表1 人口统计表格 表格显示了我们样本的人口统计特征,包括参与者的年龄、性别、精神疾病诊断(基于结构化访谈的二元指标)、一般认知能力以及体质指数。此表还显示了我们感兴趣的MRI质量度量,即CAT12分数,以及Freesurfer的欧拉数的平均值(和标准差)。 2.2 MRI数据获取 MRI采集包括结构MRI(T1-和T2-加权)、磁化率传递成像以及定量T1-和T2-加权映射。在这里,我们只关注T1-加权结构MRI扫描。位于罗格斯大学大脑成像中心(RU)的西门子3特斯拉Tim Trio MRI扫描仪配备了一款西门子32通道头线圈。T1-加权扫描采用了磁化预备-快速梯度回波(MPRAGE)序列,参数如下:224个切片,0.8 × 0.8 × 0.8 mm分辨率,TR = 2500 ms,TE = 3.15 ms,以及翻转角度 = 8°。所有在此研究中使用的神经影像数据都可以通过国际神经影像数据共享倡议在适当的数据使用协议下进行下载。更多信息,请参见HBN数据描述符。 2.3 视觉质量检查 所有T1-加权都由一系列受过训练的人类评估员进行视觉检查,他们被训练来识别扫描工件和运动的频繁迹象。这种训练提供了包括“振铃”、“鬼影”、“RF-噪声”、“头部覆盖”和“易感性”在内的工件的实例和描述。我们的附加文件1详细描述了这个协议的实例。每个评估员被指导给出1到10之间的分数,其中高分数被分配给高质量的图像。分数6被选为进一步研究中扫描包含的分界点。这个选择是通过检查6名研究助理对结构MRI扫描的评分的平均值和中位数来决定的;所有评分的平均值是6.14,中位数是6。我们的附加文件1详细描述了评分分布和评估员之间的相关性。为了最小化任何评估员的特异性,所有的评分都进行了z-分数(在评估员内)标准化,然后在评估员之间取平均,并将其与截断(6.0)点的平均z-分数进行比较。对于平均z-分数评分大于平均z-分数截断点的扫描,将其保留下来(通过视觉检查,N = 209),其余的则从进一步分析中移除。在我们的附加文件1中,我们也对没有通过视觉质量检查的受试者进行了额外的分析,研究了图像质量和形态测量输出之间的类似关系。 2.4 图像质量指标 我们使用CAT12工具箱(Computational Anatomy Toolbox 12),这个工具箱是在统计参数映射中实现的,用于生成每个T1-加权图像的质量的定量指标[。所使用的方法考虑了图像质量的四个总结度量:(1)噪声对比度比;(2)联合变异系数;(3)非均匀度对比度比,以及(4)均方根体素分辨率。为了产生一个作为总体质量指标的单一聚合度量,该工具箱将每一项度量标准化,并使用一个基于卡帕统计的框架来结合它们,以通过解最小二乘来优化广义线性模型。这个度量范围从0到1,数值越高表示图像质量越好。更多信息可在以下网址找到:http://www.neuro./cat/index.html#QA。由于噪声过多,一个T1-加权扫描的质量评估无法通过CAT12工具箱完成。值得注意的是,对于使用CAT12工具箱作为质量控制工具的相关性,生成图像质量度量大约每个主题/扫描需要18分钟(在入门级计算机上)。 2.5 社会人口统计学、认知和精神病学测量 在完成适当的数据使用协议后,通过协作式信息学和神经影像套件(COINS)数据交换对社会人口统计学(自我报告)、认知和精神病学数据进行了评估。我们选择了一些我们认为可能与T1-加权MRI质量协变的测量指标。由过去的研究激发,这些指标包括:年龄、性别、体质指数(BMI)、一般认知能力(IQ)和临床诊断。儿童韦氏智力测验(WISC-V)用作一般认知能力(IQ)的测量,样本中有336名参与者完成了这项测试;WISC-V是一个单独进行的临床工具,用于评估6-16岁的青少年参与者的智力,并生成一个总体认知能力分数(全量智商;FSIQ)。