JoVE Logo
发表
联系我们

登录

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

在这里，我们介绍了 PyDesigner，这是一种基于 Python 的扩散磁共振成像 （dMRI） 处理管道，能够校正典型的 dMRI 伪影并生成扩散张量成像 （DTI）、扩散峰度成像 （DKI）、纤维球成像 （FBI）、微观结构建模（白质完整性 [WMTI] 和纤维球白质 [FBWM]）和束成像输出。

摘要

PyDesigner 是一个基于 Python 的软件包，基于原始扩散参数 EStImation with Gibbs 和 NoisE Removal （DESIGNER） 管道 （Dv1），用于 dMRI 预处理和张量估计。该软件公开提供用于非商业研究，不得用于临床护理。PyDesigner 结合了 FSL 和 MRtrix3 中的工具来执行去噪、吉布斯振铃校正、涡流运动校正、脑遮罩、图像平滑和 Rician 偏差校正，以优化多个扩散测量的估计。它可以在 Windows、Mac 和 Linux 上跨平台使用，以从 DKI、DTI、WMTI、FBI 和 FBWM 数据集以及束成像 ODF 和 .fib 文件中准确导出常用指标。它还与文件格式无关，接受 .nii、.nii.gz、.mif 和 dicom 格式的输入。该软件用户友好且易于安装，还可以输出质量控制指标，说明信噪比图、异常体素和头部运动，以评估数据完整性。此外，此 dMRI 处理管道支持多个回波时间数据集处理和功能管道定制，允许用户指定采用哪些流程以及生成哪些输出以满足各种用户需求。

引言

弥散 MRI （dMRI） 广泛用于大脑微观结构特性的无创研究。虽然已经提出了许多 dMRI 方法，但两种常用的是弥散张量成像 （DTI） 和弥散峰度成像 （DKI）。这些技术密切相关，DKI 是 DTI 的延伸，包括扩散非高斯1 的量化。两者都提供了多种标量扩散措施，并能够构建白质纤维束造影。DTI 和 DKI 的一个重要优点是它们在扩散物理学方面有坚实的基础，因此它们的有效性不依赖于关于组织微观结构的详细假设 2,3。这使得 DTI 和 DKI 可以应用于任何年龄和疾病状态的参与者的整个大脑和身体。

由于原始扩散加权图像 （DWI） 会因多种因素而退化，包括信号噪声、运动、吉布斯振铃和涡流失真，因此应在计算任何扩散量之前进行预处理4。DWI 的预处理是一个活跃的研究领域，现在已经高度发展。然而，将必要的处理步骤组合到一个管道中以提供一致的结果是具有挑战性的，因为必须根据 dMRI 采集的细节调整几个用户定义的设置，并且因为执行预处理步骤的顺序会影响结果。出于这个原因，扩散参数 EStImation with Gibbs and NoisE Removal（设计师，GitHub：NYU-DiffusionMRI/DESIGNER）管道最初于 2016 年提出，以优化、标准化和简化 DWI的预处理 5。DESIGNER Dv1 依靠嵌入在 FSL、MRtrix3、MATLAB 和 Python 中的软件工具来创建无缝且完整的 DWI 流程 - 该流程包括通过预处理和扩散/峰度张量估计进行图像校正5。使用控制标志来打开或关闭预处理步骤，可以有选择地执行 DWI 校正。DESIGNER 按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） 回声平面成像 （EPI） 失真校正8，涡流校正9，运动校正10 和异常值替换11，（iv） B1 偏置场校正，（v） 脑掩码生成，（vi） 平滑，（vii） Rician 噪声偏置校正，以及 （viii） b0 归一化。按此特定顺序进行预处理可以提高精度和有效信噪比 （SNR）5。值得注意的是，PyDesigner 的每个步骤都是可选的，可以根据用户偏好使用或跳过。例如，对于某些数据集，平滑可能不是必要的预处理步骤。尽管它有助于减少筛选错误，但对于超高质量的数据集来说，它可能不需要。因此，用户可以选择仅采用其数据所需的步骤。

