Frontiers in Neuroscience：彌散張量成像(DTI)研究指南

• 2020 年 4 月 1 日
• 筆記

彌散張量成像（DTI）的研究越來越受到臨床醫生和研究人員的歡迎，因為它們提供了對腦網路連接的獨特見解。然而，為了優化DTI的使用，必須考慮到幾個技術和方法方面的問題，因為這些問題會影響到DTI研究結果的準確性和可重複性。本文由葡萄牙學者發表在Frontiers in Neuroscience雜誌。

這些方面包括：採集協議、偽影處理、數據品質控制、張量重建演算法、可視化方法和定量分析方法。此外，研究人員和/或臨床醫生還需要考慮並決定DTI分析流程每個階段最適合的軟體工具。

在此，本文作者提供了一個簡單的流程指南，涵蓋了彌散張量成像數據處理工作流的所有主要階段。本指南的目的是幫助新用戶解決分析中最關鍵的障礙，並進一步鼓勵使用DTI方法進行研究。

背景介紹：

彌散加權成像（DWI）是基於不同組織的水擴散速率不同的常規磁共振成像的變體。它是一種非侵入性的方法，對組織結構內的水運動具有無與倫比的敏感性，該方法只需使用現有的核磁共振技術，不需要新設備、造影劑或化學示蹤劑。

擴散張量模型的引入使人們能夠間接測量擴散張量成像（DTI）的各向異性程度和結構方向。DWI是指採集影像的對比度，DTI則是DWI數據集的一種特殊的建模方法（這是兩個最基本的概念，一般來說我們的影像採集就是DWI影像，如果採用DTI方法進行擴散張量重建，就會說DTI）。DTI原理和基本概念在已有文獻中已經得到了廣泛的描述和回顧。

概括地說，DTI背後的基本概念是水分子在不同組織中的擴散是不同的，這取決於該組織的類型、完整性、結構和組織屏障的存在，通過對水分子彌散運動的觀測可以給出了它所在組織的方向和數量，從而得出各向異性的資訊。通過DTI分析，可以推斷出每個體素的分子擴散速率[平均擴散率（MD）或表觀擴散係數（ADC）]、擴散方向[分數各向異性（FA）]、軸向（沿擴散主軸的擴散速率AD）和徑向擴散率（RD）。(請牢記這幾個指標）

腦白質（WM）會沿軸突方向的限制較少（但是在徑向方向存在很大限制），因此，水分子的擴散模型傾向於各向異性（不同方向速率不同），而灰質（GM）通常不太呈現出各向異性的擴散模式，腦脊液（CSF）則在所有方向上都不受限制（各向同性）。

基於這個假設，Basser和他的同事用橢球來模擬了這個擴散過程，橢球可以用一個3×3對稱矩陣來表示，也被稱為張量（這也是DTI，擴散張量成像或者也翻譯為彌散張量成像的名字的來由。張量其實一個數學概念（如果你理解向量的數學概念，你可以認為向量是一個二維的張量，試圖去理解一下張量的物理意義），並不是是腦科學研究所獨創的，我們利用了它能通過三維空間中不同分量和基向量模擬表示出一個物理量的特性，進行白質中水分子彌散物理量的重建）。

DTI在臨床醫生和研究人員中越來越受歡迎，目前它是研究人類在健康和疾病中的白質結構的一個有希望的工具。然而，它有一個複雜的工作流程（如圖1所示），包括對人工偽影的了解和避免、複雜的MRI採集參數定義、神經解剖學複雜性和內在的技術限制。這些因素由多個軟體包中的多種預處理和分析方法構成。目前，已經發表了一些論文和書籍，描述了與DTI研究相關的主要技術問題和陷阱。但是仍舊不夠系統。

圖1 DTI分析流程（pipeline）

注釋：首先選好應用領域，然後要進行人工偽跡控制和影像採集，接著進入處理過程，先進行影像格式轉換，其次頭動和形變校正，接著做剝頭皮處理，然後對影像進行彌散張量重建和纖維追蹤，接著就可以使用ROI、全腦基於體素分析（VBA）以及TBSS等分析了。在單模態分析完以後，還可以進行多模態綜合研究，和fMRI、sMRI進行融合研究。最後是結果展示。

