扩散加权磁共振成像(dMRI)是目前最常见的用于研究人脑白质纤维结构的无创性检查方法。本文介绍了一个处理扩散图像的集成软件平台- QSIPrep，它几乎兼容所有的模态的dMRI数据形式。QSIPrep集成多种软件特点，利用它们的互补优势，得到了目前最好的用于扩散图像加权图像处理平台。本文发表在NATURE METHODS杂志。

介绍：

dMRI是目前对人类白质纤维进行无创性研究的主要工具。近年来，随着技术的进步，dMRI方法得到了广泛的应用。然而，快速发展也产生了不同扩散数据扫描方案、分析方法和以及处理软件不兼容的文件格式。目前大多数研究团队更多的是使用一种研究方法，由于局限性而导致缺乏利用不同工具的互补能力。

为了应对这些问题，我们引入了QSIPrep：这是一个可以用于处理和重建几乎所有dMRI数据类型的统一兼容的平台。QSIPrep利用脑影像数据结构，根据提供的数据自动配置适当的预处理工作站。此外，QSIPrep包括重构工作站，重建的工作流程主要是使用先进的重建和纤维追踪方法。这些方法主要来自QSIPrep预处理框架的输出，并实现先进的重构和纤维束成像。预处理流程和重建工作流程都是通过每个步骤中动画“前后对比”可视化报告同时使用标准化文本详细、完整地记录下来。通过上述操作，QSIPrep把数据转换成了适用于很多软件包的格式。(例如FSL，DSI Studio, DIPY、ANTs和MRtrix）

QSIPrep是基于Python和Docker的，其中包含了很多重要的软件包，以确保QSIPrep能够在大多数计算系统上运行。QSIPrep在2019年12月就公开面世了。持续的集成测试、模块化设计和开放的开发环境确保能够快速进行bug检测和收集用户群的特性请求的反馈。

为了说明QSIPrep对各种静态q空间采样方案的泛化性，我们处理了8个不同的采集参数和扫描平台的数据集(n=655次扫描)。这些数据集的采集方案包括一个标准的单壳序列，四种不同的多壳采样方案，两个采样密度不同的笛卡尔网格扩散谱图像(DSI)，以及一个随机q空间采样的压缩感知DSI序列(CS-DSI)。我们比较了QSIPrep针对每类数据预处理图像平滑度和图像质量的性能。

我们通过估计b0图像平滑核（FWHM）的平均值来代表图像序列的空间平滑度。这种方法受到多重插值和不精确的图像空间重采样的影响，会引入人为的伪影，降低图像对比度和解剖细节。我们采用相邻扩散加权成像相关(NDC)作为评估图像质量的指标。NDC代表dMRI图像中q空间中相邻两点空间相关性。NDC值越低，图像数据质量的越差。这是由图像噪音以及dMRI配准不齐造成的。在去噪声和头动伪影校正会增加图像NDC的同时也可以通过插值驱动的空间平滑方法造成图像人为膨胀。因此，在比较NDC之前，我们一般不对图像的进行平滑操作。

图1 | QSIPrep工作流程。

QSIPrep包括预处理(左列)和重构(右列)工作流。BIDS数据在左上角输入框中，按照蓝色箭头顺序通过可能需要的步骤。预处理框架的输出是重建流程的输入，包括MRtrix3、DSI Studio和DIPY的重建方法。在QSIPrep中，由多个采样方案和多种方法重建的神经纤维交叉是一个ODFs矩阵。标记为“转换格式”的灰色箭头表示，一个软件包的重构可以被转换为用于目标软件的进一步处理(例如，DIPY重构可以用于MRtrix3的束状图)。S：superior；P：posteroor

我们使用混合线型模型中的t检验来比较所有被试的显著性。我们使用Satterthwaite近似估计自由度和P值。对于壳数据方案，QSIPrep产生的模糊图像明显少于其他针对单一dMRI数据处理软件。与费城神经发育队列(PNC)开发的方法相比(ΔFWHM=−0.16mm)，青春期大脑与认知发展的多壳序列(ΔFWHM=−0.8mm)以及人类连接组项目的多壳序列(ΔFWHM4=−0.75mm)，QSIPrep处理后图像的模糊程度显著降低。通过对原始数据和预处理后数据的比较，进一步证明了先前发布的几个方法在平滑度方面有了相对较大的提高。相比之下，QSIPrep输出的平滑度略高于NODDI优化的MultiShell-113方法的(ΔFWHM=+0.09 mm)；但和Healthy Brain Network没有差异。