与临床诊断相关,精神病理症的存在由使用半结构化的DSM-5基础精神病诊断面谈(即,儿童情感障碍和精神分裂症日程表;KSADS-COMP)的认证临床医生进行评估。我们的样本中有367名参与者提供了这项数据。所有的社会人口统计学、认知和精神病学测量的均值、标准偏差和范围都在表1中说明。我们的附加文件1中提到了这些测量的额外信息。 2.6 图像预处理/处理(Freesurfer) 我们在Freesurfer 7.1版本中进行了标准的处理方法(例如,皮层重建;体积分割)。Freesurfer是一个广泛记录并且可免费获取的形态处理工具套件(http://surfer.nmr.mgh./)。简而言之,这种处理包括T1-加权图像的运动校正和强度标准化,使用混合分水岭/表面变形过程去除非大脑组织,自动Talairach转换,对皮质白质和深灰质体积结构(包括海马、杏仁体、尾状核、壳状核、脑室)的分割,灰质白质边界的镶嵌,以及皮层表面积和皮层厚度的推导。值得注意的是,我们使用了“recon-all”流程,并采用了默认的参数集(没有标记选项),并且没有进行手动编辑。处理成功后,我们从皮质下结构中提取了体积,以及用于34个双侧Desikan-Killiany(DK)图谱区域的平均皮层表面积和皮层厚度。我们使用Brainlife.io实施了Freesurfer计算,这是一个免费的,由公众资助的,用于可重现神经影像流程和数据共享的云计算平台。四名参与者的扫描由于技术问题在Freesurfer中没有完成处理;这使得通过视觉检查并完成Freesurfer处理的总样本量为N = 205。我们的方法的图形描述如图1所示。 图1 该研究流程的图形描述。结构MRI图像由多个训练有素的研究助手进行评分,并在CAT12工具箱中处理(a)。人类评价者评估每个图像,然后对这些评分进行平均;评分大于6的MRI图像,然后在Freesurfer中进行处理,并检查CAT12分数与Freesurfer输出之间的关系(b)。 表格展示了MRI质量(CAT12评分)与Freesurfer的DK图谱中不同大脑部位的皮层表面积的关系。表格的左侧显示了左半球的区域,右侧显示了右半球的区域。在每一侧,第一列是区域,第二列是CAT12评分和皮层表面积的t统计量。第三列是未经校正的p值,而第四列是这个测试统计量经过多重比较校正后的值(针对所有68个皮层部位)。斜体表示区域的p值小于0.05(未校正),粗体表示区域的p值小于0.05(FDR校正后)。 3 结果 3.1 T1加权MRI质量与结构图像视觉拒绝/接受之间的关系 使用逻辑回归来检查我们的T1加权MRI质量测量与通过或不通过由训练过的人类评估者完成的质量保证检查的结果之间的关系。逻辑回归模型表明,由CAT12工具箱得出的T1加权MRI质量与由训练过的人类评估者完成的通过或不通过质量保证检查的结果显著相关(z = 7.877,p < 0.005;Nagelkerke's R2 = 0.8951)。这表明更高的CAT12 MRI质量分数与通过视觉检查的可能性有关。接收者操作特征分析表明平均AUC为98.9%(95%置信区间为98.2-99.6%,如图2所示)。贝叶斯GLM建模建议了类似的关系,更高的MRI质量显著相关于通过视觉检查(z = 8.141,p < 0.005)。如图3所示,混淆矩阵显示出强烈的模型预测能力,样本外(来自我们样本的80%,保留20%)-准确性 = 0.938 和 Kappa = 0.874。 图3 为了进一步探讨CAT12分数准确分类MRI图像包含/排除的能力(源自我们的人类评估者),我们构建了混淆矩阵。值得注意的是,我们使用了80%的数据作为训练集,20%的数据作为测试集。这个图形显示了包括灵敏度、特异性、准确性和卡帕值在内的不同的精确分类指标。 3.2 T1加权图像质量与关注的社会人口学变量之间的双变量相关性 接下来,我们研究了T1加权图像质量和关注的社会人口学变量(例如,年龄,性别,BMI和临床诊断)之间的相关性。