CN110741440A - Mri中的运动的实时监测和预测 - Google Patents
Mri中的运动的实时监测和预测 Download PDFInfo
- Publication number
- CN110741440A CN110741440A CN201880017041.8A CN201880017041A CN110741440A CN 110741440 A CN110741440 A CN 110741440A CN 201880017041 A CN201880017041 A CN 201880017041A CN 110741440 A CN110741440 A CN 110741440A
- Authority
- CN
- China
- Prior art keywords
- frame
- mri
- motion
- computer
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 319
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 184
- 238000000034 method Methods 0.000 claims abstract description 149
- 238000004891 communication Methods 0.000 claims abstract description 30
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 65
- 238000006073 displacement reaction Methods 0.000 claims description 62
- 230000000007 visual effect Effects 0.000 claims description 33
- 230000001953 sensory effect Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 238000000844 transformation Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 206010047571 Visual impairment Diseases 0.000 claims 2
- 208000029257 vision disease Diseases 0.000 claims 2
- 230000004393 visual impairment Effects 0.000 claims 2
- 210000003128 head Anatomy 0.000 description 87
- 230000003044 adaptive effect Effects 0.000 description 41
- 230000000284 resting effect Effects 0.000 description 30
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 28
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 28
- 238000005259 measurement Methods 0.000 description 27
- 238000013442 quality metrics Methods 0.000 description 26
- 210000004556 brain Anatomy 0.000 description 24
- 230000000694 effects Effects 0.000 description 24
- 208000029560 autism spectrum disease Diseases 0.000 description 22
- 238000003384 imaging method Methods 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 17
- 230000000670 limiting effect Effects 0.000 description 16
- 238000001228 spectrum Methods 0.000 description 15
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 14
- 230000004886 head movement Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 230000036387 respiratory rate Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 230000000241 respiratory effect Effects 0.000 description 7
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 6
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000638 stimulation Effects 0.000 description 6
- 208000003443 Unconsciousness Diseases 0.000 description 5
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000001054 cortical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000004209 hair Anatomy 0.000 description 5
- 208000020016 psychiatric disease Diseases 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 208000007848 Alcoholism Diseases 0.000 description 4
- 208000036626 Mental retardation Diseases 0.000 description 4
- 238000000540 analysis of variance Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000007717 exclusion Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 206010019196 Head injury Diseases 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 3
- 208000025966 Neurological disease Diseases 0.000 description 3
- 201000007930 alcohol dependence Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 206010008129 cerebral palsy Diseases 0.000 description 3
- 230000001684 chronic effect Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 208000035231 inattentive type attention deficit hyperactivity disease Diseases 0.000 description 3
- 210000000337 motor cortex Anatomy 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 230000000392 somatic effect Effects 0.000 description 3
- 208000016686 tic disease Diseases 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000014616 translation Effects 0.000 description 3
- RNAMYOYQYRYFQY-UHFFFAOYSA-N 2-(4,4-difluoropiperidin-1-yl)-6-methoxy-n-(1-propan-2-ylpiperidin-4-yl)-7-(3-pyrrolidin-1-ylpropoxy)quinazolin-4-amine Chemical compound N1=C(N2CCC(F)(F)CC2)N=C2C=C(OCCCN3CCCC3)C(OC)=CC2=C1NC1CCN(C(C)C)CC1 RNAMYOYQYRYFQY-UHFFFAOYSA-N 0.000 description 2
- 208000020925 Bipolar disease Diseases 0.000 description 2
- 206010009244 Claustrophobia Diseases 0.000 description 2
- 201000006347 Intellectual Disability Diseases 0.000 description 2
- 208000020358 Learning disease Diseases 0.000 description 2
- 206010026749 Mania Diseases 0.000 description 2
- 208000028017 Psychotic disease Diseases 0.000 description 2
- 235000011449 Rosa Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 201000003723 learning disability Diseases 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000019899 phobic disease Diseases 0.000 description 2
- 230000009290 primary effect Effects 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 201000000980 schizophrenia Diseases 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000011117 substance-related disease Diseases 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 241001137903 Centropomus pectinatus Species 0.000 description 1
- 208000017033 Cerebral visual impairment Diseases 0.000 description 1
- 208000027691 Conduct disease Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 208000005107 Premature Birth Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 208000013140 Sensorimotor disease Diseases 0.000 description 1
- 208000030886 Traumatic Brain injury Diseases 0.000 description 1
- 101001003185 Triticum aestivum Endogenous alpha-amylase/subtilisin inhibitor Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 208000022379 autosomal dominant Opitz G/BBB syndrome Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000003778 catagen phase Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003933 intellectual function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000024714 major depressive disease Diseases 0.000 description 1
- 240000004308 marijuana Species 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000008155 medical solution Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000010831 paired-sample T-test Methods 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000008177 pharmaceutical agent Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000003368 psychostimulant agent Substances 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- CJUDSKIRZCSXJA-UHFFFAOYSA-M sodium;3-(n-ethyl-3-methoxyanilino)-2-hydroxypropane-1-sulfonate Chemical compound [Na+].[O-]S(=O)(=O)CC(O)CN(CC)C1=CC=CC(OC)=C1 CJUDSKIRZCSXJA-UHFFFAOYSA-M 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009529 traumatic brain injury Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000008403 visual deficit Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/0023—Electronic aspects, e.g. circuits for stimulation, evaluation, control; Treating the measured signals; calibration
- G01R33/0041—Electronic aspects, e.g. circuits for stimulation, evaluation, control; Treating the measured signals; calibration using feed-back or modulation techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
- G01R33/4831—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using B1 gradients, e.g. rotating frame techniques, use of surface coils
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
描述了用于通过对齐MRI数据来减少经历磁共振成像(MRI)扫描的患者的运动的方法、计算机可读存储设备和系统，该方法实施在包括与至少一个存储器设备通信的至少一个处理器的逐帧集成实时MRI监测(“FIRMM”)计算设备上。该方法的各方面包括：从MRI系统接收数据帧；将接收到的数据帧与先前数据帧对齐；计算接收到的数据帧与先前数据帧之间的身体部分的运动；计算总帧位移；以及排除具有大于总帧位移的预识别阈值的截止的数据帧。
Description
相关申请的交叉引用
本申请要求于2017年3月8日提交的题为MRI中的运动的实时监测和预测的美国临时申请序列号62/468,858的优先权，其以整体内容通过引用并入本文。
政府支持的确认
本发明是在由国家卫生研究院颁发的授权K23 NS088590、R01 MH096773、R01MH115357、U24 DA041123、U01 DA041148和U54 HD087011下的政府支持下而做出的。政府在本发明中具有某些权利。
技术领域
本公开的领域涉及磁共振成像(MRI)，并且更特别地，涉及用于在MRI期间实时监测、预测和提供关于患者运动的反馈的方法。
背景技术
身体运动(诸如头部运动)表示采集人类中的质量(quality)大脑磁共振成像(MRI)数据的最大障碍。头部运动使结构(T1加权、T2加权等)和功能MRI数据(任务驱动[fMRI]和静息状态功能连接性[rs-fcMRI])失真。在一些情况下，甚至亚毫米头部运动(例如，微运动)可以系统地改变结构和功能MRI数据。因此，已经向开发用于从MRI数据移除头部运动失真的后采集方法投入许多努力。
从一个MRI数据帧到下一个的头部运动而不是远离参考帧的绝对运动被认为引起最显著的MRI信号失真。运动相关失真与逐帧位移(FD)(其表示逐帧在所有六个刚体方向上的绝对头部运动的和)以及DVARS(MRI图像的每个三维像素的微分(differentiated)时间进程的导数(derivatives)的RMS)的度量(measures)强相关。因此，采集MRI数据采集期间的受检者(subject)的运动的全局效果的度量(诸如FD和DVARS)已经用于评估各种事后方法中的数据质量。例如，移除具有高于某个阈值的FD值的所有MRI数据帧(例如，排除具有>0.2mm的FD值的数据帧)的事后帧去除(censoring)已经变为用于改进功能MRI数据质量的常用方法。
虽然对于减少伪影必需，但是帧去除以过高的价格(price)发生。例如，帧去除可以不包括从群组采集的rs-fcMRI数据的50％或更多，这取决于其特定参数和底层数据的质量。由于MRI度量的准确度随着帧数增加而改进，因而可以要求最小数目的数据帧以获得可靠数据。如果在去除之后剩余的帧数太小，则调查者可能丢失来自参与者的所有数据。为了避免该丢失，调查者通常采集附加的“缓冲”数据，其是本身不保证对于给定参与者的足够的高质量MRI数据的昂贵实践。当维持足以实现期望的数据质量的样本尺寸时移除运动失真数据要求的“过扫描”已经大大增加大脑MRI的成本和持续时间。
具有前瞻运动校正的最近开发的结构MRI序列使用类似方法来减少头部运动的有害效应。这些MRI序列将每个结构数据采集与全部大脑的快速的、低分辨率的快照配对(回波平面图像＝EPI)，其然后用作用于头部运动的标记或导航仪。这些运动校正结构序列计算连续导航仪图像之间的相对运动并且使用该信息标记用于排除和重新采集的链接结构数据帧。以这种方式，结构数据帧被“去除”，从而增加结构MRI的持续时间和成本。
对于结构和功能MRI二者，对当扫描时关于扫描器内头部运动的实时信息的访问可以通过消除对于过扫描的需要而极大地减少MRI的成本。从实时运动监测获得的头部运动的评估将允许扫描器操作者继续每次扫描，直到已经采集期望数目的低运动数据帧而不需要过度缓冲器扫描。
实时运动监测的现有方法使用昂贵照相机和激光器测量用于FD的代理。遗憾的是，头部运动的这样的代理不良地与FD相关，因为这些代理通常不能将面部和头皮的运动与大脑运动区分。因此，需要计算出MRI中的运动失真的附加方法和系统。
发明内容
在一个方面中，提供了一种用于通过对齐(align)MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机实施的方法。将该方法实施在包括与至少一个存储器设备通信的至少一个处理器的计算设备上，并且所述计算设备与MRI系统通信。该方法包括：通过所述计算设备，从所述MRI系统接收数据帧；通过所述计算设备，将接收到的数据帧与参考图像对齐；通过所述计算设备，使用六个帧对齐(alignment)参数来计算接收到的数据帧与参考图像之间的身体部分的运动，其中，六个帧对齐参数是x、y、z、θ_x、θ_y和θ_z；通过所述计算设备，使用六个帧对齐参数计算总帧位移；以及通过所述计算设备将对于每个帧的总帧位移实时显示给MRI系统的操作者。
在另一方面中，提供了一种用于通过对齐MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机系统。该计算机系统与MRI系统相关联。该计算机系统包括与至少一个存储器设备通信的至少一个处理器。该至少一个处理器被编程为：从MRI系统接收数据帧；将接收到的数据帧与参考图像对齐；使用六个帧对齐参数来计算接收到的帧与参考图像之间的身体部分的运动；使用六个帧对齐参数来计算总帧位移；以及将对于每个帧的总帧位移实时显示给MRI系统的操作者。该六个帧对齐参数是x、y、z、θx、θy和θz。
在附加方面中，提供了与磁共振成像(MRI)系统通信并且具有用于通过对齐MRI数据来监测经历MRI扫描的患者的运动的计算机可执行指令的至少一个非暂态计算机可读存储介质。当由至少一个处理器执行时，计算机可执行指令使得至少一个处理器：从MRI系统接收数据帧；将接收到的数据帧与参考图像对齐；使用六个帧对齐参数来计算接收到的帧与参考图像之间的身体部分的运动；使用六个帧对齐参数计算总帧位移；以及将对于每个帧的总帧位移实时显示给MRI系统的操作者。该六个帧对齐参数是x、y、z、θx、θy和θz。
在另一附加方面中，提供了一种用于通过对齐MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机实施的方法。将该方法实施在包括与至少一个存储器设备通信的至少一个处理器的计算设备上。该计算设备与MRI系统通信。该方法包括：通过计算设备，从MRI系统接收数据帧；通过计算设备将接收到的数据帧与参考图像对齐；通过计算设备来监测接收到的数据帧与参考图像之间的身体部分的运动；以及基于计算的运动将感觉反馈(sensory feedback)显示给患者。
