摘要

本研究提供了一個(gè)用于分析腦纖維束數(shù)據(jù)的Python庫(kù)(Phybers)。纖維束數(shù)據(jù)集包含由表示主要白質(zhì)通路的3D點(diǎn)組成的流線(也稱為纖維束)。目前已經(jīng)提出了一些算法來(lái)分析這些數(shù)據(jù)，包括聚類、分割和可視化方法。由于流線的幾何復(fù)雜性、文件格式和數(shù)據(jù)集的大小(可能包含數(shù)百萬(wàn)條纖維束)，對(duì)纖維束數(shù)據(jù)的處理并不簡(jiǎn)單。因此，本研究收集和整理了最新的腦纖維束分析方法，并將其集成到Python庫(kù)中，以整合和共享腦纖維束示蹤分析工具。由于計(jì)算要求較高，最具挑戰(zhàn)性的模塊需要用C/c++實(shí)現(xiàn)?？捎玫墓δ馨ɡw維束分割(FiberSeg)、分層纖維聚類(HClust)、快速纖維聚類(FFClust)、歸一化到參考坐標(biāo)系、纖維采樣、計(jì)算大腦纖維集合之間的交點(diǎn)、聚類過(guò)濾工具、從聚類中計(jì)算測(cè)量值以及纖維束可視化。該庫(kù)分為四個(gè)主要模塊：分割(Segmentation)、聚類(Clustering)、實(shí)用工具(Utils)和可視化(Fibervis)。Phybers可以在GitHub上免費(fèi)獲得，并提供了樣本數(shù)據(jù)和大量文檔。此外，該庫(kù)可以通過(guò)pip庫(kù)輕松地在Windows和Ubuntu操作系統(tǒng)上安裝。

引言

大腦結(jié)構(gòu)連通性可以通過(guò)擴(kuò)散磁共振成像(dMRI)進(jìn)行研究。這是一種無(wú)創(chuàng)的在體技術(shù)，通過(guò)測(cè)量腦組織中水分子的運(yùn)動(dòng)，提供關(guān)于腦白質(zhì)(WM)的微觀尺度信息。利用dMRI數(shù)據(jù)上的擴(kuò)散局部模型重建和纖維束示蹤算法，可以計(jì)算出3D WM束的主要軌跡。為了簡(jiǎn)便起見(jiàn)，這些流線也被稱為“纖維束”，盡管它們并不代表單個(gè)軸突。

多年來(lái)，隨著MRI設(shè)備和重建以及纖維束成像算法的改進(jìn)，用于分析纖維束成像數(shù)據(jù)集的工具也在不斷發(fā)展。如今，大腦纖維束數(shù)據(jù)相當(dāng)復(fù)雜，包含長(zhǎng)短不一的纖維，以及噪聲和復(fù)雜的幾何結(jié)構(gòu)。此外，這些數(shù)據(jù)集可能包含數(shù)百萬(wàn)條纖維用于概率性纖維追蹤，從而產(chǎn)生額外的計(jì)算需求，尤其是在執(zhí)行多被試分析時(shí)。這就是為什么有許多示蹤數(shù)據(jù)分析算法旨在對(duì)這些數(shù)據(jù)進(jìn)行聚類、識(shí)別模式、分割、過(guò)濾、可視化和計(jì)算測(cè)量值的原因。由于示蹤數(shù)據(jù)具有復(fù)雜性，這些算法通常難以使用，并且需要對(duì)文件格式、輸入?yún)?shù)和結(jié)果有深入的了解。因此，為了簡(jiǎn)化和推廣dMRI的使用，一些研究小組創(chuàng)建了用于處理dMRI圖像的軟件包。這些工具提供了dMRI數(shù)據(jù)處理各步驟所需的算法，從圖像失真校正到示蹤分析。最終目標(biāo)是開(kāi)發(fā)出一套處理纖維束示蹤數(shù)據(jù)的方法，以更好地描述基于高質(zhì)量數(shù)據(jù)的WM纖維，并研究健康被試和病理性大腦的WM微結(jié)構(gòu)。