图2 | QSIPrep在没有额外平滑的情况下改善了图像质量。

ab.QSIPrep后的图像平滑度(FWHM, a)和数据质量(NDC, b)与之前发布的针对每个采集方案定制的软件的比较。

cd.非壳方案(如笛卡尔和随机采样)的QSIprep和原始数据的图像平滑度(c)和数据质量(d)比较。

值得注意的是，与我们研究的大多数自定义软件相比，QSIPrep得到的图像具有更高的NDC。唯一的例外是HCP，其NDC评分与QSIPrep没有显著差异。这些结果强调，与各种自定义的软件相比，QSIPrep能够产生更好(或至少相等)的图像。 QSIPrep的一个重要优势是，除了常规扫描方案外，它还可以使用QSIPrep中的算法有效处理高级非常规的dMRI数据。由于无法直接将我们的软件与现有进行比较，因此我们只对通过基于原始数据进行比较。图像处理过程中不可避免的会带来一些平滑度的提高。使用QSIPrep处理后的图像平滑度略有提升，但差异有统计学差异(ΔFWHM =+0.53 mm)。值得注意的是，使用QSIPrep处理非常规序列显著提高了数据质量，具体体现在NDC值的大幅增加。 在预处理之后，QSIPrep为用户提供了两点关键帮助：正确的处理流程和统一的输出格式。首先,我们旨在确保经过QSIPrep预处理的数据在重建工作流中得到正确处理。其次，每一种重构方法的输出都符合跨处理平台的一致格式。这种对软件交互性的强调促进了方法之间的比较。此外，QSIPrep允许用户使用基于q空间的插值将为常规序列开发的标准处理和重建方法应用于高级序列。这种可以将标准解析方法应用于无固定扫描方案的能力可以增加高级序列的可使用性。

dMRI最受欢迎的应用之一是通过追踪全脑纤维束成像方法构建全脑结构连接。然而，存储和表示连接体的文件格式因软件包的差异，进而限制了比较。此外，由于一些参与者在应用高分辨率脑模板中会损失一些小的区域，许多软件包在不同被试之间生成的矩阵大小不一致。相反，QSIPrep确保连接矩阵在方法和参与者之间可以直接进行比较。具体来说，该软件检查矩阵是否在所有脑图谱上都被正确塑造，并将它们存储在易于访问的HDF5文件中。最后，由于组件软件元素的互操作性，与单个软件包相比，QSIPrep允许计算更多样化的连接度量数组。 应该注意到当前版本的QSIPrep的几个限制。首先，该软件不支持双扩散编码q空间成像和梯度张量成像。这些扫描序列尚未得到广泛应用，目前BIDS还不支持，且缺乏开放的预处理软件。其次，需要注意的是，我们并没有声称图像重建工作站对任何给定的方法都是最优的，只是它们实现了当前存在的最佳实践。传统上，图像重建和纤维束追踪方法的最优性问题一直难以解决，部分原因是不同软件包产生的测量方法缺乏可比性。QSIPrep提供的互操作性促进了重构方法和采样方案之间的许多度量—包括方向分布函数(ODFs)、各向异性标量和连通性矩阵的比较。

综上所述，QSIPrep允许研究人员正确地将可重复的预处理流程和先进的重建方法应用于大多数dMRI数据:这个范围目前是其他dMRI流程无法比拟的。通过利用来自单个软件包的尖端技术，并将它们统一到一个可交互操作的框架中，QSIPrep提供的可广泛推广的方法的性能与仅应用于固定扫描数据处理方法一样好，甚至更好。由于QSIPrep的处理工作站兼容输入数据的特征，因此只要用户在BIDS中正确地指定了他们的数据格式，它就会生成一个适当的流程。这大大减轻了那些希望采用最佳数据处理方法但没有时间或技能学习多个软件包细节的用户的负担。至关重要的是，QSIPrep配置的自适应流程在不牺牲质量的前提下增强了可访问性和再现性。在多个研究中，与已建立的处理方法相比，QSIPrep自动构建的工作流程获得了很好的数据质量和图像平滑性。因此，对于扩散加权成像，QSIPrep是完全可复制的最佳方案。QSIPrep促进了dMRI图像的处理、质量保证和图像重建。

