精华帖 | Handbook of Functional MRI Data Analysis第3章 fMRI数据预处理

3.1 引言

在音乐工作室里，先对音乐要先进行混音和编辑后，才能正式在电台里将音乐播放出来。磁共振成像数据分析也是同样的道理，即通过磁共振扫描仪器采集的MRI数据在进行正式分析前，需要进行一些预处理。有些预处理目的就是检测和修复由磁共振扫描仪或者被试个人在进行数据采集时产生的伪迹。还有些预处理就是为接下来的数据处理做准备，比如：我们可能希望让数据在空间上变模糊些，进而确保在接下来的统计处理中相应的假设不会违反统计规则。所以，在接下来的章节描述fMRI数据分析之前，本章会对预处理进行综述。而解剖数据的预处理会在第4章进行讨论。

在本章很多地方将会提及到磁共振成像数据采集机理的相关基础知识。对于没有磁共振成像物理背景的读者来说，建议参考一些磁共振成像技术的相应数据，比如Buxton （2002）的书籍。

3.2 概述功能功能核磁共振处理

对于不同的软件处理包和不同的实验室来说，虽然功能核磁共振成像数据预处理步骤有很大的不同，但是还是有一套标准的方法来供选择使用的。图3.1描述各种预处理的大致流程和通用的处理顺序。但是，需要注意的是：虽然我们相信必须采用相应的质量控制措施，但是在很多情况下，预处理的所有步骤不定完全都需要用上的。

3.3 质量控制技术

各种功能核磁共振成像处理包都非常实用的，进而使得它们能够在没有仔细观察原始数据情况下，都能对数据进行分析并获得相应的结果。不过，我们认为，很重要的一点是：功能核磁共振成像的研究者必须仔细观察原始数据，在数据处理的每一步中都需要确保数据质量。否则，就中了那句谚语所说的：“无用（错误）信息输入；无用（错误）信息输出”（与中国一句老话相对应：根不正，苗必歪，染坊拿不出白布来。译者从百度里搜索到的）。在本节中，我们概述一下用于检测fMRI数据伪迹的方法。

3.3.1 探测扫描仪伪迹

 一些伪迹是由磁共振扫描仪器的缘故而产生的。

尖峰（spikes）是明亮度的改变，它是由于扫描仪器的电不稳定而造成的（比如，由于静电）。它们通常是像有规则的条纹贯穿在影像图中（如图3.2）。尖峰在核磁共振扫描中出现的并不多，但是一旦尖峰在数据采集中发生，它们将对数据的分析结果产生很大的不良影响。

重影（ghosting）在回波平面采集下，K-空间的不同的线条中的相位有些细微的偏移时，则会发生重影；同时在定期的运动比如：心跳和呼吸也会让影像产生重影。该重影就是在MRI影像的相位编码放下的每一边出现了昏暗的重像（如图3.3）。那么重影使得在明亮的窗口下看整个MRI影像时，就显得有些困难了；当将影像观察程序中的亮度最高值调低时，重影就更加明显（看参见图3.3）。在fMRI中，重影导致的结果是：让我们觉得脑区外也产生的激活；同时如果一个脑区与另一部分发生重影的话，那对脑内激活会产生错误定位。在最新的MRI扫描系统中，重影对于fMRI来说，很少产生严重的问题，但是有时鉴于大量的重影问题还是会发生的，所以需要当地的MRI技术或物理学家帮忙来检测重影问题。

3.3.2 时间系列动画

人眼善于把fMRI的时间系列看出一系列的动画效果。很多的工具可以帮忙看动画下的时间系列，比如，用FSLView，点击MovieMode按钮，就可以把时间系列下的影像看出动画模式。这样，就可以检测到随着时间变化下的任何一阶段的明显变化，进而更好地弄清楚这些变化的发生源头。在第五章，我们将讨论如何在统计分析中处理这些坏的数据点。

