@figo2150 2017-11-27T13:15:17.000000Z 字数 7441 阅读 5879

FSL-TBSS流程与说明

更新：2017-11-09 by 叶辰飞
可选参数已加粗 可选方法见目录

数据准备

原理说明：在进行TBSS[1]分析前，首先需要进行弥散张量成像（DTI）张量估计(或称为DTI mapping)。DTI张量估计是指从原始的4D 弥散加权成像（DWI）多梯度序列中估计出弥散张量以及对应的DTI参数图，具体包括剥头皮，涡流矫正，DTI张量拟合，方向矫正。

生成b值和梯度表

利用dcm2nii或MRIconverter把DWI文件转成nifti文件(.nii.gz)，同时生成.bvec和.bval文件。
dcm2nii命令：dcm2nii -g Y foldername

提取b0 image

fslroi NC/NC01/*.nii NC/NC01/b0 0 -1 0 -1 0 -1 0 1
fslroi NC/NC02/*.nii NC/NC02/b0 0 -1 0 -1 0 -1 0 1
fslroi NC/NC03/*.nii NC/NC03/b0 0 -1 0 -1 0 -1 0 1
fslroi NC/NC04/*.nii NC/NC04/b0 0 -1 0 -1 0 -1 0 1
fslroi NC/NC05/*.nii NC/NC05/b0 0 -1 0 -1 0 -1 0 1
fslroi PA/PA01/*.nii PA/PA01/b0 0 -1 0 -1 0 -1 0 1
fslroi PA/PA02/*.nii PA/PA02/b0 0 -1 0 -1 0 -1 0 1
fslroi PA/PA03/*.nii PA/PA03/b0 0 -1 0 -1 0 -1 0 1
fslroi PA/PA04/*.nii PA/PA04/b0 0 -1 0 -1 0 -1 0 1
fslroi PA/PA05/*.nii PA/PA05/b0 0 -1 0 -1 0 -1 0 1

剥头皮（skull stripping）

bet2 NC/NC01/b0 NC/NC01/b0_bet -m -f 0.3
bet2 NC/NC02/b0 NC/NC02/b0_bet -m -f 0.3
bet2 NC/NC03/b0 NC/NC03/b0_bet -m -f 0.3
bet2 NC/NC04/b0 NC/NC04/b0_bet -m -f 0.3
bet2 NC/NC05/b0 NC/NC05/b0_bet -m -f 0.3
bet2 PA/PA01/b0 PA/PA01/b0_bet -m -f 0.3
bet2 PA/PA02/b0 PA/PA02/b0_bet -m -f 0.3
bet2 PA/PA03/b0 PA/PA03/b0_bet -m -f 0.3
bet2 PA/PA04/b0 PA/PA04/b0_bet -m -f 0.3
bet2 PA/PA05/b0 PA/PA05/b0_bet -m -f 0.3

官方推荐这里最好对b0图进行剥头皮（测试发现对DWI剥头皮效果也可以）。同时生成mask。

涡流矫正（eddy current correction）

原理说明： eddy current correction功能是去除来自磁共振线圈的涡流效应所引起的图像伪影，同时通过DWI图像间配准去除运动伪影，对应的函数是eddy_correct。新版的FSL自带eddy函数，融合了老版本eddy_correct和topup函数，能够同时去除涡流效应(eddy current effects)、头动偏移(head movement)、磁敏感性伪影(susceptibility artifacts),并且检测因头动效应引起的引号衰落（signal dropup）图像层，并用无失真(distortion-free)的图像层进行自动替换。文献证实eddy比eddy_correct的矫正效果更好[2]。

eddy_correct NC/NC01/*.nii NC/NC01/dwi_ec 0
eddy_correct NC/NC02/*.nii NC/NC02/dwi_ec 0
eddy_correct NC/NC03/*.nii NC/NC03/dwi_ec 0
eddy_correct NC/NC04/*.nii NC/NC04/dwi_ec 0
eddy_correct NC/NC05/*.nii NC/NC05/dwi_ec 0
eddy_correct PA/PA01/*.nii PA/PA01/dwi_ec 0
eddy_correct PA/PA02/*.nii PA/PA02/dwi_ec 0
eddy_correct PA/PA03/*.nii PA/PA03/dwi_ec 0
eddy_correct PA/PA04/*.nii PA/PA04/dwi_ec 0
eddy_correct PA/PA05/*.nii PA/PA05/dwi_ec 0

