dti在linux上运行,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 TBSS

cd TBSS

ls

AD_N00300_dti_data_FA.nii.gz   AD_N00302_dti_data_FA.nii.gz   MCI_N00499_dti_data_FA.nii.gz   MCI_N00373_dti_data_FA.nii.gz   NC_N00422_dti_data_FA.nii.gz   NC_N03600_dti_data_FA.nii.gz 2.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_reg 1)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 stats fslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green 5.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 FA imglob *_FA.* 两组情况下创建设计矩阵和对比文件的命令： cd ../stats design_ttest2 design 7 11 randomise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 3,6 fslview $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_fill1 fslview mean_FA -b 0,0.6 mean_FA_skeleton -l Green -b 0.2,0.7tbss_fill1 -l Red-Yellow 7.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.gz 4)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 3,6 fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.7 tbss_tfce_corrp_tstat1 -l Red-Yellow -b 0.95,1tbss_tfce_corrp_tstat2 -l Blue-Lightblue -b 0.95,1 对结果进行填充及显示： tbss_fill tbss_tfce_corrp_tstat1 0.95 mean_FA tbss_fill1 fslview mean_FA -b 0,0.6 mean_FA_skeleton -l Green -b 0.2,0.7tbss_fill1 -l Red-Yellow