ICA与双回归分析（Dual_Regression）

        简单来讲，双回归分析是ICA的一个延伸分析，旨在将ICA的组成分结果映射回单个样本中，从而计算其组差异。许多针对大脑的功能影像数据研究的文章采用过这种方法，在此不赘述。下面进入实现部分：

 

一. 软件准备

 

1.Linux系统

2.FSL：https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation

 

二.数据准备

 

1.   数据转格式dicom >> nii（fMRI / T1）

首先，在转格式之前，在 dcm2niigui--help--Preferences 设置转化文件名

 

Figure 1  设置转化文件名

注意：

Dcm2nii：rfmri_dicom >> 1 个 4D 文件

Dcm2nii：T1>>3 个 4D 文件：*.nii，o*.nii，co*.nii（保留co后续BET）

2.  保留需要文件

将 rfmri 的 4D 文件存放到一个文件夹，将 coT1存放到一个文件夹。便于进一步 分析

3. BET—co_T1

Bet co*.nii >> co*_brain.nii.gz

详细步骤另一篇文章再介绍

https://blog.csdn.net/machinelearning_er/article/details/82703176

4.  检查

使用Fslview 查看个体 coT1 的 bet 结果，若脑壳基本剥干净，则认为 bet 结果好。否则，需要重新 bet。

5.  获取数据路径 txt文件

T1_path.txt : 所有个体 bet 后 coT1 的文件路径 

rfmri_path.txt :所有个体静息态数据的 4D 文件路径 

注意：两个 txt 中个体序号一致

 

这里可以使用shell:

 

! bin/sh

for i in /.../*.nii.gz

do echo $i >>/.../t1_input.txt

done

 

三. 独立成分分析（FSL：MELODIC ICA）

 

 

 

1.准备

 

所有被试的 4Drfmri 数据路径，bet 后的 coT1 路径：T1_path.txt、rfmri_path.txt

 

新建文件夹作为 ICA 输出位置： ic25

 

2.设置（未声明则为默认）

 

 

 

》Data：

 

Inputs：所有人 rfmri 数据（rfmri_path.txt 内容粘贴）

 

Outputs：输出路径（自定义）

 

Delete：4-10 个初始 volumes

 

TR：2.0 (取决于机器扫描)

 

Highpass cutoff：150 s = 1/150hz≈0.007Hz（低通滤波器）

 

》Pre-stats

 

Slice timing correction：interleaved（根据扫描方式决定，故与数据有关）

 

Bet：选择，对功能数据 bet

 

FWHM：6

 

Highpass：不选

 

注：头动校正设定默认算法（MCFLIRT）。

 

》Registration

 

选择 main structural image

 

输入：所有人 bet 后的 coT1 数据（T1_path.txt 内容粘贴）

 

Linear：normal search 6DOF Standard space：

 

Mask：MNI152_T1_2mm_brain.nii.gz

 

Lineal：full search 12 DOF

 

Resampling resolution：2mm

 

》stats

 

设定 output components：25（希望产生的成分数量）

 

选择 multi-session temporal/concatenation

 

3.运行

 

点击“GO”，则开始 ICA。

 

会在大路径》ica》ic25 产生 ic25.gica

 

rfmri 数据路径下，产生个体的 subject_ic25.ica，包含预处理后的结果。

 

浏览器跳出 report，显示 运行状态。

 

 

 

四．挑选成分

 

 

 

1.初步筛选

所有成分与模板成分做空间相关，相关值越大，则空间重合度越 高，认为该成分对应模板成分。（可不做，只人眼分辨）

 

2.fslview

人眼核实筛选成分

 

打开 fslview：对于每个 PNAS 成分，滑动 melodic_IC 不同 volumes，记录哪个 volume

 

成分与模板对应。

 

3.整理

根据两次筛选结果，确定每个 PNAS 模板，对应成分。

 

注：查看关注的网络，若成分与之对应情况不好，则跑一些别的成分个数。

 

 

 

五. 双回归（Dual Regression）

 

 

 

1.设计矩阵：

终端输入Glm，或fsl -> Misc -> GLM Setup

 

选择 High level/non-timeseries design，two-sample unpaired (配对人数也可选该项)， 第一组输入为单组人数。

 

Group Group1 Group2

 

1 1 0

 

1 1 0

 

1 1 0

 

2 0 1

 

2 0 1

 

2 0 1

 

Contrast 部分如下表：

 

contrast

 

g1>g2 1 -1

 

g1<g2 -1 1

 

“g1>g2”为第一组被试大于第二组被试，“g1<g2”为第一组被试小于第二组被

 

试。

 

新建文件夹 DUAL 作为双回归结果存放位置。将矩阵存放到 DUAL，并以 glm 命名：DUAL/glm。理论上，该矩阵可用于本组数据的每次 ica 的双回归，使用时修改好路径就可以啦。

 

注：设计矩阵时，分组以及数据排列顺序 要与 txt 中功能数据，要保持一致。

 

2.产生data_all.txt

 

将 rfmri 路径下每个人的 ic25.gica 下 reg_standard 下 filtered_func_data.nii.gz 功能数据路径写入data_all.txt。

 

shell如下：

 

#! bin/sh

 

for i in /home/dell2/Desktop/gene_new/run3/*25.ica

 

do echo $i/reg_standard/filtered_func_data.nii.gz >> /.../data_all2.txt

 

done

 

3.运行双回归

 

在 DUAL 下打开终端（或终端 cd 到矩阵路径） 输入：

 

dual_regression /.../*.gica/groupmelodic.ica/melodic_IC.nii.gz 1 glm.mat glm.con 5000 dual_results `cat /.../data_all.txt`

 

注：在终端中输入dual_regression查看具体释义，产生结果每个成分的双回归结果，stage3*IC*corrp*stats*

 

 

 

六．查看双回归结果

 

 

 

1.结合挑选出的网络，整理对应双回归结果

 

mask 》 复制挑选出的 10 个成分

 

g1_g2》 10 个成分对应的*corrp*stats1

 

g2_g1》 10 个成分对应的*corrp*stats2

 

2.将挑选出的[2.33,10]为阈值的网络，作为模板，得到有用区域的双回归结果dual_mask_corr.mat

 

3.查看双回归结果

 

mask 》复制挑选出的 10 个成分

 

g1_g2》10 个成分对应的 stats1

 

g2_g1》10 个成分对应的 stats2

 

after 》g1_g2、g2_g1》十个双回归结果，顺序与 mask 对应。

 

使用 fslview查看每个mask，add after下两个对应成分的双回归结果，阈值 0.95-1