Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Содержание
Введение
Анализ функциональных нейроизображений (AFNI) — это среда с открытым исходным кодом для обработки и отображения данных функциональной МРТ — метода картирования активности человеческого мозга. AFNI представляет собой набор программ, которые можно использовать интерактивно или гибко объединять для пакетной обработки с помощью скриптов командной оболочки. Термин AFNI относится как ко всему комплексу программ, так и к конкретной интерактивной программе, часто используемой для визуализации. AFNI активно разрабатывается Научно-статистическим вычислительным центром NIMH, и его возможности постоянно расширяются. AFNI работает во многих Unix-подобных операционных системах, предоставляющих библиотеки X11 и Motif, включая IRIX, Solaris, Linux, FreeBSD и OS X. Предварительно скомпилированные двоичные файлы доступны для некоторых платформ. AFNI доступен для исследовательского использования в соответствии с лицензией GNU General Public License, а включенный компонент SVM light является некоммерческим и не подлежит распространению. В статье 1995 года, описывающей обоснование разработки программного обеспечения, Кокс писал о данных фМРТ: «Объем собираемых данных очень велик, и крайне важно, чтобы исследователи в области нейронаук имели доступ к простым в использовании инструментам для визуализации и анализа трехмерных карт активации». С тех пор AFNI стал одним из наиболее часто используемых инструментов анализа в исследованиях фМРТ, наряду с SPM и FSL. Хотя изначально для выполнения задач в AFNI требовалось обширное программирование скриптов командной оболочки, предварительно подготовленные пакетные скрипты и улучшения графического пользовательского интерфейса (GUI) позволили генерировать анализы с меньшим объемом пользовательского скриптования.
Analysis of Functional NeuroImages (AFNI) is an open source environment for processing and displaying functional MRI data—a technique for mapping human brain activity. AFNI is an agglomeration of programs that can be used interactively or flexibly assembled for batch processing using shell script. The term AFNI refers both to the entire suite and to a particular interactive program often used for visualization. AFNI is actively developed by the NIMH Scientific and Statistical Computing Core and its capabilities are continually expanding. AFNI runs under many Unix like operating systems that provide X11 and Motif libraries, including IRIX, Solaris, Linux, FreeBSD and OS X. Precompiled binaries are available for some platforms. AFNI is available for research use under the GNU General Public License, the included SVM light component is non commercial and non distributable. In a 1995 paper describing the rationale for development of the software, Cox wrote of fMRI data: "The volume of data gathered is very large, and it is essential that easy to use tools for visualization and analysis of 3D activation maps be available for neuroscience investigators." Since then, AFNI has become one of the more commonly used analysis tools in fMRI research, alongside SPM and FSL. Although AFNI initially required extensive shell scripting to execute tasks, pre made batch scripts and improvements to the graphical user interface (GUI) have since made it possible to generate analyses with less user scripting.
Визуализация
Одним из первых продуктов AFNI стало улучшение подхода к преобразованию сканов отдельных головных мозгов в общее стандартизированное пространство. Поскольку размер и форма мозга у каждого человека уникальны, для сравнения данных, полученных у нескольких испытуемых, требуется деформация (вращение, масштабирование и т.д.) отдельных мозгов до стандартной формы. К сожалению, функциональные МРТ-данные на момент разработки AFNI имели слишком низкое разрешение для эффективного преобразования. Вместо этого исследователи использовали анатомические сканы мозга с более высоким разрешением, которые часто получали в начале сеанса визуализации. AFNI позволяет исследователям накладывать функциональное изображение на анатомическое, предоставляя инструменты для их совместной регистрации в едином пространстве. Процедуры, применяемые для деформации индивидуального анатомического скана в стандартное пространство, затем используются и для функционального скана, что улучшает процесс преобразования. Другой функцией, доступной в AFNI, является инструмент SUMA, разработанный Зиадом Саадом. Этот инструмент позволяет пользователям проецировать 2D-данные на 3D-карту поверхности коры головного мозга. Таким образом, исследователи могут визуализировать паттерны активации, одновременно учитывая физические особенности коры, такие как извилины.
