跳到主要内容
访问密钥 NCBI主页 MyNCBI主页 主要内容 主导航
Hum大脑映射。2012年1月；33(1): 50–62.
2011年3月9日在线发布。 数字对象标识：10.1002/hbm.21192
预防性维修识别码：PMC6869898型
PMID：21391258

头部受伤还是头部运动？扩散张量成像研究中运动伪影的评估和量化

约瑟夫·林,1 弗兰纳里·梅里迪思,1 阿尔文德·卡普里汉,1 阿曼达·佩纳,1 特丽·特希巴,1和安德鲁·梅耶通讯作者1,2
作者信息 文章注释 版权和许可信息 PMC免责声明

关联数据

补充资料

摘要

头部运动与扩散值（如分数各向异性（FA）和平均扩散率（MD））之间的关系目前尚不清楚。模拟研究表明，头部运动可能会引入正偏差或负偏差，但临床研究尚未对其进行量化。此外，还提出了消除头部运动产生的偏差的替代措施，如消除有问题的梯度，但没有仔细评估。当前的研究通过三个常见的管道（基于轨迹的空间统计、体素线和感兴趣区域分析）检查了头部运动对FA和MD的影响，并确定了去除扩散加权图像的影响。我们从大量健康对照组中的研究结果表明，虽然头部运动与FA和MD的正偏差相关，但对MD的影响更大。在所有三个分析管道中都观察到了正偏差，并且遵循既定的数据处理协议，表明目前用于消除运动偏差的技术（即图像和梯度表的校正）可能不够。然而，去除带有明显伪影的图像并没有从根本上改变运动和DTI标量值之间的关系。此外，蒙特卡罗模拟表明，图像的随机去除增加了FA和MD的偏差并降低了精度。最后，我们提供了一个如何在不同的神经精神人群中量化头部运动的例子，这应该作为任何扩散张量成像质量保证协议的一部分来实现。Hum Brain Mapp，2012年。©2011 Wiley期刊公司。

关键词：轻度TBI、DTI、扩散张量成像、梯度采样方案、运动、模拟

简介

过去十年来，扩散张量成像（DTI）用于研究不同神经精神人群白质完整性的应用呈爆炸式增长【white等人。，2008]. 在外伤性脑损伤等情况下[Bazarian等人。，2007; Kraus等人。，2007; 王尔德等人。，2008]，精神分裂症[Ardekani等人，出版中]，药物滥用[Yeh等人。，2009]多发性硬化[Roosendaal等人。，2009]和情感障碍【Sexton等人。，2009]DTI测量值的差异通常归因于诊断组的白质病理学。然而，从神经精神人群中获得的DTI数据的质量可能与健康对照（HC）存在本质上的差异，继发于患者运动等混淆因素[Aksoy等人。，2008]. 在功能性磁共振成像（FMRI）研究中，头部运动已被证明会降低受试者间和受试者内的可靠性[Lund等人。，2005]并增加信号方差【Bullmore等人。，1996,1999; Friston等人。，1996; Hajnal等人。，1994]. 相比之下，尽管由于长时间的DTI采集时间，头部运动的群体差异同样可能发生，但在DTI研究中关于头部运动影响的类似研究相对较少[Aksoi等人。，2008; 安德森和斯卡尔，2002; Rohde等人。，2004; Tijssen等人。，2009].

与灰质和脑脊液相比，水分子在白质中的扩散更为各向异性。这种扩散取决于沿着类似途径捆绑在一起的轴突束的数量和完整性、髓鞘的密度和完整性以及细胞内和细胞外空间中的总液体量[Boulieu，2002; 勒比汗，2003]. 尽管DTI标量指标的有效性最近受到质疑[Wheeler‐Kingshott和Cercignani，2009]分数各向异性（FA）和平均扩散率（MD）越来越多地被用作临床人群白质和灰质病理学的活体测量【white等人。，2008].

扫描期间头部运动引起的实质物质的物理位移影响扩散测量，包括不需要的相位项和扩散方向的变化[Aksoy等人。，2008; Leemans和Jones，2009; Tijssen等人。，2009]. 模拟表明，即使是相对较小百分比的离群值，跟踪和FA也会有显著偏差[Chang等人。，2005]. 在回波平面和螺旋DTI成像中，在模拟运动的体模实验中，小幅度或中等幅度的运动都会增加FA【Aksoy等人。，2008]. FA偏置似乎以基于运动量的复杂方式增加，并且可能根据纤维取向不同地影响微观结构[Leemans和Jones，2009]. 在体内模型中，当受试者被要求有目的地移动头部时，白质中的FA已被证明大大降低[Aksoy等人。，2008]. 在各向异性较低的区域，头部运动会在FA中产生正偏差，而各向异性较高的区域则会出现负偏差[Tijssen等人。，2009]. FA还与信噪比（SNR）相互作用，在低SNR区域表现出正偏差，在高SNR区域则表现出正或负偏差【Landman等人。，2007,2008]. 最后，由于运动增加，FA和MD的不确定性（标准偏差）几乎呈线性增加[Tijssen等人。，2009].

DTI研究中的头部运动可以通过固定头部位置（例如，填充）来前瞻性地解决，也可以通过使用配准方案来纠正涡流和/或患者运动引起的图像畸变来进行回顾性地解决[Rohde等人。，2004; Tijssen等人。，2009]. 由于头部运动和涡流的影响是同时估计和校正的，因此仅使用回顾性算法很难区分其影响。在检测阶段，使用6个（刚体）或12个（仿射）参数[Horsfield，1999]. 参考图像通常对应于b条=0秒/毫米2与扩散加权（DW）图像相比，实验开始时采集的图像具有更高的信噪比，并且降低了失真敏感性[Rohde等人。，2004]. 然后实施迭代优化算法，以确定使成本函数（通常是互信息）最小化/最大化的转换矩阵，然后插值到新网格。最后，在单次激发回波平面成像数据中，变换矩阵的旋转分量通常应用于梯度表，以解释张量计算之前相对于原始扫描仪梯度处方的图像方向变化[Farrell等人。，2007; Landman等人。，2007; Leemans和Jones，2009; Rohde等人。，2004]. 研究表明，未能实施回顾性头部运动算法会显著增加FA和MD测量值的可变性[Tijssen等人。，2009]. 然而，目前尚不清楚运动的存在如何与基于轨迹的空间统计相互作用[TBSS；[Smith等人。，2006]]、体素线或感兴趣区域（ROI）分析，这是比较临床人群DTI数据的三种主要方法。

头部运动也会改变扩散特性的测量[Norris，2001]. 具体来说，刚体运动在组织中引入线性相移，对应于k个空间[Storey等人。，2007]. 如果回波位移足够大，就会产生明显的信号损失伪影（图。​（图1）。1). 这些信号丢失伪影在部分k个空间采样[Storey等人。，2007]并且不能用标准的回溯算法进行纠正。这些伪影可以保证在张量计算之前完全删除DW图像，以降低偏差的可能性。先前的数据表明，至少需要20个唯一的采样方向来以旋转不变的方式估计FA，而张量方向和MD可能需要30个方向[Jones，2004]. 虽然较少的唯一采样方向可能会增加标量测量的偏差[Landman等人。，2007]，从预定梯度方案中随机删除DW图像对最终标量计算的影响在人类数据中没有得到很好的描述[Chang等人。，2005].

