多中心队列项目的多模态MRI脑影像数据质量控制专家共识.docx

《多中心队列项目的多模态MRI脑影像数据质量控制专家共识.docx》由会员分享，可在线阅读，更多相关《多中心队列项目的多模态MRI脑影像数据质量控制专家共识.docx（17页珍藏版）》请在三一文库上搜索。

1、多中心队列项目的多模态MRI脑影像数据质量控制专家共识摘要近年来，多模态MRl脑成像技术迅速发展，为无创揭示健康人脑的组织规律和脑工作原理提供了重要的技术手段。基于多中心MRI脑影像大数据的研究，显著增加了样本的多样性和代表性，提高了统计分析的稳健性，促进了研究方法和数据处理的标准化，提升了研究的可重复性和可比性，已成为脑科学研究的重要发展趋势。然而，当前多中心多模态MRl脑影像研究在扫描设备、序列、参数等方面存在较大异质性，为脑影像数据的质量控制带来了巨大挑战。在科技部科技创新2030-“脑科学与类脑研究”重大项目“中国学龄儿童脑智发育队列研究”的支持下，来自国内多家从事MRl脑影像研究的权

2、威机构和专家团队，充分总结了当前国内外多中心MRl脑影像大型脑科学研究项目数据质量控制的经验，并基于不同机型的多中心多模态MRl脑影像数据分析，共同制定了多中心队列项目的多模态MRl脑影像数据质量控制专家共识。该共识旨在规范和指导多模态MRl脑影像研究的数据质量控制，为多中心项目的高质量脑影像数据研究奠定基础。近年来，多模态MRl脑成像技术迅速发展，能够以无创方式对活体人脑的结构和功能进行成像，并对人脑的解剖结构、功能活动以及脑区之间的连接模式进行全面且精细的描述。MRI脑成像技术广泛应用于脑科学领域的研究，取得了一系列突破性的成果匹2。这些成果不仅有助于系统性地揭示健康人脑的组织规律和脑认知

3、工作机理，还阐释了脑发育和老化的生命周期规律以及个体分化机制0此外，该技术还为揭示重大神经精神疾病的病理生理机制以及创新脑疾病诊疗评估研究提供了重要的技术支持和全新的研究理念框架mO以往的多模态MRI脑成像研究多局限于单一中心的小样本，尽管单中心研究具有数据一致性和实验条件可控性的优势，但由于成像参数和质量控制标准的差异，数据结果的泛化性和可重复性不高”。随着标准数据结构和开源数据平台的发展e9110基于多中心MRI脑影像大数据的研究受到了广泛关注。多中心研究整合了来自不同地理位置的数据资源，显著提高了样本的多样性和代表性，增强了研究结果的普适性。大规模样本量的增加提高了统计分析的稳健性和对小

4、效应的检测能力。此外，多中心研究的推广也促进了研究方法和数据处理的标准化，有助于提升研究的可重复性和可比性口*4，。通过跨中心资源和知识共享，多中心研究还能促进学术交流和技术创新,已成为脑科学研究的重要发展趋势。近年来，国际上已相继启动了多个以多中心多模态MRl脑成像技术为代表的大型脑科学项目。例如，ENIGMA(EnhancingNeuroImagingGeneticsthroughMeta-Analysis)国际研究联盟通过对神经影像和遗传数据的元分析，增强了对精神疾病的理解。美国国立卫生研究院支持的ABCD(AdolescentBrainCognitiveDevelopment)项目招募

5、了约11500名910岁儿童，进行长期追踪研究，旨在了解青少年大脑发育和各种因素对发育的影响。英国生物银行项目(UKBiOBank)计划招募50万名志愿者，采集详细的遗传和健康信息，为多种疾病的研究提供支持口H。在国内，北京师范大学启动了脑智发育长期追踪项目，旨在绘制脑发育图谱，阐释脑智发育机制，为儿童青少年健康发展提供支持。这些项目不仅提高了数据收集效率，也为深入研究脑发育和脑疾病提供了宝贵的资源。在多中心多模态MRl脑影像数据采集过程中，不同中心的扫描设备和扫描序列并非完全统一，导致影像质量存在显著的中心间差异，进而影响研究结果的一致性山叫2口尽管当前的多中心MRl研究常采用ComBat协

