pennlinc/aslprep Docker 镜像 - 轩辕镜像 | Docker 镜像高效稳定拉取服务

ASLPrep：ASL数据的稳健预处理管道

镜像概述和主要用途

ASLPrep是由宾夕法尼亚大学Satterthwaite实验室开发的动脉自旋标记（ASL）数据预处理和脑血流量（CBF）计算管道，适用于宾夕法尼亚大学生命跨度信息学与神经影像中心及开源软件分发。该管道旨在提供易于访问、最先进的接口，对扫描采集协议的变化具有稳健性，只需最少的用户输入，同时提供易于解释的全面错误和输出报告。

!ASLPrep工作流

核心功能和特性

ASLPrep主要执行以下核心功能：

• 基础预处理步骤：包括配准、归一化、去扭曲、噪声成分提取、分割、 skullstripping等
• 整合多种知名软件包工具：FSL_、ANTs_、FreeSurfer_和AFNI_
• 实现从原始ASL数据到完全预处理形式的转换
• 自动化和并行化处理步骤，显著加快处理速度
• 计算脑血流量（CBF）、去噪和部分容积校正
• 为每个受试者提供详细的预处理阶段输出，包括有意义的错误信息

设计原则

ASLPrep围绕三个核心原则构建：

1. 稳健性：管道根据输入数据集调整预处理步骤，无论扫描仪类型、扫描参数或是否存在额外校正扫描（如场图），都能提供尽可能好的结果。

2. 易用性：得益于对BIDS标准的依赖，手动参数输入减少到最低限度，使管道能够自动运行。

3. “玻璃盒”哲学：自动化不应意味着无需视觉检查结果或理解方法。因此，ASLPrep为每个受试者提供视觉报告，详细说明最重要处理步骤的准确性。结合文档，这有助于研究人员理解流程并决定哪些受试者应保留用于群体水平分析。

使用场景和适用范围

ASLPrep适用于以下场景：

• 神经影像学研究中ASL数据的标准化预处理
• 脑血流量（CBF）的计算与分析
• 任务态或静息态CBF的群体水平分析
• 图论测量、表面或体积统计等后续分析的预处理数据准备

使用限制

以下情况不建议使用ASLPrep：

1. 极窄视场（FoV）图像通常不包含足够信息，导致标准图像配准方法无法正确工作，且可能难以从这些数据中提取大脑。支持此类图像已列入未来开发路线图。

2. 对于特定人群（如婴儿）和非人类大脑，ASLPrep可能表现不佳，尽管可以提供适当的模板来克服此问题。

3. 需要无限灵活性（这显然是一把双刃剑）。

4. 为教学目的需要学生手动实现每个步骤，或学习shell脚本或Python。

5. 试图复现某些实验室内部管道。

使用方法和配置说明

Docker部署示例

基本docker run命令

bash
docker run -it --rm \
  -v /path/to/bids/dataset:/data:ro \
  -v /path/to/output/directory:/out \
  aslprep:latest \
  /data /out participant \
  --participant-label sub-01 \
  --fs-license-file /path/to/freesurfer/license.txt

参数说明

• -v /path/to/bids/dataset:/data:ro：挂载BIDS格式的数据集目录（只读）
• -v /path/to/output/directory:/out：挂载输出目录
• participant：指定处理级别（参与者级）
• --participant-label：指定要处理的参与者标签
• --fs-license-file：FreeSurfer许可证文件路径（如使用FreeSurfer工具）

更多详细参数和配置说明请参考官方文档：[***]

引用说明

请使用ASLPrep为每个处理的受试者生成的视觉报告中包含的引用模板来确认这项工作。