保存图片、插图等的外部文件。对象名称为HBM-33-50-g005.jpg

扩散加权（DW）图像中出现的粗略伪影示例。A类用信号丢失的单个切片描述DW图像，而B类描述了具有多个受影响切片的DW图像。C类和天表示与A和B中显示的伪影相对应的区域中的九个连续2mm轴向切片。

因此，本研究的主要目的是通过三种不同的分析管道（TBSS、体素和ROI），对头部运动对DTI研究中最常见的两个标量值（FA和MD）的残余影响进行系统研究。具体来说，我们检查了从回顾性校正算法中获得的运动估计值是否与在相对较大的健康对照样本中测量的DTI标量值的大小相关。我们还研究了移除梯度文件对标量值计算的影响，作为一种潜在的纠正措施，以及通过使用人类数据的蒙特卡罗模拟随机移除DW图像的影响。最后，DTI研究通常不会量化神经精神病患者和匹配对照组之间可能发生的头部运动的不同程度，正如FMRI文献[Bullmore等人。，1999; Mayer等人。，2007; Yoo等人。，2005]. 因此，本文介绍了计算DTI数据中头部运动估计值的方法，该方法可作为质量保证协议的一部分，并提供了一个如何将其应用于临床DTI研究的例子。

方法

参与者

52名（26名女性；23.73±5.21岁）健康对照组（HC）和21名轻度创伤性脑损伤患者（mTBI:13名女性；27.86±7.32岁）参与了本研究。以前曾报道过DTI标量值的临床结果和组间比较[Mayer等人。，2010]. 对所有受试者的智力进行评估，并转换为吨分数（范围从33到77）。三个HC表现出极端的头部运动[大于三个标准偏差；见等式。(1)和(2)]并随后从研究的第一部分中删除。研究方案得到了新墨西哥大学机构审查委员会的批准，所有参与者在入学前都提供了书面知情同意书。

MR成像

所有图像均收集在3台特斯拉-西门子三联扫描仪上。泡沫衬垫和纸带用于限制扫描仪内的运动。采用5回波多回波MPRAGE序列获得高分辨率T1加权解剖图像[TE=1.64，3.5，5.36，7.22，9.08 ms，TR=2.53 s，TI=1.2 s，7°翻转角度，NEX=1，层厚=1 mm，FOV=256×256 mm，体素分辨率=1×1×1 mm3]. 随后使用FSL的FAST（v4.1）算法，使用默认参数将T1图像分割为灰质、白质和脑脊液[Smith等人。，2004; Zhang等人。，2001]. 两次扩散张量成像扫描(b条=800秒/毫米2)使用具有30个扩散梯度的两次重聚焦自旋回波序列和b条=0实验重复五次[72个交错切片；TE=84 ms；TR=9 s；90○翻转角度；NEX=1；层厚=2.0 mm；视野=256×256毫米；矩阵尺寸=128×128；体素分辨率=2×2 x 2 mm3]. 选择两次重新聚焦的自旋回波序列，以减少梯度切换引起的涡流影响，减少与头部运动相关的伪影，并增加扩散敏感梯度的时间。GRAPPA（2×加速度和32条参考线）用于减少敏感性引起的图像失真。梯度方向是根据先前发布的指南选择的【Jones等人。，2002年a; Skare等人。，2000]. 然而，梯度方向的施用顺序发生了变化(看见附录用于梯度表），以最小化受试者运动的影响[Cook等人。，2007]. 具体来说，我们应用了五组渐变，每组包含一个b条=0秒/毫米2接着是六个b条=800秒/毫米2指示。六个人b条=800秒/毫米2选择方向，使其均匀分布在球体上[Cook等人。，2007; Jones等人。，2002年b; Skare等人。，2000].

图像处理和统计分析

AFNI软件包[Cox，1996]首先将两次运行的原始DTI数据和梯度表连接起来，用于处理和分析两个DTI数据集。接下来通过将所有DW图像注册到第一个DW图像来纠正涡流和头部运动引起的图像失真b条=0秒/毫米2图像使用12自由度（DOF）仿射校正，以互信息为代价函数。对于每个DW图像，然后从生成的变换矩阵中提取与旋转分量对应的向量，并将其应用于梯度表中的相应梯度。根据结果图像计算扩散张量和标量测量。张量计算采用非线性方法，以减少噪声引起的张量估计误差，特别是在高各向异性区域[Cox和Glen，2006].

运动指数的计算

根据FMRI文献[Mayer等人。，2007]. 首先，总运动的平均值[等式。(1)]通过对每幅图像的绝对位移估计值进行单独求和，计算了12个运动参数中的每一个的两次DTI运行n个与第一个相比b条=0秒/毫米2图像的总数N个:

方程式图像
(1)

哪里P（P）对应于运动参数和d日是每个图像上每个参数的位移估计值。根据当前研究中使用的算法P（P）根据仿射变换的旋转、平移、缩放和剪切参数生成估计值。

第二，对应于相对运动的指数[EEq。(2)]通过平均相邻图像之间的绝对位移估计差来计算：

方程式图像
(2)

该指数降低了少数大运动对运动估计结果产生偏差的可能性。

对于这两种运动估计，随后的分析侧重于P（P）与围绕三个主轴的平移和旋转相对应的估计值（图。​（图2），2)与拉伸和剪切相比，这更可能是受试者头部运动的结果。

保存图片、插图等的外部文件。对象名称为HBM-33-50-g001.jpg

两者总和的定量表示(A类)和相对(B类)所有健康对照对象的运动。对于这两个指数，平移和旋转运动根据运动是发生在右向左（R‐L，黑条）、前后（A‐P，灰条）还是上下（I‐S，白条）方向进行分层。对于平移运动，图形的单位以毫米表示，对于旋转运动，单位以度表示。误差线表示一个标准偏差。

运动对群体分析的影响

在第一组分析中（仅HC），旋转和平移运动估计值被用作独立变量，以预测两个最常用的DTI标量（FA和MD）的大小。年龄[Grieve等人。，2007]和估计智商【Grieve等人。，2007; Schmithorst等人。，2005]假设这些变量与DTI标量测量值之间已建立的关系，则被用作所有分析的协变量。使用TBSS对所得标量图进行了两种不同的体素线分析[Smith等人。，2006]以及与之前工作类似的更传统的体线DTI分析[Van等人。，2009]. 对于TBSS分析，所有受试者的FA数据使用FSL包中的非线性注册工具FNIRT对齐到一个公共空间（FMRIB58）。接下来，对FA图像进行细化，以创建一个平均标量骨架，该骨架表示该组所有共有束的中心。然后将每个受试者对齐的FA投影到这个骨架上。然后将特定对象的转换矩阵（原生FA到骨架空间）应用于MD，使其位于相同的骨架空间中。