6、调、深度学习等方法来降低中心间扫描设备、扫描序列等非生物学因素差异对研究结果的影响前22，但脑影像采集数据的质量对于脑结构和功能指标的提取及后续分析，如脑疾病分类模型的性能，产生显著的影响在26。因此，多模态MRl脑影像数据的质量控制尤为重要。在科技部科技创新2030-“脑科学与类脑研究”重大项目“中国学龄儿童脑智发育队列研究”的支持下，来自国内多家从事MRI脑影像和脑发育研究的研究机构和医院的专家共同成立了中国学龄儿童脑智发育队列研究MRl技术专家委员会。该委员会通过充分调研国内外多中心MRI脑影像大型脑科学研究项目，以及分析来自不同机型的多中心多模态MRI脑影像数据，根据各自的研究经验和多

7、次讨论，达成了此共识。该共识旨在规范和指导多模态MRl脑影像研究的数据质量控制，提高影像数据质量和研究结果的可靠性。一、水模质量控制方案基于水模扫描的图像质量控制在MRI临床和科研领域得到了广泛应用。定期进行水模质量控制扫描，不仅可以及时发现显著的成像质量问题，还可以通过分析质量控制指标随时间的变化趋势，尽早发现MRl系统可能存在的潜在性能问题，在这些问题恶化到显著影响脑影像数据之前就予以解决。要开展水模质量控制扫描，完整、明确的质量控制方案是必不可少的前提条件E27o1 .水模的选择：水模的大小、形状和内部物质的物理属性对质量控制指标的测试结果有显著影响。在多中心项目的水模质量控制扫描中，建

8、议使用统一的水模，以消除水模差异对测量结果的影响。对于以功能MRl(functionalMRI,fMRI)序列为核心应用方向的场地或项目，可以选用内部介质均匀的球形或长圆柱形水模。2 .扫描线圈和序列：接收线圈的性能和扫描序列的参数对质量控制指标的测试结果影响较大。建议直接选用人类被试扫描所用的头线圈或头颈联合线圈，以便将线圈性能纳入质量控制的范围。序列方面,建议为每种型号的MRI设备制定统一的扫描序列包，直接导入系统,以便最大限度地保持成像参数的一致性和测试结果的可比性。3 .水模摆放和激光定位：水模质量控制扫描时，操作人员需要严格按照质量控制方案的要求摆放水模、进行激光灯定位，以控制单个操

9、作员多次扫描间的误差和不同操作员之间的个体差异，从而使提取的质量控制指标能够更准确地反映MRl系统本身的性能。如果水模的内容物为液体状态，移动水模可能会导致液体流动，从而影响质量控制测试结果。因此，这类水模建议在进入磁体后，静置约15min再进行扫描。4 .水模质量控制数据分析：一次完整的质量控制扫描测试，需要对获得的水模图像进行分析，提取质量评价测试指标，并依据判别阈值和历史曲线进行评估，得出此次质量控制测试的评价结论。质量控制方案应明确阐述质量评价指标的提取算法和判别阈值，并为日常水模测试提供便捷可靠的数据分析平台和数据上传方法。5 .测试周期和判别结果的应对方案：建议以天或周为单位定期进

10、行水模质量控制扫描测试，以确保对成像性能的连续监控。同时，在每个有人类被试扫描的当天，建议开机后先进行水模质量控制扫描,确保该测试通过后再进行被试扫描。如果水模质量控制测试未通过,则不建议进行被试扫描。二、基于前置机-中心端的二级质量控制体系为了保证MRl数据采集质量，建议采用前置机端的初步质量控制与汇集中心端深度质量控制相结合的二级质量控制体系。前置机为一台高性能存储与计算工作站，部署在采集站点，与MRl采集设备网络互通，采集过程中产生的数据可以准实时地传输到前置机。前置机快速完成各模态影像关键质量控制指标的计算分析，将初步的质量控制结果准实时地反馈给主试，以便主试及时获知数据质量，从而决定

