基本信息
1. 标题：Integrated diffusion image operator (iDIO): A pipeline for automated configuration and processing of diffusion MRI data
2. 期刊：Human Brain Mapping
3. IF/JCR/分区：5.399/Q1/中科院二区
4. DOI：10.1002/hbm.26239
目录
1、导读
2、软件开发背景
3、软件介绍
3.1 iDIO 工作流
3.2 iDIO QC报告
3.3测试数据
4、软件测试结果
4.1 iDIO生成的数据
4.2 运行时间
4.3 数据QC和信噪比
5、结论
1. 导读：
扩散磁共振成像( diffusion magnetic resonance imaging，dMRI )数据的预处理涉及多个步骤，包括头动校正、磁化率失真、低信噪比和信号漂移等。研究者往往需要根据不同的图像采集方案配置不同的预处理步骤，这增加了dMRI分析的技术门槛。这可能导致数据处理方法的差异，从而阻碍研究之间的可比性。为了使dMRI数据处理步骤透明化，适应各种dMRI采集方案，我们提出了一种半自动化的dMRI工具，即iDIO。该流程整合了dMRI软件工具和目标的特性，通过根据输入数据自适应配置一组建议的处理步骤，为dMRI数据分析提供一键式解决方案。此外，该软件还提供了后处理的选项，如扩散张量指标的估计和使用通用脑图谱进行基于全脑纤维追踪的重建。iDIO软件还输出质量控制报告，方便用户评估数据质量。为了保持数据处理的透明性，iDIO工作流程中产生的执行日志和所有中间图像都是可访问的。iDIO的目标是减少dMRI处理步骤的障碍。
2. 软件开发背景：
扩散磁共振成像( diffusion magnetic resonance imaging，dMRI )是研究人脑白质纤维特性和结构网络的主要无创性活体成像技术，如基于体素的扩散张量参数(例如,各向异性分数和平均扩散系数)的基于纤维束的空间统计，或基于纤维束成像的分析来测量复杂人脑组织的拓扑特性。近十年来，dMRI技术在硬件和软件方面都得到了快速发展。临床dMRI扫描受到硬件的限制，成像方案和参数受到扫描时间的限制，迫切需要一个指南来使dMRI数据预处理更加标准化。
对于采用全k空间覆盖的扩散加权图像( diffusion-weighted image，DWI )，通过信号去噪、Gibbs伪影去除、信号漂移校正等数据预处理，可以提高扩散相关估计的精度。这些步骤应在常规dMRI预处理之前进行，包括大脑提取、磁化率失真校正、涡流和运动校正。另一方面，当dMRI采集由多个b值或多壳层组成时，如果一个处理软件能够自动确定合适的扩散模型，例如提取低b值壳层用于扩散张量分析，而使用整个多壳层数据重建纤维取向分布。
高级软件包提供了单独的功能来进行特定或组合的数据处理，如ANTs、FSL、PreQual和MRtrix3。然而，预处理步骤有时需要复杂的设置或执行顺序。此外，对预处理后的图像进行质量控制( Quality Control，QC )通常是单独进行或者只针对特定的步骤进行，QC常常被遗漏。最后，可以提供一系列基于dMRI的测量的半自动化软件可以促进用户的下游应用，例如用于体素分析、基于fixel的分析、白质纤维束轮廓分析或所谓的纤维束分析以及脑网络分析。
整合现有的dMRI数据预处理方法并提供必要的QC报告的自适应软件可以降低对研究人员的技术要求。在这里，我们提出了iDIO，旨在成为基于先进软件工具的用户友好的dMRI数据处理一键式解决方案。iDIO的工作流程封装了ANTs、FSL、MRtrix3和Prquality的部分功能。iDIO基于输入数据的DICOM，通过读取JSON标签采集图像采集信息，然后自动生成配置文件，确定合适的预处理步骤。iDIO支持从西门子、GE、飞利浦和联影等不同临床MRI供应商获得的dMRI数据。QC报告与CVS文件一起保存预处理步骤的评估值，以帮助评估图像处理的质量。所有的步骤都是透明的，用户可以检查所有的输入、中间和输出图像，同时还有一个日志文件，其中列出了在运行中采取的步骤。iDIO使用一个包含所有选项和参数信息的设置文件，以尽量减少使用错误的输入选项，提供更好的跨研究的一致性。
