PyDesigner v1.0: Difüzyon Manyetik Rezonans Görüntüleme için DESIGNER Boru Hattının Python Tabanlı Bir Uygulaması

Siddhartha Dhiman; Reyna E. Hickey; Kathryn E. Thorn; Hunter G. Moss; Emilie T. McKinnon; Vitria Adisetiyo; Benjamin Ades-Aron; Jens H. Jensen; Andreana Benitez

doi:10.3791/66397

Method Article

PyDesigner v1.0: Difüzyon Manyetik Rezonans Görüntüleme için DESIGNER Boru Hattının Python Tabanlı Bir Uygulaması

DOI:

10.3791/66397

⸱

May 17th, 2024

Siddhartha Dhiman*¹ , Reyna E. Hickey*² , Kathryn E. Thorn*² , Hunter G. Moss¹^,³ , Emilie T. McKinnon¹^,³ , Vitria Adisetiyo¹ , Benjamin Ades-Aron⁴ , Jens H. Jensen¹^,³^,⁵ , Andreana Benitez²^,³

¹Department of Neuroscience, Medical University of South Carolina, ²Department of Neurology, Medical University of South Carolina, ³Center for Biomedical Imaging, Medical University of South Carolina, ⁴Center for Biomedical Imaging, Department of Radiology, New York University School of Medicine, ⁵Department of Radiology and Radiological Science, Medical University of South Carolina

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, tipik dMRI artefaktlarını düzeltebilen ve difüzyon tensör görüntüleme (DTI), difüzyon basıklık görüntüleme (DKI), fiber top görüntüleme (FBI), mikroyapı modelleme (beyaz madde bütünlüğü [WMTI] ve fiber top beyaz madde [FBWM]) ve traktografi çıktıları üretebilen Python tabanlı bir difüzyon manyetik rezonans görüntüleme (dMRI) işleme boru hattı olan PyDesigner'ı sunuyoruz.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyDesigner, dMRI ön işleme ve tensör tahmini için Gibbs ve NoisE Removal (DESIGNER) boru hattı (Dv1) ile orijinal Diffusion parametresi EStImation'ı temel alan Python tabanlı bir yazılım paketidir. Bu yazılım ticari olmayan araştırmalar için açık bir şekilde sağlanmıştır ve klinik bakım için kullanılamaz. PyDesigner, çoklu difüzyon önlemlerinin tahminini optimize etmek için gürültü giderme, Gibbs zil düzeltmesi, girdap akımı hareket düzeltmesi, beyin maskeleme, görüntü yumuşatma ve Rician önyargı düzeltmesi gerçekleştirmek için FSL ve MRtrix3 araçlarını birleştirir. DKI, DTI, WMTI, FBI ve FBWM veri kümelerinin yanı sıra traktografi ODF'leri ve .fib dosyalarından yaygın olarak kullanılan ölçümleri doğru bir şekilde türetmek için Windows, Mac ve Linux'taki platformlarda kullanılabilir. Ayrıca dosya biçiminden bağımsızdır ve .nii, .nii.gz, .mif ve dicom biçimindeki girdileri kabul eder. Kullanıcı dostu ve kurulumu kolay olan bu yazılım, veri bütünlüğünü değerlendirmek için sinyal-gürültü oranı grafiklerini, aykırı vokselleri ve kafa hareketini gösteren kalite kontrol ölçümlerini de çıkarır. Ek olarak, bu dMRI işleme boru hattı, çoklu yankı zamanlı veri kümesi işlemeyi destekler ve kullanıcının çeşitli kullanıcı ihtiyaçlarını karşılamak için hangi işlemlerin kullanıldığını ve hangi çıktıların üretildiğini belirlemesine olanak tanıyan boru hattı özelleştirmesini içerir.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Difüzyon MRG (dMRI), beyindeki mikroyapısal özelliklerin invaziv olmayan çalışması için yaygın olarak uygulanmaktadır. Birçok dMRG yöntemi önerilmiş olsa da, yaygın olarak kullanılan ikisi difüzyon tensör görüntüleme (DTI) ve difüzyonel basıklık görüntülemedir (DKI). Bu teknikler, DKI'nin difüzyonel Gaussianity^1'in nicelleştirilmesini içeren DTI'nin bir uzantısı olması ile yakından ilişkilidir. Her ikisi de çeşitli skaler difüzyon önlemleri sağlar ve beyaz cevher fiber traktografisinin oluşturulmasını sağlar. DTI ve DKI'nin önemli bir avantajı, difüzyon fiziğinde sağlam bir temele sahip olmalarıdır, böylece geçerlilikleri doku mikroyapısı ^2,3 ile ilgili ayrıntılı varsayımlara dayanmaz. Bu, DTI ve DKI'nin herhangi bir yaş ve hastalık durumundaki katılımcılar için beyin ve vücut boyunca uygulanmasına izin verir.

Ham difüzyon ağırlıklı görüntüler (DWI'ler) sinyal gürültüsü, hareket, Gibbs çalması ve girdap akımı bozulması dahil olmak üzere birçok faktör tarafından bozulduğundan, herhangi bir difüzyon miktarının^{hesaplanmasından} önce ön işleme kullanılmalıdır 4. DWI'lerin ön işlenmesi, şu anda oldukça gelişmiş olan aktif bir araştırma alanıdır. Bununla birlikte, gerekli işleme adımlarını tutarlı sonuçlar veren tek bir işlem hattında birleştirmek zordur, çünkü dMRI alımının ayrıntılarına bağlı olarak birkaç kullanıcı tanımlı ayarın ayarlanması gerekir ve ön işleme adımlarının gerçekleştirilme sırası sonucu etkiler. Bu nedenle, Gibbs ve NoisE Removal ile Diffusion parametresi EStImation (DESIGNER, GitHub: NYU-DiffusionMRI/DESIGNER) işlem hattı ilk olarak 2016 yılında DWI'lar için ön işlemeyi optimize etmek, standartlaştırmak ve kolaylaştırmak için önerildi⁵. DESIGNER Dv1, ön işleme ve difüzyon/basıklık tensör tahmini⁵ yoluyla görüntü düzeltmeyi kapsayan sorunsuz ve eksiksiz bir DWI süreci oluşturmak için FSL, MRtrix3, MATLAB ve Python'a gömülü yazılım araçlarına güvenir. Ön işleme adımlarını açmak veya kapatmak için kontrol bayrakları ile DWI düzeltmeleri seçici olarak gerçekleştirilebilir. DESIGNER belirli bir sırayla ön işlemler - (i) Marchenko-Pastur temel bileşen analizi (MP-PCA) gürültü giderme⁶^, (ii) Gibbs zil düzeltmesi⁷, (iii) yankı-düzlemsel görüntüleme (EPI) bozulma düzeltmesi⁸, girdap akımı düzeltmesi⁹, hareket düzeltme¹⁰ ve aykırı değer değiştirme¹¹, (iv) B1 önyargı alanı düzeltmesi, (v) beyin maskesi üretimi, (vi) yumuşatma, (vii) Rician gürültü yanlılık düzeltmesi ve (viii) b0 normalizasyonu. Bu özel sırada ön işleme, hem doğruluğu hem de etkili sinyal-gürültü oranını (SNR) ^{iyileştirir5}. PyDesigner'ın her adımının isteğe bağlı olduğunu ve kullanıcı tercihine göre kullanılabileceğini veya atlanabileceğini belirtmekte fayda var. Örneğin düzgünleştirme, bazı veri kümeleri için gerekli bir ön işleme adımı olmayabilir. Filtreleme hatalarını azaltmaya yardımcı olsa da, ultra yüksek kaliteli veri kümeleri için gerekli olmayabilir. Bu nedenle, kullanıcılar yalnızca verileri için gereken adımları kullanmayı seçebilirler.

