T1norm与EPInorm配准方法对fMRI数据分析的影响

T1norm与EPInorm配准方法对fMRI数据分析的影响

来自新墨西哥州The Mind Research Network研究团体的Vince D.Calhoun 等人在Human Brain Mapping杂志发表的一篇文章对EPInorm和T1norm两种归一化方法进行了对比，结果表明EPInorm处理后的结果比T1norm的结果差异性更小。

Introduction：

fMRI数据的空间归一化已广泛应用于各种软件包，包括AFNI（http://afni.nimh.nih.gov/afni），SPM [Friston，2005]和FSL（www.fmrib.ox .ac.uk）。目前有两种主流归一化方法：EPInorm：通过仿射变换将EPI图像非线性配准到标准空间中的EPI模板。这种方法的优点在于它直接解决了EPI图像的非线性，但缺点是可能存在过度校正（如用不相关的脑区来填充信号丢失区域）。

T1norm：通过被试的EPI图像与T1图像之间进行仿射变换，然后将T1和T1MNI模板进行非线性扭曲，将翘曲参数应用于EPI图像，从而得到MNI归一化的EPI数据。这种方法的优点是它通常依赖于具有较高空间分辨率的T1像来估计对MNI空间的非线性扭曲。但缺点是没有考虑到几何失真对EPI数据的影响，因为这种方法假设仿射变换可以校正同一被试EPI和T1数据之间的任何差异（图1）。

图1. T1norm无法补偿整个大脑中的扭曲（蓝色圆圈），因为T1扫描中不存在。

Methods：

本文通过在四个数据集的组分析中分别应用EPInorm或T1norm两种方法进行EPI空间归一化（图2），然后根据多种指标对比两种方法：

第一个指标（数据集Ex1,2和4）基于被试配准图像的体素差异性进行评估。

第二个指标（数据集Ex3），使用SPM图像对齐算法计算每个被试相对于数据集中某个随机被试的平均位移。

第三个指标（数据集Ex1,2），使用SPM计算GLM模型拟合并计算go / no-go任务结果T值，然后比较两组方法结果T值高于给定阈值（例如，T = 4）的差异。

图2.两种方法的流程图

Results：

1. 配准图像的体素级差异

结果表明T1norm比EPInorm表现较差（T1norm结果的体素级标准偏差更高）。

图3.数据集Ex1b体素级差异结果

2. 配准图像被试间位移的差异

EPInorm较T1norm位移更小，这与体素级标准偏差的结果一致。

图4. 数据集Ex4体素级差异结果

3.go / no-go任务结果T值的差异

两种方法产生的false-alarm-versus-hit结果T值图（无失真校正；阈值 T> 4.0），EPInorm任务相关的T值更高。

图5. 每个被试的mask内T值分布

Discussion：

结果表明，EPInorm处理后的结果比T1norm的结果差异性更小，且被试间的相似度更高，EPInorm处理后的任务数据生成的组T值也高于T1norm。结果还表明，失真校正大大改善了T1norm方法，但对EPInorm方法（已经实现失真校正）的影响较小，甚至无失真校正的EPInorm的结果与失真校正的EPInorm和T1norm的结果一样好或在某些情况下更好。

 参考文献：

Calhoun V D, Wager T D, Krishnan A, et al. The impact of T1 versus EPI spatial normalization templates for fMRI data analyses[J]. Human Brain Mapping, 2017.

微信搜索“思影科技”公众号，第一时间获取脑影像资讯