如预期并与其他报告一致,图像质量与年龄相关(r = 0.321,p < 0.005;如图4所示)。年龄较大的受试者通常具有更好的扫描质量。有趣的是,没有其他的社会人口学因素与图像质量显著相关(性别p = 0.196;BMI p = 0.227;临床诊断[二进制指示器] p = 0.189)。BMI的发现与在成年人中报告的过去的结果相矛盾。图像质量与IQ之间存在趋势相关性(r = 0.101,p = 0.06),高IQ与更好的图像质量相关。值得注意的是,这是对所有参与者的考察(不仅仅是那些通过人工视觉检查的人)。如果只在通过视觉检查的人中调查相关性,那么年龄和图像质量的关联仍然显著(p = 0.036)。所有其他的关联都不显著(所有p值> 0.3)。 图4 散点图显示了参与者年龄(以年为单位;水平轴)与图像质量(噪声-对比度比、联合变化系数、非均匀性-对比度比和均方根体素分辨率的综合度量,范围从0-1;垂直轴)之间的关系。点的颜色表示参与者是否通过了视觉质量检查(通过 = 青色;未通过 = 鲑鱼色)。 3.3 Freesurfer输出与结构MRI质量之间的关联 接下来,我们检查了T1加权MRI质量与Freesurfer的158个形态测量输出之间的相关性(DK图谱的68个平均皮层表面积估计;DK图谱的68个平均皮层厚度估计;22个皮质下区域)。关于皮层表面积,T1加权图像质量与来自不同脑区的平均表面积之间的关联有所不同(t统计量范围=-0.926-4.918)。总的来说,这种关联是适中的(平均t统计量=1.473±1.33);然而,在12个区域中,图像质量和平均表面积之间的关系在校正了多重比较后仍然显著(pfdr-校正<0.05,如表2和图5所示)。对于皮层厚度,再次出现了区块平均厚度与图像质量之间的关系变化(t统计量范围=-2.376-6.571),总的关联是适度的(平均t统计量=1.510±2.04)。然而,23个区域的图像质量和皮层厚度的关系在校正了多重比较后仍然显著(pfdr-校正<0.05,如表3和图6所示)。最后,对于皮质下体积,出现了类似的模式(t统计量范围=-0.5896-3.337;平均t统计量=1.312±1.016,如表3和图6所示)。值得注意的是,两个区域的体积,左侧杏仁体和胼胝体的后部,与图像质量相关(pfdr-校正<0.05)在校正了多重比较后(如表4和图7所示)。总的来说,我们检查了Freesurfer的158个形态测量输出,其中37个在校正了多重比较后与图像质量显著相关。值得注意的是,如果没有进行多重比较的校正,那么56个区域(或约35.4%的输出)在p<0.05的水平上与图像质量相关。 图5 用R库ggseg绘制的图示,显示图像质量(由CAT12工具箱评估)与推导的(平均)皮层表面积之间的关系。这是针对在Freesurfer中常用的DK图谱进行的。右半球的外侧和内侧视图显示在上方,左半球的外侧和内侧视图显示在下方。左侧面板显示了每个区域之间关系的整体t统计量,而右侧面板显示了在多重比较中,表面积与图像质量之间的关系在哪些区域中得以保留。 图6展示了图像质量(通过CAT12工具箱评估)与衍生的(平均)皮层厚度之间的关联(由R库ggseg进行图形描述)。这是使用在Freesurfer中常用的DK图谱进行显示的。右侧(顶部)和左侧(底部)半球的侧面和中间视图都进行了展示。左侧面板显示了每个区域中关系的总体t统计量,而右侧面板显示了皮层厚度和图像质量之间的关系在经过多次比较后仍存在的区域。 图7 展示了图像质量(通过CAT12工具箱评估)与皮层下体积之间的关联(由R库ggseg进行图形描述)。这是使用Freesurfer ASEG图谱进行显示的。冠状(左)和矢状(右)视图都进行了展示。