由于作系统和环境设置的差异，跨平台实施 DESIGNER 具有挑战性。特别是，DESIGNER Dv1 主要用 MATLAB 编写的事实造成了重大的可移植性问题，这是由于启用 Python-MATLAB 接口所需的复杂配置要求引起的。此外，MATLAB、Python 和依赖项版本的不同组合会影响此管道的可重复性。因此，我们开发了完全基于 Python 的 PyDesigner。这个 dMRI 处理管道不仅允许无缝预处理，而且还允许将管道合并到 Docker 容器中，这大大增强了可移植性和可再现性。此外，通过替换 MATLAB 代码，PyDesigner 避免了所有许可费用并提高了可访问性。

此 dMRI 处理管道增强了 DESIGNER 引入的免提方法，增加了几项新功能，并结合了 FSL 和 MRtrix3 中的工具来执行预处理。标准数学 Python 库（如 Numpy12、SciPy13 和 CVXPY14,15）用于将 DESIGNER 的 MATLAB 部分替换为 Python 代码。该软件在 Github16 上公开提供和可用。本文的目标不是验证或将我们的软件与类似软件进行比较，而是为用户提供使用 PyDesigner 处理数据的分步指南（如果他们选择这样做）。

研究方案

用于开发和测试该软件的所有数据均根据机构审查委员会批准的研究方案收集。

注意：PyDesigner 基于 MacOS 10.14 构建，需要适用于 Linux 的 Windows 子系统 （WSL） 才能在 Windows 上运行。相同的命令可用于 Linux/Mac 系统。

1.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（例如 Linux 和 Mac），请继续执行第 2 节。
    注意：基于 Unix 的系统可以在本机安装 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. 转到 FSL wiki18 并选择 下载/安装。对于 Windows 用户，请转到步骤 2.6。
  2. 在 Installing FSL （安装 FSL） 标题下选择 Download FSL （下载 FSL ）。然后选择 FSL 安装软件许可证，阅读协议，然后选择 同意。
  3. 填写必填字段，然后选择 Register。
  4. 选择 Download FSL （下载 FSL） 链接（页面上的第一个链接）。然后选择 安装说明链接 （页面上的第二个链接）。按照这些说明下载适用于每个作系统的 FSL。
    注意：安装 FSL 大约需要 10 分钟。
  5. 要验证安装是否成功，请在新的终端窗口中输入以下内容：
    $ flirt -version .这应该返回版本号。继续执行步骤 3。
  6. 对于 Windows 用户，请遵循 FSL19 的 WSL 安装指南。

3. 创建 Conda 环境

  1. 安装 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 用户继续执行步骤 3.2。
    2. 对于 Windows，请在 WSL21 中设置 conda。
      注意： 以下说明适用于 Miniconda，但相同的命令适用于 Anaconda。尽管 conda 不再支持 Python 3.7，但仍可以使用 Python 3.7 创建 conda 环境，从而允许按照所述精确实施此协议。
  2. 在终端中输入以下内容以创建 conda 环境： $ conda create -n mri python=3.7。将此 conda 环境用于所有与 PyDesigner 相关的活动。
    1. 当提示按 Proceed ([y]/n)? Enter y时。
      注意：-n 标志：使用此标志指示 conda 环境的名称。在视频中，conda 环境名为 mri。
      注意： python=建议使用 3.7 版，因为 PyDesigner 是在此版本上构建和测试的。

4. 安装 MRtrix3

  1. 输入以下命令激活 conda 环境： $ conda activate mri
  2. 打开 MRtrix322 的下载页面，然后按照相应作系统的下载说明进行作。安装代码将要求确认某些依赖项。Enter y 以继续下载过程。
    1. 通过在终端中输入以下内容来打印 MRtrix3 文档以确认安装： $ mrinfo -h

5. 安装 PyDesigner

  1. 打开一个新的终端窗口，并通过在终端中输入以下内容来激活 conda 环境： $ conda activate mri
  2. 运行命令： $ pip install PyDesigner-DWI
  3. 要验证安装是否成功，请在终端中输入以下内容来打印版本号： $ pydesigner -v
    1. 如果出现错误 “module not found” ，请参阅协议末尾的 故障排除 部分（第 10 节）
      注意： $ pydesigner -h 将打印解释软件命令和语法的帮助文档。PyDesigner 也可以通过 Github 下载。请参阅网站上的安装说明23.

