OGRE预处理新方法显著降低任务fMRI个体间差异并增强运动皮层信号检测

《Neuroinformatics》：Reducing Inter-Individual Differences in Task fMRI Preprocessing with OGRE (One-Step General Registration and Extraction) Preprocessing

为解决任务fMRI预处理中多步插值导致的个体差异大、信号检测灵敏度低的问题，研究人员开发了OGRE（一步式通用配准与提取）预处理流程。研究发现，OGRE相比FSL和fMRIPrep显著降低个体间变异性（p=7.3×10-9），并在初级运动皮层（M1）获得更高的任务相关Z值（p=4.2×10-4），为提升fMRI分析精度提供了新工具。

　　

在任务功能性磁共振成像（fMRI）研究中，体积分析方法因其广泛适用性而持续受到青睐，其中FSL软件包中的FEAT工具已成为领域内最常用的分析工具之一。然而，FEAT预处理采用多步插值策略，即通过一系列连续的变换步骤（如运动校正、配准等）处理数据，每一步都会对图像进行插值操作。尽管在高场强（如7T）MRI中，这种多步插值已被证明可能引入不必要的空间模糊，但在主流3T场强下的影响尚未得到系统评估。尤其值得注意的是，多步插值可能加剧个体间差异，降低统计效力，并影响功能信号的检测灵敏度。另一方面，一步插值（One-step interpolation）技术通过单次变换同时处理头动、失真校正、个体内配准和空间标准化，有望减少插值累积误差，但现有工具（如fMRIPrep）与FSL FEAT的兼容性有限，阻碍了其广泛应用。

为解决这一问题，来自华盛顿大学医学院的研究团队开发了OGRE（One-step General Registration and Extraction）预处理流程，整合了FreeSurfer脑提取、FSL FNIRT配准、一步插值等技术，并优化输出以兼容FSL FEAT分析。该研究发表于《Neuroinformatics》，旨在系统比较OGRE与fMRIPrep、FSL预处理在3T任务fMRI数据中的表现。

研究团队利用53名成人志愿者在执行精密绘图任务期间的fMRI数据，对比了三种预处理方法（OGRE、fMRIPrep和FSL-preproc）在个体间变异性、任务相关信号幅度及脑提取精度等方面的差异。关键技术方法包括：基于FreeSurfer的脑提取、FSL FLIRT和FNIRT用于配准、一步插值变换、空间平滑（6 mm FWHM）和高通时间滤波（60 s截止）。所有预处理后的数据均通过相同的FSL FEAT广义线性模型（GLM）进行统计分析，以控制下游处理步骤的一致性。

OGRE预处理显著降低个体间变异性

通过计算300个脑区（Seitzman图谱）中任务（绘图>休息）对比的信号幅度标准差，评估个体间变异性。重复测量方差分析（RMANOVA）显示预处理方法对变异性有显著影响（F(2,598)=18.87, p=1.755×10^-7），效应规模中等（η2_partial=0.059）。事后检验表明，OGRE的变异性显著低于FSL-preproc（p=7.3×10^-9）和fMRIPrep（p=0.036），且三者间相关性较高（r=0.79–0.85）。这一结果通过Bartlett方差齐性检验得到验证（p=1.52×10^-6），表明一步插值（OGRE和fMRIPrep共用）是降低变异性的关键，而OGRE的额外优势可能源于其采用的FNIRT配准算法。

任务相关信号检测：OGRE在运动皮层表现最佳

全脑体素分析显示三种方法得到的功能激活模式总体相似，但对比分析发现显著差异簇。为量化方法敏感性，研究聚焦于左侧初级运动皮层（M1）ROI（坐标：X=-38, Y=-24, Z=54），该区域与右手绘图任务直接相关。RMANOVA显示方法对Z值有显著影响（F(2,72)=8.75, p=3.1×10^-4），效应规模较大（η2_partial=0.144）。OGRE的Z值显著高于FSL-preproc（p=4.2×10^-4），与fMRIPrep无显著差异（p=0.150）。扩展分析在16个左侧躯体运动网络ROI中发现7个存在方法间差异，其中5个位于M1，且OGRE在3/5的ROI中Z值最高。这表明OGRE在提升功能信号检测方面具有边际优势，尤其适用于运动任务分析。

脑提取精度：体积差异不影响分析结果

OGRE（基于FreeSurfer）产生的标准空间脑掩码体积最小，其次为fMRIPrep（基于ANTs），FSL-preproc（基于BET）最大（p=3.57×10^-54）。但广义线性混合模型（GLMM）分析表明，掩码体积或非脑体素数量对变异性或M1 Z值均无显著影响（p≥0.35），说明脑提取精度并非驱动分析结果差异的主要因素。

讨论与结论

本研究首次在3T任务fMRI中系统比较了一步插值与多步插值预处理的效果。结果表明，一步插值（共享于OGRE和fMRIPrep）能显著降低个体间变异性，这可能源于其减少插值累积误差的能力。而OGRE相较于fMRIPrep的额外优势可能归因于其采用的FNIRT配准算法，该算法更擅长处理局部形变，适用于中等分辨率（2 mm3）的体积分析。此外，OGRE在运动皮层信号检测中的优异表现提示其整合FreeSurfer、FNIRT和一步插值的策略具有协同增益效应。

值得注意的是，脑提取工具（FreeSurfer、ANTs、BET）的差异虽导致掩码体积不同，但并不影响最终分析结果，这表明非脑体素污染在任务fMRI中可能因缺乏功能信号而影响较小。研究还验证了被试组间差异（含周围神经损伤患者）不会系统性偏倚方法比较结论，进一步支持了结果的稳健性。

OGRE的推出为偏好体积分析的研究者提供了高效、兼容FSL的一站式预处理方案，其开源特性（https://github.com/PhilipLab/OGRE-pipeline）有望促进更广泛的应用与验证。未来工作可拓展至多变量分析、静息态fMRI及更大数据集，进一步探索OGRE在提升神经影像分析可重复性方面的潜力。