摘要

基于體素的形態(tài)學(xué)測量分析(VBM)通常用于灰質(zhì)體積(GMV)的局部量化。目前存在多種實(shí)現(xiàn)VBM的方法。然而，如何比較這些方法及其在應(yīng)用中的效用(例如對年齡效應(yīng)的估計(jì))仍不清楚。這會使研究人員疑惑他們應(yīng)該在其項(xiàng)目中使用哪種VBM工具包。本研究以用戶為中心，利用三個(gè)大型數(shù)據(jù)集(每個(gè)數(shù)據(jù)集n＞500)，系統(tǒng)地比較了五種VBM工具包，以及與通用模板或特定研究模板的配準(zhǔn)。考慮到年齡效應(yīng)對GMV的影響，本研究首先比較了這些工具包在個(gè)體水平上的年齡預(yù)測能力，發(fā)現(xiàn)結(jié)果存在顯著差異。為了檢查這些結(jié)果是否源于管道之間的系統(tǒng)差異，本研究根據(jù)GMV對它們進(jìn)行分類，從而獲得了近乎完美的準(zhǔn)確性。為了獲得更深入的見解，使用工具包之間的區(qū)域相似性檢查了不同VBM步驟的影響。結(jié)果顯示出明顯的差異，這主要是由分割和配準(zhǔn)步驟驅(qū)動的。本研究觀察到受試者識別準(zhǔn)確性存在很大差異，凸顯了個(gè)體水平上GMV量化的工具包差異。作為一個(gè)具有生物學(xué)意義的標(biāo)準(zhǔn)，本研究將區(qū)域GMV與年齡相關(guān)聯(lián)。結(jié)果與年齡預(yù)測分析一致，CAT和將fMRIPrep用于組織表征與FSL用于配準(zhǔn)的組合更好地反映了年齡信息。

前言

對大腦結(jié)構(gòu)的分析為了解其在健康和疾病中的組織提供了重要的見解。使用磁共振成像(MRI)獲得的T1加權(quán)(T1w)圖像通常用于此目的。然而，原始T1w圖像由于其半定量性質(zhì)以及被試間和被試內(nèi)的變異性而無法直接比較。使用基于體素的形態(tài)學(xué)測量(VBM)對T1w圖像進(jìn)行體積分析，可以研究不同被試腦組織的體積組成。它估計(jì)每個(gè)體素中的組織體積，并將個(gè)體大腦置于一個(gè)共同參考空間中進(jìn)行比較。VBM分析已經(jīng)為諸如神經(jīng)退行性疾病和精神障礙等領(lǐng)域提供了大量有價(jià)值的見解。VBM現(xiàn)已成功應(yīng)用于衰老研究。最近，基于VBM的個(gè)體年齡預(yù)測已被證明是大腦完整性和整體健康狀況的一種有效指標(biāo)，并且具有個(gè)性化臨床應(yīng)用前景。大腦年齡預(yù)測是一個(gè)重要且廣泛研究的主題，旨在估計(jì)健康大腦衰老的軌跡。

為了從T1w圖像估計(jì)GVM，必須執(zhí)行一些特定的步驟。VBM流程的主要步驟如下：(i)分割生成概率圖，即每個(gè)體素被分配給特定腦組織(通常是灰質(zhì)(GM)、白質(zhì)(WM)和腦脊液(CSF))的概率。腦提取是從圖像中去除顱骨并僅留下實(shí)際腦組織和CSF的過程，也是一個(gè)分割過程，但在某些情況下會在GM、WM和CSF分割之前執(zhí)行。(ii)對參考腦空間進(jìn)行空間配準(zhǔn)/標(biāo)準(zhǔn)化，以使解剖區(qū)域?qū)R。參考空間可以是通用模板(例如，MNI-152)或特定研究/數(shù)據(jù)模板(以下稱為數(shù)據(jù)模板)。數(shù)據(jù)模板主要用于將健康被試與患者進(jìn)行比較，以避免因健康人群構(gòu)建的通用模板而產(chǎn)生偏差。目前存在多種創(chuàng)建數(shù)據(jù)模板的方法，并且通常是為了匹配標(biāo)準(zhǔn)空間(如MNI空間)。大多數(shù)VBM工具包都會附帶一個(gè)通用模板。(iii)標(biāo)準(zhǔn)化組織估計(jì)的調(diào)整旨在保留空間配準(zhǔn)后的原始組織量。為此，標(biāo)準(zhǔn)化圖像會根據(jù)局部體積變化量進(jìn)行調(diào)整。

