Freesurfer学习笔记——Multimodal Integration(2.2 Surface-based Group fMRI Analysis ) 8/13

本节目的：使用小组分析中多个对象的数据来执行fMRI集成

数据：功能生物医学信息学研究网络Functional Biomedical Informatics Research Network（fBIRN）。

1. fMRI Basics

受试者受到刺激后，在功能磁共振成像fMRI中，大脑的某些区域诱发BOLD血液动力学反应功能（HRF）。 首先通过使用运动校正执行分析，然后将每个体素的时程与刺激时间表（与假设的HRF形状进行卷积）相关联。 结果是对每个体素上每个条件的HRF振幅的估计，各种条件的HRF振幅的对比度，此对比度的方差以及对显着性的某种度量（例如p，t，F或z）图 。 所有这些图都与运动校正模板（来自功能分析）对齐，应将其用作配准模板。

2. Preparations

<source_freesurfer>
export TUTORIAL_DATA=<path_to_your_tutorial_data>
export SUBJECTS_DIR=$TUTORIAL_DATA/buckner_data/tutorial_subjs
cd $SUBJECTS_DIR/multimodal/fmri

$SUBJECTS_DIR/multimodal/fmri/fbirn-101目录是fBIRN第一阶段获取的5个对象之一。 这些对象称为fbirn-10 ?，其中“？” 是1、3、4、5、6（请注意，缺少＃2）。 每个都有一个名为fbirn-anat-10？.v6的FreeSurfer重构（anat是解剖学的缩写）。已经针对所有对象进行了individual registration and ROI Analysis 。 在进行小组分析之前，您必须对各个对象进行配准。 本教程仅使用对象fbirn-101（但您可以在其他对象上练习）。数据是来自感觉运动范例（棋盘闪烁，听得见的声音和敲击手指）的结果。 原始的fMRI数据经过了运动校正，但没有被平滑。 每个对象都有四卷（fMRI分析的输出，在这种情况下，是通过FS-FAST完成的）：

template.nii	motion correction template
ces.nii	contrast effect size
cesvar.nii	variance of contrast effect size
sig.nii	signed significance of contrast (-log10(p))

对比是刺激范例的开启和关闭之间的对比（即与基线的比较）。 sig.nii卷具有带符号的-log10(p)值。 因此，当p值= .01，-log10(p)=2。如果对比度为正（即ON> OFF），那么该值将为+2，如果为负（即ON <OFF）， 那么该值将为-2。

3. Check Registration

首先检查配准（我们在配准教程中了解了如何配准功能区和解剖表面-在这种情况下，register.lta是该步骤的输出）。 此处配准应该已经很好，因此无需进行任何修改。

freeview -v $SUBJECTS_DIR/fbirn-anat-101.v6/mri/orig.mgz:visible=0 \
    fbirn-101/template.nii:reg=fbirn-101/register.lta -f \
    $SUBJECTS_DIR/fbirn-anat-101.v6/surf/lh.white \
    $SUBJECTS_DIR/fbirn-anat-101.v6/surf/rh.white \
    -viewport cor

4. Surface-based Group fMRI Analysis

小组分析分三个阶段进行：

1. Assemble data  组装数据
2. Spatially smooth data on surface (if desired)  表面上空间上平滑的数据
3. GLM Analysis  GLM分析

4.1. Assemble Data

组装数据是唯一不同于解剖（例如厚度）分析的步骤。 您仍然运行mris_preproc，但是使用不同的参数：

mris_preproc --target fsaverage --hemi lh \
  --iv  fbirn-101/ces.nii fbirn-101/register.lta \
  --iv  fbirn-103/ces.nii fbirn-103/register.lta \
  --iv  fbirn-104/ces.nii fbirn-104/register.lta \
  --iv  fbirn-105/ces.nii fbirn-105/register.lta \
  --iv  fbirn-106/ces.nii fbirn-106/register.lta \
  --projfrac 0.5 \
  --out lh.ces.mgh

笔记：

1.目标表面是fsaverage的左半球。
2.每个输入量和相应的配准分别列出。
3.fMRI数据是在white表面和pial表面之间的中间位置采样的（“ --projfrac 0.5”）。

输出是一个体积数据源数据的表面文件，该文件重新采样到fsaverage（lh）上，并连接到一个名为lh.ces.mgh的文件中。 它具有与其他表面覆盖层相同的大小，对于fsaverage来说，例如lh.thickness。 要查看其尺寸，请运行：

mri_info lh.ces.mgh

您将看到“尺寸：163842 x 1 x 1 x 5”，表示有163842个“列”（即顶点），1个“行”和1个“切片”。 一共有5帧，每个对象一个。

4.2. Surface Smoothing

mri_surf2surf --hemi lh --s fsaverage --fwhm 5 --cortex \
  --sval lh.ces.mgh --tval lh.ces.sm05.mgh

