弥散张量成像（DTI）的研究越来越受到临床医生和研究人员的欢迎，因为它们提供了对脑网络连接的独特见解。然而，为了优化DTI的使用，必须考虑到几个技术和方法方面的问题，因为这些问题会影响到DTI研究结果的准确性和可重复性。本文由葡萄牙学者发表在Frontiers in Neuroscience杂志。
这些方面包括：采集协议、伪影处理、数据质量控制、张量重建算法、可视化方法和定量分析方法。此外，研究人员和/或临床医生还需要考虑并决定DTI分析流程每个阶段最适合的软件工具。
在此，本文作者提供了一个简单的流程指南，涵盖了弥散张量成像数据处理工作流的所有主要阶段。本指南的目的是帮助新用户解决分析中最关键的障碍，并进一步鼓励使用DTI方法进行研究。
背景介绍：
弥散加权成像（DWI）是基于不同组织的水扩散速率不同的常规磁共振成像的变体。它是一种非侵入性的方法，对组织结构内的水运动具有无与伦比的敏感性，该方法只需使用现有的核磁共振技术，不需要新设备、造影剂或化学示踪剂。
扩散张量模型的引入使人们能够间接测量扩散张量成像（DTI）的各向异性程度和结构方向。DWI是指采集图像的对比度，DTI则是DWI数据集的一种特殊的建模方法（这是两个最基本的概念，一般来说我们的图像采集就是DWI图像，如果采用DTI方法进行扩散张量重建，就会说DTI）。DTI原理和基本概念在已有文献中已经得到了广泛的描述和回顾。
概括地说，DTI背后的基本概念是水分子在不同组织中的扩散是不同的，这取决于该组织的类型、完整性、结构和组织屏障的存在，通过对水分子弥散运动的观测可以给出了它所在组织的方向和数量，从而得出各向异性的信息。通过DTI分析，可以推断出每个体素的分子扩散速率[平均扩散率（MD）或表观扩散系数（ADC）]、扩散方向[分数各向异性（FA）]、轴向（沿扩散主轴的扩散速率AD）和径向扩散率（RD）。(请牢记这几个指标）
脑白质（WM）会沿轴突方向的限制较少（但是在径向方向存在很大限制），因此，水分子的扩散模型倾向于各向异性（不同方向速率不同），而灰质（GM）通常不太呈现出各向异性的扩散模式，脑脊液（CSF）则在所有方向上都不受限制（各向同性）。
基于这个假设，Basser和他的同事用椭球来模拟了这个扩散过程，椭球可以用一个3×3对称矩阵来表示，也被称为张量（这也是DTI，扩散张量成像或者也翻译为弥散张量成像的名字的来由。张量其实一个数学概念（如果你理解向量的数学概念，你可以认为向量是一个二维的张量，试图去理解一下张量的物理意义），并不是是脑科学研究所独创的，我们利用了它能通过三维空间中不同分量和基向量模拟表示出一个物理量的特性，进行白质中水分子弥散物理量的重建）。
DTI在临床医生和研究人员中越来越受欢迎，目前它是研究人类在健康和疾病中的白质结构的一个有希望的工具。然而，它有一个复杂的工作流程（如图1所示），包括对人工伪影的了解和避免、复杂的MRI采集参数定义、神经解剖学复杂性和内在的技术限制。这些因素由多个软件包中的多种预处理和分析方法构成。目前，已经发表了一些论文和书籍，描述了与DTI研究相关的主要技术问题和陷阱。但是仍旧不够系统。
图1 DTI分析流程（pipeline）
注释：首先选好应用领域，然后要进行人工伪迹控制和图像采集，接着进入处理过程，先进行图像格式转换，其次头动和形变校正，接着做剥头皮处理，然后对图像进行弥散张量重建和纤维追踪，接着就可以使用ROI、全脑基于体素分析（VBA）以及TBSS等分析了。在单模态分析完以后，还可以进行多模态综合研究，和fMRI、sMRI进行融合研究。最后是结果展示。
考虑到方法学的不断进步以及DTI在临床和研究领域的适用性的增加，作者在这里编写了一本实用的研究方法指南，其中包含了在建立DTI研究、优化数据质量和解释结果时需要考虑的关键信息和主要参考资料。供广大研究人员自查和学习使用。如果读者对功能磁共振分析感兴趣，可参考这篇文章（直接点击即可）：
