導(dǎo)讀

如何分析fMRI數(shù)據(jù)取決于研究人員和所使用的工具箱。為每個(gè)新數(shù)據(jù)集重寫處理管道的情況并不少見(jiàn)。因此，代碼透明度、質(zhì)量控制和客觀分析管道對(duì)于提高神經(jīng)影像研究的可重復(fù)性非常重要。Nipype和fMRIPrep等工具箱的廣泛使用已經(jīng)證明了研究人員對(duì)自動(dòng)化預(yù)處理分析管道的需求和興趣。數(shù)據(jù)驅(qū)動(dòng)模型與高分辨率神經(jīng)成像數(shù)據(jù)集相結(jié)合的最新發(fā)展不僅加強(qiáng)了對(duì)標(biāo)準(zhǔn)化預(yù)處理流程的需求，也加強(qiáng)了對(duì)可靠且可比較的統(tǒng)計(jì)管道的需求。本研究介紹了fMRIflows：一個(gè)用于fMRI分析的全自動(dòng)神經(jīng)成像管道，該管道執(zhí)行標(biāo)準(zhǔn)的預(yù)處理，以及一級(jí)與二級(jí)單變量和多變量分析。除了標(biāo)準(zhǔn)化的預(yù)處理管道外，fMRIflows還提供靈活的時(shí)間和空間濾波，以適應(yīng)時(shí)間分辨率越來(lái)越高的數(shù)據(jù)集，并幫助為高級(jí)機(jī)器學(xué)習(xí)分析適當(dāng)準(zhǔn)備數(shù)據(jù)，從而提高信號(hào)解碼的準(zhǔn)確性和可靠性。本文首先介紹了fMRIflows的結(jié)構(gòu)和功能，然后解釋了其基礎(chǔ)架構(gòu)和訪問(wèn)方式，最后通過(guò)將其與其他神經(jīng)成像處理管道（如fMRIPrep、FSL和SPM）進(jìn)行比較來(lái)驗(yàn)證該工具箱。該驗(yàn)證是在三個(gè)不同時(shí)間采樣和采集參數(shù)的數(shù)據(jù)集上進(jìn)行的，以證明其靈活性和魯棒性。fMRIflows是一個(gè)全自動(dòng)的fMRI處理管道，獨(dú)特地提供了單變量和多變量的單被試和組分析以及預(yù)處理。

前言

功能性磁共振成像（fMRI）是一種成熟的神經(jīng)成像方法，用于分析激活模式以了解大腦功能。完整的fMRI分析包括對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)分析和推斷，通常分為一級(jí)分析(被試內(nèi)的統(tǒng)計(jì)分析)和二級(jí)分析(被試間的組分析)。預(yù)處理的目標(biāo)是識(shí)別和去除干擾源，測(cè)量混淆因素，應(yīng)用時(shí)間和空間濾波器，并在空間上重新對(duì)齊和歸一化圖像以使其在空間上保持一致。良好的預(yù)處理管道應(yīng)該提高數(shù)據(jù)的信噪比(SNR)，確保推斷的有效性和結(jié)果的可解釋性，減少統(tǒng)計(jì)分析中的假陽(yáng)性和假陰性錯(cuò)誤，從而提高統(tǒng)計(jì)功效。

盡管不適當(dāng)?shù)念A(yù)處理和統(tǒng)計(jì)推斷的后果有據(jù)可查，但大多數(shù)fMRI分析管道仍然是由研究人員根據(jù)每個(gè)新數(shù)據(jù)集主觀定制的。這種用法可以解釋為：大多數(shù)研究人員，由于習(xí)慣或缺乏時(shí)間，因而堅(jiān)持使用手頭的神經(jīng)成像軟件，或者重用、修改來(lái)自同事和以前項(xiàng)目的腳本和代碼片段，并沒(méi)有總是使他們的處理流程適應(yīng)神經(jīng)成像處理的最新標(biāo)準(zhǔn)。重散列處理管道與一些問(wèn)題有關(guān)，如代碼中持續(xù)存在的bug，以及單個(gè)分析步驟到最新標(biāo)準(zhǔn)的更新延遲等問(wèn)題。這可能導(dǎo)致深遠(yuǎn)的后果。當(dāng)然，針對(duì)最新標(biāo)準(zhǔn)和軟件不斷更新管道也存在引入新錯(cuò)誤的風(fēng)險(xiǎn)，并可能導(dǎo)致盲目地信任新的未經(jīng)測(cè)試程序的陷阱。有關(guān)該問(wèn)題的解決方案需要代碼透明度、良好的質(zhì)量控制和共同開(kāi)發(fā)且經(jīng)過(guò)良好測(cè)試的客觀分析管道。近年來(lái)，神經(jīng)影像學(xué)領(lǐng)域朝著這個(gè)方向進(jìn)行了一些重要的改革。

首先，Nipype的引入使研究人員更容易在不同的神經(jīng)成像工具箱(如AFNI、ANT、FreeSurfer、FSL和SPM)之間切換。Nipype與Nibabel和Nilearn等其他軟件包一起為神經(jīng)成像社區(qū)打開(kāi)了整個(gè)Python生態(tài)系統(tǒng)。研究人員之間可以通過(guò)GitHub（https://github.com）等在線服務(wù)共享代碼，通過(guò)使用Docker（https://www.docker.com）或Singularity（https://www.sylabs.io）等集成軟件，整個(gè)神經(jīng)成像軟件生態(tài)系統(tǒng)可以在任何機(jī)器或服務(wù)器上運(yùn)行。結(jié)合持續(xù)集成系統(tǒng)，如CircleCI（https://circleci.com）或TravisCI（https://travis-ci.org），這允許創(chuàng)建易懂、透明、可共享和持續(xù)測(cè)試的開(kāi)源神經(jīng)成像處理管道。

其次，神經(jīng)成像領(lǐng)域的下一個(gè)重大進(jìn)展是引入了通用數(shù)據(jù)集標(biāo)準(zhǔn)，例如NIfTI標(biāo)準(zhǔn)（https://nifti.nimh.nih.gov/）。這對(duì)于神經(jīng)影像數(shù)據(jù)的格式化非常重要。神經(jīng)成像社區(qū)定義了用于存儲(chǔ)神經(jīng)影像數(shù)據(jù)集的標(biāo)準(zhǔn)格式，即所謂的腦成像數(shù)據(jù)結(jié)構(gòu)(BIDS)。通用的數(shù)據(jù)結(jié)構(gòu)格式有助于數(shù)據(jù)集的共享，并可以創(chuàng)建通用的神經(jīng)成像工具箱，這些工具箱可以在任何符合BIDS的數(shù)據(jù)集上開(kāi)箱即用。此外，通過(guò)OpenNeuro(一個(gè)免費(fèi)且開(kāi)源的神經(jīng)成像數(shù)據(jù)共享平臺(tái))等服務(wù)，人們可以在數(shù)百個(gè)不同的數(shù)據(jù)集上測(cè)試新的神經(jīng)成像工具箱的魯棒性和靈活性。

