有没有一套比较成熟的fMRI数据质量检查体系?

师兄提的问题,我斗胆回答一下。

我所接触的几个课题组似乎都不太注意数据的质量检查。可能现在都流行做大数据,被试量太大,而数据质量检查步骤又多,耗时耗力。遥想当年检查freesurfer recon-all的结果,一开始不熟悉,每个被试都需要花两三个小时去检查白灰质的分割情况,气球吹得好不好,是否有尖峰,然后拿鼠标手动修改。心力憔悴。

Russell A. Poldrack编写的<Handbook of Functional MRI Data Analysis>是一本挺薄的工具书,满满的干货,推荐使用fMRI工具的同学阅读一下。Russell在这本书花了点笔墨讲了一下质量控制(图1),我围绕他的框架来回答这一问题。

(图1:数据质量控制 Russell et al, 2011, Handbook of Functional MRI Data Analysis)

第一步是检查原始数据的数据质量,看是否由于磁场不均匀、被试呼吸心态急促或突然头动等原因导致数据伪迹过大。常见的伪迹有Spikes(图2左)和Ghosting(图2右)。原始数据出现质量问题一般没有补救措施,只能舍弃数据。Spikes常见的表现是有条带状的水波纹;Ghosting常见的表现是有明显的大脑轮廓倒影。Spikes是比较严重的数据问题,Ghosting倒是比较常见,只要不太严重,一般数据都可以继续用,可以检查一下大脑各个区域的值是否有异常。

(图2:Spikes和Ghosting Russell et al, 2011, Handbook of Functional MRI Data Analysis)

第二步是检查数据信号缺失(Distortion)问题。眼眶和耳朵附近由于有空气,所以这两个区域附近常常扫不到信号(图3左)。还有就是皮层下区域(杏仁核、海马、丘脑等)常常信号值会出现偏低,如果大区域的信号值都低于400(存疑)的话就不太正常了。信号缺失的问题可以采用fieldmap矫正,具体的原理我并不是太了解,大致是计算一下大脑内部各个voxel信号扭曲的程度,计算得到 VDM (voxel distrotion map),然后与原始数据相乘。

(图3:Distortion Russell et al, 2011, Handbook of Functional MRI Data Analysis)

第三步是检查头动问题。不管是SPM和FSL都会算出各个方向的头动参数,常见的是6个头动方向,严谨一点的可以计算出12个方向的头动参数,然后在做GLM的时候将头动参数作为协变量。一般将标准卡在一个voxel,如果头动大于一个voxel的数据就不能使用,儿童的数据可以把标准放松到5mm。不过还得结合各个TR来看,有时候被试可能在几个时间点突然头动了一下,导致头部位移的range比较大,这种情况可以将这些时间点的值删了,采用差值法进行替补。也可以算出各个时间点的头动大小,然后加入到GLM中当做协变量,比如斯坦福大学研发的软件The ART repair toolbox (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html);还可以使用ICA的方法分离出头动的成分,然后加入到GLM模型中,比如ICA-AROMA(https://github.com/rhr-pruim/ICA-AROM )。

第四步是检查配准问题。最简单的办法就是打开标准模板,然后再加入你配准之后的图像,看是否贴合得比较好。fsl预处理之后会有各个配准过程的情况(图4)。

(图4:配准情况 ©Upon)

推荐使用fslview检查数据,很方便!

来源:知乎 www.zhihu.com

作者:知乎用户(登录查看详情)

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。
点击下载

此问题还有 1 个回答,查看全部。
延伸阅读:
为什么上班都是坐着,还会感觉疲惫不堪?
胃口与恋爱有关系吗?