自1995年引入VBM以來，已經(jīng)針對每個(gè)步驟提出了多種方法和多種選項(xiàng)。盡管各種VBM工具包使用相同的步驟，但步驟的順序可能會有所不同，并且每個(gè)步驟可能使用具有多個(gè)可配置選項(xiàng)的不同算法。此外，工具包可以以不同的順序使用這些步驟，或者同時(shí)和/或迭代地執(zhí)行其中一些步驟。甚至還可以通過組合來自不同工具的步驟來創(chuàng)建混合工具包。即使用戶選擇了現(xiàn)成的VBM工具包，也不能完全免除進(jìn)一步的選擇。如何比較VBM工具包的輸出及其在不同應(yīng)用中的效用仍未得到充分的研究，這就有可能會導(dǎo)致次優(yōu)選擇。

先前比較VBM工具包的工作確實(shí)提供了工具包之間存在差異的證據(jù)。一項(xiàng)對計(jì)算解剖工具箱(CAT， v12.7)、兩個(gè)基于FSL和一個(gè)混合(仍然依賴于FSL)工具包的全面比較表明，預(yù)處理管道的選擇對年齡預(yù)測和性別分類都有影響。該研究還表明，選擇組織概率圖(TPM)作為分割先驗(yàn)會系統(tǒng)地影響分割結(jié)果，進(jìn)而影響統(tǒng)計(jì)估計(jì)。與VBM8工具包相比，CAT12 VBM工具包在檢測顳葉癲癇的體積變化方面表現(xiàn)更好。此外，一些研究調(diào)查了各個(gè)VBM步驟及其參數(shù)化的影響。對用于配準(zhǔn)的14種變形算法進(jìn)行比較發(fā)現(xiàn)，ANTs標(biāo)準(zhǔn)化工具和DARTEL (CAT)的SyN是性能最佳的算法之一，其中SyN在被試間具有最高一致性，并且對噪聲、部分容積效應(yīng)和磁場不均勻性等因素具有較好的魯棒性。SPM、ANTs和FSL的分割算法在對照組中的差異相對較小，但在與萎縮大腦進(jìn)行比較時(shí)出現(xiàn)顯著差異，這表明應(yīng)根據(jù)研究人群的大腦特征選擇分割算法。對于大腦提取，雖然有研究認(rèn)為FSL-BET性能較低，但它并不影響后續(xù)的分割。SPM12、SPM8和FreeSurfer5.3的比較顯示，SPM12對顱內(nèi)總體積(TIV)的估計(jì)更接近于手動分割。在自閉癥譜系障礙和典型發(fā)育對照中，基于SPM的估計(jì)在TIV方面最接近手動分割，其次是FreeSurfer，而FSL似乎低估了TIV的值。

總而言之，不同的VBM工具包會產(chǎn)生不同的結(jié)果。VBM工具包的差異阻礙了下游分析中組織體積的精確定位和有效解釋，例如多發(fā)性硬化癥患者的萎縮。迄今為止，還沒有計(jì)算GMV的標(biāo)準(zhǔn)方法，也沒有適用于當(dāng)前研究(例如年齡預(yù)測)的VBM實(shí)施指南。此外，在VBM估計(jì)腦灰質(zhì)體積的每個(gè)步驟中，不同算法和參數(shù)的相互作用及其對整個(gè)成年期年齡估計(jì)的影響尚未得到徹底研究。而且，從健康被試創(chuàng)建的數(shù)據(jù)模板的實(shí)用性以及與通用模板的比較，特別是在跨站點(diǎn)研究中，仍然沒有答案。為此，本研究致力于解決以下問題：

這些工具包在腦區(qū)和被試水平上有何不同？

大腦提取、分割和配準(zhǔn)對GMV有何影響？

與通用模板相比，使用數(shù)據(jù)模板的效果如何？

單變量和多變量分析中的工具包結(jié)果如何比較？

哪種工具包能更好地反映大腦衰老，并在大腦年齡預(yù)測中表現(xiàn)最佳？

通過對VBM工具包進(jìn)行全面、系統(tǒng)的比較分析，本研究旨在為研究人員提供必要的信息和建議，幫助他們選擇最符合其研究目標(biāo)的VBM工具包。