在另一方面中，提供了一种用于通过对齐MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机实施的方法。将该方法实施在包括与至少一个存储器设备通信的至少一个处理器的计算设备上。该计算设备与MRI系统通信。该方法包括：通过计算设备，从MRI系统接收数据帧；通过计算设备，将接收到的数据帧与参考图像对齐；通过计算设备，计算接收到的数据帧与先前数据帧之间的身体部分的运动；以及使用陷波滤波器来过滤计算的运动以移除由患者的呼吸引起的呼吸伪影。
附图说明
将结合附图通过以下详细描述容易理解各方面。在附图的图中将以示例的方式而非以限制的方式图示各方面。
图1示出了根据本公开的一个方面的FIRMM(逐帧集成实时MRI监测)图形用户接口(GUI)。
图2A是概述根据患者的年龄的平均FD值的图形；每个点根据每个患者的诊断而描绘(shape)(对照组、酗酒家族史[FHA]、注意缺陷障碍[ADHD]和自闭症谱系障碍(ASD))。
图2B是概述根据患者的年龄的平均FD值的图形；每个点根据每个患者的性别而描绘。
图3A示出了对于每个参与者获得的低运动MRI数据(FD<0.2)的分钟的概述，其由跨对于每个参与者(x轴)的两种方法的低运动的平均数而排序。
图3B示出了由FIRMM生成的低运动数据(分钟)的估计(x轴)与使用标准离线事后方法标识的低运动数据(y轴)之间的相关性(黑色线性拟合)。
图4A示出了对于来自图2A中图示的群组中的每一个的个体的样本的低运动数据(分钟FD<0.2；y轴)的相对于累积扫描时间(分钟；x轴)的累积。
图4B示出了对于图2A中所图示的群组中的每一个以及对于所有群组的总样本到达具有FD<0.2mm的数据的至少5分钟的选择的数据标准(criterion)的参与者的百分比。
图5A示出了根据参与者在扫描器中已经花费的时间对于图2A中所图示的每个群组和作为整体(块)的样本的平均FD。
图5B示出了对于图2A中所图示的群组中的每一个在扫描中的每个时间点处FD<0.2的数据帧的百分比。
图5C示出了扫描的时间(x轴)与对于每个群组累积的低运动数据(FD<0.2)的平均量之间的关系。
图5D示出了与在实验期间在不同点处做出的比较FIRMM预测对于单个单独MRI参与者(黑线)的FD迹线(阴影迹线)。
图5E示出了跨对于与在图5F中相同受检者的扫描的长度(x轴)的FIRMM的预测误差(以百分比；y轴)。
图5F示出了对于整个组的关于时间(x轴)的FIRMM的平均预测误差(％)(黑线)。
图6A示出了朝向扫描会话(session)的末尾入睡的孩子的FIRMM迹线。
图6B示出了对于扫描#4的具有大得多的头部运动的孩子的FIRMM迹线。
图7A示出了对于通过诊断(对照组、酗酒家族史[FHA]、注意缺陷障碍[ADHD]和自闭症谱系障碍[ASD])排序的参与者的在标准FD<0.2以下的数据帧的百分比。
图7B示出了通过性别对于参与者的在标准FD<0.2以下的数据帧的百分比。
图7C示出了对于通过图7A的群组排序的参与者的在标准FD<0.3以下的数据帧的百分比。
图7D示出了对于通过性别排序的参与者的在标准FD<0.3以下的数据帧的百分比。
图7E示出了对于通过图7A的群组排序的参与者的在标准FD<0.4以下的数据帧的百分比。
图7F示出了对于通过性别排序的参与者在标准FD<0.4以下的数据帧的百分比。
图8是根据本公开的图示用于将来自MRI扫描的磁共振成像(MRI)数据与MRI扫描中的选择帧对齐的操作的流程图。
图9是根据本公开的一个方面的示意性地示出用于当获得MRI图像时实时监测患者运动的系统的框图。
图10是根据本公开的一个方面的示意性地示出计算系统的示例的框图。
图11示出了根据本公开的一个方面的FIRMM(逐帧集成实时MRI监测)图形用户接口(GUI)的屏幕截图图像。
图12A示出了用于经历用于静息条件的MRI扫描的受检者的实时视觉反馈显示器的样本屏幕截图，包括用于三种水平的患者运动的反馈：低/无运动、中等运动和高运动。
图12B示出了用于经历用于电影条件的MRI扫描的受检者的实时视觉反馈显示器的样本屏幕截图，包括用于三种水平的患者运动的反馈：低/无运动、中等运动和高运动。
图13A示出了用于无反馈、固定反馈和自适应反馈的静息和电影(movie)条件的平均FD值。
图13B示出了用于无反馈、固定反馈和自适应反馈的静息和电影条件的体积去除(volume censoring)(FD<0.3mm)保持的帧的百分比。
图14A示出了用于具有每个条件中的可用功能连接性(FC)数据的17个受检者的左角脑回(Talairach坐标-46，-63，31)的种子(seed)图。
图14B示出了用于具有每个条件中的可用功能连接性(FC)数据的17个受检者的右角脑回(Talairach坐标39，-19，56)的种子图。
图15A示出了显示对于没有反馈的静息和电影条件由网络组织的264个先前定义感兴趣区域(ROI)之间的FC的相关矩阵。
图15B示出了显示对于具有固定反馈的静息和电影条件由网络组织的264个先前定义ROI之间的FC的相关矩阵。
图15C示出了显示对于具有自适应反馈的静息和电影条件由网络组织的264个先前定义ROI之间的FC的相关矩阵。
图16A示出了没有反馈的静息条件与没有反
馈的电影条件之间的FC数据中的差异。
图16B示出了没有反馈的静息条件与具有固定反馈的静息条件之间的FC数据中的差异。
图16C示出了没有反馈的静息条件与具有自适应反馈的静息条件之间的FC数据中的差异。
图16D示出了具有固定反馈的静息条件与具有自适应反馈的静息条件之间的FC数据中的差异。
图17示出了没有反馈的静息条件与没有反馈的电影条件之间的显著的网络层差异。
图18A示出了使用多频带成像的低移动受检者的BOLD可视化数据(BVD)图。
图18B示出了使用单频带成像的低移动受检者的BOLD可视化数据(BVD)图。
图19A图示了使用本文所描述的质量度量进行定量评估中的第一步。
图19B图示了使用本文所描述的质量度量进行定量评估中的第二步。
图19C图示了使用本文所描述的质量度量进行定量评估中的第二和第三步。
图19D图示了使用本文所描述的质量度量进行定量评估中的第五和最后一步。
图20A示出了跨所有受检者的数据质量度量顺序结果的绘制排名。
图20B示出了根据本公开的跨所有受检者的数据质量度量顺序结果的绘制排名。
图20C示出了利用热图表示的跨所有受检者的数据质量度量顺序结果的绘制排名。
图21A示出了用于多频带数据的单个代表性受检者的刚体配准(registration)参数的六个方向的运动估计。
图21B示出了跨从最低移动者排名到最高移动者的所有受检者的功率谱，其中，最高移动者在用于多频带数据的图的底部。
图22A示出了用于单频带(例如，单发)采集数据的单个代表性受检者中的刚体配准参数的六个方向的运动估计。
图22B示出了跨从最低移动者排名到最高移动者的所有受检者的功率谱，其中，最高移动者在用于单频带数据的图的底部。
图22C示出了图示不同TR处的呼吸率(例如，采样率)的混叠的数据。
图22D示出了用于TR＝0.72s处的呼吸率的数据。
图22E示出了用于TR＝0.80s处的呼吸率的数据。
图22F示出了用于TR＝2.00s处的呼吸率的数据。
图22G示出了用于TR＝2.50s处的呼吸率的数据。
图23A示出了用于TR＝0.8ms处的呼吸率0.33Hz的运动谱。
图23B示出了用于TR＝1.5s处的呼吸率0.33Hz的运动谱。
图23C示出了用于TR＝2.0s处的呼吸率0.33Hz的运动谱。
图23D示出了用于TR＝2.5s处的呼吸率0.33Hz的运动谱。
图23E是图示与图23A、23B、23C和23D中所示的数据有关的不同TR处的呼吸率的混叠的图形。
图24A定性地示出了在BVD图上未实现滤波器的结果。
图24B定性地示出了在BVD图上实现通用滤波器的结果。
图24C定性地示出了在用于中等移动ABCD孩子的BVD图上未实现滤波器的结果。
图24D定性地示出了在图24C的用于中等移动ABCD孩子的BVD图上实现通用滤波器的结果。
图25A提供了在实现通用滤波器之后在图21A中所提供的数据的复制。
图25B提供了在实现通用滤波器之后在图21B中所提供的数据的复制。
图26A提供了在实现受检者特定(subject-spcific)滤波器之后在图21A中所提供的数据的复制。
图26B提供了在实现受检者特定滤波器之后在图21B中所提供的数据的复制。
图27A示出了没有用于特定受检者的滤波器应用的运动估计的定量测量。
图27B示出了在实现用于特定受检者的通用滤波器之后的运动估计的定量测量。
图27C示出了在实现用于特定受检者的运行特定滤波器之后的运动估计的定量测量。
图27D示出了没有用于所有受检者的滤波器应用的运动估计的定量测量。
图27E示出了在实现用于所有受检者的通用滤波器之后的运动估计的定量测量。
图27F示出了在实现用于所有受检者的运行特定滤波器之后的运动估计的定量测量。
图27G示出了每个点相对于用于没有滤波器应用的运动估计的零分布的排名。
图27H示出了每个点相对于用于在实现通用滤波器之后的运动估计的零分布的排名。
图27I示出了每个点相对于用于在实现运行特定滤波器之后的运动估计的零分布的排名。
图27J是概述(summarize)图27G中所示的数据的热图。
图27K是概述图27H中所示的数据的热图。
图27L是概述图27I中所示的数据的热图。
图28示出了比较过滤和未过滤FD值的CDF的图，其示出了图示无滤波器应用与通用滤波器应用之间以及无滤波器应用与运行特定滤波器应用之间的显著差异。
图29A提供了根据本公开的一个方面的未过滤FIRMM GUI的屏幕截图图像。
图29B提供了根据本公开的一个方面的过滤FIRMM GUI的屏幕截图图像。
图29C是示出与低运动离线数据的百分比相比较未过滤低运动FIRMM数据的百分比的图形。
图29D是示出与低运动离线数据的百分比相比较过滤的低运动FIRMM数据的百分比的图形。
图30A提供了所有受检者窗口提供用于不准确和准确的运动数目的理论绘图。
图30B提供了对于不准确和准确的运动数目的的的理论绘图，其中每个窗口针对零(Null)排名。
图30C提供了对于不准确和准确的运动数目的的理论绘图，其中每个窗口针对Null排名面元化。
图31是根据本公开的一个方面的示出了基于数据质量度量的感觉反馈显示的生成的流程图。
图32是根据本公开的一个方面的在计算逐帧位移之前使用N阶滤波器从运动估计移除呼吸相关伪影的流程图。
图33是根据本公开的一个方面的在计算逐帧位移之前使用自适应滤波器从运动估计移除呼吸相关伪影的流程图。
图34是根据本公开的一个方面的从运动估计移除呼吸相关伪影的自适应滤波器的开发的示意图。
具体实施方式
在各方面中，公开了用于患者的身体部分的运动(包括但不限于MRI扫描期间的头部运动)的实时监测和预测的逐帧集成实时MRI监测(FIRMM)系统、设备和方法。更特别地，描述了用于将磁共振成像(MRI)数据(诸如从MRI扫描采集的帧)与参考图像对齐以便监测MRI扫描期间的患者的身体部分的运动的方法、计算机可读存储介质和系统。在各方面中，参考图像提供可以获得和比较所有帧的位移或者运动的共同基础。
在各方面中，逐帧集成实时MRI监测(FIRMM)计算机实施的方法同时改进MRI数据质量并且降低与MRI数据采集相关联的成本。在一个方面中，FIRMM方法以在MRI数据采集期间实时计算和显示数据质量度量和/或汇总(summary)运动统计数字的软件套件的形式实现。以非限制性示例的方式，在图1中示出了在大脑MRI数据采集期间生成的GUI的屏幕截图。通常在本文中在功能MRI数据采集的上下文中描述了FIRMM方法和系统，但是在各种其他方面中，本文所公开的FIRMM方法和系统适于其他结构或解剖MRI序列(包括但不限于利用运动导航仪的结构或解剖MRI序列)期间的头部和身体运动的实时监测。
所公开的FIRMM系统和方法克服先前系统的至少数个缺点中的一个或多个。为了通过先前系统解决与“过扫描”相关联的缺点以补偿运动失真数据，本文所公开的FIRMM系统和方法向扫描器操作者和经历扫描的受检者二者提供实时反馈。更特别地，所公开的FIRMM系统和方法基于实时计算的数据质量度量和汇总运动统计数字在扫描期间向受检者提供感觉反馈，从而使得受检者能够因此响应于提供的反馈来监测和调节其运动(例如，保持静息)。进一步地，所公开的FIRMM系统和方法提供刺激条件(诸如观看固定十字线或电影片段)以同时接合受检者，同时还向受检者提供实时反馈。
作为非限制性示例，所公开的FIRMM系统和方法进一步通过使得扫描器操作者能够继续每次扫描直到期望数目的低运动数据帧已经通过以下各项采集解决上文所描述的缺点：(i)预测将在扫描的末尾处可用的可用数据帧的数目；(ii)预测给定受检者将可能必须扫描的时间量直到已经获得预设时间标准(低运动FD数据的分钟)；以及(iii)使能用于包括在实际和预测低运动数据量中的特定单独扫描的选择和取消选择。
先前地，用于大脑MRI的运动估计通常离线分析，或者在针对给定受检者完成数据采集之后，或者更通常地，在针对全部群组的数据采集已经完成之后以大批次。推迟头部运动分析是昂贵并且危险的，特别地当扫描先前未学习的患者人群时并且在对数据采集协议或者人员做出改变之后。
更特别地，关于头部运动的实时信息可以用于以多种不同方式减少头部运动，包括但不限于：1)通过影响MRI扫描器操作者的行为和2)通过影响MRI扫描受检者行为。可以警告扫描器操作者关于头部运动的任何突然或者异常改变，且扫描器操作者能够中断这样的扫描以调查受检者是否已经开始移动更多，因为其已经变得不舒适并且厕所静息时间、毛毯、重定位或其他介入是否可以使其感觉更舒适。在一些方面中，FIRMM方法还包括用于扫描后和/或实时将关于头部运动的信息反馈给受检者的选项。所公开的FIRMM方法允许扫描器操作者找到以最低成本提供要求的低运动数据量的甜蜜点(sweet spot)。扫描可以停止，受检者可以进一步在方式上指令或者提醒以试图保持静息，并且可以重新获得扫描。
本文所公开的FIRMM方法和系统使用从如下文所描述的不同患者和对照组群组获得的数个大型rs-fcMRI数据集针对准确度和成本节省来验证。另外，本文所公开的FIRMM方法和系统使用29个参与者的附加群组针对现实世界实用性和耐久性进一步测试。
在一个方面中，FIRMM方法包括从磁共振成像系统接收帧(诸如图像帧)并且将帧与参考图像对齐。在各方面中，参考图像可以是选自从MRI扫描采集的帧的单个帧，包括但不限于第一帧、导航仪帧、或选自在MRI扫描期间采集的多个帧的任何其他适合的帧。在其他方面中，参考图像可以是从解剖图谱检索的图像。在各种其他方面中，参考图像可以是从解剖图谱检索的图像。在各种附加方面中，参考图像可以是MRI扫描期间采集的两个或两个以上帧的复合或组合，包括但不限于两个或两个以上帧的均值。在一个方面中，每个当前帧可以与先前紧接采集的先前帧对齐，其已经迭代地与针对给定MRI扫描采集的参考图像对齐。
在FIRMM方法的某些方面中，将帧与参考图像对齐包括一系列刚体变换Ti，其中，i索引了帧i与参考图像的空间配准，其中，每个变换通过最小化或以其他方式到达相对于配准误差的停止条件来计算，如等式(1)表达的：
其中，
是轨迹
处的帧强度并且s是补偿在帧的至少部分上空间平均的平均信号强度的波动的比例因子，诸如对应于受检者的身体部分的MRI图像的帧的部分，包括但不限于头部。
在各方面中，每个变换由如由等式(2)所描述的旋转和位移的组合表示：
其中，Ri表示旋转(包括三个轴中的每一个处的三个基本旋转)的3？×3矩阵(参见以下示例1)，并且
表示位移的3×1列向量。
在一个方面中，图像帧使用4dfp cross_realign3d_4dfp算法重新对齐(参见Smyser,C.D.等人，大脑皮层(Cerebral cortex 20),2852-2862,(2010)，其特别地以整体内容通过引用并入本文)。在一些方面中，cross_realign3d_4dfp算法可以被优化用于运算速度，包括禁止帧到帧图像强度标准化和仅对齐参数的输出而不是所有重新对齐数据。
在各方面中，FIRMM方法还包括计算帧与紧接先前帧之间的身体部分(诸如受检者的头部)的运动。在各方面中，身体部分(诸如受检者的头部)的运动根据多个帧对齐参数计算，包括但不限于x、y、z、θx、θy和θz，其中，x、y、z是三个坐标轴中的平移并且θx、θy和θz是关于那些轴的旋转。在各方面中，FIRMM方法还包括使用多个帧对齐参数计算总帧位移。例如，利用人类头部的MRI扫描，计算跨帧的头部重新对齐参数，从第二帧开始生成头部运动的多维(例如，六)时间序列。例如，根据方程，头部运动可以被转换为标量：
位移i＝|Δdix|+|Δdiv|+|Δdiz|+|Δαi|+|Δβi|+|Δγi|， 等式(1)
其中Δdix＝d(i-1)x-dix，Δdiy＝d(i-1)y-diy，Δdiz＝d(i-1)z-diz，等。
在各方面中，在监测患者的头部的非限制性示例中，旋转位移可以通过计算球体(例如，半径50mm的球体)的表面上的位移从度转换为毫米，其近似是针对健康年轻成人从大脑皮层到头部中心的平均距离。通过将每个数据帧与参考图像重新对齐，可以通过从位移i(对应于当前帧)减去位移i-1(对应于先前帧)来计算FD。
在各方面中，FIRMM方法还包括在MRI扫描的末尾处是否将存在至少n数目的可用帧。由于每个数据帧与参考图像重新对齐，帧位移(FD)可以通过从位移i(对应于当前帧)减去位移i-1(对应于先前帧)来计算。在各方面中，预测可用帧的数目包括应用线性模型(y＝mx+b)，其中，y是在扫描的末尾处的好帧的预测数目，x是连续帧计数，并且m和b对于每个受检者实时估计。在一个方面中，使用先前帧中的受检者的位置作为参考，如果该帧的相对受检者位移小于给定阈值(例如，以mm为单位)，则每个帧可以被标记为可用的。可用数据帧的截止阈值的一个非限制性示例是0.2，然而，在一个方面中，扫描操作者可以编辑与FIRMM软件套件相关联的设置文件以根据期望选择不同阈值。在各方面中，可用帧可以相对于总FD的预分配的截止值来确定，包括但不限于小于大约5mm、小于大约4mm、小于大约3mm、或小于大约2mm总位移。在各种其他方面中，也可以利用备选对齐算法。在各方面中，可以使用用于计算FD的一个或多个EPI图像配准方法，包括但不限于大脑软件库(FSL)的功能MRI、功能神经图像的分析(AFNI)和统计参数映射(SPM)。
在一些方面中，运动监测信息可以被提供给操作者和/或经历MRI扫描的受检者。在一个方面中，用于扫描的参数的视觉显示可以显示给用户。在各种其他方面中，在每次扫描的末尾，对于该扫描的计数的概要可以被显示在列表中，该列表将分别针对每次扫描的和/或针对在有效扫描会话中迄今获得的所有数据之和的汇总头部运动数据列成表。在某些方面中，关于给定受检者将可能必须扫描还要多久提供预测，直到已经获得预设时间标准(低运动FD数据的分钟)。例如，可以提供朝向预设标准时间量扫描“高质量”帧经过的实际时间量(例如，以min和s或百分比为单位)的图形。在非限制性的情况下，这样的信息可以以视觉显示、听觉信号、或提供信息的其他已知方式的形式提供。
在各方面中，可以实时将FD提供给操作者，使得每次获得新帧/扫描/体积时，新数据点被添加到FD-vs-frame#(例如，参见图11)。如在以下示例中实现的，FIRMM方法可以使用GUI实时生成包括FD的迹线的显示器。另外，FIRMM方法可以以表格式连续地生成代表已经获得的“高质量”帧的数目的更新汇总计数(summary count)(例如，给定特定截止预设，诸如>0.2、>0.3和/或>0.4)和/或作为颜色编码条形图。在数据采集运行的末尾，对于该运行的最后汇总计数被显示在将该扫描会话期间进行的每次运行的汇总头部运动数据制表的列表中。而且，在某些方面中，可以提供将在运行的末尾可用的可用数据帧的数目的预测，以及达到可用帧的预设标准数目预测的附加扫描的时间量(例如，以min和s为单位)。
在一些方面中，FIRMM方法提供用于包括在实际和预测低运动数据量的特定单独扫描的选择和取消选择。
在各方面中，FIRMM方法还提供参数DVARS的显示作为附加的EPI数据质量度量。如本文所使用的，DVARS指代MRI图像的每个体素的时间过程的导数的RMS。不限于任何特定理论，DVARS量化体积到体积信号改变，并且因此被认为是采集可归因于影响全局范围的成像身体部分的现象的大偏差，包括但不限于身体部分的运动(诸如头部运动)。以非限制性示例的方式，DVARS独立于信号改变的源而测量全部大脑信号强度从每个数据帧到下一个变化多少。DVARS迹线对于帧到帧头部运动非常敏感，并且由于与突然头部位移相关联的回波平面成像(EPI)中的信号损失的观察，DVARS原则上也可以检测来自除头部运动之外的源的EPI信号反常。
在一个方面中，根据以下公式计算DVARS：
其中，表示帧i上的轨迹处的图像强度并且尖括号表示全部大脑或其他成像身体部分上的空间平均。
在各方面中，FIRMM方法生成经由适合的反馈设备待通讯给经历MRI的受检者的感觉反馈显示。任何感觉反馈显示可以经由反馈设备由FIRMM方法提供，反馈设备包括但不限于视觉反馈显示器、听觉反馈显示器、或对MRI扫描器中的受检者的任何已知感觉模态(modality)的任何其他适合的感觉反馈显示器而没有限制。适合的感觉反馈设备的非限制性示例包括经由用于视觉反馈显示器的通信的反射镜或其他光学元件的对MRI扫描器内的受检者可见的监视器、用于经由对MRI扫描器内的受检者可见的屏幕的视觉反馈显示的通信的投影仪、用于听觉反馈显示的通信的扬声器或耳机、或者任何其他适合的感觉反馈设备而没有限制。
在一个方面中，图31是图示用于在数据采集期间向MRI系统的操作者和/或MRI系统的MRI扫描器内的患者提供感觉反馈的方法3100。在该方面中，方法3100包括基于在如先前所描述的扫描期间针对MRI设备中的患者确定的运动的一个或多个分量，在3102处计算数据质量度量。如本文所描述的非限制性地，可以在3102处计算任何数据质量度量，包括但不限于如上文所描述的位移分量中的任何一个或多个、如上文所描述的总体帧位移、包括如上文所描述的包括DVARS的其他数据质量度量和其任何组合。
再次参考图31，基于在3102处计算的数据质量度量的至少部分，在3104处向MRI系统的操作者实时生成视觉显示。适合的视觉反馈显示的非限制性示例包括GUI(诸如图1中所图示的GUI)的至少部分。在下面以附加细节描述的各方面中。用于MRI系统的操作者的视觉反馈显示可以包括视觉元件，其包括但不限于显示对于在扫描中接收到的所有帧的数据质量度量的图形、关于当前和先前扫描的质量的汇总统计数字的表格、通讯(communicate)了在当前扫描中获得的可用帧的累积数目的图形或者表格元素、通讯了保持在当前扫描中的时间量和/或保持在当前扫描中的预测时间量以获得如本文所描述的可用扫描的预定数目的表格或者图形元素、和其任何组合。在各方面中，视觉反馈显示的元素可以以高达当计算每个相关数量时更新每个显示的实时速率的任何预选速率来更新，视觉反馈显示的元素可以响应于来自MRI系统的操作者的请求而更新，并且视觉反馈显示的元素可以响应于多个因素中的至少一个动态地更新，包括但不限于帧之间的受检者的监测运动的显著增加、累积运动、或任何其他适合的标准。
再次参考图31，方法3100还可以包括：在3106处针对MRI数据的采集期间扫描器中的患者生成感觉反馈显示。如下面以附加细节描述的，基于多个因素(包括但不限于患者的年龄和条件)中的至少一个，在3104处生成的感觉反馈显示可以以扫描的末尾的单个更新到实时连续更新范围的各种各样的刷新率来更新。
