FSL中FDT的相关操作——数据转换、EDDY、DTIFIT、BEDPOSTX、Registration

脑纤维束数据处理与定量分析

使用FSL对弥散成像数据进行处理，在FSL的官网上给出了指导，笔者参考官网的指导整理了处理数据的流程如下

处理流程

• 数据格式转换（需要手动完成）
• 检查弥散数据（详细的过程在后面）
• 使用topup进行磁化率引起的失真校正（场图估计）
• 使用BET进行剥脑操作
• 使用eddy进行涡流失真校正，同时校正涡流和对象运动，它还可以使用由充值估算的场图，并校正磁化率引起的失真（操作时间过长，单线程CPU可能需要数小时或是数天，多线程会减少时间，使用GPU加速会快很多）

经过eddy之后，所有扩散加权图像都应彼此对齐且不失真。 现在可以进行显微结构分析或纤维束追踪。

对于微观结构分析，进一步的操作应为：

• DTIFIT-扩散张量在涡流校正数据上的拟合（约1分钟）
• TBSS(Tract-Based Spatial Statistics) 对象之间的分数各向异性图（或其他）的比较

对于纤维束追踪

• bedpostx-将概率扩散模型拟合到校正后的数据上（在CPU上单线程运行约15小时，多线程运行则少于15小时，在GPU上运行约30分钟）
• 配准到结构参考图像和/或标准空间-（3-6分钟）
• probtrackx-基于概率的纤维束追踪在bedpostx的输出上运行（执行时间在很大程度上取决于用户执行的操作,从单个感兴趣的体素生成连接分布大约需要1秒钟）
• 可以使用命令行对probtrackx输出进行进一步的后处理

FSL中的弥散数据

将DICOM数据转换为可分析的NIFIT格式

使用工具MRCRON ,处理流程

• 输入dcm2niigui
• help→preference设置默认参数
• output format 选择 compressed FSL
• 将DICOM拖入处理框进行处理,输出的文件:
  1. .nii.gz NIFTI格式4D DTI数据, 包括扩散加权的体积和没有扩散加权的体积
  2. .bvec 弥散梯度表:一个ASCII文本文件，包含在扩散加权体积期间应用的梯度方向列表, 该文件中条目的顺序必须与输入数据系列中容量的顺序相匹配。
  3. .bval 弥散b值表:一个ASCII文本文件，包含在每个卷采集期间应用的b值的列表, b值假定为$s/m{m}^2$单位。 该文件中的条目顺序必须与输入数据中的体积顺序和渐变方向文本文件中的条目顺序相匹配。

扩散数据通常存储在4D NIFTI文件中，其中以不同的b值和/或梯度方向获取每个体积。 要运行FDT工具，我们需要：

• 扩散加权数据（data.nii.gz）
• 梯度方向（bvecs）
• b值（bval）

检查数据

要检查bvecs和bval的数据是否正确，建议对原始数据进行快速检查。

• 剥脑BET操作
• 运行DTIFIT
• 查看主要特征向量（V1）以检查向量相对于解剖结构是否正确定向。 如果存在问题，则需要修改bvecs（更改组件的符号和/或排列顺序），以便正确定位V1向量（修改bvecs后重复dtifit并再次查看V1向量直到正确），然后再继续操作 进行任何进一步处理。

失真校正

由于磁化率引起的畸变和梯度线圈中的涡流，扩散加权图像容易失真

EDDY提供了一种用于校正涡流畸变和对象运动的最新技术。 它还可以使用场图（由TOPUP估算）来考虑和校正磁化率引起的失真。

它还允许检测异常点，这些异常点是由于运动引起的信号丢失而损坏的。

它允许逐片异常值检测和替换，以及逐片对卷配准。

DTIFIT

DTIFIT在每个体素上拟合扩散张量模型。 使用DTIFIT之前需要做EDDY

请注意，要使用基于概率的纤维追踪，则不需要dtifit（这取决于BEDPOSTX的输出，而不取决于DTIFIT）。

INPUT：可以指定一个输入目录，其中包含所有具有标准文件名的必需文件或者选择Specify input files manually

如果指定了输入目录，则必须按以下括号中所示命名所有文件。 如果手动指定输入文件，则它们可以具有任何文件名。 所需文件为：

• Diffusion weighted data (data):前面处理过的data.nii.gz
• BET binary brain mask (nodif_brain_mask):使用BET操作时高级选项中设置可以得到
• Output basename:用户指定一个基本名称，该基本名称将用于命名dtifit的输出。 如果使用目录输入选项，则基本名称将为dti
• Gradient directions (bvecs):前面匹配输出
• b values (bvals):同上,在之前匹配输出过