可用于處理dMRI數(shù)據(jù)的工具有許多。表1、2總結(jié)了影像學(xué)研究社區(qū)常用的軟件包。表中列出了這些工具的主要特性和功能，如編程語(yǔ)言、操作系統(tǒng)(OS)、軟件許可證、dMRI格式、纖維追蹤格式、擴(kuò)散加權(quán)(DW)模型重建、纖維追蹤、纖維聚類、纖維束分割、可視化以及纖維測(cè)量計(jì)算等。主要軟件包括：BrainSUITE、Camino、Diffusion toolkit、ExploreDTI、FSL、MRtrix、Freesurfer、DSI Studio、Dipy、DiffusionKit和SlicerDMRI。

表1.dMRIs研究使用的主要軟件。

表2.dMRIs研究使用的主要軟件。

如表1、2所示，這些工具包具有不同的功能。其中一些更側(cè)重于dMRI預(yù)處理、模型重建和纖維束成像，而其他一些則包括示蹤分析方法。用戶通常會(huì)使用多個(gè)軟件來(lái)實(shí)現(xiàn)其處理流程，但需要注意文件格式、參考坐標(biāo)系和三維空間。盡管有一些較為全面的工具包，但沒(méi)有一個(gè)工具包涵蓋所有現(xiàn)有的算法。

目前很少有專門(mén)用于分析示蹤數(shù)據(jù)的軟件包，例如纖維聚類和分割，以及纖維束過(guò)濾。因此，本研究提出了一種用于分析大腦纖維示蹤數(shù)據(jù)的工具包。該工具包結(jié)合了多種纖維示蹤分析工具(由本研究小組開(kāi)發(fā))，其中包括使用腦纖維圖譜優(yōu)化的纖維束分割算法，基于K-Means的分層纖維聚類和快速纖維聚類(FFClust)算法。由于缺乏統(tǒng)一的代碼、編程語(yǔ)言的多樣性、多個(gè)庫(kù)依賴以及缺乏示例代碼/數(shù)據(jù)和文檔，這些工具對(duì)外部用戶而言難以應(yīng)用。為此，本研究開(kāi)發(fā)了一個(gè)名為Phybers的開(kāi)源庫(kù)，它集成了所有這些算法以及其他纖維聚類分析和可視化工具。

Phybers

Phybers包含四個(gè)模塊，其中包括用于不同預(yù)處理階段的算法。Utils套件包含用于纖維分割或聚類之前對(duì)纖維示蹤數(shù)據(jù)進(jìn)行預(yù)處理的工具，例如使用變形場(chǎng)(NIfTI格式)將纖維(bundles格式)轉(zhuǎn)換到另一個(gè)空間。分析模塊包括基于腦纖維束圖譜的纖維束分割算法，以及快速纖維聚類(FFClust)和分層聚類(HClust)兩種聚類算法。此外，還提供了一套用于分析纖維束分割和纖維聚類算法結(jié)果(bundles格式)的后處理工具?？梢暬K支持不同類型的數(shù)據(jù)，例如體積(NIfTI)、網(wǎng)格(mesh和GIfTI格式)、纖維束(TRK、TCK和bundles)。此外，它集成了一個(gè)交互式圖形用戶界面(GUI)，允許用戶實(shí)時(shí)操縱3D對(duì)象。例如，可以通過(guò)定位兩個(gè)或多個(gè)3D區(qū)域來(lái)執(zhí)行腦纖維束的手動(dòng)分割。

Phybers是基于Python開(kāi)發(fā)的，以便在PyPI存儲(chǔ)庫(kù)中發(fā)布和更新。本研究使用C/C++和Python 3.9實(shí)現(xiàn)了這些算法，其中使用了numpy、nibabel、pandas和subprocess等Python依賴項(xiàng)。然而，所有依賴項(xiàng)都會(huì)隨著軟件包的安裝而自動(dòng)安裝。可以使用命令$ pip install phybers來(lái)執(zhí)行庫(kù)安裝，并且該軟件發(fā)行版包含所有支持功能的示例數(shù)據(jù)和代碼示例。Phybers兼容Python 3.9以上的版本，并支持Jupyter Notebook和Spyder等Python平臺(tái)，為滿足每個(gè)用戶的特定需求提供了強(qiáng)大的靈活性。此外，它可以在Ubuntu和Windows系統(tǒng)上無(wú)縫運(yùn)行，也可以通過(guò)虛擬機(jī)在macOS上使用。最后，使用Sphinx生成庫(kù)文檔。Phybers庫(kù)包含四個(gè)模塊(圖1)，分別定義為Segmentation、Clustering、Utils和Visualization。

