SPM12入门案例2

---

Face fMRI data

要求实验者通过按键来判断知名度。因此这里有4种兴趣的类型；第一二步显示出有知名度和没有知名度的人脸，代表着N1,N2,F1和F2。

###准备工作

1. 通过EPI获得图像，其中回复时间TE=40ms，重复时间TR=2s，24个下降的切片，3mm厚和1.5mm间距。
2. 数据获取：Face Repetition dataset
3. 创建face_rep的文件夹用来存放分析的结果，创建4个子文件夹jobs存,categorical,parametric,bayesian。

除了分类和贝叶斯的区别，我们还将展示如何从参数和分类的角度分析这些数据。具体基础详见上节

Spatial pre-processing

Display

点击Display显示图片，注意眶额部(orbitofrontal)和颞下部的缺失和重影。点击Brighten能够更清晰的看到图片

Realignment

1. 在SPM基本窗口的空间预处理部分中，从REALIGN的下拉菜单中选择**Realign (Est & Res) **。
2. 选择data,然后点击New Session创建新的Session，在数据集test_face_rep下的RawEPI中选择351个图片。
3. 保存批处理命名为realign.mat，点击Run运行，在源文件夹下产生functional image并且以r为前缀命名，然后SPM将估算的绘制出translation和rotation的时间序列图。重新分配的参数的数据将被存储于类似rp_sM03953_0005_0006.txt，当拟合广义线性模式时(GLMs)这些变量可以作为回归量(regressors)。在寻找大脑活动时，运动产生的影响能够被忽略。
   
4. 在spatial processing - coregistration中，SPM将产生mean image。

Slice timing correction

点击Slice Timing按钮，弹出批处理窗口。这些数据由TR=2s并且N=24个连续采集的轴向切片按照递减的序列组成，并且按照逆序的序列获得。
注意:TA=(TR-TR/N)

1. 点击Data然后选择New Session，过滤并且选择**^r.***的文件总共351个文件
2. Number of Slices输入24，表示连续采集的轴向切片
3. TR=2,TA=(2-2/24)
4. Slice order输入24?1,Reference Slice输入12
5. 保存为slice_timing.mat点击运行，产生默认前缀是a的slice-time校准的文件。在RawEPI文件夹下形成

Coregistration

1. 在Coregister的下拉菜单中选择COREGISTER(ESTIMATE)。
2. Reference Image选择RawEPI文件夹下的meansM03953_0005_0006.img，Source Image中选择结构图像在Structural的sM03953_0007.img
3. 保存为coreg.job然后点击Run按钮
   然后SPM将实现结构数据与功能数据之间的配准，即最大化实现共同的信息。
   
   左侧为Reference Image右侧为Source Image

Segmentation

1. 点击SEGMENT按钮，点击Volumes，选择Structral中的配准后的实验者解剖图像sM03953_0007.img。
2. 将Save Bias Corrected中的Save Nothing修改为Save Bias Corrected，在最下面的**“Deformation Fields中的值由Nothing修改为Forward**。
3. 保存为segment.mat，点击运行按钮。SPM将使用默认的组织概率图作为先验对结构图像进行分割。
4. SPM将产生灰质、白质的图像和偏磁场校正的结构图像。通过使用Check Reg工具能够显示这些图片。选择Structural中c1sM03953_0007.nii的灰质图像与原始的结构图像sM03953_0007.img，并将产生空间正则化图像y_sM03953_0007.nii
   

Normalise

1. 选择Normalise(Write)按钮，点击Data，然后点击New Subject
2. 点击Deformation Field，选择y_sM03953_0007.nii按钮
3. 点击Image to write选择经Slice timing corrected处理过的351个文件以及在realign期间生成的平均功能图像e meansM03953_0005_006.img
4. 将Voxel size从[2 2 2]修改为[3 3 3]
5. 保存为normalise.mat 并运行程序。在RawEPI文件夹下生成带有前缀w的spatially normalised文件
   注意如果你想把一个受试者的功能激活叠加到他们自己的解剖结构上，需要在实验者的解剖图像上应用空间正则化参数

• 选择Normalise(Write),点击Data选择New Subject
• 点击Deformation field后选择** y_sM03953_0007.nii**
  y_sM03953_0007.nii该文件是经过空间正则化产生的文件
• 点击Images to write选择bias-corrected structural文件msM03953_0007.nii,点击Done
• 打开Write Options将voxel size从[2 2 2]修改为[1 1 1]修改为[1 1 1.5]更好
• 将任务保存为norm_struct.mat然后运行

