最近需要仿真研究T1結構像+RS-fMRI影像融合處理輸出目標坐標的路線可行性。就此機會記錄下來。
為了完成驗證目標處理，首先需要有數據，然后需要準備對應的處理平臺和工具箱，進行一系列。那么開始記錄~
前言：
為了基于種子點的功能連接分析，找出與種子點的最相關坐標。如下是嚴老師的培訓文檔，正是我所需要的。鏈接如下：

https://d.rnet.co/Course/V3.0EN/4_R-fMRI_Data_Processing_DPARSFA.pdf
https://d.rnet.co/Course/V3.0EN/4_R-fMRI_Data_Processing_DPARSFA.mp4


確實做功能連接是我這次處理的目的，我需要先完成預處理，后才基于種子ROI去做功能連接分析，既可以分析種子ROI和目標腦區的連接情況，也可以分析種子ROI與全腦的功能連接情況。但是可以想象，兩個計算量肯定有明顯的差異。
萬里長征第一步，還是開始嘗試吧。
正文：
（1）下載滿足要求的開源數據
去OpenNEURO https://openneuro.org/datasets/ds002422/versions/1.1.0
下載數據做仿真驗證夠夠的了，有46個被試，每個被試下面有多個數據記錄，完全符合我的需要,有這個做仿真研究真的是太方便了。
(sub-01_T1W.nii就是T1結構像，sub-01_task-rest_bold.nii.gz就是我要的RS-fMRI)
多下載幾個數據處理驗證沒得問題。

也可以去嚴老師的網站下載數據，不同類別的data可供下載，可以直接下載Demo Data for DPARSF。
https://rfmri.org/content/demonstrational-data-resting-state-fmri

（2）準備數據處理平臺
按照如下準備先按照到位，這些是處理和查看處理過程的利器，作為研究核磁影像的人少不了。

安裝完Matlab以后，除了MRIcron 是獨立軟件，其他就都是工具箱。工具箱軟件需要先下載到本地，后解壓縮放到Matlab 安裝路徑的toolbox 文件夾下，并打開matlab 界面，從設置路徑處導入。這里我是遇到了一個問題，到底是 添加文件夾 還是 添加并包含子文件夾？

那么看下面

澄清一下：如果打算使用DPABI 做預處理，那么這個地方的SPM12 和DPABI的設置路徑的方式一定要參考嚴老師的官網
使用DPABI 一定要去看：http://www.rfmri.org/DPABIErrorHandling

REST 是DPABI 的一個子模塊。
（3）實施處理
都說DPABI 是“傻瓜版”的SPM，但是這個用起來還是要花時間去仔細啄米…
先說一下數據擺放路徑，非常容易出錯，可以先去閱讀網站 http://www.rfmri.org/DPABIErrorHandling
如果用DPABI 來做預處理，那數據擺放路徑就是講究，路徑關系如果層級發生錯誤，就會報各種奇怪的錯誤。
首先新建一個路徑文件夾，如202504_MRI是我的文件夾，文件夾下面需要新建兩個子文件夾：
如果原始數據都是Dicom 格式，新建T1Raw 和FunRaw 文件夾，并將各被試的T1像拷貝到T1Raw文件夾，RS-fMRI 像拷到FunRaw文件夾。
如果T1是nii格式，RS-fMRI 是.nii.gz 格式就新建T1Img 和FunImg文件夾，并將3個被試的T1像拷貝到T1Img文件夾，RS-fMRI 像拷到FunImg文件夾,我這次的數據就是這一種。
另外，一定要注意，如果使用DPABI進行預處理，這些原始數據的父文件夾是T1Img 和FunImg文件夾，或T1Raw 和FunRaw 文件夾，我曾經將sub當父文件夾出現了難以接受的錯誤。正確的數據層級關系如下：
當原始數據是.nii+.nii.gz 格式時：