Frontiers in Neuroscience：fMRI研究指南
1.应用领域
DTI对组织的微观结构特性非常敏感，因此，DTI在活体解剖和结构中具有重要的作用。事实上，这种敏感性，提供了扩散系数和组织纤维定向，使DTI广泛用作临床工具，特别是在研究人员预测某些人群的WM异常的情况下。
例如，它已经成功地应用于研究急性中风或脑瘤患者；神经退行性疾病包括多发性硬化、癫痫和阿尔茨海默氏症；神经精神疾病如精神分裂症；轻度认知障碍；发展障碍如阅读障碍、自闭症，注意缺陷多动障碍；运动障碍（主要是帕金森氏症和亨廷顿氏症）；神经遗传性发育障碍，如威廉姆斯综合征和脆性X综合征；以及在神经发育和衰老过程中的WM微结构变化。
DTI得到的变量（如FA、AD和RD等）通常与结构改变（可能是由于特殊情况/疾病）有关，这些改变指向特定的髓鞘形成水平和轴突损伤。随着DTI技术应用范围的不断扩大、结果的一致性和稳健性的不断提高，DTI有望在疾病治疗规划、临床前标志物检测和微结构异常等方面发挥重要的作用；DTI研究提供的结构-功能相关性也有望在临床上得到应用，将成为临床影像常规的一部分。
2. 人工伪迹和采集技术
在实施DTI研究前，了解特定的MRI采集技术和可能的伪影，以及如何处理它们是必要的。DWI数据中的伪影主要与梯度施加系统的硬件、脉冲序列、采集策略和运动有关。DWI数据通常是通过改变扩散梯度的方向或大小而重复采集来覆盖整个大脑的。
DWI具有低信噪比（SNR）和低分辨率，对运动非常敏感。为了减少运动伪影的影响，可以减少扫描时间。因此，DWI扫描中利用了单次回波平面成像（EPI）技术，快速成像可以降低对运动的敏感度，从而保证单次成像的全脑成像质量。当然，其他的序列，如快速自旋回波（FSE）、Line Scan Diffusion Imaging（LSDI）和Stimulated Echo Acquisition Mode采集（STEAM）也可能有助于减少伪影。
除了是最常见的方法外，EPI图像对与EPI特征相关的其他伪影非常敏感，例如B0处采集的场不均匀性（尤其是在更高的场）、图像模糊性和T2的有限分辨率，以及信号读出期间的信号衰减；同时，它还具有扩散磁共振特性，如涡流引起的畸变和一般磁共振问题。
使用较短的读出时间可以减少回波序列并提高信噪比，从而降低对运动的敏感度，降低对几何伪影和模糊的敏感度。这种读出时间的减少可以通过使用相控阵磁头线圈来实现，从而实现并行成像，这类的采集策略有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设备中，这些方法已经基本都能实现，而在7T设备中，已经是必备的成像技术了。
重要的是，DTI采集中的两个主要伪影可能会破坏所有DWI中的体素对应关系，这两个伪影是涡流畸变和头部运动。在DTI研究中，与大多数图像采集相反，DWI图像的采集梯度要长得多（梯度的上升和下降沿着时间分开）；因此，可能存在局部磁场的扰动，导致磁共振扫描仪不同导电表面中的电流感应，从而导致图像失真（收缩和/或整体位移和剪切），但这些伪影通常易于视觉检测。
涡流随扩散梯度的变化而变化，因此，连续图像之间会出现失配现象，而梯度脉冲越强、越长，失配现象越严重。一些策略已经被用于防止和纠正涡流畸变，例如基于二次重新修正的自旋回波脉冲技术（pin echo pulse,）、bipolar gradients场强技术、场图校正和预处理方法中的校正（稍后描述）；然而，重要的是，要注意这些策略有一些共同的缺点。
