2022年第52期(Nature Methods)：ASLPrep——脑血流灌注成像标准化数据分析平台

Title：ASLPrep: a platform for processing of arterial spin labeled MRI and quantification of regional brain perfusion

Year： 2022

Authors：Azeez Adebimpe

Journal Name：NatureMethods

DOI：10.1038/s41592-022-01458-7.

动脉自旋标记(ASL)磁共振成像(MRI)是无创性测量人类局部脑血流灌注的主要方法。我们介绍了一套软件ASLPrep，确保了ASL MRI数据的可重复性和通用性处理。尽管成人大脑只占人体质量的2%，但却获得了大约15%的心输出量，以支持神经计算需求。脑血流量(CBF)与大脑新陈代谢密切相关，其在一生中变化是可以预见的，并日益被视为各种神经精神和神经紊乱的重要生物标记物。虽然测量脑血流量的金标准方法是正电子发射断层扫描(PET)，但动脉自旋标记(ASL)灌注磁共振成像(MRI)因其易于实施且无需注射造影剂或电离辐射而成为无创的人体脑血流测量的主导方法。

ASL MRI的优势还伴随着采集方法和分析技术的迅速崛起。例如，广泛使用的ASL MRI序列在其标记类型、回波次数、标记持续时间、使用的标记后延迟(PLD)数、图像缩放、背景抑制和参考(M0)图像的获取方面各不相同。此外，针对ASL的不同MRI方案可能产生明显不同的输出：常用方案可以提供控制和标记对、单差图像或完全量化的CBF图像的时间序列。这些因素加在一起，限制了CBF处理和量化技术的推广，并减缓了翻译研究的步伐。为了弥补这一差距，我们引入了ASLPrep：一种可通用且强大的软件工作流程，允许对广泛的ASL MRI数据进行可重复处理(图1)。

图1 ASLPrep概述。ASLPrep的输入数据包括ASL图像、解剖(T1加权)图像和M0参考图像。解剖前处理使用标准工具执行(如在sMRIPrep中实现的)；ASL图像处理包括前处理和CBF计算。

ASLPrep要求以脑成像目录结构(BIDS)格式记录成像元数据，并利用BIDS根据提供的数据自动配置适当的工作流程。ASLPrep的灵感来自fMRIPrep，它提供自适应和可靠的fMRI数据处理，但不提供处理ASL图像或量化CBF的功能。ASLPrep建立在广泛使用的神经成像工具箱上，如FSL、FreeSurfer、AFNI、ANTs和各种Python包；与fMRIPrep一样，ASLPrep依赖sMRIPrep进行结构处理，依赖SDCFlows进行失真校正。

ASLPrep还包括其他地方没有的算法的内部实现，例如基于结构相关性的离群值拒绝(SCORE)去噪选项，这对于研究头部运动较大的人群非常有用，例如儿童和许多临床人群。在此预处理工作流的基础上，ASLPrep可以执行高级方法来量化CBF。除了使用一般动力学模型的标准CBF量化程序,ASLPrep还包括两种不同的贝叶斯模型，它们包含了关于大脑结构的信息:BASIL(动脉自旋标记的贝叶斯推断)和SCRUB(稳健贝叶斯结构相关性)。在计算CBF图之后，BASIL还提供了部分体积校正(PVC)灰质(GM)和白质(WM)灌注图，根据解剖图像中GM和WM的混合来调整CBF。对于所有量化模型，ROI可以用一套不同的标准模板或用户提供的自定义模板加以总结。通过重构fMRIPrep的报告系统与ASL数据兼容，预处理和量化工作流程都可以通过动态生成的详细可视报告记录下来。其展示了工作流程中的每个步骤，并且可以使用专门的可视化来评估其性能的质量。

除了这种可视化之外，ASLPrep还提供了多种图像质量的量化测量方法。与fMRIPrep一样，处理报告还包括一个“引用模板”，它全面描述了实施的实际工作流程，包括软件版本和相关引用，以便于在使用ASLPrep中最大限度地报告。ASLPrep作为包含所有依赖项(https://hub.docker.com/r/pennlinc/aslprep)的Docker映像，确保它可以在几乎任何计算环境中运行。ASLPrep的模块化代码库使用Nipype，并在GitHub(https://github.com/pennlinc/aslprep)上开放开发，允许快速检测错误、集成功能请求并支持用户。在补丁或新版本发布之前，所有对ASLPrep底层代码的更改都将通过CircleCI进行持续集成测试。通用文档(https://aslprep.readthedocs.io)受版本控制并经常更新。

