FSLpreprocessingMethods.docx

FSLpreprocessingMethods.docx

《FSLpreprocessingMethods.docx》由会员分享，可在线阅读，更多相关《FSLpreprocessingMethods.docx（11页珍藏版）》请在冰豆网上搜索。

FSLpreprocessingMethods

第二章 数据转换和预处理

我们要从扫面中心把数据下载下来，然后上传到数据服务器上。

可以用matlab下载和上传。

把数据转换成NifTI格式，这个格式的数据比原数据节省90%的空间，并且不丢失任何信息。

要用到MRIcron中的dcm2nii。

可以先把这些数据变成3d的，看看数据是从几个方向开始收集的。

如果直接转换成4D,则会生成bvecs和bvals文件。

管理和组织数据：

每一个研究需要有一个单独的文件夹，在该文件夹的下面，设置behavior、subject、group、results、masks、scripts等文件夹，分别存放数据。

对于subject而言，需要把性别和组别信息包含在内，如f01，表示男被试01.把静息和功能、结构、DTI数据分别存在f01下的不同目录中。

用tree命令可以查看目录树。

第三章 FSL分析DTI数据

Fsl是一个强大的脑成像分析工具，可以分析功能像、结构像、DTI，并含有不同的数据分析包。

其中TheFMRIB’sDiffusionToolbox（FDT）就是专门分析DTI数据的分析包。

在进行数据分析之前，需要注意的是，DTI的001数据是b0image，不包含DTI，相当于一个结构像。

另外，如果是飞利浦的扫描仪，最后一张图片是traceimage，对于数据分析没有用,西门子的仪器不存在这个问题。

我们可以把001数据文件cp为nodif.nii.gz,最后一个traceimage改为trace.nii.gz（mv命令）。

如果前面数据转换的时候是3D，而不是4D，现在还需要把数据转换成4D。

[meg@dbic-lab_x86-64_04~]$cp001.nii.gznodif.nii.gz

[meg@dbic-lab_x86-64_04~]$mvlast.nii.gztrace.nii.gz

[meg@dbic-lab_x86-64_04DTI]$avwmergedti1dti1_*

然后我们需要bvecs和bvals文件，这两个文件告诉我们DTI的方向信息，在进行格式转换（DCM>NifTI）的时候，这两个文件会自动生成。

利用001图像和fsl中的bet分析包，生成一个mask，具体参数设置详见bet。

[meg@dbic-lab_x86-64_04DTI]$betnodifnodif_brain-f.3-m

目前我们已经有4D的DTI数据，bvecs和bvals文件，以及mask。

下一步需要把4D的图像进行‘Eddycurrentcorrection’stepofFDT。

在terminal终端键入fsl,打开fsl主页面，然后点击“FDTDiffusion’，进入FDT，单击最上面的按钮，选择”Eddycurrentcorrection”.input数据选择4D的图像，而output文件可以直接命名为‘data.nii.gz’,referencevolume选择0。

点击’go’，平均每个被试需要30-45分钟。

下一步就是进行“DTIFitReconstructdiffusiontensors”，点击FDT最上面的按钮，选择“DTIFitReconstructdiffusiontensors”。

Input目录就是包含上面所有文件的被试DTI目录。

这一步只需要几分钟，生成文件‘data_FA.nii.gz’和‘data_V1.nii.gz’。

用fslview查看data_FA.nii.gz。

这个图像就是thefractionalanisotropy（FA）valueateachvoxel.通过‘Add’把图像data_V1.nii.gz叠加上去。

然后点击fslview下方的‘I’，打开‘OverlayInformationDialog’。

把DTIdisplayoptions设置为”RGB”和”data_FA”（如图）。

现在我们能看到下图，Red表示thatthefibersatthatvoxelarerunningintheleft-rightdirection,蓝色表示theinferior-superiordirection（down-up）,and绿色表示theyarerunningintheanterior-posteriordirection（front-back）.

