TMStarget学习——Functional Connectivity

今天基于结构像和功能像数据试验TMStarget 的第二个功能Functional Connectivity。参考季老师的文档PPT来学习，整个处理过程较长，也可能是我的配置原因，一路报错比较多，下面逐步记录，直到跑通后再详细理解操作步骤。我是纯研究数据和文档调试自学，如有培训过很懂的发现理解不足，欢迎前来指导，感谢！
感谢季公俊老师提供如此神器TMStarget！！！
季老师TMStarget软件地址:(https://github.com/jigongjun/Neuroimaging-and-Neuromodulation)
这边也把季老师的基于TMStarget 的功能连接分析的PPT分享出来（github上软件包里面有包含），方便直接查看
https://download.csdn.net/download/learner_jj/89771268

（1）首先需要准备好TMStarget的软件包和依托软件包

（2）这些个安装软件包的路径和安装还蛮重要

->路径下的空格真的有影响吗？
一开始AFQ、vistasoft和SPM12 和TMStarget都放在matlab 的安装路径toolbox下面，奈何我的toolboxl路径是 D:\Program Files\Matlab2020a\toolbox，没看错,D盘 Program Files，路径下面有空格，怎么跑都报错了，中间还报了不识别‘D:\Program’。。。
蒙圈以后发现原来这里路径下的空格居然影响了处理，于是乎我把这四个软件AFQ、vistasoft和SPM12和TMStarget 都搬家了，搬到了D盘重新起了一个没有空格字符的路径，真的就可以往下面跑了。

记住：这些工具安装包不能放在包含空格的路径下，至于为什么就是会报错呀，会使得dcm2nii 都进行不下去。
->软件安装还有讲究
1）spm12
首先软件的版本一定要和matlab的版本、运行系统匹配，还有按照其官网的安装指导 matlab->设置路径-添加文件夹（选中spm12)->保存->关闭 别的可能行，此处容易报错，所以此处安装spm12需要分两步:
①matlab->设置路径-添加文件夹（选中spm12)->保存
②matlab->设置路径-添加并包含子文件夹（选中spm12)->保存->关闭

2)同样的vistasoft-master和Neuroimaging-and-Neuromodulation-main 我都是按照上面spm12 的安装方式做了包含子文件夹设置了，否则当使用的函数出现在子级的子级那就找不到，会报 XXX 函数不识别的错误。

（3）处理前的数据准备
准备一个试验处理数据文件夹FCtest，包含T1Raw和FUNRaw 文件夹,顾明思义，T1Raw 放置被试的T1结构像，FunRaw放被试的功能像。可以看两种格式的数据路径架构是一致的,切都是dicom数据，是放置在subj001文件夹的同一个被试数据。



（4）T1Raw数据的预处理




DCM2NII：因为我的数据是dicom格式，需要转成nii，所以此处预处理数据格式转换必选，如果本身是nii数据了次选项不选；
Reorient:头歪斜校正，如果头的AC-PC比较水平了或者之前用别的软件做过了校正了，那就这个可以不选，我的数据有明显的歪斜，是需要做的，此处还是需要对AC和PC比较了解的，不然越矫正可能越歪斜。



我这边就矫正的不太好，具体还是需要花时间研究AC和PC还有那个 MIdSag点。
Bet:就是颅脑分割了，看起来还行的样子。
跑下来没有报错算是跑完了吧，整体有点慢，中间报export_fig的错误，窗口提示需要做版本升级那就按照提示点update吧。
下面看看T1Raw预处理后的输出吧


（5）FunRaw 数据预处理
首先检查AFQ-master 在matlab中安装是否包含到子文件夹


功能像的扫查参数TR、扫描序列，一定要提前知晓。预处理完成后会生成一长串不同名字的文件夹，此处和DPABI的处理过程是一样的，功能像的预处理用DPABI进行处理也可以。




一开始很遗憾，也有点诡异，按照操作处理过程中没有提示错误，设置处理参数都是正确的，但是最后的输出图中功能像没有和T1结构像对齐。至于原因，后面需接着分析直到调正。

---

后续来了，换了一个新的被试的数据，然后按照流程重新处理了T1Raw和FunRaw，结果奇迹发生了，配准对齐了。所以，可能输入数据也是有要求，当处理过程没有报错时，输出的结果也需要去仔细查看并理解透彻。