Smoothing

• 点击Smooth，选择Images to Smooth，然后选择上部分形成的spatiallly normalised文件war*.img
• 保存为smooth.mat然后点击运行
  使数据在每个方向8mm变得平滑。
• 点击左侧菜单Check Reg选择任意序列的functional image与之匹配的8mm-smoothed functional image，functional image以前缀r开头，选择03953_0005_0006.img作为示例。
  

Modelling categorical responses

在设置design matrix之前，必须先在matlab中加载** Stimulus Onsets Times(SOTs)。SOTs存储于单元格数组中的sots.mat**。包含事件类型1在TRs中的刺激起始时间N。事件类型2，3，4分别代表N2，F1和F2。

• 在Matlab命令行中输入load sots.mat该文件保存于解压文件夹下。点击SPECIFY 1ST-LEVEL按钮。
• 对于Directory选择之前创建的categorical文件夹
• 在Timing parameters选项，点击Units for design选择Scans
• 点击Interscan interval设置为2
• 点击Microtime resolution设置为24
• 点击Microtime onset设置为12。最后两步操作创建的回归与我们对数据时间切片的校正相匹配。假设有24个切片，而对数据进行切片时间校正的参考切片是第12个(时间的中间切片)。
• 点击Data and Design和选择New Subject/Session，选择Scans，使用SPM过滤器选择351个smoothed, normalised,slice time corrected，realign functional images,**swar.***的全部文件。
• 点击conditions，然后选择New condition，Name设置为N1，Onset设置为sot{1}， Durations设置为0。点击Replicate condition将Name分别修改为N2，F1，F2对应修改Onsets为sot{2},sot{3},sot{4}
• 点击Multiple Regressors然后选择RawEPI文件夹下的**rp_sM03953_0005_0006.txt **
• 点击Factorial Design，选择New Factory，Name输入Fam，Levels输入2,复制一份，将Name设置为Rep
• 在BasisFunctions下打开CanonicalHRF将Model derivatives设置为**“Time and Dispersion derivatives**
• 将文件保存为**categorical_spec.mat **然后运行，Graphic产生如下的design matrix
  
• 点击Meun中的Review按钮，在交互界面中选择Design按键的下拉菜单中，选择Explore–>Session1–>N1，Graphics中显示如下图。
  

Estimate

点击Estimate按钮

• 点击Select SPM.mat选项，并且选择存储在categorical文件夹下的SPM.mat
• 保存文件为categorical_est.mat
  SPM在SPM.mat目录下产生一系列文件

Inference for categorical design

点击Result然后在选择**/categorical中的SPM.mat**。这次调用对比度管理器，因为我们指定我们的模型使用的"Factorial design"所以自动指定了许多对比。

• 选择对比序号为005。这是T-contrast 的Positive effect of condition_1。根据第一个回归模型可以得到显示一个很强的积极作用的呈现脸部的平均效果的区域。
• Apply masking None
• p value FWE
• 校正p value–>0.05
• Extend threshold接受默认 value–>0
  

Statistical tables

为了得到局部最大的summary，在交互界面的p-values中点击whole brain按钮。这将列出所有高于选择重要性级别的cluster，并单独列出大于8mm的cluster，下面有重要性的阈值和搜索量的详细信息
注意：右键点击MIP，并且选择goto global maximum。游标将移动到坐标为[39,-70,-14]。你可以在被试者的normalised、bias-corrected structural看到这个activation,这提供最佳的解剖精度，或者在标准化的平均功能，这能更接近真实的数据和空间分辨率(包括功能EPI数据的失真)。
选择plot然后选择Contrast of estimates and 90%C.I(confidence interval)，并且选择Average effect of condition对比，你将看到三个bar对应于每个basis function的参数估计(bar 如下图所示)。在这个voxel上的BOLD脉冲响应主要表现在canonical HRF,但是在时间和dispersion derivatives也有很重要的体现。
HRF：Hemodynamic response function 血流动力学影响函数

F-contrasts

正如HRF和其导数所描述的，为了评估repeating faces 的主要影响，需要一个F-contrast。考虑是否反复改变脉冲信号的形状（它可能会影响潜伏期，但不会影响峰值振幅），三个basis functions定义了形状的范围。因为我们必须告诉SPM有factorial design，所需要的对比度将自动创建的是No.3。

• 点击Result，选择SPM.mat。
• 选择F-contrast，选择序号为003的实验
• Apply masking?Contrast
• 选择** contrast 5 - Positive effect of condition_1 **(我们在上面比较过，不同条件下激活与基线的T-contrast)
• uncorrected mask p-value修改为0.001
• nature of mask选择inclusive
• p value adjustment to control选择none
• 接受默认阙值0