对于第二次体素线分析，首先使用12自由度仿射变换和局部皮尔逊相关作为代价函数，将标量图像（FA和MD）注册到受试者的T1解剖图像中[Saad等人。，2009]. 然后将该转换矩阵乘以T1立体定向归一化对应的矩阵，以便每个参与者的FA图归一化为Talairach空间。然后对各个FA图进行平均，形成一个研究特定的FA模板，然后用6 mm均方根高斯核对其进行模糊处理[Marenco等人。，2006; Tijssen等人。，2009]. 然后，使用仿射12自由度变换将个体受试者FA图注册到研究特定模板中，并将互信息作为成本函数。TBSS和更传统的体线分析管线在P（P）使用基于聚类的统计数据<0.05[Smith和Nichols，2009]. 为了减少总的比较次数，分析仅限于组模板FA大于0.20的体素。

考虑到这种方法在临床DTI研究中的普遍性，还进行了感兴趣区域分析。对每个受试者的颅骨剥离T1图像进行分割，以创建白质掩模。约翰·霍普金斯（JHU）白质地图集，2007]转换为受试者的T1图像以便于选择ROI。然后使用每个受试者的白质掩模和JHU图谱之间的交集来消除部分容积效应（即非白质）并生成最终ROI。最后，计算每个ROI的平均标量，并将其用作运动分析的相关度量。与我们之前的工作类似[Mayer等人。，2010]对胼胝体的膝、脾和体，以及左右半球的上纵束（SLF）、放射冠（CR）、放射上冠（SCR）、钩束（UF）和内囊（IC）进行ROI分析。

消除单个图像梯度的效果

两名评分员（A.P.和F.M.）手动检查了所有HC和mTBI患者的受试者数据(n个＝73）来识别与伪影相关联的图像。包含被摄体运动的图像，单个（图。​（图1A、C）1A、 C）或多个（图。​（图1B、D）1B、 D）切片信号缺失，或受试者运动和信号丢失伪影均被识别为具有二进制评级系统的伪影（即0=无伪影；1=伪影）。两位评分者评估了数据的子集（50组），以获得评分者间可靠性的估计值。

该研究的第二个目的是检查从分析中删除问题梯度（通过手动检查确定）的影响。具体来说，从数据集中删除被识别为包含伪影（信号丢失或粗略运动）的DW图像，并从运动估计中删除相应的运动参数（对于每个DW图像）。最后，从梯度表中删除相关向量，并按照前面概述的步骤重新计算扩散张量。然后对去除梯度的数据重复TBSS分析，并与数据中保留所有梯度时获得的结果进行对比。

然而，删除DW图像也可能影响DTI标量值的计算[Chang等人。，2005; 琼斯，2004]，如果某一特定组需要删除更多DW图像（即组间角度分辨率的差异），这在临床研究中可能会成为问题。因此，接下来的一系列分析使用真实的蒙特卡罗模拟来检查随机删除越来越多的DW图像（以及表格中的相关梯度）对主题级（体素）分析的影响。由于该分析的主要目的是确定去除梯度而不是去除有问题的梯度的影响，因此选择了三名总运动估计值较低且梯度图像中未发现伪影的HC受试者的数据（手动检查）。对于每个受试者，从第一次DTI中随机删除DW图像，每次重复三张图像，最多二十一张（即3、6、9、…21）。该随机过程在每个倍数重复30次，以确定基于体素的标量稳定性和特定主题的白质掩码（基于分割结果）。

不同临床组的运动估计对比

该研究的最终目的是检查量化神经精神DTI研究中头部运动差异的指标，作为质量保证协议的一部分。因此，对比了21名mTBI患者和21名匹配HC患者的运动估计值（总运动估计值和相对运动估计值）以及通过手动检查识别出伪影的图像数量。

结果

运动估计

首先进行两次重复测量方差分析，以评估三个不同的笛卡尔主轴周围的相对平移或旋转运动是否更大（图。​（图2）。2). 分析总平动的结果（图。​（图2A）2A） 在健康队列中，axis的主要影响显著(F类 (2,96)= 33.9,P（P）<0.001），并进行随访吨测试表明，与R‐L方向相比，A‐P方向的运动更大(吨 48= 7.9,P（P）<0.001）和I‐S(吨 48= 4.0,P（P）<0.001）方向，I‐S位移也大于R‐L(吨 48= 4.7,P（P）<0.001）班次。总旋转运动的主要影响也很显著(F类 (2,96)=10.7，P（P）<0.001），与A‐P相比，围绕R‐L轴的旋转运动更大(吨 48= 2.7,P（P）<0.01）和I‐S(吨 48= 3.9,P（P）<0.001）轴，与I‐S相比，A‐P周围更大(吨 48=2.3时，P（P）<0.05）轴。

相对运动的结果类似（图。​（图2B），2B） ，对平移具有重要的主要影响(F类 (2,96)= 59.8,P（P）< 0.001). 跟进吨测试表明，与R‐L和A‐P方向相比，A‐P方向的运动更大(吨 48= 7.8,P（P）<0.001）和I‐S(吨 48= 7.9,P（P）<0.001）方向，R‐L和I‐S之间无显著差异(P（P）> 0.10). 旋转运动的主要影响也很显著(F类 (2,96)= 43.3,P（P）<0.001），与A‐P相比，R‐L轴旋转更大(吨 48= 3.0,P（P）<0.005）和I‐S(吨 48= 9.4,P（P）<0.001）轴，以及A‐P周围与I‐S相比更大的轴(吨 48=7.2时，P（P）<0.001）轴。

运动估计和DTI测量之间的关系

TBSS分析

表​表I我对以下内容进行了基本总结这个所有三条分析管线的主运动结果。TBSS分析结果表明，在多重比较的无阈值聚类增强（TFCE）校正后，头部运动与FA和MD值显著相关（Smith和Nichols，2009]. 在当前报告中，我们重点关注体积大于20μl（2.5个本地体素）的簇。

表1

检查运动对DTI标量影响的结果的基本总结

FA公司医学博士
TBSS（待定）总计翻译积极偏见正偏差
旋转——
相对翻译—正偏差
旋转——
Voxelwise公司总计翻译—正偏差
旋转——
相对翻译——
旋转——
投资回报率总计翻译—正偏差
旋转——
相对翻译—正偏差
旋转——

所有受试者的右SCR、IC右后肢、右穹窿、IC右后肢、右晶状体后IC、右外囊（EC）、右大脑脚和右矢状层内的总平移运动增加与FA增加相关（图。​（图3A）。3A） ●●●●。对于检查旋转运动的分析，围绕任何轴的总旋转和相对旋转都不能显著预测FA。

保存图片、插图等的外部文件。对象名称为HBM-33-50-g002.jpg

基于轨迹的空间统计（TBSS）分析结果描述了在运动和DTI标量值之间表现出显著关联的体素。给出了涉及分数各向异性（FA；A类)和平均扩散率（MD；B类)作为从属测度。在这两项分析中，前后轴平移运动较大的受试者表现出较高的FA或MD值。