圖1.四個(gè)模塊：(A)分割，(B)聚類，(C)實(shí)用工具和(D)可視化。

Phybers層次結(jié)構(gòu)

分割模塊

該模塊包括基于多被試圖譜的白質(zhì)纖維束分割算法(圖2)。該方法使用相應(yīng)點(diǎn)之間的最大歐氏距離(dME)作為纖維對(duì)之間相似性的度量，定義為：

圖2.分割模塊圖示。

其中ai和bi分別表示纖維A和B中點(diǎn)的三維坐標(biāo)，兩者具有相等數(shù)量的點(diǎn)(Np)，按直接順序列出。這里纖維A的點(diǎn)依次遍歷為ai=[a1，a2，…，aNp]，而纖維B的點(diǎn)同樣定義為bi=[b1，b2，…，bNp]。因此，纖維B的逆序表示為bNp?i=[bNp，bNp?1，…，b1]。

Phybers分割模塊中的FiberSeg具有以下輸入(圖2)：

1.file_in：被試的全腦纖維束成像數(shù)據(jù)集文件。這些纖維束必須與所使用的纖維束圖譜位于同一參考系中，并以bundles格式表示。

2.subj_name：被試名稱，用于標(biāo)記結(jié)果。

3.atlas_dir：bundle圖譜文件夾，其中每個(gè)bundle都存放在單獨(dú)的文件中，并以21個(gè)等距點(diǎn)進(jìn)行采樣。

4.atlas_info：與所用圖譜相關(guān)聯(lián)的文本文件，其中存儲(chǔ)了應(yīng)用分割算法所需的信息，即圖譜束的列表，包含名稱、分割閾值(mm)和每個(gè)束的大小。請(qǐng)注意，分割閾值可以根據(jù)要使用的數(shù)據(jù)庫(kù)進(jìn)行調(diào)整。

5.dir_out：存儲(chǔ)算法生成的所有結(jié)果的目錄名。

FiberSeg的輸出是：

1.final_bundles：存儲(chǔ)分割后纖維束的目錄，即從被試?yán)w維束數(shù)據(jù)集中提取的圖譜束，這些束被標(biāo)記并以bundles式保存在單獨(dú)的文件中。

2.centroids：包含每個(gè)分割束質(zhì)心的目錄，以bundles格式保存在單個(gè)文件中。

3.bundles_id：一個(gè)文本文件，該文件記錄了每個(gè)分割束的索引。

圖3顯示了使用DWM束圖譜對(duì)來(lái)自HCP數(shù)據(jù)庫(kù)中的一名被試進(jìn)行纖維束分割的結(jié)果。顯示的分割束包括丘腦輻射(B)、胼胝體節(jié)段(C)、弓狀束(D)、扣帶束(E)、下縱束、下額枕束、鉤狀束、皮質(zhì)脊髓束和穹窿束(F)。圖4顯示了使用SWM束圖譜的分割結(jié)果。該圖譜包括93個(gè)束，根據(jù)從Desikan-Killiany圖譜中提取的解剖ROIs進(jìn)行標(biāo)記。四組短聯(lián)合纖維束為：尾側(cè)額中束(B)、喙側(cè)額中束(C)、枕外側(cè)束(D)和緣上束(E)。

圖3.使用DWM束圖譜進(jìn)行分割的結(jié)果。

圖4.使用SWM束圖譜進(jìn)行分割的結(jié)果。

聚類模塊

①HClust子模塊

HClust是一種分層聚類算法，它基于成對(duì)纖維之間的距離測(cè)量來(lái)創(chuàng)建束。該算法通過(guò)使用纖維點(diǎn)之間的最大歐氏距離(公式1)計(jì)算了纖維束數(shù)據(jù)集中所有纖維對(duì)之間的距離矩陣(dij)。然后，對(duì)于歐式距離小于最大距離閾值(fiber_thr)(mm)的纖維對(duì)，在dij矩陣上計(jì)算親和圖。親和度由公式(2)計(jì)算得到。