在各方面中，方法3100还可以包括：响应于在3106处生成的感觉反馈显示，在先前帧与当前帧之间，在3108处确定患者的总运动。在一个方面中，方法3100还包括评价多个因素中的至少一个以确定当前MRI扫描是否应当在3110处终止。在各方面中，扫描可以根据多个终止标准中的至少一个而终止，包括但不限于不可接受的高幅度的一个或多个运动、和相对低幅度运动的不可接受的高数目、获得适合数目的可用帧的确定、在保持在扫描中的时间内不能获得适合数目的可用帧的预测、在合理的累积扫描时间内不能获得适合数目的可用帧的预测和其任何组合。如果在3110处确定继续扫描，则方法3100可以通讯至少一个反馈信号3112以部分用于在3102处计算数据质量度量以开始方法3100的另一迭代用于后续帧。
在一个方面中，FIRMM方法可以向经历MRI扫描的受检者提供视觉反馈显示。在该方面中，视觉反馈显示的特性可以基于使用如上文所描述的FIRMM方法获得的受检者的检测的运动改变以通讯受检者的运动的发生。视觉反馈显示的一个或多个元素的任何特性可以被选择以改变以便通讯运动的发生，包括但不限于尺寸、形状、颜色、纹理、亮度、焦点、位置、眨眼率、视觉元素的任何其他适合的特性、和其任何组合。
在另一方面中，FIRMM方法可以向经历MRI扫描的受检者提供听觉反馈显示。在该方面中，听觉反馈显示的特性可以基于使用如上文所描述的FIRMM方法获得的受检者的检测到的运动改变以通讯受检者的运动的发生。听觉视觉反馈显示的一个或多个元素的任何特性可以被选择以改变以便通讯运动的发生，包括但不限于音乐选择的播放中的暂停、音乐选择的播放的恢复、口令、音调的音量、音调的节距、序列中的每个音调的持续时间、一系列音调的重复率、音调的节距或音量中的稳定性或摇摆、听觉反馈的任何其他适合的特性、和其任何组合。
在各方面中，感觉反馈显示的特性可以基于由MRI扫描器中的受检者造成的检测到的运动的程度或者幅度来变化。在一个方面中，感觉反馈显示的特性可以与受检者的检测到的运动的程度成比例连续变化。在另一方面中，感觉反馈显示的特性可以在特性的离散集内改变，在该特性的离散集中，离散集中的每个特性被配置为通讯一个运动水平的发生，包括但不限于无运动、低运动、中等或中间水平运动和高度运动。
在各种其他方面中，感觉反馈显示可以响应于运动的单个分量的改变(诸如单个x、y或z方向上的平移或者关于x、y或z方向的旋转)来变化，感觉反馈显示可以响应于运动的两个或两个以上分量的组合的改变来变化，或者感觉反馈显示可以响应于总体运动度量(诸如上文所描述的帧位移)来变化。在一个方面中，感觉反馈显示的单个特性变化以将运动的发生通讯给受检者。在另一方面中，感觉反馈的两个或两个以上特性独立变化以将运动的发生通讯给受检者，其中，每个特性基于运动的分量的子集来变化。以非限制性示例的方式，感觉反馈显示可以包括基于x方向上的受检者的运动变化的第一特性，以及基于y方向和z方向上的受检者的组合运动独立变化的第二特性。
在各方面中，更新感觉反馈显示的特性的频率可以从通讯在扫描期间是否维持了足够低运动的在扫描的末尾处的单个反馈显示到与运动在该频率下由FIRMM方法而监测的实时频率相当的频率范围，以及在任何中等频率处而没有限制。在各方面中，更新感觉反馈显示的特性的频率可以基于在MRI扫描器中待成像的受检者的至少一个特性来选择，包括但不限于受检者的年龄、受检者的条件(诸如注意缺陷障碍或学习障碍)、和受检者的任何其他相关特性而没有限制。在各方面中，FIRMM方法基于来自单个帧的运动值或跨多个帧的运动值的组合提供反馈。在各种其他方面中，FIRMM方法提供实时反馈和时间延迟反馈。以非限制性示例的方式，如果高更新频率用于针对非常年轻的孩子的感觉反馈显示，则显示可以鼓励孩子增加MRI扫描器内的运动作为提供更愉快并且动态的感觉反馈体验的方式。在各方面中，更新感觉反馈显示的特性的频率可以被指定为贯穿MRI扫描的恒定更新率，或者更新率可以基于受检者的运动的瞬时和/或累积评估动态变化。
以非限制性示例的方式，可以指令经历MRI扫描的受检者观看固定十字线(例如，目标)。在该示例中，十字线可以基于受检者的被检测到的运动(例如，头部运动)而颜色编码，并且可以指令受检者通过在扫描期间保持静息将十字线维持在某种颜色(例如，第一颜色)处。作为受检者的运动中的检测到的改变的结果，十字线可以改变到第二颜色(例如，以表示中运动)或第三颜色(例如，以表示高运动)，从而使得受检者能够在扫描期间监测和调节他或她自己的运动。在另一非限制性示例中，可以指令经历MRI扫描的受检者以观看电影片段。基于受检者的运动水平(低运动、中运动、高运动)，电影片段上的视觉障碍可能阻止受检者观看电影片段的部分。例如，可以指令受检者以在扫描期间保持静息以便观看电影片段的无阻挡视图。基于受检者的运动水平，电影片段可以由某个尺寸的矩形块(例如，用于中运动的小黄色矩形和用于高运动的大红色矩形)阻塞。因此，受检者能够基于实时视觉反馈在扫描期间监测和调节他或她自己的运动。
在其他方面中，FIRMM方法还提供用于上文所描述的实时视觉显示的固定和自适应反馈条件。在一个方面中，对于固定反馈条件，对于低、中和高运动的阈值可以针对MRI扫描的持续时间保持恒定。在另一方面中，对于自适应反馈条件，对于低、中和高运动的阈值可以在MRI扫描的持续时间期间改变并且利用更严格的(例如，更低的)阈值替换。利用自适应反馈条件，MRI扫描器可以适于受检者的保持静息的能力，并且例如，增加保持十字线第一颜色或者电影片段明显无阻碍的困难水平。
在一些方面中，MRI采集程序(包括但不限于多频带成像)中的改变使能相对于先前MRI采集程序的经改进的时间和空间分辨率。然而，经改进的时间和空间分辨率可以伴随有来自被认为是在呼吸期间主要由胸部运动引起的后采集帧对齐程序的运动估计中的伪影。不限于任何特定理论，与呼吸相关联的胸部运动在MRI数据采集期间改变静态磁场(B0)，以至将在实时运动检测中所使用的帧-至-帧对齐程序(甚至在缺乏实际头部运动的情况下)“欺骗”成矫正“头部运动”。在一个方面中，FIRMM方法包含可选的带阻(或者陷波)滤波器以从运动估计移除呼吸相关伪影，从而增强运动的实时表示的准确度。
在各方面中，FIRMM方法将陷波滤波器(例如，带阻滤波器)应用到运动测量以从由受检者的呼吸引起的运动估计来移除伪影。更特别地，如以下示例4中所描述的，受检者的呼吸污染fMRI中的运动估计，并且从而使获得的MRI数据的质量失真。如以下示例5中所描述的，一些方面利用通用陷波滤波器以采集相对于功率(power)的样本总体的呼吸高峰的大部分。在其他方面中，可以使用基于特定于受检者的呼吸带数据的滤波器参数的受检者特定滤波器。
在方面中，带阻(例如，陷波滤波器)可以被实现为移除对应于混叠(aliased)呼吸率的运动估计中的杂散信号。概念上，该滤波器移除不期望的频率分量，同时保持其他分量不受影响。陷波滤波器具有两个设计参数：(a)中央截止频率和(b)将消除的带宽或者频率范围。为了建立用于中央截止频率和带宽的参数，可以分析在数据采集期间从MRI的各受检者获得的呼吸率的分布，并且分布的中值可以用作截止频率，并且在各方面中，分布的四分位数2和3可以被用于确定陷波滤波器的带宽。在建立这些参数之后，IIR陷波滤波器函数可以用于设计陷波滤波器。将注意到，对于给定采样率(1/TR)，呼吸率可能不混叠。在其他情况下，当TR和呼吸率的组合导致混叠时，相反应当使用混叠的呼吸率。
在一个方面中，设计的滤波器是差分方程。当应用到表示运动估计的序列时，该差分方程递归地加权两个先前样本以提供瞬时过滤信号。该程序从第三样本开始，加权两个先前点，并且继续直到最后的时间点被过滤。这种类型的实施方式的折中之一在于，过滤信号将具有相对于原始信号的相位延迟。在一个方面中，该相位延迟可以通过应用滤波器两次(一次向前并且第二次向后)补偿，使得相反的相位滞后彼此取消。这样做，一旦滤波器被应用到整个序列，则相同滤波器(差分方程)向后重新应用，其中，向前过滤序列的最后时间点被用作用于滤波器的向后应用的第一点，并且递归过程继续直到向前过滤序列的第一时间点被过滤。在各方面中，设计的陷波滤波器(通用和受检者特定的)可以被应用到运动估计后处理的序列以改进数据质量。
图32是图示用于使用N阶滤波器从检测到的运动数据移除与呼吸相关联的伪影的方法3200的流程图。在一个方面中，方法3200包括在3202处从MRI系统接收2N+1个帧，其用于产生N阶滤波器。除2N+1个帧之外，方法3200还包括除2N+1个帧之外，在3204处基于最小和最大呼吸频率产生N阶滤波器。在本文以附加细节描述的各方面中，受检者的呼吸率可以使用各种设备和方法获得，包括但不限于适配到受检者的呼吸监视器带，从由在MRI扫描器中的患者获得的MRI信号提取呼吸频率信息以及任何其他适合的方法而没有限制。
再次参考图32，方法3200还可以包括使用本文所描述的在3206处的方法计算患者的身体部分的运动。方法还包括在3208处，相对于数据采集时间的前向和反向上将在3202处产生的N阶滤波器应用到当前帧集。不限于任何特定理论，这两个方向上的N阶滤波器消除来自过滤数据的相位滞后。使用在3210处计算的过滤运动估计，在3210处计算数据质量度量，包括但不限于逐帧位移。如果在3212处获得附加帧，则方法可以利用在3212处接收到的帧来替换之前在3202处接收到的2N+1个帧中的最早帧，以发起方法3200的后续迭代。
在各方面中，也可以实时应用设计的滤波器，因为运动的每个瞬时估计可以通过加权跟随陷波滤波器的差分方程的先前估计滤出。然而，如之前所提到的，该方法导致相位滞后。在一个方面中，滤波器伪实时运行以使相位滞后最小化。在该方面中，一旦获得5个样本，则滤波器可以应用两次并且最好估计将是对应于第三样本的值。该延迟信号将不具有相位延迟。当获得每个新样本时，可以将滤波器应用到整个序列两次并且可以重复过程。每次测量新样本时，过滤序列将收敛更接近于当将滤波器应用到整个序列两次时获得的最佳输出。在给定运行的最后一帧处，过滤序列然后与在后处理期间获得的过滤序列相同。因此，设计的陷波滤波器可以实时被使用，以改进使用上文所描述的FIRMM头部运动预测方法的运动的实时估计的准确度。
在各方面中，自适应滤波方法(包括最小二乘方自适应滤波)可以实时用于识别并且从受检者运动数据(诸如心脏和/或呼吸频率)、从所测量的受检者运动数据(包括但不限于逐帧位移数据)移除与不期望的频率相关联的信号内容，而不同时向这些数据引入相位滞后。在一个方面中，实时自适应滤波器可以用于从MRI数据移除呼吸相关伪影。
在图34中所图示的一个方面中，自适应滤波方法利用未过滤信号3402，包括但不限于从使用上文所描述的FIRMM方法从MRI扫描器中的受检者获得的图像导出的逐帧位移(FD)数据，以及使用自适应滤波器3406的待消除的噪声信号3404的最好估计。自适应滤波方法3400通过梯度下降实时地将不期望的信号到测量信号中的贡献最小化，提供最佳过滤序列3408。待输入到自适应滤波器3406的适合的噪声信号3404的非限制性示例包括MRI扫描器中的受检者的呼吸率的实时测量结果、具有对应于受检者的呼吸率的频率的不同相位处的多个正弦信号的和以及受检者的呼吸率的任何其他适合的估计。在一个方面中，当T1w或先前序列获得并且用作信号噪声输入3404时，可以测量参与者的呼吸率。
再次参考图34，在一个方面中，自适应滤波方法3400包括接收如使用上文所描述的FIRMM方法确定的每个方向(即，x、y、z、θx、θy、θz)上的头部运动3402的第一估计。头部运动3402的该第一估计包括真实头部运动(s)和不期望的伪影(n0)二者。重要的是，这两个信号s和n0被假定为独立并且不相关的。在该方法3400中，接收包括不期望的伪影
的最好估计的附加输入3404。如果不期望的伪影n0对应于呼吸率，则该信号3404可以被提供为呼吸率的实时测量结果。在另一方面中，如果呼吸的实时测量结果是不可用的，则可以生成包括多个正弦信号的和的正弦信号，其中，最可能的呼吸率对应于扫描器中的受检者。该误差信号3404由自适应滤波器3406滤出以生成误差信号3410(y(T))的优化估计。在该方面中，自适应滤波器3406的目标是使误差信号3410(y(T))的优化估计和头部运动3402(d(T))的测量估计的相关性最大化。将注意到，当使用第一帧时，自适应滤波器3406对信号3404
没有影响。而且在该方面中，将误差信号3410(y(T))的优化估计从头部运动3402(d(T))的测量估计减去以计算误差信号3408(即e(T)＝s+n0-y(T))。该误差3408被用作修改自适应滤波器3406的参数的反馈信号3412，以使信号3410(y(t))与测量结果3402(d(T))尽可能相关。当真实头部运动(s)和真实伪影(n_0)不相关时，通过n0与
之间的匹配来驱动
与d(T)之间的相关性最大化。因此，减去那些信号(3402和3410)移除了不期望的伪影。在一个方面中，自适应滤波方法3400可以使用得到确认的方法实现，在该得到确认的方法中，二阶差分方程的参数被优化以使不期望的伪影的估计最大化。
在各方面中，为了定量检查滤波器的效果，如在图19A、19B、19C和19D中所图示的，质量对照方法可以用于定量测量在过滤之后经改进的运动估计。该方法不包含去除(consoring)，并且可以被用于任何数据集和任何数据质量度量。如在图19A-19D和图30A-30C中所示，质量对照方法包括通过降低质量而不管时间顺序将受检者的体积重新排序，如在图19A中所图示的。方法还包括使滑动窗口穿过计算数据的不同部分中的相关性的质量有序数据，如在图19B中所图示的。另外，方法包括将第一窗口或前几个窗口中的相关性矩阵与在其他窗口中获得的矩阵相比较，如在图19C中所图示的。在已经建立运动伪影已经降低距离相关性之后，所公开的方法代替如对于多频带数据最初示出的短程连接的Δr使用。在该方面中，方法还包括通过当排列分配给体积的数据质量度量值(例如，对于给定帧的FD值)时重复上文所描述的步骤来建立结果度量的零(null)分布，使用零分布确定每个滑动窗口中的质量有序结果的重要性，以及将所确定的重要性映射回到包含在滑动窗口中的数据质量度量值中的每一个，如在图19D中所图示的。
图33是图示使用如图34中所图示的开发的自适应滤波器的方法3300的流程图。参考图33，方法包括在3302处从MRI系统接收当前帧，并且在3304处计算参考图像与当前帧之间的身体部分的运动。方法3300还包括在3306处使用自适应滤波器从在3304处计算的受检者的身体部分的运动移除与呼吸相关联的不期望的信号变化，其中，自适应滤波器可以根据图34中概述的方法3400确定。使用在3304和3306处计算的过滤运动数据，对于3308可以计算数据质量度量，包括但不限于逐帧位移。方法3300还可以包括确定在3310处是否获得附加帧并且根据需要发起方法3300的另一迭代。
在一个方面中，图8图示了用于处理MRI帧的集合以将帧与集合中的参考图像对齐以补偿受检者的运动的一个非限制性示例FIRMM方法800。FIRMM方法800包括在802处以MRI帧或图像的形式从磁共振成像系统接收数据。MRI帧可以经由网络从磁共振成像系统由计算设备或者从耦合到计算设备或者与计算设备通信的存储介质接收。
再次参考图8，FIRMM方法800还包括在804处将帧与参考图像对齐。可以通过一系列刚体变换Ti将每个帧与参考图像对齐，其中，i索引了帧i与从第二帧开始的帧1的参考的空间配准。每个变换通过将配准误差最小化到绝对最小值或在选定的截止值以下来计算：
其中，
是轨迹处的图像强度并且s是补偿在全部大脑(尖括号)上空间平均的平均信号强度的波动的标度因子。在某些方面中，帧可以使用4dfpcross_realign3d_4dfp算法重新对齐(参见Smyser，C.D.等人2010，Cerebral cortex 20，2852-2862，(2010)，其特别地通过引用并入本文)。可选对齐算法也可以用于将帧对齐。
FIRMM方法800还包括计算帧与先前帧之间的身体部分的相对运动。身体部分的相对运动(例如，头部运动)可以根据六个帧对齐参数x、y、z、θx、θy和θz而计算，其中，x、y、z是三个坐标轴中的平移并且θx、θy和θz是关于那些轴的旋转。
FIRMM方法800还包括在808处计算总帧位移以生成头部运动的多个位移向量。以非限制性示例的方式，总帧位移可以通过添加在六个方向上的身体部分(例如，头部)的绝对位移来计算，从而将身体部分视为刚体。在该非限制性示例中，第i个帧的头部运动可以使用公式转换为标量：
位移i＝|Δdix|+|Δdiy|+|Δdiz|+|Δαi|+|Δβi|+|Δγi|； 等式(3)
其中Δdix＝d(i-1)x-dix；Δdiy＝d(i-1)y-diy；Δdiz＝d(i-1)z-diz；等。
旋转位移|Δαi|，|Δβi|和|Δγi|可以通过计算代表正被成像的身体部分的3D体积的表面上的计算位移从度转换为毫米。以非限制性示例的方式，如果头部成像，则计算位移选择的3D体积可以是球体。由于将每个数据帧与参考图像重新对齐，因而可以通过从位移i(对于当前帧)减去位移i-1(对于先前帧)计算FD。
在一些方面中，FIRMM方法800还可以包括在810处排除具有在总帧位移的预识别阈值以上的的截止的帧。在完成时，FIRMM方法800返回对于MRI扫描中的每个后续帧的开始。
在各方面中，方法800可以通过包括MRI系统和一个或多个处理器或计算设备的系统实现。在各方面中，本文所描述的一个或多个操作可以通过具有被编程为执行操作的物理电路的一个或多个处理器实现。在各种其他方面中，FIRMM方法800的一个或多个步骤可以通过一个或多个处理器或计算设备自动执行。在各种附加方面中，图8中所图示的各种动作可以以所图示的顺序、以其他顺序、并行执行，或者在一些情况中，可以省略。
计算系统
在一些方面中，上文所描述的FIRMM方法和过程可以使用包括一个或多个计算机的计算系统实现。特别地，本文所描述的FIRMM方法和过程(例如，本文所描述的方法)可以被实现为计算机应用、计算机服务、计算机API、计算机库和/或其他计算机程序产品。
图9描绘了用于实现本文所描述的FIRMM方法(包括但不限于图8中所图示的方法800)的系统900的简化框图。再次参考图9，FIRMM计算设备904可以被配置为：(i)从磁共振成像(MRI)系统902接收MRI数据帧；(ii)将接收到的帧与从MRI系统902接收或者从解剖图谱检索的参考图像或者如本文所描述的任何其他适合的参考图像对齐；(iii)计算接收到的帧与参考图像之间的身体部分的运动；(iv)至少部分地基于计算的接收到的帧与参考图像之间的身体部分的运动，计算数据质量度量；(v)基于预标识的数据质量度量阈值，基于每个帧的数据质量度量对帧进行分类；(vi)经由操作者计算设备910将反馈实时传送给操作者；以及(vii)经由患者计算设备912将感觉反馈显示给经历MRI扫描的受检者(例如，患者)。
系统900还包括通信地耦合到存储数据的数据库908的数据库服务器906。在一个方面中，数据库908可以包括头部运动参数、与每个数据帧相关联的逐帧位移(FD)值以及与完整扫描会话相关联的数据(例如，保存的数据帧)。附加地或者可选地，数据库908还可以包括与实时视觉显示和反馈条件相关联的数据，诸如显示给经历MRI的受检者的电影片段和颜色编码十字线和用于视觉显示的预设阈值(例如，用于无运动、中等运动和高运动的阈值)。在示例性方面中，数据库908可以远程于FIRMM计算设备904而存储。在一些方面中，数据库908可以去中心化。
在各方面中，FIRMM计算设备904可以通信地与与MRI系统902相关联的计算机网络耦合，或者是与MRI系统902相关联的计算机网络的一部分。MRI系统902被配置为采集MRI图像。在示例性方面中，FIRMM计算设备904从MRI系统902的至少一个MRI扫描器接收MRI数据帧。
FIRMM计算设备904还可以与一个或多个操作者计算设备910相关联。在各方面中，操作者计算设备910是使得操作者能够控制扫描器的计算机。操作者计算设备910使得操作者能够观看关于受检者的身体运动的实时接收到的和事后的视觉反馈。更特别地，操作者计算设备910可以通过许多接口通信地耦合到因特网，包括但不限于网络中的至少一个，诸如因特网、局域网(LAN)、广域网(WAN)、或者综合服务数字网络(ISDN)、数字式连接(digital-up-connection)、数字用户线路(DSL)、蜂窝电话连接、和电缆调制解调器。操作者计算设备910可以是能够访问因特网的任何设备，包括但不限于台式计算机、膝上型计算机、个人数字助理(PDA)、蜂窝电话、智能电话、平板电脑、平板手机、可穿戴电子装置、智能手表、或者其他基于网络的可连接设备或移动设备。
在示例性方面中，FIRMM计算设备904经由操作者计算设备910将实时反馈传送给操作者。在进一步的方面中，操作者计算设备910可以是或者包括显示设备(例如，阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器、“电子墨水”显示器)、或者被配置为将图形用户接口(例如，网络浏览器和/或客户端应用)呈现给操作者的其他电子显示器。在一些方面中，操作者计算设备910可以包括用于从操作者接收输入的输入设备。操作者可以在MRI扫描期间使用输入设备以非限制性地，通过例如选择和/或删除MRI数据帧和停止MRI扫描，来对从FIRMM计算设备904接收到的数据作出反应。在其他方面中，操作者计算设备910可以从操作者接收输入(例如，通过触摸屏、图标的启动、输入设备(诸如操纵杆或旋钮)的操纵等)。在这些方面中，操作者计算设备910可以将输入通讯(主动地和/或被动地)到FIRMM计算设备904的一个或多个处理器。在某些方面中，操作者计算设备910可以在扫描会话的末尾显示由FIRMM计算设备904生成的MRI扫描报告。
FIRMM计算设备904可以通信地与与经历MRI扫描的受检者(例如，患者)相关联的一个或多个患者计算设备912耦合。更特别地，患者计算设备912可以通过许多接口通信地耦合到因特网，包括但不限于网络中的至少一个，诸如因特网、局域网(LAN)、广域网(WAN)、或者综合服务数字网络(ISDN)、数字式连接、数字用户线路(DSL)、蜂窝电话连接、和电缆调制解调器。患者计算设备912可以是能够访问因特网的任何设备，包括但不限于台式计算机、膝上型计算机、个人数字助理(PDA)、蜂窝电话、智能电话、平板电脑、平板手机、可穿戴电子装置、智能手表、或者其他基于网络的可连接设备或移动设备。在示例性方面中，患者计算设备912从FIRMM计算设备904接收实时视觉反馈。在示例性方面中，患者计算设备912是显示设备(例如，阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器、或者“电子墨水”显示器)。患者计算设备912可以显示刺激条件(诸如电影片段和颜色编码十字线)以吸引受检者，并且将从FIRMM计算设备904接收到的实时反馈提供给经历MRI扫描的受检者。在一些方面中，操作者计算设备910和/或患者计算设备912是MRI系统902的一部分。
图10示意性地示出了被配置为执行本文所描述的方法和过程中的一个或多个的另一方面中的计算设备1000。计算设备1000可以类似于图9中所图示的FIRMM计算设备904。再参考图10，计算设备1000可以操作地耦合到MRI系统、与MRI系统通信或者包括在MRI系统中，MRI系统例如为图9中所示的MRI系统902。