方法MethodQSIPrep预处理的工作流

预处理工作流是根据能够作为BIDS输入形式的数据而动态构建的。单独的dMRI扫描可以根据其采集参数和用户提供的选项组合和一起处理。图像处理包括去噪音、吉布斯采样、头动、涡流和失真校正，以b0为参考图像创建(包括一个可选的一个被试的b0作为模板)、与T1WI图像的配准、空间标准化、图像重采样和梯度方向矫正。

工作流的执行由Nipype完成，它支持多核并行化、算法输入验证和QSIPrep使用的众多软件包的接口。采用fMRIPrep v.1.2.6的编码风格和工作流程，可以通过在QSIPrep的命令行调用它提供的标志来启用或禁用本段中介绍的步骤。我们建议用户参考

https://qsiprep.readthedocs.io/en/latest/usage.html#command-line-arguments中的文档。

归一化，合并和降噪工作站

dMRI预处理的一个独特挑战是q空间采样方案经常被分割成多个单独的扫描。此外，这些扫描会得到相反的相位编码方向，使得其b0图像可以用于敏感性畸变校正(SDC)。QSIPrep使用的启发式方法是将扫描分成“扭曲的组”，这些组具有相同的敏感性扭曲。被扭曲的组被发送到归一化、合并和降噪的工作流中去。

QSIPrep的所有空间转换操作(不包括TOPUP/eddy)都使用ANTs进行。ANTs软件包里使用LPS+(左后上)坐标系统。BIDS所要求的符合FSL形式的bvecs文件格式指定了相对于图像轴的梯度方向，而不是传统坐标。通过使所有图像和bvecs文件符合LPS+图像方向，ANTs算法可以直接对图像和梯度向量进行配准和变换。归一化步骤按照该方向运行，并检查图像是否有匹配的qform/sform映射。

接下来，变化后的图像进行伪影校正(使用前后联合或Patch2Self矫正, Gibbs采样,偏倚矫正和基于b0图像的强度归一化)，如果有多个测试，则并行进行操作。根据用户的偏好，这个步骤可以作为并行-降噪-并行来完成。如果图像在降噪前进行并行，MP-PCA或patch2self这一步则会有更多的数据供需要降噪。然而，如果并行的被试之间的扫描参数差距较大，那么MP-PCA的性能可能是效果不佳。其他的降噪方法则不受被试间并行影响。用户可以使用命令行标志选择并行-降噪的顺序。

头部运动，涡流和SDC工作流程

由于TOPUP和涡流工具的相互依赖性，我们将头动校正(HMC)、涡流校正(ECC)和SDC结合到一个单独的工作站中。这个工作流程被分为传统扫描方案(多或单壳)和其他非传统的扫描方案。

壳数据方案： 如果fmap/或dwi/文件中有反相编码方向图像，则使用TOPUP计算fieldmap，并将其呈递给eddy，以便与HMC和ECC一起应用。其他情况则使用fMRIPrep的工作流程计算fieldmap，并应用于头动涡流校正的输入输出。

笛卡尔随机采样方案：这些方案都是用QSIPrep中的SHORELine算法然后再使用失真校正工作流进行处理。无论哪种采样方案，SDC都需要从每次dMRI扫描中仔细选择具有代表性的b0图像。QSIPrep从每组相位编码方向选择最多3张(取决于可用性)b0图像，在时间上均匀间隔。需要使用所有b0图像的代表性子集来限制TOPUP的运行时间。HTML报告中包含了用于SDC的图像的详细信息。QSIPrep的新版本(0.12.0及更高版本)通过开发HCP中所使用的“最优b0”工作流，其中选择的b0图像是与同一变换组中其他b0的图像平均空间相关性最高的。

b0模板工作站

每个dMRI序列的参考图像都是经过HMC、ECC和SDC之后从序列中提取b0的图像。它们使用ANTs中实现的标准化平均值进行组合，并进行DIPY中实现的直方图平均化。最后生成一个显示直方图均衡化前后b0模板的可视化报告。