材料和方法

數(shù)據(jù)集

本研究分析了健康個(gè)體的T1w圖像，數(shù)據(jù)來自三個(gè)大型數(shù)據(jù)集。eNKI：n=953名受試者，其中573名受試者在掃描時(shí)無精神、神經(jīng)系統(tǒng)疾病或用藥史(48.1±17.2歲，630名女性)。CamCAN：n=634名無嚴(yán)重精神疾病或認(rèn)知障礙的老年人(54.8±18.4歲，320名女性)。IXI：n=582名正常和健康受試者(49.4±16.7歲，324名女性)的多站點(diǎn)樣本。

工具包

CAT是一個(gè)廣泛使用的現(xiàn)成VBM工具，本研究使用了最新版本的CAT12.8(r1813)。一些通用的神經(jīng)成像工具也提供了創(chuàng)建VBM工具包的功能。FSLVBM使用來自FSL的工具，該工具目前也被廣泛使用。ANTs提供了廣泛的圖像處理和圖像分析功能，包括執(zhí)行VBM所需的所有功能。可以構(gòu)建結(jié)合不同工具功能的混合VBM工具包，例如fMRIPrep，它使用ANTs執(zhí)行大腦提取，然后使用FSL執(zhí)行其余的步驟。

本研究按照文獻(xiàn)中推薦的步驟和設(shè)置設(shè)計(jì)了五個(gè)VBM工具包：ANTs、ANTs-FSL、fMRIPrep-FSL、FSLVBM和CAT。選擇這些工具包是為了反映常見且易于使用的做法。將每個(gè)工具包與標(biāo)準(zhǔn)模板(CAT和FSLVBM的默認(rèn)模板)一起使用，無論數(shù)據(jù)集如何(通用模板)，以及創(chuàng)建并用于配準(zhǔn)的數(shù)據(jù)集特定模板(數(shù)據(jù)模板)。這總共產(chǎn)生了十種工具包。

ANTs：本研究使用了ANTs 2.2.0版本。首先，對每個(gè)掃描圖像進(jìn)行N4偏置場校正，然后使用基于Atropos的腦提取來選擇顱內(nèi)組織。接下來，應(yīng)用K-means初始化的Atropos分割將圖像分割成GM、WM和CSF。使用一系列轉(zhuǎn)換將GM-map圖像配準(zhǔn)到模板。其次，應(yīng)用剛體和仿射變換，然后再進(jìn)行非線性BsplineSyN變換，參數(shù)設(shè)置如Tustison和Avants(2013)所示。利用空間變換的Jacobian矩陣來調(diào)整分割后的GM。數(shù)據(jù)特定模板是使用具有默認(rèn)值的ANTs創(chuàng)建的。為了創(chuàng)建模板圖像，對變換進(jìn)行平均和迭代。為使模板形狀在多次迭代中保持穩(wěn)定，本研究計(jì)算了平均逆變換并將其應(yīng)用于模板圖像。為了便于分析，數(shù)據(jù)模板過程使用通用的MNI模板進(jìn)行初始化。因此，最終的數(shù)據(jù)模板也是在MNI空間中。對于所有需要組織掩模和模板以及配準(zhǔn)到MNI的過程，本研究使用了ICBM 152非線性非對稱模板2009a版本和相應(yīng)的組織概率圖。

FSLVBM：本研究使用FSL 6.0版本。首先，通過自動重新定向和裁剪頸部、下顱部分來準(zhǔn)備圖像。然后，利用BET提取大腦顱內(nèi)部分，利用FAST將其分割為GM、WM和CSF。數(shù)據(jù)特定模板是根據(jù)FSLVBM的流程使用給定數(shù)據(jù)集中的所有GM圖像創(chuàng)建的。將分割后的GM圖像與ICBM-152 GM模板進(jìn)行仿射配準(zhǔn)、拼接和平均。將平均后的圖像沿x軸翻轉(zhuǎn)，然后將兩個(gè)鏡像圖像重新平均以獲得首輪、研究特定的仿射GM模板。其次，GM圖像通過非線性配準(zhǔn)重新配準(zhǔn)到該放射GM模板上，然后進(jìn)行平均并沿x軸翻轉(zhuǎn)。然后對兩個(gè)鏡像進(jìn)行平均，以創(chuàng)建最終的對稱的、研究特定的、非線性GM模板。生成的數(shù)據(jù)模板位于MNI空間中。然后將GM圖像非線性配準(zhǔn)到模板(通用模板或特定數(shù)據(jù)模板)并進(jìn)行調(diào)整。對于通用模板，本研究使用FSL提供的模板(見表1)。

