rest-数据处理

静息态数据处理Part1数据的预处理1、格式转换2、去除前n个时间点的数据3、时间层校正（SliceTiming）4、头动校正（Realign）5、空间标准化（Normalize）6、平滑（Smooth）7、去线性漂移（Detrend）8、滤波（Filer）一、DICOM格式——NIFTI格式。若数据遗失NIFTI格式则不用转，直接在工作目录下建立一个子文件夹“FunImg”，将数据拷入其中即可二、一般去10（8——20之间即可），由于机器刚启动等原因前面一些数据不稳定三、SliceTiming的设置：以总层数25层为例SPM中：Sliceorder：—x：1:2:25；2:2:24ReferenceSlice参考层一般取中间层，即第25层。因为扫描顺序为：1,3,5,7,9….,n,2,4,6,8,…n-1DPARSF中：1,3,5,7,9….,n,2,4,6,8,…n-1四、头动校正后会在工作目录下生成RealignParameter文件夹，其中有spm….ps这个文件，用专业版的AoboeReader打开可查看每个被试头动情况。或在Excludesubjects.txt文件下可查看头动数据（卡不同值时被排除被试情况）。对于患有疾病的患者：一般卡3mm和3degre；而对正常人一般卡1.5mm和1.5degere或取2.五、空间标准化即把被试的原始空间往标准空间上估计，以克服不同被试的脑结构之间的差异问题。把结构像分割得到的信息来做功能像的空间标准化，有两种方式：a、使用EPI模板进行空间标准化SPM中：原始图像SourceImage：mean_***.img头动校正后生成的文件，为某被试各个时间点的平均像；Imagetowrite：r*.img所有头动校正后生成的文件；模板图像TemplateImage：EPI.nii；Boundingbox：-126-72；90108；-9090Voxelsizes：333。.DPARSF中类似可设b、使用一致分割的T1像进行空间标准化分三部分：1、配准coregister将结构像与功能像匹配，即把被试的结构像变换到功能像空间（被试的平均功能像）2、分割转换后的结构像用一致的分割法则分割为灰质、白质、脑脊液。这样就能把功能像弄到标准空间去。此过程中得到一个由功能像去往标准空间的转换矩阵。转换矩阵会写入*_seg_sn.mat文件中。3、标准化把转换矩阵写到功能像上去。这样就可以知道怎么从被试的原始空间到标准空间。SPM中：coregister—ReferenceImage：mean_name.image—SourceImage：T1.img；Segment—data：T1_coregiserd.ima—cleanupanypartitions：leftclean—AffineRegularization：推荐选欧洲脑，亚洲脑样本少。Normalize—write—parameterfile：name_seg_sn.mat—imagestowrite：r*.imgDPARSF中简单勾选几项即可。结果：在工作目录下会生成picturesforchknormalizition文件夹，其中有被试标准化后的图像供检查。此外，使用b法时还会附带生成VBM文件夹，其中T1imgsegment下有如下文件：c1开头的为灰质在原始空间的概率，c2开头的为白质的，c3为脑脊液的；wc1开头的未标准空间灰质的概率，以此类推。六、平滑（注意在做Reho局部一致性前不能做平滑，故一般先做Reho，后平滑；而计算ALFF和FALFF以及做功能连接前一般要做平滑）SPM中：imagetosmooth：w*.img;FWHM:[444]fullwidthofhalfmaximum半峰全宽？DPARSF中简单可设置七、去线性漂移由于机器的工作而升温或被试适应，随着时间的积累会存在一个线性趋势一般此处选nomask，可做全部体素的去去线性漂移Defaultmask：里自带了一套defaultmask是在spm的先验模板中卡了50%的概率？rest八、滤波低频滤波后的静息态fmri信号具有重要的生理学意义，可能反映了自发的神经活动。故一般去LFFS：0.01—0.08Hz高频滤波有意义么？Part2Reho、ALFF/FALFF的计算一、局部一致性的计算Reho：RegionalHomogeneity一般是用肯德尔和谐系数计算以个体素和周围体素的一致性。需要注意的是，如果手头数据的分辨率不是61*73*61，则需要对你需要的mask文件进行重采样，把mask文件重采样到你数据的同等的分辨率大小。SPM中：coreg—coreg.Relice(重新插值)：Imagedefinespace:选择一张被试的功能像（空间标准化后的或去线性漂移以及滤波后的功能像）；Imagetoslice（被插值的图像）:选择一个mask文件或定义的ROI文件；插值方式：NearestNeighbour最近插值，插值结果为0或1，不会出现小数，插mask文件一般选此；Trilinear线性插值，插T1或其他图像。REST中：utilities—resliceimage--add：加入需插值的图像—Intepolation设置：Nearest0，Neighbou；1，Trilinear—targetspace：definedbyinputimage，以输入的图像分辨率为标准，类同spm中；keeptheoriginalspace，保持原始空间，仅仅改变voxelsizeDPARSF中选mask时此处一般选择defaultmask，如果自己有感兴趣区，则可自己制作mask，软件里自带的mask只有灰质、白质、脑脊液三个。Clustersize簇的大小一般选27voxels。在这里选smReho则可以在做完Reho后继续做平滑。结果：Reho值，mReho值等于体素的Reho值除以全脑均值。