11、是否需要进行重扫。同时，前置机也通过网关或网闸连通互联网，在采集完成当天，将所采集的数据自动传输至数据汇集中心端，以便中心端完成数据的汇总和进行深度质量控制。在配置方面，建议前置机应配有超过2T的存储空间，并具备一定的备份能力，以支持执行期较长的项目。前置机可以存储站点所采集的数据，当出现数据传输或数据丢失等错误时，平台能够重新从前置机获取数据，从而完成存量数据的维护。为了保证前置机-中心端二级质量控制体系的顺利实施，在采集站点预实验阶段，工程师应提前在站点部署前置机，并完成系统、网络、MRI数据传输和质量控制算法测试，并将该站点前置机纳入平台统一的在线运维管理系统中，使用在线监听方式，保证前

12、置机的日常运行与前置机系统与算法的实时更新，实现多站点多设备MRI数据采集与质量控制过程的全流程在线监控。(一)前置机端的准实时初步质量控制1 .前置机电子化记录：在实际的脑影像数据采集过程中，实验主试需要根据脑影像扫描预约记录确认受试者的信息，并在前置机系统中进行实时记录。采集过程中的记录信息主要包括受试者是否到场、扫描过程中是否感觉到身体不适等。这些记录信息将以结构化数据形式与受试者的影像数据关联，并反馈至数据汇集中心进行人工核查。2 .前置机脑影像数据规整与成像参数检查:通过在统一局域网环境下将前置机和MRI设备连接,每完成一个模态的脑影像采集,DICOM数据文件可以自动传输至前置机。当

13、接收到像数据后，前置机系统将DICOM数据文件格式转换为NIfTI格式，以便于后续量化质量控制指标的计算分析。在此过程中，不同序列数据的成像参数信息也会被解析和保存。建议将转换后的NIfTI文件和成像参数信息进一步保存在BIDS(BrainImagingDataStructure)结构中。BIDS格式规定了数据的目录结构、文件命名规则和元数据格式，确保了神经成像数据的有序和标准化结构，有助于在多中心研究中更便捷地共享和分析数据。前置机系统会根据已约定的项目采集序列参数模板，对所采集的序列进行参数检查，以确保序列的各项关键采集参数，如TR,编码方向、采集层数以及DWl的梯度表等，与项目配置完全一

14、致。通过这样的自动化规整与成像参数校验，确保多中心脑影像MRl数据采集的一致性，减少人工检查的疏漏。3 .前置机脑影像数据质量初步评估与反馈:在完成数据规整与参数检查后，前置机系统会针对特定序列的脑影像数据自动计算一系列可以快速输出的客观指标和人工核查图片，从头动情况和伪影水平等多个维度对脑影像进行准实时的量化评估。单个序列的计算过程控制在10min以内，以便主试可以立刻获取数据采集质量的快速反馈。值得注意的是，由于多数评价指标受到数据扫描设备和扫描参数的影响，量化指标的阈值是根据本项目预实验获得的，不同机型之间会略有差别。最终，采集主试可以通过查看当前序列数据绑定的现场记录信息、量化指标反馈

15、结果以及脑影像数据可视化结果，对当前序列的脑影像数据质量进行初步判断，从而在现场决定是否对该受试者进行数据重扫或者重新预约采集，以提高数据采集效率，降低失访率。（二）中心端人机协同的脑影像深度质量控制1 .多站点数据中心汇聚与自动化校验：建议数据采集分站点完成当天的数据采集后，通过网络传输将数据自动汇总至项目的数据汇集中心。一旦中心端接收到特定站点提交的数据，将根据该站点当天的预约记录以及不同序列数据的应提交数据模板对数据进行自动化校验，并通过邮件、信息交流群等方式将校验结果反馈给站点。2 .中心端脑影像数据质量深度评估与反馈：当特定序列的脑影像数据传输至中心端服务器存储后，中心端将在约定时间