考慮到方法學的不斷進步以及DTI在臨床和研究領域的適用性的增加，作者在這裡編寫了一本實用的研究方法指南，其中包含了在建立DTI研究、優化數據品質和解釋結果時需要考慮的關鍵資訊和主要參考資料。供廣大研究人員自查和學習使用。如果讀者對功能磁共振分析感興趣，可參考這篇文章（直接點擊即可）：

Frontiers in Neuroscience：fMRI研究指南

1.應用領域

DTI對組織的微觀結構特性非常敏感，因此，DTI在活體解剖和結構中具有重要的作用。事實上，這種敏感性，提供了擴散係數和組織纖維定向，使DTI廣泛用作臨床工具，特別是在研究人員預測某些人群的WM異常的情況下。

例如，它已經成功地應用於研究急性中風或腦瘤患者；神經退行性疾病包括多發性硬化、癲癇和阿爾茨海默氏症；神經精神疾病如精神分裂症；輕度認知障礙；發展障礙如閱讀障礙、自閉症，注意缺陷多動障礙；運動障礙（主要是帕金森氏症和亨廷頓氏症）；神經遺傳性發育障礙，如威廉姆斯綜合征和脆性X綜合征；以及在神經發育和衰老過程中的WM微結構變化。

DTI得到的變數（如FA、AD和RD等）通常與結構改變（可能是由於特殊情況/疾病）有關，這些改變指向特定的髓鞘形成水平和軸突損傷。隨著DTI技術應用範圍的不斷擴大、結果的一致性和穩健性的不斷提高，DTI有望在疾病治療規劃、臨床前標誌物檢測和微結構異常等方面發揮重要的作用；DTI研究提供的結構-功能相關性也有望在臨床上得到應用，將成為臨床影像常規的一部分。

2. 人工偽跡和採集技術

在實施DTI研究前，了解特定的MRI採集技術和可能的偽影，以及如何處理它們是必要的。DWI數據中的偽影主要與梯度施加系統的硬體、脈衝序列、採集策略和運動有關。DWI數據通常是通過改變擴散梯度的方向或大小而重複採集來覆蓋整個大腦的。

DWI具有低信噪比（SNR）和低解析度，對運動非常敏感。為了減少運動偽影的影響，可以減少掃描時間。因此，DWI掃描中利用了單次回波平面成像（EPI）技術，快速成像可以降低對運動的敏感度，從而保證單次成像的全腦成像品質。當然，其他的序列，如快速自旋迴波（FSE）、Line Scan Diffusion Imaging（LSDI）和Stimulated Echo Acquisition Mode採集（STEAM）也可能有助於減少偽影。

除了是最常見的方法外，EPI影像對與EPI特徵相關的其他偽影非常敏感，例如B0處採集的場不均勻性（尤其是在更高的場）、影像模糊性和T2的有限解析度，以及訊號讀出期間的訊號衰減；同時，它還具有擴散磁共振特性，如渦流引起的畸變和一般磁共振問題。

使用較短的讀出時間可以減少回波序列並提高信噪比，從而降低對運動的敏感度，降低對幾何偽影和模糊的敏感度。這種讀出時間的減少可以通過使用相控陣磁頭線圈來實現，從而實現並行成像，這類的採集策略有Sensitivity Encoding (SENSE)方法、Array Spatial Sensitivity Encoding T echnique (ASSET)方法和 Generalized Autocalibrating Partially Parallel Acquisition (GRAPPA)方法。在3T設備中，這些方法已經基本都能實現，而在7T設備中，已經是必備的成像技術了。

重要的是，DTI採集中的兩個主要偽影可能會破壞所有DWI中的體素對應關係，這兩個偽影是渦流畸變和頭部運動。在DTI研究中，與大多數影像採集相反，DWI影像的採集梯度要長得多（梯度的上升和下降沿著時間分開）；因此，可能存在局部磁場的擾動，導致磁共振掃描儀不同導電錶面中的電流感應，從而導致影像失真（收縮和/或整體位移和剪切），但這些偽影通常易於視覺檢測。

渦流隨擴散梯度的變化而變化，因此，連續影像之間會出現失配現象，而梯度脈衝越強、越長，失配現象越嚴重。一些策略已經被用於防止和糾正渦流畸變，例如基於二次重新修正的自旋迴波脈衝技術（pin echo pulse,）、bipolar gradients場強技術、場圖校正和預處理方法中的校正（稍後描述）；然而，重要的是，要注意這些策略有一些共同的缺點。