扩散磁共振成像对运动非常敏感，因为在核磁扫描中，我们观测的是由扩散驱动的水分子位移引起的相移，而在这个过程中，由头部运动、心脏搏动和呼吸引起的相移同样会影响水分子的位移。这种检测的灵敏度随着梯度脉冲的强度和持续时间的增加而增加，梯度脉冲的特征是b值，即在实验中定义扩散加权量的标量。这个问题可以通过同步采集与运动源相关的物理量、使用“navigator echoes”进行监测、使用特定的采集序列和应用实时前瞻性运动和异常点检测方法来减少；然而，所有这些都可能会引起其他问题，例如增加采集时间，
尽管我们有很多方法来弥补这些伪影问题，但是最好的方法仍然是使用舒适的垫子调整被试的头部，并提前告知被试床上的噪音和振动（从源头上控制比从处理上修复要好的多）。
最近，磁共振仪器的振动被报道为另一个产生伪影的原因，称为振动伪影。在采集过程中，强烈的梯度会引起磁共振系统的低频机械共振，从而导致小的脑组织运动。当这些运动沿扩散编码梯度方向发生时，在DWI图像中会出现相位偏移，导致信号丢失。这种伪影可以通过增加TR（缺点是降低信噪比）或使用全k空间覆盖和并行成像（例如GRAPPA）来减少。
它也可以使用相位编码反转（COVIPER）等方法进行补偿，在扩散MRI（ACID）工具箱的伪影校正中可以实现。
当伪影不能被纠正时，如剧烈运动、信号丢失或分层强度中断，研究人员根据伪影的类型和程度采取不同的策略，排除受影响的被试、或者受影响的单个图像也是常见的方法。另一种方法是，如果影响是局部的，则将分析限制在没有被影响的区域内也是可以的。DWI采集中的伪影会导致张量估计的错误，从而导致扩散图（FA和MD）中的错误，从而导致具有错误方向或长度的白质纤维被重建。
因此，优化扩散成像序列对于获得更精确的数据至关重要。目前的采集协议应该面向正在研究的问题，并且应该使用特定的参数来优化特定的分析。由于最佳采集参数随磁共振硬件配置、场强、供应商、可用扫描时间、特定解剖结构和所需脑解剖覆盖范围的不同而不同，因此在最佳采集参数方面还没有一致的意见。因此，在此，本文仅根据先前的技术审查对典型DTI采集中的参数提出一些建议。
通常，DWI数据是通过没有断层间隙的轴位切片覆盖整个大脑获得的（对于纤维追踪至关重要）。在目前的主流扫描仪上，5分钟的扫描时间足以采集到够分析的数据；但是，根据扫描仪和定义的采集参数，采集时间可能要长得多（如15分钟）。扩散张量估计需要沿着至少六个非共线扩散编码方向的高b值（例如，1000 s/mm2）和一个最小T2加权的低b值图像（b=0s/mm2）。
作者提出了几种采样方案，他认为采样矢量在空间上应均匀分布，使张量方向的信噪比也均匀。使用30个扩散编码图像（方向）被发现是图像质量和扫描时间之间的一个很好的折衷（编者注：目前研究dti数据采集至少30个方向起），因为方向数目的增加并没有导致张量方向和MD估计的显著改善。理想情况下，每5-10张高b值图像应采集1张低b值图像。
大多数DTI研究使用700-1000 s/m2范围内的高b值，临床DWI的实际标准为1000 s/mm2。B值的大小、回波时间、涡流和运动伪影，在特定情况下，应根据总体和特定结构进行调整。空间分辨率对于DTI质量和使用各向同性体素（具有相同尺寸的平面内分辨率和厚度，例如2×2×2）时也很重要；通常，建议使用2–2.5 mm的分辨率进行纤维跟踪，使用交错采集以最小化相邻部分之间的干扰。
各向异性体素在纤维取向和各向异性的定量评估中也引入了偏差，较大的体素更有可能具有多个纤维束取向。DTI采集的其他特征参数包括视野（FOV），通常范围为240至256mm，采集矩阵为96×96 - 128×128，回波时间（TE）为50-70ms，重复时间（TR）为8.5-12s。DTI协议的优化一直是各种研究的重点，这些研究为详细的协议定义指定了指标，包括它与DTI度量和多中心方法的关系。
3.质控和预处理
质量控制和预处理过程是检测和纠正DWI伪影和排除不能纠正的伪影的关键步骤，为可靠的张量估计提供了一致性。尽管已经有可能找到自动的预处理工具，但对于哪个工作流是dti质量控制或再处理的理想工作流，还没有达成共识。因此，在这里作者提供了一些指南，包括不同过程中的标准方法，这些方法易于执行且不太耗时。
