思影科技彌散加權成像（DWI/dMRI）數(shù)據(jù)處理

  為更好地幫助到想要利用神經(jīng)影像做科研的客戶們，拓展思影科技的業(yè)務范圍,思影科技推出彌散加權成像（DWI/dMRI）數(shù)據(jù)處理業(yè)務。如感興趣請聯(lián)系楊曉飛siyingyxf或19962074063（微信號）進行咨詢，電話：18580429226

圖例 DTI數(shù)據(jù)處理流程

一、數(shù)據(jù)質量檢測和數(shù)據(jù)預處理     

1.數(shù)據(jù)質量檢查：   

好數(shù)據(jù)是好結果的前提，思影科技會對您的數(shù)據(jù)進行細致的檢查，提高科研結果的嚴謹性。   

主要包括：

掃描參數(shù)檢查，包括TR、體素大小、掃描時長等參數(shù)，確保參數(shù)合適與統(tǒng)一；圖像偽跡檢查，包括鬼影、變形等；其他檢查，包括頭動狀況、圖像是否缺損等。對于可能發(fā)現(xiàn)的數(shù)據(jù)質量問題，思影將提供合適的參考意見。也可幫助客戶進行掃描參數(shù)的設計。

圖例：不同偽影示意圖

2、數(shù)據(jù)預處理     

1）數(shù)據(jù)格式轉換：將dicom格式文件轉換成主流腦影像處理軟件支持的NifTi格式文件以及對應的文件組織形式。

2）頭動與渦流校正：校正由頭動造成的時間點不對齊以及渦電流引起的T2像偽跡。

3）梯度方向矯正：根據(jù)頭動校正的形變場校正對應的梯度方向表，以便于更精確地估計張量。

4）擬合張量模型：通過校正后的B0和非零b值成像，結合對應的梯度方向表和b值表，計算出基于每個體素的張量模型。 

二、單一B值彌散成像/彌散張量成像（DTI）    

1.確定性纖維追蹤    確定性纖維追蹤主要使用FACT、steamline等追蹤方法根據(jù)張量主方向以及預設的偏轉角閾值、FA閾值等參數(shù)對全腦纖維束進行構建，而后通過設定ROI的方式追蹤特定纖維束，并計算纖維束的數(shù)目、平均FA等相關指標。

圖例：全腦纖維束構建

圖例：弓狀束的確定性追蹤

2.概率性纖維追蹤

概率性纖維追蹤主要通過球棍（ball & stick）模型結合馬爾科夫鏈蒙特卡洛模擬（MCMC）方法估計纖維束方向在每個體素上的概率分布，通過在每個種子點體素發(fā)射上千條纖維束的方法來追蹤纖維束的后驗分布，并計算纖維束的連接概率、平均FA等相關指標。

    3.基于體素的統(tǒng)計分析（VBA）   

對數(shù)據(jù)預處理時計算的張量指標如FA、MD等指標可進行進一步的基于體素的組水平統(tǒng)計分析（Voxel-based analysis），比較這些指標在全腦體素水平的組間差異，常用于損傷大腦（如卒中、腫瘤等）的張量指標統(tǒng)計。

圖例：VBA方法流程

    4.基于白質骨架的彌散統(tǒng)計分析（TBSS）    為了克服VBA方法中配準誤差或平滑核選擇的問題，牛津大學的FMRIB實驗室提出了一種基于白質骨架的空間統(tǒng)計方法(tract-based spatial statistics，TBSS)。該方法也是一種基于圖像配準，然后針對全腦體素的FA值提取白質骨架，在白質骨架上進行進一步統(tǒng)計分析的探索性分析方法。

圖例：TBSS方法流程（左）與結果樣例（右）

    5. 基于圖論的DTI腦網(wǎng)絡屬性分析（小世界屬性、Rich-club系數(shù)、度中心性等）    根據(jù)腦分區(qū)圖譜進行多個腦區(qū)兩兩間的確定性或者概率性纖維追蹤，以特定腦區(qū)為節(jié)點，以節(jié)點間結構連接指標（纖維束條數(shù)、概率、平均FA等）為邊，可構建結構腦網(wǎng)絡，利用圖論計算相應的網(wǎng)絡屬性。

圖例：圖論分析流程

 

