方法文章

PyDesigner v1.0：一种用于扩散磁共振成像的 DESIGNER 流程的 Python 实现

DOI：

10.3791/66397

⸱

2024年5月17日

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Neuroscience, Medical University of South Carolina, 2Department of Neurology, Medical University of South Carolina, 3Center for Biomedical Imaging, Medical University of South Carolina, 4Center for Biomedical Imaging, Department of Radiology, New York University School of Medicine, 5Department of Radiology and Radiological Science, Medical University of South Carolina

* These authors contributed equally

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文介绍了 PyDesigner，这是一个基于 Python 的弥散磁共振成像（dMRI）处理流程，能够校正典型的 dMRI 伪影，并生成弥散张量成像（DTI）、弥散峰度成像（DKI）、纤维球成像（FBI）、微结构建模（白质完整性 [WMTI] 和纤维球白质 [FBWM]）以及纤维束成像（tractography）的输出结果。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyDesigner 是一个基于 Python 的软件包，其核心源自原始的 dMRI 预处理与张量估计流程——扩散参数吉布斯噪声与噪声去除估计法（Diffusion parameter EStImation with Gibbs and NoisE Removal, DESIGNER，Dv1）。该软件开放供非商业性研究使用，不得用于临床诊疗。PyDesigner 整合了 FSL 和 MRtrix3 中的工具，可实现去噪、吉布斯振铃伪影校正、涡流引起的运动校正、脑部掩膜生成、图像平滑以及瑞利偏倚校正，以优化多种扩散参数的估计。该软件支持 Windows、Mac 和 Linux 多平台运行，可从 DKI、DTI、WMTI、FBI 和 FBWM 数据集中精确提取常用指标，并生成纤维束成像的 ODF 图及 .fib 文件。软件不依赖特定文件格式，支持 .nii、.nii.gz、.mif 和 DICOM 格式的输入。PyDesigner 界面友好、易于安装，同时输出质量控制指标，包括信噪比图、离群体素和头动信息，用于评估数据完整性。此外，该 dMRI 处理流程支持多回波时间数据集的处理，并提供流程定制功能，允许用户自定义所采用的处理步骤及生成的输出内容，以满足多样化的研究需求。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

扩散磁共振成像（dMRI）被广泛用于无创研究大脑的微观结构特性。尽管已提出多种dMRI方法，其中两种常用技术是扩散张量成像（DTI）和扩散峰度成像（DKI）。这两种技术密切相关，DKI是DTI的扩展，包含了对扩散非高斯性的量化1。两者均可提供多种标量扩散参数，并支持白质纤维束成像的构建。DTI和DKI的一个重要优势在于其具有坚实的扩散物理基础，因此其有效性不依赖于对组织微观结构的详细假设2,3。这使得DTI和DKI可应用于任何年龄和疾病状态的受试者的大脑及全身组织。

由于原始的弥散加权成像（DWI）图像会受到多种因素的干扰，包括信号噪声、运动伪影、吉布斯振铃效应、涡流畸变等，因此在计算任何弥散参数之前应进行预处理4。DWI图像的预处理是一个活跃的研究领域，目前已发展得较为成熟。然而，将必要的处理步骤整合为一个能够产生一致结果的单一处理流程仍具挑战性，原因在于多个用户自定义参数需根据dMRI采集的具体细节进行调整，且预处理步骤的执行顺序会影响最终结果。为此，2016年首次提出了“结合吉布斯与噪声去除的弥散参数估计”（DESIGNER，GitHub：NYU-DiffusionMRI/DESIGNER）流程，旨在优化、标准化并简化DWI图像的预处理过程5。DESIGNER Dv1依赖于FSL、MRtrix3、MATLAB和Python中嵌入的软件工具，构建了一个无缝且完整的DWI处理流程——涵盖从预处理中的图像校正到弥散/峰度张量估计的全过程5。通过控制标志位可选择性开启或关闭预处理步骤，从而实现对DWI校正的灵活操作。DESIGNER按照特定顺序进行预处理：(i) Marchenko-Pastur主成分分析（MP-PCA）去噪6,，(ii) 吉布斯振铃校正7，(iii) 回波平面成像（EPI）畸变校正8、涡流校正9、运动校正10及异常值替换11，(iv) B1偏置场校正，(v) 脑部掩模生成，(vi) 平滑处理，(vii) 瑞利噪声偏差校正，以及(viii) b0归一化。按此特定顺序进行预处理可同时提高准确性和有效信噪比（SNR）5。值得注意的是，PyDesigner的每一步均为可选，用户可根据需要决定是否采用。例如，平滑处理对于某些数据集可能并非必要步骤。尽管该步骤有助于减轻滤波误差，但对于超高质量的数据集可能并不需要。因此，用户可仅选择适用于其数据的处理步骤。

由于不同平台在操作系统和环境设置方面存在差异，在多个平台上部署 DESIGNER 具有较大挑战性。特别是，DESIGNER Dv1 主要使用 MATLAB 编写，这导致了显著的可移植性问题，因为实现 Python 与 MATLAB 之间的接口需要复杂的配置。此外，不同版本的 MATLAB、Python 及其依赖库的组合会损害该流程的可重复性。为此，我们开发了完全基于 Python 的 PyDesigner。该 dMRI 处理流程不仅能够实现无缝的预处理，还可被集成到 Docker 容器中，从而显著提升可移植性和可重复性。同时，通过替代 MATLAB 代码，PyDesigner 避免了所有许可费用，提高了使用的可及性。

