【FSL】 FSLを用いたRF/B1バイアス（信号ムラ）補正とセグメンテーション

1. 目的
2. コマンド
3. 使用例
4. 結果
4.1. バイアス（信号ムラ）補正
4.2. ボクセルあたりの部分容積（存在割合）
4.3. 脳組織のセグメンテーション
4.4. 確率マップ

1. 目的

• RF/B1バイアス（信号ムラ）補正
• 脳組織のセグメンテーション（Segmentation）

2. コマンド

FSLのfastコマンドを用いる。

fastコマンドヘルプは次の通り。

Usage: 
fast [options] file(s)

Optional arguments (You may optionally specify one or more of):
	-n,--class	number of tissue-type classes; default=3
	-I,--iter	number of main-loop iterations during bias-field removal; default=4
	-l,--lowpass	bias field smoothing extent (FWHM) in mm; default=20
	-t,--type	type of image 1=T1, 2=T2, 3=PD; default=T1
	-f,--fHard	initial segmentation spatial smoothness (during bias field estimation); default=0.02
	-g,--segments	outputs a separate binary image for each tissue type
	-a <standard2input.mat> initialise using priors; you must supply a FLIRT transform
	-A <prior1> <prior2> <prior3>    alternative prior images
	--nopve	turn off PVE (partial volume estimation)
	-b		output estimated bias field
	-B		output bias-corrected image
	-N,--nobias	do not remove bias field
	-S,--channels	number of input images (channels); default 1
	-o,--out	output basename
	-P,--Prior	use priors throughout; you must also set the -a option
	-W,--init	number of segmentation-initialisation iterations; default=15
	-R,--mixel	spatial smoothness for mixeltype; default=0.3
	-O,--fixed	number of main-loop iterations after bias-field removal; default=4
	-H,--Hyper	segmentation spatial smoothness; default=0.1
	-v,--verbose	switch on diagnostic messages
	-h,--help	display this message
	-s,--manualseg <filename> Filename containing intensities
	-p		outputs individual probability maps

基本的な使い方は、次の通り。

入力画像として、T1WI, T2WI, PDWIを用いることができる。

fast <入力画像> T1w.nii.gz

3. 使用例

まず前処理として、処理前の3D-T1WI（T1w.nii.gz）に対して、頭蓋除去（skull-stripping）をする。頭蓋除去のやり方は、以下を参考に。

• 【脳MRI画像解析入門】FSLを用いた頭蓋除去 ~Skull-stripping~
• 【脳MRI画像解析入門】FreeSurferを用いた頭蓋除去 ~Skull-stripping~

頭蓋除去をすると次のようになる。

頭蓋除去した画像（T1_skull_stripped.nii.gz）に対して、fastコマンドを実行する。

fast -t 1 -g -B -b -p -o output T1_skull_stripped.nii.gz

ここで、使用したオプションは次の通り。

• -t：入力画像の種類。ここでは、T1WIであるため「-t 1」と設定。
• -g：セグメント後の画像をバイナリー画像として出力
• -b：バイアスフィールドを出力
• -B：バイアス補正後の画像を出力
• -p：セグメントした各確率マップを出力
• -o：出力画像の接頭辞を指定。ここでは「output」とした。

4. 結果

処理が完了すると、次のような画像が出力される。

4.1. バイアス（信号ムラ）補正

• output_bias.nii.gz：バイアスフィールド画像
• output_restore.nii.gz：バイアス補正後の画像

4.2. ボクセルあたりの部分容積（存在割合）

• output_pve_0.nii.gz：脳脊髄液の部分容積画像
• output_pve_1.nii.gz：灰白質の部分容積画像
• output_pve_2.nii.gz：白質の部分容積画像

4.3. 脳組織のセグメンテーション

• output_seg_0.nii.gz：脳脊髄液の2値（バイナリー）画像
• output_seg_1.nii.gz：灰白質の2値画像
• output_seg_2.nii.gz：白質の2値画像
• output_seg.nii.gz：脳脊髄液（1）・灰白質（2）・白質（3）がセグメントされた画像

4.4. 確率マップ

• output_prob_0.nii.gz：脳脊髄液の確率マップ
• output_prob_1.nii.gz：灰白質の確率マップ
• output_prob_2.nii.gz：白質の確率マップ

著者情報： 斎藤 勇哉

順天堂大学医学部 大学院医学研究科 放射線診断学講座所属
脳MRI 画像解析が専門であり、テーマは①神経変性疾患の機序解明、②医用人工知能の開発、③多施設データのハーモナイゼーション、④速読が脳に与える影響や学習効果、⑤SNS解析を用いたマーケティング戦略の改善。
医療分野に関わらず、自然言語処理・スクレイピング・データ分析・Web アプリ開発を得意とし、企業や他大学の研究を支援。
主な使用言語は、Python、Shell Script、MATLAB、HTML、CSS