當原始數據是Dicom格式時：

這里插一個處理步驟，因為我看有人講一個4D.nii.gz 容易報錯，需要轉化成多個3D ni。
我的fMRI 影像是一個文件4D.nii.gz 文件，然后我通過手動解壓以后變成了只變成了一個nii。如果想變成多個3D nii，還是需要工具或者代碼實現。下面提供一段可靠的代碼4D.nii.gz 轉成多個3D nii的matlab:

clc;clear;
fileName = 'sub-03_task-rest_bold.nii.gz';%需解壓的fMRI 的原始4D 文件壓縮格式文件名，
filepath = 'E:/202504_MRI/';%fMRI 的原始4D 文件路徑
gz_file = fullfile(filepath,fileName);tempniiPath =  'E:/202504_MRI/temp/';%初解壓縮的nii文件存儲路徑，臨時的，每完成一個數據的解壓以后都要建立一個temp
gunzip(gz_file,tempniiPath);%手動初解壓縮fileList = dir(fullfile(tempniiPath,'*.nii*'));
outFile = fileList.name;%fMRI 手動初步解壓縮后的文件名
inputFilename = fullfile(tempniiPath ,outFile);%解壓后的完整文件名outDir = 'E:/202504_MRI/FunImg/sub3/';%解壓成3D nii 的存儲路徑spm('Defaults','fMRI');
spm_jobman('initcfg');
% 創建 batch job
matlabbatch{1}.spm.util.split.vol = {inputFilename}; 
matlabbatch{1}.spm.util.split.outdir = {outDir}; % 輸出目錄
matlabbatch{1}.spm.util.split.prefix = 'vol_'; % 輸出文件名前綴
spm_jobman('run',matlabbatch);

（2）預處理步驟雖多，但是處理的過程有講究

在matlab 窗口輸入 DPARSFA（是DPARSF advance 版本，支持T1+fMRI 聯合分析）后即可進入DPARSFA 交互界面
①模版參數
選中Blank,其實就是空白模版，其他的都有很多默認的參數和處理步驟被選中是有特定的處理，作為新手來說，先從0開始進入吧，選中blank就相當于空白開始，滅有任何的默認選中處理步驟，需要自己去嘗試設定探索；

這個地方參數模版，是一些供選擇的處理方案，感覺是處理步驟流程模版化，選擇不同的模版會在界面上出現對應選中處理步驟，估計也會存在一些差異性的處理流程步驟，如果很清楚自己的處理目標和步驟，就可以直接選中適合的一個，后面只要把數據掃描關聯的參數填下就可以run了。
但是這個地方要結合自己的處理目標去分析。
如果只需要做預處理，那只能選擇blank，其他的選項中不管是在MNI空間還是original空間 都是默認選中了預處理+后處理。

②工作路徑
這個工作路徑需要選中建立的文件夾，是一個總的大路徑，不要出現中文字符；

③掃描參數
Time Points:采集的時間點數，應該是個整數，預估100~300，具體需要查看數據
TR：是重復時間，這個也是掃描參數，一般這兩個參數需要基于fMRI 數據去查看，如果已知就直接填寫
這兩個參數必須要準確，如果不知道，可以通過軟件查看，實在不行就空著，軟件會在處理的過程中讀取到。

建議在matlab 中通過命令得到點數，這個是.nii.gz 的獲取方式

nii=niftiinfo("my-rs-fMRI.nii.gz");
TimePoints = nii.ImageSize(4);
disp(['時間點總數：'，num2str(TimePoints)]);

dicom也有其獲取參數的方式，比如先轉成nii查看，或者用MRIcron/MRIcronGL/3D slicer/FSL /等軟件打開查看。
TR(s)這個參數重要，就是重復時間，這個需要基于掃描json文件去查看，也可以用別的軟件工具去查看。