擴散磁共振成像對運動非常敏感，因為在核磁掃描中，我們觀測的是由擴散驅動的水分子位移引起的相移，而在這個過程中，由頭部運動、心臟搏動和呼吸引起的相移同樣會影響水分子的位移。這種檢測的靈敏度隨著梯度脈衝的強度和持續時間的增加而增加，梯度脈衝的特徵是b值，即在實驗中定義擴散加權量的標量。這個問題可以通過同步採集與運動源相關的物理量、使用「navigator echoes」進行監測、使用特定的採集序列和應用實時前瞻性運動和異常點檢測方法來減少；然而，所有這些都可能會引起其他問題，例如增加採集時間，

儘管我們有很多方法來彌補這些偽影問題，但是最好的方法仍然是使用舒適的墊子調整被試的頭部，並提前告知被試床上的噪音和振動（從源頭上控制比從處理上修復要好的多）。

最近，磁共振儀器的振動被報道為另一個產生偽影的原因，稱為振動偽影。在採集過程中，強烈的梯度會引起磁共振系統的低頻機械共振，從而導致小的腦組織運動。當這些運動沿擴散編碼梯度方向發生時，在DWI影像中會出現相位偏移，導致訊號丟失。這種偽影可以通過增加TR（缺點是降低信噪比）或使用全k空間覆蓋和並行成像（例如GRAPPA）來減少。

它也可以使用相位編碼反轉（COVIPER）等方法進行補償，在擴散MRI（ACID）工具箱的偽影校正中可以實現。

當偽影不能被糾正時，如劇烈運動、訊號丟失或分層強度中斷，研究人員根據偽影的類型和程度採取不同的策略，排除受影響的被試、或者受影響的單個影像也是常見的方法。另一種方法是，如果影響是局部的，則將分析限制在沒有被影響的區域內也是可以的。DWI採集中的偽影會導致張量估計的錯誤，從而導致擴散圖（FA和MD）中的錯誤，從而導致具有錯誤方向或長度的白質纖維被重建。

因此，優化擴散成像序列對於獲得更精確的數據至關重要。目前的採集協議應該面向正在研究的問題，並且應該使用特定的參數來優化特定的分析。由於最佳採集參數隨磁共振硬體配置、場強、供應商、可用掃描時間、特定解剖結構和所需腦解剖覆蓋範圍的不同而不同，因此在最佳採集參數方面還沒有一致的意見。因此，在此，本文僅根據先前的技術審查對典型DTI採集中的參數提出一些建議。

通常，DWI數據是通過沒有斷層間隙的軸位切片覆蓋整個大腦獲得的（對於纖維追蹤至關重要）。在目前的主流掃描儀上，5分鐘的掃描時間足以採集到夠分析的數據；但是，根據掃描儀和定義的採集參數，採集時間可能要長得多（如15分鐘）。擴散張量估計需要沿著至少六個非共線擴散編碼方向的高b值（例如，1000 s/mm2）和一個最小T2加權的低b值影像（b=0s/mm2）。

作者提出了幾種取樣方案，他認為取樣矢量在空間上應均勻分布，使張量方向的信噪比也均勻。使用30個擴散編碼影像（方向）被發現是影像品質和掃描時間之間的一個很好的折衷（編者註：目前研究dti數據採集至少30個方向起），因為方向數目的增加並沒有導致張量方向和MD估計的顯著改善。理想情況下，每5-10張高b值影像應採集1張低b值影像。

大多數DTI研究使用700-1000 s/m2範圍內的高b值，臨床DWI的實際標準為1000 s/mm2。B值的大小、回波時間、渦流和運動偽影，在特定情況下，應根據總體和特定結構進行調整。空間解析度對於DTI品質和使用各向同性體素（具有相同尺寸的平面內解析度和厚度，例如2×2×2）時也很重要；通常，建議使用2–2.5 mm的解析度進行纖維跟蹤，使用交錯採集以最小化相鄰部分之間的干擾。

各向異性體素在纖維取向和各向異性的定量評估中也引入了偏差，較大的體素更有可能具有多個纖維束取向。DTI採集的其他特徵參數包括視野（FOV），通常範圍為240至256mm，採集矩陣為96×96 – 128×128，回波時間（TE）為50-70ms，重複時間（TR）為8.5-12s。DTI協議的優化一直是各種研究的重點，這些研究為詳細的協議定義指定了指標，包括它與DTI度量和多中心方法的關係。