将理解到，在非限制性的情况下，可以使用任何计算机架构而不脱离本公开的范围。在不同方面中，计算设备1000可以采取以下形式：微型计算机、集成计算机电路、印刷电路板(PCB)、微芯片、大型计算机、服务器计算机、台式计算机、膝上型计算机、平板计算机、家庭娱乐计算机、网络计算设备、移动计算设备、移动通信设备、游戏设备等。
在方面中，计算设备1000包括逻辑子系统1002和数据保持子系统1004。计算设备1000可以可选地包括显示子系统1006、通信子系统1008、成像子系统1010、和/或图10中未示出的其他附加部件。计算设备1000还可以可选地包括用户输入设备，诸如例如人工启动按钮、开关、键盘、鼠标、游戏控制器、照相机、麦克风、和/或触摸屏。
逻辑子系统1002可以包括被配置为执行一个或多个机器可读指令的一个或多个物理设备。例如，逻辑子系统可以被配置为执行作为以下各项中的一部分的一个或多个指令：一个或多个应用、服务、程序、例程、库、受检者、组件、数据结构或其他逻辑构造。这样的指令可以被实现为执行任务、实现数据类型、变换一个或多个设备的状态、或以其他方式到达期望的结果。
逻辑子系统可以包括被配置为执行软件指令的一个或多个处理器。例如，一个或多个处理器可以包括被编程为执行本文所描述的各种动作的物理电路。附加地或者可选地，逻辑子系统可以包括被配置为执行硬件或固件指令的一个或多个硬件或固件逻辑机器。逻辑子系统的处理器可以是单核心或多核心，并且在其上执行的程序可以被配置用于并行或分布式处理。逻辑子系统可以可选地包括贯穿两个或两个以上设备分布的单独部件，其可以远程定位和/或配置用于协同处理。可以通过在云计算配置中配置的可远程访问的联网计算设备虚拟化和执行逻辑子系统的一个或多个方面。
数据保持子系统1004可以包括被配置为保持可由逻辑子系统执行以实现本文所描述的方法和过程的数据和/或指令的一个或多个物理非暂态设备。当实现这样的方法和过程时，可以变换数据保持子系统1404的状态(例如，以保持不同数据)。
数据保持子系统1004可以包括可移除介质和/或内置设备。数据保持子系统1004可以包括光学存储器(例如，CD、DVD、HD-DVD、蓝光盘等)、半导体存储器(例如，RAM、EPROM、EEPROM等)和/或磁性存储器(例如，硬盘驱动器、软盘驱动器、磁带驱动器、MRAM等)等。数据保持子系统1404可以包括具有以下特性中的一个或多个的设备：易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序存取、位置可寻址的、文件可寻址的、和内容可寻址的。在一些方面中，逻辑子系统1002和数据保持子系统1004可以集成到一个或多个公用设备(诸如专用集成电路或者片上系统)中。
图10还示出了以可移除的计算机可读存储介质1012的形式的数据保持子系统的方面，其可以用于存储和/或传送可执行以实现本文所描述的方法和过程的数据和/或指令。可移除的计算机可读存储介质1012可以尤其采取CD、DVD、HD-DVD、Blu-Ray光盘、EEPROM、闪存卡、USB存储设备和/或软盘的形式。
当包括时，显示子系统1006可以用于呈现由数据保持子系统1004保持的数据的视觉表示。如在本文中，所描述的方法和过程改变由数据保持子系统保持的数据，并且因此变换数据保持子系统1004的状态。例如，显示子系统1006的状态可以同样地变换以视觉地表示底层数据的改变。显示子系统1006可以包括实际上利用任何类型的技术的一个或多个显示设备。这样的显示设备可以与共享外壳中的逻辑子系统1002和/或数据保持子系统1004组合，或者这样的显示设备可以是外围显示设备。
在方面中，通信子系统1008可以被配置为将计算设备1000与一个或多个其他计算设备通信地耦合。通信子系统1008可以包括与一个或多个不同的通信协议可兼容的有线和/或无线通信设备。作为非限制性示例，通信子系统1008可以被配置用于经由无线电话网络、无线局域网、有线局域网、无线广域网、有线广域网等通信。在一些方面中，通信子系统可以使得计算设备1000能够经由网络(诸如因特网)向其他设备发送消息和/或从其他设备接收消息。
在一个方面中，成像子系统1010可以用于从与计算设备1000通信的各种传感器或者成像设备采集和/或处理任何适合的图像数据。例如，成像子系统1010可以被配置为采集MRI图像数据作为MRI系统(例如，上文所描述的MRI系统902)的部分。成像子系统1010可以与共享外壳中的逻辑子系统1002和/或数据保持子系统1004组合，或者这样的成像子系统可以包括外围成像设备。例如，从成像子系统1010接收到的数据可以由数据保持子系统1004和/或可移除的计算机可读存储介质1012保持。
在各方面中，本文所公开的FIRMM方法可以以至少数个软件包中的一个或多个的形式实现，每个软件包具有特定目的，以使安装和使用更容易并且更可靠。可在任何已知操作系统上执行的任何已知类型的软件包可以用于实现本文所公开的FIRMM方法而没有限制。
以非限制性示例的方式，可使用Docker支持的Linux系统以使能本文所描述的FIRMM方法。在该示例中，FIRMM软件包可以利用定制为使用预建立的Docker图像的外壳脚本发起。在该示例中，使用在FIRMM实施方式中的部件包括编译MATLAB(R2016b)二进制后端，该编译MATLAB(R2016b)二进制后端仅要求包括的MATLAB编译器运行时间运行、用于图像处理的外壳脚本、包含图像处理软件相关性的Docker图像、和Django网络应用前端。编译MATLAB二进制后端监测等待具有当前日期并且包含在过去几分钟内产生的图像的新子文件夹的输入文件夹。后端仅在新功能图像上进行外壳脚本图像处理。在该示例中要求的图像处理软件已经安装并且配置在Docker图像内。在该示例中，结果经由网络浏览器视觉显示在Django网络应用前端中作为绘图和表格。
在该示例中，一旦EPI(回波平面成像)数据的每个帧/体积被获得并且被重建为医学数字成像和通信(DICOM)格式，则其被传送到FIRMM软件针对新图像监测的预指定文件夹。使用西门子(Siemens)扫描器，快速DICOM传送通过选择ideacmdtool实用程序中的“send IMA”选择实现。FIRMM软件读取DICOM表头，并且使用表头信息将每个DICOM顺序地输入作业排队系统中。DICOM以其采集的时间顺序处理。FIRMM软件在任何进一步的处理之前将DICOM转换为nifti并且然后4dfp格式。FIRMM使用4dfpcross_realign3d_4dfp算法(参见Smyser，C.D.等人，Cerebral cortex 20，2852-2862，(2010))将EPI数据重新对齐(realign)。由FIRMM软件运行的cross_realign3d_4dfp算法被优化用于计算速度，因此帧到帧图像强度标准化被禁止并且重新对齐的数据未写出，仅对齐(alignment)参数写出。也可以利用在nitti格式数据上操作的可选对齐算法。EPI图像不经历通常在离线数据分析中利用的预处理步骤。对于具有小于4mm3的空间分辨率的EPI图像，数据在重新对齐之前向下采样到4mm3以增加处理速度。
为了估计头部重新对齐，通过一系列刚体变换Ti将运行的每个数据帧(体积)与参考图像对齐，其中，i索引帧i与参考图像的空间配准。每个变换通过使配准误差最小化计算：
其中，
是轨迹
处的图像强度并且s是补偿在全部大脑(尖括号)上空间平均的平均信号强度的波动的标度因子。每个变换由如由以下所描述的旋转和位移的组合表示：
其中，Ri表示旋转的3×3矩阵，并且
表示位移的3×1列向量。Ri包括如由以下表示的三个轴中的每一个处的三个基本旋转：
Ri＝Ri∝RiβRiγ，其中
为了计算逐帧位移(FD)，头部重新对齐参数从第二帧开始跨帧计算以生成头部运动的六个位移向量。头部运动利用公式转换为标量：：
位移i＝|Δdix|+|Δdiv|+|Δdiz|+|Δai|+|Δβi|+|Δγi||Δγi|，其中，
Δdix＝d(i-1)x-dix，Δdiy＝d(i-1)y-diy，Δdiz＝d(i-1)z-diz，等。
旋转位移通过计算半径50mm的球体的表面上的位移从度转换为毫米，其近似是针对健康年轻成人从大脑皮层到头部中心的平均距离。在各方面中，可以使用将旋转位移从度转换为毫米的可选方案而不限于计算出患者的尺寸或年龄中的变化或者调节与头部/脑子不同的身体部分。由于将每个数据帧与参考图像重新对齐，因而通过从位移i(对于当前帧)减去位移i-1(对于先前帧)计算FD。
为了使逐帧位移(FD)实时可视化，在一个方面中FIRMM软件使用Django(www.djangoproject.com)和Chart.js(www.chartjs.org)中设计的图形用户接口(GUI)实时显示FD迹线和数据质量的汇总计数。在图11中图示了代表性GUI 1100的示例。GUI 100可以根据扫描时间连续地显示和更新每个帧的FD的图形1101。GUI 100还可以连续地显示和更新已经以表格格式1102并且作为颜色编码条形图1104获得的“高质量”低运动帧的数目的汇总计数。如上文所描述的，低运动帧可以被识别为具有落在FD截止预设以下的FD的那些帧。非限制性地，可以选择任何一个或多个适合的FD截止预设，包括但不限于0.2mm、0.3mm和0.4mm的FD截止预设值。在每个数据采集回波时期(例如，扫描)的末尾，对于该扫描的汇总计数被显示在单独针对每次扫描和针对在有效扫描会话中迄今获得的所有数据的和制表汇总头部运动数据的列表1106中。GUI还可以显示关于给定受检者将可能还要扫描多久的预测1108，直到已经获得预设时间标准(例如，低运动FD数据的分钟)。GUI还可以包括人们已经向预设标准时间量扫描“高质量”帧的实际时间量(以min和s为单位)的图形。用户能够经由简单设置文件定制FD截止和数据量标准。
在一个方面中，用于预测FD的头部运动(FD)预测算法是利用每个新数据帧更新的线性模型(y＝mx+b)，其中，y是在扫描或实验的末尾处在某个FD截止以下的低运动帧的预测数目，x是连续帧计数，并且m和b对于每个参与者实时估计。使用先前帧中的受检者的位置作为参考，如果相对受检者位置小于给定阈值(以mm为单位)，则给定帧被标记为可用的。
在各方面中，FIRMM软件的实施方式使用被配置为快速地重建和传送BLOD图像的MRI扫描器。FIRMM软件当前期望如由西门子提供的EPI马赛克，但是可以定制对与其他MRI设备标记(诸如General Electric(GE)和Philips)相关联的非马赛克格式起作用。在一个方面中，FIRMM软件可以被实施在Siemens 3T Tim Trio扫描器和/或Siemens 3T Prisma扫描器上。在各方面中，FIRMM软件可以被配置为使能与各种各样的序列和EPI图像类型的兼容性。以非限制性示例的方式，为了西门子扫描器一起使用，FIRMM软件可以在缓冲禁用的情况下利用ideacmdtool SendIMA选项。备选地，快速DICOM转发还可以直接建立到西门子序列中以使能与FIRMM软件的通信。
在一个方面中，FIRMM软件在联网到运行扫描器操作系统的第二计算机的Docker支持的Linux计算机上实现，该扫描器操作系统通常包括有使用在研究中的现有MRI扫描系统。FIRMM可以自含在Docker图像中。
在一个非限制性示例中，FIRMM使用运行Linux(Ubuntu 14.04LTS)和以下硬件规格的计算机实施：CPU＝Intel Core i7 4790K 4.0GHz Quad-core，主板＝ASUS Z97M-PLUS，存储器＝16GB DDR3，硬盘驱动器＝Samsung 850EVO 120GB，和图形＝GPU NVIDIAGTX 960。
在一个方面中，FIRMM软件使用DICOM表头信息根据研究保存暂时处理文件夹。在该文件夹中，FIRMM软件保存与每个数据帧相关联的头部运动参数和FD值。FIRMM软件还在扫描会话结束时生成并且保存显示在GUI中的全部信息的JSON文件。通过加载完整扫描的JSON，用户能够重新创建先前扫描会话的最后FIRMM显示。
示例
以下示例图示了本公开的各方面。
示例1：FIRMM头部运动预测的验证
为了验证上文所描述的FIRMM头部运动预测方法，进行以下实验。
对于该研究，来自具有12.4岁(范围＝7.2-19.6岁)的平均年龄的参与者、青少年和年轻成人的总共1134个扫描(457个女性扫描)的现存rs-fcMRI数据用于将FIRMM的FD计算与标准事后方法(Power等人，2012；Power等人，2015)相比较，以及估计扫描成本降低已经使FIRMM在扫描时可用。相同数据也用于验证FIRMM的头部运动预测算法。
在将FIRMM应用到现存数据集1和2之后，然后针对29个神经典型性(neurotypical)参与者的新群组(cohort)中的扫描器操作者而测试FIRMM的效用(utility)(FIRMM测试；数据集3：11个女性，平均年龄＝11.5岁，年龄范围＝5.9-15.9岁)。
使用在这些实验中的现存rs-fcMRI数据包括具有注意缺陷多动障碍(ADHD；数据集1：425个参与者，140个女性)、自闭症谱系障碍(ASD；数据集1：84个参与者，17个女性)、家族饮酒史(FHA；数据集2：308个参与者，143个女性)和年龄匹配的神经典型性对照(对照组；数据集1、2：341个参与者，157个女性)的群组。
数据集1：ADHD、ASD、神经典型性对照组
招募沿着年龄匹配的神经典型性对照组的ADHD和ASD群组作为Fair和Nigg实验室中的两个正在进行的纵向研究的一部分。对于神经典型性和ADHD参与者，参与者从响应于社区中的大量邮件的自愿的家庭招募。其诊断分组在包括使用Kiddie Schedule forAffective Disorders and Schizophrenia(K-SADS-E)(Orvaschel,H.,Lewinsohn,P.M.&Seeley,J.R.,Journal of the American Academy of Child and AdolescentPsychiatry 34,1525-1535,(1995))的父母临床访谈的最好估计多阶段病例发现程序以及包括Conners评定量表、第3版、ADHD评定量表和强度和困难调查表的父母和教师标准化评定量表中仔细评价。智力利用针对参与者的韦氏智力量表的三子集选格式(分组设计、词汇表和信息)估计，并且学术成就利用韦氏个人成就测试的字读取和数值运算子集估计。最好估计诊断团队评阅所有获得信息以独立地分配诊断。其关于ADHD/非ADHD状态的协定是可接受的(对于在样本中以基本速率>5％发生的所有诊断，包括ADHD和ADHD子类型，k>0.85)。
如果参与者(例如，受检者)不满足用于ADHD或非ADHD组的标准，则将其排除。如果其具有抽动障碍、精神障碍、双相障碍、自闭症谱系障碍、或者精神发育迟滞的证据。参与者进一步针对父母报告的神经病史、慢性医学问题、感觉运动障碍、或者显著头部创伤(以及意识丧失)排除。如果参与者正摄取除精神兴奋药之外的精神药物，则也将其排除。如果参与者在其身体中具有金属，则也将其排除，其可能禁忌MRI采集或者引起成像伪影(例如，牙套、颅内动脉瘤夹)。对于对照组参与者的附加排除标准是：品行障碍或者重度抑郁症的存在。仅将右撇子参与者包括在研究中。在五个半寿期(例如，取决于制剂的24-48h)的最小冲洗时段之后，扫描参与者规定的精神兴奋药。
对于ASD参与者，通过利用ADOS(Lord,C.等人J Autism Dev Disord 30,205-223(2000))的多学科临床团队确定诊断。所有参与者还使用DSM-IV标准(美国精神病学协会2000)而满足ADI-R(Lord,C.,Rutter,M.&Le Couteur,A.J Autism Dev Disord 24,659-685(1994))上的ASD标准。还通过上文指出的相同搜索方法针对ADHD评估具有ASD的参与者。如上文所描述的，正摄取精神兴奋药的具有ASD的参与者被允许参与，但在神经成像之前，要经历最小24至48小时(取决于配方)或者配方的至少7个半寿期(例如，其花费身体新陈代谢/排泄药物的剂量的一半的时间段)的洗掉(washed out)。摄取非兴奋剂的对神经起显著作用的药物(例如，三环抗忧郁药、SSRI、MAO抑制剂、或者抗精神病药物或阿托西汀)的参与者被排除在研究之外。
数据集2：家族饮酒史，神经典型性对照组
从本地社区招募年龄10-16岁的参与者。家族史阳性(FHP)青少年是Nagel实验室中的正在进行的纵向研究的一部分并且针对家族史阴性参与者(神经典型性对照组)的人口统计特征匹配。为了确定适格性，由参与者和其父母之一通过电话进行结构化访谈。排外标准包括：缺乏关于家族史的信息、精神障碍的家族史(例如，精神分裂症或双相I)、DSM-IV精神障碍的诊断、显著终生酒精或物质使用(>10终生酒精饮料或>2任何单个场景的饮料、>5大麻使用、>4香烟每天、任何其他药物使用)、神经系统疾病、显著头部创伤(意识丧失>2分钟)、严重医学状况、精神发育迟滞或学习障碍、对药物或酒精的产前接触、左偏手性、早产(<36周)、MRI禁忌症、和怀孕或可能怀孕。
家族史评估模块(Rice,J.P.等人直接访谈和酒精依存的家族史诊断的比较。酗酒、临床和实验研究19,1018-1023(1995))与至少一个亲生父母和参与青少年一起使用，以评估一级亲属(亲生父母)和二级亲属(亲生姑姑、叔叔和祖父母)中的如由DSM-IV标准定义的AUD的存在。青少年基于该信息被分类为家族史阴性(FHN)或者家族史阳性(FHP)。FHN青少年没有具有AUD历史的亲属。FHP青少年有具有AUD历史的的至少一个父母或者在家族的相同侧的两个或两个以上二级亲属。对于FHP青少年，计算指示家族AUD的程度的家族史密度(FHD)：父母贡献0.5、祖父母0.25，以及姑姑和叔叔的除以其同胞的数目的加权比的0.25。在FHP组中，得分的范围为从0.04到1.50。
智力功能(IQ)利用韦氏智力量表(Wechsler,D.韦氏智力量表(WASI).(Psychological Corp,1999))的2-子测试版而估计。
验证数据采集参数
数据集1和2参与者在具有位于OHSU的高级成像研究中心的12信道头部线圈的Siemens Tim Trio 3.0Tesla Magnetom Tim Trio系统(西门子医学方案(SiemensMedical Solutions),埃朗根,德国)上被扫描。获得高分辨率T1加权MPRAGE序列(分辨率＝1×1×1.1mm)。BOLD加权功能图像被使用T2*加权回波平面成像而采集(沿着前-后连合(commissure))(TR＝2500ms，TE＝30ms，翻转角＝90°，FOV＝240mm2，覆盖整个大脑的36个切片，切片厚度＝3.8mm、分辨率＝3.75×3.75×3.8mm)。获得静息数据BOLD数据的5min的三次扫描，在该三次扫描期间，参与者被指令以保持静息并且注视在从扫描器的头部而投影的黑色屏幕的且利用安装在12信道头部线圈上的反射镜而被观看的中心的白色十字线。
结果
头部运动在年轻参与者、患者中是最大的
具有非常高头部运动(例如，活动)的人口统计组中的MRI扫描可以潜在地从利用FIRMM分析而大大获益。因此，发明人检查年龄、性别和不同的神经精神病学条件对来自7-19岁的受检者的1134个扫描会话的集合中的有害头部运动的影响(图2A和2B)。与先前搜索一致，多变量线性回归分析(GLM:年龄、群组、性别)显示平均FD值在更年轻的年龄处显著更大(年龄的效果，F＝5.6，p<0.00001)。图2A和2B示出了年龄、诊断和性别对头部运动的影响。相对于参与者的年龄(x轴)，示出了对于1134个MRI扫描参与者的平均FD值(y轴)。在所有群组内，在头部运动中存在大量个体间差异。图2A图示了对于基于以下诊断的参与者的平均逐帧位移(FD)值：对照组、酗酒家族史(FHA)、注意缺陷多动障碍(ADHD)和自闭症谱系障碍(ASD)。图2B图示了基于性别和年龄的参与者的平均FD值。患者和风险群组具有总体对齐照组更大的FD值(群组的影响，F＝19.3，p<0.00001)。另外，如图2B中所示，男性具有比女性显著地更大的FD值(性别的影响，F＝5.5，p<0.02)。当使用如图7A-7F中所示的低运动帧(FD<0.2mm、FD<0.3mm和FD<0.4mm)的百分比而不是如图2A和2B中所示的平均FD执行相同分析时，相同模式适用。
图7A-7F示出了年龄、诊断(例如，对照组、FHA、ADHD和ASD)和性别对头部运动的影响。相对于参与者的年龄(x轴)示出了对于1134个MRI扫描参与者的FD标准截止以下的MRI数据帧的百分比(y轴)。特别地，图7A图示了对于由描述的诊断(例如，群组)排序的参与者的标准FD<0.2以下的数据帧的百分比，并且图7B图示了对于由性别排序的参与者的相同数据。图7C图示了对于由群组排序的参与者的标准FD<0.3以下的数据帧的百分比，并且图7D图示了对于由性别排序的参与者的相同数据。图7E图示了对于由群组排序的参与者的标准FD<0.4以下的数据帧的百分比，并且图7F图示了对于由性别排序的参与者的相同数据。
人口统计是扫描器内头部运动的不佳的预测器
如果人口统计组内的FD中的个体间差异是低的，则人们可以试图通过简单地使用用于不同人口统计组的不同扫描长度来优化MRI扫描持续时间。然而，分析显示在跨整个样本从大约0.1至2.0mm范围的所有群体中，跨受检者的平均FD值的差异是非常高的。小于8岁的一些非常年轻的参与者(例如，患者)几乎不具有头部运动(平均FD～0.1mm)，而一些典型发育的青少年具有非常高的平均FD值(>0.4mm)。即使GLM分析显示年龄、诊断和性别显著影响平均FD值，这些因素也可以仅解释跨受检者的差异的13％(R2＝0.13)。跨所有群组的FD中的高度的个体间差异显示人口统计标准是针对给定参与者必须获得多少数据以便保持最小数目的低运动数据帧的不足的指示器(参见图7A-7F)。
FIRMM的实时FD计算是准确的
当与标准通常利用的离线事后处理流(Power等人，2012；Power等人，2015；Siegel等人，2014)相比较时，FIRMM的FD计算不仅是快速的，而且是准确的。图3A和3B示出了由FIRMM生成的FD值和离线方法的比较。更特别地，从采集具有2.5sec的总共360个rs-fcMRI数据帧(总计15分钟)的597个参与者(ADHD患者和对照组)示出FD数据。进一步地，图3A图示了所包括的每个参与者的低运动数据(FD<0.2)的百分比(y轴)，其由对于每个参与者的跨这两种方法(例如，FIRMM和离线)的低运动帧的平均百分比(x轴)所排序。图3B图示了如由FIRMM(x轴)和标准离线事后方法(y轴)计算的低运动数据的估计之间的相关性(r＝0.98；示出的线性拟合，y＝1.07x-5.12的线性方程)。
为了测试FIRMM的FD计算的准确度，来自1134个扫描会话的FD数据从跨7-19岁的年龄之间的数个儿科患者或危险群组和年龄匹配对照组的受检者组合(图2A和2B中示出的)。跨所有受检者，由FIRMM实时计算的FD值与由具有0.981的R值的标准离线处理方法生成的事后FD数目强相关(图3A中示出的)。在可用低运动帧(FD<0.2)的数目中的FIRMM和离线处理之间的相关性(r)是0.984(图3B中所示出的)。
使用FIRMM扫描直到数据标准是到达减少扫描时间
