基于医学图像配准软件 ANTs（Advanced Normalization Tools）提取脑图像数值并与临床量表计算相关

前言：

神经影像学与临床评估的结合正在革新我们对神经精神疾病的理解。本博客聚焦于如何利用先进的医学图像配准软件ANTs（Advanced Normalization Tools）提取脑图像数值，并将其与临床量表进行相关性分析。

目录

 

一、准备掩模（Mask)

二、准备T-value map

T-map 和 Z-map的转化

比较同一结果的T-map和Zmap

三、提取Mask内Z-value

批处理代码：

四、计算Cluster内均值

五、计算相关

---

一、准备掩模（Mask)

ThresholdImage 3 input.nii output.nii 0 1

使用方法：ThresholdImage   ImageDimension ImageIn.ext outImage.ext  threshlo threshhi <insideValue> <outsideValue>

如上所述，我们得到一个right IFG (右侧下额叶回)的二值化mask，right IFG是大脑的重要的区域,属于突显网络(Salience Network)的关键节点之一。接下来我们就将用这个mask去提取T值。

二、准备T-value map

fMRI研究中的T-value map（T值图）是一种统计图像，用于展示大脑活动的显著性。

• T-value map是通过对fMRI数据进行统计分析后得到的结果。它显示了大脑不同区域的激活程度与预期模型之间的关系强度。
• 高T值表示该区域的活动与任务或刺激高度相关；低T值表示相关性较弱或无相关性
• T值可以是正值或负值，分别表示激活增加或减少。
• 研究者通常会设定一个统计阈值（如p<0.05）；只有超过这个阈值的体素才会被认为是"显著激活"的。

T-map 和 Z-map的转化

T值和Z值都是常用于统计分析的标准化分数，尤其在神经影像研究中广泛应用。

T值图的优点：

• 直接反映了效应大小和样本大小的影响
• 在小样本研究中更为准确
• 可以直接用于推断统计显著性（如果知道自由度）
• 在单个研究或实验中更常用

而如果特殊情况，如元分析，正负效应T值的自由度并不一样，那需要使用matlab写脚本运行SPM工具。(SPM官网)

input_dir = 'Path_to_tmap';
output_dir = 'Path_to_zmap';
if ~exist(output_dir, 'dir')
    mkdir(output_dir);
end

nii_files = dir(fullfile(input_dir, '*.nii'));
for i = 1:length(nii_files)
   
 input_file = fullfile(input_dir, nii_files(i).name);   
    
    [~, name, ext] = fileparts(nii_files(i).name);
    if startsWith(name, 't_')
        output_name = ['z_' name(3:end) ext];
    else
        output_name = ['z_' name ext];
    end
    output_file = fullfile(output_dir, output_name);
    
   
    V = spm_vol(input_file);
    T = spm_read_vols(V);
    
   
    Z = zeros(size(T));
    
    % 根据条件转换T值为Z值,其中32指postive effect的自由度，27指negative effect 的自由度
    Z(T > 0) = spm_t2z(T(T > 0), 32);
    Z(T < 0) = spm_t2z(T(T < 0), 27);
    Z(T == 0) = T(T == 0);  % 保持0值不变
    
 
    Vo = V;
    Vo.fname = output_file;
    Vo.descrip = 'Z score image converted from T-statistic';
    

    spm_write_vol(Vo, Z);
    

比较同一结果的T-map和Zmap

Z值统计:
  平均值: 1.4395
  中位数: 1.1453
  标准差: 0.9787
  最小值: 0.2918
  最大值: 4.5100

T值统计:
  平均值: 1.5192
  中位数: 1.1663
  标准差: 1.0999
  最小值: 0.2943
  最大值: 5.3848

我们可以看出来Z值的转化确实起到了一定标准化的作用，使得标准差更接近1，但并没有改变整体右偏侧分布的趋势。

三、提取Mask内Z-value

图像提取原理可以参考fMRI图像提取原理，我们可以使用shell文件和ANTs软件进行批处理。

批处理代码：

#!/bin/bash


INPUT_DIR="Path_to_Zmap"
MASK="Path_to_mask"
OUTPUT_DIR=""


mkdir -p "$OUTPUT_DIR"

# 遍历输入目录中的所有.nii文件
for input_file in "$INPUT_DIR"/*.nii; do
    filename=$(basename "$input_file")
  
    output_file="$OUTPUT_DIR/${filename%.nii}_masked.nii.gz"
    
    
    # 使用ANTs的ImageMath将结果与掩模相乘
    ImageMath 3 "$output_file" m "$input_file" "$MASK" 
    
    echo "Processed: $filename"
done

echo "All files have been processed."

检查提取结果，如下：

四、计算Cluster内均值

  经过上面的步骤，我们已经得到了每个研究ROI（感兴趣区）内的Z值图像，接下来就是快速计算每个的均值。

可以使用计算：

AverageImages ImageDimension Outputfname.nii.gz Normalize <images> 

然后我们就可以得到每张图像的均值，NaN则指该图像在ROI没有数值。

五、计算相关

  具体方法可以参考这篇文章：相关计算