3.質控和預處理

品質控制和預處理過程是檢測和糾正DWI偽影和排除不能糾正的偽影的關鍵步驟，為可靠的張量估計提供了一致性。儘管已經有可能找到自動的預處理工具，但對於哪個工作流是dti品質控制或再處理的理想工作流，還沒有達成共識。因此，在這裡作者提供了一些指南，包括不同過程中的標準方法，這些方法易於執行且不太耗時。

第一步是，在導入數據時，檢查所有影像是否已正確導入和排序，以及在同一研究中，不同的受試者是否具有相同的參數。這可以通過通用影像查看器（如Osirix、syngo FastView、MRIcro、or ImageJ）來執行。初步檢查後，建議對DWI數據進行目視檢查，以檢測潛在的偽影（頂級智慧系統的視覺檢查往往是相當重要的）。在不同的「正交」視圖中循環瀏覽原始影像，可以識別幾何失真、訊號丟失、細微的系統漂移和缺少的slice。另一方面，離群點檢測方法提供了自動識別受損影像的方法。還提出了基於ADC一致性測試和尖峰雜訊檢測的方法。

RESTORE是一種常用的估計張量的工具，在張量估計之前排除潛在的異常值。然後，採集的數據可能需要進行幾個預處理步驟，具體使用哪些步驟取決於核磁共振掃描儀、採集參數、影像品質、使用的軟體包和研究重點。

在預處理過程中，通常首先將原始數據轉換為特定和適當的影像格式（圖1C）。DTI分析工具之間的相互通用操作性差，缺乏標準DTI格式。許多軟體包定義了它們自己的數據格式；例如，神經成像資訊技術倡議（NIfTI）和Analyze and Nearly Raw Raster Data（NRRD）是常見的數據格式。文件格式轉換器，如MRIcro、dcm2nii、MRIConvert、NiBabel、和 software包轉換器（如AFNI、fresurfer、SPM、Slicer）通常用於從原始DICOM格式轉換為NIfTI格式。

在DWI影像中，由渦流和頭部運動引起的畸變是最常見的偽影（圖1D）；因此，一個常見且推薦的預處理步驟是對此類偽影進行校正。渦流可以通過b0影像的仿射配准和b0影像的剛體配准進行運動校正。由於這兩項校正保護在一個程式中，因此可以作為一個單一步驟來實施。為此，FMRIB的擴散工具箱（FDT）、自動影像配准（AIR）和DT-Recon是流行的軟體工具，儘管DTIC（b0和DTI的渦流校正）DTI PREP（Liu等人，2010b）、DIFF_-PREP和 ExploreDTI等工具也可用於此目的。

需要注意的是，由於此過程處理影像方向的變化，編碼向量（也就是bvec）應該重新定向。幸運的是，DTIPrep、DIFF_PREP和 ExploreDTI工具考慮到了這一點（FDT也考慮到了，可以進行bvec的校正）。

在這之後，一個可選的步驟是進行顱骨剝離（圖1E），從分析中移除非大腦區域，改善共配准/標準化結果，並減小數據大小。這一步可以通過幾個工具來完成，比如來自FSL的BET、Freesurfer、Atropos。精確的張量估計和軌跡分析也依賴於精確的梯度表。梯度資訊通常可以直接從MRI控制台檢索，也可以使用DTI Gradient table creator等特定工具進行計算。在某些情況下，梯度方向的方向可能不準確，可能需要進行小的校正（ColbyImaging）。

在張量估計（在下面的章節中描述）之後，在某些特定區域（例如胼胝體、扣帶和鉤狀束）的張量方向的視覺檢查也是相當重要的，這是一種可以用任何張量可視化工具進行的評估。如，Slicer, TrackVis,DTIStudio, MedINRIA, BrainVoyager QX, FSL View, Camino,BioImage Suite, ExploreDTI)。如果發現張量方向錯誤，有必要修改梯度表並重複張量重建（使用DTI-TK等工具）。

DTI數據集中存在偏差也是常見的，它可能來自多個來源（例如，雜訊、場不均勻性、有問題的梯度品質控制程式、實驗和參數）；在這一階段，可以通過模擬和外推進行估計（SIMEX）。最後，研究人員或臨床醫生可以在列表中搜索和比較現有的軟體，如神經成像工具和資源的來源（NITRC，http://www.NITRC）或者I Do Imaging (http://www.idoimaging.com/)，特別是在為特定任務搜索工具時。