16、内完成数据的深度质量控制，计算得到一系列客观指标和人工核查图片，对噪声、头部运动和伪影、结构像分割、扩散MRI（diffusionMRI,dMRI）纤维重建等方面进行综合量化评估。相较于前置机阶段的初级质量控制，中心端质量控制计算时间较长，生成的质量控制指标也更为全面。与前置机采集系统类似，研究者可以通过中心端脑影像质量控制系统查看特定脑影像序列数据相关联的现场扫描、初次质量控制和中心质量控制不同阶段的多维度、可视化结果，从而结合自身专业经验对该序列的影像质量进行最终评估。最终数据质量控制是否通过需由经过培训的专业质量控制人员综合前置机系统的初步质量控制指标、中心端的深度质量控制指标，并对脑影

17、像图像进行细致人工核查后做出判断。三、影像数据质量评价（一）水模影像质量评价水模质量控制的重点是确保不同站点、不同设备、不同时间采集的水模数据具有可比性，能够准确、敏感地反映MRl设备的工作状态,为人脑影像数据提供参考或预警。本共识在规范了水模选择和扫描流程方案的基础上，进一步描述了定义质量评价指标的相关要求，分别针对场图、fMRI和dMRI三部分展开。L水模场图质量评价：主磁场（BO场）的磁场强度在指定空间范围内的不均匀程度被称为主磁场不均匀性。主磁场的不均匀性会导致图像产生不同程度的几何畸变，影响图像信号的均匀性。可以通过场图扫描，根据幅值图和相位图计算以下指标确定主磁场的状况。（1）信噪

18、比(signal-to-noiseratio,SNR),根据场图序列中的幅值图像，通过分别计算水模中心ROl的均值和背景区域的标准差计算SNR28;(2)主磁场不均匀性，在相位图像中，根据中心频率f和场图序列的2个TE的差值(ATE),逐点计算ABO图。在获得的ABO图中，从定义的ROl内选取绝对值最大的50个像素值，计算其平均值作为主磁场不均匀性的代表值由。SNR和主磁场不均匀性的阈值需根据不同扫描机型、系统版本、适配线圈和水模采集的图像评估确定,以制订预警和未通过两级阈值。2 .水模fMRI质量评价：由于水模中不存在血氧水平依赖(bloodoxygenleveldependent,BOLD

19、)效应，水模信号随时间的变化可以敏感地反映MRI系统的稳定性。较大幅度的信号漂移或信号波动提示机器状态不佳。本共识建议对水模的fMRI序列信号进行以下质量评价指标的分析。(I)SNR和信号波动噪声比(Signa-to-fluctuation-noiseratio,SFNR),图像的空间噪声可由时间维度上平均SNR评估30o同时，fMRI信号的时间维度波动也会受到图像噪声的影响，可使用SFNR来评估。SFNR定义为时间域上的信号均值与标准差的比值，其中，标准差的计算需要先使用二次多项式拟合信号以去除漂移。随后，可逐点计算出SFNR在图像各位置的分布。(2)时间信号的波动百分比与漂移百分比，在指定

20、ROI区域内提取像素均值的时间序列(即原始时间信号)，随后采用二次多项式拟合方法去除基线漂移，最终通过两个指标波动百分比和漂移百分比进行量化分析，波动百分比为去漂移后时间信号标准差与原始时间信号均值的比值，漂移百分比则通过拟合曲线最大值与最小值的相对差值进行计算。止匕外，还可对去漂移的信号计算其他指标，如Weisskoff曲线、峰峰值(Peak-to-peak)等加。(3)伪影比率，BOLDfMRI使用的平面回波成像(echoplanarimaging,EPI)序列常出现奈奎斯特伪影(Nyquistghost)加。在图像上，将水模中心ROI沿相位和频率编码方向分别平移1/2视场后，计算4个区域

21、2个方向的均值之差，使用伪影比率计算伪影百分比。3 .水模dMRI质量评价：dMRI中使用的扩散加权自旋回波-平面回波成像序列以及相应的扩散梯度对梯度系统的性能要求较高。磁化率伪影是EPl序列中的固有问题，且和磁场局部不均匀有关。在扩散梯度切换时，梯度线圈的电磁感应引起的长程涡流效应也将加剧图像的几何畸变。因此，在水模的质量评价中，除了常规的SNR、图像均匀度等指标外,几何畸变、扩散系数等也是重要的质量评价指标。(1)SNR,在b值为0(bo)的图像上，按照场图序列中的定义方式计算SNRo(2)图像均匀度，在b。图像上，通过估计信号强度的偏差计算图像均匀度。(3)伪影比率，在b。图像上，按照f