其中dij是元素i和j之間的距離，σ是定義相似度的參數(shù)(單位為mm)。

HClust的輸入如下(圖5B1)：

1.file_in：輸入的示蹤數(shù)據(jù)文件。

2.dir_out：存儲(chǔ)算法生成的所有結(jié)果的目錄。

3.fiber_thr：最大距離閾值(單位：mm)，默認(rèn)為30mm。

4.partition_thr：自適應(yīng)分割閾值(單位：mm)，默認(rèn)為40mm。

5.variance：相似度(mm)，默認(rèn)60mm。

圖5.聚類模塊圖示。

HClust輸出為：

1.final_bundles：將所有生成的帶有簇編號(hào)標(biāo)簽的纖維聚類存儲(chǔ)在目錄中，并以bundle格式保存在單獨(dú)的文件中。

2.centroids：包含每個(gè)已創(chuàng)建聚類的質(zhì)心的目錄，以bundle格式保存在單個(gè)文件中。

3.bundles_id：一個(gè)文本文件，存儲(chǔ)了被試?yán)w維示蹤數(shù)據(jù)集中每個(gè)聚類纖維的索引。

4.outputs：臨時(shí)目錄。

圖6展示了將HClust算法應(yīng)用于包含4000條纖維的示蹤數(shù)據(jù)集的結(jié)果。左圖顯示了在聚類之前以藍(lán)色呈現(xiàn)的4000條纖維的示蹤情況，右圖顯示了手動(dòng)選擇并使用隨機(jī)顏色調(diào)色板的八個(gè)纖維簇。本研究建議將HClust算法應(yīng)用于最多包含40000條纖維的示蹤數(shù)據(jù)集。如果希望將其應(yīng)用于整個(gè)大腦并使用更大的數(shù)據(jù)集，則可以考慮首先利用FFClust的被試內(nèi)聚類，然后將HClust應(yīng)用于FFClust質(zhì)心的策略。

圖6.使用HClust計(jì)算中央后區(qū)域纖維示蹤的結(jié)果。

②FFClust子模塊

FFClust(快速纖維聚類)是一種被試內(nèi)聚類算法，旨在識(shí)別大型纖維示蹤數(shù)據(jù)集上緊湊且均勻的纖維簇。該算法包括四個(gè)階段。首先，它在五個(gè)特定的纖維點(diǎn)上應(yīng)用小批量K-Means聚類(階段1)，并合并共享相同點(diǎn)簇的纖維(階段2)。然后，將小簇重新分配給較大的簇(階段3)，依次考慮纖維的正反序距離。最后，該算法將共享中心點(diǎn)的簇分組并合并由其質(zhì)心表示的相近簇(階段4)。纖維之間的距離被定義為對(duì)應(yīng)纖維點(diǎn)之間的最大歐氏距離。該算法支持使用OpenMP進(jìn)行順序和并行執(zhí)行。圖5B2顯示了模塊的層次結(jié)構(gòu)。其輸入包括：

1.file_in：輸入示蹤數(shù)據(jù)集文件。

2.dir_out：存儲(chǔ)算法生成的所有結(jié)果的目錄。

3.points：點(diǎn)聚類(階段1)中使用的點(diǎn)的索引，默認(rèn)值：0、3、10、17、20。

4.ks：使用K-Means(階段1)計(jì)算每個(gè)點(diǎn)的聚類數(shù)，默認(rèn)值：300、200、200、200、300。

5.assing_thr：簇重新分配的最大距離閾值(單位：mm)(階段3)，默認(rèn)值：6.0mm。

6.join_tht：簇合并的最大距離閾值(單位：mm)(階段4)，默認(rèn)值：6.0mm。

FFClust的輸出結(jié)構(gòu)類似于HClust模塊。

圖7顯示了將FFClust應(yīng)用于全腦示蹤數(shù)據(jù)集的結(jié)果(包含150萬(wàn)條流線)。使用Utils模塊的PostProcessing子模塊對(duì)檢測(cè)到的簇進(jìn)行篩選，以簡(jiǎn)化結(jié)果可視化。左圖顯示了尺寸大于150且長(zhǎng)度在50-60mm之間的簇，而右圖顯示了尺寸大于100且長(zhǎng)度大于150mm的簇。