下一步分析是”BEDPOST”,点击FDT最上面的按钮，选择”BEDPOSTEstimationofdiffusionparameters”,这一步的目的就是为了得到白质束成像图（probabilistictractography）。

Input目录就是包含上面所有文件的被试DTI目录。

然后点击’go’。

这一步每个被试需要8-10hours。

这一步将在被试目录中生成一个叫’DTI.bedpost’的文件夹，这个文件夹用于下面做白质束跟踪。

接下来我们需要把DTI（thediffusionweightedimages）图像对齐到被试高分辨的结构像上（T1像）。

于是需要用bet把T1像进行bet，把头皮剥掉。

[meg@dbic-lab_x86-64_04ANATOMY]$betmpragemprage_brain –f.35–g-.4

把DTI（thediffusionweightedimages）图像对齐到被试高分辨的结构像上（T1像）。

点击点击FDT最上面的按钮，选择’Registration’，Bedpost目录选择被试目录下的‘DTI.bedpost’。

激活‘Mainstructuralimage’，选择被试剥去头皮的高分辨率结构像（mprage_brain），这是Standardspace会自动选择相匹配的标准图像，点击’go’。

上面的分析，如果使用命令行，如下：

[meg@dbic-lab_x86-64_04DTI]$eddy_correctdti1.nii.gzdata.nii.gz0

[meg@dbic-lab_x86-64_04DTI]$dtifit--data=data.nii.gz--out=data--mask=nodif_brain_mask.nii.gz--bvecs=bvecs--bvals=bvals

[meg@dbic-lab_x86-64_04DTI]$fslviewdata_FA.nii.gzdata_V1.nii.gz

[meg@dbic-lab_x86-64_04s01]$bedpostDTI

[meg@dbic-lab_x86-64_04DTI.bedpost]$mkdirxfms

[meg@dbic-lab_x86-64_04DTI.bedpost]$flirt-innodif_brain

-ref../ANATOMY/mprage_brain.nii.gz-omatxfms/diff2str.mat-searchrx-9090

-searchry-9090-searchrz-9090-dof12-costmutualinfo

[meg@dbic-lab_x86-64_04DTI.bedpost]$convert_xfm-omatxfms/str2diff.mat-inverse

xfms/diff2str.mat

[meg@dbic-lab_x86-64_04DTI.bedpost]$flirt-in../ANATOMY/mprage_brain.nii.gz

-ref/afs/dbic.dartmouth.edu/usr/pkg/fsl/etc/standard/avg152T1_brain

-omatxfms/str2standard.mat-searchrx-9090-searchry-9090-searchrz-9090

-dof12-costcorratio

[meg@dbic-lab_x86-64_04DTI.bedpost]$convert_xfm-omatxfms/standard2str.mat

-inversexfms/str2standard.mat

[meg@dbic-lab_x86-64_04DTI.bedpost]$convert_xfm-omatxfms/diff2standard.mat

-concatxfms/str2standard.matxfms/diff2str.mat

[meg@dbic-lab_x86-64_04DTI.bedpost]$convert_xfm-omatxfms/standard2diff.mat

-inversexfms/diff2standard.mat

既然已经知道上面每一步的命令，可以利用scripts，自动运行，在命令端运行‘doDTI’.

第四章ProbabilisticTractographyAnalysiswithFSL

FDT’sProbTrack提供两种主要的方法。

第一种路径分布估计（pathdistributionestimation），计算从一个点开始的白质纤维连接。

第二种方法，基于种子点之间的连接，寻找某一特定脑区与其他脑区的连接。

PathDistributionEstimation

这种方法使我们可以对横断面大脑的白质通路视觉化.

在终端键入’Fdt’，或者在fsl的界面中点击‘FDTDiffusion’。

点击最上面的菜单，选择‘ProbTrackProbabilistictractography’。

默认条件下，采用的是最简单的追踪算法，尽选择了一个voxel。

这种方法适用于从某一个感兴趣的点开始追踪。

最常用的方法是使用一个seedmask，选择感兴趣的脑区开始追踪。

这里我们采用seed mask的方法。

首先，我们选择‘Seedmask’。

事先需要我们用fslview准备好mask。

BEDPOST目录选择在上一章生成的DTI.bedpost文件夹。

Seedspace选择用seedimage即选择准备好的mask，这里选择了包含BrodmannArea18的所有voxel，所以命名为ba18.nii.gz’。

这个mask是在标准空间做好的，所以勾选’seedspaceisnotdiffusion’。

Seedtodiff-spacetransform选择DTI.bedpost/xfms/目录下的standard2diff.mat。

output选择输出目录，然后点击’go’。

这个过程需要大约1-2小时，依赖于mask的大小。

然后在输出目录下生成一个叫做fdt_paths.nii.gz的文件。

在fslview中，打开一个标准空间，然后load新生成的fdt_paths.nii.gz，如下图：

ProbTrack中，有多种方法，像’seedmask’一样，可以从seed开始追踪纤维，‘Seedmaskandwaypointmasks’让我们追踪从seed开始，经过某些特殊点或者区域的纤维束。

