pet 组分析

If you are not using PVC, you can use the template.reg.lta to sample the PET volume onto the surface using mri_vol2surf, then apply standard surface-based analysis.

我理解现在得到的gtm.nii.gz是体积数据。

 

gtm.nii.gz is a nifti file with each "voxel" being an ROI. The value is the PVC uptake of ROI relative to Pons. For single time point data, this will be totally redundant with gtm.stats.dat. Use of the NIFTI format makes it easy to concatenate (mri_concat) these files together for group analysis (mri_glmfit).

gtm.nii.gz是一个nifti文件，每个“ voxel”是一个ROI。该值是相对于Pons的PVC ROI吸收率。对于单个时间点数据，使用gtm.stats.dat将完全多余。使用NIFTI格式可以很容易地将这些文件串联在一起（mri_concat）以进行组分析（mri_glmfit）。

3. 运行mri_gtmpvc      

mri_gtmpvc --i pet0001.nii.gz --reg template.reg.lta --psf 5 --seg gtmseg.mgz --default-seg-merge  --auto-mask PSF .01 --mgx .01 --o gtmpvc.output --km-ref 8 47 --km-hb 11 12 13 50 51 52 --no-rescale

--km-ref 8 47指定要用作MRTM模型参考区域的ROI。 8和47是$ SUBJECTS_DIR / subject / mri / gtmseg.ctab中的小脑半球形（另请参见$ FREESURFER_HOME / FreeSurferColorLUT.txt）。 这将创建文件km.ref.tac.dat，其中包含每个时间点的参考值。

--km-hb 11 12 13 50 51 52指定如果使用MRTM2，则将ROI用作高绑定区域。 这将创建km.hb.tac.nii.gz，其中包含每个时间点的高绑定区域值。

4.Kinetic Modeling (KM). KM is done with either MRTM1 or MRTM2. To run MRTM1:动力学建模（KM）。 使用MRTM1或MRTM2完成KM。

要运行MRTM1，请执行以下操作：

# mri_glmfit --y gtmpvc.output/km.hb.tac.nii.gz --mrtm1 gtmpvc.output/km.ref.tac.dat time.dat --o mrtm1 --no-est-fwhm --nii.gz

其中，time.dat是一个简单的ASCII文本文件，在时间活动曲线（TAC）中具有每个时间点的获取时间（以秒为单位）。 这将创建一个名为mrtm1的文件夹，其中将是一个名为k2prime.dat的文件。 k2prime的值将在下面的MRTM2分析中使用

 

mri_gtmpvc --i pet.nii.gz --reg template.reg.lta --psf 5 --seg gtmseg.mgz --default-seg-merge  --auto-mask PSF .01 --mgx .01 --o gtmpvc.output --km-ref 8 47 --km-hb 11 12 13 50 51 52 --no-rescale

5.组分析

mri_vol2surf --mov mgx.ctxgm.nii.gz --reg aux/bbpet2anat.lta --hemi lh --projfrac 0.5 --o lh.mgx.ctxgm.fsaverage.sm00.nii.gz --cortex --trgsubject fsaverage

#这个步骤是为了生成lh.mgx.ctxgm.fsaverage.sm00.nii.gz

(mri_vol2surf --mov gtmpvc.output/mgx.ctxgm.nii.gz --reg gtmpvc.output/aux/bbpet2anat.lta --hemi lh --projfrac 0.5 --o lh.mgx.ctxgm.fsaverage.sm00.nii.gz --cortex --trgsubject fsaverage)

 

链接：

mri_concat pet0001/gtmpvc.output/lh.mgx.ctxgm.fsaverage.sm00.nii.gz pet0002/gtmpvc.output/lh.mgx.ctxgm.fsaverage.sm00.nii.gz --o all.lh.mgx.ctxgm.fsaverage.sm00.nii.gz --prune

平滑：

mris_fwhm --smooth-only --i all.lh.mgx.ctxgm.fsaverage.sm00.nii.gz --fwhm 5 --o all.lh.mgx.ctxgm.fsaverage.sm05.nii.gz --cortex --s fsaverage --hemi lh

分析：

pangyu@pangyudeMacBook-Pro test % mri_glmfit --y all.lh.mgx.ctxgm.fsaverage.sm05.nii.gz --surf fsaverage lh --fsgd CannabisStudy.fsgd --no-contrasts-ok --glmdir dir

 

1.创建分割，得到gtmseg.mgz文件

gtmseg --s subject

2.

mri_convert pet.nii.gz --frame frameno template.nii.gz

mri_concat pet.nii.gz --mean --o template.nii.gz

3.

mri_coreg --s subject --mov template.nii.gz --reg template.reg.lta

 

pet分析：用多的标签的图集aparc.a2009s

啦啦：pet00021 % gtmseg --s 0002 --ctx-annot aparc.a2009s.annot 1000 2000 --xcerseg     

成功：mri_coreg --s 0002 --ref-mask aparc.a2009s+aseg.mgz --mov template.nii.gz --reg template.reg.lta --threads 4

哈哈：mri_gtmpvc --i pet0002.nii.gz --reg template.reg.lta --psf 5 --seg gtmseg.mgz  --auto-mask PSF .01 --mgx .01 --o gtmpvc.output --km-ref 8 47 --km-hb 11 12 13 50 51 52 --no-rescale --default-seg-merge