CAT12（spm12）MRI图像预处理

由于在做基于深度学习的阿尔兹海默症分类项目，需对阿尔兹海默症的核磁共振数据进行预处理，特此写此博客记录项目中如何使用基于matlab的CAT12（spm12）软件来预处理MRI数据。

由于项目中最后只需要分割后的灰质图像，不需要进行之后的数据分析，博客中只涉及到自己项目中的数据处理步骤，其他CAT12的处理使用方法可查看CAT12使用手册。

数据来源

ADNI（Alzheimer’s Disease Neuroimaging Initiative，http://adni.loni.usc.edu/）

ADNI需注册账号，通过注册申请后在SEARCH中进行数据查找筛选。这里需要选到AD，MCI，CN三种情况的被试，数据图像模态选择MRI核磁数据，加权像一般选择T1。设定好筛选条件后进行搜索，这里下载的是相关数据的nifti文件。

AC校正（Reorient）

AC-PC:为前联合(anterior commissure, AC)后缘中点至后联合(posterior commissure, PC)前缘中点的连线，又称AC-PC线。脑立体定向手术和X-刀、Y-刀治疗多以此线为准，故脑立体定位断层解剖研究多以此线为基线。

首先我们要知道立体定向脑图谱与其他解剖学脑图谱的不同点。我们都知道，在地理学上，两座山峰高低的比较是以海平面为基础的。那么人脑的比较的基础又是什么呢？立体定向脑图谱是以前连合与后连合的连线（AC-PC）为基准的，因为研究已经表明不同人脑的AC-PC没有显著性差异。以AC-PC中点为原点我们可以建立三维坐标系，在这个三维空间中获得的不同人脑的数据就可以进行比较了。因此，立体定向脑图谱——以AC-PC线为基准线获得的脑图谱被称作是标准的脑图谱。

最后，做这一步的另一原因就是：如果不做这一步的话，直接做下一步分割的时候会报错。。。

如下图所示，红色点位置为前联合（AC），黄色点位置为后联合（PC）。

使用spm打开MRI脑影像图，需将原点设置在如下图中红色十字线相交的位置。

在AC校正时，需要将图像原点位置设定在AC处。具体步骤首先打开SPM，选择PET&VBM，在弹出界面选择Display，选择需要校正的图像，显示界面如下。将蓝色十字线点击移动到AC位置后，Crosshair Position中mm会显示出当前坐标位置，根据当前坐标位置，将其相反数依次填入下方right，forward及up三处后，同理如果被试头部太歪，可以在roll，yaw和pitch中输入数字对三个维度进行旋转调整，点击最下面Reorient完成AC校正。

分割

CAT12从SPM的ToolBox选项中选择进入，选择Segment Data界面对分割设置选项进行设置。在Volumes中可设置需要操作的被试数据。

去颅骨和分割

首先对被试的脑图进行去颅骨和分割，最后得到被试的灰质图像。下图为依次进行去颅骨和分割后的结果。

这里使用的CAT12中默认的选项。

配准到MNI空间

将每个被试的灰质图像依次配准到标准模版上，包括了线性配准和非线性配准。

线性配准包括了线性坐标变换和仿射变换，包括了坐标旋转、平移、整体以及局部的缩放。

非线性配准是局部的非线性形变，具体来说，就是将一个变形场应用在了原始图像上，对原始图像进行局部任意的变换。

这里我使用的是CAT12中默认的选项。

调制（Modulation）

调制是为了补偿空间归一化的影响。空间归一化由于仿射变换(全局缩放)和非线性扭曲(局部体积变化)而导致体积变化。在调制之后，将得到的调制图像保留归一化分区中的灰质信号的总量。因此，调制图像反映了空间归一化之前的组织体积。

Modulation就是利用非线性配准时候生成的变形场（warp）文件，对配准后的灰质组织的volume进行补偿。在warp文件中，保存了所有体素上volume的压缩/放大的信息，将这些信息（主要是warp数据中的一阶现行jacobian矩阵）应用在配准后的灰质上，在不改变灰质图像标准空间坐标的情况下，改变灰质的volume的intense，这样就既保证了被试数据在空间上的一致性可以比较，同时也保证了个体灰质的差异性。

这里使用的CAT12中默认选项进行放射变换和非线性扭曲的调制。

输出文件格式

输出文件的格式前缀如下格式：

m[0]w[r]p[0123]xxxxxxxxxxx.nii

其中字母和数字代表如下：
m -modulated
m0 -modulated non-linear only
w -warped
r -dartel warped
p -segmented
0 -PVE label
1 -GM
2 -WM
3 -CSF

其他相关步骤设置可参考CAT12使用手册，可在CAT12官网下载查看。参考链接中有youtube上关于VBM8的教学操作视频，有兴趣的可以观看。

参考

除特别声明，本站所有文章均为原创，如需转载请以超级链接形式注明出处：SmartCat's Blog