沿A‐P轴的总平移运动程度与左后CR、左SCR、胼胝体体、胼胝体脾、左SLF、IC左后肢、左晶状体后IC、左EC、左扣带、左矢状层、左大脑脚、，和左穹窿（图。​（图3B）。3B） ●●●●。同样，A‐P轴的相对平移运动增加与IC左后肢、左晶状体后IC、左EC、左SLF、丘脑前辐射和左穹窿的MD增加相关。旋转运动的总程度和相对程度都不能显著预测MD。

接下来，我们检查了整体模型预测的变化量(R（右） 2)用于在总运动分析中识别的体素（FA=2422个体素；MD=22679个体素），并由相应的TBSS骨架遮罩进行遮罩。结果表明，受试者的运动参数和相关协变量（年龄和病前智商）预测FA的平均方差为22.9%（标准偏差=7.0%；范围=8.8%–54.9%），MD的平均变异为20.7%（标准偏差=8.1%；范围=4.2%–62.4%）在体素中显示出与运动参数的显著关系。

Voxelwise分析

还进行了分析，以确定在非TBSS注册和空间归一化后，相对或总运动估计是否预测了体丝FA或MD。TFCE再次用于纠正多重比较的所有结果[Smith和Nichols，2009]. FA分析并没有对总运动估计值或相对运动估计值产生任何具有统计学意义的关联。然而，沿着A‐P轴的总平移运动程度再次与MD呈正相关（补充信息，图。​图1）1)右后CR、右SLF、右EC、右后丘脑辐射、IC的右豆状核后部分和右前丘脑辐射内的簇。相对运动分析没有导致MD的显著发现。

投资回报率分析

进行MANCOVA以确定平移或旋转运动是否预测胼胝体中选定ROI的FA或MD，或左右半球的选定ROI[参见[Mayer等人。，2010]用于ROI细节），用于使用年龄和病前智能的估计作为协变量的总运动度量和相对运动度量。对所有数据进行Bonferroni校正，以降低假阳性的可能性。FA上MANCOVA的结果表明，经过多次比较修正后，总运动参数或相对运动参数均无显著影响。相反，沿A‐P轴的总运动与右半球ROI的MD呈正相关(F类 (5,39)= 7.4,P（P）< 0.001). 对于相对运动指数，A‐P轴的移动预测了两个左侧的MD(F类 (5,39)= 6.1,P（P）<0.001）和右侧(F类 (5,39)= 9.3,P（P）<0.001）半球ROI。旋转运动对MD没有显著影响。

运动伪影与纤维方向的关系

我们还检查了TBSS分析中沿A‐P轴的平移运动效应是否有损于特定方向上纤维的标量估计[Leemans和Jones，2009]. 首先，通过取最大矢量分量，将每个体素的主要特征向量分类为一般方向（R‐L、A‐P或I‐S）(x个,年，或z（z）). 接下来，使用TBSS分析中的重要体素对数据进行掩蔽，其中A‐P运动预测了FA（图。​（图3A）3A） 或MD（图。​（图3B）。3B） ●●●●。然后对每个纤维方向的有效体素总数进行求和，通过每个方向的骨骼掩模的总体素进行归一化（即骨架中的A‐P有效体素/A‐P总体素）。然后对FA和MD数据进行以三个方向为因子的重复测量方差分析。FA的结果（图。​（图4A）4A） 表明了方向的重要影响(F类 (2,96)= 6094.3,P（P）<0.001），与R‐L相比，I‐S体素受到影响的百分比更高(吨 48= 89.8,P（P）<0.001）或A‐P(吨 48= 85.2,P（P）<0.001）体素。A‐P体素也比R‐L体素受到更大的影响(吨 48= 17.1,P（P）< 0.001). MD也观察到类似的轴效应(F类 (2,96)=108.3，P（P）< 0.001; 图。​图4B），4B） 与R‐L相比，I‐S体素受到影响的百分比更高(吨 48= 21.2,P（P）<0.001）和A‐P(吨 48= 6.8,P（P）<0.001）体素。A‐P与R‐L体素相比增加的百分比也受到影响(吨 48= 6.3,P（P）<0.001）。

保存图片、插图等的外部文件。对象名称为HBM-33-50-g004.jpg

描述在基于束的空间统计分析中，A‐P轴的运动如何影响左右（R‐L，黑色条）、前后（A‐P，灰色条）或上下（I‐S，白色条）方向的纤维。A类表示分数各向异性分析（FA）中有效体素的百分比，以及B类表示平均扩散率（MD）分析中的体素。误差线表示一个标准偏差。

人工识别和去除带有伪影的图像

两名评分员（A.P.和F.M.）手动检查受试者数据，以识别与伪影相关的图像。评价者之间的可靠性对于工件的识别来说是中等的([卡帕]系数=0.62），这可能是因为在所有73名受试者中存在明显伪影的图像比例相对较小（信号丢失伪影仅=0.2%；粗大运动=1.4%；运动和信号丢失=0.1%）。

然后，我们在TBSS框架下进行张量计算之前，从梯度表中移除带有粗伪影（通过手动检查识别）的DW图像及其相关向量，然后重新检查运动估计值和DTI标量值之间的关系。两种方法的直接比较（在P（P）<0.05）表明，无论是否丢弃手动识别的有问题梯度，地图之间几乎没有差异（补充信息，图。​图2）。2). 具体而言，在TBSS分析中，无论是否删除梯度，沿A‐P轴的运动仍然会导致大多数体素的MD和FA的显著差异。

随机DW图像去除的效果

图​图55在体素和ROI（仅白质体素）水平上，随机删除两名受试者数据上不断增加的梯度数（3的倍数，每个倍数重复30次）的效果（参见补充信息，图。​图33第三个主题）。体素线图像表明，随着随机删除的梯度数量的增加，30次重复中MD和FA计算的精度降低。此外，所有受试者白质体素的平均FA（即偏差）都增加了（图。​（图55和补充信息。，图。​图3A）3A） 作为随机去除梯度的函数，尽管当去除多达9个梯度时，变化率相对较小（小于0.01）。作为梯度去除的功能，三名受试者中有两名的白质MD增加，但受试者2的白质相对稳定，直到随机去除18个梯度。

保存图片、插图等的外部文件。对象名称为HBM-33-50-g003.jpg

随机移除扩散加权（DW）图像对两个不同受试者的分数各向异性（FA）和平均扩散率（MD）的影响（请参见补充信息，图。​图33第三个主题）。在计算扩散张量之前，随机选择DW图像并以3的倍数去除（例如，三个DW图像、六个DW图片等），每个步骤重复30次。A类显示了所有白质体素的直方图分析结果。圆圈对应于平均标量值，误差条表示所有30次迭代得到的一个标准偏差。移除的渐变数量沿x个‐轴。对于这两名受试者，FA数据中存在与删除梯度数量增加相关的正偏差。三名MD受试者中的两名也存在正偏差（参见补充信息，图。​图4），4)，受试者2的平均值相对稳定。B类显示了随机删除渐变后基于体素的标量值的变化。对于所有受试者，随着随机删除DW图像，DTI标量度量计算中的体素精度降低。