像MRIQC和fMRIPrep等軟件工具箱已經(jīng)展示了這種新的神經(jīng)成像生態(tài)系統(tǒng)的豐富成果，并強(qiáng)調(diào)了良好質(zhì)量控制和高質(zhì)量預(yù)處理工作流程的重要性和必要性，這些工作流程可以從不同的數(shù)據(jù)集獲得一致的結(jié)果。隨著數(shù)據(jù)驅(qū)動(dòng)分析領(lǐng)域從fMRI時(shí)間序列解碼大腦狀態(tài)的最新進(jìn)展，對(duì)可靠和可重復(fù)的fMRI數(shù)據(jù)統(tǒng)計(jì)分析的需求增加，這些數(shù)據(jù)是更先進(jìn)的機(jī)器學(xué)習(xí)方法的基礎(chǔ)輸入，如多體素模式分析(MVPA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)。在這里，本研究從fMRIPrep工作流程進(jìn)行構(gòu)建，將其擴(kuò)展為用于單變量和多變量的個(gè)體和組分析的全自動(dòng)化管道。

fMRIflows提供了靈活的時(shí)間和空間過(guò)濾，以說(shuō)明數(shù)據(jù)驅(qū)動(dòng)模型領(lǐng)域的兩項(xiàng)最新發(fā)現(xiàn)。首先，靈活的空間濾波對(duì)于執(zhí)行多變量分析是很重要的，因?yàn)橐延醒芯孔C明正確的空間帶通濾波可以提高信號(hào)解碼精度。其次，正確的時(shí)間濾波對(duì)于預(yù)處理過(guò)程是很重要的，并且可以提高SNR，特別是對(duì)于時(shí)間采樣率低于1秒的fMRI數(shù)據(jù)集，但前提是濾波器在預(yù)處理期間正交于其他濾波器，以確保先前去除的噪聲不會(huì)重新引入到數(shù)據(jù)中。由于通過(guò)GRAPPA等加速技術(shù)和同時(shí)多層/多波段采集記錄技術(shù)的改進(jìn)，從而使更快的采樣率成為可能，以至于可以在BOLD信號(hào)中充分采樣呼吸和心臟信號(hào)。這給功能圖像的預(yù)處理帶來(lái)了新的挑戰(zhàn)，特別是當(dāng)這些生理源的外部記錄不易實(shí)現(xiàn)時(shí)。

fMRIflows提供了一個(gè)用于fMRI分析的全自動(dòng)神經(jīng)成像管道集合，該管道可以執(zhí)行標(biāo)準(zhǔn)化的預(yù)處理，以及用于單變量和多變量分析的一級(jí)和二級(jí)統(tǒng)計(jì)分析，并額外創(chuàng)建了信息質(zhì)量控制圖。fMRIflows基于MRIQC和fMRIPrep的原理和代碼庫(kù)，并將其功能擴(kuò)展為：(a)對(duì)fMRI數(shù)據(jù)進(jìn)行靈活的時(shí)間和空間濾波，即低通或帶通濾波，以去除通過(guò)生理噪聲引入的高頻振蕩；(b)具有可訪問(wèn)和可修改的代碼庫(kù)；(c)自動(dòng)計(jì)算單變量和多變量分析的一級(jí)對(duì)比；(d)自動(dòng)計(jì)算單變量和多變量分析的二級(jí)對(duì)比。

在本文中，研究者(1)描述了fMRIflows中包含的不同管道，并說(shuō)明了所涉及的不同處理步驟；(2)解釋了軟件結(jié)構(gòu)和設(shè)置；以及(3)通過(guò)將fMRIflows與其他廣泛使用的神經(jīng)成像工具箱(如fMRIPrep、FSL和SPM)進(jìn)行比較來(lái)驗(yàn)證fMRIflows的性能。

材料和方法

fMRIflows的處理管道

fMRIflows的完整代碼庫(kù)是開(kāi)放訪問(wèn)的，并方便地存儲(chǔ)在 https://github.com/miykael/fmriflows上的六個(gè)不同的Jupyter Notebooks中。第一個(gè)notebook不包含任何處理管道，而是用作用戶輸入文檔，幫助創(chuàng)建JSON文件，該文件將包含fMRIflows中包含的五個(gè)處理管道的執(zhí)行特定參數(shù)：(1)結(jié)構(gòu)預(yù)處理；(2)功能預(yù)處理；(3)一級(jí)分析；(4)二級(jí)單變量分析；(5)二級(jí)多變量分析。這五個(gè)管道中的每一個(gè)都將其結(jié)果存儲(chǔ)在一個(gè)子層次文件夾中，該文件夾由用戶指定為輸出文件夾。接下來(lái)將解釋這六個(gè)Jupyter Notebooks的內(nèi)容。

①準(zhǔn)備細(xì)則

每個(gè)fMRIflows處理管道都需要特定的輸入?yún)?shù)來(lái)運(yùn)行。這些參數(shù)范圍從被試ID和每個(gè)被試的功能運(yùn)行次數(shù)，到圖像歸一化后要求的體素分辨率等。每個(gè)notebook將從一個(gè)以前綴“fmriflows_spec”開(kāi)頭的預(yù)定義JSON文件中讀取相關(guān)規(guī)范參數(shù)。有一個(gè)用于結(jié)構(gòu)和功能預(yù)處理的規(guī)范文件，一個(gè)用于一級(jí)和二級(jí)單變量分析的規(guī)范文件，一個(gè)用于二級(jí)多變量分析的規(guī)范文件。有關(guān)這三個(gè)JSON文件的示例，請(qǐng)參閱補(bǔ)充說(shuō)明1。fMRIflows中包含的第一個(gè)notebook稱為01_spec_preparation.ipynb，可根據(jù)提供的數(shù)據(jù)集和一些標(biāo)準(zhǔn)默認(rèn)參數(shù)創(chuàng)建這些JSON文件。它通過(guò)使用Nibabel v2.3.0，PyBIDS v0.8和其他標(biāo)準(zhǔn)Python庫(kù)來(lái)實(shí)現(xiàn)這一點(diǎn)。如果任何潛在的處理參數(shù)與使用的默認(rèn)值不同，則由用戶自行更改。

②結(jié)構(gòu)預(yù)處理

結(jié)構(gòu)預(yù)處理管道包含在notebook的02_preproc_anat.ipynb中，并使用JSON文件fmriflows_spec_preproc.json作為參數(shù)規(guī)范(如體素分辨率)。如果未設(shè)置特定值，fMRIflows默認(rèn)歸一化為1mm3的等距體素分辨率。然而，用戶也可以選擇在所有三個(gè)維度上都不同的非等距體素分辨率。此外，用戶可以決定是否進(jìn)行快速或精確的歸一化。精確歸一化的時(shí)間可能是快速方法的八倍，但可以提供更精確的對(duì)齊。始終需要對(duì)執(zhí)行的歸一化進(jìn)行目視檢查，因?yàn)檫@兩種歸一化算法在有噪聲的數(shù)據(jù)集或未檢測(cè)到偽影的情況下都可能失敗。