最严格的帧去除丢弃具有FD值>0.2mm的所有数据帧。图4A和4B示出了低运动数据(FD<0.2mm)的累加。更特别地，图4A图示了对于来自每个群组的样本个体的低运动数据(分钟FD<0.2；y轴)相对于扫描花费的时间(分钟；x轴)的累积。对于标准化，对于每个群组在扫描的15分钟之后可用数据的百分之50的那些参与者的累积图被选择用于显示。图4B图示了对于每个群组以及总样本的已经到达具有FD<0.2mm的至少5分钟数据的所选择的数据标准的参与者的百分比。在图5B中的曲线下的面积表示当扫描至标准而不是扫描所有参与者20分钟时节省的相对时间。节省的相对时间将已经是对于整个样本的57％、对于对照组的63％、对于FHA的64％、对于ADHD的49％和对于ASD的43％。
为了获得单个受检者的功能连接矩阵的合理稳定估计，许多研究组已经要求每受检者至少5分钟的低运动数据来作为数据标准。将该标准应用到1134个扫描会话的整个样本，图4A和4B示出了20分钟的rs-fcMRI数据将已经给定参与者的91％中的定至少5分钟的低运动(FD<0.2mm)数据。然而，对于75％的参与者的，扫描可能在10分钟或更少之后已经停止。对于另外12％的参与者，数据采集可能已经在10-15分钟之间停止。另外4％的参与者的在扫描的15-20分钟之间到达数据标准。
为了获得单个受检者的功能连接矩阵的合理稳定估计，许多研究组已经要求每受检者的至少5分钟的低运动数据来作为数据标准。将该标准应用到1134个扫描会话的整个样本，人们发现20分钟的rs-fcMRI数据的将已经给定至少5分钟的91％的参与者的低运动(FD<0.2mm)数据，如在图4A和4B中所示。因此，如果FIRMM已经用于扫描每个参与者直到其到达数据标准(5分钟FD<0.2mm)，则对于该样本的总rs-fcMRI扫描时间和相关联的成本可以减少57％。在对于rs-fcMRI数据的扫描时间方面～可能已经节省216小时。即使在$600/hr保守估计总每小时MRI扫描费用(MRI扫描器使用费、(一个或多个)扫描器操作者薪金和福利、研究参与者的支付)的情况下，具有FIRMM的扫描至标准将已经将rs-fcMRI数据采集成本减少$130,000。
最新研究表明显著地超过5分钟的rs-fcMRI数据需要用于高保真度功能连接估计。增加rs-fcMRI标准超过5分钟(FD<0.2mm)将大大增加MRI扫描成本以及随之的来自用FIRMM的扫描到标准的潜在成本节省。
低运动数据的线性累积允许至标准的时间预测
为了进一步改进FIRMM对于减少扫描时间和成本的效用，建立了准确地预测所要求的扫描时间直到将到达低运动数据标准的算法。
当创建该预测算法时，在MRI扫描器中在头部运动上花费的时间的影响被可视化，如图5A-5C中所示。图5A-5F示出了低运动数据的线性累积允许到标准的时间的准确预测。图5A示出了包括至少3x 5分钟rs-fcMRI扫描的所有扫描会话的连结平均FD迹线。几个观察是值得注意的。如在图5A中所示，在较高移动临床群组中，平均FD值随着扫描器中的时间而增加。进一步地，呈现了平均FD中的小“重置”，使得相对于先前会话的末尾，对于下一扫描会话的开始的头部运动是更低的。相反，对于较低移动对照群组，平均FD随时间仅最小地增加。然而，平均FD不如跨扫描会话的长度的低运动帧的平均百分比重要。因此，图5B中示出的对于整个群组的低运动帧(FD<0.2mm)的百分比指示跨每个群组的低运动帧(FD<0.2mm)的百分比随着扫描器中花费的时间仅最小地下降。图5B表明随时间的低运动帧(FD<0.2mm)的累积应当是相对线性的，其被图5C中的低运动帧累积图验证。给定这些发现，选择基本线性模型以关于每个参与者将需要扫描多久以便到达由FIRMM用户指定的数据标准来做出实时预测(图5D)。
使用该模型，显示了在获得100个数据帧之后，FIRMM关于参与者必须保持在扫描器中还要多久以便到达特定数目的低运动数据帧做出准确预测。图5E示出了对于图5D中相同受检者，跨扫描的长度(x轴)的FIRMM的预测误差(以分钟为单位；y轴)和实际数据累加(例如，实际实现)。FIRMM的连续更新预测算法向扫描器操作者显示到达预指定的低运动数据标准还要多久的估计，如图1中所示。该特征对于非常高运动个体是特别有帮助的，因为其帮助扫描器操作者估计其是否将能够在分配的扫描器时间期间采集要求的低运动数据量。图5F图示了线性预测算法的鲁棒性(robustness)。更特别地，图5F图示了对于每个群组和整个组的随时间(x轴)的FIRMM的平均预测误差(％)。
对于非常高运动受检者中的扫描的早期终止来使用FIRMM监测减少了总计扫描时间
通过允许扫描器操作者早期终止对能够到达数据标准的极其低可能性的那些参与者的扫描，FIRMM可以生成附加的扫描时间节省。例如，在ADHD群组中，在扫描的15分钟之后，425个参与者当中的40个提供仅2.5分钟(60个帧)的可用低运动数据的(如图12-12F中所示)。对于这些高运动受检者，甚至另一5分钟的扫描将可能不会将其带到标准并且数据采集可能在仅3而不是4次扫描之后停止。使用FIRMM线性预测模块，对于一些参与者的rs-fcMRI扫描可能已经甚至更早终止。以这种方式，FIRMM允许MRI扫描器操作者迅速地移动到研究协议中的下一MRI序列，或者简单地终止整个实验，因此节省参与者和操作者有价值的时间。
示例1概述
这些实验的结果证明了所公开的FIRMM头部运动预测算法的有效性。FIRMM头部运动预测方法提供准确的实时FD计算，以及关于到达低运动数据标准需要的要求的扫描时间的准确预测。进一步地，所公开的FIRMM头部运动预测方法可以用于减少扫描时间，从而减少与“过扫描”相关联的时间和成本。此外，FIRMM头部运动预测方法还通过使得操作者能够对于极其不可能到达必要的低运动数据标准的那些参与者早期终止扫描减少扫描时间。
示例2：通过扫描器操作者对FIRMM系统的评价
为了通过扫描器操作者来评价上文所描述的FIRMM头部运动预测方法(例如，FIRMM)的使用，进行以下实验。在将FIRMM应用到现存数据集1和2之后，在针对29个神经典型性参与者的新群组中，对于扫描器操作者来测试FIRMM的效用(FIRMM测试；数据集3：11个女性，平均年龄＝11.5岁，年龄范围＝5.9-15.9岁)。
使用在这些实验中的现存rs-fcMRI数据包括具有注意缺陷多动障碍(ADHD；数据集1：425个参与者，140个女性)、自闭症谱系障碍(ASD；数据集1:：84个参与者，17个女性)、家族饮酒史(FHA；数据集2：308个参与者，143个女性)和年龄匹配的神经典型性对照组(对照组；数据集1、2：341个参与者，157个女性)。
数据集3：FIRMM使用测试(神经典型性对照组)
5-16岁的年龄之间的总计29个神经典型性参与者从本地社区招募并且经历给扫描器操作者提供对FIRMM的访问权的研究的rs-fcMRI扫描。参与者未排除用于医学、神经学或精神病学诊断，诸如ASD、狂躁症、精神病、脑性瘫痪、癫痫症、智力延缓/残疾或者被认为是显著改变大脑功能的药物制剂的慢性使用、抽搐、OCD、ADHD和皮层视觉缺陷。参与者也未排除用于对MRI的任何禁忌，包括异常心率史、怀孕、起搏器、身体中的(一个或多个)金属物体、广泛牙齿工作、幽闭恐怖症(如通过询问受检者他/她是否曾经经历幽闭恐怖症的症状，诸如当在有限空间中焦虑/恐慌的感觉)，以及意识丧失>5分钟的震荡。左撇子不是排除标准。
所有参与者完成KSADS的Tics、OCD和ASD模块(Kaufman等人，1997)以及执行功能行为评定量表(BRIEF)(Gioia等人，2002)，儿童和青少年经历调查、儿童护理参与量表、儿童抑郁量表、当前ADHD评定量表、曾经/终生ADHD评定量表、参与者的耶鲁-布朗强迫量表(CY-BOCS)。父母还使用在华盛顿大学(Harris等人，2009)处主办的REDCap(研究电子数据采集)来完成一系列调查，其除标准人口统计和医学历史之外包括艾丁伯格优势手(handedness)调查、巴勒特社会地位简化度量(BSMSS)、康斯坦丁社交反应量表(SRS)、儿童行为检核表(CBCL)、孩童生活质量量表父母报告(PedsQL)、父母压力指数(PSI)、和行为抑制系统和行为激活系统调查表(BIS/BAS)。
验证数据采集参数
数据集3参与者在具有12信道头部线圈的Siemens Tim Trio 3.0Tesla Magnetom系统(西门子医学方案,埃朗根,德国)上被扫描。获得高分辨率T1加权MPRAGE序列(分辨率＝1×1×1mm)。
使用BOLD对比度敏感回波平面序列获得功能图像(TE＝27ms、翻转角＝90°、平面内分辨率4×4mm；体积TR＝2.5s)。利用32个邻近交错4mm轴向切片获得全部大脑覆盖范围。参与者完成多达七个6.8分钟BOLD扫描。在七次扫描中的两次期间，参与者处于静息状态，其包括观看黑色背景上的中央呈现的白色十字线(对着<1°视角)。在其他五次扫描期间，参与者观看简短电影和/或接收关于其头部运动的视觉反馈。
结果
FIRMM将头部运动中的不期望的改变警告给扫描器操作者
图6A和6B示出了在实现上文所描述的FIRMM头部运动预测方法之后的样本FD迹线。对于此处示出的MRI扫描，对FIRMM的实时FD迹线的访问使得扫描器操作能够介入并且改进MRI数据质量。29个典型发育的参与者的新群组中的FIRMM的现实世界效用的测试展现出附加益处。例如，如图6A中所示，朝向扫描会话的末尾的参与者的FD值的相当突然并且显著的降低警告了扫描器操作者去检查发现已经入睡的参与者。FIRMM还允许实验者迅速地测试不同的扫描条件对给定参与者中的头部运动的影响。
图6B示出了在稍微不同的条件下经历七次BOLD扫描的一个参与者的数据。直接明显的是，条件之一(扫描#4)示出大大增加的头部运动，而所有其他实验条件是耐受良好的。图11图示了FIRMM图形用户接口(GUI)的屏幕截图图像。在示例性方面中，扫描器操作者的操作者计算设备910(图9中所示的)可以显示实时数据，诸如但不限于在扫描的过程期间的参与者的FD值、基于获得的可用帧的数目的完成的估计时间以及基于参与者的FD值获得的好和坏的数据图像的数目。在进一步的方面中，FD阈值(例如，FD<0.2mm、FD<0.3mm和FD<0.4mm)可以在显示在屏幕操作者的操作者计算设备910上的实时数据图或表格上颜色编码。例如，如在图11中所图示的FD视觉表示可以是对于FD值<0.2mm的绿色、对于FD<0.3mm的黄色和对于FD值<0.4mm的红色，以就在扫描期间获得的数据帧的质量来警告扫描器操作者。
由beta测试中心提供的其他使用情况包括使用FIRMM来提供关于头部运动的特定后运行反馈以激励参与者。该使用包括出于反馈和训练目的共享扬声器系统上的低运动数据帧的百分比或者将FIRMM GUI(类似于图1)显示在扫描器室中的参与者的屏幕上。
示例2概述
这些实验的结果证明了由扫描器操作者对所公开的FIRMM头部运动预测算法的有效性。FIRMM头部运动预测方法通过向扫描器操作者提供实时反馈(例如，在操作者的GUI上实时显示数据)来向操作者警告突然的改变(例如，增加或者减小的FD值)。这允许操作者通过在MRI扫描期间采取措施介入对由FIRMM提供的反馈作出反应。
示例3：使用FIRMM方法的提供给MRI受检者的头部位置反馈对头部运动的影响
为了验证使用上文所描述的FIRMM头部运动预测方法向MRI受检者提供头部位置反馈的影响，进行以下实验。在24个参与者和青少年中调查观看电影片段、观看固定十字线(例如，静息)和接收关于扫描期间的头部运动的实时视觉反馈的影响。
数据集4：头部位置反馈参与者
5-15岁的年龄之间的总计24个参与者和青少年从本地华盛顿大学社区招募。在24个参与者中，10个是女性，14个是男性，并且平均年龄是11.1岁。参与者完成KSADS的Tics、OCD和ASD模块(Kaufman等人，1997)以及当前ADHD评定量表、终生(lifetime)ADHD评定量表(Conners等人，1998)、参与者多维焦虑量表(MASC)(March等人，1997)、社交反应量表(SRS)(Constantino等人，2003)、Kaufman简要智力测试II(K-BIT II)(Kaufman和Kaufman，2004)、巴勒特社会地位简化度量(BSMSS)和艾丁伯格优势手量表(Oldfield，1971)。使用华盛顿大学主办的REDCap[研究电子数据采集]来采集评估(Harris等人，2009)。在24个参与者中，6个未完成KSADS，1个未完成KBIT，并且3个未完成ADHD评定量表、SRS、MASC、或BSMSS，全部归因于时间限制。
对于父母所报告的精神病、躁狂症、ASD、脑瘫、癫痫、智力迟钝/残疾和皮质视力损害，参与者被排除。对于MRI的任何禁忌，包括异常心率史、起搏器、身体中的(一个或多个)金属物体、广泛牙齿工作、幽闭恐怖症(如通过询问他/她是否曾经经历幽闭恐怖症的症状，诸如当在有限空间中焦虑/恐慌的感觉)，以及意识丧失>5分钟的震荡，参与者也被排除。针对抽动障碍、焦虑性障碍、ADHD、摄取对精神起显著作用的药物或者偏手性，不将参与者排除。参与者中的两个具有ADHD的先前诊断，其二者正摄取兴奋剂药物。无其他参与者正摄取对对神经起显著作用的药物。一个参与者满足用于OCD的诊断标准并且一个满足用于在KSADS之后临时抽动障碍的诊断标准。
验证数据采集参数
图像采集
数据集4参与者在具有西门子12信道头部矩阵线圈的Siemens Tim Trio3.0Tesla MAGNETOM扫描器(西门子医学方案,埃朗根,德国)上被扫描。对于每个参与者获得高分辨率T1加权MPRAGE结构图像(分辨率＝1×1×1mm)。使用BOLD对比度敏感回波平面序列获得功能图像(TE＝27ms、翻转角＝90°、平面内分辨率4×4mm；体积TR＝2.5s)。利用32个邻近交错4mm轴向切片获得全部大脑覆盖范围。参与者完成七个6分钟50秒长BOLD运行。
实验设计
监测头部运动，并且基于使用上文所描述的FIRMM头部运动预测方法的头部运动的实时计算，反馈被呈现给经历MRI扫描的受检者。参与者完成静息运行，在该静息运行期间，其观看固定十字线，以及电影运行，在该电影运行期间，其观看电影片段。对于这些刺激条件(例如，静息运行和电影运行)中的每一个，其接收三个反馈条件：没有的、固定的、和自适应的。在固定和自适应反馈条件期间，参与者接收关于其头部运动的在线反馈。因此，实验包括2(刺激)×3(反馈)设计，这导致六个条件。第一BOLD运行通常包括基准静息运行以便获得在标准睁眼静息状态扫描期间的每个参与者的运动的基准评估。以下六个运行包括六个实验条件，其次序跨参与者抵消。
参与者被指令来放松并且在所有扫描期间尽可能保持静息。在静息扫描期间，其被告诉以查看“加号”(例如，十字线)，并且在电影扫描期间，其被告诉以观看电影(如图12A和12B中所示)。对于反馈扫描，参与者被告诉添加游戏，使得扫描器将利用黄色/红色加号(静息)或框(电影)告诉他们其是否正移动太多，并且其目标是将加号保持白色(静息)或保持框远离(电影)。对于自适应反馈条件，其还被告诉当其很好地保持静息时，扫描器将把游戏带到下一级并且使其更困难。
刺激
图12A和12B图示了提供给参与者的示例性反馈视觉显示的示意图。更特别地，图12A示出了对于静息扫描的三个反馈条件(例如，无到低运动反馈、中运动反馈和高运动反馈)，并且图12B示出对于电影扫描相同。如图12A中所示，对于静息扫描，十字线可以颜色编码，使得十字线是对于低到无运动的第一颜色十字线1202(例如，白色)、对于中运动的第二颜色十字线1204(例如，黄色)和对于高运动的第三颜色十字线1206(例如，红色)。在实验期间，白色十字线(对着<1°视角)中央地呈现在黑色背景上。对于包括反馈(例如，中运动和高运动)的静息条件，反馈包括将颜色改变到对于“中”运动的黄色或者对于“高”运动的红色的十字线。使用逐帧位移(FD；参见下文用于描述)来确定运动。对于中和高运动的标准通过在基准静息扫描期间，提取单个参与者的FD来定制到个体。对于基准静息扫描的每个帧的FD从最高到最低排序。对应于帧的前10％的FD被用作高运动阈值，并且对应于帧的前25％的FD被用作中运动阈值。基底阈值被设定为0.3mm(高)和0.2mm(中)。对于固定反馈条件，阈值对于运行的持续时间保持恒定。对于自适应反馈条件，阈值对于在运行的前20个帧保持在这些起始值处，在其之后使用当前扫描的先前20个帧根据相同标准(10和25％)重新计算，并且基于先前20个帧对于每个后续帧重新计算。新FD阈值替换先前FD阈值，只要其是比当前FD阈值更低的(例如，更严格的)。因此，参与者可以减小FD阈值直到运行的末尾或者直到到达0.3和0.2mm的基底阈值。
如在图12B中所示，上文所描述的反馈条件可以用于电影扫描。对于电影扫描，视觉反馈可以通过阻碍集中在屏幕上的矩形的电影针对中运动由FIRMM提供给受检者。矩形可以是指示中运动的第一有色矩形1208(例如，黄色)。对于高运动，矩形可以是较大的第二有色矩形1210(例如，红色)。在实验期间，卡通长片电影的片段被示出给参与者。三个电影用于产生以随机化次序示出给参与者的总计七个电影片段。电影片段根据迷人而非过度刺激或者不安来选择，如由实验者所确定的。对于每个参与者，针对每个电影条件示出不同片段。对于具有反馈的电影条件，反馈包括对于中运动的集中在屏幕上的黄色矩形(500x 375像素)、或者当其继续播放时堵塞电影的高运动的集中在屏幕上的较大红色矩形(800x 600像素)。对于固定和自适应反馈条件期间的反馈的标准与对于静息反馈条件的标准相同。
使用Matlab中的Psychophysics Toolbox Version 3来呈现刺激，并且在扫描仪孔的末端而将其反投影到MR兼容的背投屏幕上，参与者通过安装在头部线圈上的镜子而观察。屏幕尺寸是1024x 768像素。穿戴MR兼容耳机以抑制扫描器的噪声并且在电影条件期间听电影。
图像预处理
来自每个参与者的功能图像被预处理以减少伪影(Shulman等人，2010)，包括：(i)将所有切片正弦内插到第一切片的时间中点，考虑到每个单独切片的采集时间中的差异；(ii)校正运行内或跨运行的头部运动；以及(iii)对于每次运行，强度归一化为1000的整个大脑模式值(跨体素和TR)。使用MPRAGE T1加权扫描对于每个个体计算功能数据的图谱(atlas)变换。对于一个参与者，T1加权扫描包含太多运动伪影用于足够配准，并且因此，使用T2加权图像。每个功能运行在组合了单个内插中的图谱变换和运动校正的各向同性的3mm网格的图谱空间中重新采样。目标图谱先前从在使用在该研究中的相同Siemens 3TTrio上采集的十三个7-9岁参与者(七个男性)和十二个21-30岁成人(六个男性)的MPRAGE扫描创建。使用Lancaster等人(1995)的空间标准化方法做出该图谱以符合Talairach图谱空间。
功能连接预处理
对于静息状态功能连接MRI分析，附加的预处理步骤用于减少可能反映神经元活动的假差异(spurious variance)。这些步骤包括：(i)距平化(demeaning)和消除趋势(detrending)，(ii)来自BOLD数据的滋扰(nuisance)变量的多元回归(滋扰变量包括由Volterra扩展(Friston等人，1996)导出的运动回归量、使用Freesurfer分割构建的个性化心室和白质信号、跨全部大脑平均的大脑信号和这些信号的导数(derivative))，(iii)时间带通滤波(0.009Hz<f<0.008Hz)，以及(iv)空间平滑(6mm半峰全宽)。对于具有污染T1图像的过量运动的一个参与者，T2加权图像用于使用FSL的快速分割创建滋扰回归量掩模。
运动去除方法
实现了这样的体积去除程序(Power等，2014)：其中具有FD>0.3的体积被从数据识别并且去除的去除。选择0.3的阈值，因为在该运动阈值处，甚至表现最佳的受检者也会受到在反馈条件期间运动太高的“红色”警告。给定该方法，通过计算平均FD和在去除之后保持的帧的数目来索引头部运动。
结果
较年轻的参与者中的实时反馈和电影观看减少运动
为了测试实施反馈和电影观看对FD的影响，以平均FD作为因变量和受试者内因子刺激(静息，电影)和反馈类型(无、固定、自适应)来运行重复测量ANOVA静息。刺激有显着的主要影响，使得FD对于电影(M＝0.28,SD＝0.30)对齐于静息(M＝0.60,SD＝0.91),F(1,23)＝4.77,p＝0.039来说是更低的。反馈类型有显著的主要影响，具有最低FD，其对于固定条件(M＝0.26,SD＝0.23)，然后自适应条件(M＝0.45,SD＝0.61)，并且对于无反馈最高的(M＝0.61,SD＝0.98),F(2,46)＝3.8,p＝0.03。刺激x反馈类型相互作用不显著(p＝0.15)。
给定年龄和性别对扫描器内头部运动的潜在影响，相同刺激x反馈类型ANOVA利用包括(a)年龄组(较年轻的[5-10岁，n＝11]、较年长的[11-15岁，n＝13])和(b)性别(男性，女性)的附加的受检者之间因素而运行。刺激、F(1,20)＝8.26、p＝.009、反馈类型F(2,40)＝4.95、p＝.012和年龄组有显著的主要影响，使得较年轻组(M＝.74,SD＝.79)具有比较年长组(M＝.18,SD＝.73),F(1,20)＝6.36,p＝.02更高的FD。受检者的性别没有主要影响(p＝.995)。还存在显著刺激x年龄组相互作用，F(1,20)＝8.92，p＝.007，以及显著反馈x年龄组相互作用，F(2,40)＝3.61，p＝.036。没有与性别的互作用是重要的。
进一步地，刺激x反馈x年龄组相互作用接近于显著的，F(2,40)＝3.14，p＝.054。图13A和13B通过示出电影观看和反馈对FD的影响由较年轻的参与者驱动的来图示了该相互作用的性质。更特别地，图13A示出了对于三个反馈条件(例如，无反馈、固定反馈和自适应反馈)的静息扫描和电影扫描的对较年轻参与者(5-10岁)和较年长参与者(11-15岁)计算的平均FD。图13B示出了在体积去除之后保持的MRI帧的百分比(FD<0.3mm)。图13A和13B中的误差棒指示平均的标准误差。
虽然抵消了条件的次序，但是执行具有Run作为受检者内因子的单向ANOVA来测试扫描器中的时间的效果(对于7个运行的7个水平，第一个是基准静息运行)。Run无显著影响(p＝.67)。
在图13B中示出了观看电影和接收在线反馈对使用上文所描述的帧去除方法保持的帧数(例如，其中，FD<0.3mm)的影响。重复运行测量ANOVA，其帧数被保持为因变量。刺激(静息，电影)x反馈类型(无、固定的、自适应的)ANOVA展现出具有在静息(M＝124,SD＝35.4)比在电影(M＝136.1,SD＝28.7),F(1,23)＝10.4,p＝.004期间保持的更少帧的刺激的显著主要效果，以及反馈类型的显著主要效果，以及在无反馈(M＝123.9,SD＝41.3)期间比利用自适应反馈(M＝129.6,SD＝33.4)保持的最少帧。在固定反馈(M＝136.7,SD＝23.6),F(2,46)＝3.79,p＝.03期间保持大多数帧。没有刺激x反馈类型(p＝.26)的显著的相互作用。
年龄组和性别被包括作为受检者之间的因素。此外，发现刺激F(1,20)＝11.5,p＝.003和反馈类型F(2,40)＝4.15,p＝.023的显著主要影响。还存在年龄组的显著主要影响，使得在较年轻组(M＝116.74,SD＝42.9)比在较年长组(M＝142.39,SD＝40.5),F(1,20)＝4.54,p＝.046中保持更少帧，但是无Sex(p＝.45)的显著影响。刺激x年龄组相互作用是显著的，F(1,20)＝5.88,p＝0.025。图13A和13B示出与平均FD一样，影响由较年轻的参与者驱动。
