脑功能MRI数据处理手册作者：范嘉晨指导老师：刘加成单位：东南大学（江苏省分子影像与功能影像重点实验室）目录：本手册介绍相关软件图像格式Bold预处理Resting-Bold建模、统计分析、结果可视化Task-Bold建模、统计分析、结果可视化DTI预处理TBSS及DTI结果可视化、FDT结构像预处理VBM及结果可视化附录一：task-Bold处理相关参数附录二：VBM处理相关参数附录三：resting-Bold处理相关参数附录四：DTI处理相关参数附录五：行为学范式与磁共振扫描对应关系 五、Resting-Bold建模、统计分析、结果可视化在一些早期的研究中，主成分分析（PCA）被用作功能连接分析方法。
它具有简单和容易实现的优点。
然而，它有大量缺点即只对遵循高斯分布的信号敏感。
虽然在功能磁共振成像数据的一些信号明明遵循这样分布，但是有许多感兴趣的信号会由PCA混合在一起，因为它们不遵循高斯分布。
在这种情况下，独立成分分析（ICA）是一种更合适的技术，并且ICA的做法，已经在很大程度上取代了主成分分析的方法而用于表征功能的连接。
独立成分分析的开发是为了解决数据集中检测未知信号的问题，有时也被称为盲源分离问题。
ICA可能比PCA更能够正确识别组件成分的来源，因为它们很可能是非高斯分布的。
独立性与正交有关但不同于正交（或不相关）；在数据不符合正态分布时，有可能两个变量在统计学上是相关的，甚至是正交的。
事实上，在独立成分分析中的独立成分是通过搜索数据中非高斯信号来估计的。
由于ICA搜索非高斯信号，大部分ICA的算法首先使用PCA白化此数据，以去除数据中的任何高斯信号。
有些软件包（如FSL’s MELODIC）将输出PCA和ICA的结果，对保持数据信号最大范围的灵敏度，检测二者可能有用。
当ICA应用到fMRI的时程数据时，必须选择是否按搜索成分来决定算法，要么是空间独立，要么是时间独立的（这取决于由该方法输入矩阵的取向）。
大多数方法都假定空间成分独立，当以这种方式时，ICA得到按照混合矩阵排列的一组空间成分，它表示在每个时间点所观察到的信号对每一个空间模式的贡献。
空间独立的假设，可以基于在大脑中有许多潜在的独立网络的直觉，这可能与在任务的表现期间具有类似的时程。
它提供了用于检测空间上的不同效果的能力（如任务的激活与任务相关联的头部运动），这可与时程相关。
在使用ICA时有一些性质必须牢记。
首先，ICA的解决方案不是唯一的，因此需要额外地限制以确定一个最佳的解决方案。
其中的一些方法是随机的，如FSL中ICA概率模型，当相同的数据集通过ICA的程序运行多次时，不同的解决方案就有可能发生。
其次，由于它对非正态结构敏感，ICA对数据中的异常值非常敏感。
这通常被看作一个正效应，因为它使ICA有利于识别潜在的伪影，要找到网络连接的情况，确保结果不受异常值影响是很重要的。
组群ICA/PCA的分析已经有多种可行方法。
一种方法是对个体数据进行组上平均，然后在平均数据上进行ICA。
这种方法的优点是简单，但它只能提供查找成分的功效，在横跨时间和空间上的个体是高度一致的，任何异质性的影响都可能被平均了。
这种方法检测静息态信号时也行不通，因为他们在很大程度上对个体间暂时是不相关的。
另一种方法是每个个体单独地进行ICA，然后使用某种形式的聚类或相关分析来匹配个体间的成分。
尽管直观上很有吸引力，但是所估计的成分的噪度可能难以精确地匹配不同个体间的成分。
一个稍微复杂的方法是串联（并置）每个个体的数据矩阵（空间归一化之后对准不同个体的体素）。
跨越时间的串联（并置）会导致共享空间成分的检测，而跨越空间的并置将导致不同个体共享时程的检测。
大多数研究已经使用跨时间并置，以及这些使用模拟数据的不同方法比较表明，跨时并置比所有个体间的平均化及在整个体素的并置更加可靠。
当数据进行跨时并置时，有几种方法来估计空间独立分量的时程（混合矩阵）。
在GIFT软件中，一个单独的混合矩阵为每个个体进行估算。
在FSL内嵌的张量-PICA中，用一个普通群组混合矩阵和一个比例因子为每个个体进行估算。
因为它假定一个共同的时程中，张量-PICA法不适合个体间时程不同情况下的案例，如静息状态的波动。
MELODIC ( Multivariate Exploratory LinearOptimized Decomposition into Independent Components )

