脑影像分析软件推荐 | MICA介绍

目录

1.软件界面

2.工具包功能简介

3.软件安装注意事项

---

1.软件界面

2.工具包功能简介

mICA （masked independent component analysis）工仅限于特定感兴趣区域的ICA，已经被证明可以检测特定脑区的局部FC 网络，包括小脑，脑干，后扣带回皮层，盖岛皮质，海马和脊髓。它以 FSL 套件中的命令行工具为基础，用于执行 ICA 和相关分析（如特定数据预处理、基于图谱的掩码生成、基于 mICA 的解析、双回归和直接回溯重建）。mICA 工具箱对神经成像领域的研究人员很有帮助。它有助于研究大脑（子）区域的内在连通性，并重建其外在连通性（即与掩膜外区域的连通性）。此外，该工具箱还提供了一种简便的方法来计算一系列分解维度上的 ICA 再现性，可用于克服常见的维度估计问题。

MICA提供一下分析方法：

Single session mICA：使用FSL MELODIC 对一个受试者进行单受试者掩蔽 ICA 分析，或以批处理模式对多个受试者进行独立分析。

Multi-session mICA：在FSL MELODIC中运行掩蔽组ICA，采用时间级联或张量模式。

Back reconstruction

该工具箱估计您之前分析中蒙面独立成分（ICs）的功能连接性，与相同（即蒙面）区域或大脑的任何其他区域。有两种不同的方法可供选择：双重回归和直接反向重建。对于前者，工具箱使用FSL的双重回归脚本的修改版本，该版本在蒙面数据上应用第一次回归步骤，在整个大脑数据上应用后续步骤。对于后者，结果在单一步骤中计算。成分的时间序列作为设计矩阵，在所有受试者的时间串联的整个大脑数据上应用广义线性模型（GLM）。由于使用FSL GLM进行此类计算需要巨大的计算资源，因为所有受试者的数据都被加载到内存中，工具箱自动沿着Z轴分割串联的4D数据，并按切片进行GLM拟合。估算先前分析中被屏蔽 IC 的功能连接性。

Reproducibility analysis：执行随机分割一半的可重复性估计。对于每一次重复，独立成分分析（ICA）分别在分割的两半样本上进行。然后使用皮尔逊系数计算ICs空间图之间的交叉相关矩阵。使用匈牙利排序算法完成ICs的组间匹配。所有匹配的IC对的平均相关性，平均值取自N次重复，然后用作可重复性的度量。根据估计的可重复性曲线，用户可以选择分析的最优维度。我们推荐选择曲线的全局最大值。然而，在某些情况下，这个值可能不适用，例如，当它导致在显著比例的mICAs中无法收敛，或者如果用户对研究的解剖区域有先验知识。在这些情况下，可以选择其他局部最大值之一。95%置信区间可以帮助评估这些局部最大值的稳定性。

3.软件安装注意事项

1. 解压缩所需文件夹中的所有文件

2. 安装FSL 并确保已设置 FSLDIR 环境变量（http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation）

3. 检查您是否安装了 Python 2.7.6 或更高版本（尚不支持 Python 3.*）“python -V”。如果没有，请安装/更新 Python。（仅支持 Python 2.*）

4. 安装python 模块 Munkres：从以下网址下载模块：https://pypi.python.org/pypi/munkres/#downloads 解压软件包"tar -zxvf ~/Downloads/munkres-1.0.7.tar.gz" 安装软件包 "cd ~/munkres-1.0.7; sudo python setup.py install"

5. 安装python 模块 matplotlib：Debian/Ubuntu：sudo apt-get install python-matplotlib 其他：http://matplotlib.org/users/installing.html

6. 使用以下命令启动 mICA 工具箱：installation_dir/mICA

参考文献：

Moher Alsady T, Blessing EM, Beissner F. MICA-A toolbox for masked independent component analysis of fMRI data. Hum Brain Mapp. 2016 Oct;37(10):3544-56. doi: 10.1002/hbm.23258. Epub 2016 May 11. PMID: 27168407; PMCID: PMC6867364.