Анализ функциональных нейроизображений - Analysis of Functional NeuroImages

AFNI
Пример сеанса AFNI.
Пример сеанса AFNI.
Оригинальный автор (ы)Роберт В. Кокс
Разработчики)NIMH Научно-статистическое вычислительное ядро[постоянная мертвая ссылка ]
Операционная системаКроссплатформенность (список)
ТипАнализ данных нейровизуализации
ЛицензияGPL
Интернет сайтафни.nimh.Национальные институты здравоохранения США.gov

Анализ функциональных нейроизображений (AFNI) является Открытый исходный код среда для обработки и отображения функциональная МРТ данные - метод картирования активности человеческого мозга.

AFNI - это совокупность программ, которые можно использовать интерактивно или гибко собирать для пакетная обработка с помощью сценарий оболочки. Период, термин AFNI относится как ко всему набору, так и к конкретной интерактивной программе, часто используемой для визуализации. AFNI активно развивается Научно-статистическим вычислительным ядром NIMH, и его возможности постоянно расширяются.

AFNI работает под управлением многих Unix-подобный операционные системы, обеспечивающие X11 и Мотив библиотеки, в том числе IRIX, Солярис, Linux, FreeBSD и OS X. Предварительно скомпилированные двоичные файлы доступны для некоторых платформ. AFNI доступен для использования в исследованиях под Стандартная общественная лицензия GNU. AFNI в настоящее время включает более 300 000 линий Исходный код на C, а опытный программист на C может относительно легко добавить интерактивные и пакетные функции в AFNI.

История и развитие

AFNI был первоначально разработан в Медицинский колледж Висконсина начиная с 1994 года, главным образом Робертом У. Коксом. Кокс привел разработку в NIH в 2001 году, и разработка продолжается в NIMH Scientific and Statistical Computing Core.[1] В статье 1995 года, описывающей обоснование разработки программного обеспечения, Кокс писал о данных фМРТ: «Объем собранных данных очень велик, и важно, чтобы были доступны простые в использовании инструменты для визуализации и анализа трехмерных карт активации. для исследователей нейробиологии ".[2] С тех пор AFNI стал одним из наиболее часто используемых инструментов анализа в исследованиях фМРТ, наряду с SPM и FSL.[3]

Хотя AFNI изначально требовал обширных сценариев оболочки для выполнения задач, готовых пакетных сценариев и улучшений в графический пользовательский интерфейс (GUI) с тех пор сделали возможным проведение анализа с меньшим количеством пользовательских сценариев.[4]

Функции

Визуализация

Одно из первых предложений AFNI улучшило подход к преобразованию сканированных изображений отдельного мозга в общее стандартизированное пространство. Поскольку мозг каждого человека уникален по размеру и форме, сравнение нескольких видов мозга требует преобразования (вращения, масштабирования и т. Д.) Индивидуального мозга в стандартную форму. К сожалению, функциональные данные МРТ на момент разработки AFNI были слишком низкого разрешения для эффективных преобразований. Вместо этого исследователи используют анатомические снимки мозга с более высоким разрешением, которые часто получают в начале сеанса визуализации.

AFNI позволяет исследователям накладывать функциональное изображение на анатомическое, предоставляя инструменты для совмещения двух изображений в одном пространстве. Процессы, задействованные для преобразования отдельного анатомического сканирования в стандартное пространство, затем применяются также к функциональному сканированию, улучшая процесс преобразования.[5]

Еще одна функция, доступная в AFNI, - это инструмент SUMA, разработанный Зиадом Саадом. Этот инструмент позволяет пользователям проецировать 2D-данные на 3D-карту кортикальной поверхности. Таким образом, исследователи могут просматривать паттерны активации, легче принимая во внимание физические корковые особенности, такие как извилины.[6]

Предварительная обработка изображений

«afni_proc.py» - это готовый сценарий, который будет запускать данные фМРТ от одного объекта через серию шагов предварительной обработки, начиная с необработанных данных. Настройки по умолчанию будут выполнять следующие шаги предварительной обработки и завершаться базовым регрессионным анализом:[7]

