《Brain Structure and Function》：Did you know? State-of-the-art preprocessing diffusion MRI data can improve tractography
编辑推荐：
这篇综述型通讯文章综述了当前最佳实践的dMRI预处理步骤（如去噪、运动/涡流校正、EPI失真校正、Gibbs伪影去除等）如何显著提升纤维束追踪（tractography）的解剖学保真度与重测可重复性。文章总结了这些步骤的益处，并推荐了多种公开的集成化预处理流程（如QSIPrep, TractoFlow），为开展可靠的、基于纤维束追踪的脑科学研究奠定了基础。
弥散磁共振成像（dMRI）纤维束追踪技术为我们窥探大脑连接性提供了前所未有的窗口，但其结果的可靠性高度依赖于对原始弥散加权图像（DWI）进行的预处理。未经充分处理的dMRI数据中存在的噪声、伪影和失真会严重污染纤维取向估计，进而导致纤维束追踪结果出现解剖学错误和较低的可重复性。幸运的是，随着FAIR（可发现、可获取、可互操作、可重用）原则和数据标准的推广，新一代稳健、公开可用的预处理流程使先进的数据校正方法变得易于获取。本文旨在综合文献证据，阐明采用最佳实践的预处理流程如何为可靠的纤维束追踪研究奠定基石。
最佳实践预处理步骤及其对纤维束追踪的益处
一套完整的现代dMRI预处理流程包含多个关键步骤，每一步都针对特定的数据质量问题，共同提升下游纤维束追踪的准确性。
- •
去噪
DWI中的噪声会降低信噪比（SNR），并向下游的弥散指标和纤维束追踪传播。去噪已被证明可以提高弥散指标和纤维束追踪的精度——改善弥散衍生指标的重测可重复性。在纤维束追踪的语境下，去噪有助于获得更准确、可重复的纤维方向估计，减少虚假或遗漏的纤维方向。现代流程如QSIPrep、TractoFlow等通常将去噪作为处理原始DWI的第一步。目前，Marchenko–Pastur主成分分析（MP-PCA）去噪和Patch2Self已成为常用的非参数化方法来抑制随机噪声。
- •
运动和涡流校正
头部运动和涡流诱导的失真是dMRI中的主要误差来源，会导致图像体积间的错位，进而引发后续建模和纤维束追踪的不准确。重要的是，在运动校正过程中，扩散梯度向量应相应旋转，否则图像旋转/对齐后，方向数据将不再对应真实的扩散敏感方向，并可能导致纤维束追踪的假阳性和假阴性结果。现代流程扩展了这些思路，同时估计运动参数和涡流失真场。先进工具如FSL的Eddy，专为壳层数据设计，并已集成到公开可用的流程中。
- •
用于解剖保真度的EPI失真校正
回波平面成像（EPI）失真由磁敏感差异引起，可拉伸或压缩DWI，导致其与解剖MRI错位。这些图像变形最明显地表现为信号强度堆积。它们会导致纤维束追踪的流线偏离其真实路径，并使灰质白质界面对齐纤维束图时面临挑战，从而产生不准确的连接性推断。已有令人信服的证据表明，不校正失真会在主要神经通路中产生显著的（不准确的）偏差，而应用失真校正可改善纤维束的一致性和准确性。最佳实践流程应用磁敏感失真校正（SDC）。一个常见的建议是至少采集一对反向编码的b=0图像（如前-后和后-前各一）作为离共振场图的替代。像FSL的topup或TORTOISE的DR-BUDDI这样的工具可以从这组方向相反、失真相等的图像中估计离共振场。
- •
Gibbs伪影去除
有限的k空间采样会在DWI数据的边缘周围产生振荡强度波纹。这种通常称为Gibbs振铃的伪影会扭曲弥散方向，导致不准确的纤维方向估计。在建模纤维方向分布之前校正这些伪影被认为是最佳实践。Gibbs校正通过消除振荡强度偏差来改善弥散指标，减少可能被误解为多个纤维方向的虚假高频结构，特别是在组织界面和脑脊液边界附近。这种校正增强了扩散张量和纤维方向分布估计的精度，有助于获得更可靠的纤维束追踪结果。虽然最初的方法基于全变差正则化最小化，但最近Kellner等人开发的亚体素位移方法以计算高效的方式抑制振铃，同时降低了对用户定义设置的依赖。
该图展示了各个预处理步骤（去噪、Gibbs振铃校正、磁敏感诱导的几何或“EPI”失真校正以及涡流失真校正）对纤维方向分布函数（fODF）的影响。对于每个预处理步骤，在解剖图像上指示了一个示例体素位置，并显示了应用指定校正前后对应的fODF。去噪已被证明可以减少虚假纤维的数量，Gibbs振铃校正可产生更清晰的信号核和fODF，磁敏感诱导的几何失真校正改善了弥散和结构MRI数据的对齐，而涡流失真校正则通过减少dMRI数据中的信号散射来锐化fODF。
- •
其他预处理步骤
除了去噪、Gibbs校正、运动和失真校正这些常用步骤外，还可以考虑各种额外的步骤来进一步清理数据。这些步骤包括但不限于B1不均匀性校正、信号漂移校正、莱斯偏置校正、梯度非线性校正和空间分辨率上采样。这些步骤中的每一个都有潜力提高纤维束追踪和连接性分析的准确性和精确度，但目前尚未被系统性地常规使用，原因包括对硬件和重建的依赖性、有限的影响证据或计算成本过高。
