NeuroStage：面向常规神经影像研究MRI数据共享与处理的全流程透明一体化平台

《NeuroImage: Reports》：Democratizing data sharing and processing of routine MRI data acquired for neuroimaging research

　　

神经影像研究面临五个相互关联的障碍：技术复杂性、高昂成本、透明度缺乏、基础设施分散和计算资源有限。现有平台一次仅解决其中一项挑战。因此，研究人员不得不在便利性、透明性与灵活性之间进行取舍。研究人员引入NeuroStage，一个统一的、基于网络的平台，可同时应对全部五项障碍。通过无需编程技能的简洁界面消除技术复杂性。该平台支持自动数据上传、匿名化、使用脑影像数据结构（Brain Imaging Data Structure, BIDS）格式组织磁共振成像（Magnetic Resonance Imaging, MRI）数据以及标准预处理流程。通过低成本开放获取应对高昂成本。该平台可部署于云端或本地，从而也允许以相同用户体验处理受保护健康信息（Protected Health Information, PHI）。透明度缺乏通过交互式查看器解决，使研究人员能够在预处理开始前检查BIDS分类结果和质量控制（Quality Control, QC）报告。这可防止在低质量数据上浪费计算。基础设施分散问题通过提供单一平台解决，该平台处理从扫描仪到可用于统计检验的、经处理和验证的即用数据的整个工作流程。其还包括协作数据仓库，具备安全传输协议和基于元数据的数据共享。计算资源有限问题通过NeuroStage网站提供服务器基础设施加以解决。研究人员可直接在浏览器中运行所有处理，无需自有计算配置。这进一步得到基于检查点的故障恢复支持，该机制保存已完成阶段。若处理失败，可从失败点恢复而非从头开始。研究人员使用多模态影像数据集表明，NeuroStage能够检测BIDS错误分类、执行质量控制，并缩短预处理失败后的恢复时间。NeuroStage使用针对相应数据采集的公开可用工具箱，成功无误地处理了T₁加权、T₂加权、扩散加权、静息态功能和伪连续动脉自旋标记（pseudocontinuous Arterial Spin Labeling, pCASL）MRI。此外，NeuroStage提供完整质量控制报告和详细处理日志。展示平台大多数功能的演示网站见（https://neurostagedemo.onrender.com/，https://github.com/EN4D2-Computational-Lab/NeuroStage-EN4D2.git）。此目前为概念验证，面向公开发布的持续工作正在进行。NeuroStage旨在为所有研究人员，包括无法获得昂贵或先进技术者，提供可靠且可复现的神经影像分析。

神经影像研究长期面临五个相互关联的障碍：数据共享与处理的技术复杂性、高昂获取成本、透明度不足、基础设施分散以及计算资源有限。现有平台多分别解决其中某一环节，导致研究人员需在便利性、透明性与灵活性之间取舍；云端平台便于基础设施管理，但部分BIDS整理工具难以在云端运行，数据验证受限；自托管方案透明可控，但部署常需数周信息技术支持，流程中断后常需人工恢复；编程工作流平台灵活，却要求编程能力、复杂依赖维护和较长学习曲线；多中心标准化、协作中的法律隐私与费用问题亦突出。因此，研究人员开展NeuroStage研究，目标是在单一平台内整合从扫描仪DICOM摄取到经处理、验证、可用于统计检验的数据全流程，同时以透明验证、检查点故障恢复、低成本开放获取、协作数据仓库和无需编程的界面应对五项障碍。研究采用单例多模态数据集进行概念验证，结论是NeuroStage可检测BIDS错误分类、执行质量控制、缩短预处理失败后的恢复时间，并成功无误处理T₁加权、T₂加权、扩散加权、静息态功能及pCASL MRI，提供完整QC报告和处理日志；其意义在于将可靠、可复现的神经影像分析扩展至缺乏昂贵或先进技术的团队，目前仍为概念验证，公开释放工作正在进行。

关键技术与样本来源概述（不超过250字）：平台采用自动DICOM摄取与递归目录遍历、匿名化、dcm2bids转换及BIDS Validator校验；以MRIQC（Magnetic Resonance Imaging Quality Control）在预处理前完成QC；按模态调用容器化FreeSurfer、HCP（Human Connectome Project）管线、fMRIPrep、QSIPrep和ASLPrep（Arterial Spin Labeling Preparation Pipeline），并支持本地容器化执行（Local Containerized Execution, LCX）；以检查点保存实现故障恢复；协作仓库采用多因素认证（Multi-Factor Authentication, MFA）、TLS 1.3、AES-256、SHA-256及数据使用协议（Data Use Agreement, DUA）。样本来源为单个健康受试者、单中心多模态MRI数据，经UAB Institutional Review Board批准。

