文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。
导读
静息态功能MRI(rsfMRI)已被证明是研究功能连接和评估大脑发育完整性的优秀工具。在新生儿中，可用的fMRI研究范式很少，而rsfMRI被证明是探索大脑网络区域相互作用的相关工具，这给新生儿fMRI研究带来了很大的希望。为了更好地识别静息态网络，需仔细处理数据以减少影响结果解释的伪影。由于新生儿的非协作性、大脑大小以及与成人髓鞘的差异，新生儿数据无法使用现有的成人数据处理流程来进行处理。因此，研究者开发了NeoRS，一种用于新生儿的rsfMRI流程。该流程依赖于现有的神经影像工具（FSL、AFNI和SPM），并针对新生儿的大脑进行了优化。主要处理步骤包括图像配准到图谱、颅骨剥离、组织分割、时间层校正、头动校正和回归，这些都影响了功能数据的解释。为了解决新生儿脑成像的特异性，需要特别注意新生儿图谱类型和参数，如脑大小变化，以及与成人大脑的差异。此外，仔细观察头动，优化运动管理，因为这是处理新生儿rsfMRI数据的一个主要问题。为了评估NeoRS处理步骤的有效性，研究者使用了来自婴儿连接组项目数据集的新生儿数据，共包括10名新生儿。NeoRS可用于多波段和单波段采集，适用于较小的数据集。NeoRS还包括当前流行的功能连接分析，例如seed-to-seed或seed-to-voxel的相关性。NeoRS是用Matlab编写的，允许并行计算以减少计算时间；而且是开源的，可在GitHub网址https://github.com/venguix/NeoRS上获得。
前言
静息态功能连接(RS-FC)分析是一种很有前途的工具，因为它为与脑生理学相关的结构成像提供了补充信息。自1995年以来，静息态功能MRI（rsfMRI）研究为理解大脑结构和大脑发育提供了新的见解。Smyser等人(2013)证明了使用rsfMRI探索早产和白质损伤相关的静息态网络(RSN)变化的可能性。出生时默认模式和腹侧注意网络的改变与两岁时的行为抑制有关，这表明RSN的早期改变与临床表现相关，并为早期诊断和治疗提供了机会。此外，新生儿RSN始终是可识别的，并且与老年人群存在高度相似性。RS-FC基于参与者不执行任何任务时血氧水平依赖(BOLD)信号中的低频区域波动(＜0.1Hz)，这是评估新生儿时的一个有用特征。RSN信号在被试中很稳定，但也容易受到一些伪影的影响，例如头动、白质(WM)或脑脊液(CSF)信号的磁场畸变。稳健的rsfMRI数据处理是减少数据中非神经信号的干扰，以识别可靠的静息态活动的关键。在考虑将其用于开发新一代生物标志物之前，它的临床潜力和实施存在一些方法学上的挑战。因此，新生儿rsfMRI数据处理的简单易用性和开源性变得尤为重要。目前有几种为成年人开发的rsfMRI数据处理管道，如Conn工具箱、fmriprep、人类连接组管道（HCP）、静息态分析工具包（REST）或连接组计算系统（CCS），然而，这些都不适用于新生儿的大脑。通常需要T2加权图像代替T1加权图像来进行组织分割。此外，被试之间的大脑大小差异使成人颅骨剥离对新生儿大脑的影响减弱。此外，还需要不同年龄的脑图谱和组织概率图来进行准确的分割、公共空间归一化和基于种子点的分析。
据了解，目前唯一一个处理新生儿rsfMRI数据的开源管道是由正在发展的人类连接组项目(dHCP)开发的。虽然该管道已被证明可以提供良好的dHCP数据结果，但其在较小或临床数据集上的实施仍然具有挑战性，因为它需要大量数据集进行独立成分(IC)去噪。此外，因为dHCP是专门从dHCP数据库开发/优化的，所以很难为其他中心获得的队列建立dHCP管道。
