最新spm8-fMRI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 ................................................................. 13SPM 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)。
收集于网络，如有侵权请联系管理员删除__________________________________________________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；6)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]。
7) Smooth8) Detrend9) Filte收集于网络，如有侵权请联系管理员删除__________________________________________________1、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：Session Session：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。
fMRI数据分析处理原理及方法
fMRI数据分析处理原理及方法一、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。
解剖像采用高分辨的T1、T2及FSPGR三维成像方式。
功能像的处理是fMRI数据处理的关键。
因为脑皮层活动瞬息变化，相应要求足够快的成像序列对某一个刺激任务造成的皮层活动进行记录，并且要有对脑血氧代谢的产物——脱氧血红蛋白产生的T2*缩短效应敏感，EPI(Echo planar Imaging)、FLASH(Fast Low Angle Shot)等序列可以满足这两个条件，现在大都采用EPI序列采集fMRI功能像。
EPI于频率编码上采用一系列反向梯度，通过一次激发产生建成一幅MR图像的所有信号，基于小角度激发的GRE-EPI(Gradient echo- Echo planar Imaging)技术，在很短的TR时间内得到一系列（数幅至数十幅）图像。
每次采集得到的图像组成一个脑体积(V olume)，相应要求在fMRI实验组块(Epoch/block Paradigm)设计时，每个组块的时间必须为TR时间的整数倍。
实际的血流动力相应是一个缓慢的过程，任务激发后信号经过一个小的下降期开始上升，4-8秒达到高峰然后缓慢下降，11-14秒恢复。
在事件相关设计(Event-related Paradigm)时，如果不考虑两（次）任务间的相互作用，需要保证间隔时间大于一次响应时间。
但也有研究显示短的刺激间隔时间对统计结果并无多大影响。
（见图1）。
EPI序列以极快的采集速度，在一个数分钟的实验(Session)中，产生数百至数千幅图像，几十个不同时间的脑体积成为EPI图像的时间序列(Time-series Image)。
快速以牺牲图像的分辨率为代价，典型的EPI图像采集矩阵为64×64，提高采集矩阵会延长采样时间并且导致更严重的图像几何变形。
除此之外，EPI 序列图像对外在磁场环境的影响十分敏感，微弱的BOLD信号会伴有大量的干扰成分。
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”。
磁共振实验数据SPM8处理流程
磁共振实验数据SPM8处理流程磁共振实验数据的处理流程主要包括原始数据预处理、功能图像处理和统计分析三个步骤。
其中，SPM8是一款常用的功能磁共振成像软件，可以用于实现磁共振实验数据的处理与分析。
以下是磁共振实验数据SPM8处理流程的详细步骤：1.原始数据预处理：(1)数据导入：将原始数据导入SPM8软件，通常数据的格式为DICOM 或NIfTI格式。
(2)切片时间校正：根据数据采集过程中的切片顺序和时间信息，对数据进行切片时间校正，以获得各个时间点上的切片数据。
(3)运动校正：校正数据中由于受试者运动引起的图像运动，通常使用刚体变换或流形形变方法进行运动校正，以消除不同时间点之间的运动偏移。
(4)标准空间转换：将运动校正后的数据转换到参考空间中，通常使用统一分割方法，将每个受试者的数据映射到一个标准的空间模板上。
(5)降噪处理：对数据进行降噪处理，一般使用高斯平滑方法，平滑数据以减小噪声干扰。
2.功能图像处理：(1)激活检测：通过对原始数据进行激活检测，识别可能激活区域。
常用的方法包括广义线性模型（GLM）和独立成分分析（ICA）等。
(2) 功能图像标准化：将激活检测得到的功能图像进行标准化处理，以便进行后续的统计分析。
常用的方法包括z-score标准化和百分位标准化等。
(4)时间序列提取：从功能图像中提取感兴趣脑区的时间序列数据，以便进行统计分析。
3.统计分析：(1)组间比较：使用统计学方法对不同组别的数据进行比较，常用的方法包括单样本t检验、双样本t检验和方差分析等，可以得到激活区域和激活程度的差异信息。
(2) 相关性分析：分析不同脑区之间的功能连接关系，通常使用Pearson相关系数或互信息等方法进行分析。
(3)多变量分析：使用多变量模式识别方法（如支持向量机、随机森林等）对脑图像数据进行分类或预测，以探索脑区之间的潜在模式。
以上是磁共振实验数据SPM8处理流程的主要步骤，这些步骤将原始数据进行预处理，提取功能图像，以及进行统计分析，从而得出与研究目的相关的结论。
spm8详细教程
SPM8数据处理教程Lab 1. 数据的预处理一、概述：数据的预处理（preprocess）：（1）Convert dicom files to hdr files and img images；（2）Slice Timing；（3）Realign: Estimate & Reslice；（4）Coreg: Estimate；（5）Segment；（6）两次Normalise: Write；（7）Smooth；（8）Fmri model specification；（8）Model Estimation。
二、DICOM Import：说明：转换完后会在解剖像文件名前加s，在功能像文件名前加f。
可以用“Display”来查看刚转换的图像。
（Display还有一个重要的作用是定义原点——前联合和AC-PC连线，这在做Normalise中很重要。
定义后reorient一下即可写入头信息）。
三、Slice timing1、目的：使用数学的方法使不同时间扫面的层校正为同一时间获得层。
2、过程：Date.session---[选中所有要处理的f*.文件]Number of slices---[扫描层数]TRTA---[可以用公式表示：TR-（TR/nslices）]Slice order---[扫描顺序：例如1:2:31 2:2:32分别表示从1或2开始，每间隔2个数扫描一张，即1、3、5… 2、4、6…]Reference slice---[参考层，一般选择中间的一张，对于各层扫描，一般选择即是时间的中点，又是大脑的中点。
如果是层数为偶，可以选择中点处2层中的任一层]Filename Prefix—a [默认头文件名为a]3、说明：Block Design的实验数据这一步可以跳过；event related design的实验数据必须做这一步。
四、Realign: Estimate & Reslice1、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。
ASL数据处理教程
选择MASK，根据图像 dimension大小选择MASK 输出目录 Let`s go！
谢谢观赏 !
标准化
进入标准化界面
Normalize
T1分割后“seg-sn” 文件 ASL功能像图像
双击，按下图所示修改数值
平滑
进入平滑界面
Smooth
标准化后的功能像
双击，修改数值如图所示
统计分析
预处理已经完成
进行统计分析，本文选用配对T检验
打开rest，进入统计分析界面
Paired T-test
3D-ASL数据预处理
所需软件PM fmri
配准
进入配准界面
Coregister
ASL CBF图像（功能像）
T1图像（结构像）
T1分割
进入分割界面 分割结构像
Segment
配准后的T1结构像
两项均选择 “Native + Modulate Normalize”
SPM任务态fMRI数据分析培训
Matlab数据处理常用命令
变量赋值： a = 14; b = [2 5 8]; c = [1 2; 3 4; 5 6; 7 8]; d = c; e = d'; clear e d c
改变路径： cd cd .. cd ../.. pwd dir ls
Matlab界面的基本组成部分
和“我的电脑” 一样，这里可以 进入文件夹，创建/ 删除/复制/粘帖 等等……
命令在这里输入， Matlab输出信息在这里看， 报错信息（红字）在这里找 跑程序的话，把命令行粘帖在这里 运行即可！
电脑内存里 的变量都存 在这里，
可以对变量 进行删除， 查看，作图 等操作，
SPM数据分析基本流程
预处理部分
模型构建与 参数估计
常用工具与 参数设置
预处理流程
Slice timing是什么?
SPM 假定每一个scan是同时获取的，但是……
头顶：3
0
TR
RAW CORRECTED
…
颅底： 1
TA
0
3
6
time in seconds
为什么要进行slice timing？
Template
Normalised Image
可以采用哪几种方法标准化？
1. mean EPI----- EPI template 2. T1 coreg with mean EPI, T1 ------ T1 template, Write
normalize 3. T1 coreg with mean EPI, T1 segment, Write normalize 4. DARTEL using SPM Batch Editor
SPMFDR校正
SPMFDR校正SPM8允许两种FDR校验。
⼀个是voxel-wise FDR，另⼀个是topological FDR。
如果要做voxel-wise FDR 校验，就把spm_defaults⾥的68⾏的defaults.stats.topoFDR 改为0。
（有很多朋友下载下来的spm在处理结果是只显⽰FWE矫正和NOR,但是FWE矫正⼜太严格，我们往往需要FDR矫正来进⾏数据处理。
spm的设置是在spm根⽬录下的spm_defaults这个⽂件。
需要再matlab中调⽤才能编辑。
在matlab中输⼊edit spm_defaults，在68⾏有defaults.stats.topoFDR = 1; 你把1改成0即可。
当然你也可以对默认阈值、默认设置的激活体素⼤⼩进⾏设置。
）此时SPM8⾥的FDR按钮会出现。
在SPM⾥点results，选FDR校验即可。
如果要做topological FDR 校验，就把defaults.stats.topoFDR设为1（默认是1）。
⾸先在SPM8⾥点results——None（⽆校验）——T threshold或p value（⾃⼰随意设，默认的0.001也可以）——extent threshold（默认0即可）。
然后在左下侧窗⼝点whole brain会得到results table。
找到FDRc对应的值。
然后再次点Results——None——T threshold或p value（输⼊上⼀次的值，例如上⼀次是0.001，这⼀次还是0.001）——extent threshold（输⼊FDRc对应的值）。
这样得到的激活图就是cluster-wise FDR校验的结果，也就是topological FDR校验的结果。
SPM⾥⾯有peak-level FDR,见result table⾥⾯的FDRp，⽤FDRp对应的值作为height threshold得到的结果就是peak-level FDR的结果。
spm心得
预处理刚刚接触SPM，写一下学习笔记。
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。
运行环境：Matlab 2009a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rawdata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DiCOMImport模块转换，也可以采用专门的转换软件，如MRIcovert。
ASL数据处理教程PPT资料
标准化
进入标准化界面
Normalize
T1分割后“seg-sn” 文件 ASL功能像图像
双击，按下图所示修改数值
平滑
进入matlab，打开SPM fmri 进行统计分析，本文选用配对T检验 Ps：默认的检验方式为 进行统计分析，本文选用配对T检验 “Native + Modulate Normalize” 进入matlab，打开SPM fmri 点击红框，将两组数据所在文件夹添加，主要每个人前后数据命名应对应。 “Native + Modulate Normalize” 进行统计分析，本文选用配对T检验 T1分割后“seg-sn”文件 所需软件：matlab spm8 rest 3D-ASL数据预处理 所需软件：matlab spm8 rest
matlabspm8restmatlabspm8restmatlabmatlabspmfmrispmfmri进入配准界面coregistercoregisteraslcbf图像功能像t1图像结构像t1t1进入分割界面分割结构像进入分割界面分割结构像segmentsegment配准后的t1结构像两项均选择nativemodulatenormalize进入标准化界面normalizenormalize双击按下图所示修改数值asl功能像图像t1分割后segsn文件进入平滑界面smoothsmooth标准化后的功能像双击修改数值如图所示预处理已经完成预处理已经完成进行统计分析本文选用配对进行统计分析本文选用配对tt检验检验restrestpairedpairedttesttest点击红框将两组数据所在文件夹添加主要每个人前后数据命名应对应
3D-ASL数据预处理
所需软件：matlab spm8 rest
进入matlab，打开SPM fmri
脑肿瘤患者大脑复杂度的fMRI研究
脑肿瘤患者大脑复杂度的fMRI研究张雅檬;陶玲;钱志余;武江芬【摘要】目的：针对目前缺少对脑肿瘤患者客观的认知损伤评价标准，本文提出基于静息态功能磁共振数据的脑复杂度分析方法。
方法首先对24位肿瘤患者与18位健康志愿者的BOLD－fMRI图像分别进行预处理，再求取全脑平均样本熵值及全脑体素样本熵图，然后求取以肿瘤部位为感兴趣区域（ region of interest，ROI）的功能连接和互样本熵值对比分析。
结果健康志愿者样本熵值明显高于肿瘤患者（ F＝15�907，P＝0�000），互样本熵值与功能连接呈负相关关系，并且左额或左颞有脑肿瘤的患者在左额、左颞、楔叶的功能脑区与健康志愿者相比有明显差异，该研究结果与临床诊断数据较为一致。
结论提出一种基于样本熵的脑复杂度分析方法，发现肿瘤会影响大脑的复杂度，肿瘤级别升高导致大脑复杂度的降低，该方法所得结果能够作为评定肿瘤级别的量化参数之一。
%Objective An analysis method of brain complexity based on resting state fMRI data was proposed for the lack of objective evaluation standard of cognitive impairment in cerebral tumor patients currently� Methods Firstly, we preprocessed BOLD fMRI images of 24 cerebral tumor patients and 18 healthy volunteers respectively, calculated the mean whole⁃brain sample entropy and the whole⁃brain voxel sample entropy maps, and then determined the tumor site for region of interest ( ROI) area to analyze the correlation between function connection and cross⁃sample entropy�Results Whole brain entropy of healthy volunteers was significant higher than cerebral tumor patients ( F=15�907, P=0�000 ) , and negative correlation between function connection and cross sample entropy wasobserved� And there were significant differences in the left frontal, left temporal and cuneus brain functional areas between patients with brain tumor of the left frontal or left temporal and healthy volunteers� The results were consistent with clinical diagnosis results� Conclusions This analysis method of brain complexity based on sample entropy help to illustrate that tumor will affect the complexity of the brain, and the increase of tumor grade leads to the decrease of the brain complexity�The results in this method can be used as one of the quantitative parameters to evaluate the tumor grade.【期刊名称】《北京生物医学工程》【年(卷),期】2015(000)005【总页数】7页(P441-446,453)【关键词】样本熵;互样本熵;复杂度;rs BOLD-fMRI【作者】张雅檬;陶玲;钱志余;武江芬【作者单位】南京航空航天大学自动化学院南京 210016;南京航空航天大学自动化学院南京 210016;南京航空航天大学自动化学院南京 210016;南京航空航天大学自动化学院南京 210016【正文语种】中文【中图分类】R318.04脑肿瘤是神经系统中常见的疾病之一，每年大约有22500例脑肿瘤患者被诊断出，其中70%是恶性肿瘤。