第一步是，在导入数据时，检查所有图像是否已正确导入和排序，以及在同一研究中，不同的受试者是否具有相同的参数。这可以通过通用图像查看器（如Osirix、syngo FastView、MRIcro、or ImageJ）来执行。初步检查后，建议对DWI数据进行目视检查，以检测潜在的伪影（顶级智能系统的视觉检查往往是相当重要的）。在不同的“正交”视图中循环浏览原始图像，可以识别几何失真、信号丢失、细微的系统漂移和缺少的slice。另一方面，离群点检测方法提供了自动识别受损图像的方法。还提出了基于ADC一致性测试和尖峰噪声检测的方法。
RESTORE是一种常用的估计张量的工具，在张量估计之前排除潜在的异常值。然后，采集的数据可能需要进行几个预处理步骤，具体使用哪些步骤取决于核磁共振扫描仪、采集参数、图像质量、使用的软件包和研究重点。
在预处理过程中，通常首先将原始数据转换为特定和适当的图像格式（图1C）。DTI分析工具之间的相互通用操作性差，缺乏标准DTI格式。许多软件包定义了它们自己的数据格式；例如，神经成像信息技术倡议（NIfTI）和Analyze and Nearly Raw Raster Data（NRRD）是常见的数据格式。文件格式转换器，如MRIcro、dcm2nii、MRIConvert、NiBabel、和 software包转换器（如AFNI、fresurfer、SPM、Slicer）通常用于从原始DICOM格式转换为NIfTI格式。
在DWI图像中，由涡流和头部运动引起的畸变是最常见的伪影（图1D）；因此，一个常见且推荐的预处理步骤是对此类伪影进行校正。涡流可以通过b0图像的仿射配准和b0图像的刚体配准进行运动校正。由于这两项校正保护在一个程序中，因此可以作为一个单一步骤来实施。为此，FMRIB的扩散工具箱（FDT）、自动图像配准（AIR）和DT-Recon是流行的软件工具，尽管DTIC（b0和DTI的涡流校正）DTI PREP（Liu等人，2010b）、DIFF_-PREP和 ExploreDTI等工具也可用于此目的。
需要注意的是，由于此过程处理图像方向的变化，编码向量（也就是bvec）应该重新定向。幸运的是，DTIPrep、DIFF_PREP和 ExploreDTI工具考虑到了这一点（FDT也考虑到了，可以进行bvec的校正）。
在这之后，一个可选的步骤是进行颅骨剥离（图1E），从分析中移除非大脑区域，改善共配准/标准化结果，并减小数据大小。这一步可以通过几个工具来完成，比如来自FSL的BET、Freesurfer、Atropos。精确的张量估计和轨迹分析也依赖于精确的梯度表。梯度信息通常可以直接从MRI控制台检索，也可以使用DTI Gradient table creator等特定工具进行计算。在某些情况下，梯度方向的方向可能不准确，可能需要进行小的校正（ColbyImaging）。
在张量估计（在下面的章节中描述）之后，在某些特定区域（例如胼胝体、扣带和钩状束）的张量方向的视觉检查也是相当重要的，这是一种可以用任何张量可视化工具进行的评估。如，Slicer, TrackVis,DTIStudio, MedINRIA, BrainVoyager QX, FSL View, Camino,BioImage Suite, ExploreDTI)。如果发现张量方向错误，有必要修改梯度表并重复张量重建（使用DTI-TK等工具）。
DTI数据集中存在偏差也是常见的，它可能来自多个来源（例如，噪声、场不均匀性、有问题的梯度质量控制程序、实验和参数）；在这一阶段，可以通过模拟和外推进行估计（SIMEX）。最后，研究人员或临床医生可以在列表中搜索和比较现有的软件，如神经成像工具和资源的来源（NITRC，http://www.NITRC）或者I Do Imaging (http://www.idoimaging.com/)，特别是在为特定任务搜索工具时。