该dMRI处理流程在DESIGNER所提出的免手动操作方法基础上进行了扩展，新增了多项功能，并整合了FSL和MRtrix3中的工具以完成预处理。我们使用标准的Python数学库（如Numpy12、SciPy13和CVXPY14,15）将DESIGNER中原本基于MATLAB的代码替换为Python代码。该软件在Github上公开提供16。本文的目的并非验证或比较本软件与其他类似软件的性能，而是为用户提供一份逐步指南，以便用户选择使用PyDesigner处理其数据。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

开发和测试该软件所使用的所有数据均是在经机构审查委员会批准的研究方案下收集的。

注意：PyDesigner 基于 MacOS 10.14 构建，在 Windows 系统上运行需要安装适用于 Linux 的 Windows 子系统（WSL）。Linux/Mac 系统可使用相同的命令。

1. 操作系统兼容性

  1. 对于 Windows 系统，请按照链接安装 WSL17，然后继续执行步骤 2.6。
  2. 对于基于 Unix 的系统（如 Linux 和 Mac），请继续前往第 2 节。
    注意：基于 Unix 的系统可直接安装 PyDesigner 及其依赖项。

2. 安装 FSL

注意：所有 PyDesigner 测试均使用 FSL 版本 6.0.2 完成，建议使用 v6.0.2 或更高版本。

  1. 前往 FSL 维基页面18，选择 下载/安装。Windows 用户请转至第 2.6 步。
  2. 在“安装 FSL”标题下选择 下载 FSL。然后选择 FSL 安装软件许可协议，阅读协议内容后点击 同意。
  3. 填写所需信息字段，然后选择 注册。
  4. 选择页面上的第一个链接 下载 FSL，然后选择第二个链接 安装说明链接。根据这些说明为各操作系统下载 FSL。
    注意：FSL 安装过程大约需要 10 分钟。
  5. 为确认安装成功，请在新终端窗口中输入以下命令：
    $ flirt -version。该命令应返回版本号。确认后进入第 3 步。
  6. Windows 用户请遵循 FSL 的 WSL 安装指南19。

3. 创建 Conda 环境

  1. 安装一个 conda 软件包以管理 Python 环境。用户可以选择 Miniconda 或 Anaconda。
    1. 下载 Miniconda/Anaconda20。Mac 和 Linux 用户请继续执行步骤 3.2。
    2. 对于 Windows 系统，请在 WSL21 中设置 conda。
      注意：以下说明以 Miniconda 为例，但相同命令也适用于 Anaconda。尽管 conda 不再支持 Python 3.7，但仍可创建包含 Python 3.7 的 conda 环境，从而能够严格按照本文所述协议实施操作。
  2. 在终端中输入以下命令以创建 conda 环境：$ conda create -n mri python=3.7。所有与 PyDesigner 相关的操作均应使用此 conda 环境。
    1. 当提示 Proceed ([y]/n)? 时，输入 y。
      注意：-n 参数：用于指定 conda 环境的名称。在视频中，该 conda 环境被命名为 mri。
      注意：python=：推荐使用版本 3.7，因为 PyDesigner 是基于此版本构建并测试的。

4. 安装 MRtrix3

  1. 通过输入以下命令激活 conda 环境：$ conda activate mri
  2. 打开 MRtrix3 的下载页面22，并根据相应的操作系统遵循下载说明。安装代码将提示确认某些依赖项。输入 y 以继续下载过程。
    1. 在终端中输入以下命令打印 MRtrix3 文档，以确认安装成功：$ mrinfo -h

5. 安装 PyDesigner

  1. 打开一个新的终端窗口，并在终端中输入以下命令以激活 conda 环境：$ conda activate mri
  2. 运行以下命令：$ pip install PyDesigner-DWI
  3. 为验证安装成功，请在终端中输入以下命令以打印版本号：$ pydesigner -v
    1. 如果出现“"module not found"”错误，请参阅本方案末尾的故障排除部分（第10节）
      注意：输入 $ pydesigner -h 将打印软件命令和语法的帮助文档。PyDesigner 也可通过 Github 下载。请参阅网站上的安装说明23。

6. 数据准备

注意：PyDesigner 支持多种文件类型，如 .nii、.nii.gz、.mif 和 DICOM。在视频中，DICOM 文件在使用此 dMRI 处理流程之前已进行排序并转换为 NIfTI 格式。NIfTI 文件更易于处理，因为它们已去标识化，且每个序列对应一个文件。

  1. 使用 DicomSort 工具对 DICOM 文件进行排序24。
    注意：也可使用任何其他可完成相同任务的 DICOM 排序工具。
  2. 对 DICOM 文件排序后，使用 dcm2niix 将其转换为 NIfTI 文件25。
    1. 在终端中输入以下命令以安装 dcm2niix：
      $ sudo apt install dcm2niix
    2. 下载完成后，在终端中输入以下命令，通过打印 dcm2niix 的文档来验证安装是否成功：$ dcm2niix -h
  3. 运行 dcm2niix 时，在终端中输入以下命令：
    $ dcm2niix -f %s_%p_%d -o pathtosavefolder/ pathtorawdicoms/
    注意：-f：用于指定输出文件的文件名结构，其后可跟随任意所需的文件名格式。视频中使用的是：-f %s_%p_%d。其中 %s、%p 和 %d 分别表示序列号、协议号和描述。任何文件结构均可使用。dcm2niix 的预期输出文件包括 .bval、.bvec、.json 和 .nii 文件。若采集了 TOPUP 数据，则还会生成 .json 和 .nii 格式的 TOPUP 文件。

