1、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subjec
2、t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The FMRIBs Diffusion Toolbox (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b0 image,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 trace image,对于数据分析没有用,西门子的仪器不存在这个问题。我们
3、可以把001数据文件cp为nodif.nii.gz,最后一个trace image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。megdbic-lab_x86-64_04 $ cp 001.nii.gz nodif.nii.gzmegdbic-lab_x86-64_04 $ mv last.nii.gz trace.nii.gzmegdbic-lab_x86-64_04 DTI$ avwmerge dti1 dti1_*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(DCMNifTI)
4、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。megdbic-lab_x86-64_04 DTI$ bet nodif nodif_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 Eddy current correction step of FDT。在terminal终端键入fsl,打开fsl主页面,然后点击“FDT Diffusion ,进入FDT,单击最上面的按钮,选择”Eddy current correction”.input数据选择4D
5、的图像,而output文件可以直接命名为data.nii.gz,reference volume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“DTIFit Reconstruct diffusion tensors”,点击FDT最上面的按钮,选择“DTIFit Reconstruct diffusion tensors”。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the fractional anisotropy (
6、FA) value at each voxel. 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Overlay Information Dialog。把DTI display options设置为”RGB”和”data_FA”(如图)。现在我们能看到下图,Red 表示that the fibers at that voxel are running in the left-right direction, 蓝色 表示 the inferior-superior direction (down-up), and 绿色表示they are running
7、 in the anterior-posterior direction (front-back).下一步分析是”BEDPOST ”,点击FDT最上面的按钮,选择”BEDPOST Estimation of diffusion parameters”, 这一步的目的就是为了得到白质束成像图(probabilistic tractography)。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8-10 hours。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(the diffusion
8、weighted images)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。megdbic-lab_x86-64_04 ANATOMY$ bet mprage mprage_brain f .35 g -.4把DTI(the diffusion weighted images)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Main structural image ,选择被试剥去头皮的高分辨率结构像(mprage_brain),这
9、是Standard space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:megdbic-lab_x86-64_04 DTI$ eddy_correct dti1.nii.gz data.nii.gz 0megdbic-lab_x86-64_04 DTI$ dtifit -data=data.nii.gz -out=data -mask=nodif_brain_mask.nii.gz -bvecs=bvecs -bvals=bvalsmegdbic-lab_x86-64_04 DTI$ fslview data_FA.nii.gz data_V1.nii.gzmeg
10、dbic-lab_x86-64_04 s01$ bedpost DTImegdbic-lab_x86-64_04 DTI.bedpost$ mkdir xfmsmegdbic-lab_x86-64_04 DTI.bedpost$ flirt -in nodif_brain-ref ./ANATOMY/mprage_brain.nii.gz -omat xfms/diff2str.mat -searchrx -90 90-searchry -90 90 -searchrz -90 90 -dof 12 -cost mutualinfomegdbic-lab_x86-64_04 DTI.bedpo
11、st$ convert_xfm -omat xfms/str2diff.mat -inversexfms/diff2str.matmegdbic-lab_x86-64_04 DTI.bedpost$ flirt -in ./ANATOMY/mprage_brain.nii.gz-ref /afs/dbic.dartmouth.edu/usr/pkg/fsl/etc/standard/avg152T1_brain-omat xfms/str2standard.mat -searchrx -90 90 -searchry -90 90 -searchrz -90 90-dof 12 -cost c
12、orratiomegdbic-lab_x86-64_04 DTI.bedpost$ convert_xfm -omat xfms/standard2str.mat-inverse xfms/str2standard.matmegdbic-lab_x86-64_04 DTI.bedpost$ convert_xfm -omat xfms/diff2standard.mat-concat xfms/str2standard.mat xfms/diff2str.matmegdbic-lab_x86-64_04 DTI.bedpost$ convert_xfm -omat xfms/standard2
13、diff.mat-inverse xfms/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 Probabilistic Tractography Analysis with FSLFDTs ProbTrack提供两种主要的方法。第一种路径分布估计( path distribution estimation),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。Path Distribution Estimation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
14、端键入Fdt,或者在fsl的界面中点击 FDT Diffusion。点击最上面的菜单,选择ProbTrack Probabilistic tractography。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seed mask,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 Seed mask。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。Seed space选择用seed image即选择准备好的mask,这里选择
15、了包含Brodmann Area 18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seed space is not diffusion。Seed to diff-space transform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:ProbTrac
16、k中,有多种方法,像seed mask一样,可以从seed开始追踪纤维,Seed mask and waypoint masks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waypoint masks。同样需要在fslview中准备好,并且要与seed mask在同样的空间。Two masks symmetric提供可以直接看两个seed之间连接强度的分析方法(robust method)。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