这个方法要求提供waypointmasks。

同样需要在fslview中准备好，并且要与seedmask在同样的空间。

‘Twomasks–symmetric’提供可以直接看两个seed之间连接强度的分析方法（robustmethod）。

这种方法首先从一个seed出发进行跟踪，只保留到达另一个seed的纤维束。

然后再反过来，从第二个seed出发进行跟踪，只保留到达第一个seed的纤维束。

程序最后只要在两个方向都存在的结果。

同样，这两个seed需要在同一个空间。

Connectivity-basedSeedClassification

ProbTrack提供的第二种分析方法，可以根据voxel的连接脑区对一个seedmask中的voxel进行分类。

我们可以知道在一个mask中的每一个voxel与我们感兴趣的所有脑区的连接概率，而不知道真实的连接情况。

对于某一脑区的分割，这种方法提供了一个非常完美的解决方案，比手动分割更加精细。

首先，从菜单中选择‘Connectivity-basedseedclassification’.然后选择被试的DTI.bedpost目录。

然后选择seedmask。

这个seedmask脑区将被分割，得到这个seedmask与目标脑区的连接概率。

由于seedmask都是标准空间，需要转化到被试空间，所以勾选’seedspaceisnotdiffusion’。

Seedtodiff-spacetransform选择DTI.bedpost/xfms/目录下的standard2diff.mat。

接下来，我们需要选择目标脑区，这里可以有多个目标脑区，即可以是几个maskimages，但要求目标脑区之间不能有重叠。

然后选择输出目录，点击’go’.这一步将在输出文件夹中生成文件‘seeds_to_targetname.nii.gz’.一个文件告诉我们从seedmask的一个voxel到目标脑区的概率（取样数，howmanysamples）。

下图左边显示从胼胝体到BA6区的连结的voxel，右边把阈值升到5000次取样（5000samples）中至少有50%到达BA6区的胼胝体中的voxel。

FSL提供可以一次把所有’seeds_to_target’文件导入到一张图片中的功能。

但是这个功能只能通过命令行实现，而没有图形界面。

这个命令是’find_the_biggest’.这个命令生成一个压缩图片’cc-parcellation’，但是这个图片比较粗略。

每一个颜色代表一个不同的目标脑区。

[meg@dbic-lab_x86-64_04DTI]$find_the_biggest seeds_to_* cc-parcellation

现在我们来看一下ProbTrack还有什么其他的功能。

‘Numberofsamples’值一般很大（5000），当做第一次初步估计时，最低可以设置1000.‘Curvaturethreshold’默认值相当于卷积角80度。

如果想要减小卷积角，可以把‘Curvaturethreshold’值加大。

其他保持默认就好。

QuantitativeResults

现在我们要从上面的分析中得到定量的指标。

需要用到fsl的另两个简单的程序：

avwstats和avwmaths.利用这两个简单的程序，我们可以得到定量指标。

avwstats,提供我们关于体积的统计信息。

它有很多参数：

[meg@dbic-lab_x86-64_04dilated-non-rl]$avwstats

Usage:

avwstats

[options]

-l

:

setlowerthreshold

-u

:

setupperthreshold

-r

:

output

-R

:

output

-e

:

outputmeanentropy;mean（-i*ln（i））

-v

:

output

-V

:

output（fornonzerovoxels）

-m

:

outputmean

-M

:

outputmean（fornonzerovoxels）

-s

:

outputstandarddeviation

-S

:

outputstandarddeviation（fornonzerovoxels）

-x

:

outputco-ordinatesofmaximumvoxel

大多数时候，我们都是用大写参数，基于nonzero进行计算。

下面这个例子计算seeds到ba六区的最小强度和最大强度，以及nonzero的voxel数和体积。

[meg@dbic-lab_x86-64_04F1-ba-cc-connectivity]$avwstatsseeds_to_ba06.nii.gz-R-V

0.0000005000.0000001351080.000000

avwstats的两个阈值options需要注意.它允许我们在进行统计之前对数据进行阈值限制。

当我们感兴趣的脑区连接概率稍逊时，这个参数对于连接数据非常有用。

下面的例子要求只对50%概率（总的取样是5000，2500就是50%）的连接进行统计分析。

对统计有更高要求的研究者还可以用avwstats++,提供更多高级统计。

[meg@dbic-lab_x86-64_04cc-connectivity]$avwstatsseeds_to_ba06.nii.gz-l2500-R-V

2556.0000005000.00000041328.000000

下面我们看avwmaths.这个程序对图像比较和图像结合非常有用，它提供许多统计操作后的图片。

[meg@dbic-lab_x86-64_04~]$avwmaths

Usage:

avwmaths[operationsandinputs]

