spm12预处理步骤及知识点总结

                              spm12预处理步骤及知识点总结

1. spm里session等于一个run,是一次连续的扫描，而不是被试从进去scanner到出来。一般从scanner拷出来的文件夹中，每一个文件夹里的dicom文件，代表一个被试一次run的结果。一个volume指的是一个TR内得到的所有slice组成的一个完整的3D大脑。

2. 学会使用spm自带的命令：spm_vol ：读取相应的img/nii文件的hdr文件信息（不能读取dcm格式的信息）;
   spm_read_vols:按照矩阵格式，读取img文件内容。
   hdr = spm_dicom_headers(‘dicom.ima’); 按照cell形式存储dicom文件信息
   slice_times = hdr{1}.Private_0019_1029; slice order信息

3. 预处理：原始数据需要先进行格式转换，再进行时间和空间上的校正，为后面的分析做准备

3.1 Slice Timing:
用来校正1个 volume 中层与层之间获取(采集)图像的时间上差异
TR 是一个volume 内第一层到下一个volume 内第一层的间隔时间
TA 是一个 volume内从第一层到最后一层的间隔时间);

3.2 Realign:
被试不自主头动造成运动伪影，机器晃动造成图像空间位移，信号失真（模糊），信号不在原来位置，
这一步就是把一个实验序列中的每一帧图像都和这个序列的参考图像按照一定的算法做对齐，以矫正头动。把收集的像的每个tr的全脑对齐到某个全脑上面去，可以是第一个，可以是最中间的，可以是算出来的mean脑(一般默认匹配到平均脑上去)，生成的txt文本文件记录了每一个tr的全脑是如何移动，对齐的。

第一种：只计算如何移动并将移动的参数写到上一步生成的a开头的头文件里去，不会生成文件
第二种：根据生成的参数开始移动,如果你不需要将realign的数据保存出来，就不用选择reslice。
第三种：综合

做完这一步，spm里给出该序列中被试的头动情况，以作为是否放弃该数据的依据，如果头动超过1个 voxel （功能图像扫描矩阵一般是6464，则体素的大小为（FOV/64）（FOV/64）*（层厚+层间距）），则要考虑放弃该时间点数据。该算法利用最小二乘法(least squares approach) 原理和含6个参数(刚体模型)的空间变换。上面一副图表示X，Y，Z 三个方向的平移，下面一幅图表示被试头部在实验过程当中绕 X(L-R)，Y(A-P)，Z(S-I)三条轴的转动角度。
生成的rp.txt记录了六个方向的参数，可以用在后面一般线性模型中用作回归因子。

具体先做realign还是slice timing要根据具体情况确定。一般认为如果是隔层扫描需要先做slice timing，因为隔层扫描时，相邻层之间的时间差较大，此时即便先做realign也会引入许多时间伪迹）。如果是顺序扫描，就先做realign，因为此时相邻层之间的时间差较小，而头动引起的误差可能会更大。
3.3 Coregister：
目的：上述头动校正的求解参数仅对同一被试的同一种成像(或成像模态 modality) 有效,对于同一被试的不同成像（功能像/结构像）所得图像,由于它们之间没有足够的可比性,不可以直接用头动校正的方法来求解参数,这时需要用图像配准的方法来做空间校正。
具体为将所有的图像同一个 volume 对齐，对功能像与结构像做一个信息的变换。为什么选择 Coregister 里面的（Estimate）呢？因为我们相信对于被试，功能像与结构像是线性相关的平动与转动，而不是扭曲的。由功能像向结构像去配，对于结构像中的 hdr 文件存有一个矩阵，而这个矩阵就包含了功能像的信息。只需要将旋转的矩阵写入到 hdr 文件中，不需要生成新的文件，也就是对3D 文件做一个刚体的变换，变换到功能像空间里。

说明：Source image与Reference image的关系，可以认为是将结构像向以mean开头的功能像里估计，估计结束后就可以将旋转矩阵写入到精度更高的3D文件当中，最后做出的图像的分辨率就会很高。（结构像比功能像清晰很多）