İşletim sistemleri ve ortam ayarlarındaki farklılıklar nedeniyle DESIGNER'ı platformlar arasında uygulamak zordur. Özellikle, DESIGNER Dv1'in öncelikle MATLAB'da yazılmış olması, Python-MATLAB arayüzünü etkinleştirmek için gereken karmaşık yapılandırma gereksinimlerinden kaynaklanan önemli taşınabilirlik sorunları yaratır. Ayrıca, MATLAB, Python ve bağımlılık sürümlerinin farklı kombinasyonları bu işlem hattının tekrarlanabilirliğini tehlikeye atar. Bu nedenle tamamen Python tabanlı olan PyDesigner'ı geliştirdik. Bu dMRI işleme hattı yalnızca sorunsuz ön işlemeye izin vermekle kalmaz, aynı zamanda boru hattının taşınabilirliği ve tekrarlanabilirliği büyük ölçüde artıran bir Docker konteynerine dahil edilmesine de olanak tanır. Ek olarak, MATLAB kodunu değiştirerek PyDesigner tüm lisans ücretlerinden kaçınır ve erişilebilirliği artırır.

Bu dMRI işleme hattı, DESIGNER tarafından sunulan eller serbest yaklaşımını artırır, birkaç yeni özellik ekler ve ön işlemeyi gerçekleştirmek için FSL ve MRtrix3 araçlarını içerir. DESIGNER'ın MATLAB bölümlerini Python koduyla değiştirmek için Numpy¹², SciPy¹³ ve CVXPY^14,15 gibi standart matematiksel Python kitaplıkları kullanıldı. Bu yazılım açık bir şekilde sağlanır ve Github^16'da mevcuttur. Bu makalenin amacı, yazılımımızı doğrulamak veya benzer yazılımlarla karşılaştırmak değil, kullanıcılara bunu yapmayı seçmeleri durumunda verilerini PyDesigner ile işlemek için adım adım bir kılavuz sunmaktır.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazılımı geliştirmek ve test etmek için kullanılan tüm veriler, kurumsal inceleme kurulu onaylı bir çalışma protokolü kapsamında toplanmıştır.

NOT: PyDesigner, MacOS 10.14 üzerine kurulmuştur ve Windows üzerinde çalışması için Linux için bir Windows Alt Sistemi (WSL) gerektirir. Aynı komutlar Linux/Mac sistemleri için de kullanılabilir.

1. İşletim sistemi uyumluluğu

Windows sistemleri için, WSL^17'yi yüklemek için bağlantıyı izleyin ve ardından adım 2.6'ya geçin.
Unix tabanlı sistemler (Linux ve Mac gibi) için bölüm 2'ye ilerleyin.
NOT: Unix tabanlı sistemler, PyDesigner'ı ve bağımlılıklarını yerel olarak yükleyebilir.

2. FSL'yi yükleyin

NOT: Tüm PyDesigner testleri FSL sürüm 6.0.2 ile yapılmıştır ve v6.0.2 veya üzerinin kullanılması önerilir.

FSL wiki^18'e gidin ve İndir/Yükle'yi seçin. Windows kullanıcıları için adım 2.6'ya gidin.
FSL'yi Yükleme başlığı altında FSL'yi İndir'i seçin. Ardından FSL Kurulum Yazılım Lisansı'nı seçin, sözleşmeyi okuyun ve kabul et'i seçin.
Gerekli alanları doldurun ve Kaydol'u seçin.
FSL'yi İndir bağlantısını seçin (sayfadaki ilk bağlantı). Ardından kurulum talimatları bağlantısını seçin (sayfadaki ikinci bağlantı). Her işletim sistemi için FSL'yi indirmek üzere bu yönergeleri izleyin.
NOT: FSL'nin yüklenmesi yaklaşık 10 dakika sürer.
Kurulumun başarılı olduğunu doğrulamak için yeni bir terminal penceresine aşağıdakileri girin:
$ flirt -version . Bu, sürüm numarasını döndürmelidir. 3. adıma geçin.
Windows kullanıcıları için FSL¹⁹ için WSL kurulum kılavuzunu izleyin.

3. Bir Conda ortamı oluşturun

Python ortamlarını yönetmek için bir conda paketi yükleyin. Kullanıcılar Miniconda veya Anaconda'yı seçebilir.
1. Miniconda/Anaconda^20'yi indirin. Mac ve Linux kullanıcıları adım 3.2'ye geçer.
2. Windows için conda'yı WSL²¹ içinde ayarlayın.
  NOT: Aşağıdaki talimatlar Miniconda içindir, ancak aynı komutlar Anaconda için de geçerlidir. Conda artık Python 3.7'yi desteklemese de, Python 3.7 ile bir conda ortamı oluşturmak hala mümkündür ve bu protokolün tam olarak açıklandığı gibi uygulanmasına izin verir.
Conda ortamını oluşturmak için terminale aşağıdakileri girin: $ conda create -n mri python=3.7. PyDesigner ile ilgili tüm etkinlikler için bu conda ortamını kullanın.
1. Enter yile Proceed ([y]/n)? istendiğinde.
  NOT: -n bayrağı: Conda ortamının adını belirtmek için bunu kullanın. Videoda conda ortamı mri olarak adlandırılmıştır.
  NOT: python=PyDesigner bu sürüm üzerinde oluşturulduğu ve test edildiği için Sürüm 3.7 önerilir.

4. MRtrix3'ü yükleyin

Aşağıdaki komutu girerek conda ortamını etkinleştirin: $ conda activate mri
MRtrix3²² için indirme sayfasını açın ve uygun işletim sistemi için indirme talimatlarını izleyin. Kurulum kodu, belirli bağımlılıkların onaylanmasını isteyecektir. İndirme işlemine devam etmek için girin y .
1. Terminali içine aşağıdakileri girerek kurulumu onaylamak için MRtrix3 belgelerini yazdırın: $ mrinfo -h

5. PyDesigner'ı yükleyin

Yeni bir terminal penceresi açın ve terminale aşağıdakileri girerek conda ortamını etkinleştirin: $ conda activate mri
Komutu çalıştırın: $ pip install PyDesigner-DWI
Kurulumun başarılı olduğunu doğrulamak için, terminale aşağıdakileri girerek sürüm numarasını yazdırın: $ pydesigner -v
1. "Modül bulunamadı" hatası görünürse, lütfen protokolün sonundaki Sorun Giderme bölümüne bakın (bölüm 10)
  NOT: $ pydesigner -h, yazılımın komutlarını ve sözdizimini açıklayan yardım belgelerini yazdıracaktır. PyDesigner, Github üzerinden de indirilebilir. Web sitesindeki kurulum talimatlarına bakın²³.

6. Veri hazırlama

NOT: PyDesigner, .nii, .nii.gz, .mif ve DICOM gibi birden çok dosya türüyle çalışır. Videoda, bu dMRI işleme işlem hattı kullanılmadan önce DICOM'lar sıralanır ve NIfTI'ye dönüştürülür. NIfTI dosyalarıyla çalışmak daha kolaydır çünkü kimliksizleştirilmişlerdir ve dizi başına bir dosya vardır.

DICOM'ları sıralamak için DicomSort aracını²⁴ kullanın.
NOT: Aynı görevi gerçekleştiren başka herhangi bir DICOM sıralama aracına izin verilir.
DICOM'ları sıraladıktan sonra, dcm2niix²⁵ kullanarak bunları NIfTI dosyalarına dönüştürün.
1. Terminale aşağıdaki komutu girerek dcm2niix'i kurun:
  $ sudo apt installdcm2niix
2. İndirdikten sonra, dcm2nii belgelerini yazdırarak kurulumu doğrulamak için terminale aşağıdakileri yazın: $ dcm2niix -h
dcm2niix'i çalıştırmak için terminale aşağıdaki komutu girin:
$ dcm2niix -f %s_%p_%d -o pathtosavefolder/ pathtorawdicoms/
NOT: -f: Çıktı dosyasının dosya adı yapısını belirtmek için, bu etiketi istediğiniz herhangi bir dosya adı yapısıyla takip edin. Videoda şunlar kullanılır: -f %s_%p_ . %s, %p ve %d sırasıyla seri, protokol numarası ve açıklama için gösterimlerdir. Herhangi bir dosya yapısı çalışacaktır. dcm2niix'ten beklenen çıktılar .bval, .bvec, .json ve .nii dosyalarıdır. TOPUP verileri alınmışsa, .json ve .nii TOPUP dosyaları olacaktır.

