DWIPrep：dMRI 数据的强大预处理管道

该管道正在特拉维夫大学的 Yaniv Assaf 实验室开发和维护，作为 dMRI 数据预处理的开源工具。

DWIPrep是一种扩散磁共振图像 (dMRI) 数据预处理管道，旨在提供一个易于访问、强大且动态的接口，允许对主体内（可塑性）和主体间数据集进行基本预处理，涉及种类繁多dMRI 扫描采集。
dMRIPrep管道使用来自知名软件包的工具组合，包括FSL、MRtrix3、SPM和CAT12。该管道旨在为广泛的 dMRI 数据采集参数提供潜在的最佳预处理管道，并将随着新的神经成像软件的推出而更新。

此工具可让您轻松执行以下操作：

• 预处理各种 dMRI 数据，从原始 NIfTI（按照BIDS 格式构建）到完全预处理的形式。
• 说明对分析可塑性（即受试者内部）数据集至关重要的特定预处理程序。
• 自动化处理步骤。

预处理（包括演示）：

1. 提取反向相位编码 DWI 的B ₀体积，用于以后的磁化率失真校正 (SDC)。

2. 使用 FSL 的topup ¹和Eddy ^2的Motion & Susceptability Distortions Correction (SDC)，通过 MRTrix3 的dwifslpreproc ³实现。请注意，流水线采用相反的相位编码方向，因为它被发现对于 SDC ⁴是最佳的。

   

   图 1： AP 和 PA 代表相反的、未校正的 B0 体积 - 从相反相位编码的 DWI 中提取，“已校正”代表dwifslpreproc的 SDC 后实施。

3. DWI 体积系列的 B1 场不均匀性校正，使用 ANTs* ( N4BiasFieldCorrection ) ⁵中提供的 N4 算法，如在 MRTtrix3 的dwibiascorrect ³中实施。

* 如果用户的计算机中没有安装 ANTs，管道将使用 FSL 的 快速算法^6,7，由于它依赖于 DWI 的大脑掩蔽，因此不鼓励使用。

估计扩散（峰度）张量和张量衍生参数

在对 DWI 数据进行预处理之后，管道会自动估计几个广泛使用的张量衍生参数：

1. 扩散张量的估计使用 MRTrix3 tensor2metric实现的加权线性最小二乘估计扩散 MRI 参数⁸。
2. 生成张量派生参数图^9,10

注册管道

纵向（多节）

为了解决注册引起的偏差，我们在将受试者的数据规范化到标准空间之前实施了受试者内（即会话间）注册管道。此实现包括以下步骤：

1. 使用 FSL 的调情^11,12，使用互信息成本函数将主题的第一个会话 (“pre”) b ₀注册到它的第二个会话 (“post”) b ₀，反之亦然 (post 的 b ₀到 pre 的 b _{0 )。}
2. 使用 FSL 的avscle计算前向和后向中途变换矩阵（相应地从前到后和从后到前）。
3. _{对两个会话的 b 0}应用中途变换（向前到前，向后到后），将它们注册到主题的“中间”空间。
4. 计算主题的平均值（会话之间） b ₀，作为两个共同注册的 b ₀ s 的平均值。

共同注册和规范化

请注意，当在纵向数据集上执行时，下面表示的所有注册过程都针对对象内（会话之间）注册图像执行此操作。

配准（DWI 到 T ₁）

在这种情况下，配准是指对同一对象的不同模态（即DWI、T ₁等）的图像进行配准。使用 FSL 的epi_reg_{脚本执行配准，在对象的 B 0}和 T ₁图像之间执行适当的线性配准。

正常化

默认情况下，作为该管道的一部分执行的规范化过程使用 SPM 的计算解剖工具箱 (CAT)。由于它需要安装 MATLAB 和 SPM，因此管道将求助于使用 FSL 的fsl_anat脚本。

