freesurfer全过程梳理

简介

free surfer这一软件要解决的问题是，在3D体素空间，有些体素同时包含了两个或者两个以上的成分。例如同时包含灰质和白质，我们无法确定哪一个成分的贡献更大。

为了解决这一问题，freesurfer采取的解决方案是将3D空间转化为2D表面积空间，划分灰质和白质的边界。

freesurfer的核心命令是recon-all，今天我们来详细了解一下这一命令实现了哪些操作

recon-all过程介绍

-----recon-all是一个重建表面积的过程，包含了freesurfer的全部预处理过程。

-----我们的输入只需要一个高质量的T1图像

-----首先得到一个去颅骨的大脑mask（右上角为文件名，下同）

-----大脑mask范围内的的大脑被分割

-----估计两个半球的白质和灰质之间的界面位置，这些表面估计值存储在名为 ?h.orig 的文件中。然后更精确的估计为?h.white（白质边界）。然后继续往外拓展得到?h.pial（灰质边界）。

-----进一步膨胀成？h.inflated文件

-----进一步膨胀成球体，被归一化为称为 fsaverage 的模板图像。然后就可以使用图谱将皮层划分为解剖学上不同的区域。然后重新塑造成可视化的膨胀的表面或软脑膜表面。

recon-all结果可视化

freeview是freesurfer附带的结果可视化软件。

-----------volume呈现

freeview -v \打开volume图像命令

subjID/mri/T1.mgz \T1原始图像

subjID/mri/aseg.mgz:colormap=lut:opacity=0.2 \定义了colormap和透明度

freeview -f \打开surface图像

subjID/surf/lh.white:edgecolor=blue \左侧白质分割，定义颜色

subjID/surf/lh.pial:edgecolor=red \左侧灰质外表面

----------------surface空间

freeview -f \

subjID/surf/lh.pial:annot=aparc.annot:name=pial_aparc:visible=0 \

加载左半球的脑皮质表面，并应用 aparc.annot 注释文件。在查看器中，此表面被命名为 "pial_aparc"，但初始设置为不可见

subjID/surf/lh.pial:annot=aparc.a2009s.annot:name=pial_aparc_des:visible=0 \

subjID/surf/lh.inflated:overlay=lh.thickness:overlay_threshold=0.1,3::name=inflated_thickness:visible=0 \

加载左半球膨胀表面，并覆盖皮层厚度数据（lh.thickness）。它设置了一个覆盖阈值在0.1到3之间，将此配置命名为 "inflated_thickness"，并将其设置为初始时不可见

subjID/surf/lh.inflated:visible=0 \

subjID/surf/lh.white:visible=0 \

subjID/surf/lh.pial \

--viewport 3d

将 Freeview 的初始视口设置为3D模式，适合查看三维大脑模型。

逐顶点组间比较

1. 首先，将 fsaverage 模板复制到当前目录中
2. 其次，创建 FreeSurfer 组描述符 （FSGD） 文件

1. 1. 创建excel/csv/tsv文件
   2. 以txt格式保存
   3. tr '\r' '\n' < glm.txt > glm.fsgd

GroupDescriptorFile 1
Title post_compane
Class G1
Class G2
RescaleFlag 1//重新标准化，混淆变量尺度统一
DemeanFlag 1//去均值，混淆变量尺度统一
Variables age
Input HBNUP001 G1 5
Input HBNUP004 G1 6
Input HBNUP006 G1 7
Input HBNUHT002 G2 8
Input HBNUHT003 G2 9
Input HBNUHT007 G2 10

1. 下一步，创建一个contrast文件，用于指定模型中每个回归变量的对比权重

1. 1. echo "1 -1 0 0" > glm.mtx

1 -1 0 0

1. 下一步，使用 mris_preproc 创建组文件

该命令需要以下参数：

1. 1. FSGD 文件（由选项指示）;--fsgd
   2. 要重新采样到的模板 （--target);
   3. 指示要重新采样的半球 （--hemi);
   4. 输出文件的标签。--out

mris_preproc --fsgd glmtmp.fsgd --target fsaverage --hemi lh --meas thickness --out lh_tmp.mgh

1. 下一步，用 mri_glmfit拟合一般线性模型

使用以下输入：mri_glmfit

1. 1. 包含所有受试者结构图（--y);
   2. FSGD 文件 （--fsgd);
   3. 对比度列表（每个对比度由包含以下内容的不同行指定--C);
   4. 指定参考表面和半球 （--surface);
   5. 对输入文件进行平滑（--fwhm);
   6. 包含结果的目录的输出标签。--glmdir
   7. 保存每个体素或顶点的残差。--eres-save

mri_glmfit --y rh_tmp.mgh --fsgd glmtmp.fsgd --C glmtmp.mtx --glmdir group1838.rh --fwhm 10 --surface fsaverage rh --eres-save

1. 下一步进行多重比较矫正（蒙特卡洛模拟和多重比较矫正）

1. 1. 要针对多重比较进行更正的目录 （--glmdir);
   2. 集群方面的 p 阈值 ,通常设置为 0.05;--cwp
   3. 分析两个半球的校正（--2spaces)
   4. --perm 1000 2 abs:指定进行1000次随机排列测试，顶点聚类阈值( -log10（P）)，双尾检验

mri_glmfit-sim --glmdir group1838.lh --2spaces --cwp 0.05 --perm 1000 2 abs

1. 结果文件

group1838.lh/glmtmp/
---perm.th20.abs.pdf.dat//群集校正的概率分布函数（PDF），提供了校正后群集大小的分布信息。
---perm.th20.abs.sig.cluster.mgh// 经过群集校正后的显著性map，可作为叠加层在脑部图像上可视化。
---perm.th20.abs.sig.cluster.summary //群集的摘要信息，以文本格式提供，包含了每个显著群集的统计数据和位置信息。
---perm.th20.abs.sig.masked.mgh//未经校正的显著性值，仅限于通过群集校正存活下来的群集区域。
---perm.th20.abs.sig.ocn.annot //输出群集编号的注释文件，用于标注每个显著群集。
---perm.th20.abs.sig.ocn.mgh //输出群集编号的分割图，显示每个编号群集的位置。
---perm.th20.abs.sig.voxel.max.dat//最大体素级显著性，提供了整个分析中体素显著性的最大值。
---perm.th20.abs.sig.voxel.mgh//体素级经过多重比较校正的显著性地图，与群集校正相比，这是在体素级别进行的校正。
---perm.th20.abs.y.ocn.dat//每个群集中每个受试者的平均值，提供了群集内个体数据的概览。

参考资料

FreeSurfer Short Course — Andy's Brain Book 1.0 documentation

影像炼金第四弹：逐顶点组间比较-广义线性模型GLM：原理和代码_哔哩哔哩_bilibili