6. 数据准备

注意：PyDesigner 适用于多种文件类型，例如 .nii、.nii.gz、.mif 和 DICOM。在视频中，DICOM 在使用此 dMRI 处理管道之前被排序并转换为 NIfTI。NIfTI 文件更易于使用，因为它们是去标识化的，并且每个序列有一个文件。

  1. 要对 DICOM 进行排序，请使用 DicomSort 工具24。
    注意：允许使用任何其他可用的 DICOM 排序工具来完成相同的任务。
  2. 对 DICOM 进行排序后，使用 dcm2niix25 将它们转换为 NIfTI 文件。
    1. 通过在终端中输入以下命令来安装 dcm2niix：
      $ sudo apt installdcm2niix
    2. 下载后，在终端中键入以下内容，通过打印 dcm2nii 的文档来验证安装： $ dcm2niix -h
  3. 要运行 dcm2niix，请在终端中输入以下命令：
    $ dcm2niix -f %s_%p_%d -o pathtosavefolder/ pathtorawdicoms/
    注意：-f：要指定输出文件的文件名结构，请在此标签后加上任何所需的文件名结构。视频使用：-f %s_%p_%d 。%s、%p 和 %d 分别是系列、协议编号和描述的表示法。任何文件结构都可以使用。dcm2niix 的预期输出是 .bval、.bvec、.json 和 .nii 文件。如果获取了 TOPUP 数据，则将有 .json 和 .nii TOPUP 文件。

7. PyDesigner 的基本用法

注意：单个数据集的 PyDesigner 可能需要长达 1.5 小时，具体取决于处理参数和计算机功能。

  1. 要运行标准处理，请使用标志 -s 或 -standard.此命令将按以下顺序运行推荐的预处理管道：降噪6、吉布斯振铃校正7、EPI 失真校正8、涡流运动校正9、创建脑和脑脊液 （CSF） 掩码、平滑、Rician 偏差校正、异常值检测11、张量估计和创建参数映射。
  2. 要运行基本的 PyDesigner 命令，请首先通过在终端中输入以下命令来激活 conda 环境： $ conda activate mri
  3. 输入以下命令打印软件的帮助文档： $ pydesigner -h。本文档介绍了 PyDesigner 的所有可能命令和语法。
  4. 使用以下示例来构建命令。
    $ 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 控制台处理数据时查看它（不需要）。
    2. --rpe pairs #：使用此选项可允许具有 TOPUP 序列的用户通过使用 TOPUP 加快 EPI 失真校正8 过程。# 是指将使用 TOPUP 序列中的多少个 B0 卷。使用 #=1 可以防止高估失真场，并减少创建此场所需的时间。用户经常使用 #=1 并获得可靠的结果。使用 #=1 时，PyDesigner 将默认使用第一个卷。

8. 高级 PyDesigner 使用：根据用户的个人需求定制软件

注意：在定制 PyDesigner 时，省略 -s 标志;此标志是用于自动预处理的命令。

  1. 通过在终端中输入以下命令来激活 conda 环境： $ conda activate mri
  2. 有关标志列表，请参阅软件的网站23 ;每个标志允许用户单独运行 PyDesigner 的每个部分。
  3. 构建命令。从用户要执行的每个序列的标志开始。然后，将 PyDesigner 定向到输入和输出文件。例如：
    $ pydesigner flag1 flag2 flag3 -o ./output_folder/ ./input_folder/input1.nii
  4. 示例 1：单独运行张量拟合（无需额外的预处理）。
    1. 通过在终端中输入以下命令来激活 conda 环境： $ conda activate mri
    2. 有关标志列表，请参阅 PyDesigner 网站23 。此示例使用 -m.
    3. -m：添加此标志以将张量拟合限制为仅在大脑体素内。这加快了张量拟合 + 异常值检测的速度。
    4. 使用以下示例构建命令：
      $ pydesigner -m -o ./output_folder/ ./input_folder/input1.nii
      注意：张量拟合的输入是预处理的 .nii 文件。
  5. 示例 2：单独运行降噪（无需额外的预处理）。
    1. 通过在终端中输入以下内容来激活 conda 环境： $ conda activate mri
    2. 有关标志列表，请参阅 PyDesigner 网站23 。此示例使用 -n.
    3. -n：添加此标志以完成降噪步骤。输入以前预处理过的标记为 DWI_preproccessed.nii 的 DWI 文件，该文件位于每个主题的输出文件夹中。
    4. 使用以下示例构建命令：
      $ pydesigner -n -o ./output_folder/ ./input_folder/input1.nii