个体模板工作站

在有多个独立的dMRI扫描不应该合并的情况下，将会有多个b0参考像。每一个都可能受到SDC中的错误或T1WI图像的多模式协同配准的影响。QSIPrep提供了基于b0的参考像集合上使用ANTs模板构造“个体化模板”的选项。最后使用该模板向T1WI图像配准，而不是每个单独的b0参考像。对个体化模板的变换以及该模板向T1WI图像的变换合并应用于每个dMRI被试中(避免额外的插值影响)。

配准和重新采样工作流程

b0像(或个体化b0模板)之间的协配使用antsRegistration代码进行。如果用户请求一个基于T1WI的空间归一化到一个模板，这也是使用从fMRIPrep中antsRegistration指令来执行的。与HCP和ABCD MMPS类似，QSIPrep使用刚体转换将剥去头颅的T1WI图像配准到AC-PC对齐。与其他方法不同，QSIPrep组合了所有的空间转换，因此只能应用单个被试。然而，基于涡流矫正的工作流程使用涡流的插值和一个单独的最终插值到AC-PC对齐。如果要求的输出图像分辨率和输入图像的相似，则最终的重采样应该使用Lanczos/Sinc插值算法。如果要求增加超过10%的空间分辨率，则执行BSpline插值算法来防止振铃伪影。最终的重采样最多可以包括仿射HMC、多项式ECC、非线性SDC、对b0参考像的非线性配准、对T1WI图像的配准以及对AC-PC方向的重新对齐。结合这些单一插值算法有助于保持高频空间特征和最终转换得到的图像精度。任何基于T1WI图像的步骤都可以使用dwi-only选项跳过。

QSIPrep重建工作流程

比较重建方法的一个主要挑战是，许多dMRI软件包都有自己的文件格式、坐标系统、方向约定和可视化工具。这种格式多样性由于dMRI采集方案不同，其中许多方法只能满足重构方法的子集要求。QSIPrep中精心策划的重建工作站为用户提供了两个关键好处:正确的处理和统一的输出格式。首先，工作流的设计是为了确保经过QSIPrep预处理的数据在重建工作站中得到正确处理。其次，每一种重建方法的输出都符合多平台的一致格式。

对软件交互操作性的强调促进了方法之间的比较。例如，扩展数据图3显示了多个重建工作流程的结果，描述了使用MRtrix3、DSI Studio和DIPY的Laplacian正则化方法实现不同的重建采样方案。重建的ODFs和纤维取向分布的结果可视化化表明，这些方法有许多共同的重要特征，如峰度方向。所有的重建输出都是以使用的每个软件包的原生文件格式产生的，并基于DSI Studio(.fib)文件格式。

利用上述交互操作性，QSIPrep还允许用户将为壳序列开发的标准处理和重构方法应用于高级非壳序列。为此，QSIPrep使用基于3dSHORE的q空间插值将非壳采样方案转换为多壳方案。例如，这种转换允许在任何无壳取样方案上使用多壳、多组织重建和MRtrix3纤维束成像方法。将标准分析方法应用于非壳格式的能力增加了这些高级采集序列的可使用性。

QSIPrep的重建工作站应用了开发者推荐的后处理和重建步骤，以软件原生格式和DSI Studio格式存储结果。框架是从最常用的开源扩散成像软件包中选择的，这样每个q空间采样方案至少有一个工作框架。不同方法间的比较和软件描述细节见补充表1。由于工作站使用固定的参数，用户可以下载和编辑工作站中的配置文件来调整工作站。

mrtrix3

有许多基于mrtrix3的工作站有相同的初始步骤，但执行FOD估计的方式不同。在每个基于mrtrix3的工作站中，用于纤维评估的函数是基于dwi2response dhollander并使用T1WI图像的 mask。主要区别在于MRtrix3的工作流程:(1)用于估计白质FODs和灰质和脑脊液间隔(多壳多组织CSD、MSMT-CSD或单壳三组织CSD)的canonical signed digit (CSD)算法和SS3T-CSD(2)纤维束追踪是否使用基于T1WI的组织分割方法。如果在预处理时不执行SDC，则必须使用框架的*_noACT版本。使用SDC方法配准到T1WI图像可以获得更加准确的纤维追踪结果。否则，在基于T1WI的灰质-白质交接界面进行分割。在所有MRtrix3框架中，使用tckgen（基于iFOD2概率跟踪方法）进行纤维追踪，得到的纤维最大长度为250毫米，最小长度为30毫米，FOD功率为0.33。使用SIFT2计算每个纤维的权重，然后用它估计结构连接矩阵。

