radiology-preprocessing

放射学预处理

概述

用于预处理结构性脑部 MRI（T1w、T2w、FLAIR）及相关体积放射学数据的确定性命令。涵盖大多数下游分析（分割、配准研究、深度学习训练）采用的标准流程：重新定向 → 偏置校正 → 去颅骨 → 配准 → 强度归一化。

使用的工具：

• HD-BET — 基于 CNN 的脑提取（在病理脑部数据上表现出色）。
• FSL — bet、flirt、fnirt、fslmaths、fslreorient2std。
• ANTs — N4BiasFieldCorrection、antsRegistrationSyNQuick.sh、antsApplyTransforms。
• FreeSurfer — 使用 mri_convert 进行重采样／格式转换。

所有命令都针对 NIfTI（.nii / .nii.gz）文件。请在相应工具已加入 PATH 的 POSIX shell 中运行。

用法

标准 T1w 预处理流程

按顺序对单个受试者的体积数据运行以下步骤：

# 1. Reorient to standard (MNI-style RAS orientation)
fslreorient2std input.nii.gz reoriented.nii.gz

# 2. N4 bias field correction (BEFORE skull stripping)
N4BiasFieldCorrection -d 3 \
  -i reoriented.nii.gz \
  -o [n4.nii.gz,bias_field.nii.gz] \
  -s 3 \
  -c [50x50x30x20,1e-6] \
  -b [300]

# 3. Skull strip with HD-BET
hd-bet -i n4.nii.gz -o brain.nii.gz -device 0 -mode fast -tta 0
# CPU fallback (slower, no CUDA required): -device cpu

# 4. Register to MNI152 template (SyN nonlinear)
antsRegistrationSyNQuick.sh -d 3 \
  -f $FSLDIR/data/standard/MNI152_T1_1mm_brain.nii.gz \
  -m brain.nii.gz \
  -o sub2mni_ \
  -t s

# 5. Z-score intensity normalization within brain mask
fslmaths brain.nii.gz -mas brain_mask.nii.gz brain_masked.nii.gz
MEAN=$(fslstats brain_masked.nii.gz -k brain_mask.nii.gz -M)
STD=$(fslstats brain_masked.nii.gz -k brain_mask.nii.gz -S)
fslmaths brain_masked.nii.gz -sub $MEAN -div $STD -mas brain_mask.nii.gz brain_zscore.nii.gz

HD-BET 会写入 brain.nii.gz 和 brain_mask.nii.gz（默认情况下，掩膜带有 _mask 后缀）。

GPU 加速

HD-BET 默认使用 GPU；使用 -device 0 指定第一个 CUDA 设备。使用 -mode fast -tta 0 可禁用测试时增强，以极小的质量损失实现约 5 倍的速度提升。

hd-bet -i n4.nii.gz -o brain.nii.gz -device 0

响应格式

• 先给出用户需要的命令或代码，再进行解释
• 结构为：确认输入 → 可运行代码 → 说明关键参数 → 注意事项
• 每项任务提供一个完整可运行的示例；不要展示所有替代方案
• 代码注释保持简洁实用（说明作用，而非存在原因）
• 目标：50-100 行代码，并附简短说明

除非用户明确要求，否则不要讲述流程顺序的原因或预处理理论；按顺序给出正确命令，并简要说明参数理由。

核心概念

1. 去颅骨（脑提取）

HD-BET（首选——对病理情况稳健）：

hd-bet -i input.nii.gz -o output_bet.nii.gz -device cpu -mode fast -tta 0

FSL BET（备用方案，传统方法）：

bet input.nii.gz output_bet.nii.gz -R -f 0.3 -g 0

• -R：稳健地估算重心。
• -f 0.3：强度分数阈值（值越低，脑掩膜越大）。
• -g 0：阈值的垂直梯度。

2. 偏置场校正 — N4（ANTs）

校正由 RF 线圈／B1 场引起的低频强度不均匀。务必在去颅骨前运行——保留颅骨时偏置场估计效果更好，而输入已去颅骨的图像会在脑边界附近产生伪影。

N4BiasFieldCorrection -d 3 \
  -i input.nii.gz \
  -o [corrected.nii.gz,bias_field.nii.gz] \
  -s 3 \
  -c [50x50x30x20,1e-6] \
  -b [300]

• -d 3：3D 图像。
• -s 3：缩小因子（用于加速）。
• -c [50x50x30x20,1e-6]：每个层级的最大迭代次数及收敛阈值。
• -b [300]：B 样条网格分辨率（mm）。