    6. 確定性纖維束自動分段定量方法（AFQ，Automated Fiber Quantification）    通過自動定量方法可對全腦主要的20條主要的確定性纖維束進行自動分割，可對分割、去除outliers后的纖維束進行進一步分段（如100等分）統(tǒng)計，可統(tǒng)計每個纖維束段的組間差異。

圖例：AFQ方法在精神分裂癥中的應用

 

    7、概率性纖維自動提取方法（AutoPtx）     通過預先設定好纖維束的種子點、排除腦區(qū)、終止腦區(qū)等條件，可對概率性纖維束進行自動分段提取并進一步計算對應的平均標量指標（FA、MD等）。

圖例：概率性纖維自動提取技術在老化研究中的應用

 

三、多B值彌散成像/高角分辨率彌散成像（HARDI）   

思影科技結合客戶不同數(shù)據(jù)采集方案提供多種分析方法：   

1、基于多種模型的體素分析方法   

由于DTI基于水分子的擴散呈高斯分布的假設，而在非均勻介質中，水分子并不服從高斯分布擴散假設，因此發(fā)展出了多種基于非均勻介質的彌散模型，可以更精確地探索神經(jīng)纖維。    

1）彌散峰度成像(diffusion kurtosis imaging，DKI)   

擴散峰態(tài)成像(DKI)是一種表征非高斯擴散的成像方法，即通過估計位移分布的過度峰態(tài)來表征非高斯擴散，計算出平均峰度（MK）、軸向峰度（AK）、徑向峰度（RK）等標量指標進行進一步基于體素的統(tǒng)計分析。

圖例 DKI指標

  2）神經(jīng)突方向散度和密度成像（neurite orientation dispersion and density imaging，NODDI）

 NODDI方法主要對全腦神經(jīng)突方向散度和密度進行成像。可以計算vic、viso、OD等標量指標進行進一步基于體素的統(tǒng)計分析。

圖例 NODDI指標

  2、基于多種模型的纖維追蹤方法   

1）約束球形解卷積（CSD）   

約束球形解卷積主要通過估計每個體素上的纖維走向的ODF函數(shù)的方式來重建每個體素上的纖維分布，可以有效解決纖維交叉的問題。

  2）彌散譜成像/Q空間球形采樣成像/廣義Q采樣成像(DSI/Q-ball/GQI）

  DSI/Q-ball等成像方式需要在Q空間格柵式或者球面采樣，需要采集較多不同的b值圖像，同時可以更細致準確地刻畫纖維束走向。

四、其他方法   

1、FBA（Fixel-based analysis）

    FBA主要研究纖維束橫截面積（FC）、橫截面密度（FD）、橫截面積&密度（FDC）等基于纖維束的標量指標，提供了一種檢測特定白質束內白質變性的方法。
   2、基于白質指標、腦網(wǎng)絡的機器學習

  （1）基于體素的MVPA分析。基于常見的白質指標，構建機器學習模型，實現(xiàn)對不同群組的分類以及對量表得分的預測。常見的白質指標包括：FA、MD等（前述其他指標也可利用）；常見的機器學習模型包括：支持向量機（SVM）、線性判別分析（LDA）、Logistic回歸、隨機森林（Random Forest）、RVR、Elastic Net等。

  （2）基于腦網(wǎng)絡的機器學習分析?；谀X連接組數(shù)據(jù)，同樣可以提供上述分類/回歸分析（參見（1））。此外，思影科技可以提供腦網(wǎng)絡特有的預測模型，即CPM分析。

  （3）結果可視化?；隗w素的MVPA分析可以提供權重圖，以展示對分類/回歸貢獻較大的腦區(qū)；基于腦網(wǎng)絡的機器學習分析可以提供點線圖和圈狀圖。

五、定制化分析

分析代碼可定制。在沒有現(xiàn)有的軟件適用于您的數(shù)據(jù)分析需求時，思影科技會與您協(xié)商，通過編寫代碼實現(xiàn)您的想法，并提供代碼的完整實現(xiàn)。
客戶與思影確定合作意向以后，思影會指定專門的工程師全程與客戶對接項目著手該項目數(shù)據(jù)處理，思影額外還將指派另一名工程師對項目全程進行檢查，審核，把關，確保數(shù)據(jù)處理質量，思影將全程對客戶數(shù)據(jù)保密。