研究结果如下。3.1 基于示例数据集的NeuroStage分步工作流程：通过单例多模态数据端到端演示，表明平台可从DICOM上传贯通至预处理和共享。3.1.1 DICOM摄取与上传：通过上传含61,147个DICOM文件的ZIP并递归编目，表明平台支持直接扫描仪连接与拖拽上传。3.1.2 自动BIDS转换：dcm2bids调用dcm2niix生成NIfTI及JSON，规则分类T₁w、T₂w、BOLD、DWI和pCASL，BIDS Validator无警告或错误，表明转换合规。3.1.3 MRIQC质量控制：通过MRIQC报告获得解剖、功能和扩散指标，T₁w的SNR=12.3、CNR=3.8、CJV=0.31，T₂w的SNR=15.7；静息态BOLD平均帧位移（framewise displacement, FD）=0.31 mm、tSNR=45.2、DVARS=1.8%，SE-AP/SE-PA的mean FD=0.42/0.38 mm、tSNR=43.8/46.1；mean BOLD run的mean FD=0.47 mm，接近0.5 mm排除阈值，413帧被标记，占采集82.9%，提示预处理前排除；表明QC前置可识别运动等问题。3.1.3.1 扩散质量评估：DWI中3/241个梯度方向信号丢失，SNR=18.2，表明预处理需异常剔除。3.1.4 透明性与验证检查点：通过强制审阅六份QC报告并授权，示例排除mean BOLD run并对DWI启用outlier rejection，表明验证检查点可防止错误传播。3.1.5 协作数据共享基础设施演示：通过元数据目录仅显示聚合文件数，Dataset 1总计12个文件、Dataset 2总计9个文件，请求需MFA、DUA和审批并支持安全传输、SHA-256校验与审计，表明隐私保护共享可行。3.1.6 交互可视化与分类验证：通过浏览器查看T₁w/T₂w正交视图、T₁w/T₂w比值表面图及DWI/BOLD切片，表明可在预处理前确认覆盖、运动、dropout和采集失败。3.2 模态特异性预处理：通过容器化执行表明平台可按模态路由。3.2.1 FreeSurfer：T₁w完成皮层表面重建、厚度图和亚皮层分割，约8–12 h，检查点保存已完成阶段。3.2.2 HCP：T₁w/T₂w成功处理并生成CIFTI grayordinate输出，三阶段每阶段约4–6 h，检查点保留中间输出。3.2.3 fMRIPrep：对T₁w、T₂w和BOLD完成预处理，排除task-emotion BOLD run后约16 h生成8.7 GB BIDS合规衍生数据，含native/MNI空间图像、校正时间序列、confound regressors和HTML报告；表明QC前置可避免约16 h无效计算。3.2.4 QSIPrep：DWI完成运动校正、涡流校正和解剖配准，启用outlier rejection，约10–15 h，生成校正扩散数据和梯度表。3.2.5 ASLPrep：本数据集未执行，但平台可执行运动校正、T₁w配准和脑血流量（cerebral blood flow, CBF）图生成，约6–8 h。

讨论总结：研究人员认为NeuroStage以浏览器界面、开放获取与本地部署、交互验证、单平台整合、服务器基础设施和检查点恢复，在同一平台内应对五项障碍；透明检查使分类错误可纠正，QC前置避免15–20 h浪费，模拟失败恢复时间由逾16 h降至约4 h，但该失败为人工诱导，应理解为原理验证。与XNAT、Flywheel、COINS、Nipype、Brainlife.io等相比，NeuroStage强调分钟级部署、各阶段透明验证、检查点恢复及云端/本地一致体验。局限包括单受试者单中心、未验证规模与多中心异质性、人工审阅负担、依赖外部工具维护和版本固定、本地Docker部署仍需技术设置；未来方向包括机器学习质量标记、计算笔记本整合、共享标注与分布式处理、教育资源和联邦学习，并与公共基准数据集互补，PACS查询/检索集成亦为扩展方向。

研究结论翻译：NeuroStage在单一平台内应对神经影像研究的五个汇聚障碍——技术复杂性、高昂成本、透明度缺乏、基础设施分散和计算资源有限。概念验证显示若干具体收益：从模糊的单扫描仪元数据中早期检测误分类扫描，防止错误传播至处理；在预处理前识别接近阈值的高头动功能run（mean FD=0.47 mm，接近0.5 mm排除边界），节省15–20 h计算。通过提供无需编程知识的浏览器界面和消除本地硬件或信息技术支持需求的服务器基础设施，NeuroStage去除了历史上使小型研究团队和早期职业科学家难以开展先进神经影像分析的技术与资源障碍。平台协作数据共享仓库实现隐私保护的数据集发现和安全跨机构传输，本地部署则为处理PHI的机构确保相同功能。跨多样扫描仪类型和更大队列的多中心验证是迈向公开发布的最重要下一步。交互式演示可免费访问于https://neurostagedemo.onrender.com/，概述平台并执行命令行处理的GitHub链接见https://github.com/EN4D2-Computational-Lab/NeuroStage-EN4D2.git。随着脑影像数据集规模和复杂性持续增长，NeuroStage类平台的价值最终将以其是否显著增加既往缺乏资源或专业知识团队对神经影像研究的参与来衡量。