4. 处理和可视化
数据预处理后，DTI分析的下一阶段包括每个体素的张量估计（图1F）；为此，需要至少沿六个非共线方向应用扩散编码梯度的图像。估计张量的最常用方法主要有三种：普通最小二乘法（OLS）、线性加权最小二乘法（WLLS）和非线性最小二乘法（NLLS）。不同的估计方法可能会产生不同的结果，因此必须确保使用相同的包来估计整个数据集中的张量。由于扩散张量是一个对称的3×3矩阵，它可以用特征值（λ1，λ2，λ3）和特征向量（e1，e2，e3）来描述。然后使用特征值和特征向量来处理标量指数，在一些研究中，使用轨迹图分析。在每个体素处，特征值代表扩散的大小，相应的特征向量反映最大和最小扩散的方向。
如今，各种各样的免费或商业的DTI软件工具，有着不同的用途和规格。对于新手来说，从其他人中选择一个可能是一项困难而耗时的任务。在Table 1中，作者列出了最常用的软件工具及其主要适用性。主要用于临床，商业应用虽然直观、友好、自动化，但也比较僵化和有限。
其中包括syngo DTI、Elite Neuro临床解决方案或者Functool and FiberTrak 以及其他一些如iPlan Fibertracking, Prism Clinical Imaging , DynaSuite Neuro.等工具。另一方面，基于Python的工具，特别是Nipy项目（包括Dipy、NiBabel、and Nipype等工具）更灵活、更可自由定制，但不太直观和用户友好。
DTI最大的挑战之一是以直观、易于理解的方式可视化和呈现张量信息。事实上，数据的高维性和扩散张量域中的复杂关联使得这一步相当困难。典型的方法包括使用张量Glyphs（即每个体素形成的形状符号）或将维数减少到一个标量（例如FA这种）或者是形成三维图形（纤维追踪图）。诸如Explore DTI, MedINRIA和Slicer等工具支持前面提到的所有可视化方案,如table2中所总结的。
表1 DTI预处理和处理中可用的工具（文章发表中用到的）
表2 包括了主要处理步骤和通用的DTI工具
二维标量图可视化是临床医生最常用的DTI可视化方法，由于其简单和即时可视化而被使用;但是，这种方法在提供的信息量方面有限制。两个主要的扩散指标，MD和FA，是基于特征值的，代表了扩散过程的大小。
MD、ADC或trace可由这三个特征值的平均值计算，并对应于分子扩散率(较低的值表示较低的扩散率)。下面是MD的计算公式（小学数学，不用紧张），其中Dxx，Dyy，Dzzare扩散张量的对角线项：
分数各向异性（FA）是由各向异性扩散引起的张量的分数的标准化度量，对应于各向异性扩散或方向性的程度，范围从0（各向同性扩散）到1（各向异性扩散），公式如下：
在上面的式中D=（λ1 λ2 λ3）/3。FA没有关于方向的信息（图1I）。这可以通过颜色编码的FA图来解释，其中每个体素的颜色显示其主要扩散方向（图1H）。
在这些地图中，红色代表从左到右的方向，绿色代表从后到前，蓝色代表从下到上扩散。其他相关的DTI指数包括trace（在体素中扩散的大小）、Lattice各向异性指数（对噪声的敏感性降低）、轴向扩散率（从最大特征值导出，测量沿轴突最快扩散方向的扩散率，检测纵向扩散），和径向扩散率（由第二和第三特征值导出并测量扩散的横向）。
通常，由于自由扩散的增加，受损组织中的MD更高；相反，FA则由于在主要扩散方向上的一致性的丧失而降低。table1中提供的可用于张量估计的软件工具还可以计算一些最常用的标量映射。