圖7.使用FFClust算法獲得的結(jié)果。

Utils模塊

Utils模塊是一組用于示蹤數(shù)據(jù)集預(yù)處理以及大腦纖維聚類和分割結(jié)果分析的工具。該模塊包括用于讀寫(xiě)大腦纖維文件(以bundles格式)、將纖維轉(zhuǎn)換到基于變形場(chǎng)的參考坐標(biāo)系中、在一定數(shù)量的等距點(diǎn)上對(duì)纖維進(jìn)行采樣、計(jì)算腦纖維集之間的交點(diǎn)，以及提取測(cè)量值和過(guò)濾纖維簇或分割束的工具。本研究考慮了每個(gè)簇(或束)的大小、平均長(zhǎng)度(mm)以及纖維之間的距離(mm)等指標(biāo)。

①Deform子模塊

Deform子模塊(圖8C1)使用非線性變換文件將示蹤數(shù)據(jù)集文件轉(zhuǎn)換到另一個(gè)空間。這些圖必須以NIfTI格式存儲(chǔ)，其中包含要應(yīng)用于每個(gè)體素3D空間位置的變換信息。Deform子模塊將變換應(yīng)用于纖維點(diǎn)的3D坐標(biāo)。Deform模塊需要的輸入數(shù)據(jù)包括形變圖、待變換纖維的文件路徑以及變換后的輸出文件路徑。

圖8.Utils模塊圖示。

圖9顯示了在示蹤數(shù)據(jù)集上應(yīng)用變換函數(shù)的結(jié)果，使用解剖圖像作為可視化參考。左圖顯示了在應(yīng)用變換之前的結(jié)果，而右圖顯示了將示蹤數(shù)據(jù)集變換到MNI空間后的結(jié)果。在左圖中可以看到明顯的錯(cuò)位，而右圖則是進(jìn)行校正后的結(jié)果。

圖9.使用Deform子模塊進(jìn)行纖維變換的示例。

②Sampling子模塊

示蹤數(shù)據(jù)集通常由大量具有可變數(shù)量點(diǎn)的三維折線組成。Sampling子模塊(圖8C2)對(duì)纖維進(jìn)行采樣，使用一定數(shù)量的等距點(diǎn)重新計(jì)算它們的點(diǎn)。該算法的輸入數(shù)據(jù)包括待采樣的示蹤數(shù)據(jù)集文件路徑，具有n個(gè)點(diǎn)的纖維束輸出文件，以及點(diǎn)數(shù)(npoints)。Sampling子模塊用于分割和聚類算法的預(yù)處理階段。

③Intersection子模塊

Intersection子模塊(圖8C3)計(jì)算兩組腦纖維之間的相似度，它使用最大距離閾值(mm)來(lái)判斷兩種纖維是否相似。兩組纖維必須處于同一空間。首先，計(jì)算兩組纖維之間的歐氏距離矩陣。然后計(jì)算一組纖維與另一組纖維相似的纖維數(shù)量。相似性度量值的取值范圍為0-100%，即輸出的是相似性百分比。

④PostProcessing子模塊

PostProcessing子模塊(圖8C4)包含一組可用于對(duì)聚類和分割算法生成的結(jié)果進(jìn)行進(jìn)一步處理和分析的工具。該工具構(gòu)建了一個(gè)Pandas庫(kù)對(duì)象(Dataframe)，其中每個(gè)鍵對(duì)應(yīng)于纖維集的名稱(簇或分割束)，其次是在纖維集上定義的度量指標(biāo)，如纖維數(shù)量(大小)、纖維束內(nèi)距離(mm)和平均長(zhǎng)度(mm)。它可用于對(duì)聚類或分割結(jié)果執(zhí)行單個(gè)或多個(gè)特征篩選。

可視化模塊

可視化模塊能夠呈現(xiàn)多種類型的3D對(duì)象，包括纖維示蹤數(shù)據(jù)集、網(wǎng)格和MRI掃描層或體積。對(duì)于每個(gè)對(duì)象，都定義了一組可以通過(guò)圖形用戶界面(GUI)訪問(wèn)的功能。GUI支持同時(shí)可視化多個(gè)對(duì)象，并對(duì)腦纖維示蹤數(shù)據(jù)集應(yīng)用線性變換等。圖10說(shuō)明了可視化模塊的流程圖。