7. PyDesigner 基本使用方法

注意：PyDesigner 处理单个数据集可能需要长达 1.5 小时，具体时间取决于处理参数和计算机性能。

  1. 要运行标准处理，请使用标志 -s 或 -standard。该命令将按以下顺序执行推荐的预处理流程：去噪6、吉布斯振铃伪影校正7、EPI 畸变校正8、涡流引起的运动校正9、脑组织和脑脊液（CSF）掩膜生成、平滑处理、瑞利偏倚校正、异常值检测11、张量估计以及参数图生成。
  2. 要运行基本的 PyDesigner 命令，首先在终端中输入以下命令以激活 conda 环境：$ conda activate mri
  3. 通过输入以下命令打印软件的帮助文档：$ pydesigner -h。该文档将解释 PyDesigner 的所有可用命令和语法。
  4. 请参考以下示例构建命令：
    $ pydesigner -s --verbose --rpe_pairs 1 -o ./output_folder/ ./input_folder/input1.nii ./input_folder/input2.nii
  5. 请注意以下重要标志：
    1. --verbose：使用此选项可在 PyDesigner 处理数据时查看控制台输出（非必需）。
    2. --rpe pairs #：此选项允许拥有 TOPUP 序列的用户通过使用 TOPUP 加快 EPI 畸变校正8 的处理速度。其中 # 表示将使用 TOPUP 序列中的多少个 B0 体积图像。设置 #=1 可避免对畸变场的过度估计，并减少生成该场所需的时间。通常情况下，使用 #=1 可获得可靠结果。当 #=1 时，PyDesigner 默认使用第一个体积图像。

8. PyDesigner 高级用法：根据用户的个性化需求定制软件

注意：在定制 PyDesigner 时，省略 -s 标志；该标志用于自动预处理命令。

  1. 通过在终端中输入以下命令来激活 conda 环境： $ conda activate mri
  2. 查阅该软件的网站23 有关标志列表；每个标志允许用户单独运行 PyDesigner 的各个部分。
  3. 构建命令。首先设置用户希望执行的每个序列的标志，然后指示 PyDesigner 输入和输出文件的路径。例如：
    $ pydesigner flag1 flag2 flag3 -o ./output_folder/ ./input_folder/input1.nii
  4. 示例1：仅运行张量拟合（不进行额外预处理）。
    1. 通过在终端中输入以下命令来激活 conda 环境： $ conda activate mri
    2. 请查阅 PyDesigner 网站23 有关标志列表，请参见。此示例使用 -米.
    3. -米：添加此标志可将张量拟合限制在脑部体素内，从而加快张量拟合和异常值检测的速度。
    4. 使用以下示例来构建命令：
      $ pydesigner -m -o ./output_folder/ ./input_folder/input1.nii
      注意：张量拟合的输入为经过预处理的.nii文件。
  5. 示例2 单独运行去噪（不进行其他预处理）。
    1. 通过在终端中输入以下命令来激活 conda 环境： $ conda activate mri
    2. 请访问 PyDesigner 网站23 有关标志列表，请参见。此示例使用 - n.
    3. -n：添加此标志以完成去噪步骤。输入先前预处理的DWI文件，即每个受试者输出文件夹中的DWI_preproccessed.nii文件。
    4. 使用以下示例来构建命令：
      $ pydesigner -n -o ./output_folder/ ./input_folder/input1.nii

9. PyDesigner 未来更新

注意：最新信息可访问网站23查询。

  1. 要更新 PyDesigner，请在新的终端窗口中输入以下命令：
    $ pip install --upgrade PyDesigner-DWI
    注意：如果 PyDesigner 是通过 Github16 安装的，则也必须使用 git 进行更新。

10. 安装故障排除

  1. 下载 PyDesigner 时，如果缺少 Python 模块，将出现错误代码 "module not found"。
    1. 通过在终端中输入以下命令来修复缺失的模块：
      $ pip install nameofmodule
    2. 然后在终端中输入以下命令，重新执行第一次安装命令：$ pip install PyDesigner-DWI
    3. PyDesigner 现在应已完全安装。请返回步骤 5.3。如果仍出现相同错误，请重复此过程，直至所有缺失的 Python 模块均被安装。

11. 故障排除输出错误

  1. 如果出现任何问题，请检查 log_command.json 文件以识别任何预处理错误。查看中间文件以确定具体错误。
  2. 如需故障排查帮助，请在 GitHub 页面提交请求16。

