弥散加权成像(DWI/dMRI)数据处理

图例 DTI数据处理流程

一、数据质量检测和数据预处理
     1.数据质量检查:
    好数据是好结果的前提,思影科技会对您的数据进行细致的检查,提高科研结果的严谨性。
    主要包括:扫描参数检查,包括TR、体素大小、扫描时长等参数,确保参数合适与统一;图像伪迹检查,包括鬼影、变形等;其他检查,包括头动状况、图像是否缺损等。对于可能发现的数据质量问题,思影将提供合适的参考意见。也可帮助客户进行扫描参数的设计。
图例:不同伪影示意图
     2、数据预处理
   1)数据格式转换:将dicom格式文件转换成主流脑影像处理软件支持的NifTi格式文件以及对应的文件组织形式。
2)头动与涡流校正:校正由头动造成的时间点不对齐以及涡电流引起的T2像伪迹。
3)梯度方向矫正:根据头动校正的形变场校正对应的梯度方向表,以便于更精确地估计张量。
4)拟合张量模型:通过校正后的B0和非零b值成像,结合对应的梯度方向表和b值表,计算出基于每个体素的张量模型。
 
二、单一B值弥散成像/弥散张量成像(DTI)
    1.确定性纤维追踪
确定性纤维追踪主要使用FACT、steamline等追踪方法根据张量主方向以及预设的偏转角阈值、FA阈值等参数对全脑纤维束进行构建,而后通过设定ROI的方式追踪特定纤维束,并计算纤维束的数目、平均FA等相关指标。

图例:全脑纤维束构建

图例:弓状束的确定性追踪

2.概率性纤维追踪
概率性纤维追踪主要通过球棍(ball & stick)模型结合马尔科夫链蒙特卡洛模拟(MCMC)方法估计纤维束方向在每个体素上的概率分布,通过在每个种子点体素发射上千条纤维束的方法来追踪纤维束的后验分布,并计算纤维束的连接概率、平均FA等相关指标。
图例:概率性纤维追踪
    3.基于体素的统计分析(VBA)
对数据预处理时计算的张量指标如FA、MD等指标可进行进一步的基于体素的组水平统计分析(Voxel-based analysis),比较这些指标在全脑体素水平的组间差异,常用于损伤大脑(如卒中、肿瘤等)的张量指标统计。
图例:VBA方法流程
    4.基于白质骨架的弥散统计分析(TBSS)
为了克服VBA方法中配准误差或平滑核选择的问题,牛津大学的FMRIB实验室提出了一种基于白质骨架的空间统计方法(tract-based spatial statistics,TBSS)。该方法也是一种基于图像配准,然后针对全脑体素的FA值提取白质骨架,在白质骨架上进行进一步统计分析的探索性分析方法。
图例:TBSS方法流程(左)与结果样例(右)
    5. 基于图论的DTI脑网络属性分析(小世界属性、Rich-club系数、度中心性等)
根据脑分区图谱进行多个脑区两两间的确定性或者概率性纤维追踪,以特定脑区为节点,以节点间结构连接指标(纤维束条数、概率、平均FA等)为边,可构建结构脑网络,利用图论计算相应的网络属性。

图例:图论分析流程

    6. 确定性纤维束自动分段定量方法(AFQ,Automated Fiber Quantification)
通过自动定量方法可对全脑主要的20条主要的确定性纤维束进行自动分割,可对分割、去除outliers后的纤维束进行进一步分段(如100等分)统计,可统计每个纤维束段的组间差异。

图例:AFQ方法在精神分裂症中的应用

    7、概率性纤维自动提取方法(AutoPtx) 
通过预先设定好纤维束的种子点、排除脑区、终止脑区等条件,可对概率性纤维束进行自动分段提取并进一步计算对应的平均标量指标(FA、MD等)。
图例:概率性纤维自动提取技术在老化研究中的应用
三、多B值弥散成像/高角分辨率弥散成像(HARDI)
思影科技结合客户不同数据采集方案提供多种分析方法:
    1、基于多种模型的体素分析方法
由于DTI基于水分子的扩散呈高斯分布的假设,而在非均匀介质中,水分子并不服从高斯分布扩散假设,因此发展出了多种基于非均匀介质的弥散模型,可以更精确地探索神经纤维。
1)弥散峰度成像(diffusion kurtosis imaging,DKI)
扩散峰态成像(DKI)是一种表征非高斯扩散的成像方法,即通过估计位移分布的过度峰态来表征非高斯扩散,计算出平均峰度(MK)、轴向峰度(AK)、径向峰度(RK)等标量指标进行进一步基于体素的统计分析。

图例 DKI指标

    2)神经突方向散度和密度成像(neurite orientation dispersion and density imaging,NODDI)

NODDI方法主要对全脑神经突方向散度和密度进行成像。可以计算vic、viso、OD等标量指标进行进一步基于体素的统计分析。

图例 NODDI指标

    2、基于多种模型的纤维追踪方法
    1)约束球形解卷积(CSD)
约束球形解卷积主要通过估计每个体素上的纤维走向的ODF函数的方式来重建每个体素上的纤维分布,可以有效解决纤维交叉的问题。

2)弥散谱成像/Q空间球形采样成像/广义Q采样成像(DSI/Q-ball/GQI)

DSI/Q-ball等成像方式需要在Q空间格栅式或者球面采样,需要采集较多不同的b值图像,同时可以更细致准确地刻画纤维束走向。

四、其他方法
    1、FBA(Fixel-based analysis)
FBA主要研究纤维束横截面积(FC)、横截面密度(FD)、横截面积&密度(FDC)等基于纤维束的标量指标,提供了一种检测特定白质束内白质变性的方法。
     2、基于白质指标、脑网络的机器学习

(1)基于体素的MVPA分析。基于常见的白质指标,构建机器学习模型,实现对不同群组的分类以及对量表得分的预测。常见的白质指标包括:FA、MD等(前述其他指标也可利用);常见的机器学习模型包括:支持向量机(SVM)、线性判别分析(LDA)、Logistic回归、随机森林(Random Forest)、RVR、Elastic Net等。

(2)基于脑网络的机器学习分析。基于脑连接组数据,同样可以提供上述分类/回归分析(参见(1))。此外,思影科技可以提供脑网络特有的预测模型,即CPM分析。

(3)结果可视化。基于体素的MVPA分析可以提供权重图,以展示对分类/回归贡献较大的脑区;基于脑网络的机器学习分析可以提供点线图和圈状图。

五、定制化分析

  (1)分析方法可定制。思影科技可根据您提供的模板文献,基于您的实验数据,实现文献中使用的数据分析方法。此外,未列出的分析方法,只要在思影科技的能力范围内,尽力实现您的想法。
(2)分析代码可定制。在没有现有的软件适用于您的数据分析需求时,思影科技会与您协商,通过编写代码实现您的想法,并提供代码的完整实现。
(0)

相关推荐