ADNI数据集入门指南：从数据获取到初步分析的完整流程

共计 1910 个字符，预计需要花费 5 分钟才能阅读完成。

1. ADNI 项目背景与数据组成

ADNI（Alzheimer’s Disease Neuroimaging Initiative）是研究阿尔茨海默病最重要的公开数据集之一。它包含多模态数据：

• 结构 MRI：T1 加权像为主，分辨率通常为 1mm 各向同性
• 功能影像：包括 FDG-PET 和 Amyloid-PET 扫描
• 临床数据：认知评估量表（如 MMSE）、APOE 基因型、诊断结果等
• 其他：部分受试者有 DTI 和 fMRI 数据

ADNI 已迭代三个主要版本：
1. ADNI1（2004-2009）：最早期的 1.5T 和 3T MRI 数据
2. ADNI-GO/2（2009-2016）：全面转向 3T MRI，新增 tau-PET
3. ADNI3（2016- 至今）：更高分辨率扫描和更丰富的生物标记物

2. 数据申请全流程

1. 访问官网（adni.loni.usc.edu）注册账号
2. 填写数据使用协议（需机构邮箱和导师签字）
3. 等待 1 - 3 个工作日审核通过
4. 在 LONI 平台选择需要的数据类型：
5. 原始 DICOM（适合深度分析）
6. 预处理后的 NIFTI（快速上手）
7. 临床 CSV 表格（含纵向追踪数据）

注意 ：下载时建议勾选Include phantom scans 选项以便质量控制

3. Python 数据处理实战

加载 DICOM 文件

import pydicom
from pathlib import Path

def load_dicom_series(folder_path):
    """加载一个扫描序列的所有 DICOM 文件"""
    try:
        dicom_files = sorted(Path(folder_path).glob('*.dcm'))
        slices = [pydicom.dcmread(f) for f in dicom_files]
        slices.sort(key=lambda x: float(x.ImagePositionPatient[2]))
        return slices
    except Exception as e:
        print(f"Error loading DICOM: {e}")
        return None

转换为 NIFTI 格式

import nibabel as nib
import numpy as np

def dicom_to_nifti(dicom_slices):
    """将 DICOM 序列转为 NIFTI 格式"""
    pixel_data = np.stack([s.pixel_array for s in dicom_slices])
    affine = np.eye(4)  # 简单仿射矩阵
    return nib.Nifti1Image(pixel_data, affine)

4. 数据质量检查清单

遇到这些问题时要特别注意：

• 参数不一致：检查扫描仪型号（GE/Philips/Siemens）、磁场强度（1.5T/3T）、TE/TR 参数
• 缺失数据：用 pandas 检查临床表格的缺失值：

  import pandas as pd
  df = pd.read_csv('ADNI_clinical.csv')
  print(df.isnull().sum())

• 运动伪影 ：通过查看 DICOM 头中的ImageComments 字段识别

5. 转换为 BIDS 格式

推荐使用 heudiconv 工具：

heudiconv -d /raw/adni/sub-{subject}/*.dcm -s 001 -f convertall -o /bids

关键步骤：
1. 创建dataset_description.json
2. 按 sub-<label>/ses-<label>/modality/ 组织文件
3. 添加 participants.tsv 包含元数据

6. 性能优化技巧

处理大体积数据时：

• 使用 nibabel 的memmap模式：

  img = nib.load('big.nii.gz', mmap=True)

• 分块处理 3D 图像：

  data = img.get_fdata()
  chunk = data[100:200, 100:200, :]  # 处理局部区域

• 对临床数据使用 dask.dataframe 替代 pandas

动手实验：计算海马体体积

1. 下载预处理好的 T1 图像（ADNI 的 MPR; GradWarp; B1_Correction 系列）
2. 使用 FSL 的 FIRST 工具进行分割：

   run_first -i T1.nii -o hippocampus -m left_hippocampus

3. 统计体素数并乘以体素体积（通常 1mm³）

经验总结

ADNI 数据虽然规范，但仍有几个常见坑：
– 不同站点的扫描参数差异可能导致模型性能下降
– 临床数据中的诊断结果会随随访发生变化
– 早期 ADNI1 的数据质量明显低于 ADNI3

建议先用小样本（如 20 例）跑通全流程，再扩展到大样本分析。后续可以尝试将 MRI 与 PET 特征融合，或结合基因组数据开展多模态研究。