TBSS处理流程

TBSS处理

首先建立一个文件夹FA_01，将所有要处理的FA图像复制到这个文件夹下。依次做如下处理：

1.该脚本将所有处理过的FA图像移动到一个名为FA的新子目录，并且还将创建另一个名为origdata的子目录，并将所有原始图像放在那里供以后使用。

tbss_1_preproc *.nii.gz

2.运行非线性配准，将所有FA图像对齐到1x1x1mm标准空间。注册中使用的目标图像可以是预定义的目标，也可以自动选择为研究中最“典型”的主题。通常，我们建议使用FMRIB58_FA标准空间图像作为TBSS中的目标。这涉及每个受试者仅进行一次注册，并且通常给出良好的比对结果。使用-T标志应用此选项。或者，您可以使用-t选项提供自己的目标图像。第三种选择是将每个FA图像与每一个FA图像对齐，识别“最具代表性”的图像，并将其用作目标图像。然后将该目标图像仿射对准到MNI152标准空间中，并且通过将非线性变换与从该目标到MNI152空间的仿射变换组合到目标FA图像，将每个图像变换为1×1×1mm MNI152空间。使用-n标志选择此选项，如果您需要生成特定于研究的选项，则建议使用此选项，例如，如果受试者都是幼儿（因此成人衍生的FMRIB58_FA目标不合适）。通常选择-T：

tbss_2_reg -T

3.将前一阶段中发现的非线性变换应用于所有主题，以将它们带入标准空间。有-T 和-S选项，通常选择-S，从拥有的实际主题中导出平均FA和骨架。

tbss_3_postreg -S

将4D FA数据和骨架加载到FSLView中：

cd stats
fslview_deprecated all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green

4.在所选阈值处对平均FA骨架图像进行阈值处理 - 效果良好的常见值为0.2

tbss_4_prestats 0.2

骨架化FA数据的体素统计

上一步导致4D FA图像all_FA_skeletonised（在stats子目录中）。正是这样，现在可以提供体素统计数据，例如，它可以告诉我们哪两个FA骨架体素在两组受试者之间存在显着差异。

一种推荐的统计方法是使用 randomise tool。运行randomise前，你需要生成一个design.mat和design.con。可以在两组比较的简单情况下使用脚本design_ttest2。或者使用Glm_GUI生成这些design矩阵和contrast文件。

假设有34个正常人48个病人，生成design文件并使用随机化进行体素统计和推理，包括基于群集的阈值处理：

cd ../stats
design_ttest2 design 34 48

randomise -i all_FA_skeletonised -o tbss -m mean_FA_skeleton_mask -d design.mat -t design.con -n 500 --T2

fslview_deprecated $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -l Green -b 0.2,0.8 tbss_tstat1 -l Red-Yellow -b 3,6 tbss_tstat2 -l Blue-Lightblue -b 3,6

在这种情况下，contrast 1给出对照>患者测试，contrast 2给出对照<患者测试。原始（非阈值）tstat图像分别为tbss_tstat1和tbss_tstat2。TFCE p值图像（对于跨空间的多次比较完全校正）是tbss_tfce_corrp_tstat1和tbss_tfce_corrp_tstat2（注意，为了便于显示，这些实际上是1-p，因此在.95处的阈值处理给出了重要的簇）。

显示TBSS结果

假设您希望在MNI152图像上显示结果，因此首先将MNI152加载到FSLView中。接下来，可能需要在背景图像上加载mean_FA_skeleton图像，以显示估计骨骼的位置，以及在多科目统计中测试哪些标准空间体素。加载mean_FA_skeleton在FSLView并正确地设置其显示范围。必须将下限阈值设置为您在TBSS分析中使用的阈值，例如0.2。上层应该设置为0.7，这样你就可以看到骨架内平均FA值的变化。您可能想要更改颜色图，例如更改为绿色，并增加透明度（使用透明度滑块），以便在加载统计图像时，更容易看到。最后，加载stats图像。如果你已经在随机中使用了基于TFCE的测试，那么原始t统计图像将被命名为类似于tbss_tstat1（你可以在显着性测试之前查看原始tstats），但你的图像可能是tbss_tfce_corrp_tstat1，这是经过校正的p值图像（实际上，为了便于显示，此图像中的值为1-p，因此更大的“更好”）。将其加载到FSLView中，设置颜色映射（如红黄色），并将显示范围设置为0.95：1，这对应于在p <0.05处对结果进行阈值处理。以上所有（除了设置骨架透明度，必须在GUI中手动完成）可以使用单个命令执行：

fslview_deprecated $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -l Green -b 0.2,0.7 tbss_tfce_corrp_tstat1 -l Red-Yellow -b 0.95,1

或者，尽管在TBSS骨架上显示统计结果是对所进行的实际分析的真实表示，但是如果骨架化结果在某种程度上“增厚”，则有些人发现更容易将结果可视化。为了简化这样的演示，有一个脚本tbss_fill，它会加厚阈值统计图像，将其填充到mean_FA中看到的本地“tracts”中。例如，要将此应用于上述相同示例，然后在mean_FA图像顶部的FSLView中查看，请运行：

tbss_fill tbss_tfce_corrp_tstat1 0.95 mean_FA tbss_fill
fslview_deprecated mean_FA -b 0,0.6 mean_FA_skeleton -l Green -b 0.2,0.7 tbss_fill -l Red-Yellow