22、MRI的方法计算伪影比率。(4)几何畸变，在b值为100oSmm之的图像中，将每个扩散方向上中间层图像的水模区域二值化后，相加得到总图像,统计总图像中灰度值小于图像个数的体素数量，设定为几何畸变。(5)扩散系数，水模中的扩散效应具有各向同性的特点，且各方向的扩散系数值理论上应相等。但由于梯度系统的不确定性，水模扩散指标在各方向可能存在差异。在b值为1000s/mm?的图像中，可以通过计算各向异性分数以及比较不同方向上扩散系数的大小来判断扩散梯度的性能和稳定性。（6）本底噪声，在b值为3000smm?的图像中，水模内水分子完全扩散且无信号被采集，因此可计算本底噪声反映射频线圈的性能。在水模中心设

23、定ROL对每一层面图像计算本底噪声，取每一层面的均值作为本底噪声均值，取标准差作为本底噪声标准差O（二）脑结构MRl（structuralMRI,sMRI）影像质量评价sMRI影像质量评价指标包括香农燧、脑内外平均能量比、SNR.灰白质联合变异系数、偏移场中值、偏移场取值范围、白质极值比、Mortamet影像质量分数一、Mortamet影像质量分数二、灰质SNR、白质SNR、脑脊液SNR、对比度噪声比、灰质部分体积残差、白质部分体积残差、脑脊液部分体积残差、灰质与标准脑重叠、白质与标准脑重叠和基于机器学习的综合评分32,33,34,35。在所有这些指标中，建议采用数据驱动的方法，依据下列原则确

24、定关键指标及阈值：（1）将前期预试数据的TMl和T2WI脑结构图像，按照人工质量评价标准分为“好”“可以接受”“不可接受”三个等级；（2）如果该指标能够区分“好/可以接受”和“不可接受”的图像，则将该指标定为关键指标；（3）关键指标的阈值确定可在参考文献提供的阈值基础上，根据每个类别预试数据指标的统计分布来确定M0本共识建议的结构影像质量评价关键指标如下。LTMl影像质量评价关键指标：（1）脑内外平均能量比，定义为头内部相对于头外部的图像值的平均能量，反映图像的空间分布特性，值越大越好；（2）灰质白质联合变异系数，是优化强度不均匀校正算法的目标函数，数值越大代表头动和强度不均匀伪影越明显,越接

25、近0,质量越好；（3）白质极值比，定义为白质掩模内超过全部强度分布95%百分位的中值强度，反映图像中的大血管和脂肪部分对图像质量的影响；（4）灰质SNR,定义为灰质信号强度与背景噪声标准差的比值，反映灰质噪声及伪影，值越大越好；（5）白质SNR,定义为白质信号强度与背景噪声标准差的比值，反映白质噪声及伪影,值越大越好；（6）对比度噪声比，是对SNR的扩展，指灰质与白质区域内信号之差与背景噪声标准差的比值，基于分割结果，用来评估灰质和白质组织分布的对比度，值越大越好；（7）基于机器学习模型的综合评分，通过机器学习模型对图像整体质量评分，评估图像整体质量，值越大越好。2 .T2WI影像质量评价关键

26、指标：（1）香农烯，衡量图像信息的不确定性或随机性，与头部运动引起的伪影和模糊相关，数值越小质量越好；（2）脑内外平均能量比、灰白质联合变异系数、灰质SNR.白质SNR、对比度噪声比、基于机器学习模型的综合评分，定义与评价标准与TMl相同。3 .脑sMRI人工质量评价标准：由于自动质量评价可能存在少量的误差，因此需要对所有图像进行人工二级质量评价，以确保最终质量评价结果的准确性。在SMRl采集中，图像质量问题主要表现为运动伪影和低SNR。运动伪影严重的图像中灰白质分割存在错误，背景噪声横断面图中背景和头部无明显的分界。低SNR图像表现为灰白质无法区分、图像模糊、亮度接近背景，这种情况大多出现在