由于这一步用时长，建议并行。新版eddy函数允许parallelised through OpenMP或CUDA on Nvidia GPU。
eddy的处理前后效果如：（左图为处理前，右图为处理后）
eddy的处理前后效果示例
注意：后期考虑将FSL版本升级到5.0.10，以支持eddy函数。

张量拟合（tensor fitting）

原理说明：脑组织中的水分子在不断地进行着弥散运动, 但它不仅受组织细胞本身特征的影响, 而且还受细胞内部结构的影响, 如鞘膜、细胞膜、白质纤维束。在具有固定排列顺序的组织结构中, 如神经纤维束, 水分子在各个方向的弥散是不同的, 水分子通常更倾向于沿着神经纤维束走行的方向进行弥散, 而很少沿着垂直于神经纤维束走行的方向进行弥散, 这种具有方向依赖性的弥散即称为弥散的各向异性(FA)。这一步将通过估计弥散张量的本征值(λ1、λ2和λ3)计算得出FA。FA变化范围从0～1。0代表弥散不受限制，比如脑脊液的 FA 值接近 0；对于非常规则的具有方向性的组织，其FA值大于0，例如大脑白质纤维 FA 值接近 1。
这一步依赖的输入包括FA, brain mask, b value以及b vector。

dtifit -k NC/NC01/dwi_ec -o NC/NC01/DTI -m NC/NC01/b0_bet_mask -r NC/NC01/*.bvec -b NC/NC01/*.bval
dtifit -k NC/NC02/dwi_ec -o NC/NC02/DTI -m NC/NC02/b0_bet_mask -r NC/NC02/*.bvec -b NC/NC02/*.bval
dtifit -k NC/NC03/dwi_ec -o NC/NC03/DTI -m NC/NC03/b0_bet_mask -r NC/NC03/*.bvec -b NC/NC03/*.bval
dtifit -k NC/NC04/dwi_ec -o NC/NC04/DTI -m NC/NC04/b0_bet_mask -r NC/NC04/*.bvec -b NC/NC04/*.bval
dtifit -k NC/NC05/dwi_ec -o NC/NC05/DTI -m NC/NC05/b0_bet_mask -r NC/NC05/*.bvec -b NC/NC05/*.bval
dtifit -k PA/PA01/dwi_ec -o PA/PA01/DTI -m PA/PA01/b0_bet_mask -r PA/PA01/*.bvec -b PA/PA01/*.bval
dtifit -k PA/PA02/dwi_ec -o PA/PA02/DTI -m PA/PA02/b0_bet_mask -r PA/PA02/*.bvec -b PA/PA02/*.bval
dtifit -k PA/PA03/dwi_ec -o PA/PA03/DTI -m PA/PA03/b0_bet_mask -r PA/PA03/*.bvec -b PA/PA03/*.bval
dtifit -k PA/PA04/dwi_ec -o PA/PA04/DTI -m PA/PA04/b0_bet_mask -r PA/PA04/*.bvec -b PA/PA04/*.bval
dtifit -k PA/PA05/dwi_ec -o PA/PA05/DTI -m PA/PA05/b0_bet_mask -r PA/PA05/*.bvec -b PA/PA05/*.bval