④就是將dicom轉成nifti格式，由于我的輸入就不是dicom，這一步完全不用選。

上面沒有標出來，Apply Mats,如果輸入是dicom 格式數據，那就選中吧，如果是我這樣的nii格式就不選
⑤ 去除因設備開機不穩的時間點，一般會去掉開始的5~10個時間點的數據。這里，我沒有去，因為我下載的數據中已經在json中說了手動去掉了3個時間點，我就不再去了，直接填了0，也可以不選中，省的有效數據變短。

⑥時間層矯正，因為功能像是隔層掃描，做這個處理就是要重新把時間對齊，必須要選中；

⑦功能像的掃描層數，就是ImageSize(3),我下載的數據是64X64X36X200，我這里就是36層
后面的Slice Order:掃描次序，我填的[2:2:36,1:2:35](我看了我下載的json文件，我的是隔層掃描，先掃偶數層，后掃奇數層）

⑧參考層，一般用正中間的掃描時刻對應的層作為參考層，也有TR/2最接近的時刻處的層作為參考
我的掃描時間序列
“SliceTiming”: [1.5375,0,1.6225,0.085,1.7075,0.1725,1.7925,0.2575,1.8775,0.3425,1.9625,0.4275,2.05,0.5125,2.135,0.5975,2.22,0.6825,2.305,0.7675, 2.39,0.855,2.475,0.94,2.56,1.025,2.645,1.11,2.7325,1.195,2.8175,1.28,2.9025,1.365,2.9875,1.4525 ],
可以看出0時刻在第2幀，而且偶數層比奇數層的時刻小，說明先偶數后奇數。
⑨ 表明數據開始處理的路徑這樣可以附加到工作路徑文件夾。
⑩ 運行時間層矯正

看看做完時間層矯正后的結果，可以看到matlab 窗口中輸出說明我的參數設置正確了，正確完整了時間層矯正，而且還是3個sub都處理了


頭動矯正

Realign:必須要選中
Voxel-Specific Head Motion :因為我計算的目標是坐標靶點，對空間定位和連接精度非常敏感，我這里也需要選中，相當于是需要做一個更高級一些些的頭動矯正。普通的核磁處理可以不選中。有人說這一步時間長作用不大，我還是先處理看看。
根據上面，我處理的輸入是要基于時間層矯正的結果，所以我界面的這個輸入文件夾是時間層矯正的輸出
處理完以后輸出又多了更多文件夾

影像重定向及分割配準

（11 Reorient Fun : 處理fMRI，就是是的頭的朝向變正（因為很多情況下存在數據歪斜）
手動調整功能像歪斜，此處需要手動確立AC點。

（12 AutoMask :處理fMRI 自動掩膜生成，就是基于T1結構像，去掉不是大腦區域的部分，生產掩膜圖像；
這個步驟其實是對頭動矯正以后的fMRI 影像的平均圖像進行處理的，可以得到平均圖像去除顱骨以后模版mask。
（13 Crop T1: 就是去掉T1中的無關區域，比如脖子，背景、空氣、頭皮，從而減少圖像中的無效空白部分；
（14 Reorient T1: 處理結構像數據，結構像圖像重新定向，矯正朝向和歪斜
需要在彈窗中手動標記AC 點。
（15 Bet :T1 結構像處理，剔除顱骨，提取大腦區域
（16 T1 coreg to Fun: 對齊結構像和功能像，用coregistration 將fMRI 與T1 進行對齊，其實就是將T1結構像配準到fMRI 空間，從而實現兩者空間對齊。
這個步驟完成了不少內容，首先講去掉顱骨的的T1，批準到了去掉頭皮的fMRI 上，并得到了中間計算參數，可以講帶顱骨的T1配準大片fMRI 空間。
（17 segment ：分割，將T1結構像分割成灰質、白質、腦脊液，segment 是傳統的分割方法，New segment+DARTEL 是一種新的分割方法（如果T1結構像的質量很好建議選擇這個方法）
這個處理步驟，其實是先將已配準到fMRI 平均影像的T1 又配準到標準空間，這樣得到了中間形變參數。同時對標準空間下的T1進行分割處理，分割出腦灰質、腦白質、腦脊液等掩膜圖像。
（18 分割處理的模版選擇，East Asian 是東亞模版比較適合處理東方人的數據（基于東亞數據得到），European是歐美數據模版（基于歐美數據得到，其實就是MNI）
我這個數據下載的，查閱以后還是先選擇歐美模版。