17、都存在的结果。同样,这两个seed需要在同一个空间。Connectivity-based Seed ClassificationProbTrack提供的第二种分析方法,可以根据voxel的连接脑区对一个seed mask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-based seed classification.然后选择被试的DTI.bedpost目录。然后选择seed mask。这个s
18、eed mask脑区将被分割,得到这个seed mask与目标脑区的连接概率。由于seed mask都是标准空间,需要转化到被试空间,所以勾选seed space is not diffusion。Seed to diff-space transform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mask images,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seed ma
19、sk的一个voxel到目标脑区的概率(取样数,how many samples)。下图左边显示从胼胝体到BA 6区的连结的voxel,右边把阈值升到5000次取样(5000 samples)中至少有50%到达BA 6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。megdbic-lab_x86-64_04 DTI$ find_the
20、_biggest seeds_to_* cc-parcellation现在我们来看一下ProbTrack还有什么其他的功能。Number of samples 值一般很大(5000),当做第一次初步估计时,最低可以设置1000. Curvature threshold 默认值相当于卷积角80度。如果想要减小卷积角,可以把Curvature threshold值加大。其他保持默认就好。Quantitative Results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。avwstat
21、s,提供我们关于体积的统计信息。它有很多参数:megdbic-lab_x86-64_04 dilated-non-rl$ avwstatsUsage: avwstats options-l: set lower threshold-u: set upper threshold-r: output-R: output-e: output mean entropy ; mean(-i*ln(i)-v: output-V: output (for nonzero voxels)-m: output mean-M: output mean (for nonzero voxels)-s: output
22、standard deviation-S: output standard deviation (for nonzero voxels)-x: output co-ordinates of maximum voxel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。megdbic-lab_x86-64_04 F1-ba-cc-connectivity$ avwstats seeds_to_ba06.nii.gz -R -V0.000000 5000.000000 135 1080.000
23、000avwstats 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。megdbic-lab_x86-64_04 cc-connectivity$ avwstats seeds_to_ba06.nii.gz -l 2500 -R -V2556.000000 5000.000000 41 328.000000下面我们看avwmaths.这个程序
24、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。megdbic-lab_x86-64_04 $ avwmathsUsage: avwmaths operations and inputsBinary operations:some inputs can be either an image or a numbercurrent image may be n_volumes1 and the second n_volumes=1-add : add following input to current image-sub : subtract following input from
25、current image-mul : multiply current image by following input-div : divide current image by following input-mas : use (following image0) to mask current image-thr : use following number to threshold current image (zero anything below the number)-uthr : use following number to upper-threshold current
26、 image (zero anything above the number)-max : take maximum of following input and current image-min : take minimum of following input and current imageUnary operations:-bin : use (current image0) to binarise(Output cut for brevity)下面的例子我们把两张图叠到一起,生成一张composite图:megdbic-lab_x86-64_04 $ avwmaths image
27、1 -add image2 composite下面的例子,把三张图加到一起,然后又除以3,生一个average。megdbic-lab_x86-64_04 $ avwmaths image1 -add image2 -add image3 -div 3 averageAvwmaths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。megdbic-lab_x86-64_04 $ a
28、vwmaths zstat1 -thr 2.5 -bin high-maskmegdbic-lab_x86-64_04 $ avwmaths faimage -mas high-mask high-faCombining Individuals into a Group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(-thr 1250),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
29、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:megdbic-lab_x86-64_04 $ avwstats seeds_to_ba01 -thr 1250 -binseeds_to_ba01_thr_1250_bin对所有被试的所有seeds to target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seed to target二进制图像加起来(分为被试组和控制组)。megdbic-lab_x8
30、6-64_04 $ avwmaths m01/seeds_to_ba01_thr_1250_bin -addm02/seeds_to_ba01_thr_1250_bin -add m03/seeds_to_ba01_thr_1250_bin -addm04/seeds_to_ba01_thr_1250_bin -add m05/seeds_to_ba01_thr_1250_bingroup/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FA Regression Analysis with TBSS and SP
31、M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。Using TBSS for Registration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scaling the image values、converting them to Analyze format,,这两步都是alignment stage必需的.运行下面的命令:megdbic-lab_x86-64_04 tbss$ tbss_1_preprocUsing multiplicative factor of 10000processing s01faprocessing s02fa(Output removed for length)processing s12fa这一步生成两个新的目录: FAi包含新的转换过的图像;
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1