9. 未来的 PyDesigner 更新

注意：更新可以在网站23 上找到。

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

10. 安装疑难解答

  1. 下载 PyDesigner 时，如果缺少 Python 模块，则会出现错误代码 “module not found”。
    1. 通过在终端中输入以下内容来修复缺失的模块：
      $ pip install nameofmodule
    2. 然后通过在终端中输入以下内容来重复第一个 install 命令： $ pip install PyDesigner-DWI
    3. PyDesigner 现在应该已完全安装。请返回步骤 5.3。如果出现相同的错误，请重复此过程，直到安装所有缺少的 Python 模块。

11. 解决输出错误

  1. 如果出现任何问题，请查看 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. 有关故障排除的帮助，请在 GitHub 第16 页上提交请求。

12. 使用示例数据集运行 PyDesigner

  1. 在此处下载 OpenNeuro 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数据。原始数据旨在用作 PyDesigner 示例处理的输入。预处理后的数据包括在 iMac OS v12.4 上使用 dMRI 处理管道处理原始数据后生成的输出。用户可以下载原始数据，使用 PyDesigner 处理这些数据，并将其输出与提供的示例输出进行比较，以确保 PyDesigner 正常运行。原始数据包含在主文件夹 （/PyDesigner Example Dataset/sub-01） 中，预处理后的数据包含在衍生文件夹 （/PyDesigner Example Dataset/derivatives/sub-01） 中。除非另有说明，否则 OpenNeuro 数据集将下载到默认用户文件夹中。
  2. 在 Mac/Linux 上打开新终端，或在 Windows 上打开 WSL。
    注意：要运行标准 PyDesigner 处理管道，请按照下面的示例命令结构进行作。在终端/WSL 中输入以下命令。在此示例中，其中 “ ./user_download_folder/” 表示示例数据文件夹的路径。此路径将特定于示例数据在单个用户计算机上的存储位置。
  3. 要为输出创建新文件夹，请在终端中输入以下内容：
    $ mkdir ./user_download_folder/ ds004945-download /PyDesigner_Outputs
  4. 要激活 conda 环境，请在终端中输入以下内容：
    $ conda activate mri
  5. 要在示例数据集上运行 PyDesigner，请在终端中输入以下内容：
    $ 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。此路径将特定于每个用户的计算机。步骤 12.3 到 12.5 中的命令遵循步骤 8.3 的结构。此命令使用 PyDesigner 的标准处理标志 -s 标志，它按以下顺序运行以下处理步骤：降噪6、吉布斯振铃校正7、解失真 8,9、脑掩码、平滑和里西亚偏差校正。
  6. 如果软件安装正确，所有输出都将填充到新创建的 PyDesigner_Outputs 文件夹中。将 PyDesigner 生成的预处理文件与从 OpenNeuro 下载的 “derivatives” 文件夹中找到的示例数据集预处理文件夹进行比较。
    1. 请参阅代表性结果部分，将其指标映射与示例数据集结果中的指标映射进行比较。

结果

PyDesigner 软件将多个图像校正步骤应用于原始扩散数据，并生成用于在进行分析时提高原始文件准确性的输出。管道中可用的每个步骤之前都已通过同行评审出版物5、6、7、8、9、10、11 进行验证，如引言中所述。该软件的输出可用于分析，例如线束剖面、连接矩阵、体素分析、ROI 分析、fODF 分析、TBSS 和基于固定的分析。

软件网站23 列出了预处理管道期间生成的所有输出文件。运行每个提示后，控制台将输出所有已完成进程的描述。输出文件有 3 种类型：处理文件、量度和质量控制。输出目录结构如图 1 所示。这些文件在使用标准预处理时可用（请参阅协议的第 7 节）。如果用户需要更高级的用法（请参阅协议的第 8 节），则可用的输出文件将取决于已完成的进程。

figure-results-778
图 1：PyDesigner 管道的可视化表示。 预处理首先向 PyDesigner （左上）提供输入 4D DWI，然后进行 MP-PCA 降噪，以生成去噪的 4D DWI 和 3D 噪声图。然后，去噪后的 4D DWI 进行吉布斯振铃校正、Rician 偏置校正、TOPUP、涡流校正和异常值校正。然后为后续步骤、异常值检测和张量拟合计算脑掩码，以通过在脑掩码内执行计算来加快计算速度。输出可以在主主题处理文件夹的子目录中找到 intermediate_nifti、 metrics 和 metrics_qc。请注意，PyDesigner 输出的屏幕截图并不是所有可能输出的详尽列表，而是提供用户预期结果的示意图可视化示例。输出（包括最终输出和中间文件）将根据用户输入数据和采用的处理标志而有所不同。 请单击此处查看此图的较大版本。