fMRIPrep-FSL：據(jù)報(bào)道，BET在腦提取方面的質(zhì)量較差可能會導(dǎo)致虛假的結(jié)果；因此，本研究決定測試一個(gè)工具包，該工具包使用ANTs提供的更好的腦提取，然后使用FSL進(jìn)行其余的VBM處理步驟。由于fMRIPrep已經(jīng)得到很好的驗(yàn)證并且越來越受歡迎，本研究選擇使用fMRIPrep結(jié)構(gòu)處理的輸出結(jié)果。在這個(gè)用于圖像準(zhǔn)備和分割的混合工具包中，本研究使用了fMRIPrep穩(wěn)定版本20.0.6，它是基于ANTs版本2.1.0。使用N4BiasFieldCorrection對每個(gè)T1w體積進(jìn)行強(qiáng)度不均勻性(INU)校正，并使用“antsBrainExtraction.sh”(使用OASIS模板)進(jìn)行顱骨剝離。然后使用FSL FAST(與fMRIPrep FSL v5.0.9相同)將腦組織分割為CSF、WM和GM。這個(gè)FAST的參數(shù)與FSLVBM中的參數(shù)有所不同：(i)主分割階段的馬爾可夫隨機(jī)場(MRF)beta值為H=0.2，而FSLVBM中的默認(rèn)值為0.1；(ii)mixeltype的MRF beta值為R=0.2，而FSLVBM中的默認(rèn)值為0.3。模板創(chuàng)建、空間標(biāo)準(zhǔn)化以及調(diào)整與FSLVBM工具包相同。

ANTs-FSL：使用與上述ANTs工具包完全相同的處理過程來準(zhǔn)備圖像、校正偏置場噪聲、執(zhí)行大腦提取，最后使用ANTs的Atropos執(zhí)行組織分割。數(shù)據(jù)特定模板的創(chuàng)建、配準(zhǔn)和調(diào)整與FSLVBM工具包相同。需要注意的是，該工具包與fMRIPrep-FSL之間的區(qū)別在于所使用的組織分割工具不同。

CAT：CAT12.8基于MATLAB (R2017b) 的統(tǒng)計(jì)分析SPM12 (v7771)，并在Singularity (2.6.1)中進(jìn)行容器化編譯。CAT提供了一個(gè)完整的VBM工具包，包括使用空間自適應(yīng)非局部均值進(jìn)行去噪、偏差校正、顱骨剝離以及線性和非線性空間配準(zhǔn)。通過具有部分體積模型的自適應(yīng)最大后驗(yàn)方法來分割圖像。對于非線性變換，采用geodesic shooting算法。默認(rèn)模板提供了轉(zhuǎn)換為MNI152NLin2009cAsym(基于IXI)的模板。對于數(shù)據(jù)模板，首先將所有結(jié)構(gòu)T1圖像分割為GM、WM和CSF，并使用仿射配準(zhǔn)與MNI標(biāo)準(zhǔn)模板進(jìn)行空間配準(zhǔn)。利用仿射組織片段創(chuàng)建新的特定樣本的geodesic shooting模板，該模板包含四個(gè)迭代的非線性歸一化步驟。

分割方案及質(zhì)量控制

為了降低數(shù)據(jù)的維度，從而便于信息比較和機(jī)器學(xué)習(xí)方法的使用，本研究提取了區(qū)域水平的均值。然而，為了保持良好的空間分辨率，本研究選擇了一個(gè)高粒度的分割方案。使用了覆蓋整個(gè)大腦的三個(gè)圖譜的組合，共計(jì)1073個(gè)感興趣區(qū)域(ROI)：包含來自Schaefer圖譜的1000個(gè)皮層區(qū)域、Brainnetome圖譜的36個(gè)亞皮層區(qū)域和37個(gè)小腦區(qū)域。區(qū)域GMV值計(jì)算為每個(gè)區(qū)域內(nèi)非零體素的平均值。