相对于用标量指标表示的张量的维数缩减，Glyphs（即每个体素形成的形状符号）是参数化的图形对象，通过其大小、形状、位置和颜色来描述扩散张量(图1G)。Glyphs用于视觉化和质量控制，而不是用于分析过程。最典型的表现形式是沿最快扩散轴拉长的三维椭球形，并沿受限扩散方向压扁。这些对象映射的张量特征向量和特征值，表示水分子扩散方向。其他形状也可以使用，例如线性符号，它更适合描述线性各向异性的轮廓，但是，作为椭球体，它们忽略了重要的信息，在平面上查看时很难清楚地理解三维形状。
为了克服这个问题，引入了另一类Glyphs，称为超二次曲面（superquadrics），并将球面、圆柱和盒形结合起来，以区分各向同性、平面和线性各向异性以及中间状态。Superquadrics Glyphs可视化的主要缺点是它只允许内在的个体轮廓，而不允许张量数据的全局特征。大多数DTI查看器支持将张量表示为线、圆管或椭球体，并允许其与标量映射可视化相结合。Table2中提供的工具中，MedINRIA和SATURN也支持box和superquadrics Glyphs。
最后一类可以从DTI外推的参数是基于扩散的主要特征向量，以获得WM路径或纤维束的三维表示，即所谓的WM束追踪（图1K）。这种方法在体内投射不同脑系统之间纤维路径和连接模式的三维轨迹。
图像追踪处理可分为三个主要阶段，即种子选择、穿过区域和终止追踪的规则。种子选择包括如何定义能够提取特定纤维的种子点；最常用的方法之一是基于定义感兴趣区域（ROI）并在ROI的每个体素中放置一个或多个种子（图1L）。ROI可以手动绘制或从其他MRI模态中提取。现阶段的主要问题与不同被试之间的种子点位置和使用的纤维追踪工具有关，导致结果的可变性。
第二种常用的方法是对整个大脑使用自动追踪，实现张量数据的全面探索性可视化。在追踪过程中，纤维逐渐发生变化。纤维跟踪可以用两种不同的算法来完成，主要分为两类：确定性算法和概率性算法。确定性纤维束成像的目的是建立数据模型，实际上，可以认为是从每个种子中产生/重建一根纤维。
另一方面，概率方法考虑了估计的不确定性，这导致概率图表示体素作为白质纤维一部分的可能性，并提供从每个种子发出的多个可能的纤维方向。在DTI主要处理包中使用和实现的一种常见的确定性算法是通过连续跟踪（FACT）定义的基于ROIs的特定解剖束来分配纤维，假设纤维方向在体素内是均匀的，并且在体素的边界上不会出现突然的角度改变。其他的确定性算法则通过不同的插值方法(三阶、二阶或四阶方法)、tensor deflection,或者tensorline方法来流线型化。诸如Diffusion Toolkit之类的工具实现了所有这些算法，而其他工具实现了二阶等方法。常用的概率算法有PICo算法由Camino实现、multi – fiber field model ，由FSL实现以及由slicer实现的贝叶斯方法等。
最后一步是根据一些定义明确的准则（也称为终止准则）终止纤维追踪的过程。这些准则旨在避免在矢量场的鲁棒性不确定的情况下，在体素中终止对纤维的追踪。常见的终止标准是最小FA阈值（成人大脑通常为0.1-0.3，婴儿为0.1）和转角阈值（根据路径不同，通常为40-70°）。
由于在体素内部存在同质的单向总体方向这种内在的不切实际的假设，解释白质追踪结果图时可能会有问题。在同一个体素中包含两个或更多不同取向纤维束的大脑特定区域（交叉、分叉或亲吻纤维）会导致纤维方向和路径的错误估计以及束的突然终止。通过采用更复杂的方法，包括多张量模型，可以使得这种方法假设上的限制最小化。
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)这些成像方法可以更好地解决上述的方法限制。近年来，这些方法越来越流行，开始逐渐取代传统的张量模型。例如，DSI和QBI使用概率密度函数而不是单个张量来描述每个体素在多个不同方向上的扩散过程。由于需要更多的编码方向，因此需要更长的采集时间。HARDI、DSI和QBI方法可通过TrackVis和扩散工具包实现，Camino以及可用于HARDY和PAS-MRI的分析。
