式绘制。然而，关于如何设置这些参数并非易事，如果用户不了解它们的含义，SPM 建议保留默认设置。下表列出了七个参数及其设置建议。
| 参数 | 含义 | 默认值 |
|---|---|---|
| 质量 | 介于 0 和 1 之间的值。值越大，估计的质量越高，但计算速度越慢。此值反映了在估计过程中考虑的体素的百分比。一些体素可能贡献较少，因此可以在计算中忽略它们。 | 0.9 |
| 分离 | 这是在参考空间中采样点的距离（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 5mm 内核。 | 5 |
| 通过次数 | 这里确定参考图像的选择。参考可以是第一卷或所有图像的平均卷。此外，与 AFNI 一样，可以选择两遍程序。但是，SPM 指出这可能不会提高配准性能，但计算时间是两倍。 | 注册到均值 |
| 插值 | 根据对单个图像采样的复杂性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，但需要更长的时间和更慢的速度。 | 2 次 B 样条 |
| 包裹 | 这是关于体积中值应围绕其包裹的方向。在 MRI 扫描中，图像在相位编码方向上包裹。SPM 建议，如果图像已进行空间变换，或者不确定如何设置，那么最好设置为空。 | 不包裹 |
| 加权 | 可以在参考图像中使用不同的值对体素进行加权。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。 | 没有权重文件 |
* 配准（重新切片） 一旦估计了变换参数，就不会生成新图像。在重新切片过程中，一系列配准后的图像将与选择的第一个图像体素对体素匹配，并生成一系列新图像。新图像将根据其原始图像命名，但以 'r' 为前缀。基本上，重新切片仍然属于将原始空间中的点插值到推断新空间中值的插值问题，在 SPM 中提供了几个参数来控制算法。
| 参数 | 含义 | 默认值 |
|---|---|---|
| 重新切片图像 | 细化需要进行重新切片操作的图像，而“平均图像”指的是通过对所有重新切片图像进行平均得到的附加图像。 | 所有图像 + 平均图像 |
| 插值 | SPM 建议，更简单的方法（例如最近邻）通常比更高阶方法表现更差，更高阶方法会将更多体素考虑在插值中。 | 4 次 B 样条 |
| 包裹 | 这是关于体积中值应围绕其包裹的方向。在 MRI 扫描中，图像在相位编码方向上包裹。SPM 建议，如果图像已进行空间变换，或者不确定如何设置，那么最好设置为空。 | 否 |
| 掩码 | 对于需要从原始图像外部采样的体素，它们直接在所有图像上设置为零。 | 掩码图像 |
| 文件名前缀 | 如何命名重新切片后的图像文件。 | r |
* 配准（估计和重新切片）
- 这是第一步和第二步的组合。更多信息可以在上面找到。
* 配准和反扭曲
FSL
[edit | edit source]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 的最简单方法是单击“FEAT FMRI 分析”，然后在“预统计”选项卡中选中“MCFLIRT”选项。
在如此简单的操作背后，有几个可调整的参数在 GUI 中自动设置为默认值，这些参数可以在命令行中灵活设置。这些参数包括：
- -cost：MCFLIRT 中用于量化参考图像和目标图像之间差异的成本函数。有五种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（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。
- -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：通常将目标图像注册到参考图像需要多个阶段，从三个到四个。默认设置为 3 阶段，可以增加到 4 阶段。在不同的阶段，插值算法是不同的，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：将时间序列注册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：将进度报告到屏幕
- -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和平均位移。
AFNI
[edit | edit source]3dvolreg 使用 6 个参数应用刚性变换。参考是使用 -base 选项定义的。另一个有用的功能是 -1Dfile，它创建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，默认值为傅里叶方法，据说它是最慢但最准确的。有关更多详细信息和选项，请参阅手册页 [8]
要与运行的平均值对齐，可以使用 3dTstat 在使用之前计算此平均值，然后将其用作 3dvolreg 命令中的基础。这是一个示例，它还保存了配准参数和变换矩阵。这在您希望合并所有空间变换并在最后一起应用它们时非常有用。如上所述，AFNI 3dvolreg 包含选项 -twopass，请查看手册以了解更多详细信息。
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，它将所有运动参数汇总成一个时间序列。这有助于检测整体运动，也可以使用 1dplot 绘制。生成的 enorm 文件可用于通过将它们包括在回归中来剔除大的异常值（那些无法通过配准处理的异常值）。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。通过在 uber_subject.py 中设置运动剔除限制可以实现相同的效果。
查看配准前后视频中的体积以检查运动是否已减少也是一个好习惯。在 afni 查看器中，单击您要查看的图像作为视频，然后按键盘上的 v 键。按 Esc 键停止视频模式。
在 afni_proc.py 中，配准是标准步骤，默认情况下与第一个运行的第 3 个体积对齐，使用三次插值并为所有运行准备运动参数以进行回归。要更改这些参数，请使用
-volreg_align_to -volreg_interp
参考文献
[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: 萨默塞特，马萨诸塞州，美国。
- ↑ Churchill，Nathan W.，Oder，Anita，Abdi，Hervé，Tam，Fred，Lee，Wayne，Thomas，Christopher，Ween，Jon E.，Graham，Simon J.，Strother，Stephen C.，优化单个受试者 fMRI 的预处理和分析流程。一、标准时间运动和生理噪声校正方法，人类脑图 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 中的受试者内和受试者间差异中的作用，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，静息状态 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
- ↑ 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，对头部微运动对功能连接组学影响的区域差异进行综合评估，《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）。实践 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)。“接收场对比度对运动校正 EPI 时间序列影响的模拟”。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