临床成像，质量保证

进行四个单独的MANCOVA，以确定mTBI患者的相对运动指数或总运动指数是否表现出较大的平移或旋转运动。此前曾报道过该样本的临床和组DTI比较[Mayer等人。，2010]. 结果（表​（表二）二)表明组的多变量效应对总运动或相对运动都不显著，单变量测试也不显著(P（P）> 0.10). 所有六个参数的影响大小都很小（科恩的d日范围=0.03–0.33，这表明零位查找不是电源问题的次要问题。

表二

三组受试者的运动估计总结

组总平移量总转动次数
零售价A‐P公司I‐S公司零售价A‐P公司I‐S公司
所有健康对照(N个= 49)0.25 ± 0.100.59 ± 0.320.40 ± 0.220.27±0.200.20 ± 0.100.16 ± 0.08
mTBI患者0.33 ± 0.180.73 ± 0.390.37 ± 0.220.28 ± 0.210.22 ± 0.120.16 ± 0.09
匹配的健康对照0.25 ± 0.100.62 ± 0.240.36 ± 0.200.29 ± 0.190.19 ± 0.090.16 ± 0.05
相对平移相对旋转
所有健康对照(N个= 49)0.13 ± 0.030.30 ± 0.160.13±0.040.14 ± 0.040.12 ± 0.030.08 ± 0.02
mTBI患者0.18 ± 0.150.37 ± 0.230.15 ± 0.050.15 ± 0.040.13±0.040.09 ± 0.02
匹配的健康对照0.13 ± 0.020.33 ± 0.150.14 ± 0.030.14±0.040.12 ± 0.040.09 ± 0.02

最后，通过手动检查识别出的伪影数量在两组之间没有统计学差异(P（P）>0.10）使用非参数双样本测试。

讨论

虽然头部运动很容易被认为是FMRI中的一个主要混淆点，但对头部运动对DTI标量计算的影响仍知之甚少。以前的研究主要关注不注册DW图像的影响[Tijssen等人。，2009]或者没有修正梯度表，2009; Rohde等人。，2004]. 当前研究扩展了之前的工作[Tijssen等人。，2009]通过在三个不同的分析框架中探索运动和DTI标量之间的关系。最后，我们重点研究了头部运动对DTI标量数据的残余影响，包括所有建议的校正（即适当的图像配准和调整梯度表）以及删除DW图像的影响。我们的主要结论表明，头部运动对FA和MD的计算产生了正偏差，但在MD中，这种偏差更为明显。重要的是，根据DTI数据校正的标准方法，头部运动的潜在混杂效应仍然存在。去除严重受影响的DW图像并不能纠正受试者子集中的这种偏差，蒙特卡罗模拟表明，当去除大量DW图像时，梯度去除可能会进一步将正偏差引入标量计算。

与之前的FMRI一致[Mayer等人。，2007; Yoo等人。，2005]和DTI【Leemans和Jones，2009]研究表明，在大量健康对照组中，头部围绕R‐L轴的旋转运动最大，围绕A‐P轴的旋转活动次之，围绕I‐S轴的旋转移动最小。头部沿A‐P轴的平移运动最大，其次是I‐S和R‐L轴，这也与FMRI结果相似[Mayer等人。，2007; Yoo等人。，2005]. 无论是对所有图像的数据进行求和（即总运动指数），还是作为从一个图像到下一个图像的运动函数（即相对运动指数）进行计算，轴上的旋转和平移运动程度都是一致的。总的来说，数据表明无论数据采集（DTI还是FMRI）如何，都可能观察到类似类型的头部运动。虽然这一发现并不意外，但它表明头部运动可能会对DTI数据产生重大影响，正如之前用其他回波平面成像技术所证明的那样[Bullmore等人。，1996,1999; Friston等人。，1996; Hajnal等人。，1994].

先前的DTI研究表明，头部运动和FA之间存在正偏差，由于运动增加，FA和MD的标准偏差几乎呈线性增加[Tijssen等人。，2009]. 目前的结果重复了这一发现，因为在TBSS分析中，沿着a‐P轴的平移运动与FA的大小之间存在正相关。此外，沿A‐P轴的平移运动与所有三条分析管线（TBSS、体素线和ROI）的MD大小正相关，并且在更大程度上（图。​（图3）。3). 头部运动可能会增加一个（即主特征值、第二特征值或第三特征值）或多个特征值的幅值，所有这些都会在剩余特征值幅值没有减小的情况下增加MD。相反，FA的正偏差必须由主特征值增加或第二/第三特征值减少的更复杂交互作用引起。这可以解释为什么在所有三条管道中，MD的偏差似乎大于FA。重要的是，FA（TBSS平均值=22.9%的方差）和MD（TBSS平均值=20.7%的方差）的大量方差可以用一些运动参数和协变量（年龄和发病前智力估计）来解释，这表明运动对DTI标量的影响在受影响的体素中可能不是微不足道的。

以往研究头部运动主要集中在旋转参数而非平移参数上[Leemans和Jones，2009]. 在当前研究中，R‐L或I‐S轴的平移或旋转运动参数均未预测DTI标量值。相反，沿A‐P轴的平移运动增加与MD和FA增加相关。受试者头部运动的量和变异性沿A‐）轴最大（图。​（图2），2)这表明受试者可变性的降低可能是其他五个运动参数的负面结果的促成因素。此外，根据惯例，当前的实验调整了旋转运动的梯度表，这可能已经校正了旋转运动导致的DTI数据中的额外偏差[Leemans和Jones，2009; Rohde等人。，2004].

头部运动似乎也会根据纤维的主方向不同地影响束[Leemans和Jones，2009]. 具体而言，在TBSS分析中，在修正光纤总数后，在FA和MD计算中，运动影响了更多沿I‐S方向运行的光纤。沿与运动主轴（A‐P）正交的方向（I‐S和R‐L）运行的光纤可能会经历更多的信号损失和部分体积效应。然而，在FA和MD分析中，A‐P体素比R‐L体素受影响更大。因此，运动对纤维取向的影响需要通过额外的建模和仿真研究进一步验证[Leemans和Jones，2009].

尽管在所有分析中，头部运动对DTI标量的残余影响相似（即运动增加导致MD升高），但受影响的轨迹并不一致。例如，TBSS分析显示左半球束的MD增加，体素线分析显示右半球束的MD增加，ROI分析显示运动后左右半球束的MF增加。正如之前的工作所暗示的[Zollei等人。，2010]这可能是不同的配准技术的结果，这些技术用于分析整个TBSS的数据[基于高FA空间上不同骨骼区域的非线性变换；[Smith等人。，2006]]，voxelwise[基于组FA模板更广泛区域的仿射变换；[Van等人。，2009]]和ROI[标准Talairach空间的仿射变换的逆；[Mayer等人。，2010]]分析。

值得注意的是，即使在根据既定方法校正数据后（例如，12自由度仿射校正和梯度表旋转），头部运动也存在正偏差。数据采集期间的大量运动也会导致显著的信号丢失伪影[Storey等人。，2007]通过目视检查容易识别（图。​（图1）。1). 因此，该研究的第二个目的是检查去除被确定为存在运动或信号丢失伪影的梯度是否会减少或消除DTI标量数据中观察到的正偏差。对于此分析，我们使用TBSS管道重点关注MD数据，因为此方法对注册错误和部分体积效应不太敏感[Smith等人。，2006]. 然而，与头部运动相关的正偏差仍然存在于数据中，即使完全消除了与粗大运动相关的问题梯度（参见补充信息，图。​图2）2)重新计算扩散张量。在FMRI文献中已经注意到类似的结果[Bullmore等人。，1996,1999; Friston等人。，1996; Hajnal等人。，1994]，表明头部运动也可能通过改变信噪比、改变自旋位移引起的相位损失、改变指定的与实现的梯度方案以及增加部分体积效应来影响扩散测量【Landman等人。，2007,2008].