这一步对每个subject用时在5分钟左右。

方向矫正（reorient）

mkdir tbss_foldername
cd tbss_foldername
fslreorient2std NC01_FA NC01_FA 
fslreorient2std NC02_FA NC02_FA 
fslreorient2std NC03_FA NC03_FA 
fslreorient2std NC04_FA NC04_FA 
fslreorient2std NC05_FA NC05_FA 
fslreorient2std PA01_FA PA01_FA 
fslreorient2std PA02_FA PA02_FA 
fslreorient2std PA03_FA PA03_FA 
fslreorient2std PA04_FA PA04_FA 
fslreorient2std PA05_FA PA05_FA

创建tbss_foldername文件夹后将所有subjects的DTI_FA.nii.gz复制到该路径，并改名，例如NC01.nii.gz, PA01.nii.gz

1. FA准备

tbss_1_preproc *.nii.gz

QC: 通过slicesdir/index.html查看FA效果

2. FA空间标准化

原理说明：把所有subject的FA非线性配准到FMRIB58_FA脑模板(1mm×1mm×1mm分辨率)，建立组间比较的空间基准。方法1将MNI空间的标准FA脑模板作为本步骤的脑模板。方法2将从用户的FA数据中找到最有代表性的一个subject作为目标FA图像，将目标FA图像线性配准到MNI152标准空间，作为用户脑模板(specific template)；之后将每个subject的FA非线性配准到目标FA图像，再施加从目标FA图像到MNI空间的线性变换。
方法1适用于一般数据，用时相对较短；方法2适用于用户特殊需求，用时相对较长，比如用户上传的都是儿童的图像，就不适合采用方法1的标准脑模板，因为FMRIB58_FA是根据西方成年人的数据生成的。

2.1 方法1：

tbss_2_reg -T

这一步跑每一个subject的时间约10分钟，单核CPU条件下，总时间为10 minutes x N subjects。

2.2 方法2：

tbss_2_reg -n

这一步跑每一个subject的时间约5分钟，单核CPU条件下，总时间为5 minutes x N x N。

3. 生成平均FA纤维束骨架模板

原理说明：把所有subject的FA非线性配准到FMRIB58_FA脑模板(1mm×1mm×1mm分辨率)，建立组间比较的空间基准；然后把空间标准化之后的每个subject FA图进行平均，并纤维束骨架化（skeleton）。生成的结果主要包括每个subject的FA图all_FA以及平均FA纤维束骨架模板 mean_FA_skeleton。

3.1 方法1：

tbss_3_postreg -S

这一步是针对用户上传的FA数据进行平均，并骨架化，作为白质纤维束骨架模板。官方默认推荐。

3.2 方法2：

tbss_3_postreg -T

这一步是对标准模板FMRIB58_FA进行骨架化，作为白质纤维束骨架模板。

QC: 在stats目录下通过fslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green查看每个subject的FA效果。

4. 生成个体FA纤维束骨架图

原理说明：这一步把所有subject的FA图匹配到白质纤维束模板上，得到个体化的FA纤维束骨架图。生成的结果主要包括每个subject的FA纤维束骨架图all_FA_skeletonised。

tbss_4_prestats 0.2

这里的参数应支持用户自定义，默认是0.2。

5. 生成design_matrix

原理说明：design_matrix是一般线性模型（GLM）的setup项,保存了后续统计分析所依赖的数据结构。这一步生成的结果design.mat和design.con在统计分析步骤中会用到。

design_ttest2 design 5 5

这里的5 5分别是两组人的个数，组1组2可以用命令imglob *来观察subject list是否为NC在前，PA在后
组1默认为NC，组2默认为PA。

6. 统计分析

原理说明：和VBM的统计分析类似，同样也是对纤维束骨架上的每个体素，做置换检验（permutation test）。这里的矫正方法统一为Threshold-Free Cluster Enhancement（TFCE）。

randomise -i all_FA_skeletonised -o tbss -m mean_FA_skeleton_mask -d design.mat -t design.con -n 5000 --T2