12. 使用示例数据集运行 PyDesigner

  1. 从此处下载 OpenNeuro 上的示例数据集26。
    注意：此示例数据集包含原始数据和预处理后的数据。原始数据用于作为 PyDesigner 示例处理的输入。预处理数据是使用 iMac OS v12.4 上的 dMRI 处理流程对原始数据进行处理后生成的输出结果。用户可下载原始数据，使用 PyDesigner 进行处理，并将其输出结果与提供的示例输出进行比较，以确保 PyDesigner 正常运行。原始数据位于主文件夹中（/PyDesigner 示例数据集/sub-01），预处理数据位于 derivatives 文件夹中（/PyDesigner 示例数据集/derivatives/sub-01）。除非另有说明，OpenNeuro 数据集将默认下载至用户的默认文件夹。
  2. 在 Mac/Linux 上打开一个新的终端，或在 Windows 上打开 WSL。
    注意：要运行标准的 PyDesigner 处理流程，请遵循以下示例命令结构。将以下命令输入终端/WSL 中。在此示例中，" ./user_download_folder/" 表示示例数据文件夹的路径。该路径取决于示例数据在用户个人计算机上的存储位置。
  3. 要为输出结果创建一个新文件夹，请在终端中输入以下命令：
    $ mkdir ./user_download_folder/ ds004945-download /PyDesigner_Outputs
  4. 要激活 conda 环境，请在终端中输入以下命令：
    $ conda activate mri
  5. 要在示例数据集上运行 PyDesigner，请在终端中输入以下命令：
    $ pydesigner - o ./user_download_folder/ds004945-download/PyDesigner_Outputs -s ./user_download_folder/ds004945-download/sub-01/dwi/sub-01_dwi.nii
    注意：在此示例中，./user_download_folder/ 表示示例数据文件夹的路径。该路径因用户计算机而异。步骤 12.3 至 12.5 中的命令遵循步骤 8.3 的结构。该命令使用了 -s 标志，即 PyDesigner 的标准处理标志，将按以下顺序执行处理步骤：去噪6、吉布斯振铃校正7、去畸变8,9、脑掩膜生成、平滑处理以及瑞利偏差校正。
  6. 如果软件已正确安装，所有输出结果将填充到新创建的 PyDesigner_Outputs 文件夹中。将 PyDesigner 生成的预处理文件与从 OpenNeuro 下载的 "derivatives" 文件夹中的示例数据集预处理结果进行比较。
    1. 请参考代表性结果部分，将其生成的指标图与示例数据集结果中的指标图进行比较。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyDesigner 软件对原始扩散数据应用多种图像校正步骤，并生成可用于提高分析准确性的输出结果，相较于原始文件具有更高的精度。流程中提供的每一步骤均已通过同行评审的出版物验证5,6,7,8,9,10,11，如引言部分所述。该软件的输出结果可用于多种分析，包括纤维束示踪图谱分析、连接矩阵分析、基于体素的分析、感兴趣区域（ROI）分析、纤维方向分布函数（fODF）分析、基于骨架的张量束统计分析（TBSS）以及基于纤维束的分析。

软件网站23列出了预处理流程中生成的所有输出文件。每次运行提示后，控制台将输出所有已完成流程的描述。输出文件分为三类：处理文件、指标文件和质量控制文件。图1展示了输出目录的结构。这些文件在使用标准预处理时可用（参见方案第7节）。如果用户需要更高级的使用方式（参见方案第8节），可用的输出文件将取决于已完成的流程。

扩散 MRI 处理流程图，包含噪声校正、脑掩膜生成和张量拟合输出。
图 1：PyDesigner 流程的可视化示意图。预处理开始时，将一个输入的 4D DWI 数据提供给 PyDesigner（左上角），随后进行 MP-PCA 去噪，得到去噪后的 4D DWI 数据和一个 3D 噪声图。去噪后的 4D DWI 数据接着进行吉布斯振铃校正、瑞利偏差校正、TOPUP、涡流校正以及异常值校正。随后为后续步骤计算脑掩膜，用于异常值检测和张量拟合，通过仅在脑掩膜内执行运算来加快计算速度。输出结果位于主被试处理文件夹的子目录中，包括 intermediate_nifti、metrics 和 metrics_qc。请注意，PyDesigner 输出的截图并非所有可能输出的详尽列表，而是为用户提供一个示意图例，说明用户可预期的结果。输出结果（包括最终输出和中间文件）将根据用户输入的数据和所使用的处理标志而有所不同。请点击此处查看此图的放大版本。

数据处理
处理文件在 PyDesigner 流程中使用，并存储于根输出目录中。对于每个预处理步骤，中间的 DWI 文件将保存在输出文件夹“intermediate_nifti”中，如图1所示。在排查处理过程或输出结果的问题时，应参考这些文件，以独立评估流程中的每一步。

脑部 MRI 处理阶段；健康脑、脑膜瘤、正常脑分析对比。
图 2：最佳与次优的中间 DWI NIfTI 文件。 该图展示了 PyDesigner 流程中每一步图像校正所生成的中间 NIfTI 文件。第一行展示了使用健康成人脑数据生成的最佳中间文件输出示例；中间一行展示了使用病理脑数据（脑膜瘤）生成的最佳中间文件输出示例；最下面一行展示了使用存在与脑结构或健康无关的磁敏感伪影的健康成人脑数据生成的次优中间文件输出示例。请点击此处查看本图的放大版本。

指标
该文件夹包含 PyDesigner 计算的所有参数图（参见图1）。这些参数图包括 DTI/DKI、纤维球成像（FBI）/纤维球白质（FBWM）以及白质纤维束完整性（WMTI）指标的参数图（表1）16。

figure-results-3
表 1：DTI/DKI 和 FBI/FBWM 指标值的预期范围。 该表格列出了由 PyDesigner 生成的可靠 DTI、DKI、FBI 和 FBWM 指标及其对应的预期值范围。同时列出了计算各指标所需的序列及 b 值（s/mm2）。所列 DTI 指标包括 FA、MD、AD 和 RD；所列 DKI 指标包括 MK、AK、RK 和 KFA；所列 FBI 指标为 FAA；所列 FBWM 指标包括 AWF、DA、DE_AX、DE_RAD 和 FAE。