加工
处理文件在 PyDesigner 管道期间使用，并存储在根输出目录中。对于每个预处理步骤，中间 DWI 文件都保存在输出文件夹“intermediate_nifti”中，如图 1 所示。在解决处理或输出的任何问题时，应引用这些文件，以单独评估管道的每个步骤。

figure-results-1656
图 2：最佳和次优中间 DWI NifTI 文件。 该图显示了 PyDesigner 管道的每个图像校正步骤的中间 NIfTI 文件。顶行是使用来自健康成人大脑的数据的最佳中间文件输出示例，中间行是使用来自病理性大脑（脑膜瘤）的数据的最佳中间文件输出的示例，底行显示使用来自健康成人大脑的数据的次优中间文件输出，该大脑具有与大脑结构或健康无关的易感性伪影。 请单击此处查看此图的较大版本。

指标
此文件夹包含 PyDesigner 计算的所有参数化映射（参见 图 1）。这包括 DTI/DKI、纤维球成像 （FBI）/纤维球白质 （FBWM） 和白质束完整性 （WMTI） 指标的参数图（表 1）16。

figure-results-2395
表 1：DTI/DKI 和 FBI/FBWM 指标的预期值范围。 该表包括 PyDesigner 生成的强大 DTI、DKI、FBI 和 FBWM 指标及其预期值范围的列表。此外，还列出了派生每个量度所需的序列和 b 值 （s/mm2）。列出的 DTI 指标包括 FA、MD、AD 和 RD。列出的 DKI 指标包括 MK、AK、RK 和 KFA。列出的 FBI 指标是 FAA。列出的 FBWM 指标包括 AWF、DA、DE_AX、DE_RAD 和 FAE。

用户可以对平均扩散率 （MD）、分数各向异性 （FA） 和平均峰度 （MK） 指标进行视觉和价值质量控制 （QC），以确定次优结果。如果按照下面描述的标准，这些指标不是最优的，用户应该查看 图 2 中描述的每个中间文件，以确定哪个预处理步骤不成功。

视觉 QC 用于识别次优结果（例如，张量拟合问题和伪影）。我们建议使用 ImageJ 进行视觉 QC，以确保不会通过软件默认值对图像进行作。 图 3 的顶行显示了典型的 MD、FA 和 MK 度量图，分别使用 0-3 μm2/ms、0-1 μm2/ms 和 0-2 μm2/ms 的生物学合理阈值（图 3 [顶行]）。MD 图在心室中应具有最高值，在皮质灰质中应具有高值（图 3A [顶行]）。FA 图应该有明显的白质束，在整个大脑中都是清晰的（图 3B [顶行]）。MK 图的 WM 值应较高，灰质和 CSF 值较低（图 3C [顶行]）。 图 3D [顶行] 是一个具有张量拟合问题的度量映射示例，这会导致零值体素集群。如果出现任何问题，请查看 log_command.json 文件以查找任何预处理错误。查看中间文件以确定具体错误。有关故障排除的帮助，请在 PyDesigner GitHub 页面上提交请求。

值质量控制用于确定给定量度映射的体素在每个数据集的主体之间是否相对一致。每个映射和数据集的预期值范围取决于数据和 PyDesigner 参数。在我们的测试数据集中，使用 FSLeyes 默认直方图分箱，MD、FA 和 MK 分别在 8000 到 10,000、2500 到 4000 和 5000 到 13,000 范围内具有一致的峰值。 图 3 的底行提供了直方图可变性的示例。 表 1 包含这些指标的预期 x 轴值。较高或较低的体素是数据集的特征，或表明存在伪影或预处理问题（图 3D [底行]）。