7. Temel PyDesigner kullanımı

NOT: PyDesigner, işleme parametrelerine ve bilgisayar özelliklerine bağlı olarak tek bir veri kümesi için 1,5 saate kadar sürebilir.

Standart işlemeyi çalıştırmak için bayrağını -s veya -standard. Bu komut, önerilen ön işleme işlem hattını şu sırayla çalıştırır: Gürültü giderme⁶, Gibbs zil düzeltmesi⁷, EPI bozulma düzeltmesi⁸, girdap akımı hareket düzeltmesi⁹, beyin ve beyin omurilik sıvısı (BOS) maskelerinin oluşturulması, yumuşatma, Rician yanlılık düzeltmesi, aykırı değer algılama¹¹, tensör tahmini ve parametrik haritaların oluşturulması.
Temel PyDesigner komutunu çalıştırmak için öncelikle terminale aşağıdaki komutu girerek conda ortamını etkinleştirin: $ conda activate mri
Aşağıdaki komutu girerek yazılımın yardım belgelerini yazdırın: $ pydesigner -h. Bu belge, PyDesigner için olası tüm komutları ve sözdizimini açıklar.
Komutu yapılandırmak için aşağıdaki örneği kullanın.
$ pydesigner -s --verbose --rpe_pairs 1 -o ./output_folder/ ./input_folder/input1.nii ./input_folder/input2.nii
Aşağıdaki önemli bayraklara dikkat edin:
1. --verbose: PyDesigner konsolunu verileri işlerken görüntülemek için bunu kullanın (gerekli değildir).
2. --rpe pairs #: TOPUP dizisine sahip kullanıcıların TOPUP kullanarak EPI bozulma düzeltme⁸ işlemini hızlandırmasına izin vermek için bunu kullanın. # işareti, TOPUP dizisinden kaç B0 biriminin kullanılacağını ifade eder. #=1 kullanmak, deformasyon alanının fazla tahmin edilmesini önler ve bu alanı oluşturmak için gereken süreyi kısaltır. Kullanıcılar rutin olarak #=1'i güvenilir sonuçlarla kullandılar. #=1 kullanılırken, PyDesigner varsayılan olarak ilk birimi alır.

8. Gelişmiş PyDesigner kullanımı: Yazılımı kullanıcıların bireysel ihtiyaçlarına göre uyarlama

NOT: PyDesigner'ı -s uyarlarken, bayrağı atlayın; bu bayrak otomatik önişleme komutudur.

Terminale aşağıdaki komutu girerek conda ortamını etkinleştirin: $ conda activate mri
Bayrakların bir listesi için yazılımın web sitesine²³ bakın; her bayrak, kullanıcının PyDesigner'ın her bir bölümünü ayrı ayrı çalıştırmasına olanak tanır.
Komutu yapılandırın. Kullanıcının gerçekleştirmek istediği her dizi için bayraklarla başlayın. Ardından PyDesigner'ı giriş ve çıkış dosyalarına yönlendirin. Mesela:
$ pydesigner flag1 flag2 flag3 -o ./output_folder/ ./input_folder/input1.nii
Örnek 1: Tensör uydurmayı tek başına çalıştırın (ek ön işleme yok).
1. Terminale aşağıdaki komutu girerek conda ortamını etkinleştirin: $ conda activate mri
2. İşaretlerin listesi için PyDesigner web sitesine²³ bakın. Bu örnekte .-m
3. -m: Tensör uyumunu yalnızca beyin vokselleri içinde sınırlamak için bu işareti ekleyin. Bu, tensör uydurma + aykırı değer algılamayı hızlandırır.
4. Komutu yapılandırmak için aşağıdaki örneği kullanın:
  $ pydesigner -m -o ./output_folder/ ./input_folder/input1.nii
  NOT: Tensör uydurma girişi önceden işlenmiş bir .nii dosyasıdır.
Örnek 2: Gürültü gidermeyi tek başına çalıştırın (ek ön işleme yok).
1. Terminale aşağıdakileri girerek conda ortamını etkinleştirin: $ conda activate mri
2. İşaretlerin listesi için PyDesigner web sitesine²³ bakın. Bu örnekte .-n
3. -n: Gürültü giderme adımını tamamlamak için bu bayrağı ekleyin. Her konunun çıktı klasöründe bulunan DWI_preproccessed.nii etiketli önceden işlenmiş DWI dosyasını girin.
4. Komutu yapılandırmak için aşağıdaki örneği kullanın:
  $ pydesigner -n -o ./output_folder/ ./input_folder/input1.nii

9. Gelecekteki PyDesigner güncellemeleri

NOT: Güncellemeler web sitesinde^{bulunabilir 23}.

PyDesigner'ı güncellemek için yeni bir terminal penceresine aşağıdakileri girin:
$ pip install --upgrade PyDesigner-DWI
NOT: PyDesigner, Github¹⁶ üzerinden yüklendiyse, git kullanılarak da güncellenmelidir.

10. Kurulum Sorun Giderme

PyDesigner'ı indirirken, eksik bir Python modülü varsa "modül bulunamadı" hata kodu görünecektir.
1. Terminale aşağıdakileri girerek eksik bir modülü düzeltin:
  $ pip install nameofmodule
2. Ardından, terminale aşağıdakileri girerek ilk yükleme komutunu tekrarlayın: $ pip install PyDesigner-DWI
3. PyDesigner artık tam olarak yüklenmiş olmalıdır. Lütfen adım 5.3'e geri dönün. Aynı hata oluşursa, tüm eksik Python modülleri yüklenene kadar bu işlemi tekrarlayın.

11. Çıkış hatalarını giderme

Herhangi bir sorun oluşursa, ön işleme hatalarını belirlemek için log_command.json dosyasını gözden geçirin. Belirli bir hatayı belirlemek için ara dosyaları gözden geçirin.
Sorun giderme konusunda yardım için GitHub sayfasında¹⁶ bir istek gönderin.