用户可对平均扩散率（MD）、分数各向异性（FA）和平均峰度（MK）指标进行视觉和数值上的质量控制（QC），以识别不理想的结果。如果这些指标不符合下述标准，用户应检查图2中描述的每一个中间文件，以确定哪一步预处理未成功。

视觉质量控制（Visual QC）用于识别非理想结果（例如，张量拟合问题和伪影）。我们建议使用 ImageJ 进行视觉质量控制，以确保软件默认设置不会对图像进行任何操作。图3 的顶行显示了使用生物学上合理阈值的典型平均扩散率（MD）、各向异性分数（FA）和峰度（MK）指标图，其阈值分别为 0–3 µm2/ms、0–1 µm2/ms 和 0–2 µm2/ms（图3 [顶行]）。MD 图中脑室区域的值应最高，皮层灰质区域的值应较高（图3A [顶行]）。FA 图中应清晰显示贯穿全脑的明显白质纤维束（图3B [顶行]）。MK 图中白质（WM）区域的值应较高，而灰质和脑脊液（CSF）区域的值应较低（图3C [顶行]）。图3D [顶行] 是存在张量拟合问题的指标图示例，表现为零值体素的簇状分布。如果出现任何问题，请检查 log_command.json 文件以查找预处理过程中可能存在的错误，并审查中间文件以确定具体错误。如需故障排查帮助，请在 PyDesigner GitHub 页面提交请求。

数值质量控制用于判断每个数据集中，给定指标图的体素在不同受试者之间是否相对均匀。每种图和数据集的预期值范围取决于数据本身以及 PyDesigner 的参数设置。在我们的测试数据集中，使用 FSLeyes 默认的直方图分箱方法时，MD、FA 和 MK 的峰值分别稳定出现在 8000 至 10,000、2500 至 4000 和 5000 至 13,000 的范围内。图3 的底行展示了直方图变异性的示例。表1 列出了这些指标预期的横轴数值。体素值过高或过低可能是该数据集的特征，也可能提示存在伪影或预处理问题（图3D [底行]）。

脑部 MRI 指标图：MD、FA、MK。通过直方图进行可视化、定量质量控制，图像质量分析。
图 3：PyDesigner 生成的指标图与直方图示例，包含理想与非理想结果。 上排显示用于视觉质量控制的单个受试者的 MD、FA 和 MK 图。下排显示用于数值质量控制的多受试者直方图。(A-C) 通过视觉和数值质量控制的典型指标图与直方图示例。每种指标类型的直方图中每条蓝线代表一个独立数据集。注意每个数据集均呈现相似的曲线，并落在相近的数值范围内。(D) 未通过视觉或数值质量控制的指标图示例。注意该直方图中的红线曲线与 A-C 中的曲线存在差异。该指标图中圈出的零值体素是由于预处理过程中张量拟合问题所致（D 面板，上排）。该直方图是数据集中体素值普遍高于或低于预期的示例（D 面板，下排）。请点击此处查看该图的放大版本。

质量控制
PyDesigner 处理数据后，应使用 metrics_qc 文件夹（见图1）来识别次优数据集。对于每个数据集，PyDesigner 会输出三个用于质量控制的图表。

质控指标、信噪比、头动图、IRLLS 异常值图、扩散成像。
图 4：PyDesigner 生成的最优与次优数据集的质控直方图。 由 PyDesigner 生成的信噪比（SNR）、层间头动及异常值直方图。两行数据均来自健康成人大脑。上排为最优数据集的质量控制直方图示例；下排显示的是一个次优数据集的质量控制结果，其中存在与脑结构或健康无关的磁敏感伪影。请注意，PyDesigner 默认输出中的标签文字大小比本图中显示的要小，本图已增大文字尺寸以提高可读性。请点击此处查看该图的放大版本。

图4中的head_motion图显示了头部相对于第一个体积和前一个体积的位移。如图4（图版1）所示，头部位移通常较小，PyDesigner在标准处理流程中使用FSL程序Eddy结合TOPUP对这些运动伪影进行校正9。对于次优数据集，head_motion图可能显示为空白，如图4（图版4）所示。这表明涡流运动校正失败，因此PyDesigner无法输出图形。涡流校正的日志文件可在metrics_qc文件夹内的eddy子文件夹中找到（见图1）。信噪比（SNR）图包含3个子图，每个子图对应不同的b值，并同时显示预处理后和原始数据。对于理想数据集，原始数据的SNR峰值应≥5（图4［图版2］）。次优数据集的原始数据SNR峰值通常≤3（图4［图版5］）。理想情况下，用户应观察到所有b值对应的SNR峰值略有上升，但不应显著增加。异常值图位于metrics_qc文件夹内的fitting子文件夹中，显示数据集中异常值所占的百分比（图4［图版3和6］）。良好的数据集应具有较低的异常值百分比，通常低于5%（图4［图版3］）。次优数据集则会表现出较高的异常值百分比，如图4（图版6）所示。

示例数据集结果
PyDesigner 完成对示例数据集的处理后，所有输出应位于“PyDesigner_Outputs”文件夹中。这些输出可与从 OpenNeuro 下载的示例数据集所附带的“derivatives”文件夹中的结果进行比较（该结果在 macOS 12.4 系统上处理生成）。如果软件运行正确，“PyDesigner_Outputs”与“derivatives”文件夹的文件结构应完全相同。同样，“metrics_qc”子文件夹中的信噪比（SNR）、头动及异常值图应与图5A中的结果一致。度量图谱（位于“metrics”子文件夹中）可通过 FSLeyes、MRIcron、ImageJ 等影像软件进行可视化比对。预处理后得到的 FA、MD 和 MK 值的直方图可在图5B中查看。请注意，图5B中所有度量直方图的尺度均依据表1中建议的度量值范围进行标准化。