4. 處理和可視化

數據預處理後，DTI分析的下一階段包括每個體素的張量估計（圖1F）；為此，需要至少沿六個非共線方嚮應用擴散編碼梯度的影像。估計張量的最常用方法主要有三種：普通最小二乘法（OLS）、線性加權最小二乘法（WLLS）和非線性最小二乘法（NLLS）。不同的估計方法可能會產生不同的結果，因此必須確保使用相同的包來估計整個數據集中的張量。由於擴散張量是一個對稱的3×3矩陣，它可以用特徵值（λ1，λ2，λ3）和特徵向量（e1，e2，e3）來描述。然後使用特徵值和特徵向量來處理標量指數，在一些研究中，使用軌跡圖分析。在每個體素處，特徵值代表擴散的大小，相應的特徵向量反映最大和最小擴散的方向。

如今，各種各樣的免費或商業的DTI軟體工具，有著不同的用途和規格。對於新手來說，從其他人中選擇一個可能是一項困難而耗時的任務。在Table 1中，作者列出了最常用的軟體工具及其主要適用性。主要用於臨床，商業應用雖然直觀、友好、自動化，但也比較僵化和有限。

其中包括syngo DTI、Elite Neuro臨床解決方案或者Functool and FiberTrak 以及其他一些如iPlan Fibertracking, Prism Clinical Imaging , DynaSuite Neuro.等工具。另一方面，基於Python的工具，特別是Nipy項目（包括Dipy、NiBabel、and Nipype等工具）更靈活、更可自由訂製，但不太直觀和用戶友好。

DTI最大的挑戰之一是以直觀、易於理解的方式可視化和呈現張量資訊。事實上，數據的高維性和擴散張量域中的複雜關聯使得這一步相當困難。典型的方法包括使用張量Glyphs（即每個體素形成的形狀符號）或將維數減少到一個標量（例如FA這種）或者是形成三維圖形（纖維追蹤圖）。諸如Explore DTI, MedINRIA和Slicer等工具支援前面提到的所有可視化方案,如table2中所總結的。

表1 DTI預處理和處理中可用的工具（文章發表中用到的）

表2 包括了主要處理步驟和通用的DTI工具

二維標量圖可視化是臨床醫生最常用的DTI可視化方法，由於其簡單和即時可視化而被使用;但是，這種方法在提供的資訊量方面有限制。兩個主要的擴散指標，MD和FA，是基於特徵值的，代表了擴散過程的大小。

MD、ADC或trace可由這三個特徵值的平均值計算，並對應於分子擴散率(較低的值表示較低的擴散率)。下面是MD的計算公式（小學數學，不用緊張），其中Dxx，Dyy，Dzzare擴散張量的對角線項：

分數各向異性（FA）是由各向異性擴散引起的張量的分數的標準化度量，對應於各向異性擴散或方向性的程度，範圍從0（各向同性擴散）到1（各向異性擴散），公式如下：

在上面的式中D=（λ1+λ2+λ3）/3。FA沒有關於方向的資訊（圖1I）。這可以通過顏色編碼的FA圖來解釋，其中每個體素的顏色顯示其主要擴散方向（圖1H）。

在這些地圖中，紅色代表從左到右的方向，綠色代表從後到前，藍色代表從下到上擴散。其他相關的DTI指數包括trace（在體素中擴散的大小）、Lattice各向異性指數（對雜訊的敏感性降低）、軸向擴散率（從最大特徵值導出，測量沿軸突最快擴散方向的擴散率，檢測縱向擴散），和徑向擴散率（由第二和第三特徵值導出並測量擴散的橫向）。

通常，由於自由擴散的增加，受損組織中的MD更高；相反，FA則由於在主要擴散方向上的一致性的喪失而降低。table1中提供的可用於張量估計的軟體工具還可以計算一些最常用的標量映射。