例如，dHCP去噪步骤基于空间独立成分分析(sICA)，它分离独立的相关信号，可分为神经信号或非神经信号。这种去噪技术已被证明在精确设置维度时，能够在成人和婴儿数据中获得出色的结果。然而，识别出的信号需要分类为神经信号或结构性噪声，在大多数情况下是要手动执行，而且难以实现自动化的过程。为了克服这一限制，dHCP管道使用机器学习方法（基于ICA的 Xnoiseifier）将独立成分分类为神经信号或噪声。机器学习算法需要至少35个手动标记的被试数据进行训练，这在较小的队列中并不总是可行的，并且需要专家手动对独立成分进行分类。
为了克服上述挑战，研究者开发了NeoRS，目标是创建一个强大的开源管道，其中包含预处理rsfMRI数据所必需的工具。NeoRS的主要优点是它是专门为新生儿开发的，易于实现，并且可以灵活地处理不同的数据集。此外，它还可以处理单个被试数据，利用并行环境，可在每个步骤中包含可视化质量控制检查点。
材料和方法
数据
NeoRS已在婴儿连接组项目(BCP)数据集的新生儿(7±1.4周)中进行了评估。本研究仅使用9周龄或以下且包含T2加权图像和rsfMRI的参与者(N=10)数据。参与者在自然睡眠状态下，使用西门子32通道头部线圈对其进行3.0T MRI Prisma扫描。本研究包括T2加权结构图像，两个梯度回波(GRE)平面回波成像(EPI)和两个自旋回波(SE)EPI用于畸变校正。
数据结构
NeoRS使用https://bids.neuroimaging.io/中所述的脑成像数据结构(BIDS)格式。有关NeoRS的数据命名和编排示例，见图1。
图1.NeoRS的数据命名和编排示例。
流程概述
NeoRS是在Matlab上开发的新生儿rsfMRI数据处理管道，是在FSL 6.0.3.1，AFNI 20.2.10和SPM 12等知名的开源神经成像工具上开发的命令，可以在MacOS和Linux操作系统上运行。NeoRS旨在适应从不同制造商设备上获取的MRI数据，可适用于并行环境，允许同时对多个被试数据进行处理。更多详情请参见图2中的NeoRS工作流程。
图2.新生儿静息态功能连接处理和去噪的NeoRS工作流程。
为了确保图像与标准模板的方向对齐，在使用FSL的fslreorient2std进行其他数据处理过程之前，对结构和功能数据执行标准重定向。此外，为了保证NeoRS的准确性能，每个处理步骤的输出文件都保存在名为Output_files的文件夹中。各种操作步骤不是强制性的，比如时间层校正或畸变校正，可以通过在主文件中将函数参数设置为0，即可手动关闭。有关输入配置的示例见图3。
图3.NeoRS输入参数示例。
数据处理
结构
T2加权图像配准
NeoRS使用了来自华盛顿大学医学院的‘年龄立体定位空间’这一术语。该模板可用于Talairach空间1和3mm各向同性分辨率。NeoRS中的图像配准是使用FSL flirt执行的，用户可以在函数anat2std.m中进行相关参数的修改。将高分辨率T2加权图像配准到1和3mm各向同性模板。
颅骨剥离
颅骨剥离在图像处理中起着重要作用，它相比于不同的处理功能（例如组织分割）是强制性的，并且需要特别注意以避免使处理过程复杂化。NeoRS颅骨剥离步骤利用FSL的bet2函数，并针对足月新生儿大脑进行了优化。在图像配准后进行颅骨剥离，以获得不受大脑大小影响的结果。此外，质量控制可视化可在包含大脑与颅骨和覆盖的颅内腔轮廓文件中获得。如果用户对结果不满意，可修改分数强度阈值“-f”和分数强度阈值中的垂直梯度“-g”，以在Matlab函数skull_stripping.m中对颅骨剥离进行适当的调整。
分割