27、T2WI中，背景噪声横断面图中背景和头部无明显分界。因此，在人工质量控制中，主要依靠有经验的质控员通过肉眼检查TMl和T2WI图像，同时结合灰白质分割图和背景噪声横断面图进行判断。TIWl和T2WI图像的人工质量评价分为三个等级：（1）不可接受。图像模糊，有非常严重的运动伪影；图像本身具有严重的质量问题，例如扫描参数与预设不一致、扫描缺层（如颅顶缺失）、灰白质分割错误等。（2）可接受。图像比较清楚，有轻微或明显的运动伪影，但这种问题出现的层数较少；图像略模糊，但不影响后续的配准和脑组织分割；图像不均匀，但可以通过技术手段改善。（3）好。图像清晰，无运动伪影或非常轻微的运动伪影（水波纹）；图像无

28、任何其他质量问题。（三）脑fMRI影像质量评价fMRI影像质量评价指标主要包括X轴方向伪影信号比、Y轴方向伪影信号比、帧间头动幅度、头动过大帧的百分比、头动最大平动幅度、头动最大转动幅度、SNR.时间SNR.香农焙、脑内外平均能量比、AFNI（AnalysisofFunctionalNeuroImages）质量评分、平均离群点体素比例、时间序列波动方差等叱32-36370在这些指标中，头动类指标可依据文献和研究经验针对不同被试人群设置，在儿童、疾病患者等特殊被试人群中可适当放宽。SNR等图像指标建议采用数据驱动的方法，依据下列原则确定关键指标及阈值的原则同脑结构影像质量评价。本共识建议的fMR

29、I影像质量评价关键指标如下。1 .脑fMRI影像质量评价关键指标：（1）帧间头动幅度，衡量功能影像沿时间序列的相邻帧之间的头动偏移程度，数值越小影像质量越好；（2）头动最大平动幅度，衡量影像头动的最大平移程度，数值越小影像质量越好；（3）头动最大转动幅度，衡量影像头动的最大旋转程度，数值越小影像质量越好；（4）时间SNR,衡量影像在时间序列上的信号、噪声差异程度，数值越大质量越好。需要注意的是，头动指标应结合被试数据的实际情况考察，如果被试仅在扫描后期有较大头动，可通过数据预处理删除头动较大的时间点。2 .脑fMRI人工质量评价标准：由于自动质量评价可能存在少量的误差，需要对所有图像进行人工质

30、量评价，以作为最终质量控制结果。在功能像采集中，图像质量问题主要表现为头动伪影和低SNRo扫描期间的头动会使影像产生局部的信号缺失，严重的会造成图像的扭曲变形。低SNR图像表现为脑区域影像亮度接近于背景、灰白质无法区分，图像模糊，背景噪声横断面图中背景和头部无明显的分界,常见于部分旧型号机型采集的图像中。因此，在人工质量控制中，主要靠有经验的质控员通过肉眼检查功能影像，同时结合头动曲线、平均功能影像横截面和质量控制参数判断。与sMRI影像评价类似，脑fMRI的人工质量评价分为三个等级:（1）不可接受。扫描序列参数不一致，扫描未完成，有非常严重的头动伪影，图像模糊，SNR低，明显的颅顶或小脑扫描

31、缺层等，但如果研究设计明确不涉及小脑区域，小脑扫描缺失的情况可以被视为“可接受”。（2）可接受。图像比较清楚，有轻微的头动，但没有在多个时间点产生明显的信号缺失伪影；图像略模糊，但不影响后续的影像数据预处理；图像不均匀，但可以通过技术手段改善。（3）好。图像清晰，头动较小，无运动伪影或非常轻微的运动伪影（信号缺失）；图像无任何其他质量问题。（四）脑dMRI影像质量评价1.脑dMRI影像质量评价关键指标：包括“头动”和“噪声”两类质量检测指标降设4。44汽在前置机端的一级机器质量评价指标中，关键指标有以下几项（l）b。影像平均相对运动均方根值，指在bO影像的扫描中测量到的所有运动变化的平均幅度。

