来自斯坦福大学的Oscar Esteban等研究人员在Nature Methods期刊上发表了鲁棒的（robust）功能磁共振成像预处理流程fMRIPrep。他们表示，比起现有的fMRI预处理工具包（如SPM/FEAT等），该工具更稳定、结果质量更高、可视化效果更好。
在统计分析前，功能磁共振影像（functional magnetic resonance imaging, fMRI）涉及到多个预处理步骤。同时，随着影像采集和处理技术的快速发展，功能磁共振成像预处理的复杂性也日益增长。本研究介绍了一种与后续分析无关的预处理工具—fMRIPrep。该工具能够解决功能磁共振影像在预处理中的鲁棒性和可重复性问题。fMRIPrep能够自动地而不需要人工干预地将最佳处理流程适应到任何特定数据集，同时保证预处理的高质量。总之，fMRIPrep提供了易操作且透明的预处理流程，有助于确保推论的有效性及结果的可解释性。
关键字：功能磁共振成像(fMRI)、预处理、fMRIPrep
功能磁共振成像（fMRI）是研究人类大脑活动常用的一种技术手段。但是，通过fMRI测量的血氧水平依赖（blood-oxygen-level-dependent, BOLD）信号是典型的混合了非神经源噪声的信号。影像数据的预处理应该有效识别干扰源以减少其对数据的影响，并且能够对信号进行解剖定位。在神经影像领域，许多工具可以完成大部分的预处理步骤（如表1所示）。这些工具主要被包含在AFNI、ANTs、FreeSurfer、FSL和SPM等分析软件中。尽管拥有丰富的可利用的软件以及预处理最佳操作的多次研究，但是，大量不同的数据采集协议导致了几乎每一项研究都要定制预处理流程。因此，神经影像领域缺乏能够可靠地为来源不同的数据集提供高质量和一致性结果的预处理流程。
表1 一系列现有的影像预处理软件工具
结果
fMRIPrep是一个功能强大且方便的工具，能够使研究人员和临床医生对任务和静息态的功能磁共振数据进行预处理。它的输出结果可广泛应用于进行功能定位的被试内分析、基于体素的分析（voxel-based analysis）、基于皮层表面的分析(surface-based analysis)、基于任务的组分析、静息态功能连接分析等等。
BIDS的模块化设计具有灵活、自适应的工作流程
fMRIPrep是由不同的子流程组成。根据输入数据，子流程可动态地集成不同的配置。这些子流程可与目前广泛应用的开源的神经影像工具包（表1所示）相结合。其中，工作流程引擎Nipype用来划分工作流程并处理执行细节（例如资源管理）。fMRIPrep工作流程主要包括两个子模块：结构MRI处理流程和fMRI处理流程（如图1所示）。另外， Brain Imaging Data Structure（BIDS）能够使得fMRIPrep在无人工干预的情况下自动识别输入数据的结构，并收集可用的数据参数（如成像参数）。此外，fMRIPrep可以通过一系列的启发式方法自适应数据集的不规范（如缺失采集参数）。
图1 fMRIPrep的预处理流程
可视化报告简化了质量控制并最大限度地提高了透明化
用户可通过每个被试生成的个体化报告评估预处理的质量。其中，报告包含了在预处理流程中不同控制点的动态和静态的视图。报告采用HTML网页语言编写，可使用任何Web浏览器打开查看，也可在线上服务器中集成，方便同行间的共享。fMRIPrep提供的报告有效地减少了评估结果质量所需的时间。此外，为最大限度提高透明化，报告包含了遵循既定准则的引文模板，同时给予使用fMRIPrep软件的所有用户信任权限。
fMRIPrep在神经影像方面的亮点
对于目前可用的分析来说，fMRIPrep是分析无关的（analysis-agnostic），因为它支持一系列高阶分析和建模。备选工作流程（如afni_proc.py(AFNI), FEAT(FSL)、C-PAC、HumanConnectome Project(HCP)流程，SPM）都是分析无关的，因为它们对预处理的数据的都制定了特定方法。后续分析的兼容性局限性主要在于输出的坐标空间和BOLD信号的规则（volume）和不规则（surface）的采样。如HCP流程支持在被试或模板空间内进行基于皮层表面的分析（surface-based analysis）。相反地，C-PAC和FEAT仅支持基于体积的分析（volume-based analysis）。尽管afni_proc.py默认的是基于体积的分析，但可以在分析前通过手动设置预重建表面（pre-reconstructed surfaces）对BOLD信号进行采样。fMRIPrep支持多个输出空间，包括用于基于体积分析和基于表面分析的被试空间和模板。尽管fMRIPrep避免了能够限制后续的分析的预处理步骤（如空间平滑），其他工具均可以执行支持特定分析的处理步骤。例如C-PAC可以执行几个预处理步骤，以便静息态的fMRI的连接分析。此外，fMRIPrep的优势还包括了fieldmapless SDC，社区驱动的开发和软件工程的高标准，以及对可重复性的关注。