先前的研究表明，积极偏见在包含少量梯度的收购中更为普遍【Landman等人。，2007; Tijssen等人。，2009]可靠估计DTI标量至少需要20到30个梯度[Jones，2004]. 然而，去除梯度对DTI标量值的影响，作为头部运动的一种可能的纠正策略，目前仅作了简要探讨，主要是为了纠正心脏脉动伪影[Chang等人。，2005]. 因此，选择了三个HC的数据进行真实的蒙特卡罗模拟，这些HC不包含任何明显伪影（视觉检查），并且其运动估计值（参数排名）与队列中的其他人相比非常低。随机去除梯度导致三名受试者白质FA计算的正偏差和精度下降（标准差更高）。尽管三名受试者中有两名的MD值和标准偏差随着梯度去除而以类似的方式增加，但MD的结果变化更大。如果只删除少数DW图像，偏差和精度的变化似乎相对较小，但在删除大量DW图像（即当前实验中30幅图像中的12幅）后，偏差和精确度的变化迅速增加（图。​（图5）。5). 重要的是，可以容忍的人造DW图像的百分比取决于收集的DW图像数量和梯度方案的优化[Chang等人。，2005]，因此需要为每个实验独立确定可以安全排除的梯度数。

总的来说，这些发现表明，在去除梯度时必须非常小心，以校正由头部运动或数据采集的其他问题引起的严重伪影。当对标量进行统计比较时，去除DW图像会引入一种偏见，这可能会掩盖或强调临床组之间潜在白质病理学的真实差异。重要的是，如果由于对比组之间的伪影而移除不同数量的梯度，这将加剧，如果其中一组在数据采集期间移动更多，这是可以预料的。因此，更谨慎的策略可能是尽可能完全丢弃并重新获取在DW图像上显示大量工件的任何参与者的数据。

为此，目前的研究还提供了一个质量保证协议，用于评估在临床人群中是否可以观察到头部运动的差异。目前的结果表明，一组mTBI患者和HC在估计头部运动或通过手动检查被认为包含伪影的梯度数量方面没有差异。此外，组间头部运动差异的效应大小很小，这表明当前的零效应不是缺乏统计能力的结果。总之，这些发现表明，不同程度的头部运动不太可能导致最近在两组间报告的DTI标量的差异[Mayer等人。，2010]. 然而，这些结论是针对当前临床样本的。样本特征的差异（即损伤的慢性性、急性疼痛的存在）以及正在研究的神经精神人群（精神分裂症患者与mTBI患者）都可能影响头部运动的程度。因此，需要例行实施标准化质量保证协议，以确保在神经精神成像研究期间，受试者运动的差异不会混淆DTI标量测量。

目前的研究有几个局限性。虽然已经采取了足够的措施来纠正每个管道内的假阳性（例如，ROI分析中的Bonferonni校正、TBSS中基于聚类的校正和体素线分析），但鉴于我们在相同数据上评估了三个单独的管道，因此当前数据中可能存在一些假阳性。然而，当前研究的主要目的是确定头部运动如何影响各种分析管道中的DTI标量值。因此，需要在独立样本中复制当前结果。其次，基于回顾性运动校正算法的头部运动程度估计指标有限。这些算法并不能纠正所有的运动伪影（即，真实运动常常被低估），并且会混淆涡流校正和运动校正。此外，当前实验没有进行心脏选通，因此结果也可能受到心脏脉动伪影的影响[Chang等人。，2005].

第三，人工识别DTI数据中伪影的评分者之间的可靠性仅为中等，这表明需要开发和验证能够以更高的可靠性检测有问题的DW图像的自动化管道。在当前的分析中，只有一小部分带有严重伪影的梯度被识别出来并通过目视检查去除。对运动效果更敏感的复杂算法也可以减少梯度去除后运动和DTI标量之间的正偏差，例如使用RESTORE算法进行心脏选通的结果[Chang等人。，2005]. 最后，目前的结果可能局限于单次激发、双聚焦EPI序列。替代数据采集方法包括螺旋DTI成像和多叶3D螺旋序列。由于螺旋序列的自导航特征，运动和涡流效应以牺牲其他不期望的效应为代价，如更大的图像模糊[Frank等人。，2010; Liu等人。，2004].

总之，当前的结果表明，头部运动和去除大量DW图像都会在DTI标量（FA和MD）的计算中引入正偏差。头部运动在FA和MD的总体解释方差中占很大一部分，并且根据既定的数据处理协议，在多条管道中观察到头部运动，这表明目前消除头部运动引起的偏差的技术可能不够。这些研究结果表明，如果临床研究期间质量保证协议失败（即两组受试者的运动参数显著不同），则运动估计值应作为协变量使用，这可能会缓解群体差异。去除伪影产生的DW图像也应谨慎，因为这可能会给标量计算带来正偏差。总之，不同临床人群的头部运动量不同可能会对DTI数据产生深远影响，并且可能极难纠正。未来的研究应该研究更复杂的算法检测和消除数据异常影响的能力，例如DTI数据中的运动伪影。

支持信息

其他支持信息可以在本文的在线版本中找到。

支持图1。体素分析的结果描绘了在运动和DTI标量值之间表现出显著关联的体素。数据用于分析，将平均扩散率（MD）作为依赖性测量，因为FA没有观察到相关性。结果表明，在几个白质束中，沿前后轴平移运动较大的受试者表现出较高的MD值。两个轴（z）的切片位置根据Talairach地图集提供矢状（x）处方。

支持图2。统计参数化贴图描述的体素显示出显著的运动效果，无论是否删除了有问题的渐变。根据是否仅在分析所有梯度文件时（蓝色）、仅在去除有问题的梯度时（黄色）或是否在两种分析中都存在显著影响（红色），对体素进行颜色编码。根据MNI图谱提供轴向（z）和矢状（x）处方的切片位置。

支持图3。该图显示了随机移除扩散加权图像（DWI）对受试者3的分数各向异性（FA）和平均扩散率（MD）的影响。有关每个面板的数据分析的完整详细信息，请参见图5。

致谢

特别感谢Diana South和Cathy Smith在数据收集方面提供的帮助。

DTI梯度表列出数据采集期间使用的方向

 