12. PyDesigner'ı örnek bir veri kümesiyle çalıştırma

OpenNeuro'dan örnek veri setini buradan indirin²⁶.
Not: Bu örnek veri kümesi hem ham hem de önceden işlenmiş verileri içerir. Ham veriler, PyDesigner örnek işleme için girdi olarak tasarlanmıştır. Önceden işlenmiş veriler, ham veriler bir iMac OS v12.4'te dMRI işleme ardışık düzeni kullanılarak işlendikten sonra oluşturulan çıktılardan oluşur. Kullanıcılar ham verileri indirebilir, bu verileri PyDesigner kullanarak işleyebilir ve PyDesigner'ın doğru çalıştığından emin olmak için çıktılarını sağlanan örnek çıktılarla karşılaştırabilir. Ham veriler ana klasörde (/PyDesigner Örnek Veri Kümesi/sub-01) bulunur ve önceden işlenmiş veriler türevler klasöründe (/PyDesigner Örnek Veri Kümesi/derivatives/sub-01) yer alır. Aksi belirtilmedikçe, OpenNeuro veri kümesi varsayılan kullanıcı klasörüne indirilecektir.
Mac/Linux'ta yeni bir terminal veya Windows'ta WSL açın.
NOT: Standart PyDesigner işlem hattını çalıştırmak için aşağıdaki örnek komut yapısını izleyin. Aşağıdaki komutları terminale/WSL'ye girin. Bu örnekte, burada " ./user_download_folder/" örnek veri klasörünün yolunu gösterir. Bu yol, örnek verilerin bireysel kullanıcıların bilgisayarında depolandığı yere özgü olacaktır.
Çıktılar için yeni bir klasör oluşturmak için terminale aşağıdakileri girin:
$ mkdir ./user_download_folder/ ds004945-download /PyDesigner_Outputs
Conda ortamını etkinleştirmek için terminale aşağıdakileri girin:
$ conda activate mri
Örnek veri kümesinde PyDesigner'ı çalıştırmak için terminale aşağıdakileri girin:
$ pydesigner - o ./user_download_folder/ds004945-download/PyDesigner_Outputs -s ./user_download_folder/ds004945-download/sub-01/dwi/sub-01_dwi.nii
Not: Bu örnekte, ./user_download_folder/ örnek veri klasörünün yolunu belirtir. Bu yol, her kullanıcının bilgisayarına özel olacaktır. 12.3 ile 12.5 arasındaki adımlardaki komutlar, adım 8.3'ün yapısını izler. Bu komut, PyDesigner'ın standart işleme bayrağı olan -s bayrağını kullanır ve şu sırayla aşağıdaki işleme adımlarını çalıştırır: gürültü giderme⁶, Gibbs zil düzeltmesi⁷, bozulmayı giderme ^8,9, beyin maskeleme, yumuşatma ve rician yanlılık düzeltmesi.
Yazılım doğru şekilde kurulursa, tüm çıktılar yeni oluşturulan PyDesigner_Outputs klasörüne yerleştirilecektir. PyDesigner tarafından üretilen ön işleme dosyalarını, OpenNeuro'dan indirilen "türevler" klasöründe bulunan örnek veri kümesi önceden işlenmiş klasörüyle karşılaştırın.
1. Ölçüm haritalarını örnek veri kümesi sonuçlarındakilerle karşılaştırmak için temsili sonuçlar bölümüne bakın.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyDesigner yazılımı, ham difüzyon verilerine birden fazla görüntü düzeltme adımı uygular ve analiz yaparken ham dosyalar üzerinde doğruluğu artırmak için kullanılan çıktılar üretir. Boru hattında mevcut olan her adım, giriş bölümünde tartışıldığı gibi^{hakemli yayınlar 5,6,7,8,9,10,11} aracılığıyla daha önce doğrulanmıştır. Yazılımdan elde edilen çıktılar, traktografi profilleri, bağlantı matrisleri, voksel analizleri, ROI analizleri, fODF analizleri, TBSS ve fixel tabanlı analizler gibi analizlerde kullanılabilir.

Yazılım web sitesi²³ , ön işleme boru hattı sırasında oluşturulan tüm çıktı dosyalarını listeler. Her istem çalıştırıldıktan sonra, konsol tamamlanan tüm işlemlerin bir açıklamasını çıkarır. 3 tür çıktı dosyası vardır: işleme dosyaları, metrikler ve kalite kontrol. Çıktı dizini yapısı Şekil 1'de gösterilmiştir. Bu dosyalar standart önişleme kullanılırken kullanılabilir (protokolün 7. bölümüne bakın). Kullanıcı daha gelişmiş kullanım gerektiriyorsa (protokolün 8. bölümüne bakın), mevcut çıktı dosyaları hangi işlemlerin tamamlandığına bağlı olacaktır.

figure-results-1
Şekil 1: PyDesigner işlem hattının görsel temsili. Ön işleme, PyDesigner'a (sol üst) bir giriş 4D DWI sağlayarak başlar ve daha sonra gürültüden arındırılmış bir 4D DWI ve bir 3D gürültü haritası elde etmek için MP-PCA gürültü giderme işleminden geçer. Gürültüsü giderilmiş 4D DWI daha sonra Gibbs zil düzeltmesi, Rician önyargı düzeltmesi, TOPUP, girdap akımı düzeltmesi ve aykırı değer düzeltmesinden geçer. Daha sonra bir beyin maskesi, sonraki adımlar, aykırı değer tespiti ve hesaplamaları yalnızca beyin maskesi içinde gerçekleştirerek hızlandırmak için tensör uydurma için hesaplanır. Çıktılar, ana konu işleme klasöründeki alt dizinlerde bulunabilir - intermediate_nifti, metrikler ve metrics_qc. PyDesigner çıktılarının ekran görüntülerinin, tüm olası çıktıların kapsamlı bir listesi olması gerekmediğini, bunun yerine kullanıcıların neler bekleyebileceğine dair şematik bir görsel örnek sağlamak için tasarlandığını unutmayın. Hem nihai çıktılar hem de ara dosyalar olan çıktılar, kullanıcı giriş verilerine ve kullanılan işleme bayraklarına göre değişir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Işleme
İşleme dosyaları PyDesigner işlem hattı sırasında kullanılır ve kök çıkış dizininde depolanır. Her ön işleme adımı için, ara DWI dosyaları Şekil 1'de gösterildiği gibi "intermediate_nifti" çıktı klasörüne kaydedilir. İşlem hattının her adımını ayrı ayrı değerlendirmek için işleme veya çıkışlarla ilgili herhangi bir sorun ele alınırken bu dosyalara başvurulmalıdır.

figure-results-2
Şekil 2: Optimal ve suboptimal ara DWI NifTI dosyaları. Şekilde, PyDesigner işlem hattının her görüntü düzeltme adımı için ara NIfTI dosyası gösterilmektedir. Üst satır, sağlıklı bir yetişkin beyninden alınan verileri kullanan en uygun ara dosya çıktılarına bir örnektir, orta satır, patolojik bir beyinden (meningiom) alınan verileri kullanan en uygun ara dosya çıktılarına bir örnektir ve alt satır, beyin yapısı veya sağlığıyla ilgisi olmayan bir duyarlılık artefaktına sahip sağlıklı bir yetişkin beyninden alınan verileri kullanarak yetersiz ara dosya çıktılarını görüntüler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ölçüm
Bu klasör, PyDesigner'ın hesapladığı tüm parametrik eşlemeleri içerir (bkz. Şekil 1). Bu, DTI/DKI, fiber bilye görüntüleme (FBI)/fiber bilye beyaz cevher (FBWM) ve beyaz cevher yolu bütünlüğü (WMTI) ölçümleri için parametrik haritaları içerir (Tablo 1)¹⁶.

figure-results-3
Tablo 1: DTI/DKI ve FBI/FBWM ölçümleri için beklenen değer aralığı. Tablo, PyDesigner tarafından oluşturulan güçlü DTI, DKI, FBI ve FBWM ölçümlerinin bir listesini ve bunların beklenen değer aralıklarını içerir. Her bir metriği türetmek için gerekli diziler ve b-değerleri (s/^mm2) de listelenir. Listelenen DTI metrikleri FA, MD, AD ve RD'dir. Listelenen DKI metrikleri MK, AK, RK ve KFA'dır. Listelenen FBI metriği FAA'dır. Listelenen FBWM metrikleri AWF, DA, DE_AX, DE_RAD ve FAE'dir.

Kullanıcılar, optimal olmayan sonuçları belirlemek için ortalama yayılma (MD), fraksiyonel anizotropi (FA) ve ortalama basıklık (MK) ölçümlerinin görsel ve değer kalite kontrolünü (QC) gerçekleştirebilir. Bu metrikler aşağıda açıklanan standartlara göre yetersizse, kullanıcılar hangi ön işleme adımının başarısız olduğunu belirlemek için Şekil 2'de açıklanan her bir ara dosyaya bakmalıdır.