然后对提取的T2加权颅内组织进行分割，以创建对应于每个大脑结构的不同组织概率图。组织分割在图像处理中至关重要，因为其输出将用于回归分析。对于大脑分割，NeoRS应用形态学自适应新生儿组织分割：Mantis。Mantis是一个基于SPM的工具箱，通过拓扑滤波器和形态分割工具，允许基于模板自适应进行T2加权图像分割，从而产生八种不同的组织概率图。分割过程完全集成在NeoRS管道中，并已在三个不同的数据集（BCP和CHU Sainte-Justine）上进行了测试。分割后，八张组织概率图会自动组合、阈值化和二值化，以创建三个不同的二进制掩膜。掩膜对应于WM、灰质(GM)和CSF。将掩膜重采样为3mm各向同性以匹配功能图像空间分辨率。
功能
时间层校正
rsfMRI常用的采集技术是单次梯度回波(GRE)回波平面成像(EPI)。在此采集序列中，以不同的间隔采集层。NeoRS用于时间层校正的函数是FSL slicetimer，它可以自动从.json文件中读取层顺序。如果.json文件不可用，用户可以手动定义层顺序或使用配置文件中fsl的预定义选项之一。
交叉配准
为了校正头动，需要基于6个运动参数（三个旋转参数和三个平移参数）获得运动估计。这是通过相对于参考的不同体积之间的刚体配准来完成的，在NeoRS中，参考是来自rsfMRI的第一个volume，用户也可以根据自己的需要进行更改。该NeoRS函数是使用FSL mcflirt执行的，其工作原理与成人相同，但是这里将平滑设置为0，因为平滑会在流程后期进行，并使用sinc插值。交叉重新配准的参数可以在Matlab函数cross_realign2.m中自定义。出于质量控制的目的，NeoRS创建了一个.png文件，其中可以评估每个volume的总旋转、平移和逐帧位移(FD)。逐帧位移的计算方法如Power等人(2012)所述。考虑到头部大小的差异，这里将使用半径为35mm而不是50mm的球体来进行计算，这大约对应于新生儿大脑皮层到头部中心的平均距离。运动校正后，将运动参数保存在一个文本文件中，进一步用于去噪。
最佳静息态部分选择
NeoRS融合了分析长时间序列（即20min）分段部分的可能性。此工具默认处于停用状态，但可以通过在配置文件中设置options.best_volumes=1来激活。分段分析工具会自动识别时间序列中具有最低平均FD的部分（即5min），建议将其用于平均FD高于阈值的超长采集序列。分段的长度可以由用户修改，但建议持续时间保持在5min以上。需要注意的是，平均FD阈值默认为0.25mm，但也可以根据需要通过更改配置文件中的options.FDaverage进行调整。NeoRS只选择时间序列中最好的段，这大大减少了计算时间。
畸变校正
EPI序列对非共振场相当敏感，为了解决这些畸变，一种典型的方法是使用两个SE-EPI反向极性采集（反相位编码方向）来估计畸变场。该场用于纠正原始GRE EPI图像中的失真。直接使用两个反极性GRE EPI而不是两个向极性SE EPI来估计畸变场是可行的，但不推荐使用，因为GRE-EPI序列会受到体素内移相引起的信号丢失的影响。提供反相编码极性SE EPI图像并激活NeoRS中的畸变校正选项（options.fmap=1），允许用户使用FSLtopup估计这些失真。如topup文档中指定的那样，需要在fmap文件夹中包含一个编码方向和总读出时间的文本文件以执行畸变校正。如果在fmap文件夹中找到.json文件，NeoRS将自动创建该文本文件。通过应用来自topup的输出，使用FSL applytopup为每个EPIvolume进行畸变校正估计。
图像配准
