基于FSL的DTI数据预处理流程.doc

基于FSL的DTI数据预处理流程最近在学习处理DTI数据，总结了一份应用FSL做DTI数据预处理的流程与大家交流交流。如果有错误的地方欢迎大家指正！ 我用的数据是Philips的数据，如果是GE或者西门子的数据可能会有所不同。 原始数据：包括3DT1数据和高分辨率DTI数据，均是dicom格式。工具：MRICRON和FSL，所有的命令均在Linux的终端中运行。 1.格式转换：将后缀名为dcm的原始数据转换为后缀名为nii.gz格式的数据。nii.gz格式的数据不损失原始数据信息，并且能节省大量空间。FSL能够处理的是nii.gz格式的数据。命令：dcm2nii *.dcm需处理的文件包括：3D T1数据和DTI数据输出文件说明： 1）3D结构像生成原文件、o开头、co开头的文件。其中o开头的文件主要是进行了reorient的，而co是经过切割了neck的。一般用于空间normalize都选用co开头的文件。为了便于说明，此处生存的文件名记为file1。 2）对于DTI数据，Philips的数据选用已x开头的.nii.gz文件。文件名记为file2.转换完成后需要检查bvals和bvecs文件。可以在matlab中查看所有被试的bvlas文件，检查b值是否一致，方向数是否相同；检查bvecs文件，查看不同被试的DTI方向差别是否太大。2.提取b0图像需处理的文件为：.nii.gz格式的DTI数据命令：fslroi file2 b0 0 -1 0 -1 0 -1 0 1输出文件：b0.nii.gz3.剥脑命令：bet2 b0.nii.gz nodif_brain -m -f 0.3 bet2 file1 -m -f 0.3需处理的文件包括：.nii.gz格式的3DT1数据和DTI数据输出文件：nodif_brain.nii.gz和nodif_brain_mask.nii.gz需要检查剥脑效果，后面如果想做TBSS的话，个别被试的剥脑结果不好的话会影响整个骨架的mask。4.涡流校正命令：eddy_correct file2 data 0输入文件：.nii.gz格式的DTI数据输出文件：data.nii.gz此处生成的文件data.nii.gz就是包含后面一系列处理需要使用的文件了。5.计算张量，FA，MD值等命令：dtifit -data=data.nii.gz -out=data-mask=nodif_brain_mask.nii.gz -bvecs=bvecs -bvals=bvals输入文件：eddy_currect生成的文件data.nii.gz，nodif_brain_mask.nii.gz，bvlas，bvecs输出文件：data_FA.nii.gz data_L1.nii.gz data_L2.nii.gz data_L3.nii.gzdata_MD.nii.gz data_MO.nii.gz data_SO.nii.gz data_V1.nii.gzdata_V2.nii.gz data_V3.nii.gz DTI数据的预处理基本上就包括上面这些内容，此时计算出来的各项数据均是个体空间下的，没有配准到标准空间里，不能直接做组间对比。后续还可以依据data.nii.gz文件在dtk上做确定性纤维跟踪，也可以继续在FSL上进行概率性纤维跟踪或者TBSS。基于TBSS的DTI数据处理流程Linux系统，安装好FSL，DTI数据完成预处理后可进行TBSS处理，比较各组间FA骨架的差异。1.数据准备：在研究目录下，创建一个叫TBSS,并且把所有被试个体空间下的FA图像（data_FA.nii.gz）拷贝到该目录中。mkdir TBSScd TBSSls AD_N00300_dti_data_FA.nii.gzAD_N00302_dti_data_FA.nii.gzMCI_N00499_dti_data_FA.nii.gzMCI_N00373_dti_data_FA.nii.gzNC_N00422_dti_data_FA.nii.gzNC_N03600_dti_data_FA.nii.gz2.TBSS预处理：scaling the image values、converting them to Analyzeformat,，这两步都是alignment stage必需的命令：tbss_1_preproc *.nii.gz这一步生成两个新的目录： FA包含新的转换过的图像；origdata包含原始图片。origdata目录下的slicedir文件夹下有各被试预处理后的FA图，可以检查一下是否有数据问题。3.运用非线性配准将所有被试的FA图像对齐。命令：tbss_2_reg1）最准确的方法是把每个被试的图像与其他被试的图像进行一一对齐，然后选出整个数据中最有代表性的图像，其他的图像都与它对齐。这个方法需要数天的时间（12人数据量）。最后每个被试的图像会配准到MNI152标准模板上。选择-n参数。2）第二种方法就是实现指定一张目标图像，然后把其他的所有的图像都与它对齐，这个方法也能得到很好的结果，并且能够节省很多时间。作为指定的目标图像，我们可以浏览所有被试的数据，然后选择一张我们认为最有代表性的图像，也可以在fsl提供的模板中选择一张。将选择的模板拷贝到FA目录下。选择-t参数。3）直接使用FSL的FMRIB58模板。使用-T参数。比较简单的是直接使用-T参数，如果被试是儿童等特殊群体，那么就不适合用标准模板了，这种情况下建议使用-n参数。4.创建平均FA图像和FA骨架命令：tbss_3_postreg参数： -S ：配准到MNI152标准空间（推荐） -T ：配准到FMRIB58标准空间这一步会在tbss目录下生成一个新的名为stats的目录，里面有一个文件名为 all_FA.nii.gz。这是一个4D图像，包含所有对齐过的FA图像。创建的平均FA骨架为mean_FA_skeleton.nii.gz 。为了确定下一步分析所用的FA骨架的阈值，此处需要通过修改FA骨架的-b值做一些尝试。命令：cd statsfslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green5.将每个被试的FA值配准到平均FA骨架上。基于被试的骨架化FA图可以做体素水平的统计分析。命令：tbss_4_prestats 0.2此处0.2应该修改为上一步确定的值。一般情况下0.2就可以了。这一步会在stas文件夹下生成一个4D图像，文件名为all_FA_skeletonised.nii.gz，里面包含每个被试骨架化的FA图像。6.基于骨架FA数据的体素水平统计分析，使用工具randomise需要准备的文件有：一个设计矩阵，命令为design.mat，一个对比文件，命名为design.con。（两组被试用命令design_ttest2创建，三组及以上用GlmGUI来设计，具体可参照FSL的网站），设计矩阵的行的条目顺序必须与FA图像的顺序相同。查看方法：cd FAimglob *_FA.*两组情况下创建设计矩阵和对比文件的命令：cd ./statsdesign_ttest2 design 7 11randomise分析命令：randomise -i all_FA_skeletonised -o tbss -m mean_FA_skeleton_mask-d design.mat -t design.con -n 500 -T2其中，7为对照组被试数目，11为病人数目。组间对比的结果1是对照组病人，2是病人对照组。原始对比结果保存为stats文件夹下的tbss_tstat1和tbss_tstat2文件。-T2参数表示randomise使用了TFCE（Threshold-Free Cluster Enhancement）-n参数表示蒙特卡洛模拟次数校正后的TFCEp-value图像保存在tbss_tfce_corrp_tstat1和tbss_tfce_corrp_tstat2文件中。此处给出的1-p的图。观察结果：fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.8 tbss_tstat1 -l Red-Yellow -b 3,6 tbss_tstat2 -lBlue-Lightblue -b 3,6fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.7 tbss_tfce_corrp_tstat1 -l Red-Yellow -b0.95,1对结果进行填充及显示：tbss_fill tbss_tfce_corrp_tstat1 0.95 mean_FA tbss_fill1fslview mean_FA -b 0,0.6 mean_FA_skeleton -l Green -b 0.2,0.7tbss_fill1 -l Red-Yellow7.使用非FA图像进行tbss分析1）运行上述1-4步2）在tbss文件夹下创建一个新的文件夹，如L2，将所有被试的L2图像拷贝到该目录下。注意L2图像的名称必须与origdata目录下的文件名称一模一样！例如，origdata目录下有一个文件名为sub005_FA.nii.gz，那么这个被试的L2图像名必须也是sub005_FA.nii.gz。3）运行tbss_non_FAL2命令，将被试的L2图像配准到平均FA骨架上，这一步会在stats文件夹下创建两个4D的文件all_L2.nii.gz和all_L2_skeletonised.nii.gz4)基于体素水平的统计分析方法与第6步相同。8.tbss结果显示fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.8 tbss_tstat1 -l Red-Yellow -b 3,6 tbss_tstat2 -lBlue-Lightblue -b 3,6fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.7 tbss_tfce_corrp_tst