高级选项除了上面要求的输入之外，可以选择应用加权最小二乘回归而不是默认的标准线性回归。 还可以选择保存张量元素和/或平方误差之和。最后的输出对于检测伪像可能很有用。

输出:

• _V1 - 1st eigenvector 第一特征向量
• _V2 - 2nd eigenvector
• _V3 - 3rd eigenvector
• _L1 - 1st eigenvalue 第一特征值
• _L2 - 2nd eigenvalue
• _L3 - 3rd eigenvalue
• _MD - mean diffusivity
• _FA - fractional anisotropy (isotropic ~ 0; stick-like ~1)FA值输出
• _MO - mode of the anisotropy (oblate ~ -1; isotropic ~ 0; prolate ~ 1)
• _S0 - raw T2 signal with no diffusion weighting

选择性输出文件:

• _sse - 扩散张量拟合的平方误差总和
• _tensor - 张量作为4D文件的顺序：Dxx，Dxy，Dxz，Dyy，Dyz，Dzz

除了使用GUI进行操作还可以使用命令行直接操作,命令行里可以选择更多选项

BEDPOSTX

操作原理

BEDPOSTX(Bayesian Estimation of Diffusion Parameters Obtained using Sampling Techniques), X代表对交叉纤维进行建模

bedpostx运行马尔科夫链蒙特卡洛采样，以建立每个体素上扩散参数的分布。 它会创建运行概率体检所必需的所有文件。bedpostx对大脑每个体素内的交叉纤维进行建模。 最重要的是，bedpostx会自动确定每个体素的交叉纤维数量。有关基本交叉纤维模型的详细信息，请参见Behrens等人2007年发表在NeuroImage的文章。默认情况下，bedpostx运行稍微复杂一些的模型Jbabdi等人2012年在MRM发表的文章，其中扩散系数是使用Gamma分布建模的。

具体操作

bedpostx大约需要15个小时才能运行，但如果在具有SGE功能的系统上运行，它将自动进行批处理。

Input directory: 里面应该包含以下文件

• 数据：一系列4D数据量。 这将包括扩散加权的体积和没有扩散加权的体积。
• nodif_brain_mask：对nodif进行BET（即没有扩散权重的体积）得出的3D二进制脑罩体积。
• bvecs（无文件扩展名）：ASCII文本文件，扩散加权体积期间应用的渐变方向列表
• bvals（无文件扩展名）：ASCII文本文件，每次卷采集期间应用的bvalue列表

Tips：在命令行中运行bedpostx_datacheck，以检查您的输入目录是否包含bedpostx所需的正确文件

BEDPOSTX的输出

bedpostx在与名为 .bedpostX的输入目录相同的级别上创建一个新目录，包含需要概率概率统计的所有文件。 突出显示为（表示第i根光纤。它的范围是1到高级选项中设置的最大光纤数。）：

• merged_thsamples - 4D volume - Samples from the distribution on theta theta分布的样本
• merged_phsamples - 4D volume - Samples from the distribution on phi
  • theta and phi together represent the principal diffusion direction in spherical polar co-ordinates
• merged_fsamples - 4D volume - Samples from the distribution on anisotropic volume fraction (see technical report).
• mean_thsamples - 3D Volume - Mean of distribution on theta
• mean_phsamples - 3D Volume - Mean of distribution on phi
• mean_fsamples - 3D Volume - Mean of distribution on f anisotropy
  • Note that in each voxel, fibres are ordered according to a decreasing mean f-value
• mean_dsamples - 3D Volume - Mean of distribution on diffusivity d
• mean_d_stdsamples - 3D Volume - Mean of distribution on diffusivity variance parameter d_std (not produced if -model=1)
• mean_S0samples - 3D Volume - Mean of distribution on T2w baseline signal intensity S0
• dyads - Mean of PDD distribution in vector form. Note that this file can be loaded into FSLeyes for easy viewing of diffusion directions
• dyads_dispersion - 3D Volume - Uncertainty on the estimated fibre orientation. Characterizes how wide the orientation distribution is around the respective PDD.(how is this calculated?)
• nodif_brain_mask - binary mask created from nodif_brain - copied from input directory