到目前为止，全世界的用户已经使用ASLPrep成功地处理了总共超过48,000个数据集。为了说明ASLPrep的概括性，我们处理了五个不同的数据集，这些数据集使用了广泛的采集参数(n=3571次扫描，1,978名女性，平均年龄26.88岁，S.D. =19.79年)。这些数据集包括在西门子扫描仪上使用伪持续标注式ASL (PCASL)收集的四个ASL序列，但序列编码方案不同：来自费城神经发育队列(PNC)的二维(2D)自旋回波PCASL图像(n=1,527,797名女性，平均年龄15.00岁，S.D.=3.65岁)，来自NKI-Rockland样本(NKI)的2D梯度回波图像(n=1,648,956名女性，平均年龄36.35岁，S.D. =22.66岁)，来自青年易激(IRR)研究(n=218,136女性，平均年龄21.56岁，S.D.=3.51岁)的三维(3D)螺旋线堆叠自旋回波采集图像，以及一项公开的使用3D Grase PCASL序列(AGE)的衰老研究(n=63，女性35人，平均年龄48.98岁，S.D.=24.41岁)。

此外，我们还纳入了一项额颞部痴呆(FTD)的研究(n=115，女性54人，平均年龄53.47岁，S.D.=15.36年)，在GE扫描仪上使用具有PCASL的3D EPI梯度回波序列收集。对于每个不同的数据集，我们都完成了最小的预处理和CBF量化。具体地说，我们评估了每个数据集中GM和WM的平均CBF，并检查了GM CBF是如何随着年龄的增长而演变的。虽然这些分析集中在使用标准的CBF量化程序对CBF进行量化，我们也使用ASLPrep打包的其他量化方法进行分析。

在数据集和工作流中，ASLPrep自动配置的流程完成时不会出现错误。作为质量保证的一部分，5%有较大头动(框架方向位移大于1 mm)或非生理性CBF(例如，GM与WM CBF之比小于1)的参与者被排除在进一步分析之外(最终样本n=3383)。检查来自个体参与者的数据以及来自每个数据集的群体平均CBF显示了一致的表现。与以前发表的PNC研究中使用的流程相比，ASLPrep保留了解剖细节并减少了模糊。此外，使用ASLPrep量化的CBF的区域分布与PET图谱之间有很好的一致性。当我们通过量化方法评估扫描仪内运动对数据质量的影响时，贝叶斯方法(如BASIL)减弱了参与者运动的影响。正如预期的那样，GM和WM CBF之间的区别在年轻人的数据集上更加显著，在由老年人组成的数据集中有所缩小(图2A和扩展数据图6)。当我们汇总所有数据集的单个参与者的数据时，CBF随寿命的预期非线性下降是明显的(图2B)。随着年龄的增长，GM的萎缩可能会由于部分容量效应而导致CBF下降，但在部分容量校正后，CBF的非线性下降仍然明显(扩展数据图7)。

在接受评估的3,000多名参与者中，使用ASLPrep处理ASL图像的时间不超过70分钟(当使用四个内核和30 GB RAM执行时)。然而，ASLPrep也需要解剖图像处理，这将ASLPrep的总运行时间增加到平均4.5小时。然而，ASLPrep的一个关键特征是，它可以使用符合标准(例如，sMRIPrep)的经过处理的解剖图像，从而消除了对结构图像的重新处理和加速运行时间的需要。此功能对于多模式成像研究尤其重要，因为它允许使用单一的经过处理的解剖信息来源，确保图像类型(ASL、fMRI、dMRI等)的一致性。

总而言之，ASLPrep允许研究人员正确地将可复制的预处理流程和先进的CBF量化方法应用于符合标准的ASL图像。ASLPrep根据输入数据的特点调整其工作流程，确保在正确指定数据的情况下进行适当的图像处理。通过利用多个软件包的互补技术并将它们组合在一个可互操作的框架中，ASLPrep减轻了希望避免学习许多不同技术的细节的研究人员的负担。总而言之，ASLPrep确保了ASL图像的完全可重复性和广泛性处理、质量保证和量化。

图2 ASLPrep量化了不同序列、扫描仪的CBF。A、每个数据集的GM和WM中的CBF。每个小提琴曲线图中的方框表示四分位数范围，中位数显示为白点。B、GM CBF跨越寿命。粗黑线表示广义相加模型的预测值；虚线表示95%可信区间。