spm8-fMRI数据管理计划.doc

《spm8-fMRI数据管理计划.doc》由会员分享，可在线阅读，更多相关《spm8-fMRI数据管理计划.doc（18页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、/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20、预处理的workflow21、Slice Timing时间层校正32、Realignment 头动校正33、Coregister 配准54、Segment 分割65、Normalize 空间标准化66、Smooth 平滑8三、GLM模型和Specify 1st-level9四、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

2、，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

3、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：MATLABR2009atoolbox下。然后运行Matlab，在其主窗口选择File-set path-Add with Subfolders-spm8-

4、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

5、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

6、to NIFTI（详见核磁数据格式转换）2) Delete Images3) Slice Timing4) Realign5) Normalize：Normalize 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； Normalize 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cor

7、egistered 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SubjMNI）。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)

8、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

9、 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

10、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、Realignm

11、ent 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+resliceDat

12、a：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 squares approach)原理和含6个参数(刚体模型)的空间变换，

13、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

14、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：matlab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

15、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 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。3、Coregister 配准对于单个被试的研究，往往是通过在高分辨率结构图像上叠加激活区来精确定位功能区，也就是coregistration。目的：上述头动校正的求解参数仅对同一被试的同一种成像方法(或成像模态modality) 有效,对于同一被试的不

16、同成像方法（功能像/结构像）所得图像,由于它们之间没有足够的可比性,不可以直接用头动校正的方法来求解参数,这时需要用图像配准的方法来做空间校正。具体为将所有的图像同一个volume对齐，对功能像与结构像做一个信息的变换。为什么选择Coregister里面的（Estimate）呢？因为我们相信对于被试，功能像与结构像是线性相关的平动与转动，而不是扭曲的。由功能像向结构像去配，对于结构像中的hdr文件存有一个矩阵，而这个矩阵就包含了功能像的信息。只需要将旋转的矩阵写入到hdr文件中，不需要生成新的文件，也就是对3D文件做一个刚体的变换，变换到功能像空间里。过程： 在spm8中选择Coregiste

17、r（Estimate）:Reference Image-选择头动校正后生成的mean*.img文件Source Image-选择3D文件，即data3D文件夹中的.img文件其余选项采用默认设置，点击上方绿色的三角开始运行。说明：Source image与Reference image的关系，可以认为是将结构像向以mean开头的功能像里估计，估计结束后就可以将旋转矩阵写入到精度更高的3D文件当中，最后做出的图像的分辨率就会很高。（结构像比功能像清晰很多）4、Segment 分割目的：要将被试的结构像配到功能像里，就需要将结构像进行分割。一般分割为灰质、白质和脑脊液三部分。过程： 在spm8中选

18、择Segment Data-选择配准后的3D图像，即data3D文件夹中的.img文件 .Clean up any partitions-Light clean Affine Regularisation-选择欧洲人或东亚人大脑模板 如：ICBMspace template-European brains其余选项采用默认设置，点击上方绿色的三角开始运行。5、Normalize 空间标准化对于多个被试的研究，由于不同人的脑的尺寸、形态各不相同，一般认为需要一个模板，把所有被试的功能统计图叠加到标准模板上，这叫做normalize目的：将不同容积及形状的被试的大脑放到一个标准空间里，用一个公用的坐

19、标系去描述具体的一个位置，例如有十个被试，他们脑袋的形状和大小都不一样，如果你让他们进行了一个激活了某个脑区的情绪实验，然后你想把该脑区计算出来并进行呈现，那么你就需要一个标准的脑模版来衡量这十个被试的大脑空间位置以实现准确的空间定位。方法：. Normalize by using EPI templates； . Normalize by using T1 image unified segmentation。注意：只有使用方法时才需要对结构像进行coregister和segment，方法用不到T1像，所以不需要对T1像进行预处理。先说第种方法的操作：在预处理面板标准化选项中选择“Norma

20、lise:Estimate&Write”，出现一个对话框，我们做如下设置：选中“data”“new sbject”，在data下新出现的“subject”选项中作如下设置，“source image”选择realignment 生成的“mean*.img”文件，“image to write”选择realignment 生成的“.img”文件，“template image”我们选择“EPI.nii”，其余采用默认设置，点绿三角运行。或用第种方法的操作： 用3D像文件做分割，用分割的信息去做空间标准化，分割要做三个小步骤，被试既有结构像，又有功能像，我们要用结构像分割所得到的信息来做功能像的空