結(jié)構(gòu)預(yù)處理管道僅依賴于被試特定的T1加權(quán)(T1w)圖像作為輸入文件。各個(gè)處理步驟如圖1所示，包括：(1)圖像重定向；(2)視場(chǎng)剪切(FOV)；(3)強(qiáng)度非均勻性(INU)校正；(4)圖像分割；(5)大腦提??；(6)圖像歸一化。

③功能預(yù)處理

功能預(yù)處理管道包含在notebook的03_preproc_func.ipynb中，并使用JSON文件fmriflows_spec_preproc.json用作參數(shù)規(guī)范。作為規(guī)范參數(shù)，用戶可以指示是否應(yīng)用時(shí)間層校正，如果應(yīng)用，應(yīng)使用哪個(gè)參考時(shí)間點(diǎn)。用戶還可以指示應(yīng)對(duì)哪個(gè)等距或非等距體素分辨率的功能圖像進(jìn)行采樣。模板空間采用ICBM?2009c非線性非對(duì)稱腦模板。此外，用戶可以在時(shí)域或空域中指定低通、高通或帶通濾波器的值。為了調(diào)查干擾回歸因素，用戶可以指定他們想要提取的CompCor或獨(dú)立成分分析(ICA)成分的數(shù)量，以及用于檢測(cè)異常volume的閾值。這些參數(shù)的含義將在以下部分進(jìn)行更詳細(xì)地解釋說(shuō)明。

功能預(yù)處理管道依賴于結(jié)構(gòu)預(yù)處理管道的輸出文件，以及特定于被試的功能圖像和附帶的描述性JSON文件，其中包含有關(guān)功能圖像記錄的時(shí)間分辨率(TR)和時(shí)間層順序的信息。該JSON文件是BIDS標(biāo)準(zhǔn)的一部分，因此應(yīng)該在BIDS規(guī)范數(shù)據(jù)集中可用。各個(gè)處理步驟如圖2所示，包括：(1)圖像重定向；(2)非穩(wěn)態(tài)檢測(cè)；(3)創(chuàng)建功能性腦掩膜；(4)時(shí)間層校正；(5)運(yùn)動(dòng)參數(shù)估計(jì)；(6)估計(jì)功能圖像與解剖圖像之間的共配準(zhǔn)參數(shù)；(7)運(yùn)動(dòng)參數(shù)的最終確定；(8)單次空間插值應(yīng)用運(yùn)動(dòng)校正，共配準(zhǔn)和(如果指定)將圖像歸一化為模板圖像；(9)腦掩膜的構(gòu)建和應(yīng)用；(10)時(shí)間濾波；(11)空間濾波。值得一提的是，功能預(yù)處理是針對(duì)每個(gè)功能運(yùn)行分別進(jìn)行的，以防止運(yùn)行間的污染。

一級(jí)分析

一級(jí)分析管道包含在notebook的04_analysis_1st-level.ipynb中，并使用JSON文件fmriflows_spec_analysis.json進(jìn)行參數(shù)規(guī)范。作為規(guī)范參數(shù)，用戶可以指示在GLM中包含哪些干擾回歸量，是否應(yīng)該考慮異常值，以及數(shù)據(jù)是否已經(jīng)在模板空間中，或者是否應(yīng)該在對(duì)比估計(jì)后進(jìn)行歸一化。用戶還可以指定其他GLM模型參數(shù)，例如高通濾波器值和用于模擬血流動(dòng)力學(xué)響應(yīng)函數(shù)(HRF)的基函數(shù)類型。此外，用戶還將指定一個(gè)他們想要估計(jì)的對(duì)比列表，或者他們是否想要為設(shè)計(jì)矩陣中的每個(gè)刺激列或單獨(dú)為每個(gè)會(huì)話創(chuàng)建特定的對(duì)比，然后也可以用于多變量分析。

一級(jí)分析管道依賴于先前結(jié)構(gòu)和功能預(yù)處理管道的大量輸出，即包含運(yùn)動(dòng)參數(shù)和混淆回歸量的TSV(制表符分隔值)文件、指示從功能圖像中刪除的非穩(wěn)態(tài)volume數(shù)量的文本文件，以及包含識(shí)別異常volume索引列表的文本文件。此外，一級(jí)分析管道還要求包含應(yīng)用實(shí)驗(yàn)設(shè)計(jì)信息的BIDS符合事件文件，包括條件類型及其各自的開(kāi)始和持續(xù)時(shí)間。一級(jí)分析包含的各個(gè)處理步驟包括：(1)收集預(yù)處理文件并建模相關(guān)信息；(2)模型規(guī)范和估計(jì)；(3)單變量對(duì)比度估計(jì)；(4)多變量分析的可選準(zhǔn)備；(5)對(duì)比度空間歸一化(圖3)。所有相關(guān)步驟，即模型創(chuàng)建、估計(jì)和對(duì)比度計(jì)算，均在SPM12中執(zhí)行。

二級(jí)單變量分析

二級(jí)單變量分析管道包含在notebook的05_analysis_2nd-level.ipynb中，并使用JSON文件fmriflows_spec_analysis.json進(jìn)行參數(shù)規(guī)范。用戶可以指定一個(gè)概率值，作為模板空間中GM概率組織圖的閾值，該閾值稍后用于模型估計(jì)。此外，用戶可以指定統(tǒng)計(jì)對(duì)比的體素閾值和聚類閾值，以及用于創(chuàng)建輸出表格和圖形的相關(guān)AtlasReader參數(shù)。

二級(jí)單變量分析管道僅依賴于與一級(jí)單變量分析的估計(jì)對(duì)比。由于fMRIflows目前只實(shí)現(xiàn)了簡(jiǎn)單的單樣本t檢驗(yàn)，因此不需要進(jìn)一步的對(duì)比規(guī)范。二級(jí)單變量分析中的各個(gè)處理步驟包括：(1)收集一級(jí)對(duì)比；(2)創(chuàng)建和估計(jì)二級(jí)模型；(3)對(duì)比度估計(jì)；(4)對(duì)比度的拓?fù)溟撝担?5)使用AtlasReader創(chuàng)建結(jié)果。在一級(jí)分析中，所有相關(guān)的模型創(chuàng)建、估計(jì)和對(duì)比度計(jì)算均使用SPM12執(zhí)行。所有結(jié)果均進(jìn)行假陽(yáng)性率(FPR)校正。