CAT12

CAT12 是一种结构预处理工具，作为统计参数映射 (SPM) 工具箱的补充提供。它提供了强大的空间归一化算法，以及关于正在处理的结构图像的质量保证 (QA) 分数，例如：

fsl_anat

如果用户没有安装 MATLAB/SPM/CAT12，管道将求助于使用 FSL 的fsl_anat执行空间归一化，其中包括以下内容：

1. 使用 fslreorient2std 重新定向到标准 (MNI) 方向。
2. 使用robustfov自动裁剪图像。
3. 使用 FAST 进行偏置场校正（RF/B1-inhomogeneity-correction）。
4. 使用 FLIRT 和 FNIRT 注册到标准空间（线性和非线性）。
5. 大脑提取（基于 FNIRT）
6. 使用 FAST 进行组织类型分割。
7. 使用 FIRST 进行皮层下结构分割。通过fsl_anat进行的解剖预处理的总结介绍：

逆注册

在“前向”注册（即从主体空间到平均空间）之后，并且只有当 MNI 空间中的分割图集作为管道的输入时，才会执行“后向”注册（即从 MNI 到本地空间）以转换分割地图集到对象的空间。请注意，正如我们的论文¹³（审查中）所述，由于我们促进基于区域的分析 (RBA) 的议程而促进了这种行为。例如，在 Brainnetome 分割图集¹⁴上执行的反向配准：

参考

1. Andersson, JL, Skare, S. 和 Ashburner, J. (2003)。如何校正自旋回波平面图像中的磁化率失真：在扩散张量成像中的应用。神经影像学，20（2），870-888。
2. Andersson, JL 和 Sotiropoulos, SN (2016)。一种在扩散 MR 成像中校正非共振效应和对象移动的综合方法。神经影像学，125、1063-1078。
3. Tournier, JD, Smith, R., Raffelt, D., Tabbara, R., Dhollander, T., Pietsch, M., ... & Connelly, A. (2019)。MRtrix3：用于医学图像处理和可视化的快速、灵活和开放的软件框架。神经影像学，202, 116137。
4. Gu, X. 和 Eklund, A. (2019)。基于六相编码的扩散 MRI 磁化率失真校正方法的评估。神经信息学前沿，13, 76。
5. Tustison, NJ, Avants, BB, Cook, PA, Zheng, Y., Egan, A., Yushkevich, PA, & Gee, JC (2010)。N4ITK：改进的 N3 偏差校正。IEEE 医学成像交易，29（6），1310-1320。
6. 张，Y。Brady, M. & Smith, S. 通过隐马尔可夫随机场模型和期望最大化算法对大脑 MR 图像进行分割。IEEE Transactions on Medical Imaging, 2001, 20, 45-57
7. 史密斯，SM；詹金森，M。伍尔里奇，兆瓦；贝克曼，CF；贝伦斯，TE；约翰森-伯格，H.；班尼斯特，公关；德卢卡，M.；; Drobnjak，我。弗利特尼，DE；尼亚齐，RK；桑德斯，J。维克斯，J。张，Y。德斯特凡诺，N.；Brady, JM & Matthews, PM 在功能和结构 MR 图像分析和作为 FSL 的实施方面取得进展。神经影像学, 2004, 23, S208-S219
8. 维拉特，J。西伯斯，J。苏纳尔特，S。Leemans, A. & Jeurissen, B. 扩散 MRI 参数的加权线性最小二乘估计：优势、局限性和缺陷。神经影像学, 2013, 81, 335-346
9. 巴塞尔，PJ；Mattiello, J. & Lebihan, D. MR 扩散张量光谱和成像。生物物理学杂志, 1994, 66, 259-267
10. 威斯汀，CF；佩莱德，S。古德贾尔松，H.；Kikinis, R. & Jolesz, FA 基于张量基础分析的 MRI 几何扩散测量。Proc Intl Soc Mag Reson Med, 1997, 5, 1742
11. Jenkinson, M.、Bannister, P.、Brady, M.、Smith, S., 2002。改进了大脑图像稳健且准确的线性配准和运动校正的优化。神经影像 17, 825-841。
12. Jenkinson, M., Smith, S., 2001。一种用于大脑图像鲁棒仿射配准的全局优化方法。医学影像肛门 5, 143-156。
13. Ben-Zvi, G.、Hofstetter, S.、Tavor, I. 和 Assaf, Y. (2021)。用扩散 MRI 测量神经可塑性：实验考虑。（审查中）
14. Fan, L., Li, H., Zhuo, J., Zhang, Y., Wang, J., Chen, L., ... & Jiang, T. (2016)。人类大脑网络图谱：基于连接架构的新大脑图谱。大脑皮层，26（8），3508-3526。