Görsel QC, optimal olmayan sonuçları (örneğin, tensör uydurma sorunları ve artefaktlar) tanımlamak için kullanılır. Yazılım varsayılanları aracılığıyla görüntüde herhangi bir değişiklik yapılmadığından emin olmak için görsel kalite kontrol için ImageJ kullanmanızı öneririz. Şekil 3'ün üst satırı, sırasıyla 0-3 μm²/ms, 0-1 μm²/ms ve 0-2 μm²/ms'lik biyolojik olarak makul bir eşik kullanan tipik MD, FA ve MK metrik haritalarını göstermektedir (Şekil 3 [Üst satır]). MD haritası, ventriküllerde en yüksek değerlere ve kortikal gri cevherde yüksek değerlere sahip olmalıdır (Şekil 3A [Üst satır]). FA haritası, beynin her yerinde açık olan görünür beyaz madde yollarına sahip olmalıdır (Şekil 3B [Üst sıra]). MK haritası, WM'de yüksek değerlere ve gri madde ve CSF'de daha düşük değerlere sahip olmalıdır (Şekil 3C [Üst satır]). Şekil 3D [Üst satır], tensör uydurma sorunları olan ve sıfır değerli voksel kümeleriyle sonuçlanan bir metrik harita örneğidir. Herhangi bir sorun oluşursa, herhangi bir ön işleme hatası bulmak için log_command.json dosyasını gözden geçirin. Belirli bir hatayı belirlemek için ara dosyaları gözden geçirin. Sorun giderme konusunda yardım için PyDesigner GitHub sayfasında bir istek gönderin.

Değer kalite kontrolü, belirli bir metrik haritanın voksellerinin her bir veri kümesi için denekler arasında nispeten tek tip olup olmadığını belirlemek için kullanılır. Her harita ve veri kümesi için beklenen değer aralığı, verilere ve PyDesigner parametrelerine bağlıdır. Test veri kümemizde, FSLeyes varsayılan histogram gruplamasını kullanarak MD, FA ve MK için sırasıyla 8000 ila 10.000, 2500 ila 4000 ve 5000 ila 13.000 aralıklarında tutarlı zirveler elde ettik. Şekil 3'ün alt satırı, histogram değişkenliğine örnekler sağlar. Tablo 1 , bu ölçümler için beklenen x ekseni değerlerini içerir. Daha yüksek veya daha düşük vokseller, veri kümesinin karakteristiğidir veya bir artefakt veya ön işleme sorununu gösterir (Şekil 3D [Alt satır]).

figure-results-4
Şekil 3: PyDesigner'dan en iyi ve en iyi olmayan sonuçlara sahip örnek ölçüm haritaları ve histogramlar. En üst satırda, görsel kalite kontrol için kullanılan tek konulu MD, FA ve MK eşlemelerinin örnekleri gösterilir. Alt satır, değer QC için kullanılan çok konulu histogramları gösterir. (A-C) Görsel ve değer kalite kontrolünden geçen metrik haritaların ve histogramların tipik örnekleri. Her ölçüm türü için histogramlardaki her mavi çizgi, tek bir veri kümesini temsil eder. Her veri kümesinin benzer bir eğri izlediğini ve benzer bir aralıkta olduğunu unutmayın. (D) Görsel veya değer kalite kontrolünden geçmeyen bir metrik harita örneği. Histogramdaki kırmızı çizginin A-C'ninkinden farklı bir eğri gösterdiğine dikkat edin. Bu metrik haritada daire içine alınan sıfır vokseller, ön işleme sırasındaki tensör uydurma sorunlarından kaynaklanmaktadır (Panel D, üst sıra). Bu histogram, bir veri kümesinde genellikle beklenenden daha yüksek veya daha düşük voksellerin bir örneğidir (Panel D, alt satır). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Kalite kontrol
PyDesigner verileri işledikten sonra, yetersiz veri kümelerini tanımlamak için metrics_qc klasörü ( bkz. Şekil 1) kullanılmalıdır. PyDesigner, her veri kümesi için kalite kontrol için kullanılan üç çizim çıktısı verir.

figure-results-5
Şekil 4: Optimal ve suboptimal veri kümeleri için PyDesigner tarafından oluşturulan QC histogramları. PyDesigner tarafından oluşturulan SNR, birimler arası kafa hareketi ve aykırı değer histogramları. Her iki satır da sağlıklı bir yetişkin beyninden gelen verileri temsil eder. En üst satır, en uygun veri kümesi için kalite kontrol histogramlarına bir örnektir. Alt satır, beyin yapısı veya sağlıkla ilgisi olmayan bir duyarlılık artefaktına sahip optimal olmayan bir veri kümesinin kalite kontrol çıktılarını gösterir. PyDesigner'ın varsayılan çıktılarındaki etiketlerin metin boyutunun bu şekilde görüneceklerinden daha küçük olduğunu lütfen unutmayın. Okunabilirlik için bu şekildeki metin boyutunu artırdık. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4'teki head_motion grafikler, ilk cilde ve önceki cilde göre kafa yer değiştirmesini göstermektedir. Şekil 4'te (panel 1) görüldüğü gibi, kafa yer değiştirmesi tipik olarak küçüktür ve PyDesigner, FSL programı Eddy'nin yanı sıra hareket için TOPUP ve girdap akımı hareket düzeltmesi^9'u kullanarak standart işleme hattındaki bu hareket artefaktları için ayarlama yapar. Optimal olmayan veri kümeleri için, Şekil 4'te (panel 4) gösterildiği gibi head_motion grafiği boş görünebilir. Bu, girdap akımı hareket düzeltmesinin başarısız olduğunu ve bu nedenle PyDesigner'ın bir grafik çıktısı alamadığını gösterir. Girdap akımı düzeltme günlük dosyaları, metrics_qc klasöründeki girdap alt klasöründe bulunabilir (bkz. Şekil 1). Sinyal-gürültü oranı (SNR) grafiği 3 çizim gösterir. Her çizim farklı bir b değeri içindir ve hem önceden işlenmiş hem de ham verileri gösterir. Optimal bir veri kümesi için, ham veri SNR tepe noktası ≥5 olmalıdır (Şekil 4 [panel 2]). Optimal olmayan veri kümeleri, ≤3'lük bir ham veri SNR zirvesine sahip olacaktır (Şekil 4 [panel 5]). İdeal olarak, kullanıcılar tüm b değerleri için SNR tepe noktasının hafifçe arttığını, ancak dramatik bir şekilde artmadığını görmelidir. Aykırı değer grafiği, metrics_qc içindeki sığdırma klasöründe bulunur ve veri kümesindeki aykırı değerlerin yüzdesini gösterir (Şekil 4 [panel 3 ve 6]). İyi bir veri kümesi, tipik olarak %5'ten az olmak üzere düşük bir aykırı değer yüzdesine sahip olmalıdır (Şekil 4 [panel 3]). Optimal olmayan bir veri kümesi, Şekil 4'te (panel 6) gösterildiği gibi büyük bir aykırı değer yüzdesine sahip olacaktır.