集成软件解决方案：从流程到神经信息学平台
经过数十年的方法发展，许多校正成像伪影的算法已被社区面向的软件库采纳，例如DIPY、FSL、MRtrix3、DSIstudio、ExploreDTI、ANTs等。在这些库的基础上，已经开发并分发了大量的预处理流程，以降低使用门槛，减少可靠运行工具所需的专业知识需求，并促进可重复性和互操作性。值得注意的例子包括QSIPrep、TractoFlow、PreQual、iDIO、DESIGNER、TORTOISEV4和PyDesigner。
这些流程都实施了当前dMRI预处理的最新方法和最佳实践。它们都是公开可用、积极维护并为可重复性而设计的。容器化版本的传播进一步促进了这些复杂流程的互操作性。通过标准化最佳实践，这些工具使得跨研究比较结果变得更加容易，并确保结论不受可避免的伪影问题干扰。
鉴于复杂工作流程的可及性和实用性已通过开放科学实践得到推广，并且这些工作流程及其各个步骤的价值已通过各种团队的专门实验得到证实，我们认为分析未经校正的弥散数据的时代应该结束了。随着使用量的增加以及流程在实现和设计上的明显差异，仍需要付出额外努力来对软件工具和流程进行基准测试，以最大限度地提高其在不同队列、协议和扫描仪间的性能和兼容性。
通过定制数据采集、重建和处理来最大化预处理效果
高性能预处理工具的开发对数据、成像协议和图像重建步骤提出了各种先决条件。以下是一些关于数据采集的建议，这些建议将提高其预处理的效果。
- •
在球面上采样的扩散加权梯度：在纤维方向分布函数具有极性对称性的假设下，扩散加权信号对扩散加权梯度的极性具有不变性。而涡流诱导的几何失真，特别是其方向，则取决于极性。像Eddy这样的现代工具利用了这种对称性，要求采集在整个球面而非半球面上采样的DW数据。我们建议采集在全壳层而非半壳层上采样的DW数据。
- •
反向相位编码数据：大多数公开可用的流程依赖于至少一张以反向相位编码采集的非弥散加权图像来校正磁敏感诱导的几何失真。如果不可用，则可以使用（a）从双回波GRE导出的B0不均匀性场图，或（b）无失真的结构MRI图像进行校正。无论选择哪种方法，仅凭dMRI数据无法校正磁敏感诱导的几何失真，必须采集额外的数据。
- •
非弥散加权图像的分布：总体建议是使用优化的梯度编码方案采集dMRI数据。在此背景下，建议在整个采集过程中均匀地穿插非弥散加权或b0图像。穿插的b0图像可以提高运动-磁敏感伪影的EPI失真校正效果，有利于运动校正和识别潜在的信号漂移。
- •
重建：在可能的情况下，建议在取模操作之前，使用将所有线圈数据合并为单个复图像的技术来重建MRI模值数据，而不是对多个线圈图像进行平方和。后者会放大莱斯信号偏置对角对比度和方向分布函数锐度的负面影响。使用实值或复值MRI数据的持续努力有望最终完全减轻莱斯信号偏置的影响。
- •
数据插值：虽然我们建议以各向同性体素采集数据，但在纤维束追踪之前将dMRI数据重采样到各向同性或高分辨率网格已被证明可以改善细微白质通路的描绘，减少部分容积效应，并增强重建纤维束的解剖学合理性。我们建议以其原始分辨率重建和预处理数据，并将数据重采样作为最后一步。否则，数据重采样会影响噪声特征和Gibbs振铃的周期性，从而降低专用校正策略的效率。
- •
BIDS标准：采用脑成像数据结构（BIDS）等数据标准，推动了预处理流程的可靠和简化使用。BIDS标准将验证数据与任何预处理步骤兼容性所需的关键采集设置信息综合到标准化的数据JSON文件中。许多流程现已采用与供应商无关的BIDS标准，以促进将序列参数直观、简化地集成到处理工作流中。
结论
稳健的弥散MRI预处理流程的发展提升了当今可实现的纤维束追踪质量。去噪、Gibbs伪影去除、失真校正、运动/涡流校正以及多纤维建模等每一步都带来了至关重要的改进——增加了信噪比，减少了偏置，并将弥散数据与解剖结构对齐。大量研究证据表明，与应用未处理或仅经最小处理的数据相比，应用这些步骤能产生更可靠、解剖学上更准确、可重复性更高的纤维束追踪结果。这些益处表现为更高的重测一致性、更好的跨站点协调性以及对已知纤维通路更有效的重建。如今，研究社区已经能够使用实现了所有这些最佳实践的稳健、用户友好的流程。越来越多的预处理流程和库封装了最先进的方法，并免费提供给研究人员使用。我们敦促神经影像研究人员充分利用这些资源，并在可能的情况下，相应地修订图像采集协议。总而言之，你是否知道，用这些流程增强你的弥散MRI数据可以改善你的纤维束追踪结果？文献对此几乎毋庸置疑。通过采用稳健、可及且可重复的预处理流程，我们可以共同提高弥散MRI研究的标准，并确信我们的大脑连接图谱是建立在尽可能好的基础之上的。