figure-results-4002
图 3：PyDesigner 中的示例指标映射和直方图，其中包含最优和次优结果。顶行显示了用于目视 QC 的单对象 MD、FA 和 MK 图谱的示例。底行显示用于值 QC 的多主体直方图。（A-C）通过视觉和值质量控制的量度映射和直方图的典型示例。每种指标类型的直方图上的每条蓝线代表一个单独的数据集。请注意，每个数据集都遵循相似的曲线，并且处于相似的范围内。（D） 未通过视觉或价值质量控制的量度映射示例。请注意直方图上的红线如何显示与 A-C 不同的曲线。此度量图上圈出的零体素是由于预处理过程中的张量拟合问题（图 D，顶行）。此直方图是数据集中体素通常高于或低于预期的示例（图 D，底行）。请单击此处查看此图的较大版本。

质量管理
PyDesigner 处理完数据后，应使用 metrics_qc 文件夹（参见 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。

figure-results-4852
图 4：PyDesigner 生成的 QC 直方图，用于最优和次优数据集。 PyDesigner 生成的 SNR、体积头部运动和异常值直方图。这两行都表示来自健康成人大脑的数据。顶行是最佳数据集的质量控制直方图示例。底行显示了次优数据集的质量控制输出，该数据集具有与大脑结构或健康状况无关的易感性伪影。请注意，PyDesigner 默认输出中标签的文本大小小于此图中显示的文本大小。为了提高可读性，我们增加了此图中的文本大小。 请单击此处查看此图的较大版本。

图 4 中的head_motion图显示了相对于第一个体积和前一个体积的磁头位移。如图 4 所示（面板 1），头部位移通常很小，PyDesigner 使用 FSL 程序 Eddy 以及用于运动和涡流运动校正9 的 TOPUP 在标准处理管道中针对这些运动伪影进行调整。对于次优数据集，head_motion图可能显示为空白，如图 4 所示（面板 4）。这表明涡流运动校正不成功，因此 PyDesigner 无法输出图形。涡流校正日志文件可以在 metrics_qc 文件夹内的 eddy 子文件夹中找到（参见图 1）。信噪比 （SNR） 图显示 3 个图。每个图对应不同的 b 值，并同时显示预处理的数据和原始数据。对于最佳数据集，原始数据 SNR 峰值应为 ≥5（图 4 [图 2]）。次优数据集的原始数据 SNR 峰值为 ≤3（图 4 [图 5]）。理想情况下，用户应该看到所有 b 值的 SNR 峰值略有增加，但不会显著增加。异常值图位于 metrics_qc 内的拟合文件夹中，显示了数据集中异常值的百分比（图 4 [面板 3 和 6]）。一个好的数据集应该有低百分比的异常值，通常小于 5%（图 4 [面板 3]）。次优数据集将具有很大比例的异常值，如图 4 所示（图 6）。

数据集结果示例
PyDesigner 处理完示例数据集后，所有输出都应包含在“PyDesigner_Outputs”文件夹中。这些输出可以与从 OpenNeuro 下载的示例数据集（在 MacOS 12.4 上处理）打包的“衍生品”文件夹中找到的输出进行比较。如果软件运行正常，“PyDesigner_Outputs”和“衍生品”的文件结构将完全相同。同样，在子文件夹 “metrics_qc” 中找到的 SNR、头部运动和异常值图应与 图 5A 中的匹配。度量图（位于子文件夹“metrics”中）可以通过成像软件（如 FSLeyes、MRIcron、ImageJ 等）进行比较。来自预处理/指标的 FA、MD 和 MK 值的直方图如图 5B 所示。请注意， 图 5B 中显示的所有指标直方图都是根据 表 1 中建议的指标值比例进行缩放的。

figure-results-6773
图 5：示例数据指标和指标 QC 直方图。 （A） PyDesigner 为从 OpenNeuro 下载的示例数据生成的 SNR、体积间隙头部运动和异常值直方图。请注意，为了提高可读性，此图中绘图的文本大小已增加。（B） 单个主题指标映射同一数据集的 FA、MD 和 MK 体素值计数的直方图，通过 FSLeyes v6.0 可视化。 请单击此处查看此图的较大版本。