二級(jí)多變量分析

二級(jí)多變量分析管道包含在notebook的06_analysis_multivariate.ipynb中，并使用JSON文件fmriflows_spec_multivariate.json進(jìn)行參數(shù)規(guī)范。用戶可以定義一個(gè)分類器列表，用于多變量分析、計(jì)算探照燈的球體半徑和步長(zhǎng)。為了對(duì)探照燈結(jié)果進(jìn)行二級(jí)分析，用戶可以在經(jīng)典的GLM方法(針對(duì)機(jī)會(huì)水平進(jìn)行測(cè)試)和Stelzer等人(2013)推薦的基于排列的方法(可選擇確定排列的數(shù)量)之間做出選擇。此外，用戶可以指定統(tǒng)計(jì)對(duì)比的體素閾值和聚類閾值，以及用于創(chuàng)建輸出表格和圖形的相關(guān)AtlasReader參數(shù)。

二級(jí)多變量分析管道依賴于一級(jí)多變量分析的估計(jì)對(duì)比度、包含相應(yīng)對(duì)比度標(biāo)簽列表和二元分類標(biāo)識(shí)符列表的關(guān)聯(lián)CSV文件。與其他notebook相比，該notebook使用Python 2.7來(lái)適應(yīng)PyMVPA v2.6.5的要求。二級(jí)多變量分析中包含的各個(gè)處理步驟包括：(1)PyMVPA分析所需的數(shù)據(jù)準(zhǔn)備；(2)探照燈分類；(3)使用t檢驗(yàn)計(jì)算組分析；(4)根據(jù)Stelzer等人(2013)的研究計(jì)算組分析；以及(5)使用AtlasReader創(chuàng)建結(jié)果。所有結(jié)果均進(jìn)行了FPR校正。

fMRIflows基礎(chǔ)結(jié)構(gòu)和訪問(wèn)

fMRIflows的源代碼可在GitHub(https://github.com/miykael/fmriflows)上獲取，并根據(jù)BSD 3條款“新”或“修訂”許可證進(jìn)行授權(quán)。代碼使用Python v3.7.2(https://www.python.org)編寫，存儲(chǔ)在Jupyter Notebooks?v4.4.0中，并通過(guò)Docker?v18.09.2(https://docker.com)容器分發(fā)，該容器可通過(guò)Docker Hub(https://hub.docker.com)公開(kāi)獲得。Docker的使用允許用戶在任何主要的操作系統(tǒng)上運(yùn)行fMRIflows，使用以下命令：docker run-it-p 9999:8888-v /home/user/ds001:/data?miykael/fmriflows。

fMRIflows在各個(gè)處理步驟中可使用許多不同的軟件包。使用的神經(jīng)成像軟件有：Nipype?v1.1.9、FSL v5.0.9、ANTs v2.2.0、SPM12?v7219、AFNI v18.0.5、Nilearn v0.5、Nibabel v2.3.0、PyMVPA v2.6.5、Convert3D v1.1（https://sourceforge.net/p/c3d）、AtlasReader v0.1和PyBIDS?v0.8。除了一些標(biāo)準(zhǔn)的Python庫(kù)外，fMRIflows還使用Numpy，Scipy，Matplotlib，Pandas和Seaborn(http://seaborn.pydata.org)。

fMRIflows的驗(yàn)證

fMRIflows分兩個(gè)階段進(jìn)行了驗(yàn)證。在第1階段，通過(guò)將該工具箱應(yīng)用于OpenNeuro.org上符合BIDS標(biāo)準(zhǔn)的不同類型的fMRI數(shù)據(jù)集，從而驗(yàn)證該工具箱的能力。對(duì)這一階段的了解使我們能夠改進(jìn)代碼庫(kù)，并使fMRIflows對(duì)各種數(shù)據(jù)集具有魯棒性。在第2階段，將工具箱的性能與類似的神經(jīng)成像預(yù)處理管道(如fMRIPrep，F(xiàn)SL和SPM)進(jìn)行了比較。為了更好地了解fMRIflows與這些可比較的處理管道重疊或相異的地方，本研究考察了在三個(gè)不同數(shù)據(jù)集上運(yùn)行的所有四個(gè)工具箱的預(yù)處理、被試水平和組水平的結(jié)果。

第1階段：能力驗(yàn)證

為了調(diào)查工具箱初始實(shí)施的功能和缺陷，在不同的數(shù)據(jù)集上運(yùn)行fMRIflows，這些數(shù)據(jù)集可通過(guò)OpenNeuro.org公開(kāi)獲得，也可以由研究者自行提供。這種方法允許探索具有不同時(shí)間和空間分辨率、信噪比、視場(chǎng)、時(shí)間層數(shù)量、掃描儀特征和其他序列參數(shù)(如加速因子和翻轉(zhuǎn)角度)的數(shù)據(jù)集。

第2階段：性能驗(yàn)證

為了驗(yàn)證fMRIflows的性能，本研究使用了三種不同的基于任務(wù)的fMRI數(shù)據(jù)集，并將其預(yù)處理過(guò)程與三種神經(jīng)成像處理管道fMRIPrep，F(xiàn)SL和SPM進(jìn)行了比較。對(duì)預(yù)處理、被試水平和組水平的輸出進(jìn)行了比較。由于FSL和SPM進(jìn)行被試水平和組水平分析的方式存在差異，以及fMRIPrep中缺乏此類例程，所有用于性能驗(yàn)證的被試和組水平分析均使用相同的Nistats例程進(jìn)行。
這三個(gè)數(shù)據(jù)集(見(jiàn)表1)都是在磁場(chǎng)強(qiáng)度為3T的掃描儀上采集的，并且在許多序列參數(shù)上有所不同，最顯著的差異是記錄時(shí)的時(shí)間分辨率。這一點(diǎn)尤其重要，因?yàn)楸狙芯恐荚趶?qiáng)調(diào)正確處理時(shí)域?yàn)V波對(duì)于時(shí)間分辨率低于1000ms的數(shù)據(jù)集是至關(guān)重要的。

數(shù)據(jù)集TR2000具有相對(duì)較低的時(shí)間采樣和空間分辨率。它作為一個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集，是用標(biāo)準(zhǔn)的EPI掃描序列記錄的。數(shù)據(jù)集TR1000具有相當(dāng)高的時(shí)間采樣和空間分辨率，可作為一個(gè)高級(jí)數(shù)據(jù)集，使用了多波段加速技術(shù)的掃描序列進(jìn)行記錄。數(shù)據(jù)集TR600具有非常高的時(shí)間采樣和中等的空間分辨率，可作為一個(gè)極端數(shù)據(jù)集，使用同步多層(SMS)加速技術(shù)的掃描序列記錄。

