本研究介绍了加州大学旧金山分校开发的一种用于分析ADNI数据集中的ASL（动脉自旋标记）脑血流成像的数据处理技术，为阿尔茨海默病的研究提供新的视角。
UCSF ASL Perfusion Processing Methods (ADNI) 是一种针对阿尔茨海默病神经成像倡议（ADNI）数据集的ASL（动脉自旋标记）数据处理流程，旨在为新手提供指导性的ASL处理步骤。
1. **ASL简介**：
动脉自旋标记（Arterial Spin Labeling, ASL）是一种磁共振成像技术，通过标记血液中的氢原子来间接测量脑组织的血流。这种技术对于研究大脑功能和疾病具有重要作用。
2. **预处理步骤**：
- **运动校正**：修正由于患者在扫描期间微小移动导致图像失真的问题。
- **平滑处理**：应用高斯滤波减少噪声并提高信噪比。
- **灌注加权计算**（PWI）：通过平均标记和未标记的图像差值来获取灌注加权图。
- **强度标度调整**：确保不同扫描间的可比性，进行适当的强度校正。
- **部分体积校正**：解决像素内信号混合问题，提高组织类型识别准确性。
- **CBF量化**（脑血流量）：将ASL信号转换为物理单位的CBF映射。
3. **其他处理步骤**：
- **结构与ASL配准**：通过高分辨率结构MRI数据校正ASL图像的位置偏差，以便进行解剖关联分析。
- **非线性几何畸变校正**：消除EPI（回波平面成像）序列特有的几何扭曲问题。
- **FreeSurfer ROI统计**：利用FreeSurfer软件包开展基于特定大脑结构的区域分析。
- **CBF输出质量控制标准和步骤**：制定并执行一系列评估处理结果的标准，确保数据的质量。
4. **输出总结**：
输出包括PWI图像以及经过EPI畸变校正后的CBF映射图。这些图像既在原生灌注MRI空间中显示，也在对应结构MRI的个体化坐标系下呈现，便于进一步分析和研究。
5. **流程图**：提供详细的处理步骤逻辑顺序示意图以帮助理解整个过程。
6. **模拟T2加权MRI**: 可能会使用模拟数据来测试和完善处理方法。
7. **数据集信息**:
数据来源于ADNI项目，这是一个多中心的研究计划，收集了大量的认知正常、轻度认知障碍和阿尔茨海默病的数据。
8. **参考文献**：
列出了实现此流程所使用的公开源代码工具如SPM8、FSL工具等。
通过该处理方法, 研究人员能够更准确地评估不同个体间的CBF变化，从而更好地理解大脑的血流动力学特性。同时，提供的质量控制分析和限制讨论有助于确保数据结果的有效性和可靠性。
5星