3. 软件介绍：
3.1 iDIO 工作流
IDIO使用bash shell和python脚本进行编程，进行图像预处理和分析。iDIO的工作流程如图1所示。综上所述，iDIO的唯一约束是输入数据必须是shell数据。iDIO处理步骤的配置主要依靠图像JSON文件来减少参数配置时的人工误差，iDIO通过读取JSON标签来采集图像采集信息，然后自动适应需要做的预处理步骤，包括检测数据插值、部分傅里叶采集、b0图像采集次数等。不同采集的数据可能不适合运行某些校正步骤，某些步骤会被跳过或给出警告，这些都将记录在QC报告中。QC报告还包括校正步骤和处理结果的残差图。此外，预处理后的图像被保存在每一个步骤中，用户可以根据需要在预处理步骤之后进行检查。执行iDIO处理流程的最低要求是指定输入路径、输出处理路径和参数模板文件。参数模板文件包括用户需要定义的最小选项，如处理步骤、是否运行信号漂移校正、是否使用CUDA加速、是否调整DWI图像大小、DWI的b0阈值，以及包括数字在内的跟踪参数。在接下来的部分中，我们依次描述了每个处理步骤的细节。
图1 . iDIO流程主要的流程图。iDIO由六个主要模块(图像准备、DWI预处理、T1预处理、DTI Metrics、CSD、网络构建)组成。
◆ 1_DWIprep:重命名，并生成描述文件
◆ 2_BiasCo:噪声去除，Gibbs去除，信号漂移校正
◆ 3_EddyCo:灵敏度畸变、涡流畸变、运动校正;偏差校正和重新采样
◆ 4_T1preproc: T1图像预处理
◆ 5_DTIFIT:扩散张量拟合
◆ 6_CSDpreproc: CSD模型拟合
◆ 7_NetworkProc: 基于CSD FOD成像和网络构建
图2 iDIO为预处理后的DWI提供DTI指标图和基于CSD的纤维束成像脑网络。( a )预处理后的DWI ( b ) DTI指标图(左上:部分各向异性;右上:平均扩散系数;左下:轴向扩散系数;右下:径向扩散系数) ( c )采用iFOD2算法ACT重建的白质轨迹。( 4 )基于预定义图谱( AAL3、Yeo、HCPex、HCPMMP)的自然空间脑区划分。( e )生成网络矩阵。
3.2 iDIO QC报告
预处理完成后，IDIO在单个PDF文件中生成每个数据集的QC报告。QC报告中嵌入方法总结，适用时给出警示信息。带有图像插值、b0图像不足、部分傅里叶采集、非各向同性体素、张量建模b值不足的数据将被显示。虽然iDIO支持所有的shelled图像，但是用户应该注意警告信息，并决定重建的FOD是否适合进一步分析。接下来，报告中特别提到了运动剧烈的图像(图3a )。iDIO QC提供了去噪、Gibbs去除、漂移校正、b - vector重定向和偏置场校正前后DWI的比较。涡流/运动校正和SNR / CNR估计的评估由eddy_quad产生。给出CSD FOD和DTI方向编码彩色( DEC )图，快速检查方向不正确的梯度表。生成DTI DEC和张量拟合的误差平方和( sum of square error，SSE )，以帮助快速视觉检测可能的信号丢失和化学位移伪影(图3b、c)。
图3 iDIO的总结报告，以及用于可视化检查的DEC和SSE地图。( a )该报告将在警告部分提醒用户可能存在的使用不当和异常汇总，以便快速检查。DEC和SSE图有助于识别伪影，如( b )振动伪影和( c )脂肪化学位移。