1.数据准备：静息态数据、T1共面像；2.终端输入Melodic打开图形界面，如下图设置（例如，我们有16个数据，时间点是基线期和第四周末的，两个对照组受试、六个治疗组受试，D004A、D004C、D006A、D006C、T012A、T012C、T016A、T016C、T017A、T017C、T018A、T018C、T019A、T019C、T020A、T020C）。

Ballppn help 及Progress watcher 可以关掉，打开代表可以监测数据运行进程；

在Data下，选择输入数据(select 4D data),可以一次性选择多个数据输入数据如下图，数据顺序很重要，这决定了后面设计矩阵的样式；output directory选择输出目录；Delete volumes选择想要删掉的volumes，这里选择5；TR一般在输入数据后自动生成，但是我们要注意核对；High pass filter cutoff(s) 选择80;

在pre-stats下面，头动校正选择MCFLIRT；Slice timing correction选择none；BET brain extraction勾选；FWHM输入5mm；Highpass勾选；

配准，选择共面像时，共面像的输入一定要与之前BOLD图像输入顺序一致（linear选择BBR); standard space选择MNI152_T1_2mm_brain ，linear选择12DOF;

Stats选择variance-normalise timecourses，不要勾选automatic dimensionality estimation，Output components选择33,Multi-session temporal concatenation（适合于静息态数据）。

post-stats中IC maps选择0.5，background image选择mean highres。
勾选上Output full stats folder。
最后点击Go。
运行完后可以产生一个design.fsf文件，这里面包含了上面图像化输入的各个信息，下此需要该参数时，直接点击load，加载此文件即可。

3.运行结束后会产生上述的网页版报告，可以点击查看33个成分的图像。

我们可以手动查看成分的图像，也可以使用自动成分分析程序识别（FIX、AROMA）非信号成分。
4、使用fsl_regfilt去除非信号成分，比如噪声。

5、使用dual_regression进行静息态组间分析。

注意dual_regression李文件的输入，首先design.mat和design.con可以使用Glm创建，一定要注意设计矩阵与之前melodic数据输入相对应。

其次，可以创建一个inputfiles.txt（利用touch命令创建文档)，把所有需要进行dual_regression的文件放进去；

最后，一定要注意转换图像尺寸，把每个数据跑出来的filtered_func_data.nii.gz转换成和Melodic_IC.nii.gz尺寸一样的，这点非常重要。

。

。

。

。

。

否则dual_regression会一直报错。
可以使用fsl自带的flirt转换。
最后使用fslinfo查看转换后图像的信息。

dual_regression会进行三个stage阶段的运行，stage1、stage2、stage3；

运行结束后一定要检查输出的文件有没有缺少，以及dr.o/dr.e开头的文本文档里有没有内容，如果是空白，就代表没有问题产生。

6.查看有统计学意义的激活及图像展示。
由于dual_regression后产生图像较多，一个个去打开，比较费时费力，因此可以使用下面的命令，后面数字大于0.95的图像就是有统计意义信号存在的图像。
最后使用fsleyes展示，全脑图像的截取及colorbar设置可以参考TBSS。

7.melodic命令行处理方式

第六章 ，Task-Bold建模、统计分析、结果可视化