怎么提取mask的边界_HCP是怎么处理结构像数据的

HCP是质量很高的公开数据集，我最近在研究其中的结构像数据，整理了一下官方的预处理过程。

对于FreeSurfer， 我们在使用的时候，只需要一句recon-all就可以执行完所有的计算，接着就可以进行读取结果，关于recon-all的计算细节我们可能不怎么关心。这篇文章会涉及很多我们不知道也不会妨碍我们使用FreeSurfer 的原理性知识，所以读起来可能没那么容易。

如果有地方犯错，欢迎大家斧正。

Let‘s go!

PreFreeSurfer

1. MR gradient-nonlinearity-induced 失真校正

由于the custom HCP Skyra 的设计，使得HCP Skyra图像的梯度非线性影响更显著，特别在额叶。

失真校正中，每个梯度线圈产生的磁场用a spherical harmonic expansion来模拟。

校正然后使用FreeSurfer中的gradient_nonlin_unwarp工具包的自定义版（参考文献），这个定制版本的工具包计算了一个FSL格式的 warpfield，该warpfield通过使用专有的西门子梯度系数文件（我需要提供这个文件吗？）和图像的mm坐标空间（图像矩阵空间和扫描轴之间的旋转，sform斜的部分，sform将体素坐标与扫描仪的mm坐标空间相关联，由nii标准定义）来表示图像的空间失真。这个warpfield可以与其它转换连接起来或者通过样条插值（产生的模糊少于三线性插值）应用到图像上。

对于HCP Skyra（这是什么？），需要这样的校正（头部在isocenter以上约5cm），对于普通的扫描仪，不需要这种校正。

2. 随后使用FSL的FLIRT，将任何重复的run的T1w和T2w的图像与一个6自由度的刚体变换对齐。HCP数据中，只有质量评价中判断为“good”或“excellent”的图像被用于处理。对于很多被试，只有一个run（only a single run）被用于T1w或者T2w。

3. 为了更高的鲁棒性（系统在遇到异常或危险时保持稳定的能力），图像内部裁剪成较小的FOV（field of view）以去除颈部（150 mm in z in humans），这一步使用FSL的automated robustfov tool，并且图像与MNI空间模板进行12自由度（DOF）FLIRT配准对齐。这种对齐使得MNI空间脑mask在最终配准前被应用，以mask out任何残留的移位的头皮脂肪信号。最终的转换到输出平均空间是通过样条插值来最小化模糊（blurring）。

4. 接着，T1w和T2w平均图像对齐到MNI空间模板（具有0.7mm分辨率的HCP数据）使用刚体6自由度变换，由12自由度的仿射配准而得。这步对齐的目的是使图像的方向与模板大致，便于可视化。这一步还将坐标空间轴与MNI模板的坐标空间轴对齐，移除mm坐标空间和图像矩阵之间的旋转（i.e. 移除nii sform的倾斜量，因为在不同的成像软件平台上，倾斜sform的处理并不一致）。与之前在各个run之间平均的过程类似，