3.3 测试数据
我们在3个数据集上应用iDIO。第一个数据集包括99名健康受试者，在National Yang Ming Chiao Tung University (NYCU)的Siemens 3 T Prisma MR上进行扫描。第二个数据集包括54名参与者，该数据集是在Keelung Chang Gung Memorial Hospital (CGMH)的西门子3T Skyra MR上获得的。两个队列的所有参与者在入组前均签署了书面知情同意协议。第三个数据来自阿尔茨海默病神经影像学倡议( ADNI )数据库。在西门子3T Prisma MR扫描仪上扫描的ADNI - 3队列中收集54例认知正常受试者。3组数据均包括1幅高分辨磁化准备快速梯度回波( MPRAGE ) T1w图像和1幅采用自旋回波平面成像的多壳层扩散数据。3组数据的采集参数如表1所示。
由于iDIO兼容不同厂商的机器，因此收集了另一个从西门子、GE 和Philip获得的数据集。计算每个脑内体素信号均值，以及信号标准差。全局时间信噪比( signal-to-noise，SNR )由每个壳层的脑内体素SNR的中位数估计，定义为壳层图像扩散加权信号的平均值除以标准差。按照以下步骤对DWI进行信号评估：( S1 )原始输入，( S2 )噪声去除，( S3 ) Gibbs振铃去除，( S4 )漂移校正，( S5 )磁敏感校正和涡流/运动校正，( S6 )偏场校正。然后进行重复测量方差分析比较S1 - S6之间的差异。
4. 软件测试结果
4.1 由iDIO生成的数据
表2列出了iDIO生成的所有输出文件夹和文件，以及测试数据所需的存储空间。
4.2 运行时间
表2显示了每种处理方法的运行时间。Step 3_EddyCo在CUDA加速下需要最长的预处理时间(33 min 7 s)。大脑网络重建耗时最长(81 min 34 s)，主要用于生成1000万条流线的轨迹图。
4.3 数据QC和信噪比
图4分别显示了每个受试者在每个阶段的mask内SNR、平均扩散加权信号和扩散加权信号标准差的中值。表3总结了SNR变化。完成预处理后，NYCU组b = 0 SNR由9.56 ± 1.22提高到21.15 ± 1.73，CGMH组b = 0 SNR由9.01 ± 1.94提高到18.025 ± 3.644，ADNI - 3组b = 0 SNR由22.51 ± 3.97提高到41.32 ± 6.90。
图4 iDIO预处理步后NYCU数据集( a ) b = 0，( b ) b = 1000，( c ) b = 3000 DWI的脑内SNR、信号和噪声的中位数。标准iDIO预处理步骤依次为：( S1 )原始输入图像，( S2 )去除噪声，( S3 )去除Gibbs环，( S4 )信号漂移校正，( S5 )磁化率导致影像扭曲校正，涡流畸变和受试者移动，( S6 )偏移场校正。每个圆圈对应单个被试的中值。全局SNR由每个体素SNR的中位数估计，其定义为平均信号( mean [ S ] )除以图像扩散加权信号的标准差( SD [ S ] )。
图5每个处理步骤之间( a ) SNR，( b )信号和( c )噪声的平均差异。事后检验的显著差异表现在蓝色或红色。带有dash (-)符号的灰色方框表示差异未达到显著水平。( S1 )原始输入图像，( S2 )噪声去除，( S3 )Gibbs去除，( S4 )信号漂移校正，( S5 )磁化率导致影像扭曲、涡流畸变和主体运动校正，( S6 )偏置场校正。
5. 结论
总之，iDIO提供了一种半自动的dMRI数据预处理方法。我们尽量减少所需的输入，以防止手动错误，并在日志文件中记录处理参数。这两个功能有助于数据预处理、质量控制和管理的应用。iDIO的源代码和文档可以在https://github.com/iDIO4dMRI/iDIO上公开获取。
