Freesurfer之感兴趣脑区映射及显示

.
. Freesurfer之ROI映射步骤总结
前提条件：
1、完成Ubuntu系统及Freesurfer软件的安装配置，熟悉使用Freeview;
2、完成数据预处理，包括recon-all subjects –all 及recon-all subjects –qcache;
3、知道基于freesurfer的几个matlab 函数用法：load_mgh, save_mgh, read_annotation.
[vol, M, mr_parms, volsz] = load_mgh(fname,<slices>,<frames>,<headeronly>)
save_mgh(vol,fname, M, <mr_parms>), M is the 4x4 vox2ras transform
[vertices, label, colortable] = read_annotation(filename [, verbosity])
4、.mgh及.mgz是freesurfer使用的MRI volume格式，类似于NifTI, 需用load_mgh和save_mgh
函数打开读取或生成.mgh格式文件，从而在freesurfer上使用。

一、导入matlab函数
在freesurfer的安装路径下，有一个名为matlab的文件夹，里面有一些.m文件用于处理图像，把这个文件夹及子文件夹添加到Matlab路径即可。

另一种方法：在终端启动freesurfer，在这个环境下运行matlab，也可以使用这些.m文件（也就是load_mgh等函数）。

二、整理好被试数据，每一被试的所有数据分别在一个目录下（预处理后默认存放形式）
三、统计同组所有被试皮层特征的均值：
所有基于顶点的皮层测量值均保存在/surf目录下，有左右侧大脑的皮层厚度、灰质体积、皮层表面积、曲率、脑沟深度，以左脑皮层厚度为例说明：如下图所示，lh.thickness是未向标准空间配准的，lh.thickness.fsaverage.mgh是已经向标准空间配准的，剩下的分别用0, 5, 10, 15, 20, 25 FWHM 高斯核函数进行平滑处理的标准化图像。

为何标准化？这样可使不同被试的大脑皮层有完全相同的顶点数，也就是左右侧大脑分别有163842个顶点，共327684个。

此外，有多个平滑参数可选，一般选FWHM为10的平滑图像，平滑核太小不利于消除噪音，平滑核过大则会使图像信息损失过多。

程序——计算同组被试同一皮层特征的平均值：
最后生成的皮层特征平均图：
四、编辑需映射的特征文件：
程序说明：根据分类性能确定重要脑区及其权重，如RTLE-NC surface area 分类有31个重要特征，同时也有对应的31个分类权重，由于分类权重过小，利用mapminmax函数把所有权重值映射到0.1-1之间（选择0.1是为了避免权重为0 的特征）；把重要脑区分配到左右脑，序号小于等于34为左脑脑区，大于35为右脑脑区；通过read_annotation函数获取各个脑区对应那些顶点及其位置，根据这些顶点对特定重要脑区赋予权值，非重要脑区的顶点赋零，最后调用save_mgh函数生成具有权值的特征文件。

代码：
生成的具有权重的重要脑区特征文件：
五、Freeview使用
1.先在终端启动freesurfer, 分别输入以下三条指令即可：
tcsh
setenv FREESURFER_HOME /usr/local/freesurfer
source $FREESURFER_HOME/SetUpFreeSurfer.csh
2.启动状态如下：
3.然后在终端输入freeview, 初次使用可能提示缺少插件，运行这条指令：sudo apt-get install
libjpeg62-dev；
4.Freeview界面如下图所示：
Freeview主要用来可视化，把皮层差异映射到脑模板上，脑膜版的形式主要有软膜表面pial, 膨胀表面inflated及球形表面三种。

Freeview可以从三维立体观看皮层表面的差异，默认条件下显示左侧面及右内侧，想要看其他方向需要手动旋转，任一面都可以看，但调整到如正侧面，正后面，正前面就比较难刚刚好调到位置。

5.先在surface选项把freesurfer安装目录下的/subjects/fsaverage/surf文件夹里的lh.pial和rh.pial
模板导进来，再通过左侧面板中的Overlay菜单选择load generic把.mgh文件到进入来，在
Configure Overlay处可修改colorbar的显示形式。

圆球表面视图膨胀表面视图
六、映射ROI到皮层模板表面
1.将步骤三生成的同组被试同一特征平均值到皮层模板上。

Colorbar有三种形式：Heat, Wheel 及
Custom，显示效果较好的是Wheel，如下图所示。

Colorbar的取值范围应根据相应特征的颜色分布来取值，以便最大限度地显示所有信息。

不同组被试的同种特征应该设置相同colorbar范围，而不同种特征的colorbar可根据颜色分布自定义。

2.将步骤四生成的具有权值的特征文件映射到模板上
如下图：
LTLE-NC cortical thickness classification RTLE-NC surface area classification
左图为LTLE-NC 的皮层厚度分类其重要脑区分布，右图为RTLE-NC 的皮层表面积其重要
脑区分布，所有特征的权值均标准化到0.1-1之间，这些重要脑区中，红色代表最重要的脑区，黄绿次之，浅蓝及深蓝代表重要性较低的脑区。