头部运动分析、信噪比评估、MK 图谱；FA、MD、MK 图谱；MRI 图像数据、扩散研究
图 5：示例数据指标及指标质量控制直方图。 （A）由 PyDesigner 为从 OpenNeuro 下载的示例数据生成的信噪比（SNR）、层间头部运动及异常值直方图。请注意，本图中图表的文本大小已增大，以提高可读性。（B）同一数据集的单个受试者 FA、MD 和 MK 指标图谱的体素值计数直方图，通过 FSLeyes v6.0 进行可视化展示。请点击此处查看该图的放大版本。

使用 PyDesigner、DESIGNER、DKE 和 DIPY 方法得到的 MD、FA 和 MK 图像的扩散 MRI 脑部图像对比。
图 6：由 PyDesigner、DESIGNER、DKE 和 DIPY 得到的 DTI 与 DKI 图像。 在 PyDesigner、DESIGNER5 和扩散峰度估计器（Diffusional Kurtosis Estimator, DKE）27 中，张量拟合采用了 Kapp > 0 的约束条件，而由于软件限制，在 Python 扩散成像工具（Diffusion Imaging in Python, DIPY）28 中采用了无约束拟合。MD 的单位为平方微米每毫秒（µm2/ms），其余指标为无量纲量。在 DESIGNER、DKE 和 DIPY 生成的 MK 图像中可见由于吉布斯振铃伪影校正带来的通用性信号丢失问题。本图经 Dhiman 等人29 许可后重制。请点击此处查看该图的放大版本。

PyDesigner、DESIGNER、DKE、DIPY 软件比较的指标分布图。
图 7：各流程在 FA、MD 和 MK 上的比较。 在排除脑脊液的脑组织中，PyDesigner、DESIGNER5、DKE27 和 DIPY28 计算得到的 FA、MD 和 MK 值在大多数体素中的分布相似。不同方法在指标图计算上具有可比性。本图已获 Dhiman 等人29 许可转载。请点击此处查看此图的放大版本。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

开发 PyDesigner 的主要动机是实现 DESIGNER 的核心功能，同时将所有 MATLAB 代码替换为 Python，从而提高可移植性和可访问性。PyDesigner 与 DESIGNER Dv1 产生的输出几乎完全相同29。尽管如此，PyDesigner 还包含了一些额外的选项、默认设置以及少量错误修复。在线的 PyDesigner 文档16 对这些内容进行了详细说明。

PyDesigner 的结果与常用的扩散峰度估计器（Diffusional Kurtosis Estimator, DKE）27 和 Python 扩散成像工具（Diffusion Imaging in Python, DIPY）28 的 DKI 分析工具29 相似（见图6和图7），但由于其拟合算法的优势，基于 DESIGNER 预处理 dMRI 生成的图谱被认为更加准确，如 Ades-Aron 等人5 所证实。参见图6，比较 PyDesigner、DESIGNER5、DKE27 和 DIPY28 所得的 MD、FA 和 MK 指标图谱。图7展示了各分析流程所得 MD、FA 和 MK 直方图的对比。结合受限张量拟合、异常值检测和表观峰度系数校正，可实现更稳健且准确的张量拟合，这一点在 PyDesigner 和 DESIGNER5 中均有所体现。

与 DESIGNER Dv1 相比，PyDesigner 的一个优势在于其可通过 NeuroDock Docker 容器30获取，这大大增强了可移植性并简化了安装过程。该容器可在所有支持 Docker 的主流操作系统平台上运行，包括 Windows、Mac OS 以及各种 Linux 发行版。根据用户反馈，PyDesigner v2.0 将对 PyDesigner Docker 容器进行更新。新版本 PyDesigner 引入的改进以及多阶段 Dockerfile 的引入将解决用户当前面临的所有问题。如果用户在安装过程中遇到问题，建议将疑问提交至 PyDesigner 讨论页面16。Docker 的容器技术还支持将程序便捷地部署到高性能计算集群（HPC）上，从而可在支持 Docker 的本地集群中快速批量处理 DWI 数据。

PyDesigner 还包含超越 DKI 的微结构建模计算方法，包括 WMTI3、FBI 和 FBWM。对于 WMTI，标准的 DKI 数据集已足够，相关微结构参数将默认计算。然而必须强调的是，WMTI 的有效性仅限于具有高 FA 值的白质区域（即 FA ≥ 0.4）。由于假设了任意给定体素内轴突的平行排列，某些 WMTI 指标存在精度受限的问题31。FBI32,33,34 是一种适用于全脑白质的独特 dMRI 方法，需要较高的 b 值（即 b ≥ 4000 s/mm2），并要求 dMRI 数据至少采集 64 个弥散编码方向（同时需包含 b = 0 的数据）。FBI 的主要输出结果是每个白质体素的纤维取向密度函数（fODF），可用于白质纤维束成像，并作为 FBWM 的输入，此外还包括轴内分数各向异性（FAA）。FBWM 利用来自 DKI 和 FBI 的 dMRI 数据，估算与 WMTI 相同的参数，但具有更高的准确性，且可应用于全脑白质，不受 FA 值限制。因此，若有上述额外数据可用，则优先采用 FBWM 而非 WMTI 的估算结果35。与 FBI 相同，FBWM 目前仅在成人脑白质中得到验证。