使用基于默認(rèn)參數(shù)的fMRIflows，fMRIPrep，F(xiàn)SL和SPM預(yù)處理管道，并且與它們的標(biāo)準(zhǔn)實(shí)現(xiàn)只有以下幾點(diǎn)不同：(1)根據(jù)數(shù)據(jù)集中的主分辨率維度，將功能圖像重采樣為等距體素分辨率；(2)fMRIPrep的工作流程中不包括空間平滑，因此使用Nilearn方法和半高全寬(FWHM)為6mm的平滑核對(duì)預(yù)處理后的圖像進(jìn)行空間平滑，以保持圖像的可比較性；(3)FSL管道中的解剖圖像首先被裁剪為標(biāo)準(zhǔn)FOV，然后在啟動(dòng)FSL的FEAT之前使用FSL的BET進(jìn)行腦提??；(4)對(duì)于FSL，采用12自由度的非線性扭曲方法和樣條插值模型進(jìn)行從結(jié)構(gòu)空間到標(biāo)準(zhǔn)空間的歸一化；(5)對(duì)于SPM，標(biāo)準(zhǔn)化的腦模板是其標(biāo)準(zhǔn)組織概率的腦TPM，而對(duì)于fMRIflows、fMRIPrep和FSL，標(biāo)準(zhǔn)化的腦模板是ICBM 2009c非線性非對(duì)稱腦模板。

沒(méi)有對(duì)這些工具箱進(jìn)行統(tǒng)計(jì)推斷，以防止引入軟件特定偏差。使用Nistats、Nilearn和其他Python工具箱進(jìn)行一級(jí)和二級(jí)分析，各工具箱之間僅在以下方面有所不同：(1)在一級(jí)分析期間添加到設(shè)計(jì)矩陣中的估計(jì)運(yùn)動(dòng)參數(shù)對(duì)于每個(gè)工具箱來(lái)說(shuō)都是不同的，因?yàn)樗鼈兪腔谔囟ㄓ谲浖念A(yù)處理例程；(2)在fMRIflows的一級(jí)分析過(guò)程中，每次運(yùn)行使用的volume數(shù)可能與其他方法略有不同，因?yàn)閒MRIflows例程在預(yù)處理過(guò)程中會(huì)去除非穩(wěn)態(tài)volume；(3)SPM在組分析過(guò)程中使用自身的組織概率圖來(lái)創(chuàng)建局限于灰質(zhì)體素的二元掩膜，而其他三個(gè)工具箱則使用ICBM 2009c灰質(zhì)概率圖代替。

為了比較工具箱之間的無(wú)閾值組統(tǒng)計(jì)圖，研究者為每個(gè)成對(duì)預(yù)處理方法組合創(chuàng)建了一個(gè)?Bland-Altman 2D直方圖。完整的參數(shù)列表、執(zhí)行預(yù)處理的腳本、一級(jí)和二級(jí)分析以及創(chuàng)建單個(gè)圖形的腳本可以在fMRIflows?GitHub網(wǎng)址(https://github.com/miykael/fmriflows/tree/master/paper)上找到。在第2階段驗(yàn)證生成的衍生圖可以通過(guò)以下鏈接在NeuroVault上檢查和下載：(1)預(yù)處理后的時(shí)間平均標(biāo)準(zhǔn)差圖(https://identifiers.org/neurovault.collection:5645)，(2)預(yù)處理后的時(shí)間信噪比(SNR)圖(https://identifiers.org/neurovault.collection:5713)，(3)二值化的一級(jí)激活計(jì)數(shù)圖(https://identifiers.org/neurovault.collection:5647)(4)二級(jí)激活圖(https://identifiers.org/neurovault.collection:5646)。

結(jié)果

fMRIflows處理管道獲得的輸出匯總

執(zhí)行結(jié)構(gòu)預(yù)處理管道后生成的輸出

執(zhí)行結(jié)構(gòu)預(yù)處理管道后，為每個(gè)被試生成以下文件：(1)非均勻校正后的全腦圖像，(2)提取的腦組織圖像，(3)用于腦提取的二元掩膜，(4)灰質(zhì)(GM)、白質(zhì)(WM)、腦脊液(CSF)、顱骨和頭部的組織概率圖，(5)模板空間的歸一化解剖圖像，(6)被試空間的反歸一化模板圖像，(7)以及用于輸出5和6的相應(yīng)變換矩陣。每個(gè)結(jié)構(gòu)預(yù)處理輸出文件夾還包含(8)用于歸一化的ICBM 2009c大腦模板，按要求的體素分辨率進(jìn)行采樣。除了這些文件之外，還生成了以下三個(gè)信息圖：(1)組織分割，(2)腦提取和(3)解剖圖像的空間歸一化。這三個(gè)圖的縮略版如圖4所示。

執(zhí)行功能預(yù)處理管道后生成的輸出

執(zhí)行功能預(yù)處理管道后，分別為每個(gè)被試、每個(gè)功能運(yùn)行和每個(gè)時(shí)域?yàn)V波生成以下文件：(1)指示哪些volume被檢測(cè)為異常值的文本文件，(2)包含所有提取的混淆回歸量的制表符分隔值(TSV)文件，(3)根據(jù)FSL的輸出方案，包含六個(gè)運(yùn)動(dòng)參數(shù)回歸量的文本文件，(4)用于大腦的二元掩膜，(5)用于結(jié)構(gòu)和功能成分的噪聲校正掩膜，(6)功能平均圖像，以及(7)通過(guò)空間平滑法分離的完全預(yù)處理的功能圖像。每個(gè)被試文件夾在(8)每次功能運(yùn)行時(shí)都包含一個(gè)文本文件，表示運(yùn)行開(kāi)始時(shí)非穩(wěn)態(tài)volume的數(shù)量。

以下是對(duì)功能預(yù)處理過(guò)程中fMRIflows估計(jì)的多個(gè)混淆點(diǎn)的詳細(xì)描述：基于運(yùn)動(dòng)參數(shù)的混淆：除了在預(yù)處理期間創(chuàng)建的頭部運(yùn)動(dòng)參數(shù)外，fMRIflows還使用自定義腳本計(jì)算①運(yùn)動(dòng)參數(shù)的24參數(shù)Volterra擴(kuò)展和②使用Nipype的逐幀位移(FD)。

基于全局信號(hào)的混淆：使用空間平滑前的功能圖像計(jì)算混淆回歸量，例如①DVARS，表示信號(hào)在時(shí)間差分后的空間標(biāo)準(zhǔn)差，使用Nipype來(lái)識(shí)別受運(yùn)動(dòng)影響的幀；②采用Nilearn軟件繪制4條全局信號(hào)曲線，分別代表總腦容量(TV)、GM、WM和CSF的平均信號(hào)。

檢測(cè)異常體積：用戶可以指定FD、DVARS和TV、GM、WM和CSF中平均信號(hào)的六條信號(hào)曲線中的哪一條來(lái)識(shí)別異常體積(見(jiàn)圖5A)。與整個(gè)時(shí)間過(guò)程中的z值標(biāo)準(zhǔn)差相比，這些體積在給定體積中的信號(hào)值波動(dòng)較大。用戶可以調(diào)整每條曲線的確切閾值，但對(duì)于FD、DVARS和TV信號(hào)，默認(rèn)值設(shè)置為z=3.27。每個(gè)異常體積的識(shí)別號(hào)存儲(chǔ)在一個(gè)文本文件中，在GLM模型估計(jì)過(guò)程中，一級(jí)管道可能會(huì)使用該文本文件來(lái)消除這些異常值對(duì)整體分析的影響，也稱為刪失。