3.3.3 独立成分分析

在接下来的章节中，fMRI分析中将建立统计模型（比如，任务效应的模型）并找到相应的脑区，使得该模型更好地来解释数据。不过，有时我们希望在没有任何形式下的数据中找到信号，这也正如在fMRI数据中探测到伪迹一样。有一套方法是通过检查数据中的系统模式来探究数据分析；这些方法将会在第八章介绍连通模式时进行详细介绍，不过这里我们将在伪迹检查的背景下来介绍该方法。这些方法将四维度的数据分解成时空成分，该时空成分以不同的比例形式混合在一起以获得可观测的信号。这些分解方法的不同也主要是指对成分的限定不同。比如，主成分分析是来发现在多维空间下一套成分与另一套成分的正交关系；然后独立成分分析则是来找出一套成分独立于其它成分的关系。关于独立成分的更多细节，请参阅8.2.5.2部分。

 已有研究证明：独立成分分析可以有效地在确定fMRI数据的伪迹。图3.4展示的例子就是使用FSLMELODIC ICA工具下，所检测到独立成分分析。独立成分分析特别是能够有效地确定头动下的层内影响或者是移动引起的其它非刚性的影响，而即便用标准的头动校正方法也是不能解决这些影响。

一旦确认了伪迹成分，那就需要将这些成分从数据中移除，进而产生一套“去除了噪音”的数据。为了避免有误差，所以要有明确的伪迹处理标准来确定相关的成分，这点很重要；通常基于时间和空间为特点的成分确定相应的伪迹处理标准。比如，如果扫描层之间显示出错很强的交替（这种交替通常证明是当用隔层扫描方法时，由头动所引起的，参见图3.7），同时在时间进程上，在一个或多个时间点上显示出很大尖峰（参见图3.4），那么这就是用来证明去除伪迹的标准。自动化地归类独立成分分析的方法与手动的归类独立成分方法都是可以检测到与伪迹有关的成分，但前者比后者更为可靠的且无偏差Tohkaet al.,2008）。不过，我们发现：对于那些刚接触fMRI的新手来说，手动的归类独立成分方法可以为他们提供很好的练习机会，帮助他们去观察在fMRI出现的各种伪迹。

3.4 失真校正

fMRI数据采集最常用的方法是平面回波扫描成像方法，该方法会导致空气与器官组织（比如：鼻窦或耳道）相遇的区域附近出现伪迹。这是因为空气与器官组织的相互作用而产生了不均匀的主要磁场（通常被称为B0），进而会产生两种结果：信号丢失和几何图形失真。信号丢失表现在那些空气与器官组织的相互作用的附近的脑区，比如：眼窝前额区和侧颞叶区（参见图3.5）产生的脑信号会降低。

3.4 失真校正

梯度回波平面成像（EPI）是fMRI获取的最常用方法，但这种方法所得到的图像在空气和组织交界处附近的区域有伪影，例如在鼻窦或是耳道处。这些伪影的产生是由于空气组织界面所引起的主磁场（称为B0）不均一性，并表现为两种形式：信号丢失和几何失真。信号丢失表现为在像眼窝前额皮质和侧颞叶这些与空气组织界面毗邻的脑区的衰减信号（如图3.5）。一旦获取到数据，就没有办法从一个有重大信号丢失的区域恢复数据，所以最好是使用减少信号丢失的MRI获取方法。了解每一个数据集里的特定的信号丢失模式是非常重要的。例如，如果由于信号丢失而使在一个特定区域不存在确实的信号，那么，不会有人推断眼窝前额皮质对相应任务操作没有响应。分辨这些信号丢失模式的一个有效的方法是将功能图像叠加到与之对齐过的结构图像上。

除了信号丢失，fMRI图像在同一区域也会有几何畸变。当对MRI图像应用梯度来编码空间信息时，这些磁场不均一性会导致结果图像中的结构的定位误差。最常见的是前部前额皮质和眼窝前额皮质区域畸变。畸变沿着MRI脉冲序列所使用的相位编码方向发生，一般是沿着Y轴（前—后）方向。这些畸变使得功能MRI数据与结果图像对齐变得困难。

