空間標準化那些事

今天跟大家分享一下關於fMRI腦功能成像的空間標準化的那些事。

在了解空間標準化的各種方法之前，我們先來來了解一下什麼是空間標準化呢？

空間標準化，英文：spatial normalization，就是利用圖像配准演算法將所有不同個體的腦圖像都變成一模一樣（不僅輪廓一模一樣，內部的細節也一模一樣）。

那麼這麼做有什麼好處呢？答案很簡單，空間標準化之後的圖像就像孿生兄弟一樣，長得一摸一樣，那麼就可以將所有被試的腦圖像進行逐像素的統計分析；也可以很容易批量的選出想要分析的感興趣區，避免了人為逐層勾畫的繁重工作量。

所謂「空間標準化」，就需要選擇一個「標準」。那麼對於人腦空間而言，MNI空間是目前使用最為廣泛的「標準」空間，也是目前常用的數據分析軟體所使用的標準人腦空間，如SPM、FSL、FreeSurfer、Gretna等等。

對於fMRI腦功能成像而言，常用的空間標準化方法有三種：

1、直接利用個體的fMRI腦功能成像進行空間標準化：選擇MNI空間的EPI模板為參考標準，將fMRI圖像進行空間變換以完成空間標準化。這麼做的好處就是：簡單直接（簡單粗暴）--所有的fMRI圖像不會存在經過二次變換的誤差。但是，由於fMRI的空間解析度比較差，無法分辨出精細的腦組織結構，因此，該方法對於腦組結構的細節配准精度並不高。

2、通過T1腦結構圖像進行空間標準化：首先將每個被試的fMRI腦功能圖像與其T1腦結構圖像進行圖像配准（co-register），然後選擇MNI空間的T1模板為參考標準，將被試個體的T1圖像進行空間變換，並將相同的圖像變換參數應用於與其相對應的fMRI腦功能圖像，以完成空間標準化。這麼做的好處就是：T1圖像的亞組織結構的空間分辨好，因此，其空間標準化的精度會高於第一種方法。然而，由於在空間標準化之前需要首先進行co-register，比第一種方法多了一步操作，就有可能會引入累積誤差。

3、使用DARTEL方法進行空間標準化。DARTEL最初是由VBM分析提出的基於形變場理論的圖像分割及配準的方法。該方法也需要藉助T1圖像：與第二種方法一樣，首先需要將每個被試的fMRI腦功能圖像與其T1腦結構圖像進行圖像配准（co-register），然後使用DARTEL方法將T1圖像分割為灰質、白質、腦脊液，並將分割後的灰質概率圖進行空間變換，並將相同的圖像變換參數應用於與其相對應的fMRI腦功能圖像，以完成空間標準化。這麼做的好處是：只有灰質部分參與圖像配准，那麼這種方法的空間標準化精度是最高的。然而，這種方法比第二種方法更多了一步圖像分割，那麼就有可能引入更多的累積誤差。

由此可見，不論什麼方法都有利有弊，研究人員可以根據自己數據的特點選擇不同的空間標準化方法。但是，不論選擇什麼方法，都需要對空間標準化的結果進行質控（檢查），質控在腦影像的數據分析中非常重要。

北京賽博爾培訓班信息（直接點擊文字即可瀏覽！）

近紅外培訓班內容覆蓋MATLAB基礎，NIRS基本原理，fNIRS處理流程，Homer進階分析，適合零基礎學員掌握基本近紅外數據處理方法。

由北京賽博爾舉辦的fMRI基礎班是首個手把手教學的磁共振數據培訓班，從磁共振簡單原理、fMRI原理到SPM的使用，內容涵蓋fMRI基礎中的基礎，非常適合功能磁共振零基礎學員。

腦網路培訓班內容涵蓋了腦網路的很多前沿方法， 包括時頻分析、基於SurfStat以及GRETNA的腦網路拓撲屬性、MVPA方法等等，對掌握了基本fMRI及腦電數據處理方法後的醫生及研究人員有很大提高。

第二屆磁共振腦網路數據處理班

腦網路培訓班內容涵蓋了腦網路的很多前沿方法， 包括時頻分析、基於SurfStat以及GRETNA的腦網路拓撲屬性、MVPA方法等等，對掌握了基本fMRI及腦電數據處理方法後的醫生及研究人員有很大提高。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！