相對於用標量指標表示的張量的維數縮減，Glyphs（即每個體素形成的形狀符號）是參數化的圖形對象，通過其大小、形狀、位置和顏色來描述擴散張量(圖1G)。Glyphs用於視覺化和品質控制，而不是用於分析過程。最典型的表現形式是沿最快擴散軸拉長的三維橢球形，並沿受限擴散方向壓扁。這些對象映射的張量特徵向量和特徵值，表示水分子擴散方向。其他形狀也可以使用，例如線性符號，它更適合描述線性各向異性的輪廓，但是，作為橢球體，它們忽略了重要的資訊，在平面上查看時很難清楚地理解三維形狀。

為了克服這個問題，引入了另一類Glyphs，稱為超二次曲面（superquadrics），並將球面、圓柱和盒形結合起來，以區分各向同性、平面和線性各向異性以及中間狀態。Superquadrics Glyphs可視化的主要缺點是它只允許內在的個體輪廓，而不允許張量數據的全局特徵。大多數DTI查看器支援將張量表示為線、圓管或橢球體，並允許其與標量映射可視化相結合。Table2中提供的工具中，MedINRIA和SATURN也支援box和superquadrics Glyphs。

最後一類可以從DTI外推的參數是基於擴散的主要特徵向量，以獲得WM路徑或纖維束的三維表示，即所謂的WM束追蹤（圖1K）。這種方法在體內投射不同腦系統之間纖維路徑和連接模式的三維軌跡。

影像追蹤處理可分為三個主要階段，即種子選擇、穿過區域和終止追蹤的規則。種子選擇包括如何定義能夠提取特定纖維的種子點；最常用的方法之一是基於定義感興趣區域（ROI）並在ROI的每個體素中放置一個或多個種子（圖1L）。ROI可以手動繪製或從其他MRI模態中提取。現階段的主要問題與不同被試之間的種子點位置和使用的纖維追蹤工具有關，導致結果的可變性。

第二種常用的方法是對整個大腦使用自動追蹤，實現張量數據的全面探索性可視化。在追蹤過程中，纖維逐漸發生變化。纖維跟蹤可以用兩種不同的演算法來完成，主要分為兩類：確定性演算法和概率性演算法。確定性纖維束成像的目的是建立數據模型，實際上，可以認為是從每個種子中產生/重建一根纖維。

另一方面，概率方法考慮了估計的不確定性，這導致概率圖表示體素作為白質纖維一部分的可能性，並提供從每個種子發出的多個可能的纖維方向。在DTI主要處理包中使用和實現的一種常見的確定性演算法是通過連續跟蹤（FACT）定義的基於ROIs的特定解剖束來分配纖維，假設纖維方向在體素內是均勻的，並且在體素的邊界上不會出現突然的角度改變。其他的確定性演算法則通過不同的插值方法(三階、二階或四階方法)、tensor deflection,或者tensorline方法來流線型化。諸如Diffusion Toolkit之類的工具實現了所有這些演算法，而其他工具實現了二階等方法。常用的概率演算法有PICo演算法由Camino實現、multi – fiber field model ，由FSL實現以及由slicer實現的貝葉斯方法等。

最後一步是根據一些定義明確的準則（也稱為終止準則）終止纖維追蹤的過程。這些準則旨在避免在矢量場的魯棒性不確定的情況下，在體素中終止對纖維的追蹤。常見的終止標準是最小FA閾值（成人大腦通常為0.1-0.3，嬰兒為0.1）和轉角閾值（根據路徑不同，通常為40-70°）。

由於在體素內部存在同質的單向總體方向這種內在的不切實際的假設，解釋白質追蹤結果圖時可能會有問題。在同一個體素中包含兩個或更多不同取向纖維束的大腦特定區域（交叉、分叉或親吻纖維）會導致纖維方向和路徑的錯誤估計以及束的突然終止。通過採用更複雜的方法，包括多張量模型，可以使得這種方法假設上的限制最小化。

High Angular Resolution Diffusion Imaging (HARDI),Hybrid Diffusion Imaging (HYDI), Diffusion Spectrum Imaging(DSI), Q-Ball Imaging (QBI), Q-Space Imaging (QSI), SphericalDeconvolution Model, and Persistent Angular Structure MRI(PAS-MRI)這些成像方法可以更好地解決上述的方法限制。近年來，這些方法越來越流行，開始逐漸取代傳統的張量模型。例如，DSI和QBI使用概率密度函數而不是單個張量來描述每個體素在多個不同方向上的擴散過程。由於需要更多的編碼方向，因此需要更長的採集時間。HARDI、DSI和QBI方法可通過TrackVis和擴散工具包實現，Camino以及可用於HARDY和PAS-MRI的分析。

