FSLpreprocessingMethods.docx

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；