mrtrix_multishell_msmt

mrtrix_multishell_msmt工作站使用dwi2fod msmt_csd算法利用多壳采集技术估算脑白质、灰质和脑脊液的残差。白质FODs用于纤维束追踪，T1WI图像用于解剖分割。mrtrix_multishell_msmt_noACT是相同的，只是除了在纤维束追踪中没有使用基于T1WI的解剖分割。mrtrix_singleshell_ss3t适用于单壳数据，并使用通过MRtrix3的MRtrix3Tissue (https://3Tissue.github.io)提供的ss3t_csd_beta1 (SS3T-CSD)算法估计白质、灰质和脑脊液的多组织FODs。白质FODs用于纤维束追踪，T1WI分割用于解剖分割。mrtrix_singleshel_ss3t_noact从纤维追踪中消除了解剖上的限制。

DSI Studio

dsi_studio_gqi进行标准的广义q-采样成像(GQI)重建，然后进行确定性纤维束成像。GQI几乎适用于任何抽样方案。GQI模型的扩散ODF。扩散ODF峰比CSD更小，但能稳定地检测纤维交叉。虽然GQI技术上适用于扩散张量成像(DTI)扫描，在b = 1000smm−2附近的单个壳层上进行球形采样，但当有更多的q空间样本时，其性能显著提高。在这条框架中进行的检查确保创建500万条最长为250毫米、最小为30毫米、随机播种、步长为1毫米和自动计算的定量各向异性的纤维束。此外，还生成了大量的各向异性标量图像，如定量各向异性、广义分数各向异性和ODF的各向同性分量。

DIPY：

ipy_mapmri。平均表观传播磁共振成像技术是一种重建方法，可以使用多壳、笛卡儿或随机q空间采样方案来分析估计集合平均扩散传播子(EAPs)和ODFs。该方法产生了由EAPs驱动的标量，如返回原点概率、返回轴概率、返回平面概率、q空间逆方差和均方位移。ODFs以DSI Studio格式保存，并可选择以MRtrix3格式的球形谐波系数保存。

dipy_3dshore。基于三维简谐振荡器的重构与估计(3dSHORE)方法还使用一个封闭形式的解从q空间数据中估计EAPs和ODFs。这个工作流程在DIPY重构中使用了BrainSuite 3dSHORE方法。很像dipy_mapmri, EAPs相关的标量，如返回原点概率，返回轴概率，返回平面概率和均方位移被估计。对于这两个重建框架，纤维束追踪的运行方式与dsi_studio_gqi相同。

DSI方案转换重建

csdsi_3dshore。这个框架是用于DSI或压缩传感DSI的。第一步是对每个体素中的集合平均传播子进行L2正则化3dSHORE重构。然后使用这些EAPs(1)计算ODFs，然后将ODFs发送到DSI Studio进行跟踪(2)为多壳(特别是HCP)采样方案输入信号，该方案通过mrtrix_multishell_msmt框架运行。重采样类似于前面描述的基于GQI的方法而估计样本外图像使用的是3dSHORE法。

结构连接矩阵：

生成连通性矩阵的纤维追踪符合基于HDF5的标准输出格式，以便在方法和软件包之间直接进行比较。QSIPrep包含了一组常用的脑区分割方法，例如100、200和400分辨率的Schaefer脑图谱，大脑连接组脑图谱(264个区域)，AICHA(384个脑区),Gordon(333个脑区),AAL(116个脑区),Power atlas(264个脑区)。此外，用户可以根据需要轻松添加自己的自定义的脑图谱。

评估数据

数据是从多个机构的一些独立研究中收集的。每项研究都获得了参与者的知情同意，并得到了他们所在机构的伦理委员会的批准。选择这些样本来测试各种q空间抽样方案，并评估QSIPrep是否正确处理每一个方案。QSIPrep在每个研究的原始数据上运行。空间平滑和NDC为QSIPrep预处理数据和使用专门为该采样方案设计的框架处理的数据计算。对于非shell数据方案，将QSIPrep与未处理的数据进行比较。

