1. 目的
2. 準備
2.1. DIPYのインストール
2.2. 使用データ
2.3. 前処理
3. 拡散尖度イメージング（DKI）
3.1. 必要なパッケージをインポート
3.2. 画像およびMPG軸情報の読み込み
3.3. マスク画像の生成
3.4. モデルフィッティング
3.5. 拡散定量値の計算
3.6. NIfTI形式で保存
3.7. 結果
4. おまけ
1. 目的
- DIPYを用いた拡散尖度イメージング: DKI
2. 準備
2.1. DIPYのインストール
1 | pip3 install dipy |
2.2. 使用データ
データを次のフォルダ構造で用意する。
1 2 3 4 5 6 | Study/└── Subject ├── DWI.nii.gz # 拡散MRI ├── DWI_mask.nii.gz # 拡散MRIマスク画像 ├── bvals # b-values └── bvecs # b-vectors |
2.3. 前処理
DKI（Diffusion Kurtosis Imaging）前に、拡散MRIの前処理をする。
- 拡散MRIのノイズ除去（Software: MRtrix, DIPY）
- ギブズのリンギングアーチファクト（Gibbs ringing）の除去（Software: MRtrix, DIPY）
- 拡散MRIのバイアス（信号ムラ）補正（Software: MRtrix）
- 拡散MRIの前処理 ~歪み・頭の動き・渦電流の補正（Software: FSL, MRtrix）
3. 拡散尖度イメージング（DKI）
Pythonで以下のコマンドを実行。
3.1. 必要なパッケージをインポート
1 2 3 4 5 6 7 | import numpy as npimport matplotlib.pyplot as pltimport dipy.reconst.dki as dkifrom dipy.core.gradients import gradient_tablefrom dipy.io.gradients import read_bvals_bvecsfrom dipy.io.image import load_nifti, save_niftifrom dipy.segment.mask import median_otsu |
3.2. 画像およびMPG軸情報の読み込み
1 2 3 4 5 6 7 | DWI_FILE = 'DWI.nii.gz'BVALS_FILE = 'bvals'BVECS_FILE = 'bvecs'data, affine = load_nifti(DWI_FILE)bvals, bvecs = read_bvals_bvecs(BVALS_FILE, BVECS_FILE)gtab = gradient_table(bvals, bvecs) |
3.3. マスク画像の生成
median_otsu関数を用いて、b=0画像からマスク画像を生成する。vol_idxには、b0 volumeのvolume indexを渡す。
1 2 | maskdata, mask = median_otsu( data, vol_idx=np.where(bvals == 0)[0]) # , dilate=3 |
3.4. モデルフィッティング
以下のコマンドで、DKIのモデルフィッティングを実行。
1 2 | dkimodel = dki.DiffusionKurtosisModel(gtab)dkifit = dkimodel.fit(maskdata) |
3.5. 拡散定量値の計算
モデルフィッティングができたら、拡散定量値を算出する。
1 2 3 | MK = dkifit.mk(0, 3)AK = dkifit.ak(0, 3)RK = dkifit.rk(0, 3) |
脳周囲の背景では、フィッティングミスをしてnanとなる場合があるため、そのようなnanを0に置き換える。
1 2 3 | MK[np.isnan(MK)] = 0AK[np.isnan(AK)] = 0RK[np.isnan(RK)] = 0 |
3.6. NIfTI形式で保存
save_nifti関数で、画像をNIfTI形式で保存する。
1 2 3 4 5 | save_nifti('DWI_masked.nii.gz', maskdata.astype(np.float32), affine)save_nifti('DWI_mask.nii.gz', mask.astype(np.float32), affine)save_nifti('MK.nii.gz', MK.astype(np.float32), affine)save_nifti('AK.nii.gz', AK.astype(np.float32), affine)save_nifti('RK.nii.gz', RK.astype(np.float32), affine) |
3.7. 結果
DKIによって算出された定量値画像は、以下の通り。
4. おまけ
DKIでもFA, MD, AD, RDを算出することができる。
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 | # 拡散定量値を算出FA = dkifit.faMD = dkifit.mdAD = dkifit.adRD = dkifit.rd# nanを0に置換FA[np.isnan(FA)] = 0MD[np.isnan(MD)] = 0AD[np.isnan(AD)] = 0RD[np.isnan(RD)] = 0# NIfTI形式で保存save_nifti('FA.nii.gz', FA.astype(np.float32), affine)save_nifti('MD.nii.gz', MD.astype(np.float32), affine)save_nifti('AD.nii.gz', AD.astype(np.float32), affine)save_nifti('RD.nii.gz', RD.astype(np.float32), affine) |
以下は、FA, MD, AD, RDをDTI（下段）とDKI（上段）で比較した図である。
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