Örnek veri kümesi sonuçları
PyDesigner örnek veri kümesini işlemeyi bitirdikten sonra, tüm çıkışlar "PyDesigner_Outputs" klasöründe yer almalıdır. Bu çıktılar, OpenNeuro'dan indirilen (MacOS 12.4'te işlenmiş) örnek veri kümesiyle paketlenmiş "türevler" klasöründe bulunanlarla karşılaştırılabilir. Yazılım doğru çalışırsa, "PyDesigner_Outputs" ve "türevleri" nin dosya yapısı tamamen aynı olacaktır. Benzer şekilde, "metrics_qc" alt klasöründe bulunan SNR, kafa hareketi ve aykırı değer grafikleri, Şekil 5A'dakilerle eşleşmelidir. Ölçüm haritaları ("metrikler" alt klasöründe bulunur) FSLeyes, MRIcron, ImageJ vb. gibi görüntüleme yazılımları aracılığıyla karşılaştırılabilir. Önceden işlenmiş/metriklerden elde edilen FA, MD ve MK değerlerinin histogramları Şekil 5B'de görülebilir. Şekil 5B'de gösterilen tüm metrik histogramların, Tablo 1'de önerilen metrik değer ölçeklerine göre ölçeklendirildiğini unutmayın.

figure-results-6
Şekil 5: Örnek Veri Metriği ve Metrik QC Histogramları. (A) OpenNeuro'dan indirilen örnek veriler için PyDesigner tarafından oluşturulan SNR, birimler arası kafa hareketi ve aykırı değer histogramları. Okunabilirlik için bu şekildeki çizimlerde metin boyutunun artırıldığını unutmayın. (B) Tek konu metriği, FSLeyes v6.0 aracılığıyla görselleştirilen aynı veri kümesi için FA, MD ve MK için voksel değer sayılarının histogramlarını eşler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-7
Şekil 6: PyDesigner, DESIGNER, DKE ve DIPY'den türetilen DTI ve DKI haritaları. Tensör uydurma, PyDesigner, DESIGNER⁵ ve Diffusional Basıkoz Tahmincisi (DKE)^27'de Kapp > 0 kısıtlaması ile gerçekleştirilirken, yazılım sınırlamaları nedeniyle Python'da Difüzyon Görüntülemede (DIPY)²⁸ kısıtsız uydurma kullanıldı. MD için birimler mikrometre/milisaniye karedir (μm²/ms), diğer metrikler ise boyutsuzdur. Gibbs zil düzeltmesinden kaynaklanan genel bir sorundan kaynaklanan kesintiler, DESIGNER, DKE ve DIPY tarafından üretilen MK haritalarında görülebilir. Bu figür Dhiman ve ^ark.29'un izniyle çoğaltılmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-8
Şekil 7: Boru hatları arasında FA, MD ve MK'nin karşılaştırılması. BOS dışlanmış beyinlerde PyDesigner, DESIGNER⁵, DKE²⁷ ve DIPY^28'den FA, MD ve MK için hesaplanan değerlerin dağılımı çoğu vokselde benzerdir. Yöntemler arasında metrik harita hesaplaması karşılaştırılabilir. Bu figür Dhiman ve ^ark.29'un izniyle çoğaltılmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyDesigner'ı geliştirmenin birincil motivasyonu, tüm MATLAB kodunu Python ile değiştirirken DESIGNER'ın temel öğelerini uygulamak ve böylece daha fazla taşınabilirlik ve erişilebilirlik sağlamaktı. PyDesigner ve DESIGNER Dv1 neredeyse aynı çıktıları verir²⁹. Bununla birlikte, PyDesigner'da bulunan birkaç ek seçenek, varsayılan ayarlar ve küçük hata düzeltmeleri vardır. Çevrimiçi PyDesigner belgeleri¹⁶ bunları ayrıntılı olarak açıklamaktadır.

PyDesigner ayrıca yaygın olarak kullanılan Difüzyonel Basıklık Tahmincisi (DKE)²⁷ ve Python'da Difüzyon Görüntüleme (DIPY)²⁸ DKI analiz araçlarına²⁹ benzer sonuçlar verir (bkz. Şekil 6 ve Şekil 7), ancak DESIGNER tarafından önceden işlenmiş dMRI'ye dayalı olarak oluşturulan haritaların, Ades-Aron ve ark.5 tarafından gösterildiği gibi, uydurma algoritmaları nedeniyle daha doğru olduğu düşünülmektedir. PyDesigner, DESIGNER⁵, DKE²⁷ ve DIPY^28'den MD, FA ve MK metrik haritalarının karşılaştırması için Şekil 6'ya bakın. Şekil 7'de her bir işlem hattından MD, FA ve MK histogramlarının karşılaştırması gösterilmektedir. Kısıtlı tensör uydurma, aykırı değer algılama ve görünür basıklık katsayısı düzeltmesini birleştirmek, PyDesigner ve DESIGNER^5'te görüldüğü gibi daha sağlam ve doğru bir tensör uydurması sağlar.

PyDesigner'ın DESIGNER Dv1'e göre bir avantajı, taşınabilirliği büyük ölçüde artıran ve kurulumu basitleştiren NeuroDock Docker kapsayıcısı³⁰ aracılığıyla kullanılabilir olmasıdır. Bu kapsayıcı, Windows, Mac OS ve çeşitli Linux dağıtımları dahil olmak üzere Docker ile uyumlu tüm büyük işletim sistemi platformlarında çalışır. Kullanıcı geri bildirimlerine göre PyDesigner v2.0, PyDesigner Docker Kapsayıcısı güncelleştirmelerini içerecektir. PyDesigner'ın yeni sürümü tarafından sunulan iyileştirmeler ve çok aşamalı bir Dockerfile'ın kullanıma sunulması, kullanıcıların karşılaştığı tüm mevcut sorunları çözecektir. Kullanıcıların yüklemeyle ilgili sorunları varsa, sorularını PyDesigner tartışma sayfasına¹⁶ göndermenizi öneririz. Docker'ın kapsayıcı teknolojisi, Docker uyumlu yerel kümelerde DWI'leri hızlı bir şekilde toplu olarak işlemek için yüksek performanslı kümelere (HPC'ler) doğrudan dağıtım da sağlar.

PyDesigner ayrıca WMTI³, FBI ve FBWM dahil olmak üzere DKI'nin ötesine geçen mikroyapısal modelleme hesaplamalarını da içerir. WMTI için standart bir DKI veri seti yeterlidir ve ilişkili mikroyapısal parametreler varsayılan olarak hesaplanır. Bununla birlikte, WMTI'nin geçerliliğinin, yüksek FA'ya sahip beyaz madde bölgeleriyle sınırlı olduğu vurgulanmalıdır (yani, FA ≥ 0.4). Bazı WMTI metrikleri, herhangi bir voksel^31'de aksonların paralel hizalanması varsayımı nedeniyle sınırlı doğruluğa sahiptir. FBI ^32,33,34, yüksek bir b-değeri (yani, b ≥ 4000 s/^mm2) ve en az 64 difüzyon kodlama yönüyle örneklenen dMRI verileri (b = 0 verileriyle birlikte) gerektiren, serebral beyaz cevher boyunca uygulanabilen farklı bir dMRI yöntemidir. FBI'nin ana çıktıları, beyaz cevher traktografisi için kullanılabilen ve FBWM için bir girdi görevi gören her bir beyaz cevher voksel için lif oryantasyon yoğunluk fonksiyonu (fODF) ve ayrıca intraaksonal fraksiyonel anizotropidir (FAA). FBWM, WMTI ile aynı parametreleri daha iyi bir doğrulukla tahmin etmek için hem DKI hem de FBI'dan gelen dMRI verilerini kullanır ve FA değerinden bağımsız olarak beyaz cevher boyunca uygulanabilir. Bu nedenle, bu ek veriler mevcutsa, FBWM tahminleri WMTI^35'ten gelenlere göre tercih edilir. FBI'da olduğu gibi, FBWM sadece yetişkin serebral beyaz cevherde doğrulanmıştır.

PyDesigner tarafından sağlanan rotasyonel değişmezlere (RAS oryantasyonu) ek olarak, DSIstudio'ya (LPS oryantasyonu) özgü .fib dosyaları DTI, DKI ve FBI için ayrı olarak üretilir. .fib dosyaları, her yöntem için traktografi profilleri oluşturmak için ODF yön bilgilerini içerir. Elde edilen traktografi profilleri, konu ve grup seviyelerinde bağlantı matrisleri oluşturmak için kullanılabilir. DKI ve FBI .fib dosyaları, DTI traktografisinde bulunmayan çok yönlü bilgi aktarma, geçiş fiber bilgileri içerir. Ayrıca, her bir .fib dosyasında, her yöntemin çeşitli rotasyonel değişmezleri dahil edilmiştir, bu da traktografinin tohumlanması, gerçekleştirilmesi ve durdurulması için kriter olarak çeşitli kombinasyonlarda kullanılabilir. DSIstudio hakkında daha fazla ayrıntı web sitelerinde bulunabilir³⁶.