笔记：

1.全宽/半最大（fwhm）为5毫米。 最佳平滑滤波器取决于您要寻找的效果的大小（所谓的"matched-filter theorem"“匹配滤波器定理”）。 通常，如果您有更大的对象组和/或期望焦点差异，请使用较小的内核。
2.仅在合法皮质（--cortex，使用lh.cortex.label）的区域中进行平滑。

4.3. GLM Fit

这将执行一个样本的组均值（OSGM），仅查找对比度效果大小（CES）不同于0的地方。

mri_glmfit --y lh.ces.sm05.mgh --surf fsaverage lh \
  --osgm --glmdir lh.ces.sm05.osgm --cortex

----------

freeview -f \
    $SUBJECTS_DIR/fsaverage/surf/lh.inflated:annot=aparc.annot:annot_outline=1:overlay=lh.ces.sm05.osgm/osgm/sig.mgh:overlay_threshold=2,5 \
    -viewport 3d

  

请注意，因为只有五个对象，所以激活是稀疏的，但是激活是我们希望看到的。

5. Group ROI fMRI Analysis

本教程的目的是将单个统计文件合并到一个摘要表文件中。 可以使用任何文本编辑器打开表文件，也可以将其加载到电子表格程序中，例如MS Excel或OpenOffice Calc（如果已安装）。 如个人fMRI集成教程中所述执行个人ROI分析。 即，由mri_segstats使用无功能约束，无符号（abs）约束和正（pos）约束来创建统计文件，以在每个目录中创建统计文件。 此外，仅总结了4个分割：

1021	ctx-lh-pericalcarine
1022	ctx-lh-postcentral
1030	ctx-lh-superiortemporal
17	Left-Hippocampus

5.1. Measure Volume of Positive Activation in Each ROI

asegstats2table \
  --meas volume \
  --tablefile ces.pos-masked.vol.stats \
  --i fbirn-101/ces.pos-masked.bb.stats \
  fbirn-103/ces.pos-masked.bb.stats \
  fbirn-104/ces.pos-masked.bb.stats \
  fbirn-105/ces.pos-masked.bb.stats \
  fbirn-106/ces.pos-masked.bb.stats

查看输出文件：

cat ces.pos-masked.vol.stats

笔记：

1.这些值是p-values < .01的ON> OFF体素的体积，单位为mm3。

2.第一列中的值只是行号（从0开始）。 通常，对象名称将在此处，但是在上述命令中未将对象名称指定为输入。

5.2. Measure Mean HRF Contrast of Unsigned Activation in Each ROI

asegstats2table \
  --meas mean \
  --tablefile ces.abs-masked.mean.stats \
  --i fbirn-101/ces.abs-masked.bb.stats \
  fbirn-103/ces.abs-masked.bb.stats \
  fbirn-104/ces.abs-masked.bb.stats \
  fbirn-105/ces.abs-masked.bb.stats \
  fbirn-106/ces.abs-masked.bb.stats

查看输出文件：

cat ces.abs-masked.mean.stats

笔记：

1.这些值是p-values < .01的ON> OFF或ON <OFF体素的平均HRF值（原始MR单位）。

2.一些值是负的。 这是可能是因为mask是无符号的（abs）。
3.特别是，左海马的跨对象间的平均水平接近0。这是可以预料的，因为感觉运动任务不应激活海马体。

5.3. Measure Mean HRF Contrast of Positive Activation in Each ROI

asegstats2table \
  --meas mean \
  --tablefile ces.pos-masked.mean.stats \
  --i fbirn-101/ces.pos-masked.bb.stats \
  fbirn-103/ces.pos-masked.bb.stats \
  fbirn-104/ces.pos-masked.bb.stats \
  fbirn-105/ces.pos-masked.bb.stats \
  fbirn-106/ces.pos-masked.bb.stats

查看输出文件：

cat ces.pos-masked.mean.stats

笔记：

1.这些值是p-values < .01的ON> OFF体素的平均HRF值（原始MR单位）。

2.值均不为负。 这是因为mask为正（pos）。
3.尤其是，由于仅选择了正值，因此左海马的跨对象平均值不接近0。 因此，必须小心如何从这些数字中解释和得出结论。

6. Summary

1.使用mris_preproc，mri_surf2surf和mri_glmfit命令完成基于表面的组分析
2.使用asegstats2table命令将单个统计信息合并到一个摘要表文件中