高级选项

在运行bedpostx之前更改一些选项，具体取决于要处理成的结果或扩散数据的质量。 这些参数的默认值是相应论文中使用的默认值(Behrens等人2007年发表在NeuroImage的文章)

• 纤维：每个体素模型化的纤维数
• weight：附加建模纤维上先验的乘数。 较小的系数意味着附加纤维的权重更高
• Burnin：开始采样之前的迭代次数。 如果数据嘈杂，则这些可能会增加，并且MCMC需要更多的迭代才能收敛。

此外，高级选项中还提供以下替代模型：

• Single-Shell Model：如果数据仅包含单个非零b值，则使用此选项。这将恢复模型，以使用Behrens等人在NeuroImage 2007中描述的模型，而不是Jbabdi等人中描述的模型 MRM 2012（即将扩散系数建模为单个值，而不是使用Gamma分布）命令行参数：–model = 1。
• Model Noise Floor：如果（部分）数据在本底噪声附近运行，请使用此选项。 这将适合捕获噪声本底的一个额外参数f0。 Jbabdi等人也对此进行了描述。此选项将输出本底噪声参数mean_f0samples的后均值。 命令行参数：–f0 --ardf0。
• Rician noise：使用此选项可将默认的高斯噪声假设替换为Rician噪声。 这将输出噪声精度（即方差的倒数）参数mean_tausamples的后均值。 命令行参数：–rician。

同样可以使用命令行对数据进行处理,具体操作参考官网

使用FDT进行配准

如果要将纤维束追踪存储在除扩散空间以外的任何空间中，则必须进行配准。

FDT中的配准使用FLIRT，但也可以使用FNIRT非线性配准到标准空间。 使用GUI时，只能在运行bedpostx之后应用注册。 通常，注册将在三个空间之间运行：

• 扩散空间（使用bedpostX目录中的nodif_brain图像。）
• 结构空间（使用结构图像，例如同一受试者的高分辨率T1加权图像的空间）
• 标准空间（默认情况下，MNI152脑存储在 $ FSLDIR /data/standard）

结构（T1加权）图像必须经过BET。nodif_brain图像应该是存储在bedpostX目录中的nodif图像的大脑提取版本。 使用fslroi创建此映像，对该数据进行剥脑操作（如果尚不存在）

重要的是用户检查这些图像上的下注结果的质量，并在适当的情况下调整下注的设置

变换矩阵及其逆将从扩散到结构空间以及从结构到标准空间得出。 将关联相关矩阵，以在扩散和标准空间之间生成转换矩阵。 结果矩阵存储在bedpostX目录的xfms子目录中，并命名如下：

• diff2str.mat-从扩散到结构空间
• str2diff.mat-从结构到扩散空间
• diff2standard.mat-从扩散到标准空间
• standard2diff.mat-从扩散到标准空间
• str2standard.mat-从结构到标准空间
• standard2str.mat-从 结构空间的标准

默认情况下，扩散和结构空间之间的变换矩阵是使用6个自由度，相关比率成本函数和法线搜索得出的； 结构空间和标准空间之间的变换矩阵是使用12个自由度，相关比率成本函数和法线搜索得出的。 如果需要，可以使用配准面板中的下拉菜单调整这些参数。

在GUI中，可以在结构空间和标准空间之间使用非线性FNIRT配准。 在这种情况下，需要提供没有BET操作的结构图像，因为这将使FNIRT更加准确。

注意，由于不影响结构图像的场不均匀性的影响，扩散图像通常会具有几何畸变。 因此，仿射FLIRT注册到结构空间可能不够准确。 我们建议用户使用场图采集或使用TOPUP工具校正这些变形。 这必须在预处理过程中和注册之前完成。