种子图和网络结构跨条件定性地保留
从17个参与者分析成像数据，其全部在运动去除之后每个条件中的数据保持至少72帧(3min)。其他参与者不具有一个或多个条件中的足够数据用于分析。重要的是，数据量和平均FD后运动去除在这些17个参与者中的条件之间没有显著地不同(所有p>0.1)。从这些数据，对于六个正则(canonical)种子区域构建种子图：左运动皮质(Talairach坐标：-38,-29,57)、右运动皮质(39,-19,56)、左角回(-46,-63,31)、左楔前叶(9,-56,16)、右腹内侧前额叶皮层(7,37,0)和背侧前扣带回(-1,10,46)。创建具有集中在正则坐标上的10mm直径的种子，并且种子区域中的时间过程然后与大脑中的所有其他体素互相关。对于每个条件(固定无反馈、固定不变的反馈、固定自适应反馈、电影无反馈、电影固定反馈、电影自适应反馈)生成种子图。
图14A和14B示出了复制规范功能连接(FC)轮廓的组平均种子图。更特别地，图14A示出了对于左角回的种子图(Talairach坐标-46,-63,31)，并且图14B示出了对于具有每个条件中的用FC数据的17个参与者的右运动皮质(Talairach坐标39,-19,56)的种子图。六个预定义正则种子区域的FC图展现出期望的FC轮廓。例如，放置在左角回中的种子产生与属于默认模式网络的其他区域的相关性，包括等位角回和扣带回后部。RSFC种子图跨扫描条件而看起来定性地类似。
对于具有足够的成像数据的17个受检者构建FC相关矩阵。对于每个受检者，从264个先前定义的感兴趣区域(ROI)提取FC时间过程。计算所有264个ROI(10mm直径球体)之间的交叉相关性。这些相关性可以以矩阵形式观看，其中，区域被根据先前描述的功能网络方案而组织。相关矩阵对于每个条件的每个参与者构建并且使用Fisher r-to-z变换而归一化。跨参与者来平均矩阵，以检查每个条件中的期望块结构(例如，在网络相关性内是强的)。
为了测试行为介入是否显著地影响FC，使用配对版本的面向对象数据分析(OODA)-在(La Rosa等人，2012；La Rosa等人，2016)中描述的对比连接体的方法，在各种条件下对相关矩阵进行统计学比较。简要地，OODA根据每个条件的吉布斯分布计算平均加权矩阵，并通过采用它们之间的欧几里得距离来比较矩阵。为了将p值分配给观察的差异，样本被自展(bootstrap)(N＝1000次)，产生距离的分布。
图15A-15C图示了显示由网络组织的264个先前定义的感兴趣区域(ROI)之间的功能连接的相关矩阵。对于每个条件中具有可用FC数据的17个受检者，数据被示出。更特别地，图15A示出了对于静息无反馈(Rest No Feedback)和电影无反馈(Movie No Feedback)的反馈条件的数据。图15B示出了对于静息固定反馈(Rest Fixed Feedback)和电影固定反馈(Movie Fixed Feedback)的反馈条件的数据。图15C示出了对于静息自适应反馈(RestAdaptive Feedback)和电影自适应反馈(Movie Adaptive Feedback)的反馈条件的数据。图15A-15C演示了具有强网络内相关性和较低网络间相关性的期望网络结构。对于所有条件呈现了期望的块结构，演示了在对于图15A-15C、16A-16D和17的网络内相关性比网络间相关性更高，Aud＝听觉的，CB＝小脑，CO＝带状盖脑(cingulo-opercular)，DAN＝背侧记忆网络，DMN＝默认模式网络，FP＝额顶叶，PMN＝顶叶记忆网络，Sal＝突起、SC＝皮质下的、SM＝躯体运动、SM(lat)＝躯体运动横向、VAN＝腹侧注意网络，并且Vis＝视觉的。
FC通过电影而显著地改变，但是不通过反馈而显著地改变
配对样本t测试显示，对于反馈条件的对比(静息无反馈vs.静息固定反馈，静息无反馈vs.静息自适应反馈，静息固定反馈vs.静息自适应反馈)，没有连接在多次比较校正后存活。当将静息无反馈和电影无反馈条件相比较，48个功能连接是显著不同的，其大多数是视觉网络到视觉网络连接。给定大量的测试和对于多个比较校正的需要，这些分析是非常保守的并且可能尚未展现出所有真实差异。OODA允许作为整体的条件之间的相关矩阵的直接比较，并且因此，可以在检测差异处是更敏感的。这些分析展现出在静息无反馈与电影无反馈之间的有效差异(p<.001)，但是在无静息无反馈与静息固定反馈之间的(p＝0.33)、静息无反馈和静息自适应反馈(p＝0.45)以及静息固定反馈和静息自适应反馈(p＝0.9)的显著差异。因此，当与静息状态相比时，电影显著地改变FC，而反馈未改变FC，如在图16A-16D中所示。
图16A-16D示出了关键条件之间的FC中的差异。电影与静息之间的差异是结构化的(并且显著的)，而反馈条件之间的差异是较小的(并且不显著)。图16A示出了静息无反馈与电影无反馈之间的FC中的差异。图16B示出了静息无反馈与静息固定反馈之间的FC中的差异。图16C示出了静息无反馈与静息自适应反馈之间的FC中的差异。图16D示出了静息固定反馈与静息自适应反馈之间的FC中的差异。
为了轮询静息无反馈与电影无反馈条件之间的显著差异的性质，事后排列分析被运行以识别不同的特定网络到网络块。图17显示示出电影观看的特定和系统效果的结果。更特别地，图17示出了静息无反馈与电影无反馈条件之间的显著网络层差异。对于显著的网络到网络块示出r中的绝对差。如在图17中看到，存在包含具有许多其他网络的额顶网络FC的有效差异，包括感觉运动处理网络(躯体运动、听觉、视觉)、自顶向下控制网络(带状盖脑(cingulo-opercular)、背侧注意)和默认模式网络。视觉网络内和之间以及听觉网络与其他网络之间也存在FC差异。这些结果证明观看电影改编特定功能网络内和之间的FC，包含感觉运动处理和自顶向下控制。
示例3概述
这些实验的结果证明使用所公开的FIRMM头部预测方法基于头部运动的实时计算将视觉反馈呈现给经历MRI扫描的受检者的有效性。通常，实时头部运动反馈在年轻参与者中的MRI扫描期间减少运动。特别地，在年轻参与者中，MRI扫描期间的电影观看减少头部运动。这些实验的结果还公开了电影，而非反馈，显著地改变功能连接(FC)MRI数据。因此，实时视觉反馈可以由FIRMM提供给经历MRI扫描的受检者，其可以通过如下的方式来被提供：(a)改变十字线的颜色和(b)阻碍具有不同尺寸的颜色编码矩形的电影片段，以允许受检者在没有来自扫描器操作者的介入的情况下来调节他或她的身体运动。
示例4：fMRI中的运动估计中的呼吸伪影的识别
为了识别污染运动估计的呼吸伪影，进行以下实验。更特别地，从被提供有MRI扫描期间的视觉刺激或“呼吸线索”的受检者获得多频带数据和单频带(例如，单发)数据。提供视觉刺激以便贯穿MRI扫描将受检者的呼吸控制到确切地11Hz。在两个数据类型(例如，多频带成像数据和单频带成像数据)之间比较呼吸迹线和功率谱。
数据集4：ABCD-多频带
使用来自ABCD研究的数据。ABCD参与者具有9-10岁的年龄，并且选自俄勒冈健康与科学大学(OHSU)。ABCD参与者和家庭通过基于学校和社区的邮件来招募，目标是来到达代表美国人口的种族和人口统计样本。主要阐述排除标准以确保参与者能够完成研究协议，并且包括精神障碍(例如，精神分裂症)的当前诊断、中到重自闭症谱系障碍、智力残疾、或者酒精/物质使用障碍、用英语缺乏流畅(仅对于孩子)、不可校正的感觉短缺、主要神经障碍(例如，脑性瘫痪、脑肿瘤、多发性硬化、具有意识丧失>30分钟的创伤性脑损伤)、孕龄<28周或者出生体重<1.2kg)、导致出生后的>1月住院治疗的新生儿并发症、以及MRI禁忌症(例如，支架)。
在MRI扫描之前，呼吸监测风箱(例如，带)舒适地放置在参与者的肋骨周围(其中，传感器仅在胸腔以下水平对准)。进一步地，脉搏氧监视器被放置在参与者的非主导食指。所有参与者具有足够EPI数据来检查(例如，4、5分钟运行)和从西门子建立的生理监视器和呼吸带中的获得的质量生理数据。
数据集5：神经典型性对照组
使用来自OHSU的内部“单发”(例如，单频带)的关于神经典型性对照组(例如，对照组群组)的数据。对照组包括321个扫描会话，其中，149个女性扫描会话。招募这些神经典型性对照组作为Fair和Nigg实验室中的两个正在进行的纵向研究的一部分。从响应于社区中的大量邮件的自愿的家庭招募参与者。其诊断类别(例如，对照组)在最佳估计多阶段病例发现程序中仔细评价。
针对ADHD、抽动障碍、精神障碍、双相障碍、自闭症谱系障碍、品行障碍、重度抑郁症、智力残疾、神经学疾病、慢性医学问题、感觉运动残疾、和显著头部创伤(具有意识丧失)阐述排除标准。进一步地，如果参与者正摄取精神药物或者精神兴奋剂，则将其排除。如果参与者具有对MRI的禁忌症，则也将参与者排除。仅将右撇子(right-handed)参与者包括在研究中。
评价数据采集参数
在具有定位在OHSU的高级成像研究中心处的32信道头部线圈的Siemens 3.0TMagnetom Prisma系统(西门子医学方案,埃尔兰根,德国)上扫描ABCD参与者。获得高分辨率T1加权MPRAGE序列(分辨率＝1x 1x 1mm)。BOLD加权功能图像使用T2*加权回波平面成像而采集(沿着前后连合)(TR＝0.80ms，TE＝30ms，翻转角＝90，FOV＝240mm2、覆盖整个大脑的36个切片、切片厚度＝3.8mm、分辨率＝3.75x 3.75x 3.8mm)。获得静息数据BOLD数据的5min的四次运行，在该四次运行期间，ABCD参与者被指令来保持静息并且聚焦在从扫描器的头部而投影并且利用安装在32信道头部线圈上的反射镜观看的黑色屏幕的中心的白色十字线。这是如上文所讨论的静息条件，并且类似于图12A中所示的反馈视觉显示。
在设置在OHSU的高级成像研究中心处的具有12信道头部线圈的Siemens TimTrio 3.0T Magnetom Tim Trio系统(西门子医学方案,埃朗根,德国)上扫描神经典型性对照组参与者(例如，单发数据集)。获得高分辨率T1加权MPRAGE序列(分辨率＝1x 1x 1mm)。BOLD加权功能图像使用T2*加权回波平面成像采集(沿着前后连合)(TR＝2500ms、TE＝30ms、翻转角＝90、FOV＝240mm2、覆盖整个大脑的36个切片、切片厚度＝3.8mm、分辨率＝3.75x 3.75x 3.8mm)。获得静息状态BOLD数据的5min的三次运行，在该期间，对照参与者被指令以保持静息并且注视在从扫描器的头部投影的且利用安装在12信道头部线圈上的反射镜被观看的黑色屏幕的中心的白色十字线上。这是如上文所讨论的静息条件，并且类似于图12A中所示的反馈视觉显示。
数据处理参数
所有数据是在来自人类连接组计划的稍微修改的处理管线来处理。这样的管线要求FSL(Smith等人2004；Jenkinson等人2012；Woolrich等人2009)和FreeSurfer工具(Dale等人1999；Desikan等人2006；Fischl&Dale 2000)的使用。由于所有参与者未产生质量T2图像，因而移除该管线中的T2特定成像。
梯度失真校正的T1加权的体积首先与MNI的AC-PC轴对齐，并且然后非线性地归一化到MNI图谱。T1w体积随后使用基于边界的配准(Greve&Fischl 2009)而重新配准以改进对准。T1w的大脑使用来自FreeSurfer的重组-全部(recon-all)来进一步分割。BOLD数据针对场失真(使用FSL的TOPUP)校正并且通过对第一帧做出初步6个自由度线性配准来处理。在该初始对准之后，平均帧被计算并且被用作最后参考。全部在一个单个步骤中，通过将所有单独配准连结为单个配准，来随后将BOLD数据配准到该最后参考和T1加权体积。
表面配准。在灰质内局限的bold数据被配准到跟随由皮质带定义的中厚度的轮廓的网格。通过考虑T1加权和T2加权体积定义皮质带。该带用于量化BOLD数据中的每个体素的部分贡献。皮质网格中的时间过程通过获得邻近网格内的每个顶点的体素的加权平均计算，其中，权重通过全部或部分在皮质带内的体素的平均数目给出。
排除指示了关于组织分配的困难或者包含大血管的高变异系数的体素。然后，该网格中的产生的时间过程向下采样到锚点(灰坐标)的标准空间，其定义在脑图谱中并且在利用2mm全宽半高高斯滤波器使其平滑之后唯一地映射到每个参与者的大脑。皮质下区域被视为并且配准为体积。灰坐标的三分之二是位于皮质带中的顶点，而剩余的灰坐标是皮质下体素。
滋扰回归(Nuisance regression)。由HCP管线报告的最小处理的时间过程进一步预处理以使BOLD数据中的不想要的信号的影响最小化。该额外步骤包括从灰质、白质和心室而回归出(regress out)平均信号。该附加步骤还包括从来自关于实际和先前TR和其平方的六个图像对齐参数x、y、z、θx、θy和θz的帧之间的运动，回归出平均信号，其对应于运动的维尔特拉(Volterra)级数展开。回归的系数(贝塔权重)仅基于具有低运动的帧计算，但是考虑所有帧来计算回归以保留数据的时间次序，其用于在时间域中过滤。然后，使用一阶Butterworth带通滤波器对时间过程进行滤波，以保持在0.009和0.080Hz之间的频率。
估计呼吸特性
呼吸率的正常生理范围随年龄改变，从出生时每分钟44次呼吸(bpm)到18岁时16bpm。可以通过将受检者的呼吸率(以bpm为单位)除以60来获得以Hz为单位的对应频率。对于20bpm的呼吸率(青少年中的典型值)，以Hz为单位的对应频率是这意指20bpm的呼吸率通过功率谱图中的的频率处的峰值展现。
以1/TR的频率获得bold数据。特别地对于ABCD研究，TR＝0.8秒，并且采样频率是1.25Hz(1.25＝1/0.8)。以1.25Hz获得的信号的功率谱示出单个(和正交)正弦信号，如果相加，可以重建原始时间信号。那些单独正弦信号具有从零直到0.625Hz(例如，1.25/2Hz)或者通常采样频率的一半(称为奈奎斯特频率)的频率。如果存在的话，可以在运动估计的频谱中看到20bpm的信号
因为
对于较慢的TR(或者较快的呼吸率)，例如对于对照组(例如，OHSU)数据集(TR＝2.5s)，呼吸率信号可以“混叠”到运动估计中。换句话说，呼吸率的峰值将看起来像较慢频率处的峰值。当以低采样率获得快速过程时发生混叠。通常，对于采样过程，比奈奎斯特(例如，采样频率的一半)更快的信号混叠(折叠)在频谱中。混叠通过两个因素的组合发生：TR和受检者的呼吸率(参见图xx“示出图谱”)。例如，20bpm
的相同信号将看起来像2秒的TR处的
的频率处的峰值(参见图xx“示出图谱”)。通常，混叠频率可以计算如下：
RRa，HZ＝abs(RRHZ-floor((RRHz+fNy)/fS)*fS)，
其中，RRa，HZ是混叠呼吸率频率(以Hz为单位)，RRHZ是真实呼吸率频率(以Hz为单位)，fS是采样频率(以Hz)并且可以计算为1/TR。最后，fNy是奈奎斯特频率，其是采样频率RRHZ的一半。
估计运动频率含量
使用功率谱密度估计来计算运动估计的频率含量。功率估计报告了各个分量的平均幅度，如果相加，可以重建原始信号。信号处理中的该标准程序包括将数据窗口化(windowing)，计算每个窗口的傅里叶变换，并且对跨窗口的每个频率的幅度进行平均。为了使与分割数据相关联的频率的泄露最小化，我们使用不同的窗口类型(例如，“锥形”)将每段取窗口多次。该计算使用函数pmtm在Matlab中完成。
通过检查种子区的相关(correlation)结果进行的定性评估
使用运动对以由Powers等人引入的格式的BOLD数据的影响进行定性评估。使用如由图18A和18B所示的该表示的版本。如在图18A和18B中看到，来自每个掩模EPI帧的数据(表示每个体素，或者对于表面数据，灰坐标)被显示为向量。在“BOLD运行”中再次表示每个帧的每个向量被水平地堆叠在时间域中。该程序允许人们在一次拍摄(shot)中观看针对给定受检者在给定运行(或经由级联(concatenated)运行的全部研究)中表示的所有数据。已经在其他地方详细描述了如图18A和18B中所示的BOLD数据(例如，BVD图)的这些矩形灰度图。
如在图18A和18B中所图示的，在BVD图之上是在连接性预处理(“Pre reg”)之前的(对于时间序列的导数的D、对于跨体素的RMS方差的VAR)、预处理的回归阶段后(post)的(“Post reg”)以及在所有处理(包括滤波)之后的(“Post all”)的DVARS测量。DVARS是不依赖于帧重新对齐的运动的好的估计。还包括的是全脑信号的平均(“Mean”)和标准偏差(“Std”)图。
跨运行绘制帧位移(FD)。对于FD线中的每个帧或数据点，其是有色圆形标记，其表示将已经从未来分析排除的给定帧的FD阈值。通过在绘图中水平地匹配颜色来显示对应的阈值线。例如，第一颜色点(例如，灰点)可以表示将在0.6的FD阈值处排除的帧(除非其也将在较高阈值处排除)。第二颜色点(例如，绿点)可以表示0.1的FD阈值，并且第三颜色(例如，橙色)点可以表示0.2的FD阈值。这些点然后复制在图形的上限，使得各种阈值可以容易与BVD图相比较。此处思想在于，用于移除不想要的运动损坏数据的适当阈值应当至少视觉地与由BVD图可视化的损坏数据对齐。
利用质量测量进行的定量的评估
利用由Power等人在2014介绍的质量测量进行定量评估。在图19A-19D图示了步骤，并且在图30A-30C中图示了结果。图19A图示了其中FD值用于通过降低质量将受检者体积排序的第一步。在第二步中，如
图19B中所示，若干体积的滑动窗口用于计算相关性(在体积1-50、2-51等中)。前10次开窗(boxcar)中的平均相关性定义了零。在第三步中，取代使用短距离连接中的Δr作为结果度量，基准矩阵与给定滑动开窗(boxcar)矩阵之间的相关性(r)。在图19C中示出了相关性。步骤4包括重复如图19A-19C所示的步骤1-3，其使用数据质量度量标签(例如，FD值)的排列来建立零结果分布。如图19D中所示，步骤5包括将真实值与零分布相比较，以示出在什么FD值处，矩阵与p<0.05的置信度处的随机数不同。如在图19D中所示，靠近0的灰度值是与随机非显著地不同的。在图底部的灰度值与随机数显著不同。
在生成所有受检者的数据质量度量有序结果之后，并且对于所有条件(例如，在没有滤波器的情况下、在通用滤波器的情况下、在受检者特定滤波器的情况下)，数据质量度量有序结果被分析以确定什么程序整体地最相似于或者偏离于随机数。跨受检者的数据质量度量有序结果的排名被绘制，如图20A中所示，并且被面元化(binned)，如图20C中所示。如在图20C中看到，该程序提供以数据质量度量面元(bin)的排名的垂直分布。
图20A-20C中所示的图形被解释为如下，如果FD迹线准确地表示BOLD数据中的运动，偏移随着平均FD值上升，从更随机分布的等级的转移很快发生。该结果将接着发生，因为在FD在描绘扫描器中的真实运动时是完美准确的最佳情况下，基准测量(例如，最高质量帧)将具有非常少的运动。因此，当与具有较高运动的帧相比较时，分歧(divergence)将迅速地接着发生(例如，将迅速地与随机数分歧)，如图20A-20C中所示。在FD随机地与BOLD中的真实运动相关联的情况下，将不存在分歧，因为基准测量将具有与其他测量相比较相同数量的运动帧。因此，最准确的FD测量结果应当相对于其他FD测量结果向左偏离。
结果
当与单频带数据相比较时，基本差异存在于由多频带数据产生的运动迹线中
如上文所讨论的图18A和18B为已经利用多频带采集和单频带采集二者来扫描5分钟的非常低运动的受检者提供BVD图的示例。受检者还被提供有视觉刺激或者“呼吸线索”，使得贯穿运行中，他的呼吸将确切地设定在11hz处。图18A和18B示出了具有多频带数据的利用FD测量的运动值比具有单频带的看起来比更高。实际上，尽管在BOLD数据或DVARS的其它之类测量结果或全脑的标准偏差的中没有出现明显伪影，仅对于多频带数据，许多帧没有通过FD<0.2的标准截止。与单发(例如，单频带)数据相比较，这些定性观察表明由多频带数据提供的运动估计中的基本差异。
多频带成像展现出FD计算的先前未识别的失真
建立了与单频带数据相比较对于多频带数据的运动估计中的差异的可能性，随后地比较两种数据类型之间的呼吸迹线和功率谱。图21A示出了单个代表性受检者中的估计，其中，呼吸数据重新采样以匹配BOLD数据的采样率—在这种情况下，800ms的TR。为了通过视觉检查利于比较，图被提供有时间过程，用于呼吸率信号顶上的刚体配准参数的六个方向中的每一个上的运动估计。还为图21A中的那些信号提供并排式频谱。图21A的中间行提供了对于受检者运行的全部迹线，并且图21A的第一行提供该相同运行的10个帧的小屏幕截图。图21A示出了用于在一些方面中运动迹线跟随呼吸迹线的趋势。该对应性在数个方向(但是特别地y方向(例如，相位编码方向))上发生。
图21A的底行通过绘制对于相同受检者的跨运行的运动迹线和呼吸迹线二者的功率谱来确认了该关联。呼吸的峰值幅度匹配运动迹线的峰值幅度。重要的是，虽然最大“撞击(bump)”在y方向(再次，相位编码方法，如将期望的)上发生，但是伪影看起来也“流出(bleed)”到其他方向中。这可以与从运行的自始至终，受检者的相对头部位置常常改变的事实有关。
图21B图示了跨从具有最低运动的那些受检者到具有最高运动的那些受检者排名的所有受检者的功率谱。图21B示出了伪影存在于大多数受检者中，如由y方向和z方向上的箭头所示。在许多受检者中，伪影也存在于多个方向上，虽然在较小程度上。看起来对于在扫描中移动最多的参与者(例如，图21B的底部)，伪影减少。该现象对于具有对来自相对于对于给定受检者的运动的呼吸的功率谱的减少的贡献可能是次要的。
单频带FD值也具有相同呼吸伪影
图22A-22G示出了与在图21A和21B中所示的相同的数据，但是具有单频带(例如，单发)采集数据。对于这些数据，呼吸数据是不可用的。从单发数据可以看出，对于单发数据存在利用多频带数据示出的类似类型的伪影。特别地，图22B图示了伪影主要在Y方向(例如，相位编码方向)上发生。然而，功率谱的轮廓看起来是更宽并且更不特定的(例如，功率中的峰值是相当宽的)。
该现象对于以下事实可能是次要的：单发数据(例如，TR)的较慢采样率不足够快以采集呼吸的真实速率。相反，呼吸被混叠到其他频率中。在图22C-22G中图示了该效果。具有高于采样率的一半(例如，奈奎斯特极限)的频率的任何信号将错误地被检测为较低频率的信号。例如，在10Hz处采样的2Hz信号将在2Hz处读出。在10Hz处采样的5Hz信号将在5Hz处读出，因为其确切地在奈奎斯特极限处。然而，以10Hz采样的6Hz频率将不读出为6Hz，但是将相反以较低采样频率读出。在该示例中，信号读出为4Hz，因为信号高于奈奎斯特极限。
图22C-22G提供了对于给定呼吸率并且对于给定TR(例如，采样率)可以期望什么频率的图示。图22C图示了每分钟15、20和25次呼吸的三个示例。从图22E可以看到，对于800ms(或0.8s)的TR的运动迹线中的伪影将可能匹配给定参与者的真实呼吸率；然而，对于如由图22F和22G所示的较慢TR，呼吸率将混叠到不同频率中。因此，在扫描期间的呼吸率中的任何变化可能扩展到各种频率中，加宽给定轮廓，如图22A中所示。真实呼吸率与在运动迹线中观察到什么之间的该失配可以是为何运动数据中的这些伪影在单发数据上先前尚未报告直到现在的一个原因。