Binaryoperations:

someinputscanbeeitheranimageoranumber

"currentimage"mayben_volumes>1andthesecondn_volumes=1

-add :

addfollowinginputtocurrentimage

-sub :

subtractfollowinginputfromcurrentimage

-mul :

multiplycurrentimagebyfollowinginput

-div :

dividecurrentimagebyfollowinginput

-mas :

use（followingimage>0）tomaskcurrentimage

-thr :

usefollowingnumbertothresholdcurrentimage（zeroanythingbelowthenumber）

-uthr:

usefollowingnumbertoupper-thresholdcurrentimage（zeroanythingabovethenumber）

-max :

takemaximumoffollowinginputandcurrentimage

-min :

takeminimumoffollowinginputandcurrentimage

Unaryoperations:

-bin :

use（currentimage>0）tobinarise

（Outputcutforbrevity）

下面的例子我们把两张图叠到一起，生成一张composite图：

[meg@dbic-lab_x86-64_04~]$avwmathsimage1-addimage2composite

下面的例子，把三张图加到一起，然后又除以3，生一个average。

[meg@dbic-lab_x86-64_04~]$avwmathsimage1-addimage2-addimage3-div3average

Avwmaths最常见的用途是进行masking和thresholding操作，从而为研究者提供了很多便捷和灵活性。

下面的例子，我们首先把从一个功能研究中得到的zstat1图，生成阈值为2.5的二进制激活图（high-mask）。

然后利用这个high-mask对FA图进行mask。

[meg@dbic-lab_x86-64_04~]$avwmathszstat1-thr2.5-binhigh-mask

[meg@dbic-lab_x86-64_04~]$avwmathsfaimage-mashigh-maskhigh-fa

CombiningIndividualsintoaGroup

最后一步，我们对个体分析结果进行组间分析。

这是基于概率进行纤维束追踪的一个优点之一，其他的方法不能进行组间比较。

我们要生成证明组间连接概率差异的图像。

我们需要用avwmaths对图像设置一个较低的阈值（-thr1250），高于这个值都认为是一样的有效连接，生成seeds到目标脑区的连接图像。

然后根据被试分组，对各组被试的连接图像进行组估计，用于组间比较。

下面我们以胼胝体到布罗德曼脑区的连接为例，一步一步进行示范。

首先我们确定一个较低的阈值，在这个例子中，我们取样5000，在1250上的我们就认为是有效连接（25%的概率连接），并生成一个二进制的图像：

[meg@dbic-lab_x86-64_04~]$avwstatsseeds_to_ba01-thr1250-bin

seeds_to_ba01_thr_1250_bin

对所有被试的所有seedstotarget图像进行同样的处理，然后我们把上面得到的不同被试的同样的seedtotarget二进制图像加起来（分为被试组和控制组）。

[meg@dbic-lab_x86-64_04~]$avwmathsm01/seeds_to_ba01_thr_1250_bin-add

m02/seeds_to_ba01_thr_1250_bin-addm03/seeds_to_ba01_thr_1250_bin-add

m04/seeds_to_ba01_thr_1250_bin-addm05/seeds_to_ba01_thr_1250_bin

group/subjects_for_ba01

通常，我们会把只有少数被试才显著的区域剔除掉。

于是运行find_the_biggest.

第五章FARegressionAnalysiswithTBSSandSPM

当得到FA后，我们想要看看是否某些脑区的FA值是否和某一行为或测量指标相关。

这就要求被试间的图像空间可以比较，即需要被试间对齐。

Fsl提供了TBSS进行被试间对齐。

UsingTBSSforRegistration

在研究（study）目录下，创建一个叫’TBSS’,并且把所有被试的FA图像（data_FA.nii.gz）拷贝到该目录中。

在这个目录中，现在包含12个被试的FA数据：

接下来利用tbss中的预处理模块进行预处理，包括scalingtheimagevalues、convertingthemtoAnalyzeformat,，这两步都是alignmentstage必需的.运行下面的命令：

[meg@dbic-lab_x86-64_04tbss]$tbss_1_preproc

Usingmultiplicativefactorof10000

processings01fa

processings02fa

（Outputremovedforlength）

processings12fa

这一步生成两个新的目录：

‘FAi’包含新的转换过的图像；‘