[论文解读] Clinica: an open source software platform for reproducible clinical neuroscience studies

Alexandre Routier, Ninon Burgos+22 more|HAL (Le Centre pour la Communication Scientifique Directe)|Jul 21, 2021

Biomedical Text Mining and Ontologies被引用 16

一句话总结

Clinica 是一个开源软件平台，通过使用 BIDS 管理原始数据、CAPS 管理处理后的输出，对临床神经科学中的多模态神经影像数据处理进行标准化和自动化。该平台支持 T1 加权 MRI、扩散 MRI 和 PET 的可重复、可共享、可扩展的处理流程，整合了成熟的工具，并支持统计与机器学习工作流。

ABSTRACT

We present Clinica (www.clinica.run), an open-source software platform designed to make clinical neuroscience studies easier and more reproducible. Clinica aims for researchers to i) spend less time on data management and processing, ii) perform reproducible evaluations of their methods, and iii) easily share data and results within their institution and with external collaborators. The core of Clinica is a set of automatic pipelines for processing and analysis of multimodal neuroimaging data (currently, T1-weighted MRI, diffusion MRI and PET data), as well as tools for statistics, machine learning and deep learning. It relies on the brain imaging data structure (BIDS) for the organization of raw neuroimaging datasets and on established tools written by the community to build its pipelines. It also provides converters of public neuroimaging datasets to BIDS (currently ADNI, AIBL, OASIS and NIFD). Processed data include image-valued scalar fields (e.g. tissue probability maps), meshes, surface-based scalar fields (e.g. cortical thickness maps) or scalar outputs (e.g. regional averages). These data follow the ClinicA Processed Structure (CAPS) format which shares the same philosophy as BIDS. Consistent organization of raw and processed neuroimaging files facilitates the execution of single pipelines and of sequences of pipelines, as well as the integration of processed data into statistics or machine learning frameworks. The target audience of Clinica is neuroscientists or clinicians conducting clinical neuroscience studies involving multimodal imaging, and researchers developing advanced machine learning algorithms applied to neuroimaging data.

研究动机与目标

• 解决涉及多模态神经影像数据的临床神经科学研究中可重复性和标准化不足的问题。
• 通过自动化常见处理流程，减少研究人员在数据管理和预处理上花费的时间。
• 实现实验室内部及与外部合作者之间原始和处理后神经影像数据的无缝共享。
• 通过标准化数据格式，促进处理后数据与统计和机器学习框架的集成。
• 通过使用社区验证的工具，支持研究人员和开发者开展可靠、可扩展且可审计的神经影像学研究。

提出的方法

• 使用脑影像数据结构（BIDS）以一致、人类和机器可读的格式组织原始神经影像数据集。
• 采用 ClinicA 处理结构（CAPS）对处理后的神经影像输出进行标准化组织，包括图像值字段、网格、基于表面的地图以及标量值。
• 利用成熟、社区开发的工具（如 FSL、FreeSurfer、ANTs）构建处理流程，以确保可靠性和可重复性。
• 提供转换工具，将公共数据集（ADNI、AIBL、OASIS、NIFD）转换为符合 BIDS 格式，以便在 Clinica 中直接使用。
• 通过命令行接口执行单个或顺序处理流程，实现一致的输入/输出处理。
• 通过以标准化、结构化格式暴露处理后数据，与统计和机器学习框架实现集成。

实验结果

研究问题

• RQ1 如何通过标准化的数据组织与处理方式，使临床神经科学研究更具可重复性？
• RQ2 神经影像处理流程的自动化在多大程度上能够减少人工操作和人为错误？
• RQ3 统一的数据格式（CAPS）是否能有效支持多种神经影像输出，并简化其在下游分析中的集成？
• RQ4 Clinica 在一致且可扩展的方式下，能否有效处理来自不同公共数据集的多模态数据（T1w、DWI、PET）？
• RQ5 使用 BIDS 和 CAPS 对神经影像研究中的协作、数据共享和方法透明度有何影响？

主要发现

• Clinica 使用社区标准工具成功自动化了 T1 加权 MRI、扩散 MRI 和 PET 数据的处理流程，显著减少了人工干预。
• 该平台通过 BIDS 和 CAPS 实现了原始数据和处理后数据的一致组织，大幅提升了数据的可重复性和互操作性。
• ADNI、AIBL、OASIS 和 NIFD 等公共数据集可轻松转换为 BIDS 格式，从而支持标准化处理工作流。
• 处理后的输出（包括组织概率图、皮层厚度图和区域平均值）以结构化、机器可读的格式（CAPS）存储，便于后续的统计和机器学习分析。
• Clinica 与现有神经影像工具的集成确保了在不同研究环境和协作场景下的兼容性与可重用性。
• Clinica 通过强制执行一致的数据结构和模块化流程执行，支持从原始数据摄入到统计建模的端到端可重复工作流。