圖10.可視化模塊圖示。

①可視化算法

纖維示蹤數(shù)據(jù)集文件可以用線條或圓柱形式呈現(xiàn)。在線條情況下，軟件加載流線，并為每個(gè)頂點(diǎn)定義一個(gè)固定的法線，該法線對(duì)應(yīng)于流線特定段的歸一化方向。此外，頂點(diǎn)著色器中的Phong光照算法用于計(jì)算流線的顏色。MRI數(shù)據(jù)使用特定的著色器進(jìn)行層可視化和體繪制。網(wǎng)格可以使用點(diǎn)、線框或陰影三角形來(lái)顯示。

②基于ROI的交互式3D纖維束分割

該功能允許用戶使用球形感興趣區(qū)域(ROI)交互式地提取纖維束。在內(nèi)部，它創(chuàng)建了一個(gè)基于點(diǎn)的數(shù)據(jù)結(jié)構(gòu)(Octree)用于快速查詢。當(dāng)一個(gè)節(jié)點(diǎn)被填滿并且添加了一個(gè)新點(diǎn)時(shí)，該節(jié)點(diǎn)將其邊界框細(xì)分為八個(gè)新的非重疊節(jié)點(diǎn)，并將點(diǎn)移動(dòng)到新節(jié)點(diǎn)中。

在查詢過(guò)程中，不同的3D對(duì)象會(huì)檢查節(jié)點(diǎn)是否與邊界框發(fā)生沖突或位于邊界框內(nèi)。在第一種情況下，算法會(huì)遞歸地遍歷分支節(jié)點(diǎn)，直到到達(dá)葉節(jié)點(diǎn)，在該葉節(jié)點(diǎn)中，會(huì)測(cè)試點(diǎn)并將其添加到驗(yàn)證器緩沖區(qū)中。在后一種情況下，所有包含在子節(jié)點(diǎn)中的點(diǎn)都會(huì)被轉(zhuǎn)換為相應(yīng)的纖維，并在纖維驗(yàn)證器緩沖區(qū)中標(biāo)記為已選。每個(gè)對(duì)象的所選纖維可以用于邏輯數(shù)學(xué)運(yùn)算(AND、OR、XOR、NOT)。這樣可以使用多個(gè)ROI來(lái)尋找連接特定區(qū)域的纖維，同時(shí)排除其他區(qū)域的纖維。圖11展示了選擇與兩個(gè)ROI(綠色和紫色)相交的纖維，同時(shí)排除了與藍(lán)色ROI相交的纖維。

圖11.使用可視化模塊進(jìn)行基于ROI的交互式3D纖維分割。

結(jié)論

本研究提出了一個(gè)名為Phybers的軟件庫(kù)，其中包含用于分析腦纖維束的最先進(jìn)工具，旨在為科學(xué)界提供便利。Phybers集成了諸如纖維束分割、纖維聚類和可視化算法等工具。此外，還集成了用于對(duì)纖維示蹤數(shù)據(jù)集進(jìn)行采樣和轉(zhuǎn)換的實(shí)用工具，以及用于計(jì)算纖維束之間交集并對(duì)纖維集進(jìn)行后處理的工具。該庫(kù)提供了示例數(shù)據(jù)和詳盡的文檔，并且在開(kāi)發(fā)時(shí)考慮到了可擴(kuò)展性，因此可以集成其他現(xiàn)有的最先進(jìn)算法?？偟膩?lái)說(shuō)，Phybers有助于促進(jìn)這些算法的運(yùn)用，并實(shí)現(xiàn)最先進(jìn)工具的更好共享。

參考文獻(xiàn)：González Rodríguez LL, Osorio I, Cofre G. A, Hernandez Larzabal H, Román C, Poupon C, Mangin J-F, Hernández C and Guevara P (2024) Phybers: a package for brain tractography analysis. Front. Neurosci. 18:1333243. doi: 10.3389/fnins.2024.1333243

小伙伴們關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～