5. 定量分析（也就是统计）
在参数图（如MD、FA）被计算之后，为了进行个体或群体的统计分析，下一个常见的步骤是从特定的解剖区域或整个大脑中提取测量变量。为此，通常应用ROI、基于体素的分析（VBA）和基于白质骨架的空间统计（TBSS）。值得注意的是，研究人员/临床医生通常对群体比较感兴趣，提取汇总指标的方法主要是实现对不同被试群体的白质指标的定量分析。
感兴趣区域分析是基于人工描绘大脑特定区域或自动分割大脑特定区域的方法。ROI分析非常耗时，需要解剖学知识，并且应用于量化这些区域内的扩散参数（主要是MD和FA）。感兴趣区分析的主要问题包括：图像强度对感兴趣区边界的影响（通常为FA或MD）；在使用解剖感兴趣区时，难以与典型解剖图像（T1或T2加权）完全对应；在较小/较薄的区域进行分析；以及在纵向研究中的应用困难。ROI分析可以使用主要的张量估计和可视化软件进行，如slicer、TrackVis、MedINRIA、和ExploreDTI。
定量分析的另一种可能性是使用分布频率筛选特定参数范围内的体素（通常为MD或FA）。每个扩散参数的直方图显示了平均值、峰值高度和位置、可用于统计测试比较组间差异（图1M）。柱状图允许以自动化的方式分析整个大脑，而无需任何预先指定的ROI；然而，这种方法要求去除不感兴趣的组织（通常是脑脊液），不保留任何异常位置的信息，并且对萎缩引起的部分体积效应敏感。对于这种方法，可以使用TrackVis或MedINRIA等工具实现。
基于体素的分析在DTI中越来越流行，因为它们是自动化的，需要最少的干预，并且不受研究者的预先假设的影响。基于体素的分析（VBA）涉及到将FA等图配准到到标准空间（一个称为标准化的过程）中，以实现被试之间跨体素的对应关系，从而实现解剖结构的对应（图1N）。
这使得能够比较组间的扩散参数以及与相关协变量（例如年龄）的相关性。这种方法允许空间特定（作为ROI）和无偏（作为直方图）分析，不需要以前的ROI定义。主要问题是使用张量数据集的配准算法的准确性。VBA可以用SPM或BrainVoyager-QX来实现，SPM是这类分析中应用最广泛的软件工具（但目前VBA的使用已经比较少了）。
目前，研究更加普遍使用的是一种克服配准算法和空间平滑的新方法——TBSS。TBSS是一种自动检测整个大脑中群体体素变化的方法，基于已配准的FA地图的群体骨架(图1O)。TBSS消除了执行空间平滑的需要，增加了统计检测能力(减少了测试的总体素数量)。另一方面，这种方法也存在一定问题，在存在较大解剖移位的图像中，FA图像的骨架化可能不准确，或者在骨骼中存在WM病变和配准错误，这难以在视觉上识别。由于骨架化过程与局部极大值是一致的，所以对原生空间的反投影也是一个问题，这可能并不一定适用于所有对象的相同解剖位置。此方法是FSL分析的一部分。
成组研究中的一个重大问题是，为了比较不同组之间的情况，需要将单个图像规范化为一个标准空间。在这之后，每一个结构应该在所有的被试中处于相同的位置。标准化过程对于VBA分析至关重要，并且偏差的结果可能是不可预测的。这在DTI中尤其具有挑战性，因为它具有高度的方向性和结构特性。各种DTI图像标准化的过程，这一挑战都存在。
最直接的方法是使用b0图像来和高分辨率T1图像的刚性对齐，然后从T1空间到标准空间的仿射变换的对齐。请注意，生成的变换矩阵应仅应用于标量图像（即FA这些图像）。或者，一些研究人员选择直接从b0图像驱动到标准空间的EPI模板。这些方法之间的差异已经在先前的研究中得到了解决。
另一种规范化方法是使用复杂的多通道算法对张量进行标准化。在数据规范化中最常用的工具是AIR、FSL的flitr和SPM。同时，为了解决DTI图像的归一化问题，TBSS为FA地图的主体间配准提供了一种新的革命性的方法。
为了进行统计的参数检验，可以使用三维滤波器（即空间平滑）对数据进行平滑处理。这增加了信噪比，减少了由于空间归一化过程造成的缺陷，提高了统计能力，并使随机场理论的假设成为可能。在选择平滑核大小时必须小心，因为选择的滤波器的空间宽度将决定可检测到的差异的大小，平滑也会增加部分体积效应。这个步骤可以使用fslmaths（FSL库中的命令行工具）或SPM等工具来执行。
6. 多模态研究
使用不同的神经影像学方法从同一个人身上收集多模态脑数据，已经成为该领域的一个标准，并且肯定是未来的一个趋势。结合不同的模式可以对活体大脑结构和功能进行全面和互补的概述。随着显微结构组织（DTI）和功能激活模式（使用静息态或任务相关功能磁共振成像（fMRI））的结合，脑连接性研究现在变得非常流行（图1P）。白质纤维中测量弥散指标的变化可以指向功能模式和行为的改变。使用这种方法的一个普遍问题是，为了达到WM纤维束，通常需要将GM的种子点扩展到WM区域。
实际上，这就是种子点的定义问题，可以通过使用fslmaths（来自FSL包）或MarsBaR（SPM工具箱）等工具来实现。一些研究已经证明了静息态网络中功能性连接的大脑区域和任务相关模式之间的神经解剖联系（使用DTI来构建神经解剖联系）。
另一种流行的多模态方法是在DTI数据中使用传统的MRI或T1加权图形的mask，通过分割（ROI）来提取组合后的结构和DTI数据（图1Q）。例如，WM体积已用于评估微观结构完整性。
此外，结合DTI参数和脑电图（EEG）记录、皮质诱发电位（CCEPs）、脑磁图（MEG）、正电子发射断层成像（PET），磁共振波谱（MRS）和经颅磁刺激（TMS）等方法揭示了人类大脑复杂性的互补的新见解。重要的是，为了将DTI与其他神经成像模式数据相结合，不同模态的ROI应该与DTI数据位于同一参考空间（其实实践过程中无非就是T空间或者MNI空间，对于两个空间不理解的请点击我们上一篇文章，有详细描述）。
7. 结果汇报
在DTI数据解释中，最常见的误解与标量（如AD、FA、MD和RD等）结果有关。通常，较高的MD值和较低的FA值表明，由于在主要纤维方向上的扩散增加和纤维髓鞘化的丧失，纤维完整性受损。然而，这并不总是真的。事实上，根据所研究的大脑区域、细胞基础和样本（特定的疾病过程、发育状况），异常高或低的指数可能表明存在功能障碍，但可能也没有，对于结果的解释需要更多的补充性证据，不能轻易的下结论。
DTI研究解释过程中还存在一些其他问题。使用颜色编码来导向的标量地图的解释也很重要，因为两个不同的区域可能有相同的颜色(如果它们有相同的平面内纤维方向)，而且相同的区域在方向改变时可以改变颜色编码，这使得在2D图像中定位变得困难。交叉纤维也是结果解释中面临的重要问题，它影响FA，轴向和径向扩散以及MD，并对纤维追踪方法有巨大的影响。
因此，在解释白质研究结果时，一定要考虑到方法的局限性和假设的逻辑性。从而更加谨慎的对数据结果进行解释。
8. 总结
DTI研究是目前研究WM微观结构的一种很有前途并且被广泛使用的方法。然而，从实验设计的最初阶段到最终结果的解释，每一项科学分析都存在一定的困难。DTI研究不例外。
本文着重介绍了在进行DTI研究时所面临的常见问题，以及克服这些问题的一些可能的方法，并提供了实用的指导和参考，包括最常用的工具。对于DTI工作流程中最常用的解决方案和工具的描述，从本文来看，到目前为止还没有得到很好的理解，并且本文的概述是宏观的，在具体细节时研究人员仍旧面临大量困难。
因此，我们相信，本指南不仅对该领域的新手有帮助，而且对那些想要更新该领域知识的人也有帮助。同时，思影科技提供了多种多样的研究方法的课程，以及强大的后援团队。为每一个努力科研的研究人员解决具体的操作问题。我们公司紧跟科研前线，实现各种分析方法，希望您的到来！
