基于DPABI和SPM12的任务态fMRI分析笔记1——预处理

基于DPABI和SPM12的任务态fMRI分析笔记——预处理

前言

本来这周末打算把结构态剩下的ROI部分写完更新,但是发现没那么容易,有一些问题没有想明白,为了不误导大家,所以那个先停更一下,不过小编为了弥补自己的flag,用此篇代替吧。

一、原理简介

1、功能像(fMRI)
fMRI是一种利用磁共振成像来检测大脑活动的技术,通过检测局部血氧变化(其实就是BOLD信号),进而反映局部脑活动量。因为功能像主要需要的是时间信息,所以特点便是时间分辨率高,空间分辨率低,而T1像需要得到灰质白质等组织相关信息,故特点便是空间分辨率高,时间分辨率低。
2、任务态处理流程介绍
如下图所示,整个任务态fMRI处理分为三个部分——任务态fMRI预处理、一般线性模型建模、统计分析。本篇主要讲解第一部分——预处理部分和DPABI预处理操作。
在这里插入图片描述
PS:此处小编为什么故意强调任务态fMRI预处理?因为任务态和静息态的预处理有一些不同点,细心的读者可以在小编接下来的关于任务态和静息态的预处理讲解中注意到,可以自己去挖掘哦!言归正传,接下来就是预处理流程介绍喽!可能有点枯燥,因为小编也不太会表达自己的想法,很多时候词不达意,所以才有现在的博客,希望能改变一些吧。
(1)去除起始时间点(Remove first time points):由于fMRI采集过程开始时会面临两个小问题,第一是磁共振仪器开始扫面是的磁场可能不稳定,收到的信号自然也不稳定;第二是被试躺在磁共振仪器中需要适应扫描噪声的影响,小编也做过被试,的确很吵。
(2)切片时间校正(Slice timing)——A:校正由于采取的隔层扫描,导致的切片在时间上的差异性。
(3)头动校正(Head motion correction)——R:目的第一是为了调整图像的时间序列,以便大脑在每个图像中都处于同一位置,第二当然还要排除头动较大的,这可比眼睛看的质量检查要更快准狠。
(4)标准化(Normalization)——W:将图像配准到标准空间——MNI空间,便于组间比较。通俗理解就是把所有图像都放在同一空间,这样就便于找差异啦。当然这里还有别的做法,就是当你有T1像时,你想让你的功能像更准确的配对自己的被试大脑空间,那就将T1像配准到功能像,至于如何操作,继续向下看哦!
(5)平滑(Smooth)——S:目的第一是通过删除高频信息(即小规模的图像变化,用数字图像处理的话来说,就是锐利的边缘信息),使图像平滑增加了较大的空间信号的信噪比;第二较小像素的采集可以帮助减少伪影区域的信号丢失;第三可以帮助减少个体间不匹配。
小编学艺不精,暂且只能先讲讲每一步的目的喽,至于如果想了解背后的原理,建议参考功能磁共振成像数据分析手册(Russell A. Poldrack 等著)

@copyright:小编原创不易,转载注明出处哦!
https://blog.csdn.net/Sophia2023/article/details/112618819

二、DPABI预处理

1、数据准备
首先要将所有被试的任务态图像分被试的放在一个命名为FunImg的文件夹中,如果只是将被试配准到标准空间就只需要FunImg这个文件夹就好,也就是图中的1号,而如果想把配准到自己的T1像上,那就要准备2号文件夹T1Img,里面分被试存放对应的T1像,这就是数据运行前的准备。
在这里插入图片描述
至于什么叫分被试存放文件,请看下图,功能像的存放便是如此,T1Img同理存放。至于为什么这么存放,原因似乎在于DPABI背后的工作原理要求的
在这里插入图片描述
2、导入数据处理
预处理的整个菜单选择界面如下图所示,注意Working Directory是FunImg这个文件夹所在路径,下面的starting directory name一定要改成FunImg才行,下图是不采用T1像的,仅选择配准到标准空间。
在这里插入图片描述
若想配准到T1像,可勾选如下图所示,小编手动勾选的,望各位不要嫌弃。
在这里插入图片描述
勾选好之后一定要记得检查哦。
3、结果文件展示
在这里插入图片描述
至此,预处理部分结束。老规矩,小编也是初学者小白一个,如有任何不妥之处及任何问题都可以随时提问,欢迎指正,相互学习。这是小编写博客的初衷,利己利人,希望以后也能一如既往。

  • 21
    点赞
  • 140
    收藏
    觉得还不错? 一键收藏
  • 15
    评论
基于CAT12和SPM12进行vBMSBM数据分析的主要步骤如下: 1. 数据预处理:使用CAT12对原始的结构磁共振数据进行预处理,包括分割、灰质和白质提取,使其符合后续分析的要求。 2. 群体学习方法:使用vBMSBM(variational Bayes mixture of sparse Bayesian models)来进行脑结构网络的分析。vBMSBM是一种群体学习方法,能够根据个体特点进行网络分析,而不需要在个体之间进行直接比较。该方法可以识别出不同的网络模式,并将其归类为特定的类别。 3. 网络构建:使用SPM12预处理后的数据进行网络构建。在构建网络过程中,可以选择不同的连接方式,如全连接、图模型拓扑等,以研究不同尺度的网络特征。 4. 可视化分析:使用MATLAB或其他相关软件工具,对网络结果进行可视化分析。可以绘制网络图,查看不同网络模式之间的连接强度,并用不同颜色表示不同网络模式。 5. 统计分析:对网络结果进行统计分析,例如计算网络的全局度和局部度、网络的小世界性质等,以探索不同网络模式之间的差异与关联。 6. 结果解读:根据统计分析得到的结果,结合相关文献和领域知识,对不同网络模式之间的差异进行解读,并提出相应的假设和解释。 综上所述,基于CAT12和SPM12进行vBMSBM数据分析,可以从多个层面对脑结构网络进行研究,为理解脑结构与功能之间的关系提供有力的支持。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 15
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值