对个体灰质数据默认置换5000次（用户可自定义）。生成的结果主要有tbss_tfce_corrp_tstat1和tbss_tfce_corrp_tstat2。这里tbss_tfce_corrp_tstat1是最重要的结果，反应了病人组相对于健康对照组的FA下降的p值。

以下命令可以在后台测试时快速浏览TBSS的P值结果图（如果没有显著结果，可把-b的参数调小，如0.9或0.8）：

fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -l Green -b 0.2,0.8 tbss_tfce_corrp_tstat1 -l Red-Yellow -b 0.95,1

8. 文本结果

原理说明：根据上一步得到的显著性区域，通过图谱匹配法，找到其对应的脑区与MNI空间坐标，同时统计出显著cluster的个数。推荐使用JHU的ICBM白质图谱，比较普及。

autoaq -i tbss_tfce_corrp_tstat1 -t 0.95 -o report.txt -a "JHU ICBM-DTI-81 White-Matter Labels"

这里-t的参数给用户提供可选项（0.95, 0.99, 0.999），默认0.95。-a的参数可选，包括FSL中的内置图谱库：
- “JHU ICBM-DTI-81 White-Matter Labels” （默认)
- “JHU White-Matter Tractography Atlas”

总结

TBSS最后给用户提供的数据下载应至少包括：

文字结果：
report.txt(可以在线优化)
参数图结果：
tbss_tfce_corrp_tstat1，tbss_tfce_corrp_tstat2
模板结果：
$FSLDIR/data/standard/MNI152_T1_1mm

参数图应该叠加在模板上显示。如:
TBSS结果示例

附录：QC方法

TBSS所有QC相关的基础原始图像文件包括：

XXX_FA ：每个人的3D FA （QC标准：方向是否一致，白质纤维束是否足够清晰）
mean_FA_skeleton ：最佳方案是通过命令fslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green查看每个subject的FA效果，次优方案是直接观察mean_FA_skeleton的平面图，即所有subjects的平均白质纤维骨架图（QC标准：纤维骨架是否符合经验分布）
all_FA：最佳方案是通过命令fslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green查看每个subject的FA效果，次优方案是直接观察all_FA的平面图，即每个subject标准化之后的FA参数图（QC标准：是否所有subject都处于标准空间，允许少许个体性差异）

QC平面图生成：

对于3D图像（包括XXX_FA ，mean_FA_skeleton）：直接使用slicesdir `imglob *`命令生成名为slicesdir的文件夹。可以根据imglob的参数进行文件选择。比如对于XXX_FA的组图QC，命令为slicesdir `imglob *_FA`；对于mean_FA_skeleton这类单个图像QC，命令为slicesdir `imglob mean_FA_skeleton`。最后将每组文件夹的名字更改为对应的3D图像名字。
对于4D图像（all_FA ）：对每个4D文件使用命令fslsplit <input> [output_basename],分裂成一串3D文件，每个3D文件的名字默认为[output_basename]0000, [output_basename]0001, [output_basename]0002, ...。顺序通常对应subject list的顺序。按照这个对应关系，把每个3D文件的名字改成subject ID，这样slicesdir之后的html才会显示subject ID。最后将每组文件夹的名字更改为对应的4D图像名字。

[1] S.M. Smith, M. Jenkinson, H. Johansen-Berg, D. Rueckert, T.E. Nichols, C.E. Mackay, K.E. Watkins, O. Ciccarelli, M.Z. Cader, P.M. Matthews, and T.E.J. Behrens. Tract-based spatial statistics: Voxelwise analysis of multi-subject diffusion data. NeuroImage, 31:1487-1505, 2006. ↩
[2] Jesper L. R. Andersson and Stamatios N. Sotiropoulos. An integrated approach to correction for off-resonance effects and subject movement in diffusion MR imaging. NeuroImage, 125:1063-1078, 2016. ↩