  1. Время среза:[8] Каждое трехмерное изображение мозга состоит из нескольких двухмерных изображений, «срезов». Несмотря на то, что они были получены примерно в одно и то же время, первый полученный срез может отделиться от последнего за несколько секунд. С помощью интерполяции срезы выравниваются по одному и тому же моменту времени. Обычно считается, что любой шум от ошибок интерполяции перевешивается улучшением сигнала.[9]
  2. Коррекция движения: движения головы могут создавать источники ошибок в анализе. Каждое трехмерное изображение в сканировании собирается в трехмерной сетке с каждым маленьким кубиком сеточного пространства ",воксель ", представляющий одно значение интенсивности изображения. В идеале воксели всегда будут представлять одну и ту же часть мозга при каждом получении, а не изменяться от одного трехмерного изображения к другому. Чтобы исправить небольшие артефакты движения, инструмент коррекции движения AFNI использует наименьшую линейную алгоритм квадратов, который пытается выровнять каждое полученное трехмерное изображение с первым изображением, полученным при сканировании.[10]
  3. Сглаживание: для учета случайного шума в изображении применяется ядро ​​сглаживания. Хотя сглаживание может увеличить отношение сигнал / шум изображения, оно снижает разрешение изображения.[11][12]
  4. Маска: удаляет все области, не относящиеся к мозгу, например череп, из изображения фМРТ.
  5. Масштаб: масштабируйте каждый воксель так, чтобы изменения интенсивности отражали процент изменения сигнала в ходе сканирования. По умолчанию устанавливается среднее значение каждого воксела равным 100.

Смотрите также

  • Национальный институт психического здоровья
  • Портал бесплатного программного обеспечения с открытым исходным кодом

Нейровизуализация

Рекомендации

  1. ^ "Магнетизм". Вопросы и ответы в МРТ. Получено 2018-05-14.
  2. ^ Кокс, Роберт В. (1996-06-01). «AFNI: Программное обеспечение для анализа и визуализации функциональных нейроизображений магнитного резонанса». Компьютеры и биомедицинские исследования. 29 (3): 162–173. CiteSeerX  10.1.1.457.6895. Дои:10.1006 / cbmr.1996.0014. ISSN  0010-4809.
  3. ^ Мурнэйн, Кевин. «Десятки тысяч исследований мозга FMRI могут быть ошибочными». Forbes. Получено 2018-05-14.
  4. ^ Ян, Эндрю (2012-12-28). "Блог Andy's Brain: uber_subject.py AFNI". Блог Andy's Brain. Получено 2018-05-21.
  5. ^ Кокс, Роберт В. (1996-06-01). «AFNI: Программное обеспечение для анализа и визуализации функциональных нейроизображений магнитного резонанса». Компьютеры и биомедицинские исследования. 29 (3): 162–173. CiteSeerX  10.1.1.457.6895. Дои:10.1006 / cbmr.1996.0014. ISSN  0010-4809.
  6. ^ Ян, Эндрю (26 марта 2012 г.). "Блог Andy's Brain: учебный лагерь AFNI: день 1". Блог Andy's Brain. Получено 2018-05-14.
  7. ^ "Программа AFNI: afni_proc.py". afni.nimh.nih.gov. Получено 2018-05-21.
  8. ^ «Программа AFNI: 3dTshift». afni.nimh.nih.gov. Получено 2018-05-21.
  9. ^ "Часто задаваемые вопросы о времени среза | mindhive". mindhive.mit.edu. Получено 2018-05-21.
  10. ^ «Программа AFNI: 3dvolreg». afni.nimh.nih.gov. Получено 2018-05-21.
  11. ^ «Глава 6 - Анализ данных фМРТ». users.fmrib.ox.ac.uk. Получено 2018-05-21.
  12. ^ «Программа AFNI: 3dmerge». afni.nimh.nih.gov. Получено 2018-05-21.

внешняя ссылка