21、间标准化。首先，要保证功能像与结构像在同一个位置。所以，需要做一次coregister，即配准。先把被试的结构像变换到被试的功能像空间里，然后将变换到功能像里的结构像分割所得到的相应信息运用到功能像里。 结构像在功能像空间里被分割后，会得到一个矩阵。这个矩阵就会告诉我们如何从被试的功能空间去往标准空间。也就是MNI空间。我们可以根据这些信息应用到功能像里，写进去以后就会自动配准到标准空间里去。Normalise: Write Data/new subject /Parameter File-参数文件，选择3D文件夹下segment后的文件，有2个文件，分别是seg_sn.mat和seg_inv

22、_sn.mat，前者表示由功能像到标准化空间去配，而后者正相反，所以选择前者。 Image to Write-要写入的文件，选择3D文件下的ms*.img文件 Bounding box-默认的偏小，可以改为-90 -126 -72 90 90 108 （相当于把整个大脑装在这个“盒子”里） Voxel sizes改为3 3 3（不能为1 1 1） 其余参数默认即可。如果以后希望把功能激活图像叠加到结构图像上，那么结构图像也需要做一下空间标准化。再次Normalise，做完头动校正后，以平均脑文件做一次标准化。 Normalise: Write Data: new subject Paramet

23、er File-参数文件，选择3D文件夹下segment后的seg_sn.mat文件 Image to Write-要写入的文件，选择头动校正后以r开头的.img文件 Bounding box-默认的偏小，可以改为-90 -126 -72 90 90 108 Voxel sizes改为3 3 3 Filename Prefix：默认为w 其余参数默认即可。点击上方绿色的三角开始运行。说明：运行完毕会生成若干对waf*打头的img/hdr文件，同时还会生成一个mean*_sn.mat文件（存放变换参数）。6、Smooth 平滑目的：将功能像文件平滑过程： （1）在spm总的按钮窗口中，选择Smo

24、oth按钮, 会弹出批处理对话框。 （2）在这一步有两个参数必须要进行设置：images to write，选择在上一步生成的所有空间标准化之后的以w开头的功能像文件；平滑的“全宽半高FWHM”,将默认的“8,8,8”,改成“6,6,6”。这里的6，是我们所采用数据的体素大小的两倍。其余默认。点击上方绿色的三角开始运行。说明：高斯平滑后会生成若干对swaf*打头的img/hdr文件。数据预处理过程到此完成。注意！最容易出问题的地方在于：1）没有在每一步之后检查生成的图像是否有问题（主要为头动参数和空间标准化图像）；2）没有按照自己数据适合的方式进行预处理。对于图像检查，可以参考http:/im

25、aging.mrc-cbu.cam.ac.uk/imaging/DataDiagnostics；3）对于预处理方式选择：a. 如果是Block设计，不需要做slice timing。如果是事件相关设计，则需要做；b. 在事件相关设计中，如果BOLD功能图像的扫描方式是间隔采样，先做slice timing，后做realignment；如是顺序采样，则先做realignment后做slice timing；c. 当扫描参数为长TR (TR 3sec) 时，不推荐做slice timing；d. 头动过大的剔除原则：按照在一个run内不超过一个voxel size的标准。这是一个普遍承认的标准。当

26、然具体研究有具体的标准，需要具体对待；e. 平滑参数一般选择为23倍的voxel size。三、GLM模型和Specify 1st-level如前所述，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。预处理过程已经在前两篇里完成啦，接下来是统计分析过程。参数估计：在spm8中选择Specify 1st-level，即以前版本的“fMRI model”。spm5 和spm8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)。这里只有Specify 1st l

