spm8-fMRI大数据处理
目录SPM简介和安装 (1)一、数据准备（先设置数据输入和输出目录，再转换数据格式） (2)二、数据预处理流程 (2)0、预处理的workflow (2)1、Slice Timing时间层校正 (3)2、Realignment 头动校正 (3)3、Coregister 配准 (5)4、Segment 分割 (6)5、Normalize 空间标准化 (6)6、Smooth 平滑 (8)三、GLM模型和Specify 1st-level (9)四、实例：任务态数据预处理和一阶分析的批处理 (13)SPM简介和安装SPM，即统计参数图，也是这个软件的最终输出，它是由英国伦敦大学的Friston教授等人在通用数学软件包Matlab基础上开发的软件系统，其统计功能非常强大，设计这个软件包的初衷是采用统计的方法来处理fMRI，PET和SPECT的数据。
用SPM进行数据处理分析过程主要分为两大部分：预处理过程和统计分析过程。
需要注意的是，静息态、任务态和DTI数据的预处理大致框架一致，但具体步骤不同，本教程主要讲任务态数据处理。
数据预处理主要包括三个大框架：（1）Convert dicom files to hdr files and img images；（2） Temporal processing，即Slice Timing；（3）Spatial processing，包括 Realign、Normalize和Smooth。
具体步骤下面有讲。
统计分析过程包括：个体分析和组分析。
使用Specify 1st level 做单个被试(single subject)分析；使用 Specify 2nd level做组分析(group analysis)。
先写一下SPM8的安装：有必要说一下SPM实际不是一个独立的软件，它相当于一个用Matlab程序编写的工具箱，必须依赖Matlab的环境完成其功能。
言归正传，首先将下载好的SPM8程序包导入Matlab，复制整个spm8文件夹到MATLAB的安装路径：MATLAB\R2009a\toolbox\下。
然后运行Matlab，在其主窗口选择File->set path->Add with Subfolders->spm8->save->close。
设置完成后在Matlab中执行命令>>spm fmri。
这样出现了spm8的操作界面（如下图），这也表示spm8安装成功！我们称左上侧的窗口为按钮窗口(button window)，左下侧的窗口为输入窗口(input window)，右侧大窗口为树形结构窗口或图形窗口(Tree Building Window or the graphics window)。
一、数据准备（先设置数据输入和输出目录，再转换数据格式）为方便后续的数据处理，如果数据分散处理后整合，建议所有处理数据路径保持一致，要统一路径。
如原始DICOM图像放在raw data文件夹中，data文件夹存放转换后的功能像，data3D文件夹中存放转换后的结构像。
处理前首先要采用数据转换软件将dicom数据转换成SPM解析格式，转换时格式请选择NIfTI，可用SPM输入面板中的DiCOM Import模块转换，也可以采用专门的转换软件，如MRIcovert。
然后进行数据预处理，预处理结束后到matlab安装目录中备份spm*.ps文件，其中包含了空间校正和标准化的信息，然后进行建模分析。
格式转换后data文件夹（功能像）中会有多对（和TR的个数一样）.img（图像数据）和.hdr（矩阵数据）；data3D文件夹中只有一个.img和.hdr文件。
二、数据预处理流程0、预处理的workflow1)DICOM to NIFTI（详见核磁数据格式转换）2)Delete Images3)Slice Timing4)Realign5)Normalize：①Normalize by using EPI templates，即使用公共的EPI模版来进行空间标准化，这样的话就用不到T1结构像，也就不需要对T1像进行Coregister和Segment；②Normalize by using T1 image unified segmentation，即用T1像来进行空间标准化，这样的话需要用到T1结构像，所以需要在normalize前先对T1像进行Coregister和Segment，换句话说就是用coregistered and segmented T1像来进行空间标准化。
另外，如果以后希望把功能激活图像叠加到结构像上，那么结构像也需要做一次空间标准化。
Parameters files和功能像的normalize一样，也选择在segment 中生成的空间标准化参数文件（批处理中选择Subj→MNI）。
Images to write选择在segment中场强校正后的结构像。
这里的voxel size要设置结构像的大小，也就是[1,1,1]。
6)Smooth7)Detrend8)Filte1、Slice Timing时间层校正Slice Timing用来校正1个volume中层与层之间获取(采集)时间的差异，对事件相关设计的实验尤为重要。
我们在按钮窗口中的预处理面板中点击“Slice Timing”，将出现一个对话框，修改其中参数：Data：New：SessionSession：选择你要处理的数据，如文件夹data中的所有数据Number of Slices：我们输入每祯图像的层数，如“32”（可以在spm8->Display->data：.img->done->Dimensions:64*64*32中查看）TR：我们输入重复时间，一般为2秒，我们输入“2”TA：是每祯图像获取第一层开始到获取最后一层图像的时间间隔，TR-TR/nslice，可直接输入公式，如我们输入“2-2/32”Slice order：我们输入“1:2:31 2:2:32”（图像是隔层扫描所得到的）。
指定层获取顺序的层次序参数是一个含N个数的向量，这里N是每个volume所含的层数。
每一个数表示该层在图像(volume)中的位置。
向量内的数字排列顺序是这些层的获取时间顺序。
如行向量[1 3 5 7 9 11 13 15 17 19 21 23 25 24 6 8 10 12 14 16 18 20 22 24](在Matlab中可表示为[1:2:25,2:2:25])Reference Slice：我们输入“31”。
选择参考层，通常选择nslice/2，如25层时选择13层作为参考层。
Filename Prefix：是指新生成的图像前加何标记，一般采用默认设置。
默认为a最后点击面板上方的向右的绿色三角即开始运行。
运行完后将会生成一系列a*.img文件，这就是时间校准后的数据。
注意：很多研究者容易将时间校准和空间校准顺序颠倒，一般的观点是如果图像获取是隔层（interleaved）进行的，如1、3、5、7、9、2、4、6、8、10，则要先进行slice timing 再进行realign，如果图像各层是连续(sequential)获取的，如1、2、3、4、5、6、7、8、9、10，则要先进行realign再做slice timing。
做完了Slice Timing，接下来就该进行头动校正了。
2、Realignment 头动校正即使我们对被试的头部做了很好的固定，在实验过程中，被试也会不由自主的有一些轻微的头动，这在fMRI实验中尤为明显。
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第一帧图像按照一定的算法做对齐，以矫正头动。
目的：如果在容许的头动范围内，可以使用一定的算法校正信号，使其靠近真实值，如果超过了这个规定的范围，则必须剔除这组数据。
头动范围（Check Realign）：平动≤2.0mm and 旋转≤2.0degree[严老师观点]我们在预处理面板校准选项中选择“Realign(Est&Res)”，出现一个参数设置对话框。
过程：realign：estimate+resliceData：New：Session，然后选中data下出现的“Session”选项。
点击“Specify Files”，用spm文件选择器选择刚做完时间校准的全部图像（a*.img）。
Filename Prefix：默认为r其余选项采用默认设置，点击上方绿色的三角开始运行。
做完这一步，能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64*64，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。
该程序利用最小二乘法(least squaresapproach)原理和含6个参数(刚体模型)的空间变换，对从一个被试获取的时间序列进行校正。
用户可指定某个volume作为随后volumes的参考。
可以是第1个volume，也可选择比较有代表性的volume(更明智的选择)，例如选择磁场相对稳定的第4个volume。
校正信息(头动信息)将在结果窗口(Graphics Window)显示。
每个Session的校正信息将存储为rp*.txt，其中*为Session数据集名称。
另外，头动校正信息将以plot图形显示。
如下图：translation图表示被试头部在X，Y，Z三个方向的平移，分别用蓝，绿，红三种颜色表示。
rotation 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。
横坐标代表这个序列所采集的所有图像，纵坐标表示的是偏移量和偏转角度，分别以毫米和度为单位。
采用SPM8，头动信息和空间标准化的图形文件将以spm_“data”.ps的形式保存于matlab的工作目录下，如我们是2009年4月30日处理的数据，则将以spm_2009Apr30.ps文件存于matlab的work目录下。
当然也可以将生成的图像保存成.jpg格式：File->Save As->.jpg说明：①matlab中如何查看头动范围打开rp_af*.txt文件，前3列为平动数据、后3列为旋转数据；在matlab中输入命令：b=load(‘rp_af*.txt’); %----[载入头动数据文件] c=max(abs(b)); %---[取b值的绝对值的最大值，表示找出每列的最大值]c(4:6)=c(4:6)*180/pi %---[4-6列为转动，将以弧度为单位的数值转化为以角度为单位的值，pi表示π]②运行结束后将生成一对mean*（.img和.hdr）文件（平均脑）、一个rp_*.txt文件（头动参数文件）及若干对r*（.img和.hdr）文件。
SPM8数据预处理
SPM8数据预处理流程一、数据准备处理前首先通过SPM DICOM Import工具将dicom数据转换成NIfTI格式；转完后删除前10个volumes文件二、数据处理流程数据处理包括slice timing，realignment，normalization和smoothing四步注意：如果图像获取是隔层（interleaved）进行的，如1、3、5、7、9、2、4、6、8、10，则要先进性slice timing 再进行realign,如果图像各层是连续(sequential)获取的，如1、2、3、4、5、6、7、8、9、10，则要先进行realign 再做slice timing。
1：Slice TimingData：双击Data，双击Session，添加数据Number of Slices：输入每祯图像的层数，如“32”TR：输入TR时间，一般为2秒，我们输入“2”TA：是每祯图像获取第一层开始到获取最后一层图像的时间间隔，我们输入TR-TR/nslice，可直接输入公式，如输入“2-2/32”Slice order：我们输入“1:2:31, 2:2:32”。
指定层获取顺序的层次序参数是一个含N个数的向量，这里N是每个volume所含的层数。
每一个数表示该层在图像(volume)中的位置。
向量内的数字排列顺序是这些层的获取时间顺序。
如行向量 [1 3 5 7 9 11 13 15 17 19 21 23 25 2 4 6 8 10 12 14 16 18 20 22 24](在Matlab中可表示为[1:2:25,2:2,25])各种扫描类型和输入的层顺序如下：ascending 升序扫描(first slice=bottom): [1:1:nslices]；descending 降序扫描(first slice=top): [nslices:-1:1]；interleaved 间隔扫描(middle-top):for k = 1:nslices,round((nslices-k)/2 + (rem((nslices-k),2) * (nslices - 1)/2)) + 1,end； interleaved (bottom -> up): [1:2:nslices 2:2:nslices]，如[1:2:25,2:2,25]；interleaved (top -> down): [nslices:-2:1, nslices-1:-2:1]Reference Slice：我们输入“31”。
fmri技术的原理及应用
fmri技术的原理及应用1. 引言功能性磁共振成像（functional magnetic resonance imaging，以下简称fmri）是一种非侵入性的神经影像学方法，用于研究大脑在特定任务中的功能活动。
本文将介绍fmri技术的原理以及其在神经科学研究和临床应用中的重要性。
2. 原理fmri基于血液供应和代谢的相关性，通过测量血液中氧气含量变化来推断大脑活动的区域和程度。
具体而言，fmri利用磁共振成像（magnetic resonance imaging，MRI）技术，测量血氧水平依赖（blood oxygenation level dependent，BOLD）信号来间接反映神经元的活动。
当神经元活跃时，细胞对氧气的需求增加，导致血液流动增加，血液中含氧量增加。
这种激活效应通过fmri技术可被探测到，并转化为图像显示。
3. 应用领域fmri技术在神经科学研究和临床应用中具有广泛的应用价值。
以下是一些主要的应用领域：• 3.1 认知神经科学fmri可以帮助研究者了解不同认知过程中的大脑活动模式。
通过比较在特定任务下不同个体或者不同条件下的fmri图像，研究者可以揭示大脑的功能连接及其变化，进一步研究记忆、学习、决策等认知过程。
• 3.2 精神疾病研究fmri技术在研究精神疾病中的应用发挥着重要作用。
例如，研究者可以通过比较患者与健康对照组的fmri数据，来发现精神疾病患者的大脑活动模式的差异，有助于理解疾病的发生机制，并为临床诊断和治疗提供参考。
• 3.3 神经反馈训练fmri技术还可以应用于神经反馈训练，通过让个体观察自身大脑活动的实时变化，在训练过程中调节注意力和自我调节能力。
这种技术可以被用于焦虑症、注意力缺陷多动障碍等疾病的治疗。
• 3.4 意识状态评估在一些疑似昏迷或意识障碍的患者中，fmri技术可以帮助评估其意识状态。
通过分析患者的fmri数据，研究者可以了解患者的脑活动是否存在与自发意识相关的特征，以辅助临床决策。
SPM5数据分析简明教程
SPM5数据分析简明教程SPM5（Statistical Parametric Mapping）是一种用于脑功能研究的数据分析软件包。
它被广泛应用于神经影像学领域，尤其是功能磁共振成像（fMRI）和脑电图（EEG）数据的分析。
SPM5提供了一套完整的工具，用于数据预处理、统计分析和结果展示。
本文将为读者提供一个简明的SPM5数据分析教程，帮助他们入门并开始进行自己的数据分析。
首先，我们需要准备数据。
在SPM5中，数据的格式通常是NIfTI （Neuroimaging Informatics Technology Initiative）格式。
如果您的数据不在这种格式中，可以使用转换工具将其转换为NIfTI格式。
准备好数据后，我们可以开始进行数据预处理。
数据预处理是SPM5分析流程的第一步。
它包括将数据进行切片时间校正、运动校正和空间归一化等操作，以消除数据中的伪迹和偏差。
可以使用SPM5自带的工具箱来完成这些操作。
在进行切片时间校正时，将数据按照时间顺序排列，以修正不同时间点的数据获取延迟。
运动校正将数据对齐到一个参考时间点，以纠正研究对象在扫描期间的运动。
空间归一化是将数据的空间分辨率转换为标准形态，以便进行统计分析。
完成数据预处理后，我们可以进行统计分析。
在SPM5中，统计分析通常使用广义线性模型（GLM）来建模和推断。
GLM允许我们将神经影像数据与实验设计和研究假设相结合，以估计不同神经活动与不同条件之间的关系。
要进行统计分析，我们需要创建一个设计矩阵，其中包含任务设计和卷积函数。
任务设计是实验条件的时间表，它描述了每个条件在实验中发生的时间和持续时间。
卷积函数是血氧水平依赖（BOLD）信号响应的数学模型，它描述了神经活动和BOLD信号之间的时间延迟和持续时间的关系。
设计矩阵创建完成后，我们可以使用SPM5进行模型估计和推断。
SPM5将根据设计矩阵中的信息对每个脑体素（voxel）进行建模，估计神经活动与条件之间的关系，并计算统计显著性。
全面讲解spm8,教你如何fMRI数据处理(最新整理)
目录SPM简介和安装 (1)一、数据准备（先设置数据输入和输出目录，再转换数据格式） (2)二、数据预处理流程 (2)0、预处理的workflow (2)1、Slice Timing时间层校正 (3)2、Realignment 头动校正 (3)3、Coregister 配准 (5)4、Segment 分割 (6)5、Normalize 空间标准化 (6)6、Smooth 平滑 (8)三、GLM模型和Specify 1st-level (9)四、实例：任务态数据预处理和一阶分析的批处理 (13)SPM简介和安装SPM，即统计参数图，也是这个软件的最终输出，它是由英国伦敦大学的Friston教授等人在通用数学软件包Matlab基础上开发的软件系统，其统计功能非常强大，设计这个软件包的初衷是采用统计的方法来处理fMRI，PET和SPECT的数据。
用SPM进行数据处理分析过程主要分为两大部分：预处理过程和统计分析过程。
需要注意的是，静息态、任务态和DTI数据的预处理大致框架一致，但具体步骤不同，本教程主要讲任务态数据处理。
数据预处理主要包括三个大框架：（1）Convert dicom files to hdr files and img images；（2） Temporal processing，即Slice Timing；（3）Spatial processing，包括 Realign、Normalize和Smooth。
具体步骤下面有讲。
统计分析过程包括：个体分析和组分析。
使用Specify 1st level 做单个被试(single subject)分析；使用Specify 2nd level做组分析(group analysis)。
先写一下SPM8的安装：有必要说一下SPM实际不是一个独立的软件，它相当于一个用Matlab程序编写的工具箱，必须依赖Matlab的环境完成其功能。
言归正传，首先将下载好的SPM8程序包导入Matlab，复制整个spm8文件夹到MATLAB的安装路径：MATLAB\R2009a\toolbox\下。
基于深度学习的fMRI数据分析在偏头痛研究中的应用
偏头痛 是 一种 比较 常见 的疾病。会 出现经 常性 的 头痛，同时伴随 有畏光 、呕吐 、恶心等 生理反 应的慢 性神经 综合征＿４］．偏 头痛发病率较 高，在 医学界多年研 究 中，也没有 找到偏头痛致病机制 的有效依据，对于偏 头痛 的诊断还缺乏足够 的生物 学标志【４ Ｊ．
计 算机 系 统应 用 ＩＳＳＮ １００３—３２５４，ＣＯＤＥＮ ＣＳＡＯＢＮ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ＆ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１８，２７（４）：２４９—２５３［ｄｏｉ：１０．１５８８８￣．ｃｎｋｉ．ｃｓａ．００６３４４］ ◎中国科 学 院软件 研 究所版 权 所有 ．
Ｅ—ｍａｉｌ：ｃｓａ＠ ｉｓｃａｓ．ａｃ．ｃａ
（Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈａｎｇｈａｉ Ｍａｒｉｔｉｍｅ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０ １ ３０６，Ｃｈｉｎａ） （Ｄｅｐａｒｔｍｅｎｔ ｏｆＮｅｕｒｏｌｏｇｙ，ｔｈｅ Ｓｉｘｔｈ Ｐｅｏｐｌｅ’ｓ Ｈｏｓｐｉｔａｌ Ａｆｉｌｉａｔｅｄ ｔｏ Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔ ｙ ，Ｓｈａｎｇｈａｉ ２０１３０６，Ｃｈｉｎａ） （Ｄｅｐａｒｔｍｅｎｔ ｏｆＲａｄｉｏｌｏｇｙ，ｔｈｅ Ｓｉｘｔｈ Ｐｅｏｐｌｅ’Ｓ Ｈｏｓｐｉｔａｌ Ａｆｉｌｉａｔｅｄ ｔｏ Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔ ｙ，Ｓｈａ ｎ ｇｈａｉ ２０１３０６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｍ ｉｇｒａｉｎｅ ｉｓ ａ ｃｏｍｍ ｏｎ ｄｉｓｅａｓｅ ｗｉｔｈ ｈｉｇｈ ｉｎｃｉｄｅｎｃｅ．Ｉｔ ｉｓ ｓｔｉｌｌ ｎｏｔ ｅａｓｙ ｔｏ ｅｘｐｌａｉｎ ｉｔｓ ｐａｔｈｏｇｅｎｅｓｉｓ ｖｅｒｙ ｗｅｌ１． Ｔｈｅｒｅｆｏｒｅ，ｉｔ ｌａｃｋｓ ｅｆｆｅｃｔｉｖｅ ｄｉａｇｎｏｓｔｉｃ ｍ ｅｔｈｏｄｓ．Ｔｈｉｓ ｓｔｕｄｙ ａｉｍ ｓ ｔｏ ｐｒｅｄｉｃｔ ｍ ｉｇｒａｉｎｅ ｂｙ ｕｓｉｎｇ ｔｈｅ ｆｕｎｃｔｉｏｎａｌ ｍ ａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｔｏ ｏｂｔａｉｎ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋ ｏｆ ｂｒａｉｎ，ｔｈｅｎ ｔｈｒｏｕｇｈ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｏｆ ａｕｔｏｍ ａｔｉｃａｌｌｙ ｉｔ ｅｘｔｒａｃｔｓ ｄａｔａ ｆｅａｔｕｒｅｓ ｂｙ Ａｕｔｏｅｎｃｏｄｅｒ，ｃｏｍ ｂｉｎｅｄ ｗｉｔｈ ｖａｒｉｏｕｓ ｍ ａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｓ ｔｏ ｐｒｏｖｉｄｅ ａ ｒｅｆｅｒｅｎｃｅ ｆｏｒ ｃｌｉｎｉｃａｌ ｄｉａｇｎｏｓｉｓ ｏｆ ｐｈｙｓｉｃｉａｎｓ．Ｉｔ ｃａｎ ｇｅｔ ｂｅｔｔｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｅｆｆｅｃｔ ｔｏ ｅｘｔｒａｃｔ ｄａｔａ ｆｅａｔｕｒｅｓ ａｎｄ ｔｒａｉｎ ｔｈｅ ｃｌａｓｓｉｆｉｅｒ ｂｙ ｄｅｅｐ ｌｅａｒｎｉｎｇ．Ｔｈｅ ｄｅｅｐ ｌｅａｒｎ ｉｎｇ ａｌｇｏｒｉｔｈｍ ，ｂａｓｅｄ ｏｎ ｔｈｅ ｉｎｉｔｉａｌ ｆｅａｔｕｒｅｓ ｏｂｔａｉｎｅｄ ｂｙ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｔｅｍ ｐｌａｔｅｓ，ｃａｎ ｆｕｒｔｈｅｒ ｅｘｔｒａｃｔ ｍ ｏｒｅ ｆ ｉｎｅ ａｎｄ ｅｆｆｅｃｔｉｖｅ ｆｅａｔｕｒｅｓ，ａｎｄ ｏｂｔａｉｎ ｂｅ￣ｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｅｒｆｏｒｍ ａｎｃｅ ｉｎ ｐｒｅｄｉｃｔｉｎｇ ｍ ｉｇｒａｉｎｅ． Ｋ ｅｙ ｗｏｒｄｓ：ｍ ｉｇｒａｉｎｅ；ｄｅｅｐ ｌｅａｒｎ ｉｎｇ；ｆＭ ＲＩ；ｎｅｕｒｏｉｍ ａｇｉｎｇ；ａｕｔｏｃｏｄｅｒ
fmri数据分析流程
fmri数据分析流程下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor. I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!fMRI 数据分析流程。
1. 预处理。
去除伪影，校正头部运动、生理噪声（心率、呼吸）和脉冲序列噪声。
fMRI大数据分析报告处理原理及方法
近年来，血氧水平依赖性功能磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展，除了与扫描硬件、扫描技术的进步有关外，更得力于以图形图像等计算机科学为核心的相关学科的支持：图像数据的后处理技术成为fMRI中的关键环节。
fMRI data collecting and preprocessingThe fMRI data were collected during a sensorimotor task, a block-design motor response to auditory stimulation. During the on-block, 200 ms tones presented a 500 ms stimulus onset asynchrony (SOA). A total of 16 different tones were presented in each on-block, with frequency ranging from 236 Hz to 1318 Hz.The fMRI images were acquired on Siemens 3 T Trio Scanners and a 1.5 T Sonata with echo-planar imaging (EPI) sequences using the following parameters (TR = 2000 ms, TE =30 ms (3.0 T)/40 ms (1.5 T), field of view = 22 cm, slice thickness =4 mm, 1 mm skip, 27 slices, acquisition matrix = 64 × 64, flip angle =90°) .Four scanners were used and we have roughly equal numbers of patients and controls at all sites. Data were pre-processed in SPM5 (/spm) and were realigned, spatially normalized and re-sliced to 3 × 3 × 3 mm 3 , smoothed with a 10 × 10 × 10 mm 3 Gaussian kernel to reduce spatial noise, and analyzed by multiple regression considering the stimulus and their temporal derivatives plus an intercept term as repressors.Finally the stimulus-on versus stimulus-off contrast images were extracted with 53 × 63 × 46 voxels and all of the voxels with missing measurements were excluded.重复时间（TR）回波时间（TE）一、功能图像数据的性质功能磁共振数据包括解剖（结构）像和功能像两类。
SPM软件包数据处理原理简介_第二部分_应用于PET及fMRI
[3] Hartigan JA.Clustering Alg orithm [M].New Y ork :W iley Press ,1975.1132129.[4] T alairach J ,T ournoux P.C oplanar S tereotaxic Atlas of the Human Brain[M].S tuttgart :Thieme M edical ,1988.[5] Hu ZH ,Wu YG,Chen FY,et al.AD RAT m odel applied in fMRI[J ].Acta Psychologica S inica ,2002,34(Suppl ):94295.胡正珲,吴义根,陈飞燕,等。
AD RAT 模型的fMRI 研究[J ].心理学报,2002,34(增刊):94295.[6] DeG root MH.Probability and S tatistics [M ].Chicag o :Addis on 2W esleyInc ,1975.B asic principle of SPM :an introduction-P art Ⅱ:applications to PET and fMRIWU Yi 2gen ,LI K e(K ey Laboratory o f Nuclear Analysis Techniques ,Institute o f High Energy Physics ,Chinese Academy o f Sciences ,Beijing 100039,China )[Abstract] The basic mathematic principle of the SP M was introduced in the first part of this essay.Then s ome useful application m odels in the PET and fMRI data set were em phasized in the second part of the paper.[K ey w ords] SP M;T om ography ,emission 2com puted ;Functional magnetic res onance imagingSPM 软件包数据处理原理简介———第二部分:应用于PET 及fMRI吴义根,李 可(中国科学院高能物理研究所核分析技术重点实验室,北京 100039)[摘 要] 在本文第一部分介绍了SP M 软件包对数据进行预处理的基本数学原理后,此第二部分将重点介绍它在PET 和fMRI 数据处理中的一些具体应用模型。
SPM5数据分析简明教程
SPM5数据分析简明教程SPM（Statistical Parametric Mapping）是一种常用的功能磁共振成像（fMRI）数据分析工具，用于研究大脑的活动与功能的关联。
本文将为您介绍SPM5的基本操作和流程，帮助您入门数据分析。
SPM5是SPM软件的一个版本，它提供了一个友好的用户界面，便于用户进行数据处理和结果展示。
在使用SPM5之前，我们需要准备一些基本的数据，包括脑功能成像数据和结构成像数据。
这些数据可以从实验室或大脑成像数据库中获取。
首先，我们需要使用SPM5将原始的fMRI数据进行预处理。
预处理的目的是将原始数据进行校正、对齐和标准化，以便后续的统计分析。
在SPM5中，可以使用"Preprocessing"工具箱来完成这一步骤。
打开工具箱后，我们需要选择需要处理的fMRI数据，然后按照提示进行参数设定，包括对齐和标准化参数。
完成设定后，点击运行按钮即可开始预处理过程。
预处理完成后，会生成一个预处理后的fMRI数据，我们将这个数据用于后续的统计分析。
接下来，我们需要进行统计分析。
在SPM5中，可以使用"General linear model"（GLM）工具箱进行统计分析。
打开工具箱后，需要选择预处理后的fMRI数据、实验设计以及一个用于模型估计的对照矩阵。
然后，设置统计参数，包括显著性阈值、簇大小等。
完成参数设定后，点击运行按钮即可开始统计分析。
分析完成后，SPM5会生成一个统计结果的图像，包括激活区域的位置、大小和程度等信息。
最后，我们可以使用SPM5进行结果展示。
在SPM5中，可以使用"Results"工具箱来查看和展示统计结果。
打开工具箱后，选择统计结果的图像文件，并设置显示参数，如显示阈值和颜色编码等。
然后，点击运行按钮即可展示结果。
结果展示主要包括激活区域的三维和二维可视化，以及区域的统计信息和图表等。
除了以上的基本操作，SPM5还具有一些高级功能，如多个组间比较和多个变量的线性回归分析等。
fMRI图像处理教学内容
将
模
版
内
RO
I区
值
转
换
成
AAL模版，不同颜色具有
根据ROI区域对应颜
转换模版体素大小（与预处理
1
不同的值
色得到模版
之后图像体素大小相同）
ROI选择
3、通过MRIcro软件手动绘制；
4、采用WFU toolbox选择ROI脑区；
干扰信号提取
目的：相邻体素信号之间存在一定的干扰，所以需要将对灰质信号存在干扰的信 号提取出来，并通过回归分析的方法去除这些信号的影响。
fMRI图像处理
ZhiweiGuo 2013-03-18
内容提纲：
fMRI图像预处理；
Seed-based（基于种子点）的功能网络分析 方法；
ICA-based（基于独立成分分析）的功能网 络及网络间连接性分析方法；
fMRI图像预处理
1. 数据类型转换
（1）MRI仪器上获取的图像格式：.dcm，.IMA，.SR等(DICOM)； （2）spm软件可以处理的图像格式：.nii 或 .img;
Normalization
目的：将个体脑标准化到标准脑模版空间（MNI空间），便于统计分析； Source Image: 选择mean*.img 用于估计标准 化仿射变换参数； Image to Write: 选择ra*.img图像，mean图像 的估计参数对头动校正后的图像进行变换； Template Image：标准模版图像，选择EPI.nii; Voxel Size: 标准化之后的图像体素大小，这里 输入3 3 3（太小计算过程中可能会溢出）；
Slice order: 扫描顺序，我们一把采用间隔 扫描的方法扫描顺序为1,3,5…(SliceNumber1) , 2,4,6…SliceNumber