機能的神経画像の解析

AFNIの初期の機能の一つは、個々の脳のスキャン画像を共通の標準空間に変換する手法を改善したことでした。各人の脳は大きさや形が異なるため、複数の脳を比較するには、個々の脳を標準的な形状に変形（回転、拡大縮小など）する必要があります。残念ながら、AFNI開発当時の機能的MRIデータは、効果的な変換を行うには解像度が低すぎました。そのため、研究者たちは、画像撮影セッションの開始時に取得されることが多い、より高解像度の解剖学的脳スキャン画像を使用しています。

AFNIを使用すると、研究者は機能画像を解剖画像に重ね合わせることができ、2つを同じ空間に位置合わせするためのツールが提供されます。個々の解剖スキャンを標準空間にワープするために行われるプロセスは、機能スキャンにも適用され、変換プロセスが改善されます。^{[ 6 ]}

AFNIで利用できるもう1つの機能は、Ziad Saadによって開発されたSUMAツールです。このツールを使用すると、2Dデータを3D皮質表面マップに投影できます。このようにして、研究者は脳回などの物理的な皮質の特徴をより簡単に考慮しながら、活性化パターンを表示できます。^{[ 7 ]}

「afni_proc.py」は、生データから始めて、単一被験者のfMRIデータを一連の前処理ステップで実行する既製のスクリプトです。デフォルト設定では、次の前処理ステップを実行し、基本的な回帰分析で終了します。^{[ 8 ]}

1. スライスタイミング: ^{[ 9 ]}各 3D 脳画像は、複数の 2D 画像、「スライス」で構成されています。ほぼ同時に取得されますが、最初のスライスと最後のスライスの間には数秒の差が生じる場合があります。補間により、スライスは同じ時点に位置合わせされます。一般的に、補間エラーによって生じるノイズは、信号の改善によって相殺されると考えられています。^{[ 10 ]}
2. モーション補正: 頭部の動きは解析に誤差の原因となる可能性があります。スキャン中の各 3D 取得は 3D グリッド上に収集され、グリッド空間の各小さな立方体「ボクセル」は単一の画像強度値を表します。理想的には、ボクセルは 3D 画像ごとに変化するのではなく、各取得で常に脳の同じ部分を表します。小さなモーション アーチファクトを補正するために、AFNI のモーション補正ツールは、取得した各 3D 画像をスキャンで取得した最初の画像に位置合わせしようとする線形最小二乗アルゴリズムを使用します。^{[ 11 ]}
3. 平滑化: 画像内のランダムノイズを考慮するために、平滑化カーネルが適用されます。平滑化は画像の信号対雑音比を向上させることができますが、画像の解像度を低下させます。^{[ 12 ] [ 13 ]}
4. マスク：fMRI画像から頭蓋骨などの脳以外の領域を除去します。
5. スケール：各ボクセルの強度変化がスキャン中の信号変化率を表すようにスケーリングします。デフォルトでは、各ボクセルの平均値が100に設定されます。