fMRI-SPM原理与应用

StatisticalParametricMapping基本原理与使用北京师范大学认知神经科学与学习国家重点实验室朱朝喆研究员[e-mail]研究框架实验设计被试招募与扫描科学问题结果解释实验假设数据统计分析SPM,AFNI,FSL,VoxBoSPM版本历史TheforthcomingversionisSPM5ThecurrentversionisSPM2PreviousversionsSPM2breleased21stNovember2002SPM99released25thJanuary2000SPM96released9thApril1997线性代数统计理论GLM模型随机场模型MR成像信号处理计算神经解剖学神经科学SPM数据分析基本流程预处理部分模型构建与参数估计常用工具与参数设置讲座提纲SPMI:PreprocessingSPMII:Single-subjectanalysesSPMIII:GroupanalysesSPMI:预处理1.2.3.4.Slicetiming–(获取时间校正)Realignment-(头动校正)Normalisation-(空间标准化）Smoothing-(空间平滑)MRIvs.fMRIneuralactivitybloodoxygenfMRIsignalMRIfMRIoneimagehighresolution(1mm)lowresolution(~3mmbutcanbebetter)fMRIBloodOxygenationLevelDependent(BOLD)signalindirectmeasureofneuralactivity…manyimages(e.g.,every2secfor5mins)预处理–SliceTiming-SPM选择参考slice拉齐其它slice预处理–Realign（头动校正）•不同scan之间像素对应关系遭到破坏。•血液动力学响应被头动引起的信号淹没。预处理–Realign（头动校正）刚体变换六个头动参数估计:3个方向的平移(mm)3个轴向的旋转预处理–Realign-SPM将同一被试不同采样时间点上的3D脑对齐空间标准化问题空间标准化问题个体大脑在形状、大小等方面存在明显差异，我们如何进行不同人之间的比较呢？…使不同被试脑图像中的同一像素代表相同的解剖位置一个标准脑空间标准脑空间-Talairach坐标系Source:BrainVoyagercourseslidesTalairach&Tournoux,1988•squishorstretchbraininto“shoebox”•extract3Dcoordinate(x,y,z)foreachactivationfocus使不同被试脑图像中的同一像素代表相同的解剖位置粗配准–仿射变换精配准–非线性变换Why使不同被试脑图像中的同一像素代表相同的解剖位置一个公共的标准空间How先使用简单的线性变换进行粗配准再用复杂的非线性变换精配准Problems计算复杂度（高精度算法配准一个脑需要几个小时）个体之间的脑并非一一映射关系不可能有完全准确的配准Solutions对空间标准化后的脑图像进行适当的平滑使用变形场信息预处理–空间标准化–小结预处理–空间标准化-SPM使不同被试脑图像中的同一像素代表相同的解剖位置将每个个体脑放入一个公共的标准空间TemplateNormalisedImage预处理–空间标准化–结果空间平滑的问题使残差项更符合高斯分布假设减少标准化后剩余的个体间差异提高信噪比5-50预处理–空间平滑-SPMSPM预处理部分小结1.2.3.4.Slicetiming–(adjusttimedifferenceamongdifferentslice)Realignment-(adjustformovementbetweenslices)Normalisation-(warpfunctionaldataintotemplatespace)Smoothing-(toincreasesignaltonoiseratio)LectureOutlineSPMI:PreprocessingSPMII:Single-subjectanalysesSPMIII:GroupanalysesSingle-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterestandstatistics个体水平分析的基本过程与目的实验设计个体扫描个体激活区检测SpatialMemoryCondition500msec200msec3000msecTime1500msec500msec3000msec200msecSpatialControlCondition1500msec对这个被试，你感兴趣的effect在那些脑区出现，其强度如何？Single-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterest&StatisticsExampleSingle-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterest&StatisticsExampleInMatrixFormGLM的数学表示………1:l::…:…:::YJxJ1…xJl…xJLLJXY=观测数据×设计矩阵参数+残差x1lx1Lε1恐惧Y1:x11:Yj=xj1×β1+...+xjl×βl+...