左侧面板显示了每个皮层下体积中关系的t统计量,而右侧面板显示了体积和图像质量之间的关系在经过多次比较后仍存在的区域。 4 讨论 本研究的主要目标有三个:(1)观察图像质量的综合度量(由CAT12工具箱输出)是否与视觉评级者对T1加权MRI图像的判断(保留/排除)相关;(2)检查T1加权成像质量的直接测量是否与我们感兴趣的社会人口和行为变量相关;(3)常用的Freesurfer输出是否与T1加权图像质量存在关联。关于第一个目标(可能如预期那样),由CAT12工具箱输出的图像质量度量与视觉评级者对T1加权MRI图像的判断有强烈的关联。逻辑回归模型和接收者操作特性分析支持了这个观点。关于第二个目标,我们发现图像质量与年龄有显著的关系;然而,智商、BMI、性别或临床诊断之间没有关系。最后,我们证明了从T1加权图像中提取的常用结构MRI测量与图像质量有强烈的关系。即使在纠正多次比较后,许多皮层表面积、皮层厚度和皮层下体积的测量都与图像质量有关。对于大量的脑区(23.4%)来说,这提示了图像质量对结构形态测量的广泛但显著的影响。有趣的是,许多经过多次比较后仍然存活的区域(例如,内嗅区、中央前区、尾部中额叶区)在自动质量控制套件Qoala-T 中被发现具有影响力。综合考虑,我们的结果对于使用T1加权MRI的神经发育和其他应用工作的研究具有重要的影响,因为运动伪影对于年幼儿童和临床人群特别有问题;这些群体可能在收集高分辨率神经影像数据所需的时间内难以保持静止(表4)。 表格显示了MRI质量(CAT12得分)与Freesurfer的ASEG图谱中的皮层下体积之间的关系。第一列是区域,第二列是CAT12和皮层下体积的t统计量。第三列是未校正的p值,而第四列是对这个检验统计量进行了多重比较校正(对所有22个皮层下感兴趣区域)的结果。粗体表示区域的p值< .05(未校正),而斜体表示区域的p值< .05(FDR校正)。 将我们的结果与过去的研究报告进行比较,我们发现图像质量和年龄之间存在显著的双变量关联。然而,我们没有发现图像质量与诸如普遍智力(IQ)和BMI等因素之间的关联。这些发现与一些先前的出版物形成了对比。这可能是由于我们样本的年龄范围(5-21岁),而那些相关的过去研究主要在成年样本中完成。在以前的研究基础上,我们发现图像质量与大脑解剖的衍生测量相关,无论典型(二元)质量阈值切断如何。即使在高质量的结构扫描中(即“通过”视觉检查),扫描器中的运动似乎也会影响形态测量的估计。实际上,对区域灰质体积的准确量化依赖于从高分辨率MR图像中可靠的分割。MRI扫描期间的头部运动可能会偏置分割,进而可能影响形态测量。 我们的结果对于思考结构MRI,尤其是试图使用T1加权MR扫描研究个体差异的研究有重要的影响。我们使用了更直接的T1加权图像质量测量,而不是来自静息状态的测量。使用静息状态可能会捕获参与者运动的一些方面,但这并非特指在T1加权MRI扫描期间。此外,这种信息可能并不适用于所有的研究,但我们在这里使用的测量可以用于任何T1加权扫描。使用这种更直接的MRI质量测量,我们发现了通常从T1加权MR图像产生的形态变量的影响。例如,其他研究已经使用了从功能扫描中的受试者运动派生出来的图像质量的代理测量。然而,受试者运动的代理测量可能会忽视真实差异被运动所掩盖。 我们的发现是在Rosen及其同事的过去的工作基础上进行的,他们发现Freesurfer的欧拉数与Freesurfer的皮质厚度测量相关。然而,在这里,我们使用了一个更直接的图像质量指标,由CAT12工具箱派生,我们检查了这个度量与常用的Freesurfer输出的相关性。这种独立的图像质量度量的使用为图像质量对皮层下体积、皮层表面积和皮质厚度影响提供了更强的证据。在这些Freesurfer输出中,图像质量和与表面积、厚度和体积的关系存在变化;在不同的图谱中,常常可以看到正负关系。