3. 配准 — ANTs

antsRegistrationSyNQuick.sh 是合适的默认封装脚本。

# Rigid (6 DOF) — same subject, different timepoint/modality
antsRegistrationSyNQuick.sh -d 3 -f fixed.nii.gz -m moving.nii.gz -o output_ -t r

# Affine (12 DOF) — cross-subject coarse alignment
antsRegistrationSyNQuick.sh -d 3 -f fixed.nii.gz -m moving.nii.gz -o output_ -t a

# SyN (nonlinear) — atlas / MNI registration
antsRegistrationSyNQuick.sh -d 3 -f fixed.nii.gz -m moving.nii.gz -o output_ -t s

输出（对于 -t s）：

• output_0GenericAffine.mat — 仿射变换。
• output_1Warp.nii.gz / output_1InverseWarp.nii.gz — 位移场。
• output_Warped.nii.gz — 重采样到固定图像空间的移动图像。

将已保存的变换应用到另一幅图像（例如，分割图）：

# For intensity images — Linear interpolation
antsApplyTransforms -d 3 \
  -i input.nii.gz \
  -r reference.nii.gz \
  -o output.nii.gz \
  -t output_1Warp.nii.gz \
  -t output_0GenericAffine.mat

# For label maps — NearestNeighbor interpolation
antsApplyTransforms -d 3 \
  -i labels.nii.gz \
  -r reference.nii.gz \
  -o labels_in_ref.nii.gz \
  -n NearestNeighbor \
  -t output_1Warp.nii.gz \
  -t output_0GenericAffine.mat

ANTs 会按相反顺序应用变换：最后一个 -t 会最先应用。对于 moving→fixed，仿射变换在形变场之前应用，因此 CLI 参数顺序为 -t warp -t affine。

4. 配准 — FSL FLIRT + FNIRT

线性（仿射）：

flirt -in moving.nii.gz -ref fixed.nii.gz \
  -out output.nii.gz -omat affine.mat -dof 12

非线性（需要仿射初始化）：

fnirt --in=moving.nii.gz \
  --ref=$FSLDIR/data/standard/MNI152_T1_1mm.nii.gz \
  --aff=affine.mat \
  --cout=warp \
  --iout=output.nii.gz

将形变场应用到另一幅图像：

applywarp -i input.nii.gz -r MNI152_T1_1mm.nii.gz -w warp -o output.nii.gz
# For labels:
applywarp -i labels.nii.gz -r MNI152_T1_1mm.nii.gz -w warp -o labels_mni.nii.gz --interp=nn

5. 强度归一化

大多数 ML 模型都需要此步骤——原始 MRI 强度为任意单位，且会因扫描仪／扫描时段而异。

在脑掩膜内进行 Z-score 归一化（最常见）：

MEAN=$(fslstats brain.nii.gz -k brain_mask.nii.gz -M)
STD=$(fslstats brain.nii.gz -k brain_mask.nii.gz -S)
fslmaths brain.nii.gz -sub $MEAN -div $STD -mas brain_mask.nii.gz zscore.nii.gz

白质归一化（不受扫描仪影响）：

1. 使用 FSL FAST 或 FreeSurfer 分割白质（WM）。
2. 计算 WM 掩膜内的平均强度：fslstats brain.nii.gz -k wm_mask.nii.gz -M。
3. 用该平均值除体积图像。

直方图匹配 — 将强度直方图与参考受试者匹配：

• ANTs：ImageMath 3 out.nii.gz HistogramMatch moving.nii.gz reference.nii.gz。
• SimpleITK：sitk.HistogramMatchingImageFilter()。

6. 重采样

FreeSurfer（各向同性重采样的首选方法）：

mri_convert --voxel-size 1 1 1 input.nii.gz output_1mm.nii.gz

FSL：

flirt -in input.nii.gz -ref input.nii.gz -applyisoxfm 1 -out output_1mm.nii.gz
# For labels use: -interp nearestneighbour

标准流程顺序

reorient (fslreorient2std)
  → N4 bias correction
  → skull strip (HD-BET)
  → registration (ANTs SyN or FSL FNIRT)
  → intensity normalization (z-score / WM)