表 

000
100
−0.51070.62663−0.5887
0.2620.431990.86298
−0.524−0.7830.33502
0.60876−0.065−0.7907
0.35685−0.9236−0.1399
000
0.087980.18496−0.9788
0.88705−0.089−0.453
0.29396−0.90690.30196
0.413840.736710.53479
0.88395−0.2960.36198
0.863260.50415−0.025
000
−0.67890.13899−0.7209
0.22006−0.2331−0.9472
0.085990.86693−0.491
0.90124−0.4191−0.11
−0.004−0.9098−0.4149
−0.8147−0.38590.43285
000
−0.33−0.013−0.9439
0.54314−0.4881−0.6832
0.582240.800330.14306
0.6933−0.69830.17808
−0.5251−0.39610.75321
0.900190.259050.35007
000
0.166020.986120
0.656040.366020.66004
0.25698−0.4430.85892
−0.63920.689230.34112
−0.110.66380.73978
−0.169−0.60110.78111

参考文献

  • 阿克索伊M，刘C，Moseley我，Bammer R公司(2008):微观和宏观运动下的单步非线性扩散张量估计。Magn Reson医学 59:1138–1150.[PMC免费文章][公共医学][谷歌学者]
  • 安德森JL，斯卡尔S(2002):基于模型的扩散加权EPI几何畸变回顾性校正方法。神经成像 16:177–199. [公共医学][谷歌学者]
  • Ardekani文学学士，塔布什A，Sevy S，Robinson总经理，Bilder RM公司，Szeszko公关(2010):弥散张量成像能可靠区分精神分裂症患者和健康志愿者哼哼脑图（正在印刷中）。【Epub将于2010年3月4日出版】。[PMC免费文章][公共医学]
  • 巴扎里安JJ，钟杰，布莱斯B，朱涛，卡维奇五世，彼得森D(2007):扩散张量成像检测轻度脑外伤后临床上重要的轴突损伤：一项初步研究。神经创伤杂志 24:1447–1459. [公共医学][谷歌学者]
  • Beaulieu C公司(2002):神经系统各向异性水扩散的基础——技术综述。核磁共振生物识别 15:435–455. [公共医学][谷歌学者]
  • 布尔摩尔E，Brammer M，威廉姆斯SC，Rabe‐Hesketh S，Janot N，大卫·A，梅勒斯·J，霍华德·R，Sham P公司(1996):功能磁共振图像分析中估计和推断的统计方法。麦格纳森·梅德 35:261–277. [公共医学][谷歌学者]
  • Bullmore ET公司，Brammer MJ，Rabe‐Hesketh S，弗吉尼亚州柯蒂斯，Morris RG公司，威廉姆斯SC，夏尔马·T，麦奎尔PK(1999):fMRI在通用脑激活研究中对刺激相关运动的诊断和治疗方法。Hum大脑映射 7:38–48之间。[PMC免费文章][公共医学][谷歌学者]
  • Chang连卡佛，Jones DK，皮耶保利C(2005):RESTORE：通过异常值剔除对张量进行稳健估计。麦格纳森·梅德 53:1088–1095. [公共医学][谷歌学者]
  • 宾夕法尼亚州库克，Symms M、，宾夕法尼亚州博尔比，亚历山大特区(2007):扩散加权MRI测量的最佳采集顺序。J Magn Reson成像 25:1051–1058. [公共医学][谷歌学者]
  • 考克斯R，格伦·D(2006):高效、稳健、非线性和有保证的正定扩散张量估计。华盛顿州西雅图：国际磁共振与医学学会，第14届科学会议。聚丙烯349[谷歌学者]
  • 考克斯RW(1996):AFNI：功能磁共振神经图像分析和可视化软件。计算机生物识别研究 29:162–173. [公共医学][谷歌学者]
  • 法雷尔JA，兰德曼文学学士，琼斯CK，史密斯公司，普林斯JL，van Zijl个人电脑，森喜朗（Mori S）(2007):信噪比对1.5 T扩散张量成像导出的分数各向异性、平均扩散率和主特征向量测量的准确性和再现性的影响。J Magn Reson成像 26:756–767之间。[PMC免费文章][公共医学][谷歌学者]
  • Frank LR，荣毅，伊纳蒂·S，Tyszka吉咪，Wong EC公司(2010):高效、低失真的三维扩散张量成像与可变密度螺旋快速自旋回波（3D DW VDS RARE）。神经成像 49:1510–1523.[PMC免费文章][公共医学][谷歌学者]
  • Friston KJ，威廉姆斯·S，霍华德·R，Frackowiak RS公司，特纳R(1996):fMRI时间序列中的运动相关效应。麦格纳森·梅德 35:346–355. [公共医学][谷歌学者]
  • 悲伤山猫，威廉姆斯LM，保罗·RH，克拉克·CR，戈登·E(2007年）：认知老化、执行功能和分数各向异性：扩散张量磁共振成像研究。AJNR Am J神经放射 28:226–235.[PMC免费文章][公共医学][谷歌学者]
  • Hajnal合资公司，迈尔斯R，奥特里奇A，Schwieso JE公司，Young IR、，Bydder通用汽车公司(1994):大脑功能成像中刺激相关运动产生的伪影。麦格纳森·梅德 31:283–291. [公共医学][谷歌学者]
  • 马萨诸塞州霍斯菲尔德(1999年）：绘制涡流感应场以校正扩散加权回波平面图像。麦格纳森成像 17:1335–1345. [公共医学][谷歌学者]
  • 琼斯DK(2004):梯度采样方案对扩散张量MRI测量结果的影响：蒙特卡罗研究。麦格纳森·梅德 51:807–815. [公共医学][谷歌学者]
  • Jones DK，格里芬LD，亚历山大特区，卡塔尼M，马萨诸塞州霍斯菲尔德，霍华德·R，威廉姆斯SC(2002a）：扩散张量MRI数据集的空间归一化和平均。神经成像 17:592–617. [公共医学][谷歌学者]
  • Jones DK，威廉姆斯SC，加斯顿D，马萨诸塞州霍斯菲尔德，西蒙斯A，霍华德·R(2002年b）：在临床可接受的时间内进行全脑采集的各向同性分辨率扩散张量成像。Hum大脑映射 15:216–230.[PMC免费文章][公共医学][谷歌学者]
  • 克劳斯MF，苏斯马拉斯T，考夫林BP，Walker CJ，Sweeney JA，小DM(2007):慢性创伤性脑损伤患者白质完整性和认知功能的弥散张量成像研究。Revue神经病学 130:2508–2519. [公共医学][谷歌学者]
  • 兰德曼BA，法雷尔JA，黄H，JL王子，森喜朗（Mori S）(2008):低信噪比下的扩散张量成像：张量对比度的非单调行为。麦格纳森成像 26:790–800.[PMC免费文章][公共医学][谷歌学者]
  • 兰德曼文学学士，法雷尔JA，琼斯CK，史密斯公司，JL王子，森喜朗（Mori S）(2007):扩散加权方案对1.5T下DTI导出的分数各向异性、平均扩散率和主特征向量测量值再现性的影响。神经成像 36:1123–1138. [公共医学][谷歌学者]
