TBSS数据分析

tbss分析基本流程：
步骤一，指标解算：求解出FA，MD，AD，RD指标

#!/bin/bash
#基于体素的形态学分析VBA
path=/media/kui/Passport5T/DATA_help/TBSS/row_data
mkdir ${path}/Results_DTI_tbss
mkdir ${path}/Results_DTI_tbss/FA
mkdir ${path}/Results_DTI_tbss/MD
mkdir ${path}/Results_DTI_tbss/AD
mkdir ${path}/Results_DTI_tbss/RD

cd ${path}/DTI

#ls >${path}/subj.txt

for sub in `cat ${path}/subj.txt`
do 
cd ${path}/DTI/$sub
echo $sub
#step1:提取B0
echo 'step1:提取B0'
fslroi $sub.nii.gz B0.nii.gz 0 1

#step2:bet
echo 'step2:bet'
bet B0.nii.gz nodiff_brain -R -f 0.2 -g 0 -m

#step3:eddy
echo 'step3:eddy'
eddy_correct $sub.nii.gz data.nii.gz 0

#step4:calculate FA MD
echo 'step4:calculate FA MD'
dtifit --data=data.nii.gz --out=dti --mask=nodiff_brain_mask.nii.gz --bvecs=$sub.bvec --bvals=$sub.bval

fslmaths dti_L2.nii.gz -add dti_L3.nii.gz -div 2 dti_RD.nii.gz

mv /media/kui/Passport5T/DATA_help/TBSS/row_data/DTI/$sub/dti_FA.nii.gz /media/kui/Passport5T/DATA_help/TBSS/row_data/Results_DTI_tbss/FA/$sub.nii.gz

mv /media/kui/Passport5T/DATA_help/TBSS/row_data/DTI/$sub/dti_MD.nii.gz /media/kui/Passport5T/DATA_help/TBSS/row_data/Results_DTI_tbss/MD/$sub.nii.gz

mv /media/kui/Passport5T/DATA_help/TBSS/row_data/DTI/$sub/dti_L1.nii.gz /media/kui/Passport5T/DATA_help/TBSS/row_data/Results_DTI_tbss/AD/$sub.nii.gz

mv /media/kui/Passport5T/DATA_help/TBSS/row_data/DTI/$sub/dti_RD.nii.gz /media/kui/Passport5T/DATA_help/TBSS/row_data/Results_DTI_tbss/RD/$sub.nii.gz

done
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

步骤二：
tbss_1_preproc - 以正确的格式在TBSS工作目录中准备FA数据

cd FA
tbss_1_preproc *.nii.gz
1
2

tbss_2_reg - 将所有FA图像的非线性配准应用到标准空间中

tbss_2_reg -T
1

tbss_3_postreg - 创建平均 FA 图像并将其骨架化

tbss_3_postreg -S
1

tbss_4_prestats - 将所有受试者的 FA 数据投影到平均 FA 骨架上

tbss_4_prestats 0.2
1

步骤三：统计数据（例如，随机化） - 将 4D 投影 FA 数据输入 GLM 建模和阈值，以找到与您的模型相关的体素。

#设计矩阵（见下2）
design_ttest2 design 33 39

#随机化
randomise -i all_FA_skeletonised.nii.gz -o tbss2 -m mean_FA_skeleton_mask.nii.gz -d design.mat -t design.con -n 5000 -x --T2 -R --uncorrp

#展示结果  https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/Cluster
fsl-cluster -i tbss2_tfce_corrp_tstat2.nii.gz -t 0.95
##结果放大，tbssimage为放大后的结果文件。
tbss_fill tbss2_tfce_corrp_tstat2.nii.gz 0.95 mean_FA.nii.gz tbssimage

fsleyes $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -l Green -b 0.2,0.7 tbss2_tfce_corrp_tstat2.nii.gz -l Red-Yellow -b 0.95,1
1
2
3
4
5
6
7
8
9
10
11
12

计算非FA数据的tbss，此处以RD数据为例，MD、AD数据同RD。
事先把RD数据整理好，同FA。并放在FA、results、stats平行文件夹下，后运行如下脚本。

tbss_non_FA RD
1

randomise -i all_RD_skeletonised -o tbss_RD -m mean_FA_skeleton_mask -d design.mat -t design.con -n 5000 --T2 -V
1

提取差异脑区mask

fsl-cluster -i tbss_RD_tfce_corrp_tstat2 -t 0.95 -o cluster_index_RD --osize=cluster_size_RD > cluster_info_RD.txt
1

注意：在进行统计分析中，stats2代表组2➖组1，stats1代表组1-组2。而如何区分组1/2？fsl默认排序方式为先大写排组1，然后首字母排序法（顺序）。如V为组1，nv为组2

参考文章来源：
1.fsl官网tbss教程
2.fsl-cluster用法from fsl官网
3.randomise用法
4.一般线性模型GLM fsl官网
5.fsleyes使用教程