各向同性重采样至 1 mm 通常在重新定向时完成（如果输入是各向异性的），或通过配准到 1 mm 模板隐式完成。

快速参考

任务	命令
重新定向为标准方向	fslreorient2std in.nii.gz out.nii.gz
N4 偏置场校正	N4BiasFieldCorrection -d 3 -i in.nii.gz -o [out.nii.gz,bias.nii.gz] -s 3 -c [50x50x30x20,1e-6] -b [300]
去除颅骨（HD-BET）	hd-bet -i in.nii.gz -o brain.nii.gz -device cpu -mode fast -tta 0
去除颅骨（BET）	bet in.nii.gz brain.nii.gz -R -f 0.3 -g 0
刚性配准（ANTs）	antsRegistrationSyNQuick.sh -d 3 -f fix.nii.gz -m mov.nii.gz -o out_ -t r
仿射配准（ANTs）	antsRegistrationSyNQuick.sh -d 3 -f fix.nii.gz -m mov.nii.gz -o out_ -t a
SyN 配准（ANTs）	antsRegistrationSyNQuick.sh -d 3 -f fix.nii.gz -m mov.nii.gz -o out_ -t s
应用 ANTs 变换（图像）	antsApplyTransforms -d 3 -i in.nii.gz -r ref.nii.gz -o out.nii.gz -t out_1Warp.nii.gz -t out_0GenericAffine.mat
应用 ANTs 变换（标签）	添加 -n NearestNeighbor
FLIRT 仿射	flirt -in mov.nii.gz -ref fix.nii.gz -out out.nii.gz -omat aff.mat -dof 12
FNIRT 非线性	fnirt --in=mov.nii.gz --ref=MNI152_T1_1mm.nii.gz --aff=aff.mat --cout=warp --iout=out.nii.gz
Z 分数归一化	fslmaths in.nii.gz -sub $MEAN -div $STD -mas mask.nii.gz out.nii.gz
直方图匹配（ANTs）	ImageMath 3 out.nii.gz HistogramMatch mov.nii.gz ref.nii.gz
重采样为各向同性 1 mm	mri_convert --voxel-size 1 1 1 in.nii.gz out.nii.gz

标准模板（FSL）

• $FSLDIR/data/standard/MNI152_T1_1mm.nii.gz — 全头。
• $FSLDIR/data/standard/MNI152_T1_1mm_brain.nii.gz — 仅脑部。
• $FSLDIR/data/standard/MNI152_T1_2mm_brain.nii.gz — 2 mm，配准速度更快。

常见错误

• 错误： 在偏置场校正之前进行去颅骨处理 正确： 始终先进行 N4 偏置场校正，再去除颅骨 原因： 偏置场估计需要包含颅骨和颈部的完整视野，才能拟合平滑的 B 样条；对已经去颅骨的脑部执行 N4 会产生边缘伪影，并留下残余不均匀性

• 错误： 重采样标签图时使用线性／三线性插值 正确： 对任何离散标签体积，使用 NearestNeighbor（ANTs：-n NearestNeighbor；FSL：--interp=nn） 原因： 对整数分割标签进行线性插值会产生无意义的小数值，并破坏类别边界

• 错误： 按正向 CLI 顺序指定 ANTs 变换（先仿射，再形变场） 正确： 使用 -t output_1Warp.nii.gz -t output_0GenericAffine.mat——在 CLI 中先写形变场，再写仿射 原因： antsApplyTransforms 按 CLI 顺序的逆序进行组合（最后一个 -t 最先应用）；颠倒顺序会在不报错的情况下产生配准错误的输出

• 错误： 将每个纵向时间点分别配准到 MNI 正确： 构建受试者专属的中点模板，将每个时间点配准到该模板，然后只将中点模板配准到 MNI 一次 原因： 独立配准会引入不对称的插值偏差，导致纵向测量（例如萎缩）失真

• 错误： 在流程开始时跳过重新定向 正确： 对来自不同扫描仪／厂商的输入，始终先运行 fslreorient2std 原因： 不一致的存储方向会导致下游工具误解坐标系

• 错误： 在包含背景的整个体积上计算 Z 分数归一化 正确： 仅在脑掩膜内计算均值／标准差（fslstats -k brain_mask.nii.gz） 原因： 纳入背景零值会拉低均值并抬高标准差，导致归一化不正确

参考文献

• HD-BET：Isensee 等，Hum Brain Mapp 2019，https://doi.org/10.1002/hbm.24750
• ANTs：Avants 等，NeuroImage 2011，https://doi.org/10.1016/j.neuroimage.2010.09.025
• N4 偏置校正：Tustison 等，IEEE TMI 2010，https://doi.org/10.1109/TMI.2010.2046908
• FSL：Jenkinson 等，NeuroImage 2012，https://doi.org/10.1016/j.neuroimage.2011.09.015