PyDesigner'ın bir diğer önemli özelliği, NifTi (.nii), sıkıştırılmış NifTi (.nii.gz), DICOM (.dcm) ve MRtrix dosya formatı (.mif) gibi çeşitli dosya girişlerini işlemesine izin veren çoklu dosya girişidir. PyDesigner, giriş biçiminden bağımsız olarak üst bilgi meta verilerinden edinme bilgilerini otomatik olarak tanımlayabilir ve buna göre düzeltmeler gerçekleştirebilir, böylece müdahale gerektirmeyen bir yaklaşımı destekler. Protokollerdeki farklılıklardan bağımsız olarak, aynı komut (yukarıya bakın) çok çeşitli DWI'leri işlemek için kullanılabilir. Böylece bu yazılım, manuel ön işleme adımlarını ve komutlarını en aza indirerek zamandan ve emekten tasarruf sağlar. Yakın zamanda yayımlanan bir güncellemede (v1.0-RC10), bu, birden çok yankı süresi (çoklu TE) veri kümesi için uyumluluk sağlanarak geliştirilmiştir. Bu, PyDesigner'ın en az parazit ve yapaylığa sahip bir görüntü elde etmek için TE'den büyük ölçüde bağımsız olan görüntü önişleme adımlarını çoklu TE DWI'da çalıştırmasına olanak tanır. TE'ye bağlı tensör hesaplamaları daha sonra difüzyon veya basıklık metrikleri üretmek için her bir TE üzerinde ayrı ayrı gerçekleştirilir.

PyDesigner v1.0'ın görüntü önişleme işlem hatlarının tasarımında bir uç noktayı temsil etmediğini not ediyoruz. Görüntü işleme araçlarının geliştirilmesi ve doğrulanması aktif bir araştırma alanıdır. Özellikle, bu el yazmasının hazırlanması sırasında, görüntü gürültü giderme ve Gibbs çınlamasının giderilmesinde yeni gelişmeler önerildi, bu da Kısmi Fourier edinimleri 35 ile elde edilen dMRI için Gibbs artefaktlarının geliştirilmiş gürültü giderme ve düzeltmesini içeren ve DESIGNER Github^38'de bulunan revize edilmiş bir Tasarımcı boru hattı olan Designer Dv2 ^37'nin yayınlanmasıyla sonuçlandı. Benzer şekilde, BIDS³⁹ organizasyonel uyumluluk, herhangi bir MRI analiz hattının önemli bir yönüdür. BIDS formatı, tüm MRI veri türleri için özel bir set yapısı oluşturarak daha verimli veri paylaşımına ve boru hattı uygulamasına olanak tanır. PyDesigner şu anda BIDS uyumlu olmasa da, PyDesigner'ın yeni bir sürümü BIDS uyumlu çıktılar içerecektir. Ayrıca, PyDesigner başlangıçta Python sürüm 3.7 kullanılarak yazılmıştır. Bu yayının yapıldığı tarihte, Python 3.7 artık modası geçmiş olarak kabul edilmektedir. Ancak, bu el yazmasında yer alan bilgiler Python versiyonundan bağımsızdır. Diğer bir deyişle, burada açıklanan ve önemli ön işleme işlevleri olan prosedürler (örneğin, gürültü giderme, Gibbs zil düzeltmesi, vb.), kurulum prosedürlerindeki değişikliklerden bağımsız olarak aynı operasyonel ve kavramsal iş akışını izleyecektir. Daha da önemlisi, tüm Python tabanlı yazılımlarda olduğu gibi, gelecekteki PyDesigner sürümleri Python'un yeni bir sürümüne güncellenecektir. Bu tür gelişmeleri zaman içinde daha da doğrulamak ve entegre etmek için çalışıyoruz.

Python sürüm güncellemeleriyle ilgili yeni belgeler de dahil olmak üzere PyDesigner'ın en güncel sürümü için, okuyucuların yeni bir analize başlamadan önce web sitesine başvurmaları ve PyDesigner ile ilgili soruların gönderilebileceği tartışma forumuna katılmaları önerilir¹⁶. Taşınabilirlik için Docker uygulaması, çok çeşitli platformlarda işlemeyi sağlamak için PyDesigner ve bağımlılıklarını içeren NeuroDock³⁰ olarak adlandırılır.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hiç kimse.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Olivia Horn, Daniel Lench ve Graham Warner ile yaptığımız yararlı tartışmalar için minnettarız.

Bu yayında bildirilen araştırmalar, kısmen, Ulusal Sağlık Enstitüleri hibeleri R01AG054159, R01AG057602, R01AG055132, R01DC014021, R01NS110347, R21DA050085, F31NS108623, P20GM109040, P50DC000422, T32GM008716 ve T32DC014435. tarafından desteklenmiştir. İçerik yalnızca yazarların sorumluluğundadır ve Ulusal Sağlık Enstitüleri'nin resmi görüşlerini temsil etmek zorunda değildir. Litwin Vakfı tarafından ek finansman sağlandı.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Python sürüm 3.7 veya üzeri	Python Software Foundation	https://www.python.org/
FMRIB Yazılım Kitaplığı (FSL) sürümü 6.0.2 veya üzeri	Oxford Üniversitesi Bütünleştirici Nörogörüntüleme Merkezi	https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/
veya üzeri	çok sayıda katkıda bulunan	https://www.mrtrix.org/
Anaconda	Anaconda	https://anaconda.org/
Bilgisayar	Apple	Mac OS 10.14	Mac OS 10.14 üzerine kurulu; WSL aracılığıyla Mac OS 12.4, Mac OS 13, Windows 11 üzerinde test edildi