5. 定量分析（也就是統計）

在參數圖（如MD、FA）被計算之後，為了進行個體或群體的統計分析，下一個常見的步驟是從特定的解剖區域或整個大腦中提取測量變數。為此，通常應用ROI、基於體素的分析（VBA）和基於白質骨架的空間統計（TBSS）。值得注意的是，研究人員/臨床醫生通常對群體比較感興趣，提取匯總指標的方法主要是實現對不同被試群體的白質指標的定量分析。

感興趣區域分析是基於人工描繪大腦特定區域或自動分割大腦特定區域的方法。ROI分析非常耗時，需要解剖學知識，並且應用於量化這些區域內的擴散參數（主要是MD和FA）。感興趣區分析的主要問題包括：影像強度對感興趣區邊界的影響（通常為FA或MD）；在使用解剖感興趣區時，難以與典型解剖影像（T1或T2加權）完全對應；在較小/較薄的區域進行分析；以及在縱向研究中的應用困難。ROI分析可以使用主要的張量估計和可視化軟體進行，如slicer、TrackVis、MedINRIA、和ExploreDTI。

定量分析的另一種可能性是使用分布頻率篩選特定參數範圍內的體素（通常為MD或FA）。每個擴散參數的直方圖顯示了平均值、峰值高度和位置、可用於統計測試比較組間差異（圖1M）。柱狀圖允許以自動化的方式分析整個大腦，而無需任何預先指定的ROI；然而，這種方法要求去除不感興趣的組織（通常是腦脊液），不保留任何異常位置的資訊，並且對萎縮引起的部分體積效應敏感。對於這種方法，可以使用TrackVis或MedINRIA等工具實現。

基於體素的分析在DTI中越來越流行，因為它們是自動化的，需要最少的干預，並且不受研究者的預先假設的影響。基於體素的分析（VBA）涉及到將FA等圖配准到到標準空間（一個稱為標準化的過程）中，以實現被試之間跨體素的對應關係，從而實現解剖結構的對應（圖1N）。

這使得能夠比較組間的擴散參數以及與相關協變數（例如年齡）的相關性。這種方法允許空間特定（作為ROI）和無偏（作為直方圖）分析，不需要以前的ROI定義。主要問題是使用張量數據集的配准演算法的準確性。VBA可以用SPM或BrainVoyager-QX來實現，SPM是這類分析中應用最廣泛的軟體工具（但目前VBA的使用已經比較少了）。

目前，研究更加普遍使用的是一種克服配准演算法和空間平滑的新方法——TBSS。TBSS是一種自動檢測整個大腦中群體體素變化的方法，基於已配準的FA地圖的群體骨架(圖1O)。TBSS消除了執行空間平滑的需要，增加了統計檢測能力(減少了測試的總體素數量)。另一方面，這種方法也存在一定問題，在存在較大解剖移位的影像中，FA影像的骨架化可能不準確，或者在骨骼中存在WM病變和配准錯誤，這難以在視覺上識別。由於骨架化過程與局部極大值是一致的，所以對原生空間的反投影也是一個問題，這可能並不一定適用於所有對象的相同解剖位置。此方法是FSL分析的一部分。

成組研究中的一個重大問題是，為了比較不同組之間的情況，需要將單個影像規範化為一個標準空間。在這之後，每一個結構應該在所有的被試中處於相同的位置。標準化過程對於VBA分析至關重要，並且偏差的結果可能是不可預測的。這在DTI中尤其具有挑戰性，因為它具有高度的方向性和結構特性。各種DTI影像標準化的過程，這一挑戰都存在。

最直接的方法是使用b0影像來和高解析度T1影像的剛性對齊，然後從T1空間到標準空間的仿射變換的對齊。請注意，生成的變換矩陣應僅應用於標量影像（即FA這些影像）。或者，一些研究人員選擇直接從b0影像驅動到標準空間的EPI模板。這些方法之間的差異已經在先前的研究中得到了解決。

另一種規範化方法是使用複雜的多通道演算法對張量進行標準化。在數據規範化中最常用的工具是AIR、FSL的flitr和SPM。同時，為了解決DTI影像的歸一化問題，TBSS為FA地圖的主體間配准提供了一種新的革命性的方法。