figure-results-7289
图 6：从 PyDesigner、DESIGNER、DKE 和 DIPY 派生的 DTI 和 DKI 映射。 在 PyDesigner、DESIGNER5 和 Diffusional Kurtosis Estimator （DKE）27 中使用 Kapp > 0 约束进行张量拟合，而由于软件限制，Python 中的扩散成像 （DIPY）28 使用无约束拟合。MD 的单位是平方微米/毫秒 （μm2/ms），而其他指标是无量纲的。由于 Gibbs 振铃校正的一般问题而导致的丢失可以在 DESIGNER、DKE 和 DIPY 生成的 MK 映射中看到。此图经 Dhiman 等人许可复制29。 请单击此处查看此图的较大版本。

figure-results-8007
图 7：跨管道的 FA、MD 和 MK 比较。 在 CSF 排除的大脑中，PyDesigner、DESIGNER5、DKE27 和 DIPY28 的 FA、MD 和 MK 计算值的分布在大多数体素中是相似的。不同方法的度量映射计算具有可比性。此图经 Dhiman 等人许可复制29。 请单击此处查看此图的较大版本。

讨论

开发 PyDesigner 的主要动机是实现 DESIGNER 的关键元素，同时用 Python 替换所有 MATLAB 代码，从而提高可移植性和可访问性。PyDesigner 和 DESIGNER Dv1 产生几乎相同的输出29。尽管如此，PyDesigner 中还包含一些额外的选项、默认设置和小错误修复。在线 PyDesigner 文档16 详细介绍了这些内容。

PyDesigner 还产生了与常用的扩散峰度估计器 （DKE）27 和 Python 中的扩散成像 （DIPY）28 DKI 分析工具29 相似的结果（参见图 6 和图 7），但基于 DESIGNER 预处理的 dMRI 生成的映射被认为更准确，因为它们的拟合算法如 Ades-Aron 等人所展示5。有关 PyDesigner、DESIGNER5、DKE27 和 DIPY28 的 MD、FA 和 MK 度量图的比较，请参见图 6。图 7 显示了每个管道的 MD、FA 和 MK 直方图的比较。将约束张量拟合、异常值检测和明显的峰度系数校正相结合，可以产生更稳健、更准确的张量拟合，如 PyDesigner 和 DESIGNER5 中所示。

与 DESIGNER Dv1 相比，PyDesigner 的一个优势是它可以通过 NeuroDock Docker 容器30 获得，这大大增强了可移植性并简化了安装。此容器可在与 Docker 兼容的所有主要作系统平台上运行，包括 Windows、Mac OS 和各种 Linux 发行版。根据用户反馈，PyDesigner v2.0 将包括对 PyDesigner Docker 容器的更新。新版 PyDesigner 引入的改进和多阶段 Dockerfile 的引入将解决用户面临的所有现有问题。如果用户在安装时遇到问题，我们建议将问题提交到 PyDesigner 讨论页面16。Docker 的容器技术还支持直接部署到高性能集群 （HPC），以便在与 Docker 兼容的本地集群上快速批处理 DWI。

PyDesigner 还包括超越 DKI 的微观结构建模计算，包括 WMTI3、FBI 和 FBWM。对于 WMTI，标准 DKI 数据集就足够了，并且默认情况下会计算相关的微观结构参数。然而，应该强调的是，WMTI 的有效性仅限于具有高 FA 的白质区域（即 FA ≥ 0.4）。由于假设轴突在任何给定体素31 中平行对齐，因此一些 WMTI 指标的准确性有限。FBI 32,33,34 是一种适用于整个脑白质的独特 dMRI 方法，它需要高 b 值（即 b ≥ 4000 s/mm 2）和 dMRI 数据采样至少 64 个扩散编码方向（以及 b = 0 的数据）。FBI 的主要输出是每个白质体素的纤维取向密度函数 （fODF），可用于白质束成像并用作 FBWM 的输入，以及轴突内分数各向异性 （FAA）。FBWM 利用来自 DKI 和 FBI 的 dMRI 数据来估计与 WMTI 相同的参数，但准确性更高，并且无论 FA 值如何，它都可以应用于整个白质。因此，如果这些额外数据可用，则 FBWM 估计值优先于来自 WMTI35 的估计值。与 FBI 一样，FBWM 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）之外，还为 DTI、DKI 和 FBI 单独生成特定于 DSIstudio（LPS 方向）的 .fib 文件。.fib 文件包含用于为每种方法生成束成像剖面的 ODF 方向信息。生成的牵引图剖面可用于在主题和组级别生成连接矩阵。DKI 和 FBI .fib 文件包含传递交叉光纤信息的多向信息，这在 DTI 束成像中不可用。此外，在每个 .fib 文件中，都包含了每种方法的各种旋转不变量，这些不变量可以以各种组合形式用作种子、执行和停止束成像的标准。有关 DSIstudio 的更多详细信息，请访问其网站36。

PyDesigner 的另一个显着功能是多文件输入，这使它能够处理各种文件输入 - NifTi （.nii）、压缩的 NifTi （.nii.gz）、DICOM （.dcm） 和 MRtrix 文件格式 （.mif）。PyDesigner 可以自动识别标头元数据中的采集信息，而不管输入格式如何，并相应地执行更正，从而支持无需干预的方法。无论协议如何差异，相同的命令（见上文）都可用于处理各种 DWI。因此，该软件通过最大限度地减少手动预处理步骤和命令来节省时间和精力。在最近发布的更新 （v1.0-RC10） 中，通过引入对多个回波时间（多 TE）数据集的兼容性，这得到了增强。这允许 PyDesigner 在多 TE DWI 上运行图像预处理步骤，这些步骤在很大程度上独立于 TE，以生成具有最少噪声和伪影的图像。然后分别对每个 TE 执行依赖于 TE 的张量计算，以生成扩散或峰度指标。

我们注意到，PyDesigner v1.0 并不代表图像预处理管道设计中的端点。图像处理工具的开发和验证是一个活跃的研究领域。特别是，在准备这份手稿期间，提出了图像去噪和吉布斯振铃消除的新发展，从而发布了修订后的 Designer 流程，Designer Dv237，其中包括改进去噪和校正通过部分傅里叶采集35 获得的 dMRI 的吉布斯伪影，可在 DESIGNER Github38 上获得。同样，BIDS39 组织合规性是任何 MRI 分析管道的一个重要方面。BIDS 格式通过为所有 MRI 数据类型建立特定的集合结构，实现更高效的数据共享和管道实施。尽管 PyDesigner 目前不符合 BIDS，但即将推出的 PyDesigner 版本将包含符合 BIDS 的输出。此外，PyDesigner 最初是使用 Python 版本 3.7 编写的。在本文发布时，Python 3.7 现在被认为已经过时。但是，本手稿中包含的信息独立于 Python 版本。也就是说，本文中描述的重要预处理功能（例如，去噪、吉布斯振铃校正等）将遵循相同的作和概念工作流程，而不管安装程序如何变化。重要的是，与所有基于 Python 的软件一样，未来的 PyDesigner 版本将更新到 Python 的新版本。我们努力随着时间的推移进一步验证和整合这些发展。

对于 PyDesigner 的最新版本，包括与 Python 版本更新相关的任何新文档，建议读者在开始新的分析之前查阅网站，并参与讨论论坛，可以提交有关 PyDesigner 的问题16。用于可移植性的 Docker 实现称为 NeuroDock30，它包含 PyDesigner 及其依赖项，以支持跨各种平台进行处理。

披露声明

没有。

致谢

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

本出版物中报告的研究部分得到了美国国立卫生研究院 R01AG054159、R01AG057602、R01AG055132、R01DC014021、R01NS110347、R21DA050085、F31NS108623、P20GM109040、P50DC000422、T32GM008716 和 T32DC014435 的资助。内容完全由作者负责，并不一定代表美国国立卫生研究院的官方观点。Litwin 基金会提供了额外的资金。

材料

NameCompanyCatalog NumberComments
Python version 3.7 or abovePython Software Foundationhttps://www.python.org/
FMRIB Software Library (FSL) verison 6.0.2 or aboveUniversity of Oxford Centre for Integrative Neuroimaginghttps://fsl.fmrib.ox.ac.uk/fsl/fslwiki/
MRtrix3 version 3.0_RC3 or abovenumerous contributorshttps://www.mrtrix.org/
AnacondaAnacondahttps://anaconda.org/
ComputerAppleMac OS 10.14Built on Mac OS 10.14; tested on Mac OS 12.4, Mac OS 13, Windows 11 via WSL

参考文献

  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).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

PyDesigner DESIGNER MRI DMRI FSL MRtrix3 DKI DTI WMTI FBI FBWM ODF

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。