MRtrix3 sürüm 3.0_RC3 ,

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

MRI quantification of non-Gaussian water diffusion by kurtosis analysis. NMR Biomed. 23 (7), 698-710 (2010).">Jensen, J. H., Helpern, J. A. MRI quantification of non-Gaussian water diffusion by kurtosis analysis. NMR Biomed. 23 (7), 698-710 (2010).
Relationships between diffusion tensor and q-space MRI. Magn Reson Med. 47 (2), 392-397 (2002).">Basser, P. J. Relationships between diffusion tensor and q-space MRI. Magn Reson Med. 47 (2), 392-397 (2002).
White matter characterization with diffusional kurtosis imaging. Neuroimage. 58 (1), 177-188 (2011).">Fieremans, E., Jensen, J. H., Helpern, J. A. White matter characterization with diffusional kurtosis imaging. Neuroimage. 58 (1), 177-188 (2011).
Artifacts and pitfalls in diffusion MRI. J Magn Reson Imaging. 24 (3), 478-488 (2006).">Le Bihan, D., Poupon, C., Amadon, A., Lethimonnier, F. Artifacts and pitfalls in diffusion MRI. J Magn Reson Imaging. 24 (3), 478-488 (2006).
Evaluation of the accuracy and precision of the diffusion parameter EStImation with Gibbs and NoisE removal pipeline. Neuroimage. 183, 532-543 (2018).">Ades-Aron, B., et al. Evaluation of the accuracy and precision of the diffusion parameter EStImation with Gibbs and NoisE removal pipeline. Neuroimage. 183, 532-543 (2018).
Denoising of diffusion MRI using random matrix theory. Neuroimage. 142, 394-406 (2016).">Veraart, J., Novikov, D. S., Christiaens, D., Ades-aron, B., Sijbers, J., Fieremans, E. Denoising of diffusion MRI using random matrix theory. Neuroimage. 142, 394-406 (2016).
Gibbs-ringing artifact removal based on local subvoxel-shifts. Magn Reson Med. 76 (5), 1574-1581 (2016).">Kellner, E., Dhital, B., Kiselev, V. G., Reisert, M. Gibbs-ringing artifact removal based on local subvoxel-shifts. Magn Reson Med. 76 (5), 1574-1581 (2016).
Efficient correction of inhomogeneous static magnetic field-induced distortion in Echo Planar Imaging. Neuroimage. 50 (1), 175-183 (2010).">Holland, D., Kuperman, J. M., Dale, A. M. Efficient correction of inhomogeneous static magnetic field-induced distortion in Echo Planar Imaging. Neuroimage. 50 (1), 175-183 (2010).
An integrated approach to correction for off-resonance effects and subject movement in diffusion MR imaging. Neuroimage. 125, 1063-1078 (2016).">Andersson, J. L. R., Sotiropoulos, S. N. An integrated approach to correction for off-resonance effects and subject movement in diffusion MR imaging. Neuroimage. 125, 1063-1078 (2016).
Motion correction in MRI of the brain. Phys Med Biol. 61 (5), 32-56 (2016).">Godenschweger, F., et al. Motion correction in MRI of the brain. Phys Med Biol. 61 (5), 32-56 (2016).
Incorporating outlier detection and replacement into a non-parametric framework for movement and distortion correction of diffusion MR images. Neuroimage. 141, 556-572 (2016).">Andersson, J. L. R., Graham, M. S., Zsoldos, E., Sotiropoulos, S. N. Incorporating outlier detection and replacement into a non-parametric framework for movement and distortion correction of diffusion MR images. Neuroimage. 141, 556-572 (2016).
Array programming with NumPy. Nature. 585 (7825), 357-362 (2020).">Harris, C. R., et al. Array programming with NumPy. Nature. 585 (7825), 357-362 (2020).
SciPy 1.0: fundamental algorithms for scientific computing in Python. Nat Methods. 17 (3), 261-272 (2020).">Virtanen, P., et al. SciPy 1.0: fundamental algorithms for scientific computing in Python. Nat Methods. 17 (3), 261-272 (2020).
A rewriting system for convex optimization problems. J Control Decis. 5 (1), 42-60 (2018).">Agrawal, A., Verschueren, R., Diamond, S., Boyd, S. A rewriting system for convex optimization problems. J Control Decis. 5 (1), 42-60 (2018).
http://arxiv.org/abs/1603.00943 (2016).">Diamond, S., Boyd, S. CVXPY: A Python-embedded modeling language for convex optimization. , Available from: http://arxiv.org/abs/1603.00943 (2016).
https://github.com/muscbridge/PyDesigner (2023).">PyDesigner. , Available from: https://github.com/muscbridge/PyDesigner (2023).
https://learn.microsoft.com/en-us/windows/wsl/install (2023).">How to install Linux on Windows with WSL. , Available from: https://learn.microsoft.com/en-us/windows/wsl/install (2023).
https://fsl.fmrib.ox.ac.uk/fsl/fslwiki (2024).">FSL Wiki. , Available from: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki (2024).
https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation/Windows (2024).">Fsl Instillation. , Available from: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation/Windows (2024).
https://conda.io/projects/conda/en/stable/user-guide/install/download.html (2024).">Installing conda. , Available from: https://conda.io/projects/conda/en/stable/user-guide/install/download.html (2024).
https://gist.github.com/kauffmanes/5e74916617f9993bc3479f401dfec7da (2024).">Steps to install Anaconda on Windows Ubuntu terminal. , Available from: https://gist.github.com/kauffmanes/5e74916617f9993bc3479f401dfec7da (2024).
https://www.mrtrix.org (2024).">Install MRtrix3. , Available from: https://www.mrtrix.org (2024).
https://pydesigner.readthedocs.io/en/latest/ (2024).">PyDesigner Read the Docs. , Available from: https://pydesigner.readthedocs.io/en/latest/ (2024).
https://github.com/muscbridgelab/dicomSort (2024).">dicomSort. , Available from: https://github.com/muscbridgelab/dicomSort (2024).
https://github.com/rordenlab/dcm2niix (2024).">dcm2niix. , Available from: https://github.com/rordenlab/dcm2niix (2024).
https://openneuro.org/datasets/ds004945 (2024).">PyDesigner Example Dataset. , Available from: https://openneuro.org/datasets/ds004945 (2024).
Estimation of tensors and tensor-derived measures in diffusional kurtosis imaging. Magn Reson Med. 65 (3), 823-836 (2011).">Tabesh, A., Jensen, J. H., Ardekani, B. A., Helpern, J. A. Estimation of tensors and tensor-derived measures in diffusional kurtosis imaging. Magn Reson Med. 65 (3), 823-836 (2011).
Dipy, a library for the analysis of diffusion MRI data. Front Neuroinform. 8, 8(2014).">Garyfallidis, E., et al. Dipy, a library for the analysis of diffusion MRI data. Front Neuroinform. 8, 8(2014).
PyDesigner: A Pythonic implementation of the DESIGNER pipeline for diffusion tensor and diffusional Kurtosis imaging. bioRxiv. , (2021).">Dhiman, S., et al. PyDesigner: A Pythonic implementation of the DESIGNER pipeline for diffusion tensor and diffusional Kurtosis imaging. bioRxiv. , (2021).
https://hub.docker.com/r/dmri/neurodock (2024).">Neurodock. , Available from: https://hub.docker.com/r/dmri/neurodock (2024).
One diffusion acquisition and different white matter models: How does microstructure change in human early development based on WMTI and NODDI. Neuroimage. 107, 242-256 (2015).">Jelescu, I. O., et al. One diffusion acquisition and different white matter models: How does microstructure change in human early development based on WMTI and NODDI. Neuroimage. 107, 242-256 (2015).
Fiber ball imaging. Neuroimage. 124, 824-833 (2016).">Jensen, J. H., Russell Glenn, G., Helpern, J. A. Fiber ball imaging. Neuroimage. 124, 824-833 (2016).
High fidelity fiber orientation density functions from fiber ball imaging. NMR Biomed. 35 (1), e4613(2022).">Moss, H. G., Jensen, J. H. High fidelity fiber orientation density functions from fiber ball imaging. NMR Biomed. 35 (1), e4613(2022).
Optimization of data acquisition and analysis for fiber ball imaging. Neuroimage. 200, 690-703 (2019).">Moss, H. G., McKinnon, E. T., Glenn, G. R., Helpern, J. A., Jensen, J. H. Optimization of data acquisition and analysis for fiber ball imaging. Neuroimage. 200, 690-703 (2019).
Modeling white matter microstructure with fiber ball imaging. Neuroimage. 176, 11-21 (2018).">McKinnon, E. T., Helpern, J. A., Jensen, J. H. Modeling white matter microstructure with fiber ball imaging. Neuroimage. 176, 11-21 (2018).
https://dsi-studio.labsolver.org (2024).">DSIstudio. , Available from: https://dsi-studio.labsolver.org (2024).
Optimization and validation of the DESIGNER dMRI preprocessing pipeline in white matter aging. ArXiv. , arXiv:2305.14445v2 (2024).">Chen, J., et al. Optimization and validation of the DESIGNER dMRI preprocessing pipeline in white matter aging. ArXiv. , arXiv:2305.14445v2 (2024).
https://github.com/NYU-DiffusionMRI/DESIGNER (2024).">DESIGNER. , Available from: https://github.com/NYU-DiffusionMRI/DESIGNER (2024).
The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Sci Data. 3, 160044(2016).">Gorgolewski, K. J., et al. The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Sci Data. 3, 160044(2016).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

PyDesigner v1.0: Difüzyon Manyetik Rezonans Görüntüleme için DESIGNER Boru Hattının Python Tabanlı Bir Uygulaması

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles