rest - 数据处理

静息态数据处理

Part1 数据的预处理

1、格式转换 2、去除前 n 个时间点的数据 3、时间层校正（Slice Timing） 4、头动校正（Realign） 5、空间标准化（Normalize） 6、平滑（Smooth） 7、去线性漂移（Detrend） 8、 滤波（Filer）

一、DICOM 格式——NIFTI 格式。若数据遗失 NIFTI 格式则不用转，直接在工作

目录下建 立一个子文件夹“FunImg” ，将数据拷入其中即可 二、一般去 10（8——20 之间即可） ，由于机器刚启动等原因前面一些数据不稳定 三、Slice Timing 的设置：以总层数 25 层为例 SPM 中：Slice order：<—x：1:2:25；2:2:24 Reference Slice 参考层一般取中间层，即第 25 层。因为扫描顺序为： 1,3,5,7,9….,n,2,4,6,8,…n-1 DPARSF 中：1,3,5,7,9….,n,2,4,6,8,…n-1 四、 头动校正后会在工作目录下生成 Realign Parameter 文件夹， 其中有 spm….ps 这个文件， 用专业版的 Aoboe Reader 打开可查看每个被试头动情况。 或在 Excludesubjects.txt 文件 下可查看头动数据（卡不同值时被排除被试情况） 。对于患有疾病的患者：一般卡 3mm 和 3degre；而对正常人一般卡 1.5mm 和 1.5degere 或取 2. 五、 空间标准化即把被试的原始空间往标准空间上估计， 以克服不同被试的脑结构之间的差 异问题。把结构像分割得到的信息来做功能像的空间标准化，有两种方式： a、 使用 EPI 模板进行空间标准化 SPM 中：原始图像 Source Image：mean_***.img 头动校正后生成的文件，为某被试 各个时间点的平均像；Image to write ：r*.img 所有头动校正后生成的文件；模板图 像 Template Image： EPI.nii ； Bounding box： -126 -72； 90 108 ； -90 90 Voxel sizes： 3 3 3。 . DPARSF 中类似可设 b、 使用一致分割的 T1 像进行空间标准化 分三部分： 1、 配准 coregister 将结构像与功能像匹配，即把被试的结构像变换到功能像空间 （被试的平均功能像） 2、 分割 转换后的结构像用一致的分割法则分割为灰质、白质、脑脊液。这样就 能把功能像弄到标准空间去。

此过程中得到一个由功能像去往标准空间的转换 矩阵。转换矩阵会写入*_seg_sn.mat 文件中。 3、 标准化 把转换矩阵写到功能像上去。这样就可以知道怎么从被试的原始空间到标准空间。 SPM 中： coregister—Reference Image： mean_name.image —Source Image： T1.img； Segment—data：

T1_coregiserd.ima—clean up any partitions： left clean— Affine Regularization：推荐选欧洲脑，亚洲脑样本少。 Normalize—write—parameter file：

name_seg_sn.mat—images to write： r*.img DPARSF 中简单勾选几项即可。 结果：在工作目录下会生成 pictures for chknormalizition 文件夹，其中有被试标准化后 的图像供检查。此外，使用 b 法时还会附带生成 VBM 文件夹，其中 T1imgsegment 下有如 下文件：c1 开头的为灰质在原始空间的概率，c2 开头的为白质的，c3 为脑脊液的；wc1 开 头的未标准空间灰质的概率，以此类推。 六、平滑（注意在做 Reho 局部一致性前不能做平滑，故一般先做 Reho，后平滑；而计算 ALFF 和 FALFF 以及做功能连接前一般要做平滑） SPM 中：image to smooth：w*.img; FWHM:[4 4 4] full width of half maximum 半峰全宽？ DPARSF 中简单可设置 七、去线性漂移 由于机器的工作而升温或被试适应，随着时间的积累会存在一个线性趋势 一般此处选 no mask ，可做全部体素的去去线性漂移 Default mask： 里自带了一套 default mask 是在 spm 的先验模板中卡了 50%的概率？ rest 八、滤波 低频滤波后的静息态 fmri 信号具有重要的生理学意义，可能反映了自发的神经活 动。故一般去 LFFS：0.01—0.08Hz 高频滤波有意义么？

Part 2 Reho、ALFF/FALFF 的计算

一、局部一致性的计算 Reho ：Regional Homogeneity

一般是用肯德尔和谐系数计算以个体素和周围体素的一致性。需要注意的是，如果手 头数据的分辨率不是 61*73*61，则需要对你需要的 mask 文件进行重采样，把 mask 文件重 采样到你数据的同等的分辨率大小。 SPM 中： coreg—coreg.Relice(重新插值)： Image define space:选择一张被试的功能像 （空 间标准化后的或去线性漂移以及滤波后的功能像） ；Image to slice（被插值的图像）:选择一 个 mask 文件或定义的 ROI 文件；插值方式：Nearest Neighbour 最近插值，插值结果为 0 或 1，不会出现小数，插 mask 文件一般选此；Trilinear 线性插值，插 T1 或其他图像。 REST 中： utilities—reslice image--add： 加入

需插值的图像—Intepolation 设置： Nearest 0， Neighbou；1，Trilinear—target space：defined by input image，以输入的图像分辨率为标准， 类同 spm 中；keep the original space，保持原始空间，仅仅改变 voxel size DPARSF 中选 mask 时此处一般选择 default mask，如果自己有感兴趣区， 则可自己制 作 mask，软件里自带的 mask 只有灰质、白质、脑脊液三个。Cluster size 簇的大小一般选 27 voxels。在这里选 smReho 则可以在做完 Reho 后继续做平滑。

结果：Reho 值，mReho 值等于体素的 Reho 值除以全脑均值。一般还计算一个 mReho— 1，为进一步做单样本 T 检验做准备，因为最早的 spm 中的单样本 T 检验只能是测试值与 0 相比，而 mreho 指是恒大于 0 的，以 1 为均值，故需减 1。. 二、ALFF 与 fALFF 的计算 ALFF:amplitude of low frequency fluctuation 低频波的振幅。 在疾病研究中一般选此指标。 fALFF 是拿 ALFF 值除以整个频段振幅均值得到的。相对适用以表现默认网络。理由： 研究表明对 PCC 后扣带回而言，ALFF 在整频段都较低，但低频>高频；对于 SC 脑室？来 说，ALFF 在整频段都比较高，但低频<高频；则为了使 PCC 在低频时被显现出来，则使用 fALFF。 mALFF 等于某处的 ALFF 值除以全脑 ALFF 均值。而计算 mALFF—1 或 mfALFF—1 来用于进一步的单样本 T 检验。 软件中设置时 mask 此处一般选 default mask；Band（Hz） ：0.01——0.08 针对不同疾病，选 不同频段可能更有效果；TR（s） ：2

Part3 功能连接 Functional Connectivity

一、去除协变量 Regress out nuisance covariates 主要有以下几项协变量： 1、头动参数 head motion parameters：存放在 rp_name.txt 文件中 2、全脑信号 global mean signal 去除之后才会发现负相关，否则都是正相关，类似于 前面某些参数减 1 的效果。 3、白质信号 white matter signal 4、脑脊液信号 cerebrospinal fluid signal 还有 other covariate 选项，自己设置协变量 REST 中： a、先把感兴趣区的协变量提取出来 utilities—extract ROI time course—add 加入被试所有数据—define ROI—add ROI—predefined ROI—from user defined mask file—next—选择 REST 下 mask 文件夹里的文件（选择上述 2、 3、4 三个）—done—run 输出文件夹里有 sub_001_ROITimecourse.txt 文件，里面有三列数据，分别对应 2、3、4。 把所有的协变量合并到同一个 txt 文件中，以便下一步使用，合并代码

b、去除协变量 utilities—regress out covariates—第三个 add—定义 covariables list 见 ppt81 页，有代码。 DPARSF 中，比较简单，只是选了 other covariate 时需要定义 ROI，设定你所要去除的区 域作为 ROI。？后面可是要做弄能连接呀，也要选 define ROI 那个按钮，有冲突么，还是 做去除这步时先不点 Functional Connectivity,去除完协变量后再点再做再做， 不能一步到位。 二、功能连接 分为两种：1、 voxel-wise ：选取某一感兴趣区域与全脑其他区域的每一个体素做信息相关即可得 功能连接图 2、 ROI-wise：选取 n 个感兴趣区域做它们彼此之间的相关，得到 r 值，经过 Fiser Z 转 换得 Z 值，存储于生成的 txt 文件中。生成的相关表类似 spss 里做多变 量相关时的表。 REST 中： 1、 voxel wise ---ROI definition 下有三种情形： spheried ROI 可以自己填坐标和核团大小； a、 b、dredefine ROI 中的前三种都要用到 rest slice viewer 来选择 ROI，第四种是选择已经做 好的 mask；c、time course 把头动序列放进去？--done 然后第三个 add 加入所有 filter 后的数据---选 default mask—covariales 这里由于前面已经 做了，此处则不选—勾中最下方的 fisher Z 变换，使 r—z，这样使其服从正态分布，便于 下一步的 T 检验。 2、 ROI wise—ROI definition list—add ROI—把感兴趣的 ROI 放进去—done—加入被试 filter 后数据—default mask—fisehr Z 生成 fcmap_sub_***.txt 内含若干个相关区的相关相关 系数表。 DPARSF 中： 1、 做 voxel wise : ROI Define 可选入多个 ROI 批量做这些 ROI 与全脑的相关。生成一些图 在 FC 文件夹下：分别按选入顺序排序号为 1、2、、 、、 2、 做 ROI wise： 选 extract ROI time course—加入 covremoved 文件夹下的数据—define ROI—放入 ROI 生成_restdefineROIT 文件夹下的 txt 文件： time course.txt 表时间进 程 resultcorr.txt 则是 ROI wise 的结果

Part4 统计分析

一、单样本 T 检验 One sample T test 一般在文章中都需要先分别报告各组被试的单样本 T 检验的结果，用以报告显著脑区 这里的显著指的是显著高于全脑均值。而为了比较不同被试差异，还得用双样本 T 检验。 由于 spm 中只能拿前述数据与 0，所以得将各类数据转化为： ALFF：mALLFF—1；fALFF：mfALLFF—1;ReHo:smReHo—1；FC：zFC 数据处理主要包括两部分 1、前期处理---获取*—1 或 zFC 图像 若用 DPARSF 做预处理，则已在结果中生成上述图像，只要在这些图像各自所在目录下 分别新建一个文件夹用以存放这些图像

来使其余该目录下的其它图像区分开来， 便于下一步 统计。 在 REST 中—Utilities—image calculator—add group images：放入（s）m*格式的数据 ---expression:g1-1 2、正式统计 在 SPM 中相对复杂，对于原理的理解并无帮助，无累述的必要。一般用 REST 即可。 在 REST 中，假如数据后，base 项设置：0 用于 m*—1 类的数据；1 用于 m*类的数据

此处需要注意的是 mask file 的设置。 Mask 越大， 所包含的体素则较多， 多重比较越多， 校正阈值更为严格，则 cluster（核团）存活的概率越小。故 mask 相对较小较好，一般选择 时要基于先验知识。例如在做情绪方面的研究时，主要关注的是杏仁核。选杏仁核为 Mask, 则较小的核团也能存活；若选全脑，则对核团大小要求较大，则很难有感兴趣去的核团存活 下来。 结果会生成 T.img， 最好自己重命名下， 以便与其他 T 图区分。 该图像可用 REST Slice Viewer 打开，可以读取自由度并卡阈值。 二、两样本 T 检验 Two sample T test 需要数据类型： ALFF：mALFF；fALFF：mfALFF；ReHo：smReHo；FC：Zfc 1、前期准备： mask 的制作 例如：制作一个 mask 为病人组做了单样本 T 检验后卡阈值得到的激活区域和对照组做了单 样本 T 检验后卡阈值得到的激活区域的并集。 Mask= (patient_1T.img>Thrd) + （con_1T.img>Thrd）>0 SPM—Brain mask—Image calculator—input images：patient_1T.img con_1T.img ----output image:Mask_2T.img---expression: (i1>1.96 + i2>1.96)>0 这里以 z 分布为例 2、正式统计： 使用 SPM 的不再累述， 过于繁琐， 不过需要注意的是在最后 define contrast 里： contrast: 1 —1 表示第一组减第二组，而 —1 1 表示第二组减第一组 使用 REST，加入两组图像，之后这里的特别之处是可以假如协变量。一般是加入被试 的灰质含量（比例，概率）图，在前面做空间标准化时如使用 T1 像为模板做可生成 VBM 文件夹，下面有灰质的概率图，这里要选是标准空间的概率图做协变量呢。 要加入灰质概 率图作为协变量的理由：在某些病人与正常人的对照研究中，由于病人的脑萎缩，脑脊液则 相应增多， 这是功能像的差异可能是脑萎缩造成的灰质与脑脊液之间比例的差异。 注意这里 可能需要对灰质概率图进行重采样，因为 DPARSF 中默认生成的灰质图的分辨率为 2*2*2， 需重采样为 3*3*3。 在 add covariate images 时应该按前面的待检验数据顺序。 这里还可以加入其它协变量，一般为 txt 文件，例如可加入年龄、智力等，按一个变量 一列输入 txt 文件中。 结果：生成 T.img 文件，可用 REST Slice Viewer

本文来源：https://www.bwwdw.com/article/02xx.html