基于信號(hào)成分的混淆：使用時(shí)間濾波函數(shù)圖像，執(zhí)行兩種不同的方法來(lái)提取可用于數(shù)據(jù)去噪或降維的成分。第一種方法稱為CompCor，它使用主成分分析(PCA)來(lái)估計(jì)特定混淆區(qū)域內(nèi)的主要噪聲源。區(qū)域由其時(shí)間或解剖特征來(lái)定義。時(shí)間CompCor方法(tCompCor)將混雜的腦掩膜中變化最大的2%體素視為混淆源。解剖CompCor方法(aCompCor)將兩次侵蝕的WM和CSF腦掩膜內(nèi)的體素視為混淆源。用戶可以指定應(yīng)計(jì)算多少個(gè)aCompCor和tCompCor成分，但默認(rèn)值分別設(shè)置為5個(gè)。第二種方法使用獨(dú)立成分分析(ICA)在信號(hào)中執(zhí)行源分離(圖6)。使用Nilearn的CanICA例程，fMRIflows默認(rèn)計(jì)算整個(gè)混淆掩膜中的前十個(gè)獨(dú)立成分(該數(shù)量可由用戶自定義)。用戶需要恰當(dāng)?shù)卦u(píng)估是否存在殘留偽影以及是否需要?jiǎng)h除這些偽影。

混淆信息的存儲(chǔ)：功能預(yù)處理后計(jì)算的所有混淆曲線都存儲(chǔ)在一個(gè)TSV文件中，以便于訪問(wèn)。

多樣化的概覽圖集：為了能夠目視檢查執(zhí)行功能預(yù)處理管道后生成的大量輸出，fMRIflows創(chuàng)建了許多信息豐富的概覽圖。這些概述涵蓋了用于頭部運(yùn)動(dòng)矯正的運(yùn)動(dòng)參數(shù)、解剖和時(shí)間CompCor成分、FD、DVARS、TV、GM、WM和CSF中的平均信號(hào)，以及ICA成分。fMRIflows還創(chuàng)建了一個(gè)大腦概覽圖，顯示了在功能預(yù)處理過(guò)程中應(yīng)用不同掩膜的程度、ICA成分和單個(gè)體素信號(hào)之間的空間相關(guān)圖，以及根據(jù)Power(2017)和Esteban等人(2019)繪制的地毯圖。為了更好地可視化地毯圖中的底層結(jié)構(gòu)，時(shí)間序列軌跡按其與給定區(qū)域內(nèi)平均信號(hào)的相關(guān)系數(shù)進(jìn)行排序，允許2個(gè)volumes的正或負(fù)時(shí)滯。所有這些圖的縮略版如圖5、6和7所示。

執(zhí)行一級(jí)分析管道后生成的輸出

執(zhí)行一級(jí)分析后，將生成以下文件用于單變量分析：(1)對(duì)比度和指定對(duì)比度的統(tǒng)計(jì)圖，(2)包含與模型相關(guān)信息的SPM.mat文件，(3)一級(jí)模型中使用的設(shè)計(jì)矩陣的可視化，描繪刺激、運(yùn)動(dòng)和混淆回歸量，以及(4)使用AtlasReader創(chuàng)建的在正負(fù)值最高2%處的每個(gè)對(duì)比度閾值估計(jì)的玻璃腦圖，以提供對(duì)比度質(zhì)量的總體概況。該notebook的多變量分析部分創(chuàng)建了：(1)每個(gè)條件和session都有一張對(duì)比圖，之后可用作多變量分析的樣本，以及(2)標(biāo)識(shí)每個(gè)對(duì)比度條件的標(biāo)簽文件。

執(zhí)行二級(jí)分析管道后生成的輸出

執(zhí)行二級(jí)單變量分析后，將針對(duì)應(yīng)用的每個(gè)對(duì)比度以及空間和時(shí)間濾波器分別生成以下文件：(1)對(duì)比度和單樣本t檢驗(yàn)對(duì)比度的統(tǒng)計(jì)圖，(2)包含與模型相關(guān)信息的SPM.mat文件，(3)具有相應(yīng)AtlasReader輸出的閾值統(tǒng)計(jì)圖。執(zhí)行二級(jí)多變量分析后，為每個(gè)指定的比較分別生成以下文件：(1)根據(jù)Stelzer等人(2013)研究中校正所需的特定于被試的排列文件，(2)通過(guò)自舉法獲得的組平均預(yù)測(cè)精度圖以及對(duì)應(yīng)的代表機(jī)會(huì)水平的特征圖，(3)多重比較校正后的組平均預(yù)測(cè)精度圖和(4)相應(yīng)AtlasReader輸出的閾值統(tǒng)計(jì)結(jié)果圖。

第1階段的結(jié)果：能力驗(yàn)證

由于掃描儀硬件、掃描協(xié)議、研究要求和記錄圖像人員的專業(yè)知識(shí)差異，fMRI數(shù)據(jù)集可以有許多不同的形狀和形式。本研究在幾個(gè)數(shù)據(jù)集上運(yùn)行了fMRIflows，以確保它能夠處理每個(gè)數(shù)據(jù)集固有的差異。接下來(lái)，研究者總結(jié)了在此過(guò)程中遇到的主要問(wèn)題，并描述了如何解決每個(gè)問(wèn)題。

圖像定向

fMRIflow在預(yù)處理管道開(kāi)始時(shí)將所有解剖和功能圖像重新定向到RAS(右、前、上)，以防止解剖和功能圖像之間由于被試內(nèi)的方向不匹配而無(wú)法進(jìn)行共配準(zhǔn)。

圖像范圍

一些數(shù)據(jù)集沿上下軸具有異常大的圖像覆蓋范圍，這意味著它們的解剖圖像通常也包含了參與者頸部的一部分。這可能導(dǎo)致某些神經(jīng)成像常規(guī)的意外結(jié)果，因?yàn)樗鼈儧](méi)有測(cè)試過(guò)這種額外的組織覆蓋。這在FSL的BET例程(難以找到大腦的中心和范圍)或SPM的分割例程(依賴于整個(gè)體積內(nèi)體素強(qiáng)度的分布)中最為明顯。為了防止這些和其他不可預(yù)見(jiàn)的行為發(fā)生，fMRIflows使用FSL的robustfov例程將所有解剖圖像限制在相同的空間范圍內(nèi)。