单壳DTI数据

单壳数据收集作为PNC的一部分并根据之前描述的方法处理。这中处理方法类似QSIPrep，使用涡流矫正(来自FSL5)和自定义代码应用畸变校正。QSIPrep框架的不同之处在于，它加入了MP-PCA、Gibbs unringing、FSL6和使用ANTs进行重采样。从可用的PNC dMRI数据中随机选取111名参与者。

多壳数据NODD扫描方案

设计该采样方案的目的是拟合NODDI等微观结构模型发布的数据，使用FSL5的TOPUP和eddy进行预处理，并启用了异常值替换。QSIPrep框架的不同之处是，它加入了MP-PCA去噪、Gibbs去响、FSL6和使用蚂蚁重采样。我们对136名参与者进行了评估。

多壳ABCD扫描方案

总共106个数据集以原始的.nifti文件的形式从国家心理健康研究所(NIMH)数据档案库中下载，并经过了最低限度的预处理。ABCD dMRI预处理框架不使用任何与QSIPrep相同的软件，但执行类似的步骤。ABCD框架包括梯度非线性校正，并使用内部代码进行涡流和畸变校正。QSIPrep使用FSL6添加MP-PCA、Gibbs unringing、ECC、SDC和ANTs重采样。

多壳HCP-Lifespan扫描方案

共有34名参与者使用HCP-Lifespan图像协议进行扫描并使用官方的HCP扩散软件(v.4.0.0-alpha.5)和QSIPrep进行处理。HCP扩散框架包括运动和ECC、畸变校正、跨扫描强度归一化、与T1WI图像配准、梯度去曲和图像配对取平均。QSIPrep作为0.9.0beta1的一部分进行了升级，以包括图像配对平均，以便可以直接比较QSIPrep和HCP框架输出之间的QC测量。对QSIPrep进行调整，在涡流中采用二次一级模型来匹配HCP扩散框架。

多壳HBN扫描方案

共有27个HBN参与者使用dMRIPrep (https://github.com/nipy/dmriprep)和QSIPrep的早期原型版本进行处理。dMRIPrep和QSIPrep都使用TOPUP和eddy进行畸变、涡流和运动校正，但dMRIPrep不包括Gibbs unring或MP-PCA。

笛卡儿网格(DSI)方案

在QSIPrep之前，没有公开可用的软件可以将HMC应用到DSI或CS-DSI中。因此，将QSIPrep预处理后的图像与在原始图像上计算的NDC进行直接比较。DSI258是一项重复测量研究，每个参与者有8次重复扫描。CS-DSI在每个参与者中获得四种不同的随机方案。DSI789扫描获得了q空间笛卡尔网格上的789个独特坐标。

扩展数据图1 | 扩散成像数据用于QSIPrep开发和评估。

采用笛卡尔序列(DSI)、随机序列(CS-DSI)和壳序列(单壳DTI和多壳DTI)对QSIPrep的预处理和重构流程进行测试。序列在其最大b值(1000-5000 s/mm2)、q空间样本数量(64-789)和体素大小(1.5-2.3 mm)方面差异很大。行颜色表示所有图形中的这些方案。HCP-Lifespan图像中的颜色表明，这些样本来自不同的扫描，按相位编码方向分组。

预处理通常会增加图像相对于原始图像的空间平滑度。在这里，原始图像的平滑度(x轴)与每个数据集(左)和QSIPrep(右)经过以往软件处理后的相同图像进行比较。
扩展数据图3 | QSIPrep重建工作流程在不同的采样方案和重建方法中产生了可比较的输出。采用DSI Studio的GQI、MRtrix的多组织CSD和Dipy的MAPL方法分别重建了4种采样方案。ODF场显示在两个白质区(左)，胼胝体的一个单一纤维区(上)和半卵圆中心的一个交叉纤维区(下)。中间面板显示的是单纤维区域重建的ODFs，右边面板显示的是四种采样方案(行)和三种重建方法(列)在纤维交叉区域重建的ODFs。