fMRIPrep从各种数据集中得到高质量的结果
本研究采用两阶段（two-stage）的验证框架最大限度地提高fMRIPrep生成结果的稳定性以及整体的质量。在Phase I，本研究在来自OpenfMRI（https://openfmri.org/）的20个数据集上测试了fMRIPrep。由于质量不合格的数据会降低图像输出的结果，本研究采用MRIQC27对测试影像数据集进行了筛选。在Phase I后，本研究于2017年12月6日发布了fMRIPrep 1.0版。在Phase II, 本研究解决了质量保证和可靠性验证的问题，从而提高了结果的总体质量（如图2所示）。其中，54个数据集中的50个得到高于“可接受”平均质量水平的结果，其余4个得到了高于“差”水平或接近于“可接受”水平的结果。在Phase II后，本研究于2018年2月22日发布fMRIPrep版本1.0.8。
图2 将可视化评估集成到软件测试框架中有效地提高了结果质量
fMRIPrep可通过适当平滑防止空间精度的损失
本研究说明，对数据不规范的鲁棒性关注可不以损失预处理输出结果的质量为代价。此外，FSL的FEAT预处理结果比fMRIPrep的结果更平滑（如图3所示）。虽然预处理图像体素被重新采样为2*2*2mm3，但fMRIPrep的平滑度估计值小于4.0mm，而此平滑度非常接近于原始分辨率3.0*3.0*4.0mm3。本研究计算了两种预处理流程下时序平均图谱在MNI空间下的标准差图谱。与FEAT相比，fMRIPrep具有更高的解剖学精度，同时在一定程度上反映了更精确的空间的标准化流程和fileldless SDC应用的组合效应。fMRIPrep能够将由磁化率失真引起的扭曲区域（如眶额叶）与基础解剖学结构配准。另外，在两种常见的fMRI分析中，本研究也比较了fMRIPrep和FEAT预处理。第一种分析，针对两种方案预处理的数据，本研究采用了FEAT进行了被试内的统计分析；第二种分析，本研究采用最小二乘混合模型（FLAME，FSL）进行了组间分析。在两个对比实验中，两种预处理方案均采用了相同的分析流程以及设置。一阶分析结果表现为，在“stopsignal”任务中，“go”和“successful-stop”对比分析中阈值下激活个数图谱是相似的。fMRIPrep和FEAT预处理后的图像在相同的区域得到相同的激活结果（如图4所示）。但是，由于FEAT预处理之后的数据更加平滑，因此fMRIPrep的结果能够更局部和更好地配准到皮质。因为，统计图谱的重叠及皮尔森相关性均与输入数据的平滑程度密切相关。在组分析中，fMRIPrep和FEAT表现相同。
图3 fMRIPrep可以让研究人员更好地控制平滑性
图4 fMRIPrep的激活图比FEAT更好地配准到了基础解剖结构
一句话总结：fMRIPrep预处理工具具有以下几个主要特性：鲁棒、结果的高质量和一致性、最大限度透明性、易用性。对于没有丰富计算机经验的研究人员和临床医生来说，fMRIPrep具有很高的可用性，并可生成全面的可视化报告。
参考文献：
fMRIPrep: a robust preprocessing pipeline for functional MRI
https://www.nature.com › nature methods › articles
by O Esteban - 2018
软件下载地址：http://fmriprep.org
长按二维码选择关注思影科技
我们专注于脑科学
获取原文：关注“思影科技”公众号，回复“原文”或“培训”，获取原文pdf及补充材料下载链接，同时欢迎浏览我们的培训通知以及数据处理业务介绍。(直接点击下文文字即可浏览）：
更新通知：第八届磁共振脑网络数据处理班（重庆）
第十三届功能磁共振数据处理基础班（重庆）
第三届脑功能磁共振提高班暨任务态fMRI专题班
第二届脑影像机器学习班
第十四届功能磁共振数据处理基础班（南京）
第七届磁共振弥散张量成像数据处理班（南京）
第五届磁共振脑影像结构班（南京）
第三届动物磁共振脑影像数据处理班 （南京）
第一届脑电数据处理入门班
第十届脑电数据处理基础班
第十一届脑电数据处理基础班 （南京）
第四届脑电信号数据处理提高班
第二届眼动数据处理班
更新通知：第五届近红外脑功能数据处理班 (南京)
思影数据处理业务一：功能磁共振（fMRI）数据处理
思影数据处理业务二：结构磁共振成像(sMRI)与DTI
思影数据处理业务三：ASL数据处理
思影数据处理业务四：EEG/ERP数据处理