圖像非均勻性

根據(jù)掃描序列協(xié)議或掃描儀硬件本身的不同，一些數(shù)據(jù)集可能包含強(qiáng)烈的圖像強(qiáng)度非均勻性，這是由數(shù)據(jù)采集過(guò)程中的非均勻偏置場(chǎng)引起的。這可能會(huì)對(duì)許多不同的神經(jīng)成像常規(guī)產(chǎn)生負(fù)面影響，在腦提取和圖像分割中最為明顯。為了解決這個(gè)問(wèn)題，fMRIflows使用ANTs的N4BiasFieldCorrection例程，該例程允許分析具有低圖像質(zhì)量和強(qiáng)圖像不均勻性的數(shù)據(jù)集。在結(jié)構(gòu)預(yù)處理管道中，應(yīng)用非均勻性校正來(lái)改善最終輸出圖像。在功能預(yù)處理管道中，非均勻性校正僅用于提高不同組織類型的估計(jì)和提取，并不直接改變最終輸出圖像中的值。

腦提取

本研究探索了不同的腦提取程序，以確保：(1)提取過(guò)程具有足夠的魯棒性來(lái)處理不同類型的數(shù)據(jù)集，(2)在去除非腦組織方面既不過(guò)于保守也不過(guò)于自由，以及(3)具有合理的總體計(jì)算時(shí)間。使用SPM的圖像分割程序獲得了最佳和最一致的結(jié)果，然后對(duì)GM，WM和CSF概率圖進(jìn)行特定的閾值分割和合并。FSL的BET不夠穩(wěn)健，無(wú)法在所有測(cè)試數(shù)據(jù)集上產(chǎn)生穩(wěn)定的結(jié)果。雖然ANTs的Atropos獲得了相當(dāng)好的結(jié)果，但研究者選擇了SPM，因?yàn)镾PM的計(jì)算時(shí)間要快得多。

圖像插值

對(duì)于歸一化過(guò)程中的單次空間插值，研究者使用ANTs，并探索了NearestNeighbor、BSpline和LanczosWindowedSinc插值的效果。NearestNeighbor(最近鄰插值)導(dǎo)致體素到體素值的轉(zhuǎn)換看起來(lái)不自然。BSpline(B樣條插值)總體上取得了良好的結(jié)果，但也存在一定的問(wèn)題，特別是在數(shù)據(jù)集沒(méi)有完全覆蓋大腦的情況下，并且在非零體素的邊界引入了一些漣漪低值波動(dòng)效應(yīng)。LanczosWindowedSinc插值通過(guò)最小化平滑效應(yīng)并防止引入額外的混淆因素獲得了最佳的結(jié)果，再次證實(shí)了fMRIPrep的觀察結(jié)果。

第2階段的結(jié)果：性能驗(yàn)證

fMRIflows的性能驗(yàn)證是在三個(gè)不同的任務(wù)態(tài)fMRI數(shù)據(jù)集上進(jìn)行的，如表1所示。將fMRIflows的預(yù)處理與其他神經(jīng)成像處理管道(如fMRIPrep，F(xiàn)SL和SPM)進(jìn)行比較。為了更好地了解不同工具箱之間的性能差異，并強(qiáng)調(diào)在處理具有高時(shí)間分辨率fMRI數(shù)據(jù)集時(shí)進(jìn)行充分的時(shí)間濾波的重要性，研究者還測(cè)試了使用和不使用0.2Hz低通時(shí)間濾波器的fMRIflows預(yù)處理管道。

功能預(yù)處理后的估計(jì)空間平滑度

對(duì)功能圖像進(jìn)行重采樣的每個(gè)預(yù)處理步驟，例如時(shí)間層校正、運(yùn)動(dòng)校正、空間或時(shí)間插值都有可能增加數(shù)據(jù)的空間平滑性。在預(yù)處理過(guò)程中引入的平滑度越低，數(shù)據(jù)就越接近其初始版本。研究者使用AFNI的3dFWHMx來(lái)估計(jì)預(yù)處理后每個(gè)功能圖像的平均空間平滑度(FWHM)，以比較應(yīng)用于原始數(shù)據(jù)的數(shù)據(jù)操作量(見(jiàn)圖8)。由于此FWHM值取決于給定數(shù)據(jù)集的體素分辨率，因此按體素體積對(duì)其進(jìn)行歸一化，以實(shí)現(xiàn)每1mm3的共同F(xiàn)WHM值。

總體而言，使用fMRIflows(沒(méi)有進(jìn)行低通濾波時(shí))預(yù)處理后估計(jì)的空間平滑度與使用fMRIPrep時(shí)相當(dāng)，而SPM總體上顯著降低，F(xiàn)SL略高。圖8中的所有結(jié)果都使用Tukey多重比較檢驗(yàn)進(jìn)行校正。與SPM的差異可能是由于SPM的預(yù)處理管道中涉及的重采樣步驟較少。與FSL的差異可能是由于圖像重采樣期間使用的插值方法有關(guān)。FSL預(yù)處理管道使用樣條插值，而fMRIflows和fMRIPrep使用LanczosWindowedSinc插值，眾所周知，它可以最小化插值期間的平滑度。與其他方法相比，在fMRIflows預(yù)處理過(guò)程中應(yīng)用0.2Hz的低通時(shí)間濾波器使TR600數(shù)據(jù)集的空間平滑度顯著提高。在TR1000數(shù)據(jù)集上也可能存在這種效果。然而，經(jīng)過(guò)低通濾波和未經(jīng)過(guò)低通濾波預(yù)處理的fMRIflows之間的差異并不顯著。這種使用低通濾波器的方法增加的空間平滑度是有意義的，因?yàn)榈屯〞r(shí)間濾波器本身的目標(biāo)是平滑時(shí)間序列值。這種時(shí)間上的平滑也強(qiáng)制增加了每個(gè)時(shí)間點(diǎn)上的空間平滑。

空間歸一化的性能檢查

根據(jù)各預(yù)處理功能圖像的時(shí)間平均圖計(jì)算出各總體的標(biāo)準(zhǔn)差圖，以比較不同預(yù)處理方法在三個(gè)不同數(shù)據(jù)集上的空間歸一化性能(如圖9所示)。

對(duì)TR2000(左)、TR1000(中)和TR600(右)數(shù)據(jù)集分別使用fMRIflows(使用0.2Hz的低通時(shí)間濾波器和不使用低通濾波器看起來(lái)相同)、fMRIPrep、FSL和SPM進(jìn)行預(yù)處理。被試間變異性高的區(qū)域用黃色顯示，而被試間變異性低的區(qū)域用藍(lán)色顯示。大腦和皮層下白質(zhì)區(qū)域的輪廓用紅色標(biāo)出，基于ICBM 2009c大腦模板，除了SPM的分析是基于其組織概率圖模板。

fMRIflows和fMRIPrep預(yù)處理后的平均標(biāo)準(zhǔn)差圖非常相似，這并不奇怪，因?yàn)閒MRIflows使用相同的ANTs歸一化例程和非常相似的參數(shù)。主要的區(qū)別在于fMRIflows對(duì)功能圖像進(jìn)行了腦提取，而fMRIPrep沒(méi)有執(zhí)行此步驟。