年齡預(yù)測

以每個(gè)工具包的區(qū)域GMV為特征進(jìn)行基于機(jī)器學(xué)習(xí)的分析，從而預(yù)測每個(gè)受試者的年齡?？紤]到年齡與GMV具有可靠相關(guān)，并且大腦年齡作為整體大腦健康指標(biāo)的重要性日益增加，本研究選此作為測試。通過以交叉驗(yàn)證(CV)一致的方式去除均值并縮放至單位方差，對所有特征進(jìn)行標(biāo)準(zhǔn)化。本研究使用了四種機(jī)器學(xué)習(xí)算法：相關(guān)向量回歸(RVR)、高斯過程回歸(GPR)、最小絕對收縮和選擇算子(LASSO)和核嶺回歸(KRR)，在嵌套的5折CV方案中重復(fù)5次。使用平均絕對誤差(MAE)評估年齡預(yù)測性能。為了確保差異不是由工具包以外的因素驅(qū)動的，本研究對每個(gè)工具包使用相同的數(shù)據(jù)和模型進(jìn)行評估。評估分兩種設(shè)置進(jìn)行：數(shù)據(jù)集內(nèi)和數(shù)據(jù)集間。在數(shù)據(jù)集間評估中，使用兩個(gè)數(shù)據(jù)集訓(xùn)練模型，然后用于預(yù)測第三個(gè)數(shù)據(jù)集。

個(gè)體水平的識別

本研究檢測了不同工具包處理下GMV模式的被試內(nèi)一致性。為此，研究者使用最近鄰搜索來識別不同工具包中的被試。使用每個(gè)工具包作為參考，將每個(gè)被試與其他工具包(數(shù)據(jù)庫)的所有被試進(jìn)行匹配。識別指標(biāo)采用兩個(gè)被試區(qū)域GMV之間的Pearson相關(guān)性。每個(gè)被試都與另一個(gè)工具包中相關(guān)系數(shù)最高的被試進(jìn)行匹配。使用差異可識別性(Idiff)指標(biāo)計(jì)算兩個(gè)工具包之間的識別性能。

區(qū)域?qū)用娴谋容^

為了更好地了解導(dǎo)致工具包之間差異的區(qū)域，本研究使用單變量統(tǒng)計(jì)分析評估了不同工具包之間區(qū)域GMV估計(jì)的相似性。這些分析是針對所有合并數(shù)據(jù)集的被試進(jìn)行的，同時(shí)也對每個(gè)數(shù)據(jù)集單獨(dú)進(jìn)行分析。使用所有可能工具包對(總共45個(gè))的Pearson相關(guān)系數(shù)來估計(jì)被試之間區(qū)域GMV的相似性。為了研究分區(qū)大小是否影響區(qū)域相似性，本研究計(jì)算了每個(gè)ROI在工具包對之間相關(guān)系數(shù)的中值，并將其與每個(gè)區(qū)域的體素?cái)?shù)量進(jìn)行相關(guān)分析。對于Pearson r值的所有算術(shù)運(yùn)算，首先應(yīng)用Fisher’z變換，然后將結(jié)果轉(zhuǎn)換回Pearson r值。

工具包之間相似性的外部評估

上述工具包比較本質(zhì)上是內(nèi)在的。雖然它們提供了有關(guān)工具包之間差異的重要信息，但并沒有提供有關(guān)工具包在估計(jì)GMV時(shí)的準(zhǔn)確性信息。由于缺乏真值數(shù)據(jù)，目前無法進(jìn)行這樣的準(zhǔn)確性評估。相反，本研究根據(jù)工具包在捕獲年齡相關(guān)信息方面的效用來比較它們。首先使用單變量統(tǒng)計(jì)分析測試了每個(gè)工具包的區(qū)域GMV估計(jì)值在多大程度上反映了被試的年齡。為此，本研究分別計(jì)算了每個(gè)工具包的區(qū)域GMV和被試年齡之間的Pearson r值。為了控制多重比較引起的FWER，再次對所有合并數(shù)據(jù)以及每個(gè)工具包的數(shù)據(jù)進(jìn)行了比較，對所得相關(guān)系數(shù)的p值進(jìn)行了校正。然后進(jìn)行方差分析(ANOVA)，以檢驗(yàn)相關(guān)系數(shù)的均值是否存在顯著差異。使用scikit-learn進(jìn)行基于機(jī)器學(xué)習(xí)的分析。

結(jié)果

預(yù)處理和數(shù)據(jù)模板

在CAT和fMRIPrep的預(yù)處理結(jié)果中，不到0.4%的被試數(shù)據(jù)未通過質(zhì)量控制(QC)。對于CAT，所有結(jié)果都通過了質(zhì)量檢查。對于FSLVBM，不到2%的被試未通過QC。對于fMRIPrep-FSL，未通過QC的被試比FSLVBM略少。有相當(dāng)多的被試未通過ANTs分割(eNKI為13%，CamCAN為5%，IXI為12%)。ANTs-FSL混合工具包的QC結(jié)果與ANTs相似。最終符合進(jìn)一步分析要求的被試人數(shù)為：eNKI=741人，CamCAN=593人，IXI=418人(總計(jì)n=1752)。與FSLVBM創(chuàng)建的數(shù)據(jù)模板相比，CAT和ANTs創(chuàng)建的數(shù)據(jù)模板更清晰且更類似于通用模板。