32、该指标灵敏地显示b。图像上相对位移的发生情况与程度，有效预警原b。图像中的头动情况。一旦该指标超过阈值，说明该图像的b。扫描中出现了相对较大的运动位移，提示头动的发生。（2）非b。影像离群值最大比例，指除b。以外的图像中具有异常信号的体素所占的比例。该指标提示图像中异常值的比例，并预警由头动导致的信号丢失情况。一旦该指标超过阈值，说明该图像中出现了较高比例的异常值，这可能是头动导致大量信号丢失或变形所致。（3）非b。影像间SNRd劭FbO影像中梯度方向的信号与噪声的比率，能直观反映扫描过程中由头动导致的信号丢失情况。该比值越大，说明图像的信号相对于噪声更强,图像质量越好。在中心端二次机器质量评

33、价指标中，建议包括以下几项：相邻层图像相关值离群梯度比例、间隔层图像相关值离群梯度比例、运动伪影值离群梯度比例、扩散主方向分布信息燧、本底噪声均值、本底噪声标准差等。其中“相邻层图像相关值离群梯度比例”为关键指标,指相邻层之间异常值的比例。头动会导致信号丢失和空间相邻性的改变，因此该指标超过阈值时，说明图像中存在较多的图像相关性异常值，大概率是头动引起的。2.脑dMRI人工质量评价标准：由于自动质量评价可能存在少量的误差，需要对所有图像进行人工质量评价，以作为最终质量控制结果。在dMRI影像采集中，图像质量问题主要表现为头动伪影和低SNRo扫描期间的头动会使影像产生信号丢失黑线或层间重建异常，

34、进而出现类似格栅样的伪迹。低SNR图像信号与噪点混淆，难以区分出脑实质。在人工质量控制中，有经验的质控员可以通过肉眼检查影像并结合质量控制参数判断。与脑sMRI和fMRI影像评价类似，脑dMRI的人工质量评价分为三个等级：（1）不可接受。扫描序列参数不一致，扫描未完成，多个时间点存在信号丢失黑线或格栅伪迹，SNR低，明显的颅顶或小脑扫描缺层等，但如果研究设计明确不涉及小脑区域，小脑扫描缺失的情况可以被视为“可接受”。（2）可接受。少量时间点存在信号丢失黑线或格栅伪迹，SNR正常，图像整体质量不影响后续的影像数据预处理。（3）好。图像无头动伪影或极个别时间点存在信号丢失黑线或格栅伪迹，SNR正常

35、图像无任何其他质量问题。四、医学专家阅片排查本共识建议在对影像数据进行质量控制的同时，由经验丰富的放射科医师对被试的3DT1WI及3DT2WI脑结构影像进行人工阅片检查。对于颅脑存在异常或病变的被试，及时有效地为站点和被试提供不同级别的就医提醒，完成颅脑阅片的闭环管理。阅片流程可采用“初级阅片”和“专家组阅片”两个级别的分级阅片模式。1 .初级阅片流程：初级阅片医师由具有5年及以上脑MRI诊断经验的医师担任。初级阅片医师需接受系统性培训，并通过随机抽取的10人次MRl图像进行独立评阅和考核，进行一致性检验，侬%H加权系数达到060.8水平，方可担任初级阅片医师。阅片人员不参与数据采集，采用双

36、盲阅片方式进行评估。首先检查图像质量是否符合阅片标准，对于伪影严重影响读片者，判定为“因伪影无法评判”。对于图像质量符合要求的被试，按以下5个方面进行评估，是否存在占位、是否存在先天畸形、是否存在异常信号、形态（结构）是否异常、体积是否异常。每个方面按大脑半球皮层、大脑半球皮层下白质、大脑半球脑室旁白质、大脑半球中线结构区（基底节区、脐月氐体、松果体等）、脑室及脑池、脑外间隙（包括血管）、小脑、脑干及延髓、鞍区（垂体）、其他层面所及结构（眼球及附属器、内耳、颅骨、头皮、颌面部软组织、腺体及淋巴结）分为10个部分进行评价。量表采用计分制，总分越高表明图像越接近异常。根据评阅标准，脑内结构正常者可