預(yù)處理后的時(shí)間信噪比(tSNR)

根據(jù)Smith等人(2013)計(jì)算了基于體素的時(shí)間SNR，以評(píng)估預(yù)處理后數(shù)據(jù)中包含的信息量。該測(cè)量值可作為比較不同預(yù)處理方法的粗略估計(jì)，但不允許在數(shù)據(jù)集之間進(jìn)行直接比較，因?yàn)閠SNR值是一種相對(duì)測(cè)量值，高度依賴于所呈現(xiàn)的范式、功能圖像的初始空間和時(shí)間分辨率，以及MRI掃描序列的特定參數(shù)(如加速因子)。使用Nipype的TSNR例程，首先去除每個(gè)功能圖像中的二次多項(xiàng)式漂移，并通過(guò)計(jì)算每個(gè)體素的時(shí)間均值除以其時(shí)間標(biāo)準(zhǔn)差，并乘以給定運(yùn)行中記錄的時(shí)間點(diǎn)數(shù)量的平方根來(lái)估計(jì)tSNR映射。通過(guò)平均所有被試的tSNR圖，得到每個(gè)數(shù)據(jù)集的每種預(yù)處理方法的一般tSNR圖(圖10)。

一般來(lái)說(shuō)，不使用時(shí)間低通濾波器的fMRIflows預(yù)處理與使用fMRIPrep預(yù)處理獲得了相似的平均tSNR圖?？傮w而言，使用FSL進(jìn)行預(yù)處理導(dǎo)致平均tSNR值略有增加，而使用SPM進(jìn)行預(yù)處理導(dǎo)致平均tSNR圖略有下降。在所有三個(gè)數(shù)據(jù)集上額外應(yīng)用0.2Hz的低通濾波器使得fMRIflows進(jìn)行預(yù)處理后的tSNR值增加。時(shí)間分辨率越高(如數(shù)據(jù)集TR1000和TR600)，這種效果越明顯。

一級(jí)分析后的性能檢查

為了研究不同預(yù)處理方法對(duì)一級(jí)分析的影響，研究者使用Nistats進(jìn)行了被試內(nèi)統(tǒng)計(jì)分析。使用一般線性模型(GLM)估計(jì)激活圖。使用Nilearn，且FWHM為6mm的內(nèi)核對(duì)輸入數(shù)據(jù)進(jìn)行平滑處理。預(yù)處理方法和數(shù)據(jù)集之間的分析管道盡可能保持一致，僅在數(shù)據(jù)集包含的時(shí)間點(diǎn)數(shù)量和估計(jì)的運(yùn)動(dòng)參數(shù)上有所不同。每個(gè)參與者的統(tǒng)計(jì)圖在z=3.09處二值化，對(duì)應(yīng)于p＜0.001的單側(cè)檢驗(yàn)值。這些地圖的總體均值如圖11所示。

結(jié)果表明，對(duì)于所有三個(gè)數(shù)據(jù)集，不使用低通濾波器的fMRIflows方法、fMRIPrep方法、FSL方法和SPM方法之間的閾值激活計(jì)數(shù)映射之間沒(méi)有太大差異。然而，與其他預(yù)處理方法相比，使用具有0.2Hz低通濾波器的fMRIflows進(jìn)行預(yù)處理，大幅增加了數(shù)據(jù)集TR1000和TR600的閾值激活計(jì)數(shù)圖的大小和分?jǐn)?shù)值。因此，適當(dāng)?shù)臅r(shí)間濾波顯著提高了更高時(shí)間分辨率數(shù)據(jù)集的統(tǒng)計(jì)量。

二級(jí)分析后的性能檢查

為了研究不同預(yù)處理方法對(duì)二級(jí)分析的影響，研究者使用Nistats進(jìn)行了被試間統(tǒng)計(jì)分析，并對(duì)每種預(yù)處理方法和數(shù)據(jù)集進(jìn)行了單樣本t檢驗(yàn)。然后，使用Bland-Altman 2D直方圖在體素水平上對(duì)每種分析的非閾值組水平T統(tǒng)計(jì)圖進(jìn)行相互比較，見(jiàn)圖12。

圖12所示的結(jié)果表明，對(duì)于TR2000數(shù)據(jù)集的分析，使用0.2Hz低通濾波器的fMRIflows進(jìn)行預(yù)處理與其他四種方法之間沒(méi)有明顯的差異。y方向上變異性的增加表明體素與體素的對(duì)應(yīng)關(guān)系降低，這或許可以由不同的空間歸一化實(shí)現(xiàn)來(lái)解釋。平均水平密度值(虛線)接近于零線(水平實(shí)線)的事實(shí)表明，不同的預(yù)處理方法導(dǎo)致了與TR2000數(shù)據(jù)集具有可比性的組水平結(jié)果。TR1000和TR600數(shù)據(jù)集的Bland-Altman圖顯示，與任何其他方法相比，當(dāng)使用帶有0.2Hz低通濾波器的fMRIflows進(jìn)行預(yù)處理時(shí)，t統(tǒng)計(jì)量明顯增加。t值越高，這種效應(yīng)越強(qiáng)。

結(jié)論

fMRIflows是一個(gè)全自動(dòng)的fMRI分析管道，可以執(zhí)行最先進(jìn)的預(yù)處理，包括一級(jí)和二級(jí)單變量分析以及多變量分析。這種自主方法的目標(biāo)是提高分析的客觀性，最大限度地提高透明度，促進(jìn)易用性，并為每位研究人員(包括神經(jīng)影像領(lǐng)域以外的用戶)提供可訪問(wèn)和更新的分析方法。與其他神經(jīng)成像軟件/管道(如fMRIPrep、FSL和SPM)相比，fMRIflows在預(yù)處理后的SNR、被試內(nèi)t統(tǒng)計(jì)和被試間t統(tǒng)計(jì)方面取得了相當(dāng)或更好的結(jié)果。該軟件的進(jìn)一步開(kāi)發(fā)將包括：①在一級(jí)和二級(jí)建模中擺脫對(duì)SPM的依賴；②使用更靈活的FitLins工具箱(https://github.com/poldracklab/fitlins)，使其結(jié)果符合BIDS統(tǒng)計(jì)模型提案(BEP002)；以及③實(shí)現(xiàn)fMRIflows BIDS-App以進(jìn)一步提高工具箱的可訪問(wèn)性。
原文：Notter, M.P., Herholz, P., Da Costa, S. et al. fMRIflows: A Consortium of Fully Automatic Univariate and Multivariate fMRI Processing Pipelines. Brain Topogr (2022). https://doi.org/10.1007/s10548-022-00935-8

小伙伴們點(diǎn)個(gè)星標(biāo)關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～