右键点击goto global max，坐标为[42 -64 -8]

• 点击plot并且选择呢Event-related response，F1，fitted response and PSTH，你会看到canonical HRF及其两个导数的最佳拟合线性组合(细红线)，加上selectively-averaged数据，基于FIR的重新拟合，生成如下图所示。
  
  如果选择hold可以在图中呈现多个曲线，点击plot选择F2重复上一步的步骤
  ，观察到F2的峰值小于F1的峰值
  

F-contrasts for testing effects of movement

为了评估运动相关的活动。

-点击Result，选择SPM.mat，选择F-contrast。
未完成，该部分有问题。p263

Modelling parametric responses

首先通过matlab命令行加载load sots，对于每两张脸部（图像）(N2和F2)，在此(重复的)表示和之前(第一次)表示之间的其他面数。SOTs与Lags由Matlab的单元阵列组成，存储于sots.mat文件中。

• 在Matlab的命令行中输入load sots
• 点击SPECIFY 1ST-LEVEL按钮，点击load batch选择之前生成的categorical_spec.mat
• 打开Conditions然后打开第二个Condition
• 点击Parametric Modulations选择New Parameter
• 点击Name输入Lag，输入值itemlag{2}，点击polynomial expansion和2nd order
• 选择第4个Condition，同上操作，将输入值修改为itemlag{4}
• 打开Basis Functions之下的Canonical HRF,点击Model derivates然后选择No derivateives
• 点击Directory选择保存在parametric文件之下，保存为** parametric_spec.mat**然后点击运行按钮。
  

Plotting parametric response

我们将研究这些通常由面孔激活的区域内，相对于基线，看到反复出现著名人物脸部的反应的影响。

• 点击Result并且选择parametric文件中的SPM.mat
• 点击Define new contrast，然后输入name为Famous Lag,点击F-contrast按钮，在columns in reduced design中输入1:6 9:15,点击submit，然后点击OK
• 选择对照组为Famous Lag,依次Contrast–>0.05–>inclusive–>None–>0.001–>0
  
• 右键点击global maxima
• 点击Plot选择parametric response–>F2
  
  这里显示了滞后的二次效应，对于短的滞后表现出不利，但是积极的和最大滞后大约有40个间隔的面部

Bayesian analysis

Specification

点击SPECIFY 1ST-LEVEL按钮

• loadcategorical_spec.mat
• 打开Subject/Session点击Scans,取消已经选择经过平滑处理的图片，选择为经过平滑处理的图片(smooth)，^wa.* 。贝叶斯分析使用空间先验，根据数据评估在信号中的空间规则性。因此，如果至进行Bayesian analysis，创建平滑的图像不是必要的步骤。
• 点击Done，选择Directory然后选择bayesian目录
• 保存文件specify_bayesian.mat，并运行

Estimation

点击ESTIMATE按钮

• 点击Select SPM.mat，然后保存于bayesian文件夹中
• 点击Method须按则Choose Bayesian 1sy-level
• 将文件保存为estimate_bayesian.mat然后运行，在bayesian文件夹下产生大量文件

Inference

评估之后，我们使用PPM能够做后验推理。首先我们识别出相应超过特定大小的高概率区域。这与以上分类推理有着很大的区别，在classical inference寻找响应大小为0的零假设的低可能性。

为了确定特殊的相应大小，我们首先做一些关于参数缩放的计算。参数估计本身具有任意的缩放，因为他们依赖于回归量的缩放。在当前的例子中，回归量的缩放取决于基础函数的缩放。为了确定这个缩放，加载SPM.mat文件，在MATLAB中输入sf=max(SPM.xBF.bf(:,1))/SPM.xBF.dt(可代替的，点击Design:Explore:Session 1选择其他的条件，然后读取canonical HRF基础函数的峰值高度)。
如果你想1%的峰信号大小改变的阙值，输入PPM的阙值1/sf=4.75
最后，如果想要让faces与baseline的信号大于1%，我们需要设定新的对照

• 点击Result
• 选择bayesian中的SPM.mat文件
• 点击Define new contrast输入名字为AVERAGECanonicalHRF:Faces > Baseline点击T-contrast按钮输入对照组**[1 0 0 1 0 0 1 0 0 1 0 0]/4点击提交submit–>OK–>Done–>None–>接受默认值0.10–>10–>接受默认值**
• 在Overlays->Section->选择wmsM03953_0007.nii