图23A-23E示出了用于0.33Hz的非常特定的呼吸率处的受检者呼吸的BOLD数据。在TR＝0.8ms、1.5s和2s处使用相同多频带序列采集数据。还在TR＝2.5s处使用单发数据采集数据。在补充材料中可以看到的是呼吸信号的混叠与图22C-22G中概述的理论值紧密匹配。
示例4概述
这些实验的结果证明了呼吸对运动估计的影响。更特别地，结果表明呼吸污染fMRI中的运动估计。定性观察突出显示与单频带数据相比较由多频带数据产生的运动迹线中的基本差异。进一步地，具有其较快的重复时间和经改进的空间分辨率的多频带成像展现出FD计算的先前未识别的失真。此外，单发FD值被示出为具有相同的呼吸伪影，虽然在较小程度上。
示例5：与陷波滤波器集成以移除由头部运动数据中的呼吸引起的失真的FIRMM系
统的评价
示例4中，已经建立了呼吸对运动估计的影响，进行以下实验以就呼吸失真的头部运动数据来验证与陷波滤波器集成的FIRMM头部运动预测方法。受检者的呼吸(例如，呼吸作用)引起在预处理和/或实时监测期间从传统帧对准程序获得的运动估计中的伪影。这些伪影的效果可能对连接性相关结果产生不利影响。为了校正运动估计中的不期望的(一个或多个)信号，具有两个设计参数(中央截止频率和带宽)的陷波滤波器基于来自由青少年大脑和认知发育(ABCD)研究提供的数据的呼吸率的分布来设计。设计的滤波器(例如，通用滤波器和受检者特定滤波器)被实施在多频带和单频带(例如，单发)数据上，并且与上文所描述的FIRMM头部运动预测方法相集成，以移除对应于受检者的呼吸率的不期望的(一个或多个)信号。
评价数据采集参数
如在示例4中所描述的数据集5的神经典型性对照组参与者和数据集4的相同ABCD研究参与者参与了示例5的实验。在示例4中如上文所描述的，以相同方法并且在相同设备上扫描ABCD和神经典型性对照组参与者。
结果
过滤FD迹线校正呼吸伪影并且改进BOLD数据质量的估计
以两种方式应用陷波滤波器。第一，生成通用滤波器以便捕获各种各样的可能呼吸率。就功率而言，通用滤波器被设计为捕获ABCD样本群体呼吸高峰的大部分。该滤波器适用于改进连接性结果。第二，受检者特定滤波器被设计为产生特定于受检者的呼吸带数据的滤波器参数。受检者特定滤波器比通用滤波器稍微更好执行。图24A图示了无滤波器应用的结果，并且图24B图示了使用BOLD可视化数据(BVD)图来实现通用陷波滤波器的结果。图24C图示了对于从中运动ABCD参与者获得的数据的无滤波器应用的结果。图24D图示了将通用陷波滤波器应用到从图24C中所示的相同的中运动ABCD参与者所获得的数据的结果。
从图24B和24D可以看到，通用滤波器的应用减少运动估计。利用FD测量的运动迹线看起来更准确地反映实际数据中的运动伪影。这图示在图24B和24D的“后回归”灰色图中。考虑<0.2mm的FD截止的场的通用标准，人们可以看到高于该阈值的帧与后回归运动伪影更紧密地对齐，如由灰度图中的条和“后全部(post all)”DVARS线中的尖状物所展示的。
进一步地，当使用运动滤波器时，如由DVARS测量的变异量(如由图24B和24D的图中的“后全部(post all)”DVARS和“std”所示)看起来稍微减少。该结果可能反映当从信号回归出运动时运动值(例如，平移和旋转数)与实际运动伪影的更紧密的对应性。换句话说，用于从bold信号回归出运动的线性模型拟合在缺少由呼吸引起的伪影的情况下是更强的。
图25A和25B示出了关于通用滤波器应用的结果，并且图9A和9B示出了关于受检者特定滤波器应用的结果。更特别地，图25A和25B示出了多频带数据与单频带数据之间的呼吸迹线和功率谱。在已经应用通用滤波器和受检者特定滤波器之后，图25A和25B提供了上文所描述的图21A和21B的复制。图25B(通用滤波器)和26B(特定滤波器)公开了实现通用滤波器和受检者特定滤波器不完美地捕获由呼吸引起的伪影的方法。如图26A和26B中所示，特别地对于高移动受检者(例如，图形的底部)，滤波器可以撞击在真实运动值上。
过滤估计提供经改进的数据质量
图27A-27L和图28图示了将运动估计与连接性数据相关的定量测量表明了过滤估计提供经改进的数据质量。图27A-27L的解释是，如果FD迹线准确地表示BOLD数据中的运动，那么曲线可以向左移动。该结果将出现，因为在FD在描绘在扫描器中的真实运动时是完美准确的最佳情况下，基准测量(最高质量帧)将具有非常少的运动。因此，当与具有较高运动的帧相比较时，分歧将迅速地接着发生(例如，将迅速地与随机数分歧)。在FD随机地与BOLD中的真实运动相关联的情况下，将不存在分歧，因为基准测量将具有与其他测量相比较相同(或者类似)数量的运动帧(参见图20A-20C)。简而言之，最准确的FD测量结果应当相对于其他FD测量结果向左偏离。
图27A-27L示出了与使用通用滤波器或者运行特定滤波器的FD测量相反，当无滤波器使用时FD测量看起来最随机。这可以利用图27A和27D中所示的较少“光灰度”点连同对于图27G和27J的累积分布的左边的移动一起可视化。如图27C、27F、27I和27L中所示的受检者特定滤波器产生与如图27B、27E、27H和27K中所示的基本上重叠的分布。进一步地，如图28中所示，kstest2用于测试CDF之间的显著差异。图28图示了无滤波器与通用滤波器之间的差异是显著不同的(p<0.0001)。kstest2还示出与通用滤波器相比较，运行特定滤波器的CDF也是显著不同的(p<0.0001)。
陷波滤波器与FIRMM头部运动预测方法的实时集成提供了更准确的运动数据
陷波滤波方法直接集成到FIRMM中。将陷波滤波器集成到FIRMM中给扫描器操作者和研究调查者提供(a)实时应用陷波滤波器的选项和(b)输入其自己的滤波器参数，如图29A和29B中所示。图29A和29B示出了由FIRMM提供给操作者计算设备(诸如操作者计算设备910)(图9中所示)的显示的屏幕截图。更特别地，图29A示出了用于具有三个5分钟静息运行的受检者的未过滤数据的显示。图29B示出了用于具有三个5分钟静息运行的相同受检者的过滤数据的显示。生成实时滤波器的设计以紧密地匹配后处理数字。如图29C和29D中所示，过滤FD数字(图29D)紧密地匹配后处理数字。
进一步地，FIRMM头部运动预测方法使得陷波滤波器能够接通和关断，其给扫描器操作者和调查者提供根据受检者的需要、人群(例如，类似婴儿的特殊人群可能不需要陷波滤波器)和/或搜索目标来裁剪(tailor)MRI扫描的能力。
示例5概述
这些实验的结果展示了所公开的方法的有效性，该方法将陷波滤波器与FIRMM头部运动预测方法集成。陷波滤波器集成的FIRMM头部运动预测方法在过滤FD迹线以校正呼吸伪影并且改进BOLD数据质量的估计方面是有效的。进一步地，将运动估计与连接性数据相关的定量测量表明表明过滤的估计提供经改进的数据质量。此外，将陷波滤波器与FIRMM头部运动预测方法实时集成提供更准确的头部运动数据，并且向扫描器操作者提供在实时MRI扫描期间设置其自己的滤波器中的增加的选项。
将理解到，本文所描述的配置和/或方法实际上是示例性的，并且这些特定方面或示例将不以限制性意义考虑，因为许多变型是可能的。本文所描述的特定例程或方法可以表示任何数目的处理策略中的一个或多个。如此，所图示的各种动作可以以所图示的顺序、以其他顺序、并行执行，或者在一些情况下省略。同样地，可以改变上文所描述的过程的次序。
本公开的主题包括本文所公开的各种过程、系统和配置和其他特征、功能、动作和/或特性的所有新颖和非显而易见的组合和子组合以及其任何和所有等同物。
Claims (29)
1.一种用于通过对齐MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机实施的方法，所述方法被实施在包括与至少一个存储器设备通信的至少一个处理器的计算设备上，所述计算设备与MRI系统通信，所述方法包括：
通过所述计算设备，从所述MRI系统接收数据帧；
通过所述计算设备，将接收到的数据帧与参考图像对齐；
通过所述计算设备，使用六个帧对齐参数来计算接收到的数据帧与所述参考图像之间的身体部分的运动，其中，所述六个帧对齐参数是x、y、z、θx、θy和θz；
通过所述计算设备，使用所述六个帧对齐参数来计算总帧位移；以及
通过所述计算设备，将用于每个帧的总帧位移实时显示给所述MRI系统的操作者。
2.根据权利要求1所述的计算机实施的方法，其中，所述参考图像是由所述MRI系统接收到的先前数据帧。
3.根据权利要求1所述的计算机实施的方法，还包括：
通过所述计算设备，预测在完成所述MRI扫描时可用的可用帧的数目，每个可用帧包括具有落在预定阈值以下的总帧位移的帧；以及
当所述患者正经历所述MRI扫描时，通过所述计算设备将所述预测数目的可用帧实时显示给所述MRI系统的操作者。
4.根据权利要求1所述的计算机实施的方法，还包括：
通过所述计算设备，预测足以达到预定数目的可用帧的扫描的持续时间，每个可用帧包括具有落在预定阈值以下的总帧位移的帧；以及
当所述患者正经历扫描时，通过所述计算设备将扫描的预测持续时间显示给所述MRI系统的操作者。
5.根据权利要求3所述的计算机实施的方法，其中，预测可用帧的数目包括应用所述线性模型(y＝mx+b)，其中，y是在完成所述扫描时可用的可用帧的预测数目，x是连续帧计数，并且m和b是对于每个受检者的实时估计。
6.根据权利要求1所述的计算机实施的方法，其中，将接收到的数据帧与所述先前数据帧对齐包括计算一系列刚体变换Ti，其中，i是接收到的数据帧与所述先前数据帧的参考的空间配准的索引，其中，所述一系列刚体变换中的每一个通过使配准误差最小化来计算：
使得
是轨迹
处的帧强度并且s是补偿平均信号强度的波动的标度因子。
7.根据权利要求6所述的计算机实施的方法，其中，所述一系列刚体变换中的每一个由旋转和位移的组合表示，
其中，Ri表示旋转的3×3矩阵，
表示位移的3×1列向量，并且其中，Ri表示每个轴处的三个基本旋转。
8.根据权利要求1所述的计算机实施的方法，其中，通过所述计算设备来计算总帧位移包括从对于接收到的数据帧的位移减去对于所述先前数据帧的位移。
9.根据权利要求1所述的计算机实施的方法，进一步包括：
通过所述计算设备，实时生成关于在所述MRI扫描期间获得的高质量低运动帧的数目的汇总计数；以及
将生成的汇总计数传送给扫描器操作者和所述患者中的至少一个。
10.一种用于通过对齐磁共振成像(MRI)数据来监测经历磁共振成像扫描的患者的运动的计算机系统，所述计算机系统与MRI系统相关联，所述计算机系统包括与至少一个存储器设备通信的至少一个处理器，所述至少一个处理器被编程为：
从所述MRI系统接收数据帧；
将接收到的数据帧与参考图像对齐；
使用六个帧对齐参数来计算接收到的帧与所述参考图像之间的身体部分的运动，其中，所述六个帧对齐参数是x、y、z、θx、θy和θz；
使用所述六个帧对齐参数来计算总帧位移；以及
将对于每个帧的总帧位移实时显示给所述MRI系统的操作者。
11.根据权利要求10所述的计算机系统，其中，所述参考图像是由所述MRI系统接收到的先前数据帧。
12.根据权利要求10所述的计算机系统，其中，所述至少一个处理器被进一步编程为：
预测在完成所述MRI扫描时可用的可用帧的数目，每个可用帧包括具有落在预定阈值以下的总帧位移的帧；以及
当所述患者正经历扫描时，将扫描的预测持续时间显示给所述MRI系统的操作者。
13.根据权利要求10所述的计算机系统，其中，所述至少一个处理器进一步被编程为当所述患者正经历所述MRI扫描时，将视觉反馈实时显示给所述MRI系统的操作者，其中，所述感觉反馈基于计算的所述患者的身体部分的运动。
14.根据权利要求10所述的计算机系统，其中，所述至少一个处理器还被编程为将感觉反馈显示给所述患者，其中，所述感觉反馈基于计算的所述患者的身体部分的运动。
15.根据权利要求12所述的计算机系统，其中，所述至少一个处理器进一步被编程为使用通用陷波滤波器和受检者特定陷波滤波器中的至少一个实时过滤由所述患者的呼吸引起的呼吸伪影。
16.与磁共振成像(MRI)系统通信并且具有用于通过对齐实施在其上的MRI数据来减少经历MRI扫描的患者的运动的计算机可执行指令的至少一个非暂态计算机可读存储介质，其中，当由至少一个处理器执行时，所述计算机可执行指令使得所述至少一个处理器：
从所述MRI系统接收数据帧；
将接收到的数据帧与参考图像对齐；
使用六个帧对齐参数来计算接收到的帧与所述参考图像之间的身体部分的运动，其中，所述六个帧对齐参数是x、y、z、θx、θy和θz；
使用所述六个帧对齐参数来计算总帧位移；以及
将对于每个帧的总帧位移实时显示给所述MRI系统的操作者。
17.根据权利要求16所述的计算机可读存储介质，其中，所述参考图像是由所述MRI系统接收到的先前数据帧。
18.根据权利要求16所述的计算机可读存储介质，其中，所述计算机可执行指令还使得所述处理器：
预测在完成所述MRI扫描时可用的可用帧的数目，每个可用帧包括具有落在预定阈值以下的总帧位移的帧；以及
当所述患者正经历所述MRI扫描时，将所述预测数目的可用帧实时显示给所述MRI系统的操作者。
19.根据权利要求16所述的计算机可读存储介质，其中，所述计算机可执行指令进一步使得所述处理器：
预测足以达到预定数目的可用帧的扫描的持续时间，每个可用帧包括具有落在预定阈值以下的总帧位移的帧；以及
当所述患者正经历扫描时，将预测的扫描持续时间显示给所述MRI系统的操作者。
20.根据权利要求16所述的计算机可读介质，其中，所述计算机可执行指令还使得所述处理器将感觉反馈显示给所述患者。
21.根据权利要求16所述的计算机可读介质，其中，所述计算机可执行指令还使得所述处理器使用通用陷波滤波器和受检者特定陷波滤波器中的至少一个来实时过滤由所述患者的呼吸引起的呼吸伪影。
22.一种用于通过对齐MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机实施的方法，所述方法被实施在包括与至少一个存储器设备通信的至少一个处理器的计算设备上，所述计算设备与MRI系统通信，所述方法包括：
通过所述计算设备，从所述MRI系统接收数据帧；
通过所述计算设备，将接收到的数据帧与参考图像对齐；
通过所述计算设备计算，接收到的数据帧与所述参考图像之间的身体部分的运动；以及
基于计算的运动将感觉反馈显示给所述患者。
23.根据权利要求22所述的计算机实施的方法，还包括：以由所述扫描操作者选择的频率更新显示的感觉反馈。
24.根据权利要求22所述的计算机实施的方法，其中，显示所述感觉反馈包括：
通过所述计算设备，向所述患者显示第一颜色的固定目标；
通过所述计算设备，检测所述MRI扫描期间的所述患者的运动；以及
基于检测到的运动，将所述固定目标的所述第一颜色改变为第二颜色。
25.根据权利要求22所述的计算机实施的方法，其中，所述感觉反馈包括：
通过所述计算设备，向所述患者显示电影片段；
通过所述计算设备，检测所述MRI扫描期间的所述患者的运动；以及
基于所述检测，将视觉障碍添加到所述电影片段，其中，所述视觉障碍将所述患者的视觉访问限于所述电影片段的至少部分。
26.根据权利要求22所述的计算机实施的方法，其中，所述感觉反馈包括：
通过所述计算设备，向所述患者播放音乐选择；
通过所述计算设备，检测所述MRI扫描期间的患者的运动；以及
基于所述检测，停止或者改变所述音乐选择的播放。
27.一种用于通过对齐MRI数据来监测经历磁共振成像(MRI)扫描的患者的运动的计算机实施的方法，所述方法被实施在包括与至少一个存储器设备通信的至少一个处理器的计算设备上，所述计算设备与MRI系统通信，所述方法包括：
通过所述计算设备，从所述MRI系统接收数据帧；
通过所述计算设备，将接收到的数据帧与参考图像对齐；
通过所述计算设备，计算接收到的数据帧与所述先前数据帧之间的身体部分的运动；以及
使用陷波滤波器，过滤计算的运动以移除由所述患者的呼吸引起的呼吸伪影。
28.根据权利要求27所述的计算机实施的方法，其中，至少一个滤波参数由所述MRI系统的操作者控制。
29.根据权利要求27所述的计算机实施的方法，其中，至少一个滤波参数基于所述MRI数据由所述计算设备来设定。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762468858P | 2017-03-08 | 2017-03-08 | |
| US62/468,858 | 2017-03-08 | ||
| PCT/US2018/021608 WO2018165473A1 (en) | 2017-03-08 | 2018-03-08 | Real time monitoring and prediction of motion in mri |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110741440A true CN110741440A (zh) | 2020-01-31 |
Family
ID=63449015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880017041.8A Pending CN110741440A (zh) | 2017-03-08 | 2018-03-08 | Mri中的运动的实时监测和预测 |
Country Status (5)
| Country | Link |
|---|---|
| US (4) | US11181599B2 (zh) |
| EP (1) | EP3593355A4 (zh) |
| JP (2) | JP7495678B2 (zh) |
| CN (1) | CN110741440A (zh) |
| WO (1) | WO2018165473A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077483A (zh) * | 2021-04-27 | 2021-07-06 | 中国科学院自动化研究所 | 基于脑组织和深度回归的感应电场分布预测方法及系统 |
| CN113571142A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 精神影像一体化系统 |
| CN113558601A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 精神影像标准化采集系统 |
| CN113962966A (zh) * | 2021-10-26 | 2022-01-21 | 中山大学附属第一医院 | 一种基于功能核磁共振成像的术前语言区定位方法及系统 |
| CN115120257A (zh) * | 2021-03-25 | 2022-09-30 | 通用电气精准医疗有限责任公司 | 用于在医学图像采集期间进行运动引导的系统和方法 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3593355A4 (en) | 2017-03-08 | 2020-12-09 | Washington University | REAL-TIME MONITORING AND PREDICTION OF MOTION IN MRI |
| DE102018214636A1 (de) * | 2018-08-29 | 2020-03-05 | Siemens Healthcare Gmbh | Verfahren zum Erzeugen eines Magnetresonanzbildes, Computerprogramm, Datenspeicher und Magnetresonanzanlage |
| US11651857B2 (en) * | 2018-11-21 | 2023-05-16 | General Electric Company | Methods and apparatus to capture patient vitals in real time during an imaging procedure |
| US10985951B2 (en) | 2019-03-15 | 2021-04-20 | The Research Foundation for the State University | Integrating Volterra series model and deep neural networks to equalize nonlinear power amplifiers |
| JP7253782B2 (ja) * | 2019-03-27 | 2023-04-07 | 国立大学法人弘前大学 | 発達障害可能性評価装置、および発達障害可能性評価方法 |
| US11037296B1 (en) * | 2020-08-07 | 2021-06-15 | Omniscient Neurotechnology Pty Limited | Deriving target data from selected brain data |
| US11264137B1 (en) | 2020-10-08 | 2022-03-01 | Omniscient Neurotechnology Pty Limited | Centrality rankings of network graphs generated using connectomic brain data |
| US11264138B1 (en) * | 2020-10-08 | 2022-03-01 | Omniscient Neurotechnology Pty Limited | Generating brain network impact scores |
| US11360179B2 (en) | 2020-10-29 | 2022-06-14 | The Mitre Corporation | Systems and methods for estimating magnetic susceptibility through continuous motion in an MRI scanner |
| IL302999A (en) * | 2020-12-09 | 2023-07-01 | Nous Imaging Inc | System and method for rapid reconstruction of functional magnetic resonance images |
| EP4101498A1 (en) * | 2021-06-10 | 2022-12-14 | Koninklijke Philips N.V. | System for providing stimulation |
| CN113774177B (zh) * | 2021-09-13 | 2022-08-16 | 内蒙古科技大学 | 一种高炉布料器波纹管位移次数检测方法及装置 |
| CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