（6）功能连接分析
1）基础知识储备
》》功能连接：
具体定义为两段不同脑区的BOLD序列在时间维度上的相关程度。
》》BOLD-fMRI成像序列：
即采用fMRI 成像的方式采集大脑的Bold信号，其是一种4D的成像序列，每个体素（voxel）都包含了一串时间序列，代表了该区域血氧水平依赖信号随着时间的变化。

》》皮尔逊相关系数：
是一种可以表征bold信号序列之间的相关程度的参数，取值范围[-1,1],
当皮尔逊相关系数=1，表示完全正相关；
当皮尔逊相关系数=-1，则表示完全负相关；
当皮尔逊相关系数=0，表示不相关。
可见分析fMRI数据的功能连接，其实质就是计算分析相关程度，并用一些统计或者图论的方法展示出结果。

》》功能连接常用的2种分析思路：
基于体素的功能连接分析
选择一个或多个种子点ROI，然后对每个种子点的平均时间序列与全脑每个体素的时间序列做相关性分析，可得到种子点的全脑功能连接图。
基于ROI分析功能连接
选择多个ROI，计算各个ROI的平均时间序列，并对各平均序列两两做相关性分析，即可得到一个N*N的ROI间的相关系数矩阵。

》》ROI的来源：
① 基于其他脑功能或结构指标的统计输出的差异显著脑区
② 基于标准的模板分区
③ 基于文献坐标的提炼
④ 手工绘制的ROI

》》基于体素的功能连接分析处理步骤：
①选取目标ROI（需确保ROI内部体素具有高度功能一致性）；
②计算ROI内所有体素的平均时间序列；
③对得到的平均时间序列，逐个计算其与全脑体素的时间序列的皮尔逊相关（包括ROI自身内部所有体素）；
④对于全脑的每个体素，都可以得到其与选定的ROI的相关系数，最终可输出一个全脑功能连接映射图（FC map）；
⑤通过Fisher-Z变换或提取差异相关脑区的Z值与行为并进行相关分析（水平组统计分析或图论分析）。

》》基于ROI的功能连接分析：
①选取目标ROIs（至少2个，需确保每个ROI内部体素具有高度功能一致性）
②计算各ROI内所有体素的平均时间序列；
③对得到各ROI的平均时间序列，计算两两之间的皮尔逊相关；
④对于每个选定的ROI脑区，都可以得到其与其他选定ROI的相关系数，最终可输出一个所有ROI间的功能连接映射图（FC map）；
⑤通过Fisher-Z变换或提取差异相关脑区的Z值与行为并进行相关分析（水平组统计分析或图论分析）。

2）基于TMStarget 的功能连接分析



输入参数seed Image和mask Image的nii文件是在季老师的github 网站下载的，在问题答疑部分中季老师给予提问者的附件回复。
也可以到我上传的网址下载：https://download.csdn.net/download/learner_jj/89790884
处理过程是边计算，边请教，一开始depth设置25太大了，后设置为7，最后各参数合理计算顺利。处理完的输出数据如下：


3）处理小结
老师的TMStarget 做功能连接这个模块，第一步是做T1结构像的预处理，第二步是做功能像的预处理，第三步是处理核心——功能连接分析。其中功能连接分析，这个步骤里的参数ROI文件非常关键，是需要基于疾病关联的脑分析知识和处理工具提前准备好的。

如老师提供的seed.nii其实是他们研究处理计算得到的文件，这块我还不是很懂，具体的计算原理和过程都需要继续跟着老师的培训和相关技术文档和知识去学习和理解。而target.nii可以初步看出其是一个位于broadmann 上45和46脑区之间的一个小靶区，看起来用来研究抑郁症（L-DLPFC）还蛮合适。

非常感谢季老师，不仅提供了可操作性非常强的TMStarget软件，还提供了一系列的说明文档，还有可以反复学习的多篇论文，还有还有老师在万忙之中非常耐心解答我的问题，真的是手把手教我跑完了整个流程。非常荣幸刚入行就遇到了这么好又超级超级厉害的老师的指导。万分感谢，铭记于心！