dMRI技術專欄(2)：解構 FBA 實作流程——從數據預處理到統計分析

引言

在上一篇中，我們理解了FBA如何透過Fixel單位破解纖維交叉的困境。
然而，要從一堆雜亂的擴散訊號中提取出FD、FC與FDC，需要經過嚴謹的運算流程。
本篇將帶領大家走進實驗室，拆解基於MRtrix3框架下的FBA實作邏輯。

1. 預處理：數據質量的生命線

在進入FBA之前，數據必須經過一系列去雜訊與校正，
這決定了後續FOD(Fiber Orientation Distribution)的可靠性。

• Denoising & Gibbs Unringing：消除熱噪訊與影像邊緣的震盪偽影。
• Motion & Eddy Current Correction：校正掃描時的頭部晃動與渦流效應。
• Bias Field Correction：修正磁場不均勻造成的強度偏差。

2. 建立「大腦地圖」：群體模板 (Population Template)

FBA 的分析是在一個共同空間進行的。
不同於 DTI 常用現成的 MNI 模板，FBA 傾向於建立一個 Study-specific Population Template。

• 為什麼要自建模板？
  因為每個研究的受試對象(如中風患者 vs. 健康對照組)大腦形態差異極大，
  使用所有受試者影像生成的平均模板，能更精確地對齊纖維走向，減少Registration誤差。

圖：受試者的群體模板示意圖。

3. 核心統計：CFE (Connectivity-based Fixel Enhancement)

得到每個Fixel的指標後，我們如何判斷兩組人間的差異是否具備統計學意義？
FBA使用的是專為纖維設計的 CFE 方法。

• 空間連通性：與傳統像素級統計不同，CFE會考慮纖維的 Connectivity。
  如果某個Fixel出現差異，且與它沿著同一條路徑相連的Fixel也顯示出差異，CFE會增強該區域的顯著性。
• 多重比較校正：通常配合 FWE (Family-wise Error) 校正。
  • 註：在臨床研究中，若 FWE 校正後無顯著結果，有時會觀察 $p < 0.001$ (Uncorrected) 的傾向，這對於探索性研究（如臨床預後關聯）仍具參考價值。

4. 結果解讀：方向特異性的視覺化

當我們在統計圖上看到顯著變化的區域時，
FBA讓我們能說出：「這是在皮質脊髓束 (CST) 上，且是往某個特定方向的纖維發生了 FD 下降。」

5. 結語：從影像到臨床的橋樑

FBA不僅是數學上的進步，更是臨床解釋的突破。透過 FD 與 FC 的分離，我們能區分受試者是處於神經退化的「早期軸突流失」還是「晚期形態萎縮」。

在我的碩士論文研究中，使用了VBA、FBA以及NODDI等影像指標，結合機器學習的特徵重要性分析，進而使模型準確率提升。
希望這兩篇介紹能讓大家對這項技術有更清晰的輪廓！