起初应用的是两步配准法，首先，计算平均rsfMRI体积和T2加权图像之间的刚体配准，在T2加权和模板之间进行仿射变换。然后将每个过程的输出仿射变换矩阵应用于rsfMRI图像，与3mm各向同性模板对齐。此外，研究了一种单步配准方法，其中rsfMRI图像使用12个自由度直接与3mm各向同性模板对齐。该配准方法与前者配准过程相媲美，之所以选择它是因为它准确且更快速。降采样模糊在NeoRS中默认设置为关闭，但如果需要，参数可以在Matlab函数epi2std2.m中进行自定义。
去噪
运动检测
在对混淆信号进行回归之前，根据Power等人(2012)描述的逐帧位移度量去除运动过度的volume。NeoRS基于6个运动参数（3个旋转参数+3个平移参数）执行线性去趋势，并计算交叉配准后的逐帧位移，此步骤还会自动删除前五个volume。
高运动被试
高运动采集是伪影的来源，可能会混淆与非神经信号的神经相关性。除了基于FD的单帧运动检测外，NeoRS还评估每次BOLDrun的平均FD。默认情况下，NeoRS设置为丢弃平均FD高于0.25mm的采集序列。可以通过定义options.FDaverage在配置文件中更改平均FD阈值。
混淆回归
被识别为估计BOLD信号的潜在混淆因素的变量被合并到一个文件中。为避免回归过程中出现频率错配，利用该文件进行单步线性回归计算，并进行频率滤波。此过程是利用AFNI 3dTproject实现的。
运动参数
头部运动被认为是一个在6个自由度的3D空间中运动的刚体。在笛卡尔坐标中，可以用3个平移x（左/右）、y（前/后）和z（下/上）轴来描述它，以及围绕x轴、y轴和z轴进行3次旋转。为了解决次优刚体配准后残余的运动相关信号方差，NeoRS使用基于上述6个估计运动参数的线性回归策略。这些参数被认为是信号的干扰效应，然后进行移除。NeoRS允许多种选项，包括：6个运动参数，12个（时间导数）或24个（时间导数及其平方）可以在配置文件参数options.motion中定义。
白质、脑脊液和全局信号
白质和脑脊液信号高度混杂，需要从rsfMRI中去除。用于混淆回归的信号是从分割过程中生成的WM和CSF掩膜中提取的。从组织概率掩膜中选择概率大于0.5的体素，以保守的方式创建掩膜，并创建两个包含WM和CSF掩膜平均信号的文件。最后，通过对GM掩膜中的信号进行平均来近似全局信号，并在NeoRS中默认使用，因为它通过减少运动伪影来提高数据质量。
频率滤波器
从BOLD信号中去除[0.01-0.1]Hz频率范围外的时间频率，以校正慢频漂移，减少运动伪影和其他生理噪声，同时保留静息态网络的频率。在TR很短的采集序列中，使用低通滤波器可以大大降低时间序列的自由度。对于这些情况，建议在配置文件中将options.BPF=[HPH，LPF]的值设置为[0.01，999]。
平滑
功能平滑
功能平滑是最后一个处理步骤。去噪后，将rsfMRI信号与高斯核进行卷积。这减少了功能区域之间误配准的影响，并略微提高了信噪比。执行FSL中的fslmaths来实现高斯平滑。高斯核的大小可在NeoRS中通过修改配置文件中的options.fwhm来自定义，默认为6mm。
数据分析——功能连接
在进一步的数据分析之前，如ROI到ROI（感兴趣区域）的相关性，所有处理过的BOLDrun都合并到一个单独的4D文件中。NeoRS提供基本的单被试数据分析，包括基于种子点和种子到种子的相关性，因此用户可以进一步评估数据是否已进行正确处理。
基于种子点的相关性
基于种子点的功能连接确定了ROI（也称为种子）与大脑其他部分之间的相关性。该指标有助于观察与预定义ROI同时激活的区域。NeoRS管道提供31个模板种子，代表一些最常见的静息态网络，包括：语言、默认模式、背侧注意、视觉、腹侧注意、运动和额顶叶网络。可以在文档中找到一个excel文件( Perceptron_ROI_list.xlsx )，其中包含与种子定位相关的所有信息。
种子到种子的测量