除了 PyDesigner 提供的旋转不变量（RAS 方向）外，还分别为 DTI、DKI 和 FBI 生成适用于 DSIstudio 的特定 .fib 文件（LPS 方向）。这些 .fib 文件包含用于生成各方法纤维束成像图谱的 ODF 方向信息。所得的纤维束成像图谱可用于在个体和群体水平上构建连接矩阵。DKI 和 FBI 的 .fib 文件包含反映交叉纤维信息的多方向数据，而 DTI 纤维束成像无法提供此类信息。此外，每个 .fib 文件中还包含了各方法的多种旋转不变量，这些不变量可组合用作纤维束成像的种子、执行和终止标准。有关 DSIstudio 的更多详细信息，请访问其官方网站36。

PyDesigner 的另一个显著特点是支持多文件输入，可处理多种格式的文件输入——NifTi（.nii）、压缩的 NifTi（.nii.gz）、DICOM（.dcm）以及 MRtrix 文件格式（.mif）。无论输入格式如何，PyDesigner 均能自动从头部元数据中识别采集信息，并据此执行相应的校正，从而实现无人干预的操作流程。尽管扫描协议存在差异，均可使用相同的命令（见上文）来处理各种类型的弥散加权成像（DWI）数据。因此，该软件通过最大限度减少手动预处理步骤和命令，节省了时间和精力。在最近发布的更新版本（v1.0-RC10）中，进一步增强了对多回波时间（multi-TE）数据集的兼容性。这使得 PyDesigner 能够在多回波时间 DWI 数据上运行基本与回波时间（TE）无关的图像预处理步骤，从而获得噪声和伪影最小的图像；随后再对每个 TE 数据单独进行依赖于 TE 的张量计算，以生成扩散或峰度参数指标。

需要注意的是，PyDesigner v1.0 并不代表图像预处理流程设计的终点。图像处理工具的开发与验证目前仍是活跃的研究领域。特别是在本文撰写过程中，出现了图像去噪和吉布斯振铃伪影去除方面的新进展，由此发布了一个更新的 Designer 流程——Designer Dv237，该版本对采用部分傅里叶采集的 dMRI 数据提供了改进的去噪和吉布斯伪影校正功能35，并可在 DESIGNER Github38 上获取。同样，BIDS39 格式合规性是任何 MRI 分析流程中的一个重要方面。BIDS 格式通过为所有 MRI 数据类型建立特定的目录结构，实现了更高效的数据共享和流程实施。尽管当前版本的 PyDesigner 尚不支持 BIDS 格式，但即将发布的 PyDesigner 版本将提供符合 BIDS 标准的输出。此外，PyDesigner 最初使用 Python 3.7 版本编写。在本文发表时，Python 3.7 已被视为过时版本。然而， 本文所包含的信息与 Python 版本无关。也就是说，本文所描述的关键预处理功能（例如去噪、吉布斯振铃校正等）在操作和概念流程上将保持一致，不受安装流程变更的影响。重要的是，与所有基于 Python 的软件一样，未来的 PyDesigner 版本将逐步更新至新的 Python 版本。我们将持续致力于验证并整合这些技术进展。

为了获取 PyDesigner 的最新版本，包括与 Python 版本更新相关的任何新文档，建议读者在开始新分析之前访问其网站，并参与讨论论坛，在其中提交有关 PyDesigner 的问题16。为实现可移植性的 Docker 实现称为 NeuroDock30，其中包含 PyDesigner 及其依赖项，可在多种平台上实现数据处理。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

我们感谢与 Olivia Horn、Daniel Lench 和 Graham Warner 进行的有益讨论。

本研究的部分工作获得了美国国立卫生研究院基金 R01AG054159、R01AG057602、R01AG055132、R01DC014021、R01NS110347、R21DA050085、F31NS108623、P20GM109040、P50DC000422、T32GM008716 和 T32DC014435 的支持。本内容仅由作者负责，不代表美国国立卫生研究院的官方观点。额外的资金由利特温基金会提供。

材料

本文使用的材料清单
姓名公司目录编号评论
Python 3.7 或更高版本Python 软件基金会https://www.python.org/
FMRIB 软件库（FSL）6.0.2 或更高版本牛津大学综合神经影像中心https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/
MRtrix3 3.0_RC3 或更高版本多位贡献者https://www.mrtrix.org/
AnacondaAnacondahttps://anaconda.org/
计算机AppleMac OS 10.14基于 Mac OS 10.14 构建；已在 Mac OS 12.4、Mac OS 13 以及通过 WSL 在 Windows 11 上测试