27、evel。在真正的统计分析之前，必须先对SPM的统计分析基础GLM模型有一定的了解。广义线性模型（generalized linear model, GLM)是简单最小二乘回归（OLS)的扩展，在OLS的假设中，响应变量是连续数值数据且服从正态分布，而且响应变量期望值与预测变量之间的关系是线性关系。而广义线性模型则放宽其假设，首先响应变量可以是正整数或分类数据，其分布为某指数分布族。其次响应变量期望值的函数（连接函数）与预测变量之间的关系为线性关系。因此在进行GLM建模时，需要指定分布类型和连接函数。理论上，经过预处理的数据可以直接进行统汁分折，但是这样做会有很大的局限胜。我们需要考虑到实际信

28、号（探测到的神经生理响应）包含有多方面的因素。如果我们可以把它分成感兴趣的部分、不感必趣的部分以及误差项，这样以来，一方面可以用于复杂问题的研究，另一方面使有用信息更加突出。为了达到这个目的，SPM采用一般线性模型（GLM）对采集到的信号进行统计分析。通俗的说，GLM基于这样一种假设：每个像素上的实验数据（用Y来表示，同一任务的时间序列或不同任务序列的），是一些未知参数（用x表示）的线性组合（用表示）。这些未知参数与任务或时间有关、但与具体脑区(像素)无关的已知参数它组成的矩阵通常又称为设计矩阵。数学表达式为：Y=*X + ，其中表示误差。在经过GLM描述之后，分析的对象就发生了转变。原本是对

29、Y的统计分析，现在转向了拟合得到的。SPM得到的脑功能激图实际上就是根据对参数的统计推断而得到的。那么，对参数的统计推断究竟是怎么一回事？首先，是检查设计矩阵的正确性； 其次，使用最小二乘法法拟合出参数使得误差和最小； 再次，对系数做t检验或者F检验； 最后，根据t检验或者F检验统计量和阈值，对系数做统计推断。 根据t或F值以及相应的阈值，可以得到该阈值对应置信度的脑功能激活图。由于它是对模型的参数做统计分析而得到的，所以被称为统计参数图。与阈值对应的t或F值记为SPMt，SPMF。SPM还提供了与t或F值及它们相应的自由度所对应置信度的0，1正态分布的参数值z，这样也得到关于z图像，记为SP

30、Mz。此外，根据这些激活图，SPM还可以输出脑血流等生理信号的响应曲线以及不同状态的响应特性等。一、Model specification建立模型我们选择“Specify 1st level”，出现一个fMRI Model specification对话框，设置参数如下：需要设置的参数具体方法Directory建议建立results文件夹来单独存放一阶分析的结果SPM.mat。Timing parametersUnits for design：下面的onset time是以秒为单位还是以TR的倍数为单位。即如选 scans，其后 durations 的时间按 TR 的倍数计算；如选 secon

31、ds，则以秒为单位计算。Interscan interval（扫描间隔时间）：TR是多少秒?Microtime resolution - 通常默认为 16 ，除非 TR 很长 与陈昌明师兄所说不一致?Microtime onset - 在 ER 设计中， slice timing 时， reference slice 的扫描次序，例如 reference slice 为第 25 层，是第 13 个扫描的，这里就填 13 与SPM manual的提示不一致Data & Design存在很多子选项需要设置，务必细心！有几个run就Session几次，就会生成几个Subject/Session子菜单

32、。【Scans】：该run预处理后的以sw开头的文件；【Condition】：有几种条件（这里的条件指的是呈现的刺激图片或声音）就定义几个。然后输入条件的名字和相应的onset time。Onsets代表任务刺激启动的扫描数（如1:14:70 ，代表任务从第 1个TR 开始，每14个TR 为一个周期，共70个TR）。在Onsets中输入数组T：2T：M，这里输入的数组实质是每个cycle中task状态的起始volume的序号（注意编号从0开始）。T：2T：M在Matlab中就是一个数组，是T,3T,5T,。注意：可以建立Multi-condition files以避免输入每个run参数的苦恼。

33、【Durations】：ER 设计填 0、block 设计填刺激任务的持续时间 ，注意前面 Units for design 的选择！Duration为block的长度，如果是事件相关设计，duration就输入0。Multi regressors输入被试的头动文件，rp*.txtModule derivativesER设计选第二项，block设计默认其他参数默认。设置完毕后点击绿三角运行。这样将会在开始选择的目录中生成文spm.mat。这里，为了确保模型参数设置的正确性，推荐使用在spm总的按钮窗口中的Review按钮来检查。点击Review按钮之后，会弹出一个窗口。在窗口中有一个desig

34、n菜单，菜单中有这样几个子选项：Design matrix会把设计矩阵进行图形化展示。Explore - session 1 active （假如在一个run种呈现active和rest两种刺激）会展示一个叫做“exploring design matrix”的窗格。总共会展示三幅图像：一个叫做active的regressor，就是我们上面定义的active condition。但是这不同于condition方波化的展示，在这里将方波和hrf做了卷积。以及这个active regressor的谱密度图，还包括一个hrf图形。 Design orthogonality包含一个设计矩阵；设计矩阵的

35、下方是一个正交性矩阵，用以展示不同regressor之间的正交性（“正交性”是从几何中借来的术语。如果两条直线相交成直角，他们就是正交的。用向量术语来说，这两条直线互不依赖。沿着某一条直线移动，该直线投影到另一条直线上的位置不变。在计算技术中，该术语用于表示某种不相依赖性或者解耦性。如果两个或者更多事物种的一个发生变化，不会影响其他事物。这些事物就是正交的）。 在spm中，设计矩阵已经设计出来之后，其实整个GLM已经完成一大半。下面所要做的就是估计和推断。估计就是通过逆矩阵运算，求解得到原始beta参数，beta参数指的是不同regressor对最后测量得到的信号，所产生的effect效应。这

36、是glm统计学中的术语。然后，我们基于beta和残差构造t统计量，进行推断，当然需要先设置一个显著性水平才可以。二、Model Estimate模型估计下面要估计我们刚建立的模型，在模型设置面板中点击“estimate”，将打开一个对话框，很简单，我们只须选择刚生成“spm.mat”文件点击“down”然后点击绿三角运行即可。三、Results查看结果在做完估计之后，就可以在spm总的按钮窗口中，选择results按钮, 会弹出批处理参数设置对话框。在这里，把在一中生成的SPM.mat选进来就好了。这时，就会弹出contrast manager对话框。 这里需要对spm下的glm的contra

37、st脑补一下：首先，contrast是为了简化多变量分析，多变量假设检验的一种方法。Contrast其实是一个权重向量。其实，类似我们在求多元微分学中，当只考虑一个变量的变化趋势时，我们就使用偏导数这个工具来研究问题。这里，也是这个原因，通过contrast可以突出某个变量的效应effect，可以忽略某个变量的效应effect。一般是多少个condition，就在contrast向量中对应多少个元素，这里对于设计矩阵中的常数covariante是不考虑的。参考：PrinciplesStatistics - MRC CBU Imaging Wiki中的Introduction to SPM st

38、atistics 在这里，由于只有一个condition，就是active。所以，contrast向量，只含一个元素。Active - rest 用1来表示，rest - active 用-1来表（单侧检验）。3.1 contrast manager （1）在contrast manager中选择定义新的contrast, “Define new contrast”。 （2）在Define new contrast中进行contrast的设置。设置后，重新返回到contrast manager对话框中。 （3）然后，在contrast manager中选择刚定义的contrast。点击DONE

39、。那我们可以到下一步。3.2 masking在3.1点击DONE之后，会弹出新的窗口，在窗口中问你，Mask with other contrast? Yes/No. 还需不需要其他contrast来做模板，我们选择no就好了。Mask分两种：inclusive 和exclusive。Mask并不会影响最后p值得计算，只是包含或者排除一些满足要求的体素。3.3 thresholds这里设置p值，其实是设置显著性水平（范统计学中一类错误的概率），这里的设置方法是： Title for comparison 设置为 active rest（具体情况具体分析） p value adjustment

40、to control: FWE/none. 选择FEW（个体分析选none） p value(family-wise error) 具体的p值设置为默认值0.05。在spm中，显著性水平，或者一类错误的概率，称为假阳性水平。 接下来，会让你设定最小cluster的大小： Extent Threshold voxels 0 这里保持默认值0就好了。如果这里输入某一个值v，就代表最终激活图中，各个cluster中至少包含v个体素。 这一步，设置完之后，spm就真的给我们构造一个spms统计参数图了。3.4 files在上一步，threshold设置完之后，会在SPM.mat所在目录下得到一些文件：