37、正常入组。对于存在脑结构异常情况的，可标记暂不入组,自动提交至“专家组排查”，并建立三级就医提醒。（1）对于颅内有明确疾病需要就医的被试，发出“建议就医”的提醒；(2)对于目前影像尚无法明确的可疑异常信号或异常结构，结论为“依据症状,必要时可就医明确”；(3)对于无病理意义的结构差异，结论为“生理结构差异，是否就医依据个人需求”。止匕外，对于判定存在疑问的被试，标记为待定，由专家组医师进一步组排查。2 .专家组阅片流程：专家组阅片医师由具有10年及以上脑MRI诊断工作经验的专家担任。阅片人员不参与数据采集，采用双盲阅片方式进行评估。首先检查图像质量是否符合阅片标准，对于伪影严重影响读片者，判定

38、为“因伪影无法评判”。对于符合阅片标准的被试图像，根据评阅标准，对“待排查”和“暂不入组”被试按时间顺序逐一阅片排查，做出最终三级就医提醒判读。对于“建议就医”的被试，阅片系统在二级审核后第一时间告知站点，由站点通知被试，避免延误诊治。专家组评阅结果包括正常入组和暂不入组，暂不入组的三级就医提醒与初级阅片流程相同。此外，建议专家组定期按比例随机抽取前一周“正常组”和“因伪影无法评判”被试，进行抽查。将抽查结果与对应初级评阅人员评阅结果对照，进行初级评阅人员一致性检验，侬通3加权系数控制在0.60.8水平。如出现较大偏差，复审后将结果反馈给初级评阅人员；如侬吵a加权系数低于0.6,初级评阅人员须

39、在下一次初级评阅前进行一次复训。基于前置机-中心端的二级质量控制流程图见图K雪看列完量序列a缺层普前置机质控制水模场网：SNR.主磁场不均匀性水模fMRI：SNR、SNRF.波动百分七峰峰值.漂移百分上伪影比率等水模dMRI:SNR、图像均匀度、伪影比率、几何畸变、扩散系数、本底Oe声等T1WI:SNR,香农1、脑内外平均能量比等T1WI：SNR.香农婚、脑内外平均能量dMRI：%平均相对运动均方根、非b0影像离群值最大比例、非b0K像间SNR中心端质控制水”像质量控制指标汇总、长周期持续监控fMRI:香农疏脑内外平均能量比.AFNIgm评分、平均霭群点体素比例、时间序列波动方差等dMRI:相

40、邻层相关离群梯度比例、间隔层图像相关值阍醉梯度比例、运动伪影值寓群梯度比例、扩敝主方向分布信息嫡、本底噪声均值、本底噪声标准差等15-人工质毒制T1WIZT.WI：灰白质联合变异系数、脑组织SNR.城比度噪声比、与标准脑率、机器学习综合评分等图1基于前置机-中心端的二级质量控制流程图（SMRl为结构MRI,fMRI为功能MRI；dMRI为扩散MRI；SNR为信噪比）五、总结综上所述，本专家共识在充分调研国内外相关项目和文献，以及大量脑MRl数据测试的基础上，提出了面向多中心多模态脑MRl影像数据的质量控制规范。以站点水模质量控制为前提，针对SMRI、fMRI和dMRI脑影像分别建立站点端-中心端多级质量控制方案，并通过医学专家阅片排查被试可能的异常或病变。该规范在科技部科技创新2030-“脑科学与类脑研究”重大项目中得到了实践应用，在德国Siemens,美国GE和中国联影的最新磁共振机型和不同系统版本上进行了实验验证，结果显示其具有良好的可行性。同时，该共识亦可应用于单中心脑MRl影像项目的研究，为更多研究机构和临床医院开展多模态MRI脑影像研究提供质量控制参考依据，从而提高研究结果的可靠性。