VBM工具包產(chǎn)生不同的結(jié)果

腦齡預(yù)測

首先使用四種機(jī)器學(xué)習(xí)算法，以區(qū)域GMV作為特征，對實(shí)際年齡進(jìn)行個(gè)體層面的預(yù)測(圖1)。數(shù)據(jù)集內(nèi)CV性能在不同管道之間存在很大差異(圖1(a))。在各種學(xué)習(xí)算法和數(shù)據(jù)集上，fMRIPrep-FSL通用模板(MAE=5.83)的平均性能最高，其次是FSLVBM通用模板(MAE=6.17)和fMRIPrepFSL數(shù)據(jù)模板(MAE=6.18)。使用數(shù)據(jù)模板和通用模板時(shí)，CAT表現(xiàn)出相似的性能，分別為MAE=6.37和6.39?；贙RR的fMRIPrep-FSL通用模板實(shí)現(xiàn)了跨數(shù)據(jù)集的最佳平均性能(MAE=5.59)。ANTs的平均性能最差。四種學(xué)習(xí)算法在每個(gè)工具包上的性能大致相似。

對于跨數(shù)據(jù)集的預(yù)測結(jié)果(圖1(b))，fMRIPrep-FSL工具包再次實(shí)現(xiàn)了跨數(shù)據(jù)集和模型的最佳平均性能，其中數(shù)據(jù)模板(MAE=6.21)的性能略優(yōu)于通用模板(MAE=6.26)，其次是CAT通用模板(MAE=6.45)。在這里，KRR算法再次提供了最佳的總體預(yù)測。對于fMRIPrep-FSL數(shù)據(jù)模板和通用模板，MAE分別為6.06和6.13。對于CAT，通用模板和數(shù)據(jù)模板的MAE=6.32和6.42。ANTs-FSL的GMV平均性能最差。

機(jī)器學(xué)習(xí)分析證實(shí)了不同的GMV模式

機(jī)器學(xué)習(xí)方法對工具包進(jìn)行分類的精度接近100%。為了排除這種高精度是由于系統(tǒng)性差異(即某些工具包高估或低估了總體GMV)驅(qū)動的可能性，本研究進(jìn)行了一項(xiàng)額外的分析，其中每個(gè)被試的特征向量均獨(dú)立地進(jìn)行z評分，從而有效地消除了GMV估計(jì)的總體差異。該分析還使所有數(shù)據(jù)集的分類精度都很高，接近100%。

個(gè)體水平的識別差異

僅模板不同的工具包顯示出高差異可識別性43＞Idiff＞29。采用數(shù)據(jù)模板的fMRIPrep-FSL和FSLVBM具有最高的Idiff=45，其次是兩個(gè)ANTs工具包(Idiff=43)。兩個(gè)CAT工具包的平均Idiff值最低，其中數(shù)據(jù)模板工具包的值最低。使用數(shù)據(jù)模板的FSLVBM具有最高的平均Idiff。使用通用模板的FSL進(jìn)行配準(zhǔn)和調(diào)制的工具包，其平均Idiff=33.7。使用數(shù)據(jù)模板的相同工具包顯示平均Idiff=37.7。當(dāng)ANTs-FSL和fMRIPrep-FSL都使用通用模板時(shí)，Idiff=35，當(dāng)使用數(shù)據(jù)模板時(shí)，Idiff=34。最后，ANTs和ANTs-FSL在配準(zhǔn)(和調(diào)制)方面存在差異，當(dāng)兩者都使用通用模板時(shí)，Idiff=29；當(dāng)兩者都使用數(shù)據(jù)模板時(shí)，Idiff=30(圖2)。