41、 两个加权参数文件：con 0002.hdr/img, con 0003.hdr/img; 两个t统计量文件：spmT 0002.hdr/img, spmT 0003.hdr/img。3.5 maximum intensity projection 最大强度投影其实是医学血管造影中的技术，什么意思呢？就是仅仅对血管成像，而把什么骨头啊，组织什么的，全部都忽略掉。 其实，在spm中最大强度投影指的就是玻璃脑。 在上一步，设置完阈值之后，就会弹出一个玻璃脑graphics窗口，用以显示结果；还会弹出一个design交互式对话框。这个design交互式对话框非常强大，可以选择控制显示的内容，可以进行

42、叠加、渲染。 在所弹出的玻璃脑graphics窗口中，左上方显示玻璃脑，右上方显示设计矩阵。设计矩阵是可交互的，右击设计矩阵会显示相应参数名，左击设计矩阵会显示相应beta向量中的元素。说明： （1）定义对比 ，一般 0不用输，要看超过基线或 control 的部分， contrast 选 1，反之可以选 -1； （2）extent threshold ：范围的阈值，定义多少个连在一起有意义的体素数目才不认为有可能是噪声。这个数值的选择一般要结合选定的P值和 smooth 中 FWHM 值来定。 （3）Overlays中选择 slice 查看 2D 激活图 、选择 sectors 查看 3D

43、激活图，文件选择经标准化后的3D文件，以 wms 开头；也可选Render，在spm8工具箱中的render中的三个模板，用以查看在玻璃脑中的激活图。 （4）标准化后的图像结果还可以用 MSU 插件（ toolbox ）来获得每一个 激活区的大小（体素个数）和相应的坐标以及对应的脑功能区域或解剖结构。（5）一阶分析的教程主要用于理解一阶分析的步骤和参数的意义，其实在具体的一阶分析批处理中三个过程是一起进行的。四、实例：任务态数据预处理和一阶分析的批处理一、预处理1、拿到数据的第一件事应该是对数据进行细致的整理，一要建立一个EXCEL文档，记录被试的ID、头动等信息，便于预处理之后剔除不合格数据

44、，这也是QC(quality control)的一个要求；二是要将被试的fMRI data按照所使用软件的具体要求进行分类，例如使用DPARSF对数据进行批处理，被试的功能像和结构像必须单独放置，如下图所示：Working directory功能像目录结构像目录AnalysisFunRaw或者FunImgSub_001_Run1Sub_001_Run2Sub_002_Run1Sub_002_Run2T1Raw或者T1ImgSub_001_Run1Sub_001_Run2Sub_002_Run1Sub_002_Run2接下里便需要对dicom数据进行格式转换，格式转换有多种方法。如SPM自带的d

45、icom import、MRIConvert软件和DPARSF自带的EPI dicom to Nifti。需要注意的是MRIconvert转换不对3D图像进行reorient，所以没有o开头和co开头的结构像文件。但是MRIconvert在转换后会自动根据被试的信息生成清楚的文件夹，例如rest、run1、run2、t1，SPM就不可以。DPARSF自带的EPI dicom to Nifti需要把被试的结构像整理后才可以进行转换。但结合各自的优缺点，本人还是建议使用DPARSF进行格式转换。2、打开matlab/SPM fmri/Batch，调出Batch Editor面板，点击SPM选项，选

46、择slice timing，需要输入的参数如下datasession3次，分别对应3个run选转换的文件Number of slices 32TR ： 2TA ： 2-(2/32)slice order： 2:2:32 1:2:31reference slice：1或323、头部校正参数 realign（est&res）data用dependency选择3个session【时间校正过后的数据】以下全部默认参数4、配准 coregister（estimate）reference image用dependency选择data中的mean开头文件souce image选择data3D的文件(结构像），这时候不能使用dependency所以手动定位到被试结构像dicom 转换后的文件。其他参数默认5、头像分割 segmentData选择被试的结构像， affine regula：一般选欧洲人的脑模版6、标准化normalize（write）spm8normalise（write）data生成new subjectparameter file使用dependency选择