spm，afni的安装和使用心得

原文地址： http://hi.baidu.com/luo_xiang/blog/item/8866662990d5f0fb99250afb.html

一、Spm的安装与启动：
先安装matlab，然后将spm复制到matlab下的一个文件夹（Spm2需要和matlab6.0或以上版本配合使用）。
启动matlab，首先set path，然后在matlab命令窗口中输入spm即可启动，然后选择fmri，也可以直接输入spm fmri

二、Spm数据处理概要
先将所得数据进行空间预处理（对齐，平滑，标准化等），然后进行模型估计（将刺激的时间、间隔与血流动力函数进行卷积，所得结果与全脑象素信号进行相关分析），最后察看结果。

三、Spm数据处理一般步骤
1、转换数据
dicom格式转换为img文件，将以层为单位的数据转换成以全脑为单位的数据。
2、Slice timing
校正系列成像中层与层获得时间的不同，使一个TR中的各层获得时间一致（如都在一个TR的开始），相当于afni中tshift所做的工作。
3、Realign（相当于afni中的registration）
分两步：
1）coregister，将每个session的第一个scan与第一个session的第一个scan进行比较，然后将每个sessioni中的其他 scan与本session中的第一个scan进行比较，得到每个filename.img文件的转换参数，生成filename.mat文件，同时为每 个session生成一个对齐参数（realignment parameters），文件名为realignment_params_*.txt
2）reslice，用filename.mat文件对filename.img重新切片，生成rfilename.img文件。并可依选择生成一个平均象，名为meanfilename.img。
4、Normailze
选用realign步骤中得到的平均象与模板进行比较，获得进行标准化的参数，参数文件命名为filename_sn3d.mat，然后依据此参数文件对每个img文件进行标准化，生成文件nfilename.img.
5、Smooth
推荐为象素大小的两至三倍。
6、Fmri models
依据提示填入刺激出现的间隔与时间，并选择实验涉及类型，然后进行估计。
估计结果生成spm.mat等文件，保留在当前工作目录
7、Result
选中刚才生成的spm.mat文件，定义constrast，看结果。

----------------------------------------------------------------------------

初次接触AFNI，谈谈我的看法：
1、在操作系统平台上的比较：SPM和AFNI都是可以应用于多个平台，但是SPM要比AFNI方便的一个地方在于它可以运行在大众化的windows平台，而AFNI却运行于*nix平台，建议刚接触电脑的用户使用windows来运行SPM分析。
2、在构建语言上的比较：SPM的构建语言主要是工程科学语言MATLAB，AFNI的构建语言则是标准C语言。这就造成了差异，MATLAB编程的入门 标准要远低于std C编程的入门标准；但是熟悉MATLAB的人都应该知道，其实在最底层的层面上，这两者应该是一致的，考察一下AFNI的源代码不难发现它也是基于 BLAS/LAPACK这些同样作为MATLAB底层的基本数学库函数（C/FORTRAN版）。
3、在执行效率上的比较：从工作生产的效率来讲，AFNI要强于SPM，因为AFNI提供的各种子功能函数或脚本可以直接的与*nix下的shell script完美的耦合，比如要做10个subjects的功能网络统计分析，只需编写一个简单的shell脚本放到后台运行就可；从方法学研究的效率来 讲，SPM要强于AFNI，因为SPM与MATLAB是天然的子父关系，导致在扩展自己的研究想法时，我们手头上会有许多现成的MATLAB功能模块可以 使用，而在AFNI下有的功能就必须自己编写C语言来实现，这样导致周期和方法实现效率比较低。
4、几个注意事项：要非常好的开发SPM的潜能，就必须尽量深入的了解MATLAB的数据组织和运算规则以及SPM组织神经科学数据的方式，千万不要用C 语言的编程习惯来使用MATLAB，对你的代码做好矢量化非常关键，实在避免不掉的多重循环要使用C语言来编写MEX函数以供SPM调用；要非常好的开发 AFNI的潜能，则要首先熟悉*nix下的shell脚本的编写，其次要熟悉每个AFNI命令行函数的开关参数，幸亏这对于熟悉*nix的组织机制的用户 没有任何障碍。
5、建议：最好是AFNI/SPM两种工具都熟悉，这样不管你面对什么问题都会从容应对；但是这毕竟要投入很多精力和时间，熟悉windows的用户没的 选择，你就用好SPM，挖掘它的潜力吧；熟悉Linux/Unix的用户建议首选AFNI，当然在这种平台下可以把SPM/MATLAB作为辅助工具。
-----------------------------------------------------------------

MCW AFNI是“Medical College of Wisconsin Analysis of Functional NeuroImage”的缩写形式。由美国Wisconxin医学院生物物理研究所开发研制，主要开发者为Cox博士。
AFNI是一个交互式的脑功能成像数据分析软件。它可以将低分辨率的脑功能成像的实验结果叠加在具有较高分辨率的脑结构成像上进行三维显示。
AFNI程序分为两种，一种是利用AFNI界面本身直接运行的程序(GUI mode)，另一种是脱离AFNI界面执行的辅助程序(Batch mode)。另外还提供了可供扩展功能的Plugins。

1 如何获得并安装AFNI(How to download and install AFNI)

AFNI可运行在多个操作系统下，推荐使用Linux系统。可在http://afni.nimh.nih.gov/afni下载源程序linux_gcc32.tgz ，并解压至/usr/local/bin目录下，可以直接使用。如提示无执行权限，可使用chmod 777 *命令修改文件权限。
(Linux的使用技巧：输入命令后，长文件名可以输入部分字母，然后按Tab键自动补上；对于较长的命令行，可在行尾加上空格和”/”回车再续行)