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Jensen, J. H., Helpern, J. A. MRI quantification of non-Gaussian water diffusion by kurtosis analysis. NMR Biomed. 23 (7), 698-710 (2010).
  2. Basser, P. J. Relationships between diffusion tensor and q-space MRI. Magn Reson Med. 47 (2), 392-397 (2002).
  3. Fieremans, E., Jensen, J. H., Helpern, J. A. White matter characterization with diffusional kurtosis imaging. Neuroimage. 58 (1), 177-188 (2011).
  4. Le Bihan, D., Poupon, C., Amadon, A., Lethimonnier, F. Artifacts and pitfalls in diffusion MRI. J Magn Reson Imaging. 24 (3), 478-488 (2006).
  5. Ades-Aron, B., et al. Evaluation of the accuracy and precision of the diffusion parameter EStImation with Gibbs and NoisE removal pipeline. Neuroimage. 183, 532-543 (2018).
  6. Veraart, J., Novikov, D. S., Christiaens, D., Ades-aron, B., Sijbers, J., Fieremans, E. Denoising of diffusion MRI using random matrix theory. Neuroimage. 142, 394-406 (2016).
  7. Kellner, E., Dhital, B., Kiselev, V. G., Reisert, M. Gibbs-ringing artifact removal based on local subvoxel-shifts. Magn Reson Med. 76 (5), 1574-1581 (2016).
  8. Holland, D., Kuperman, J. M., Dale, A. M. Efficient correction of inhomogeneous static magnetic field-induced distortion in Echo Planar Imaging. Neuroimage. 50 (1), 175-183 (2010).
  9. Andersson, J. L. R., Sotiropoulos, S. N. An integrated approach to correction for off-resonance effects and subject movement in diffusion MR imaging. Neuroimage. 125, 1063-1078 (2016).
  10. Godenschweger, F., et al. Motion correction in MRI of the brain. Phys Med Biol. 61 (5), 32-56 (2016).
  11. Andersson, J. L. R., Graham, M. S., Zsoldos, E., Sotiropoulos, S. N. Incorporating outlier detection and replacement into a non-parametric framework for movement and distortion correction of diffusion MR images. Neuroimage. 141, 556-572 (2016).
  12. Harris, C. R., et al. Array programming with NumPy. Nature. 585 (7825), 357-362 (2020).
  13. Virtanen, P., et al. SciPy 1.0: fundamental algorithms for scientific computing in Python. Nat Methods. 17 (3), 261-272 (2020).
  14. Agrawal, A., Verschueren, R., Diamond, S., Boyd, S. A rewriting system for convex optimization problems. J Control Decis. 5 (1), 42-60 (2018).
  15. Diamond, S., Boyd, S. CVXPY: A Python-embedded modeling language for convex optimization. , Available from: http://arxiv.org/abs/1603.00943 (2016).
  16. PyDesigner. , Available from: https://github.com/muscbridge/PyDesigner (2023).
  17. How to install Linux on Windows with WSL. , Available from: https://learn.microsoft.com/en-us/windows/wsl/install (2023).
  18. FSL Wiki. , Available from: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki (2024).
  19. Fsl Instillation. , Available from: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation/Windows (2024).
  20. Installing conda. , Available from: https://conda.io/projects/conda/en/stable/user-guide/install/download.html (2024).
  21. Steps to install Anaconda on Windows Ubuntu terminal. , Available from: https://gist.github.com/kauffmanes/5e74916617f9993bc3479f401dfec7da (2024).
  22. Install MRtrix3. , Available from: https://www.mrtrix.org (2024).
  23. PyDesigner Read the Docs. , Available from: https://pydesigner.readthedocs.io/en/latest/ (2024).
  24. dicomSort. , Available from: https://github.com/muscbridgelab/dicomSort (2024).
  25. dcm2niix. , Available from: https://github.com/rordenlab/dcm2niix (2024).
  26. PyDesigner Example Dataset. , Available from: https://openneuro.org/datasets/ds004945 (2024).
  27. Tabesh, A., Jensen, J. H., Ardekani, B. A., Helpern, J. A. Estimation of tensors and tensor-derived measures in diffusional kurtosis imaging. Magn Reson Med. 65 (3), 823-836 (2011).
  28. Garyfallidis, E., et al. Dipy, a library for the analysis of diffusion MRI data. Front Neuroinform. 8, 8(2014).
  29. Dhiman, S., et al. PyDesigner: A Pythonic implementation of the DESIGNER pipeline for diffusion tensor and diffusional Kurtosis imaging. bioRxiv. , (2021).
  30. Neurodock. , Available from: https://hub.docker.com/r/dmri/neurodock (2024).
  31. Jelescu, I. O., et al. One diffusion acquisition and different white matter models: How does microstructure change in human early development based on WMTI and NODDI. Neuroimage. 107, 242-256 (2015).
  32. Jensen, J. H., Russell Glenn, G., Helpern, J. A. Fiber ball imaging. Neuroimage. 124, 824-833 (2016).
  33. Moss, H. G., Jensen, J. H. High fidelity fiber orientation density functions from fiber ball imaging. NMR Biomed. 35 (1), e4613(2022).
  34. Moss, H. G., McKinnon, E. T., Glenn, G. R., Helpern, J. A., Jensen, J. H. Optimization of data acquisition and analysis for fiber ball imaging. Neuroimage. 200, 690-703 (2019).
  35. McKinnon, E. T., Helpern, J. A., Jensen, J. H. Modeling white matter microstructure with fiber ball imaging. Neuroimage. 176, 11-21 (2018).
  36. DSIstudio. , Available from: https://dsi-studio.labsolver.org (2024).
  37. Chen, J., et al. Optimization and validation of the DESIGNER dMRI preprocessing pipeline in white matter aging. ArXiv. , arXiv:2305.14445v2 (2024).
  38. DESIGNER. , Available from: https://github.com/NYU-DiffusionMRI/DESIGNER (2024).
  39. Gorgolewski, K. J., et al. The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Sci Data. 3, 160044(2016).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

MRI MRI ODFs
视频即将推出

相关文章