+xjL×βL+εj::Y1x11…x1l:YJ:x…:Yj=xj1…xjlJ1x1L:xJlxjL1:xJL+jεJYY^Single-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterest&StatisticsExampleTimeTimeGLM：设计矩阵XX2X1Y=X•β+εSPMrepresentstimeasgoingdownSPMrepresentspredictorswithinthedesignmatrixasgrayscaleplots(whereblack=low,white=high)overtimeSPMincludesaconstanttotakecareoftheaverageactivationlevelthroughouteachrunXIntensityYG(刺激因素）DesignmatrixXG1H(干扰因素)H1Globalactivity:E.g.headmotionparametersHcLineartrendsGcstimulusGLM：设计矩阵X的结构血氧系统对单次刺激的响应刺激序列HRF设计矩阵中的刺激因素XG(stimulating)DesignmatrixXG1H(non-interesting)H1E.g.(1)headmotionparameters(2)breathing(3)heartbeatHcLineartrendsduetoMRIscannerGlobalactivity:GcstimulusGLM：设计矩阵X的结构为什么要考虑这些干扰因素？LinearTrendProbableRespirationArtifactheadmotionparametersEffect/ErrorSingle-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterestandstatistics0100-10+10012-0.01+0.01=+*5+…+Y=X1*1+…+Xn*μ+e*50FittingXtoYgivesyouone(parameterestimate)foreachcolumnofX,aμande.BetasprovideinformationaboutfitofregressorXtodata,Y,ineachvoxelGLM求解的几何表示：勾股定理E用X线性组合Y^近似表达YSingle-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterest&statistics多重比较Example构造Contrast对感兴趣的解释变量进行比较X2X1Y=X•β+ε=β1•X1+β2•X2+β3•X3+…+βN•XN+ε[X1X2X3…XN][β1β2β3…βN]T检验：构造Contrast向量F检验：构造Contrast矩阵实验设计=〉感兴趣effect=〉contrast所以contrast在数据采集之前就定下了！本质Effects↔解释空间Xs↔contrast向量[1-1]x1–x2↔↔Ex1–x2(x1–x2)Single-subjectAnalyses基本过程与原理GLMPrincipleofGLMDesignMatrixSolutiontoGLMEffectofInterest&statisticsMultipleComparisonsTimeY=X•β+εIntensityYPreprocessing...TheProblemofMultipleComparisonsTToPo=0.01200activated噪声脑的“激活”P=0.0120,000voxs噪声脑怎么办？200activated2activated200activated5activated200activated200activatedUncorrectedp=0.01我在进行探索性研究！探索性研究Bonferronicorrection最严格的校正200activated2activatedonevoxelTypeIerrorp=？numberofvoxels：N=50,000overallcorrectdetection=(1-p)(1-p)…(1-p)=(1-p)NoverallTypeIerror=1-(1-p)N=~NpDesiredoverallTypeIerror：Np=.05RequiredonevoxelTypeIerrorp=.05/50,000=.000001BonferroniCorrection的思想及其在fMRI数据分析中的问题Bonferroni校正的假设pvoxel=poverall/NN为独立观测个数相邻体元的BOLD信号会相互独立的吗？头动等噪声对同一脑区的影响很相似BOLD信号本身就对应着一定空间范围预处理中的平滑SPM中的多重比较校正的原理根据数据的空间相关程度计算独立观测个数（独立比较的次数Nindepentent）根据整体虚警概率poverall和Nindepentent得到单个体元的pvoxel值pvoxel=poverall/NindepententSPM个体激活区检测基本过程个体水平effect计算的SPM实现（个体激活区检测）模型定义DesignMatrixSpecification数据定义参数估计DataSpecificationParameterEstimation统计结果Result参数估计常用工具与参数设置预处理部分First-level模型构建与Second-levelLectureOutlineSPMI:Intro,PreprocessingSPMII:Single-subjectanalysesSPMIII:GroupanalysesHowdowecompareacrosssubjects?建立不同人之间的可比性N