One of AFNI's initial offerings improved the approach to transforming scans of individual brains onto a shared standardized space. Since each person's individual brain is unique in size and shape, comparing across a number of brains requires warping (rotating, scaling, etc.) individual brains into a standard shape. Unfortunately, functional MRI data at the time of AFNI's development was too low resolution for effective transformations. Instead, researchers use the higher resolution anatomical brain scans, often acquired at the beginning of an imaging session. AFNI allows researchers to overlay a functional image to the anatomical, providing tools for aligning the two into the same space. Processes engaged to warp an individual anatomical scan to standard space are then applied also to the functional scan, improving the transformation process. Another feature available in AFNI is the SUMA tool, developed by Ziad Saad. This tool allows users to project the 2D data onto a 3D cortical surface map. In this way researchers can view activation patterns while more easily taking into account physical cortical features like gyri.
Предварительная обработка изображения
"afni proc. py" – это готовый скрипт, который обрабатывает данные fMRI от одного испытуемого, последовательно применяя этапы предварительной обработки, начиная с исходных данных. Настройки по умолчанию выполняют следующие этапы предварительной обработки и завершают базовым регрессионным анализом:
"afni proc. py" is a pre made script that will run fMRI data from a single subject through a series of pre processing steps, starting with the raw data. The default settings will perform the following pre processing steps and finish with a basic regression analysis:
Коррекция времени срезов: Каждое 3D-изображение мозга состоит из множества 2D-изображений, называемых "срезами". Несмотря на то, что они приобретаются примерно одновременно, между получением первого и последнего среза может пройти до нескольких секунд. С помощью интерполяции срезы выравниваются по одному моменту времени. Обычно считается, что любой шум, возникающий из-за ошибок интерполяции, компенсируется улучшением сигнала. Коррекция движения: Движения головы могут вносить ошибки в анализ. Каждое 3D-приобретение в сканировании собирается на 3D-сетке, где каждый маленький куб сетки, называемый "вокселем", представляет собой одно значение интенсивности изображения. В идеале воксели должны всегда соответствовать одной и той же части мозга при каждом приобретении, а не меняться от одного 3D-изображения к другому. Для коррекции небольших артефактов движения инструмент коррекции движения AFNI использует алгоритм линейного метода наименьших квадратов, который пытается выровнять каждое полученное 3D-изображение с первым изображением, полученным в сканировании. Сглаживание: Для учета случайного шума в изображении применяется сглаживающий фильтр. Хотя сглаживание может увеличить отношение сигнал/шум, оно снижает разрешение изображения. Маска: Удаляет из изображения fMRI области, не относящиеся к мозгу, такие как череп. Масштабирование: Масштабирует каждый воксель таким образом, чтобы изменения интенсивности отражали процентное изменение сигнала в течение сканирования. По умолчанию среднее значение каждого вокселя устанавливается равным 100.
Slice timing: Each 3D brain image is composed of multiple 2D images, "slices". Although acquired at approximately the same time, up to several seconds could separate the first slice acquired from the last. Through interpolation, the slices are aligned to the same time point. Generally, any introduced noise from interpolation errors is thought to be outweighed by improvements in signal. Motion correction: Head movements can create sources of error in the analysis. Each 3D acquisition in a scan is collected on a 3D grid, with each small cube of grid space, "voxel", representing a single image intensity value. Ideally, voxels will always represent the same part of the brain in each acquisition, rather than vary from one 3D image to the next. To correct small motion artifacts, AFNI's motion correction tool employs a linear least squares algorithm that attempts to align each 3D image acquired to the first image acquired in the scan. Smoothing: To account for random noise in the image, a smoothing kernel is applied. While smoothing can increase the signal to noise ratio of the image, it reduces image resolution. Mask: Removes any non brain areas, such as skull, from the fMRI image. Scale: Scale each voxel so that changes in intensity represent percentage of signal change over the course of the scan. The default sets the mean of each voxel equal to 100.