使用一个场映射能够或多或少的校正磁场不均一性的影响，这种磁场有着B0场特征（Jezzard& Balaban , 1995）。对于大部分MRI扫描设备，用于场映射的脉冲序列是有效的。他们通常的工作方式是在两个不同回波时间获取图像。两个图像之间的相位差异可以用来计算局部区域的不均一性，然后就能够用这些值创建一个映射，用来量化每个被转换的体元间的距离。通过反向这个映射，就可以确定每个体元内数据的原始位置。图3.6显示了一个畸变校正的例子。

在实践中，在对展开的EPI图像使用场映射时出现了一系列问题。第一，如果场映射中有噪声，那么这也会向展开的图像中引入噪声。一种处理这个问题的方法是对场映射施加某些形式的低通滤波（或平滑），这能够减少展开图像中的误差（Huttonet al. , 2002）。第二，如果场映射是从fMRI时间序列中分别获取的，那么就必须考虑到在扫描期间的头动效应。虽然，获取贯穿fMRI时间序列的双重回波数据是可能的，这允许了在每个时间点的特定场映射进行估计，但是这个方法却很少使用。头动校正和失真校正的联合方法也已经在工作中（Anderssonet al. , 2001），但是通常没有有效的工具来执行这项整合校正，并且也不清楚收益是否胜过复杂性增加带来的消耗。

如果使用失真校正，那么后校正图像应该已经检查过且与预校正图像比对过，用以保证失真校正运算没有引入任何伪影（在场映射中有问题时可能发生）。

3.5 时间层校正

几乎所有的fMRI数据采集都是用二维MRI在同一时间同一层切片获取的。在某些情况下，以上升或下降的次序获取这些层切片数据。在另一种称之为隔行扫描的方法中（看图3.7），连续的隔层获取在获取了所有层切片的半数（例如，奇数层）后，再获取另一半的层切片（例如，偶数层）。使用二维获取意味着在系统不同时期获取的数据是图像不同部分的数据，这些差别最高可达几秒钟（根据重复时间，或脉冲序列的TR）（看图3.8）。对于fMRI数据分析，在不同体元中获取时间的这些差别是不确定的。事件的次数（例如一个任务中的试验）用于创造一个统计模型，这代表了任务将激发的预期信号。然后将这个模型与每个时间点的数据相比较；然而，这个分析假设了图像中的所有数据在同一时间被获取，导致了模型和大脑中变化的数据间的错误配准。

时间层校正已经发展到能够处理不同层之间的获取时间的错误配准（Hensonet al. , 1999）。时间层校正最常用的方法是选择一个参考层，然后再其他层插入数据来匹配参考层的时间（看图3.9）。这产生了一个数据集，其中每层代表了在同一时间点的活动。要作时间层校正，必须知道确切的获取时间，这与扫描设备和脉冲序列是完全不相关的；通常能够从当地物理支持人员那里获得此信息。

尽管这种方法看上去有吸引力，但是实践中的时间层校正使用中却移除了这种方法。一个原因是当使用时间层校正时，因为使用了正弦插值，使得一幅图像中的伪影可能传播通过整个时间序列。这种方法特别关系到参照时间层和头动间的相互关系，这将会在3.6.6章节讨论更多的细节。实际经验也建议，对于时间层校正问题，在相对较短的重复时间（TR≤2秒）和隔行扫描的获取以及事件相关分析是有相对好的鲁棒性。特别是当隔行获取后可能进行空间滤波的情况下，既然来自相邻层（相互间相距1/2倍TR的距离）的数据是混合在一起的，这导致了实际的时间层误差只有TR/2。最后，使用统计学模型也可以减少时间层差异的影响，包括允许适度时间错误设定的时间导数（看5.1.2章节）。

本章翻译：懵懂大虾，典点同学，地地古，Tom

本期编辑：陈锐

本文为论坛滴友翻译帖，若有疑问，请后台留言！

52brain,Connect Young Brains.

预知本章完整章节，请在后台回复“FMRI数据预处理”获取。

52brain精彩内容回顾

（点击即达）