%%1.将结构像配准到当前被试的功能像
2.配准当前被试的结构像到标准空间，通过配准生成的矩阵应用到所有的功能像最后功能像都是配准到标准空间的功能像

3.4 Segment：
目的：要将被试的结构像配到功能像里，就需要将结构像进行分割。一般分割为灰质、白质和脑脊液三部分。volumes选择经过配准后的结构像，选择save bias corrected生成以m开头的偏差校准的结构像文件，deformation fields选择forward把分割的结构像标准化到MNI空间中生成y开头用于后续使功能像数据标准化。

3.5 Normalise：
对于多个被试的研究，由于不同人的脑的尺寸、形态各不相同，一般认为需要一个模板，将不同体积形状的被试大脑放在标准空间里，用公用的坐标系去描述一个具体的位置以实现准确的空间定位。

标准化用到的算法是非刚体配准算法，包括仿射变换与非线性变换等。
无T1 像：
用spm官方模板进行预处理： 在预处理面板标准化选项中选择“Normalise:Estimate&Write”，出现一个对话框，我们做如下设置： 选中“data”——“new sbject”，在 data 下新出现的“subject”选项中作如下设置，“source image”选择 realignment 生成的“mean*.img”文件，“image to write” 选择 realignment 生成的“.img”文件，“template image”我们选择“EPI.nii”，其余采用默认设置，点绿三角运行。
有T1 像：
①先把被试的结构像变换到被试的功能像空间里，然后将变换到功能像里的结构像分割所得到的相应信息运用到功能像里。 结构像在功能像空间里被分割后，会得到一个矩阵。这个矩阵就会告诉我们如何从被试的功能空间去往标准空间。也就是 MNI 空间。我们可以根据这些信息应用到功能像里，写进去以后就会自动配准到标准空间里去。
deformation field：选上一步生成的y开头的结构像（forward）
write：选ra开头的功能像
-90 -126 -72 90 90 108
voxel size改为[3 3 3]
生成wra功能像
②如果以后希望把功能激活图像叠加到结构图像上，那么结构图像也需要做一下空间标准化
deformation field：选上一步生成的y开头的结构像
write：bias corrected

Smooth:
改善配准不好的效果，提高信噪比
在完成上述一系列处理后，还需要将图像做一次平滑处理，以抑制功能像的噪声，提高信噪比，减少各图像间仍残余的解剖结构或功能上的不同
生成8个beta值，1个条件6个头动参数一个run，共8个

三个方块代表三个run，一个方块中的前五列代表五个条件后六列代表六个头动参数

统计分析：SPM 完全独立地对每个体素进行方差分析，以便得出其 t 统计量（和 Z 分数）。

VBM (voxel -basedmorphometry）基于体素的形态学测量

是一种在体素水平对脑影像进行分析的技术，能定量计算局部灰、白质密度和体积的改变，从而精确地显示脑组织形态学变化。
VBM的基本方法是通过空间标准化将不同个体脑组织标定到同一坐标空间，然后将标准化后的影像进行分割，得到灰质、白质和脑脊液图像并进行平滑处理，最后对平滑的图像建模，利用统计参数检验，显示组间有显著差别的灰质或白质脑区。

DCM
流程如下：刺激输入引起神经活动变化 ——> 神经活动变化进而引起血管舒张、血流变化、血容量变化以及脱氧血红蛋白变化 ——> 脱氧血红蛋白变化进而引起BOLD信号改变。DCM模型包括2部分：神经活动状态方程和信号生成方程

fMRI中，成像所关注的是血红蛋白的磁场特性。血红蛋白在血流中携带着氧，当氧被吸收时，变成脱氧血红蛋白。脱氧血红蛋白比起氧合血红蛋白对磁场更为敏感，或者说更有顺磁性。fMRI探测器测量氧合和脱氧血红蛋白之间的比率。这一比率被称为血氧水平依赖效应（blood oxygenation level-dependent effect， BOLD）。