2 基本概念(Fundamental AFNI concepts)

数据集(datasets) 和集合(session) 是AFNI 中的两个基本概念，下面作简要的介绍。

2.1 数据集(datasets)

AFNI 中的基本数据单位是数据集(datasets)，它是指由一个或者多个图像的3D 数据块(bricks)以及与之相关的附加信息所组成的数据集。 数据集有两种基本的类型：解剖数据集和功能数据集。AFNI 在进行数据集处理时在任何时候都是以解剖数据集作为背景，再将功能数据集叠加到解剖数据集上。

对于功能数据集，它有5 种类型：fim、fith、fico、fitt和fift。 其中各个类型的具体解释如下：
(注：f为function功能，i为intensity强度，th表示threshold阈值，co表示correlation相关，tt表示t-test，ft表示F-test)
fim 表示功能强度，每个体素用一个值表示。
fith 表示功能强度及阈值，每个体素用2 个值表示，第一个值表示“强度”，第二个值表示阈值，用来表示哪一个点是激活点。
fico 表示功能强度及相关性，每个体素用2 个值表示，第一个值表示“强度”，第二个值表示相关系数( -1.0 到1.0 之间) ，当给出一个显著性值p 时，确定激活点。
fitt 表示功能强度及t-test，每个体素用2 个值表示，第一个值表示“强度”，第二个值是t 检验值，当给出一个显著性值时，确定激活点。
fift 表示功能强度及F-test ，每个体素用2 个值来表示，第一个值表示强度，第二个值是F检验值，当给出一个显著性值时，确定激活点。
对应于每个体素的值，可以有4 种数据类型:byte、short、float和complex。
Byte型为8位有符号整数，表示范围为0~255，最多有3位有效数字；
Short型为16位有符号整数，表示范围为-32768~32767，最多有5位有效数字；
Float型为32位实数，最多有7位有效小数。
在AFNI 中，数据集存储为两种类型的文件：头文件(header) 和块文件(brick) 。

所有的数据集都有规定的命名方式，其基本形式是：prefix + view. NAME。
prefix 由用户指定；“+ view”表示数据集的显示形式(坐标系)，由AFNI自动生成，通常有3 种类型即：+orig， +acpc，+tlrc，分别表示原始数据、ACPC和Talairach坐标系。NAME 可为BRIK或HEAD。
块文件存储了所有的3D 原始数据(Brick)及由AFNI程序计算衍生的统计参数数据。
头文件包含了所有的辅助信息，它提供了解释块文件的所有信息，以ASCII 的形式存储。通常包含以下信息：
(1) 每个体素x，y，z方向的大小(mm)；
(2) 数据集的轴向：例如，X-axis为R-L，
Y-axis为AP，Z-axis为I-S，则为水平层面；
(3) 数据集在扫描坐标的定位；
(4) 3D数据集每个sub-brick之间的时间间隔
3D+time数据集为fMRI的基本数据集；
(5) 统计结果衍生的功能数据集，头文件包括与统计方法有关的参数，如t-test、F-test的自由度。

2.2　数据集的存储

然而，并不是每一个数据集都必须包含一个BRIK文件。当需要时图像的显示可以由真正含有.BRIK文件的父数据集变换而来。这种功能称为“Warp-on-Demand”，如空间标准化时生成的Talairach图像。
在程序设计时,图像数据集数组可以有两种方式实现存储。一种是使用malloc函数分配内存空间，另一种是使用UNIX 的mmap 函数。mmap 函数直接将.BRIK文件映射到内存地址空间。这种映射是以只读方式实现。

2.3　数据集块和子数据集块

一个数据集可以含有一个或多个3D 数据集子块(sub-bricks)。例如，一个3D+time数据集本质上是由包含3D 数据集子块构成的数组，每一个时间点的数据可以是一个数据集子块(sub-brick)；又如，一个bucket数据集也是由多个3D 数据集子块组成。

2.4 集合或路径(session)

包含一系列数据集的路径称为一个session，AFNI 只读取形式为*. HEAD 和*. BRIK 的文件。也就是说，只能在某一个实际路径中运行AFNI。
所有存放在同一session的数据集，如果显示格式相同，则认为x,y,z坐标是配准的。所以可将一数据集(常为功能数据集)重叠在另一数据集上(常为解剖数据集)，即使其轴向和体素大小不一致。
通常，在同一session目录中，是从一个被试一次扫描session中获得及其衍生的数据，通常包括：
(1) 解剖参考数据集(SPGR 或MP-RAGE)；
(2) 10~20个3D+time EPI function runs；
(3) 从3D+time数据集计算获得的统计数据集，用来显示激活；
(4) 从orig转换至tlrc的数据集，用于被试间的比较。

2.5 文件类型

AFNI除能识别BRIK和HEAD文件外，还可以识别下列文件格式：
ANALYZE (.hdr/.img file pairs)： SPM, FSL所使用的格式；
MINC (.mnc)： MNItools所使用的格式；
CTF (.mri, .svl)： MEG analysis volumes；
NIfTI-1 (.nii)： 一个新的由AFNI, SPM, FSL, and BrainVoyager达成协议的标准格式；
ASCII text (.1D)： 按列排放的数字，如刺激处理参数。