一般还计算一个mReho—1，为进一步做单样本T检验做准备，因为最早的spm中的单样本T检验只能是测试值与0相比，而mreho指是恒大于0的，以1为均值，故需减1。.二、ALFF与fALFF的计算ALFF:amplitudeoflowfrequencyfluctuation低频波的振幅。在疾病研究中一般选此指标。fALFF是拿ALFF值除以整个频段振幅均值得到的。相对适用以表现默认网络。理由：研究表明对PCC后扣带回而言，ALFF在整频段都较低，但低频高频；对于SC脑室？来说，ALFF在整频段都比较高，但低频高频；则为了使PCC在低频时被显现出来，则使用fALFF。mALFF等于某处的ALFF值除以全脑ALFF均值。而计算mALFF—1或mfALFF—1来用于进一步的单样本T检验。软件中设置时mask此处一般选defaultmask；Band（Hz）：0.01——0.08针对不同疾病，选不同频段可能更有效果；TR（s）：2Part3功能连接FunctionalConnectivity一、去除协变量Regressoutnuisancecovariates主要有以下几项协变量：1、头动参数headmotionparameters：存放在rp_name.txt文件中2、全脑信号globalmeansignal去除之后才会发现负相关，否则都是正相关，类似于前面某些参数减1的效果。3、白质信号whitemattersignal4、脑脊液信号cerebrospinalfluidsignal还有othercovariate选项，自己设置协变量REST中：a、先把感兴趣区的协变量提取出来utilities—extractROItimecourse—add加入被试所有数据—defineROI—addROI—predefinedROI—fromuserdefinedmaskfile—next—选择REST下mask文件夹里的文件（选择上述2、3、4三个）—done—run输出文件夹里有sub_001_ROITimecourse.txt文件，里面有三列数据，分别对应2、3、4。把所有的协变量合并到同一个txt文件中，以便下一步使用，合并代码b、去除协变量utilities—regressoutcovariates—第三个add—定义covariableslist见ppt81页，有代码。DPARSF中，比较简单，只是选了othercovariate时需要定义ROI，设定你所要去除的区域作为ROI。？后面可是要做弄能连接呀，也要选defineROI那个按钮，有冲突么，还是做去除这步时先不点FunctionalConnectivity,去除完协变量后再点再做再做，不能一步到位。二、功能连接分为两种：1、voxel-wise：选取某一感兴趣区域与全脑其他区域的每一个体素做信息相关即可得功能连接图2、ROI-wise：选取n个感兴趣区域做它们彼此之间的相关，得到r值，经过FiserZ转换得Z值，存储于生成的txt文件中。生成的相关表类似spss里做多变量相关时的表。REST中：1、voxelwise---ROIdefinition下有三种情形：spheriedROI可以自己填坐标和核团大小；a、b、dredefineROI中的前三种都要用到restsliceviewer来选择ROI，第四种是选择已经做好的mask；c、timecourse把头动序列放进去？--done然后第三个add加入所有filter后的数据---选defaultmask—covariales这里由于前面已经做了，此处则不选—勾中最下方的fisherZ变换，使r—z，这样使其服从正态分布，便于下一步的T检验。2、ROIwise—ROIdefinitionlist—addROI—把感兴趣的ROI放进去—done—加入被试filter后数据—defaultmask—fisehrZ生成fcmap_sub_***.txt内含若干个相关区的相关相关系数表。DPARSF中：1、做voxelwise:ROIDefine可选入多个ROI批量做这些ROI与全脑的相关。生成一些图在FC文件夹下：分别按选入顺序排序号为1、2、、、、2、做ROIwise：选extractROItimecourse—加入covremoved文件夹下的数据—defineROI—放入ROI生成_restdefineROIT文件夹下的txt文件：timecourse.txt表时间进程resultcorr.txt则是ROIwise的结果Part4统计分析一、单样本T检验OnesampleTtest一般在文章中都需要先分别报告各组被试的单样本T检验的结果，用以报告显著脑区这里的显著指的是显著高于全脑均值。而为了比较不同被试差异，还得用双样本T检验。由于spm中只能拿前述数据与0，所以得将各类数据转化为：ALFF：mALLFF—1；fALFF：mfALLFF—1;ReHo:smReHo—1；FC：zFC数据处理主要包括两部分1、前期处理---获取*—1或zFC图像若用DPARSF做预处理，则已在结果中生成上述图像，只要在这些图像各自所在目录下分别新建一个文件夹用以存放这些图像来使其余该目录下的其它图像区分开来，便于下一步统计。在REST中—Utilities—imagecalculator—addgroupimages：放入（s）m*格式的数据---expression:g1-12、正式统计在SPM中相对复杂，对于原理的理解并无帮助，无累述的必要。一般用REST即可。在REST中，假如数据后，base项设置：0用于m*—1类的数据；1用于m*类的数据此处需要注意的是maskfile的设置。Mask越大，所包含的体素则较多，多重比较越多，校正阈值更为严格，则cluster（核团）存活的概率越小。故mask相对较小较好，一般选择时要基于先验知识。例如在做情绪方面的研究时，主要关注的是杏仁核。选杏仁核为Mask,则较小的核团也能存活；若选全脑，则对核团大小要求较大，