單變量分析和區(qū)域相似性

為了更好地了解哪些VBM步驟對GMV估計(jì)值的差異產(chǎn)生了更大的影響，以及識別出顯示顯著差異的區(qū)域，本研究進(jìn)行了多項(xiàng)單變量統(tǒng)計(jì)分析。有些工具包僅在一個(gè)步驟上存在差異；因此，通過檢查它們之間的相似性，可以得出有關(guān)此特定VBM步驟影響的深刻結(jié)論。本研究觀察到，基于成對相關(guān)值的中值，工具包之間的總體一致性在各個(gè)區(qū)域中有所不同，而大多數(shù)區(qū)域顯示出低到中等的一致性(圖3)。只有靠近扣帶回、顳葉和梭狀區(qū)的區(qū)域在整個(gè)工具包之間顯示出相對較高的一致性(中值r＞0.6)。大多數(shù)皮層下區(qū)域表現(xiàn)出低一致性(中值r＜0.4)，尾狀核除外(中值r＞0.6)。在小腦中，所有區(qū)域的中值r＜0.6。總體而言，這些結(jié)果表明工具包之間的一致性較低。

工具包對之間的區(qū)域相似性存在較大差異。當(dāng)忽略僅在模板上不同的工具包對時(shí)，觀察到fMRIPrep和FSLVBM在使用特定數(shù)據(jù)模板時(shí)具有最大相似性(平均r=0.76)，而使用通用模板的ANTs-FSL和使用兩種模板的CAT之間的相似性最低(平均r=0.306）。

ANTs與CAT的比較

盡管步驟、步驟順序和每個(gè)步驟的算法存在差異，但CAT和ANTs工具包之間觀察到高度相似性。當(dāng)使用通用模板時(shí)，觀察到的相似性最高(r=0.72)，ANTs數(shù)據(jù)模板和CAT通用模板之間的r=0.66。當(dāng)兩個(gè)工具包都使用數(shù)據(jù)模板時(shí)，以及在ANTs通用模板和CAT數(shù)據(jù)模板之間，相似性略低(r=0.65)。

配準(zhǔn)、分割和腦提取的效果

在隨后的分析中，本研究比較了在特定VBM步驟上存在差異的工具包，以評估其具體影響。ANTs和ANTs-FSL之間的區(qū)域相似性僅在使用通用模板的配準(zhǔn)(以及調(diào)制)方面有所不同，為中等偏低，平均r=0.51。當(dāng)使用數(shù)據(jù)特定模板時(shí)，所有數(shù)據(jù)的相似性較高(0.58)，而且三個(gè)數(shù)據(jù)集的相似性也較高(圖4 a(i))。ANTs-FSL和fMRIPrep-FSL除分割外，步驟相同。當(dāng)使用通用模板時(shí)，平均區(qū)域相似性為0.67，而對于數(shù)據(jù)特定模板，相應(yīng)值為0.68(圖4?a(ii))。FSLVBM和fMRIPrep-FSL的不同之處在于大腦提取步驟。當(dāng)兩個(gè)工具包都使用默認(rèn)的FSL模板時(shí)，它們的相似性為0.67。當(dāng)使用各自的數(shù)據(jù)特定模板進(jìn)行配準(zhǔn)時(shí)，相似性增加到0.76（圖4?a(iii)）。

總體來說，使用數(shù)據(jù)模板時(shí)相似性更高。與ANTs-FSL相比，ANTs在皮層下區(qū)域的相似性值最高，而在腹外側(cè)和背外側(cè)前額葉皮層的相似性值最低，特別是在使用通用模板時(shí)(圖4b(i))。ANTs-FSL和fMRIPrep-FSL在皮層下區(qū)域、枕葉和前額葉皮層中的相似性最小(圖4b(ii))。最后，F(xiàn)SLVBM和fMRIPrep-FSL在皮層下區(qū)域的相似性值最低，在顳葉、內(nèi)側(cè)前額葉皮層和扣帶回中的相似性值最高(圖4b(iii))。

具有相同配準(zhǔn)的工具包

ANTs-FSL和FSLVBM這兩個(gè)工具包僅在配準(zhǔn)步驟上相同，當(dāng)使用FSL默認(rèn)模板或數(shù)據(jù)特定模板時(shí)，所有數(shù)據(jù)的相似性為0.59。兩個(gè)模板在eNKI數(shù)據(jù)集上的相似性為0.65；對于CamCAN數(shù)據(jù)集，通用模板和數(shù)據(jù)模板的相似性分別為0.60和0.63，IXI數(shù)據(jù)集的相似性分別為0.56和0.58。