注意11和14都是需要手動調整數據朝向和歪斜的，新手還無從下手，暫時先不選。另外如果數據本來就很正，AC-PC都有差不多水平了，而且也沒有左右歪斜就要不選。如果要矯正就要研究其選中后的彈窗頁面的調整，等我學會了，我再來補充一下。
11和14選中以后都需要手動去差點參考點，會彈窗讓手動操作選擇。
先看看AC-PC：



上面圖示中給出了AC和PC應該落點的位置，可見AC和PC在上下方向幾乎是等高的。
在彈出的頁面，手動標記參考時，需要講AC作為參考點，先理解了AC和PC的結構特點就好落點了。
這一步的輸出：

下面用軟件逐一打開查閱
T1ImgBet 就是T1結構像做了顱骨剔除以后的大腦區域的圖像。
如下圖可以看出sub1剔除的的比較差，在小腦下還包含了一些其他的組織,sub2有少許雜質組織，sub3剔除的最好，如果演示我肯定用sub3被試的處理結果去演示。

T1ImgCoreg:
這個是T1配準到fMRI 以后的結果，我也打開看看影像的變化
很遺憾，這個文件夾中的數據跟T1Img 中的數據大小和空間方位還有可視化一模一樣，說明T1 Coreg to Fun 是不成功了，為啥不成功，我要重新跟蹤步驟檢查。
這一步要重新到退處理檢查了，這一次不能跳過任何的彈窗和提示。
我查閱資料科普一番以后，發現T1 Coreg to Fun，就是T1結構像配準到去頭動后的fMRI 的平均圖像中，因為我的fMRI 圖像是沒有做顱骨剝離的，所以此處T 1 Coreg to Fun 輸出的應該還是帶顱骨的圖。跟我原來的理解有出入，先記錄一下。
T1ImgNewSegment 文件家中放的是分割的腦灰質、白質、腦脊液文件。

再看看預處理的后半部分，

這部分主要是4個功能：
①用來處理完成頭動矯正的fMRI 影像的，就是基于頭動還有基線去做回歸，去噪
②是標準化
也是用來處理fMRI影像的，在T1配準到fMRI 空間后，其具備了與fMRI 影像同坐標系空間特點，后 在segment 時其又配準到了標準空間，其轉換到標準空間的轉換參數也代表了fMRI 到標準空間的參數，基于此對fMRI 影像完成標準化。與此同時還做了基于體素大小的重采樣；
③空間平滑處理，還是對fMRI 影像處理，FWHM是高斯窗。如果要計算局部一致性REHo,則平滑處理應該放在計算REHO之后。
④帶通濾波，兩個是一個意思，只是因為濾波既可以先做，也可以后做。因為如果要計算ALFF 和fALFF 就要后做，選后面那個。

因為我只在意最后用來分析計算功能連接，沒有計算ALFF/fALFF和分析局部一致性，預處理部分我都是嚴格按照上面的步驟來的。
感覺計算這兩個參數的話，濾波和平滑就要選擇后面的了，不能早早選中。

理解了所有的預處理以后確實沒怎么報錯，只是這個單純的處理框架看起來很離散，每個處理步驟都有輸入和輸出還有做的目的都需要分析。

分析三天也才get 到一條初步的處理流程圖吧，一直都在邊處理邊理順邊驗證才得到的一張圖，也許這條路到最后發現有冗余，但是真的是要吃透才能簡化和完善。可以說預處理和準備分析工作占據了80%，后面的功能連接好像沒有那么多步驟。以后在具體實施中去應該吧。功能連接分析的路估計就是這么走了。真的挺長的，后面還要好好消化吸收。