种子到种子的数据分析提供了对所有不同种子对之间的功能连接的测量，与基于种子点的功能连接相比，种子到种子的测量显示了关于网络的更为全局的视角。NeoRS在不同的ROI之间执行Pearson相关以创建一个相关矩阵。
结果
图像配准
图4展示了一个代表性被试的T2加权图像和BOLD图像以及与模板的配准结果。黄线代表分割的脑脊液。目视检查后，观察到每个测试被试的两种配准在模板内的正确对齐。
图4.立体定向空间的T2加权和BOLD图像的配准。
当比较rsfMRI的单步配准与两步配准方法时，两者之间没有明显差异，最终功能连接结果呈现相同的相关性强度和拓扑结构。这两种方法的主要区别在于计算时间不同，两步配准法的计算时间成本更高。
颅骨剥离
图5显示了新生儿的默认颅骨剥离与NeoRS颅骨剥离参数的比较情况。在默认设置下，可以观察到一些具有不同大脑大小的被试的颅骨剥离失败，相比之下，当使用NeoRS参数时，颅骨剥离对于所有处理过的被试仍然具有稳健的结果。
图5.比较默认bet2设置和优化的NeoRS设置的颅骨剥离参数。
分割和掩膜创建
图6显示了NeoRS从Mantis组织概率图中创建的1mm各向同性二元掩膜。输出包含三个不同的二元文件，分别对应白质、SCF和GM。图7展示了用于混淆回归过程的3mm各向同性掩膜。
图6.从Mantis获得的组织概率图中创建的1mm各向同性掩膜。白质(红色)、脑脊液(黄色)、灰质(蓝色)。
图7.白质、脑脊液和灰质掩膜用于混淆回归。
功能畸变校正
其中，一个代表性被试的功能磁化率引起的非均匀磁场校正如图8所示。与脑大小无关的GRE EPI图像，无论获取的是AP还是PA，都会在相位编码方向上发生畸变，而且在两个脑区都存在畸变。在磁化率引起的非均匀磁场畸变校正后，两次采集（AP和PA）相对于未畸变的T2加权图像呈现出相似的形态和更准确的大脑形状。
图8.磁化率引起的非均匀磁场导致沿相位编码方向的几何畸变。
头部运动
在交叉配准之后，NeoRS将提供一个输出图，其中包含用于rsfMRI的每个volume交叉配准的旋转和平移信息，以及计算得到的逐帧位移（图9）。
图9.来自单个被试的头动示意图。
图10是一个具有2种（运动量）不同rsfMRI采集的单被试示意图，在基于种子点的运动网络功能连接结果中，平均逐帧位移高于0.25 mm（run 1）的采集与平均逐帧位移低于0.25 mm（run2）的采集之间的差异。从图中可以看到，高运动采集会导致噪声增加，并且脑网络拓扑难以识别。
图10.一个高运动被试的两次采集示意图。
静息态网络——基于种子点的相关性
图11显示了采用基于种子点的相关性(SBC)方法进行NeoRS处理后，产生的七个最常见的静息态网络。
图11.使用NeoRS进行图像处理后，通过基于种子点的功能连接获得的静息态网络。
图12是NeoRS中包含的31个种子点的单个被试示例。
图12.种子到种子的功能连接相关性。
结论
NeoRS2是一个开源的、易于使用的新生儿大脑rsfMRI数据处理流程，包括基于种子点的分析和种子到种子的分析。NeoRS拥有1mm和3mm Talairach空间的新生儿大脑模板，以及一组定义了7种常见静息态网络的31个种子区域。它依赖于开源神经成像工具FSL、AFNI和SPM，并包含稳健的方法来分割、配准和去噪新生儿的rsfMRI数据。NeoRS适用于nifti格式、BIDS文件夹结构，并且已开发用于与不同的MRI供应商和不同的采集参数一起使用。使用NeoRS进行图像处理后，可以观察到静息态网络与前人的研究一致，并且每个处理步骤都易于检查。
原文：NeoRS: A Neonatal Resting State fMRI Data Preprocessing Pipeline.
doi: 10.3389/fninf.2022.843114
网友评论