然而,图像质量与Freesurfer输出之间唯一能经受住多重比较的关系是积极的——图像质量更高的区域,这些区域的值更高。有趣的是,许多经过多重比较后仍存在的区域(如,内嗅区、中央前区、尾部中额叶区)在自动质量控制套件Qoala-T中被发现具有影响力。这些区域可能会特别受到参与者运动和图像质量的影响。最后,对于那些研究情绪的人来说,我们发现杏仁体的体积测量与图像质量相关,图像质量较高的区域在这个区域的体积较大。 考虑到我们的项目以及过去的研究,我们的结果表明,在使用T1加权图像进行未来的结构MRI分析时,考虑图像质量将是重要的。与当前的工作一致,对个体和/或群体差异感兴趣的研究应该标记/排除极差的扫描。此外,未来,研究组可能会考虑通过使用更直接的图像质量测量作为形态分析的协变量,来解释个体在运动相关图像质量上的差异。这样的策略可以解决运动相关图像质量的间接影响,并确认他们感兴趣变量的主效应。然而,就像任何“无关”的协变量一样,如果运动与其他变量共线,可能会移除与感兴趣因素相关的重要方差。细致的未来工作将需要解决这一问题,因为过去的工作已经指出MR图像质量与一般认知、体重指数和临床组状态之间的关系。 值得注意的是,我们的数据和结果有许多重要的限制,必须要强调。首先,我们在这里使用的公共数据集,健康大脑网络,并不是一个真正的随机样本。该数据集的年龄范围有限(5-21岁),并且采用了社区推荐的招募模型。研究广告特别针对那些对自己孩子的一种或多种精神症状有疑虑的家庭。鉴于这些因素,我们的人类评审员排除了大量的MRI扫描并不令人惊讶。健康大脑网络扫描了许多通常不会参与MRI研究的人(例如,有严重精神病理和其他发展挑战的青少年),因此可能不太可能产生高质量的数据。然而,我们项目中看到的数据丢失率实际上是符合过去组织的报告的。对神经发育感兴趣并在儿科样本中工作的研究团队可能会考虑使用预测运动校正工具,这些工具在整个扫描过程中定位头部的位置。其次,Freesurfer只是从结构MRI扫描中提取测量值的一种方法。其他指标,如基于体素的形态学或感兴趣区域的绘制,可能也会受到图像质量的影响。然而,这些方法通常依赖于组织分割,也可能受到图像质量的影响。将来使用这些方法的研究团队应该进行调查。最后,我们使用了一个由CAT12工具箱构造的图像质量的复合测量。这可能影响一些报告的结果。有许多图像质量的度量,每一种都可能捕获与MRI形态测量相关的噪声的独特方面。我们依赖这个聚合度量,它结合了噪声对比度比、联合变异系数、非均匀性对比度比和均方根体素分辨率。 对于这最后一个问题的进一步探讨,如何测量图像质量是一个亟需研究的领域。在这里,能够有一个单一的“等级”(由CAT12输出)激发了我们使用这个工具箱的决定。我们相信在应用学科工作的研究人员可以在他们的工作中使用这个单一的指标来进行质量控制评估,以及作为统计模型中的潜在控制变量。未来的研究可以采取一种集成的方法,将自动化的图像质量度量(即CAT12,Freesurfer的欧拉数,MRIQC,Qoala-T)与经过训练的人类评级对MR图像的判断相连接。这样的未来工作需要平衡如何将这些多个度量减少到更少的变量(以帮助应用研究团队)同时隔离噪声的独特来源。我们觉得CAT12是一个合理的起点,因为它运行速度快(大约18分钟/主题),界面相对容易使用,而且不需要强大的计算资源。 5 结论 尽管有限制,我们证明了结构成像质量的直接度量与常用的结构MRI度量以及参与者年龄强烈相关。重要的是,我们显示出图像质量的变化与脑解剖结构的推导密切相关。考虑到图像质量的变化可能影响应用研究(关注年龄、临床状态等)的结果。独特的工作,我们使用了更直接的结构MRI质量度量而不是运动和噪声的代理。将来,研究团队可能会考虑在分析中考虑这些度量,这些分析关注年龄、认知功能、精神病理学和其他因素的个体差异。这可能会导致报告效果的可重复性增强,以及最小化任何潜在的偶然关联。 |
|