ADNI的MRI数据处理学习过程 （HD-BET去脑壳，FSL模板配准等）

FSL学习过程

下载及安装

​ FSL只能在Linux下运行，这里选择在WSL（windows的Linux子系统）中配置FSL。

1. 下载：从官网FSL - FslWiki (ox.ac.uk)下载安装FSL的python文件“fslinstaller.py”。

2. 安装：在WSL中输入 python3 fslinstaller.py，然后输入yes，等待脚本自动下载安装，完成后结果如下图。

使用

​ FSL除了使用bash命令和可视化UI进行使用以外，也可以用Python和R语言进行调用。这里记录Python调用的方法，用到的库为fslpy，由于网上基本没有这个库的教程，这里就安装官方文档的内容进行记录，可能会有些地方有理解错误。

fslpy的安装

​ **参考链接 ——> { PyPI：fslpy · PyPI GitHub：GitHub - pauldmccarthy/fslpy: This is a mirror. }

​ **1. 库的安装：**通过pip安装，pip install fslpy；或是conda，conda install -c conda-forge fslpy
​ 2. 依赖库的安装： wxPython；indexed_gzip；trimesh；Pillow （直接用conda或者pip就行）
​ **3. API文档：**https://open.win.ox.ac.uk/pages/fsl/fslpy/

---

配准到MNI152模板

​ 1. 按照官方文档的建议，首先应该先把图像的方向和模板进行统一，使用fslreorient2std进行处理。

​ 结果参考如下：

​ Python代码，直接在对应目录下打开powershell然后运行wsl，切换conda环境就可以运行Python脚本：

import os
from tqdm import tqdm
from fsl.wrappers import misc

path = 'OUT_SEG'  #文件路径
savePath = 'OUT_SEG_FR'  #保存路径
files = os.listdir(path)
bars = tqdm(files)  #进度条
for stop, file in enumerate(bars):
    filePath = os.path.join(path, file)
    fileSavePath = os.path.join(savePath, file)
    misc.fslreorient2std(filePath, fileSavePath)  #函数调用
    # if stop==10:                               #调试用的停止标志
    #     break

2. 线性变化进行影像配准，类似的方式，调用的是fsl.wrappers.flirt.flirt方法。

• src：输入图像
• ref：参考图像
• out：输出图像
  （还有一些其他的参数，例如空间变化方式，代价函数，插值方法可以参考命令行版本的参数设置）

​ 参考结果：

​ 同样的给出Python代码：

import os
from tqdm import tqdm
from fsl.wrappers.flirt import flirt

inputPath = 'OUT_SEG'  #文件路径
refPath = 'ref/MNI152_T1_1mm_brain.nii.gz'  #参考文件路径
savePath = 'OUT_SEG_FR'  #保存路径
files = os.listdir(inputPath)
bars = tqdm(files)  #进度条
for stop, file in enumerate(bars):
    filePath = os.path.join(inputPath, file)
    fileSavePath = os.path.join(savePath, file)
    flirt(src=filePath,
          ref=refPath,
          out=fileSavePath,
          cost='corratio',
          dof=12,
          interp='trilinear')  #函数调用
    if stop == 10:  #调试用的停止标志
        break

---

补充

1. 空间变换
当我们进行配准时，必须要选择配准的空间变换方式，不同的方式，对大脑的形状和大小改变不一样。常用的有：

• 刚体变换（Rigid-Body Transformations）: 6个自由度（3转动，3平动）
• 仿射变换（Affine Transformations）: 12个自由度（3转动，3平动，3缩放， 3偏斜/剪切）
• 非线性变换（Non-Linear Transformations）:多于12个自由度

这里的3是指有3个方向（x, y, z）

2.cost functions
cost functions，即代价函数用于评判配准的好坏。

• correlation ratio(相关比)：默认，常用于MRI模态之间
• mutual information(互信息)：常用于不同影像模态之间，如CT和MRI
• least squares(最小二乘法)：用于相同模态
• normalized correlation(标准化相关)：用于相同模态，改变亮度，对比度
• normalized mutual information(标准化互信息)：用于不同模态插值

3.fsl flirt 中的插值方法

• trilinear(三线性插值)：默认，快速

• nearest neighbour(最近邻插值)：用于离散化标签影像

• spline(样条法):较慢，会产生范围外的值

• sinc函数法

4.配准模板

fsl安装目录下，默认在/usr/local/fsl/data/standard文件夹中，常用的MNI152的有这些（0.5mm,1mm,2mm代表精度，带有brain的是去脑壳的。）：

5.有关FSL的其他参考资料

• ​ fslpy · PyPI ​ -
• Search · fslpy · GitHub
• ​MRI多序列，多中心数据集预处理–使用FSL-Flirt 配准数据_Tina姐的博客-CSDN博客_mri数据集
• 【核磁共振影像数据处理】fsl线性配准界面操作or代码处理？我都要_哔哩哔哩_bilibili
• ​Fsl学习过程（一）_czDemo的博客-CSDN博客_fsl使用教程
• MRI脑影像分析从哲学到技术再到点点点_意疏的博客-CSDN博客

6.有关分割脑壳的说明

​ 在这里所用到的影像已经是去了脑壳的，用的是一个深度学习模型HD-BET，相较于CAT12或是FSL，效果都要更加精确一些。框架是pytorch，调试起来也并不复杂，如果是tensorflow的可以使用另一个模型deepbrain，链接都放在下面了。

HD-BET链接：GitHub - MIC-DKFZ/HD-BET: MRI brain extraction tool
deepbrain链接：GitHub - iitzco/deepbrain: Deep Learning tools for brain medical images