  • 勒比汗D(2003):用扩散MRI研究大脑的功能结构。Nat Rev神经科学 4:469–480. [公共医学][谷歌学者]
  • Leemans A，Jones丹麦(2009):校正DTI数据中的对象运动时，必须旋转B矩阵。麦格纳森·梅德 61:1336–1349. [公共医学][谷歌学者]
  • 刘C，Bammer R、，Kim DH，莫斯利ME(2004年）：自导航交错螺旋（SNAILS）：在高分辨率扩散张量成像中的应用。麦格纳森·梅德 52:1388–1396. [公共医学][谷歌学者]
  • 隆德·TE，Norgaard医学博士，罗斯特鲁普E，罗伊·JB，保尔森产科(2005):运动或活动：它们在功能磁共振成像中受试者内和受试者间变化中的作用。神经成像 26:960–964. [公共医学][谷歌学者]
  • 马兰科S，罗林斯·R，罗德GK，巴尼特公司，Honea RA、，皮耶保利C，Weinberger博士(2006):扩散张量成像中测量误差的区域分布。精神病学研究 147:69–78.[PMC免费文章][公共医学][谷歌学者]
  • 迈耶AR，佛朗哥AR，凌杰，Canive吉咪(2007):精神分裂症神经精神功能成像研究中头部运动的评估和量化。国际神经心理学会杂志 13:839–845页。[公共医学][谷歌学者]
  • 迈耶AR，凌杰，曼内尔MV，加斯帕罗维奇C，菲利普斯JP，多泽马·D，雷切尔·R，Yeo RA公司(2010年）：轻度颅脑损伤的前瞻性弥散张量成像研究。神经病学 74:643–650.[PMC免费文章][公共医学][谷歌学者]
  • 森喜朗，van Zijl个人电脑(2007):人类白质图谱。美国精神病学杂志 164:1005. [公共医学][谷歌学者]
  • 诺里斯DG(2001):体积运动对扩散加权成像实验的影响：效果、机制和解决方案。J Magn Reson成像 13:486–495. [公共医学][谷歌学者]
  • 罗德GK，巴尼特公司，Basser PJ，马兰科S，皮耶保利C(2004):弥散加权MRI运动和畸变校正的综合方法。麦格纳森·梅德 51:103–114. [公共医学][谷歌学者]
  • Roosendaal SD公司，杰尔斯JJ，弗伦肯·H，赫尔斯特HE，盖KS，卡斯特林斯JA，Pouwels睡衣，巴克霍夫F(2009):多发性硬化患者的区域DTI差异。神经成像 44:1397–1403. [公共医学][谷歌学者]
  • 萨阿德ZS，格伦DR，陈刚，波尚医学院，德赛R，考克斯RW(2009):利用局部Pearson相关性改进功能与结构MRI比对的新方法。神经成像 44:839–848.[PMC免费文章][公共医学][谷歌学者]
  • 施密索斯特VJ，威尔克·M，Dardzinski BJ，荷兰SK(2005):正常儿童的认知功能与白质结构相关：扩散张量MRI研究。Hum大脑映射 26:139–147.[PMC免费文章][公共医学][谷歌学者]
  • 塞克斯顿CE，麦凯CE，埃布迈耶KP(2009):情感性障碍弥散张量成像研究的系统综述。生物精神病学 66:814–823. [公共医学][谷歌学者]
  • 斯卡尔S，赫德胡斯·M，Moseley我，李TQ(2000):条件数作为MRI扩散张量数据采集方案噪声性能的度量。J Magn Reson公司 147:340–352. [公共医学][谷歌学者]
  • 史密斯SM，詹金森M，Johansen‐Berg H，Rueckert D，尼科尔斯·TE，麦凯首席执行官，沃特金斯郡，西卡雷利·O，干部MZ，Matthews PM，Behrens TE公司。(2006):基于区域的空间统计：多主题扩散数据的体素分析。神经成像 31:1487–1505. [公共医学][谷歌学者]
  • Smith SM公司，詹金森M，伍尔里奇MW，贝克曼CF，Behrens TE，Johansen‐Berg H、Bannister公关、De Luca M、Drobnjak I、Flitney De、Niazy RK、Saunders J、Vickers J、Zhang Y、De Stefano N、Brady JM、Matthews PM(2004年）：功能和结构MR图像分析的进展以及作为FSL的实现。神经成像 23(补充1)以下为：S208–S219。[公共医学][谷歌学者]
  • 史密斯SM，尼科尔斯·TE(2009):无阈值聚类增强：解决聚类推理中的平滑、阈值依赖和定位问题。神经成像 44:83–98. [公共医学][谷歌学者]
  • P层，Frigo FJ公司，Hinks RS公司，模拟BJ，科利克BD，Baker N、Marmurek J、Graham SJ(2007):单次激发扩散加权回波平面成像中的部分k空间重建。麦格纳森·梅德 57:614–619. [公共医学][谷歌学者]
  • 蒂杰森RH，詹森·JF，支持WH(2009):评估和最小化噪声和运动对3T临床DTI的影响。Hum大脑映射 30:2641–2655.[PMC免费文章][公共医学][谷歌学者]
  • 货车HW，Sijbers J，De BS公司，普特D，Parizel下午，Leemans A公司(2009):关于评估基于体素的扩散张量MRI分析方法的基本事实框架的构建。神经成像 46:692–707. [公共医学][谷歌学者]
  • 惠勒‐加州金肖特，Cercignani M公司(2009):关于“轴向”和“径向”扩散率。Magn Reson医学 61:1255–1260. [公共医学][谷歌学者]
  • 白色T，纳尔逊·M，Lim KO公司(2008):弥散张量成像在精神疾病中的应用。顶级麦格纳森成像 19:97–109. [公共医学][谷歌学者]
  • 王尔德EA，McCauley SR公司，Hunter合资公司，更大的ED，楚Z，Wang ZJ、Hanten GR、Troyanskaya M、Yallampalli R、Li X、Chia J、Levin HS(2008):青少年急性轻度颅脑损伤的弥散张量成像。神经病学 70:948–955. [公共医学][谷歌学者]
  • 是的PH，辛普森·K，杜拉佐TC，加兹金斯基，梅耶霍夫DJ(2009年）：酒精依赖患者弥散张量成像数据的基于轨迹的空间统计（TBSS）：动机神经回路的异常。精神病学研究 173:22–30.[PMC免费文章][公共医学][谷歌学者]
  • Yoo SS，你好，Choi背景，Juh R、，Pae特写，Lee特写(2005):认知功能磁共振成像检查中的头部运动分析：在精神分裂症患者中的应用。神经科学研究 53:84–90. [公共医学][谷歌学者]
  • 张勇，布雷迪·M，史密斯S(2001):基于隐马尔可夫随机场模型和期望最大化算法的脑磁共振图像分割。IEEE Trans-Med成像 20:45–57. [公共医学][谷歌学者]
  • Zollei L，史蒂文斯A，胡贝尔·K，卡库努里S，费希尔B(2010):使用体积和表面联合配准改进的轨迹描记对准。神经成像 51:206–213.[PMC免费文章][公共医学][谷歌学者]
文章来自人脑映射由以下人员提供威利