通用模板與數(shù)據(jù)特定模板

模板不同的工具包(即通用模板或數(shù)據(jù)模板)顯示出不同程度的相似性(表2)。在所有三個(gè)數(shù)據(jù)集中，相似性最高的是CAT(r＞0.9)，其次是ANTs(r＞0.86)。使用FSL進(jìn)行配準(zhǔn)和模板創(chuàng)建步驟的三個(gè)工具包(ANTs-FSL、FSLVBM和fMRIPrep-FSL)，相似性為較低至中等。具體來說，ANTs-FSL、fMRIPrep-FSL和FSLVBM在這三個(gè)數(shù)據(jù)集上的平均相似性分別為r=0.71，r=0.66和r=0.59。單因素分析與Idiff識別結(jié)果一致。Idiff值與工具包對的區(qū)域相似性之間的Pearson相關(guān)系數(shù)較高，r=0.841，p＜0.05。

與年齡的關(guān)聯(lián)

年齡與區(qū)域GMV的相關(guān)性

本研究進(jìn)行了單變量分析來評估區(qū)域GMVs如何捕獲與年齡相關(guān)的信息。無論使用何種模板，CAT在所有數(shù)據(jù)集上的區(qū)域GMV與年齡之間的平均相關(guān)性最高，其次是使用通用模板的fMRIPrep-FSL。對于CAT而言，通用模板和數(shù)據(jù)特定模板的平均相關(guān)性分別為r=-0.410和-0.406(表3)。CAT和ANTs的區(qū)域 GMV-年齡相關(guān)值分布較窄，而使用FSL的工具包分布較寬(圖5(a))?？傮w而言，不同工具包之間的區(qū)域GMV-年齡相關(guān)性存在顯著差異(圖5)。單因素方差分析顯示，所有數(shù)據(jù)集中至少有兩個(gè)工具包之間的區(qū)域GMV-年齡的平均r系數(shù)存在顯著差異。

不同工具包的區(qū)域-年齡信息比較

區(qū)域GMV-年齡相關(guān)值不僅存在差異，而且還呈現(xiàn)相反的效應(yīng)(圖6)。即，有些區(qū)域在一個(gè)工具包中與年齡呈正相關(guān)，但在另一個(gè)工具包中與年齡呈負(fù)相關(guān)。尤其是FSLVBM和ANTs-FSL，這兩個(gè)工具包中存在許多與年齡呈正相關(guān)的區(qū)域。當(dāng)使用不同的模板時(shí)，相同的兩個(gè)工具包也顯示出大量與年齡呈反相關(guān)的區(qū)域。

當(dāng)使用所有數(shù)據(jù)時(shí)(無論使用哪種模板)，CAT的ROIs(n_rois=6)均與年齡呈正相關(guān)。fMRIPrep-FSL使用通用模板的n_rois=27，使用數(shù)據(jù)模板時(shí)的n_rois=22，而ANTs在兩種模板下的n_rois=56。當(dāng)使用通用模板時(shí)，ANTs-FSL和FSLVBM分別有218和280個(gè)區(qū)域與年齡呈正相關(guān)，而當(dāng)使用數(shù)據(jù)模板時(shí)，分別有184和226個(gè)區(qū)域與年齡呈正相關(guān)。在所有工具包中，丘腦的兩個(gè)區(qū)域與年齡呈正相關(guān)。總體而言，所有工具包與年齡呈正相關(guān)的區(qū)域大多位于皮質(zhì)下(見圖6)。

結(jié)論

綜上所示，本研究結(jié)果表明，VBM工具包的所有步驟對GMV估計(jì)都有相當(dāng)大的影響，因此，不同的工具包會產(chǎn)生不同的結(jié)果。這些GMV估計(jì)的差異在單變量和多變量分析中都有所體現(xiàn)。配準(zhǔn)的選擇對結(jié)果影響最大，其次是分割和腦提取算法。對于年齡預(yù)測這一特定情況，本研究建議使用ANTs進(jìn)行腦提取和FSL進(jìn)行分割(在fMRIPrep中實(shí)現(xiàn))，以及結(jié)合FSL非線性配準(zhǔn)或CAT 12.8，后者的優(yōu)勢是可以作為現(xiàn)成的工具包使用。對于年齡相關(guān)研究和可能具有類似設(shè)置的其他研究，特別是在分析來自多個(gè)數(shù)據(jù)集的掃描時(shí)，首選使用通用模板。

參考文獻(xiàn)：G. Antonopoulos, S. More, F. Raimondo et al., A systematic comparison?of VBM pipelines and their application to age prediction. NeuroImage (2023), doi:?https://doi.org/10.1016/j.neuroimage.2023.120292.

小伙伴們關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～