為了進行統計的參數檢驗，可以使用三維濾波器（即空間平滑）對數據進行平滑處理。這增加了信噪比，減少了由於空間歸一化過程造成的缺陷，提高了統計能力，並使隨機場理論的假設成為可能。在選擇平滑核大小時必須小心，因為選擇的濾波器的空間寬度將決定可檢測到的差異的大小，平滑也會增加部分體積效應。這個步驟可以使用fslmaths（FSL庫中的命令行工具）或SPM等工具來執行。

6. 多模態研究

使用不同的神經影像學方法從同一個人身上收集多模態腦數據，已經成為該領域的一個標準，並且肯定是未來的一個趨勢。結合不同的模式可以對活體大腦結構和功能進行全面和互補的概述。隨著顯微結構組織（DTI）和功能激活模式（使用靜息態或任務相關功能磁共振成像（fMRI））的結合，腦連接性研究現在變得非常流行（圖1P）。白質纖維中測量彌散指標的變化可以指向功能模式和行為的改變。使用這種方法的一個普遍問題是，為了達到WM纖維束，通常需要將GM的種子點擴展到WM區域。

實際上，這就是種子點的定義問題，可以通過使用fslmaths（來自FSL包）或MarsBaR（SPM工具箱）等工具來實現。一些研究已經證明了靜息態網路中功能性連接的大腦區域和任務相關模式之間的神經解剖聯繫（使用DTI來構建神經解剖聯繫）。

另一種流行的多模態方法是在DTI數據中使用傳統的MRI或T1加權圖形的mask，通過分割（ROI）來提取組合後的結構和DTI數據（圖1Q）。例如，WM體積已用於評估微觀結構完整性。

此外，結合DTI參數和腦電圖（EEG）記錄、皮質誘發電位（CCEPs）、腦磁圖（MEG）、正電子發射斷層成像（PET），磁共振波譜（MRS）和經顱磁刺激（TMS）等方法揭示了人類大腦複雜性的互補的新見解。重要的是，為了將DTI與其他神經成像模式數據相結合，不同模態的ROI應該與DTI數據位於同一參考空間（其實實踐過程中無非就是T空間或者MNI空間，對於兩個空間不理解的請點擊我們上一篇文章，有詳細描述）。

7. 結果彙報

在DTI數據解釋中，最常見的誤解與標量（如AD、FA、MD和RD等）結果有關。通常，較高的MD值和較低的FA值表明，由於在主要纖維方向上的擴散增加和纖維髓鞘化的喪失，纖維完整性受損。然而，這並不總是真的。事實上，根據所研究的大腦區域、細胞基礎和樣本（特定的疾病過程、發育狀況），異常高或低的指數可能表明存在功能障礙，但可能也沒有，對於結果的解釋需要更多的補充性證據，不能輕易的下結論。

DTI研究解釋過程中還存在一些其他問題。使用顏色編碼來導向的標量地圖的解釋也很重要，因為兩個不同的區域可能有相同的顏色(如果它們有相同的平面內纖維方向)，而且相同的區域在方向改變時可以改變顏色編碼，這使得在2D影像中定位變得困難。交叉纖維也是結果解釋中面臨的重要問題，它影響FA，軸向和徑向擴散以及MD，並對纖維追蹤方法有巨大的影響。

因此，在解釋白質研究結果時，一定要考慮到方法的局限性和假設的邏輯性。從而更加謹慎的對數據結果進行解釋。

8. 總結

DTI研究是目前研究WM微觀結構的一種很有前途並且被廣泛使用的方法。然而，從實驗設計的最初階段到最終結果的解釋，每一項科學分析都存在一定的困難。DTI研究不例外。

本文著重介紹了在進行DTI研究時所面臨的常見問題，以及克服這些問題的一些可能的方法，並提供了實用的指導和參考，包括最常用的工具。對於DTI工作流程中最常用的解決方案和工具的描述，從本文來看，到目前為止還沒有得到很好的理解，並且本文的概述是宏觀的，在具體細節時研究人員仍舊面臨大量困難。

因此，我們相信，本指南不僅對該領域的新手有幫助，而且對那些想要更新該領域知識的人也有幫助。同時，思影科技提供了多種多樣的研究方法的課程，以及強大的後援團隊。為每一個努力科研的研究人員解決具體的操作問題。我們公司緊跟科研前線，實現各種分析方法，希望您的到來！