| WO2024059624A2 (en) * | 2022-09-13 | 2024-03-21 | Nous Imaging, Inc. | System and method for interventional planning for the treatment of brain disorders |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050283068A1 (en) * | 2004-06-17 | 2005-12-22 | Psychology Software Tools, Inc. | Magnetic resonance imaging having patient video, microphone and motion tracking |
| US20100280353A1 (en) * | 2008-01-08 | 2010-11-04 | Abraham Roth | Method and apparatus to estimate location and orientation of objects during magnetic resonance imaging |
| CN103462612A (zh) * | 2013-09-23 | 2013-12-25 | 深圳先进技术研究院 | 功能磁共振扫描中头动监测系统及监测方法 |
| EP3106893A2 (en) * | 2015-05-28 | 2016-12-21 | The Royal Institution for the Advancement of Learning / McGill University | Methods of designing mri rf coils |
Family Cites Families (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3748662B2 (ja) | 1997-04-15 | 2006-02-22 | ジーイー横河メディカルシステム株式会社 | Ｍｒｉ装置 |
| US6144201A (en) | 1997-12-26 | 2000-11-07 | Kabushiki Kaisha Toshiba | MR imaging utilizing ECG gating technique |
| DE19826994C1 (de) * | 1998-06-19 | 1999-11-25 | Forschungszentrum Juelich Gmbh | Bildgebungsverfahren, Computer zur Auswertung von Daten und mit dem Computer ausgestatteter Kernresonanztomograph |
| JP2003204952A (ja) * | 2002-01-17 | 2003-07-22 | Hitachi Medical Corp | 磁気共鳴イメージング装置 |
| US7001426B2 (en) | 2002-11-18 | 2006-02-21 | The Institute For Eye Research | One-piece minicapsulorhexis valve |
| AU2004203173A1 (en) * | 2003-07-14 | 2005-02-03 | Sunnybrook And Women's College And Health Sciences Centre | Optical image-based position tracking for magnetic resonance imaging |
| US7383074B2 (en) * | 2004-11-02 | 2008-06-03 | General Electric Company | System and method for real-time localization for gated MR imaging |
| CN101427284B (zh) * | 2006-04-20 | 2013-10-02 | 皇家飞利浦电子股份有限公司 | 用于没有计时约束的动态体积对准的运动校正方法 |
| WO2008044572A1 (fr) * | 2006-10-04 | 2008-04-17 | Hitachi Medical Corporation | dispositif de diagnostic d'images médicales |
| JP5575356B2 (ja) | 2006-11-17 | 2014-08-20 | 株式会社東芝 | 画像表示方法及びその装置並びに画像表示プログラム |
| DE102007038382A1 (de) * | 2007-08-14 | 2009-02-26 | Siemens Ag | Oberkörper-Magnetresonanzgerät sowie Steuerverfahren dazu |
| US8144201B2 (en) | 2009-09-15 | 2012-03-27 | Pegatron Corporation | Portable computer capable of performing digital photo frame function under main-power-off state |
| DE102009051517A1 (de) | 2009-10-31 | 2011-05-05 | Bayerische Motoren Werke Aktiengesellschaft | Kurbelgehäuse |
| US9430923B2 (en) | 2009-11-30 | 2016-08-30 | Innovative Signal Analysis, Inc. | Moving object detection, tracking, and displaying systems |
| JP5405293B2 (ja) * | 2009-12-28 | 2014-02-05 | 株式会社東芝 | 画像処理装置及び磁気共鳴イメージング装置 |
| US8798347B2 (en) * | 2010-03-15 | 2014-08-05 | Siemens Aktiengesellschaft | System and method for image-based respiratory motion compensation for fluoroscopic coronary roadmapping |
| BR112012028174A2 (pt) * | 2010-05-07 | 2016-08-09 | Koninkl Philips Electronics Nv | sistema de detecção óptica de movimento para uso na obtenção de imagem de uma estrutura anatômica e sistema de obtenção de imagem médica para obtenção de imagem de uma estrutura anatômica |
| US20130035588A1 (en) * | 2011-08-03 | 2013-02-07 | Siemens Corporation | Magnetic resonance imaging for therapy planning |
| US8654168B2 (en) | 2011-08-03 | 2014-02-18 | Ricoh Company, Ltd. | Optical scanning device, image forming apparatus, and optical scanning device designing method |
| US9671482B2 (en) * | 2012-10-18 | 2017-06-06 | Samsung Electronics Co., Ltd. | Method of obtaining image and providing information on screen of magnetic resonance imaging apparatus, and apparatus thereof |
| KR101480036B1 (ko) * | 2012-10-18 | 2015-01-07 | 삼성전자주식회사 | Ｍｒｉ장치에서 영상을 획득하고 화면 상에 정보를 제공하는 방법 및 그 장치 |
| JP6222850B2 (ja) * | 2013-01-17 | 2017-11-01 | 株式会社日立製作所 | 超音波診断装置の動作方法及び超音波診断装置 |
| JP5418952B1 (ja) * | 2013-03-22 | 2014-02-19 | 株式会社国際電気通信基礎技術研究所 | 脳活動測定装置および脳活動測定方法 |
| CA2911756C (en) * | 2013-05-09 | 2023-06-27 | Sunnybrook Research Institute | Systems and methods for providing visual feedback of touch panel input during magnetic resonance imaging |
| JP6202879B2 (ja) * | 2013-05-20 | 2017-09-27 | 株式会社朋栄 | ローリングシャッタ歪み補正と映像安定化処理方法 |
| WO2015120400A1 (en) * | 2014-02-10 | 2015-08-13 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
| GB2545641B (en) | 2015-12-15 | 2020-05-27 | Siemens Medical Solutions Usa Inc | A method for detecting motion in a series of image data frames, and providing a corresponding warning to a user |
| EP3593355A4 (en) | 2017-03-08 | 2020-12-09 | Washington University | REAL-TIME MONITORING AND PREDICTION OF MOTION IN MRI |
| IL302999A (en) | 2020-12-09 | 2023-07-01 | Nous Imaging Inc | System and method for rapid reconstruction of functional magnetic resonance images |
-
2018
- 2018-03-08 EP EP18764375.4A patent/EP3593355A4/en active Pending
- 2018-03-08 WO PCT/US2018/021608 patent/WO2018165473A1/en unknown
- 2018-03-08 US US16/491,413 patent/US11181599B2/en active Active
- 2018-03-08 JP JP2019548627A patent/JP7495678B2/ja active Active
- 2018-03-08 CN CN201880017041.8A patent/CN110741440A/zh active Pending
-
2021
- 2021-10-20 US US17/451,539 patent/US11543483B2/en active Active
-
2022
- 2022-12-02 US US18/061,254 patent/US12050257B2/en active Active
-
2023
- 2023-03-31 JP JP2023058925A patent/JP2023082137A/ja active Pending
-
2024
- 2024-06-17 US US18/745,232 patent/US20240337718A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050283068A1 (en) * | 2004-06-17 | 2005-12-22 | Psychology Software Tools, Inc. | Magnetic resonance imaging having patient video, microphone and motion tracking |
| US20100280353A1 (en) * | 2008-01-08 | 2010-11-04 | Abraham Roth | Method and apparatus to estimate location and orientation of objects during magnetic resonance imaging |
| CN103462612A (zh) * | 2013-09-23 | 2013-12-25 | 深圳先进技术研究院 | 功能磁共振扫描中头动监测系统及监测方法 |
| EP3106893A2 (en) * | 2015-05-28 | 2016-12-21 | The Royal Institution for the Advancement of Learning / McGill University | Methods of designing mri rf coils |
Non-Patent Citations (2)
| Title |
|---|
| 刘峰;: "逆滤波在消除磁共振图像运动伪影中的仿真和应用研究" * |
| 吴光耀,孙骏谟,黄雄: "MRI常见伪影的评价" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115120257A (zh) * | 2021-03-25 | 2022-09-30 | 通用电气精准医疗有限责任公司 | 用于在医学图像采集期间进行运动引导的系统和方法 |
| CN113077483A (zh) * | 2021-04-27 | 2021-07-06 | 中国科学院自动化研究所 | 基于脑组织和深度回归的感应电场分布预测方法及系统 |
| CN113571142A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 精神影像一体化系统 |
| CN113558601A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 精神影像标准化采集系统 |
| CN113962966A (zh) * | 2021-10-26 | 2022-01-21 | 中山大学附属第一医院 | 一种基于功能核磁共振成像的术前语言区定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11181599B2 (en) | 2021-11-23 |
| JP7495678B2 (ja) | 2024-06-05 |
| EP3593355A4 (en) | 2020-12-09 |
| US20230121804A1 (en) | 2023-04-20 |
| WO2018165473A1 (en) | 2018-09-13 |
| US20200225308A1 (en) | 2020-07-16 |
| US11543483B2 (en) | 2023-01-03 |
| EP3593355A1 (en) | 2020-01-15 |
| US12050257B2 (en) | 2024-07-30 |
| US20220034986A1 (en) | 2022-02-03 |
| JP2020512851A (ja) | 2020-04-30 |
| JP2023082137A (ja) | 2023-06-13 |
| US20240337718A1 (en) | 2024-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12050257B2 (en) | Real time monitoring and prediction of motion in MRI | |
| Himmelberg et al. | Linking individual differences in human primary visual cortex to contrast sensitivity around the visual field | |
| Liu et al. | Neural correlates of the visual vertical meridian asymmetry | |
| Wang et al. | Abnormal functional connectivity density in children with anisometropic amblyopia at resting-state | |
| Kaireit et al. | Comparison of quantitative regional ventilation‐weighted Fourier decomposition MRI with dynamic fluorinated gas washout MRI and lung function testing in COPD patients | |
| Cauzzo et al. | Functional connectome of brainstem nuclei involved in autonomic, limbic, pain and sensory processing in living humans from 7 Tesla resting state fMRI | |
| Martı́n-Loeches et al. | P300 amplitude as a possible correlate of frontal degeneration in schizophrenia | |
| Fracasso et al. | Bilateral population receptive fields in congenital hemihydranencephaly | |
| Mirabella et al. | Loss in grey matter in a small network of brain areas underpins poor reactive inhibition in obsessive-compulsive disorder patients | |
| Kelly et al. | Cerebral visual impairment characterized by abnormal visual orienting behavior with preserved visual cortical activation | |
| Phạm et al. | Less is more: balancing noise reduction and data retention in fMRI with data-driven scrubbing | |
| Carvalho et al. | Visual field reconstruction using fMRI-based techniques | |
| Waldman et al. | Structural correlates of atypical visual and motor cortical oscillations in pediatric‐onset multiple sclerosis | |
| Pamilo et al. | A correlation‐based method for extracting subject‐specific components and artifacts from group‐f MRI data | |
| Ahn et al. | Brain white matter maturation and early developmental outcomes in preterm infants with retinopathy of prematurity | |
| US20240045011A1 (en) | System and method for rapidly reconstructing functional magnetic resonance images | |
| Yu et al. | A spatio-temporal filtering approach to denoising of single-trial ERP in rapid image triage | |
| Lor et al. | Pre-and post-task resting-state differs in clinical populations | |
| Mirzajani et al. | Effect of induced high myopia on functional MRI signal changes | |
| Ives-Deliperi et al. | Left or right? Lateralizing temporal lobe epilepsy by dynamic amygdala fMRI | |
| Little et al. | An FMRI study of saccadic and smooth-pursuit eye movement control in patients with age-related macular degeneration | |
| Himmelberg et al. | Linking contrast sensitivity to cortical magnification in human primary visual cortex | |
| Himmelberg et al. | Linking individual differences in human V1 to perception around the visual field | |
| Lowndes et al. | In primary visual cortex fMRI responses to chromatic and achromatic stimuli are interdependent and predict contrast detection thresholds | |
| Koch et al. | Altered error-related activity in patients with schizophrenia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |