fMRI图像处理教学内容
医学图像处理重点内容
第六节 图像的三维重建与可视化
1、掌握图像三维重建的基本方法： 面绘制技术 体绘制技术
第七节 图像存储与传输系统
1、掌握图像存储与传输系统的概念 2、了解与ＰＡＣＳ相关的几个医学信息系统
图像存储与传输系统（简称ＰＡＣＳ）是应用数字成像技 术、计算机技术和网络技术，对医学图像进行采集、 存储、传输、检索、显示、诊断、输出、管理、信息处理 的综合应用系统。 医院信息系统（ＨＩＳ）放射科信息系统（ＲＩＳ）
医学图像的配准与融合 虚拟现实技术
DICOM数据通信技术
PACS系统
医学图像处理的应用
1. 辅助医生诊断 2．仿真多角度扫描 3．数字解剖模型 4．手术教学训练 5．制定手术计划 6．手术导航与术中监护…
第二节 医学图像处理基础
1、掌握图像数字化的过程：采样和量化（分别 对图像质量的影响）
2、掌握常用的图像数据格式 3、掌握灰度直方图的概念及性质 4、掌握伪彩色与假彩色的概念 5、掌握常用的体数据文件的格式（DICOM3.0）
傅里叶变换的一个最大的问题是：它的参数 都是复数，在数据的描述上相当于实数的两倍， 不易计算。为此，我们希望有一种能够达到相同 功能但数据量又不大的变换。
在此期望下，产生了DCT变换。 DCT变换系数 是实数。
图像的低频能量集中在左上角，高频能量集中在右下角。
DCT变换在图像处理中的应用
离散余弦变换实际上是傅立叶变换的实数 部分。主要用于图像的压缩，如目前的国际压缩 标准的JPEG格式中就用到了DCT变换。对大多数 图像，离散余弦变换能将大多数的信息放到较少 的系数上去，提高编码效率。
描 述 人 体 功 能 或 代 谢 的 功 能 成 像 模 式 （ Functional Imaging Modality）。比如PET正电子发射断层扫描成像、 SPECT单光子发射断层扫描成像、fMRI功能磁共振成像等。
任务态fmri预处理流程
任务态fmri预处理流程任务态功能性磁共振成像(task-based functional magnetic resonance imaging, tfMRI)预处理流程通常包括以下几个主要步骤：数据获取、数据清理、空间标准化、运动校正、去除噪声和滤波、统计分析以及结果可视化。
下面将对每个步骤进行详细阐述。
1.数据获取：在进行任务态fMRI之前，需要先确定感兴趣的任务范式，并设计相应的实验任务。
然后，通过MRI扫描仪对被试者进行数据采集。
获取到的数据将包括大脑不同时间点的功能磁共振图像，通常以3D 体素为单位，每个体素对应一个特定的空间位置。
2.数据清理：由于fMRI扫描过程中可能出现多种伪影，比如头动、眼球运动等，这些伪影会对后续数据分析产生干扰。
因此，需要对原始数据进行清理。
这一步骤包括对噪音进行滤波，去除心跳和呼吸等生理噪声的影响。
3. 空间标准化：由于不同被试者之间的大脑结构存在差异，为了将数据进行比较和整合，需要将每个被试者的数据转化为同一标准的空间。
常用的标准脑图包括MNI（Montreal Neurological Institute）标准空间和Talairach空间。
空间标准化的目标是将不同被试者的数据对齐到这些标准空间，使得不同被试者的功能活动可以进行比较。
4.运动校正：在扫描过程中，被试者可能存在微小的头动或体动，这些运动会引入位置偏移，影响后续数据分析的结果。
为了消除这些运动的影响，可以使用运动校正技术。
常见的运动校正方法包括刚体变换和非刚体变换，这两种方法可以通过对每个时间点的图像进行对齐来校正运动。
5.去除噪声和滤波：除了运动引起的噪声外，fMRI数据还可能受到其他源的噪声污染，比如脉搏噪声和呼吸噪声等。
为了减少这些噪声的影响，可以使用滑动平均滤波器、高通和低通滤波器等方法对fMRI数据进行滤波。
同时，还可以对时间序列数据进行去趋势处理，以减少长期趋势的干扰。
6. 统计分析：预处理后的数据可以用于进行统计分析。
FMRI基础知识
FMRI基础知识介绍FMRI成像及数据分析基本知识医学影像学发展简史医学影像与分子影像学田捷中科院自动化所医学影像研究室 Email：tian@ 2004年9月 19世纪末20世纪初： X线放射诊断学 20世纪50~60年代：超声成像(USG) 核素γ闪烁成像(γ-scintigraphy ) 70~80年代：计算机体层成像(CT) 磁共振成像(MRI) 数字血管减影(DSA) 20世纪80~90年代：正电子发射成像(PET) 单光子发射体层成像(SPECT) 磁共振功能成像（FMRI）医学影像处理与分析发展的四个阶段 1980年前—1984年：医学图像质量较差。
二维图像处理与分析，重点是图像分割、配准等。
1985年—1991年：医学成像设备的发展，MR设备成为越来越重要的数据源。
计算机辅助诊断、图像分割、配准等是研究重点。
1992年—1998 年：高质量的三维 MR图像出现。
螺旋 CT、超声、 SPECT和 PET也迅速发展。
医学影像处理与分析中的问题越来越复杂。
功能图像的处理与分析出现。
1999年以后：成像技术更先进。
图像处理算法更复杂。
例如：功能激活区提取，纤维追踪算法研究。
功能成像研究的国际形势 2002年北美放射年会全体大会上，Bruce Rosen以“时、空间的脑功能成像”为题，报告了10年来功能成像的迅猛发展及其医学应用。
他指出分子生物学、神经化学和电生理学这些工具继续在分子、突触和细胞水平对神经元情况提供相关信息，新一代非侵入性的成像方法能够使我们将研究领域从细胞扩展到系统水平，从动物扩展到人类。
这种方法就是磁共振功能成像，或者简写为fMRI。
该技术目前已经在各个领域，如研究人类视觉、听觉、嗅觉、味觉、触觉与运动，记忆、注意以及人类特有的机能如语言等神经机制方面；感觉运动皮质的术前成像用于神经变性疾病、癫痫、中风、中风恢复等临床方面以及人类特有的精神分裂症、抑郁症、孤独症等精神疾患。
fMRI数据处理
T2
90 100 300 - 84
T1WI
PDWI
T2WI
脑功能成像技术
Deoxy-Hb Decrease
BOLD原理
合氧血红蛋白和脱氧血红蛋白的比率变化
SPM软件包简介
主要的脑功能分析软件：
①SPM：/spm 运行平台：MATLAB (WINDOWS & Linux) 数据格式：Analyze，MINC，ecat T 注：在最新的SPM5\spm8中将只采用NIFTI格式
6 信号和图像处理（高等数学）
要有对信号和图像处理方法的基本了解，特别是 对傅里叶分析的理解。（傅里叶分析啊....总是在 papers中看到...可惜不懂......）
精心钻研十年！才能成 为一个领域的专家！在 脑功能成像（fMRI）分 析领域尤是如此！
fMRI研究框架
科学问题 结果解释
实验假设
Slice Timing
运行matlab, 执行命令：spm fmri，这样将打 开spm8的操作界面。点击“Slice Timing” .
在spm8，每一步处理都采用了直观的 “树形结构”面板, 如果一个分支项右 面有 <-X号，你必须为之指定选项(否 则不能运行该tree)，分支项的选项在 其右侧面板指定，而帮助信息则在下 面的面板中显示。
一般功能面板
SPM软件包简介
SPM的处理流程：
校准
标准化
一般线形 模型
平滑
统计参数图
数据处理前准备
数据格式转换。 脑图的左右显示问题。
spm_flip_analyze_images.m中flip = 1 or 0 Spm以前的版本，spm_defouts.m文件中
defaults.analyze.flip = 1or 0
脑功能成像(fMRI)技术
第四节脑功能成像技术1语言神经认知机制研究是语言科学研究的重要内容，它主要研究语言与大脑的关系，简单的说就是研究语言在人脑中的理解与产生的过程。
但是人脑被一层厚厚的颅骨所包围，因此仅凭肉眼无法判断大脑处理语言时的情况。
认知语言学通过语言理论的假设来构建语言认知模型，心理语言学则通过行为学方法，通过测试量表来研究具体语言结构的反应时间和正确率。
但是，这两种研究方向都不能直接观察大脑实时处理语言的情况。
随着科学技术的发展，新的语言科学研究技术已经被广泛用于语言研究中，其中PET和fMRI尤其是fMRI技术又是神经认知科学研究被最广泛应用的一种新的技术手段。
一脑功能成像技术简介PET（Positron Emission Tomography,PET）即正电子发射断层扫描技术，其基本原理是：刺激作用于大脑会产生血流变化，利用血液中注射的放射性示踪物质来和脑活动的某些脑区进行对比，从而确定刺激任务与特定脑区之间的关系。
fMRI是functional Magnetic Resonance Imaging的简称，中文名称为功能性磁共振成像。
其实质就是在磁共振成像的基础上获取大脑活动的功能图像，以获取被试对所给语言、图形、声音等刺激材料进行加工时产生的fMRI信号并加以分析，以确定这些刺激材料与对应脑区的关系，从而分析其脑机制。
赵喜平（2000）认为所谓的fMRI就是利用MRI对组织磁化高度敏感的特点来研究人脑功能，特别是大脑各功能区划分或定位的无创伤性检测技术。
由于PET技术在技术要求以及资金需求方面的原因，用于认知任务的研究越来越少，现在主要的脑成像技术就是fMRI,因此这里主要介绍fMRI技术以及实验数据的处理和对实验数据的解读。
1.1 fMRI的发展及其原理MRI（Magnetic Resonance Imaging，磁共振成像）产生于上个世纪70年代。
1970年，美国纽约州立大学的Raymond Damadian发现正常组织的NMR（Nuclear Magnetic Resonance）信号与病变组织的信号明显不同。
fMRI 实验概述
一、 fMRI 实验概述总的来说，一个fMRI实验可分为三个步骤：刺激任务设计，图像采集，数据分析。
刺激任务设计是要制定被试所接受的具体刺激内容（例如棋盘格图像、手指运动）以及时间模式（即块状或事件相关模式）；图像采集是获取与刺激任务同步的MRI图像（功能图像）和相应的高分辨率解剖图像；数据分析是对采集的图像进行处理，确定刺激任务引起的神经活动所在区域、发生时间等相关信息。
1.1. 刺激任务设计fMRI实验中采用的刺激任务内容多种多样，采用何种形式的刺激完全取决于实验者需要考察何种脑功能。
刺激任务的基本组成单位是单次刺激事件，即一次持续时间很短（几十到几百毫秒）的刺激，例如显示一幅持续时间为50毫秒的图像，或做一次快速握拳的动作。
由于一次刺激事件所引起的BOLD信号很弱，所以在fMRI实验中，同一类型的刺激事件需要重复多次以获取足够的信噪比。
这些刺激事件之间的时间关系称为刺激时间模式。
fMRI实验采用的刺激时间模式可分为两类：块状模式和事件相关模式。
如图1.1a所示，块状模式由周期为T的多个任务块组成，每个任务块由一对（或多对）持续时间分别为T r和T s的静息状态和刺激状态组成。
T s和T r通常相等，取值在20秒到1分钟之间。
在静息状态，被试不接受任何刺激；在刺激状态，被试则接受相同且近似连续（相邻两次事件之间的时间间隔很短，约100－500毫秒左右）的刺激事件。
块状模式的优点是设计简单，数据处理比较容易，而且所产生的BOLD信号较强，探测效率高；缺点是无法获取单次刺激事件引起的BOLD信号的时间曲线。
事件相关模式（图 1.1b）中的刺激事件是离散的，每相邻两次刺激事件之间的时间间隔（ISI）比较长（几秒到几十秒）。
在一个刺激任务设计中，ISI可以固定不变，也可以随机变化。
事件相关模式的优点是设计方式灵活多变，可以探测单个刺激事件所引起的平均BOLD曲线。
其缺点是分析方法比较复杂。
另外，采用事件相关模式的刺激任务产生的BOLD信号较弱，探测效率低。
fmri预处理流程
fmri预处理流程引言：功能性磁共振成像（Functional Magnetic Resonance Imaging, fMRI）是一种常用的非侵入性脑成像技术，可以通过测量血氧水平变化来研究脑活动。
然而，原始的fMRI数据存在噪声和伪迹，需要进行预处理以提高数据质量和准确性。
本文将介绍fmri预处理流程的基本步骤和常用方法。
一、数据清洗1. 去除头部运动：由于头部运动会引入伪迹，需要对原始数据进行运动校正。
常用的方法是将每个时间点的图像与参考图像对齐，并计算出运动参数，然后通过回归法去除运动对fMRI信号的影响。
2. 去除噪声：fMRI数据中常常包含来自生理和环境的噪声，如心跳、呼吸和扫描仪等。
可以利用多种方法对这些噪声进行建模并去除，例如使用心跳和呼吸信号的模型进行回归去噪。
二、时间校正1. 修正时间延迟：由于不同的脑区响应时间不同，需要对fMRI数据进行时间校正。
常用的方法是通过插值或回归法将数据点校正到同一时间点，以保证数据的一致性和可比性。
2. 修正时间漂移：fMRI数据在时间上可能存在线性或非线性的漂移，需要对数据进行修正。
常用的方法是通过回归法将漂移信号建模并去除。
三、空间标准化1. 仿射变换：由于不同被试之间的脑结构差异，需要对fMRI数据进行空间标准化，使得不同被试的数据可以进行比较和统计分析。
常用的方法是通过仿射变换将每个被试的脑图像映射到一个标准脑图像空间，如MNI（Montreal Neurological Institute）标准空间。
2. 插值：在进行空间标准化时，可能需要对数据进行插值以保持数据的一致性。
常用的插值方法包括最近邻插值、双线性插值和三次样条插值。
四、去除结构性噪声1. 脑组织分割：fMRI数据中包含来自脑组织和非脑组织的信号，需要将其进行分割。
常用的方法是使用脑组织分割算法，如FSL （FMRIB Software Library）中的FAST算法。
2. 去除脑脊液信号：脑脊液信号可能会干扰fMRI的结果，需要将其去除。
SPM任务态fMRI数据分析培训
Matlab数据处理常用命令
变量赋值： a = 14; b = [2 5 8]; c = [1 2; 3 4; 5 6; 7 8]; d = c; e = d'; clear e d c
改变路径： cd cd .. cd ../.. pwd dir ls
Matlab界面的基本组成部分
和“我的电脑” 一样，这里可以 进入文件夹，创建/ 删除/复制/粘帖 等等……
命令在这里输入， Matlab输出信息在这里看， 报错信息（红字）在这里找 跑程序的话，把命令行粘帖在这里 运行即可！
电脑内存里 的变量都存 在这里，
可以对变量 进行删除， 查看，作图 等操作，
SPM数据分析基本流程
预处理部分
模型构建与 参数估计
常用工具与 参数设置
预处理流程
Slice timing是什么?
SPM 假定每一个scan是同时获取的，但是……
头顶：3
0
TR
RAW CORRECTED
…
颅底： 1
TA
0
3
6
time in seconds
为什么要进行slice timing？
Template
Normalised Image
可以采用哪几种方法标准化？
1. mean EPI----- EPI template 2. T1 coreg with mean EPI, T1 ------ T1 template, Write
normalize 3. T1 coreg with mean EPI, T1 segment, Write normalize 4. DARTEL using SPM Batch Editor
fMRI实验设计及数据处理
AAA_SCCAI_3DMCT_SD3DSS4.00mm_THPGLMF2c.fmr 项目名_Slice校正_头懂校正_空间平滑（高斯过滤4毫米）_
Temporal High Pass (GLM Fourier) with 2 cycles / points _. Fmr
6，可以把比较的结果存下来以后打开直接看。
第五步 标Байду номын сангаас化处理
类似spm的预处理，处理后可以再进行第四步的统计 分析，增加推论力度。
1， 点击菜单“Analysis”--》 “FMR Data Preprocessing...”。 2，对原始数据处理越多，增加的error越多。一般后 四项比较常用。
注意事项
1，删除前面不稳定的5个左右TR。包括预处理和数 据分析。
2，同一个被试不同的run，预处理要分开处理，统 计分析时要放在不同的section处理。
Brainvoyager 处理步骤
第一步，建立一个项目
1，运行brainvoyager，创建项目。 File -> Create Project Wizard -> 选择FMR project -> 选
实验设计—混合实验设计
特点及注意事项： 1 能分离持续性神经活动（block）和短暂性神经活动 （event) 2 处理和设计起来比较复杂，需要权衡的东西较多 3 要保证block和event的相关性不高
二 数据处理
打开spm 点击右下角 dicom import，转换成spm格式的 图。
Overview 1 预处理（preprocess） ➢ Slice timing ➢ Motion correction ➢ Normalization ➢ Smooth 2 数据分析
最新spm8-fMRI数据处理
__________________________________________________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 ....................................................................................................................... 2 0、预处理的 workflow ....................................................................................................................2 1、Slice Timing 时间层校正 ...........................................................................................................3 2、Realignment 头动校正 ..............................................................................................................3 3、Coregister 配准..........................................................................................................................5 4、Segment 分割.............................................................................................................................6 5、Normalize 空间标准化..............................................................................................................6 6、Smooth 平滑 ..............................................................................................................................8 三、GLM 模型和 Specify 1st-level.................................................................................................9 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，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。
fmri数据预处理流程
fmri数据预处理流程
fMRI数据预处理流程一般包括以下步骤：
1. 切片时间校正（Slice Timing Correction）：将fMRI图像的
各个切片按照其获取顺序进行重新排序，以消除由于不同切片获取时间的差异导致的影响。
2. 运动校正（Motion Correction）：对fMRI图像中的头部运
动进行校正，通常通过计算出每个时间点相对于某个参考时间点的刚体变换参数，然后将图像空间进行相应的平移和旋转。
3. 空间标准化（Spatial Normalization）：将校正后的fMRI图
像映射到一个标准的空间坐标系中，通常使用大脑模板进行空间变换。
4. 平滑（Smoothing）：对标准化后的fMRI图像进行空间平滑，以降低噪声和增加信号对比度。
5. 去除线性趋势（Detrending）：通过消除线性趋势来降低由
于实验过程中的漂移和低频噪声引起的影响。
6. 滤波（Filtering）：对预处理后的fMRI数据进行滤波处理，通常使用带通滤波器，以去除高频和低频噪声，保留感兴趣的频率范围。
7. 去除信号源（Noise Removal）：根据特定的研究需求，可
以进一步去除一些特定的噪声，比如心跳信号、呼吸信号、脑
脊液信号等。
8. 后处理（Post-processing）：进行数据质量检查，根据需要进行进一步的数据分析和统计。
以上是fMRI数据预处理的一般流程，具体流程和步骤可能因研究设计、数据质量和分析目标的不同而有所变化。
心理学中的脑成像技术的使用方法与数据处理指南
心理学中的脑成像技术的使用方法与数据处理指南脑成像技术是一种用于研究人类大脑活动的重要工具，它可以帮助心理学家深入了解思维、情感和行为的神经基础。
本文将介绍心理学中常用的脑成像技术，探讨它们的使用方法以及相应的数据处理指南。
一、功能性磁共振成像（fMRI）功能性磁共振成像（functional magnetic resonance imaging，fMRI）是目前应用最广泛的脑成像技术之一。
它通过测量血氧水平变化来间接反映大脑活动。
使用fMRI进行实验研究时，以下几个步骤是必要的。
首先，实验者需要患者或被试者进入磁共振机，保持头部相对稳定。
由于fMRI技术对运动敏感，因此保持头部稳定对于获取准确的成像结果至关重要。
其次，患者或被试者需要执行特定的任务。
例如，可以使用视觉刺激来研究大脑的视觉区域。
为了获得准确的数据，需要确保实验过程的标准化，即在实验中不同被试者执行相同的任务。
然后，收集数据并进行后处理。
fMRI数据通常以“时间序列”的形式呈现，其中每个时间点对应于大脑的一帧图像。
数据处理包括预处理和统计分析两个主要步骤。
预处理涉及去除噪声、运动校正和空间标准化等步骤，以提高信号质量。
统计分析则将任务条件与大脑响应进行比较，以寻找活动区域和相关性。
二、脑电图（EEG）脑电图（electroencephalogram，EEG）是一种记录大脑电活动的常用脑成像技术。
它通过在头皮上放置电极来测量大脑表面的电位差。
以下是使用EEG进行实验研究时的基本步骤。
在开始实验之前，实验者需要准备好EEG设备，并确保电极正确放置。
电极的位置可以根据研究目标和国际标准的指导进行选择安装。
在实验过程中，被试者执行特定的任务，并同时记录脑电活动。
通常，需要控制环境因素，例如噪声和光线，以确保获得可靠的数据。
数据采集后，需要对EEG信号进行预处理和分析。
预处理步骤包括去除噪声、滤波和修正电极之间的不良连接。
然后可以对数据进行频谱分析、时域分析和事件相关电位（ERP）分析，以探索与特定任务相关的脑区活动。
全面讲解spm8-教你如何fMRI数据处理
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。
fMRI处理步骤
fMRI处理步骤fMRI（功能性磁共振成像）是一种用于研究人脑功能和结构的非侵入式技术。
它通过测量脑血流变化来揭示不同脑区在不同任务或刺激下的激活情况。
fMRI的数据处理是一项重要的步骤，确保研究结果的准确性和可靠性。
下面将介绍fMRI数据处理的基本步骤。
1. 数据获取首先，需要在磁共振设备中为被试者进行扫描，获取fMRI原始数据。
扫描通常包括静息态扫描和激活态扫描，以获得脑的静息态和特定任务下的激活态。
2. 修正图像畸变在fMRI扫描过程中，由于磁场不均匀性和磁共振设备的非线性，图像可能会出现畸变。
因此，需要对原始图像进行畸变校正，以提高后续分析的准确性。
3. 时序校正由于被试者在扫描过程中可能存在微小的头部运动，这会对脑图像的分析产生干扰。
为了纠正这种干扰，需要对每一帧图像进行时序校正，使其对齐并消除由于运动引起的失真。
4. 配准和空间标准化为了将不同被试者的fMRI数据进行比较，需要将它们的图像配准到同一参考空间。
这通常涉及到将fMRI图像与结构性MRI图像进行配准，并将其转换到标准大脑模板上，以进行后续的群体统计分析。
5. 数据平滑为了增强脑图像的信噪比和减少空间噪声，通常需要对fMRI数据进行平滑处理。
平滑可以使用高斯滤波器来实现，平均邻近数据点的值以减少局部噪声。
6. fMRI信号提取在数据预处理后，需要对脑图像进行信号提取。
通常使用脑区感兴趣（ROI）分析或基于整个脑的体素分析进行信号提取。
这可以通过计算脑血氧水平依赖（BOLD）信号的平均值或百分比信号变化来实现。
7. 统计分析在信号提取之后，进行统计分析以研究不同任务或刺激条件下的脑活动差异。
常用的方法包括通用线性模型（GLM）分析、随机效应分析和非参数显著性检验等。
8. 结果展示和解释最后，需要将统计结果以适当的方式呈现出来，如脑活动的活动热图、脑区间的连通图等。
根据分析结果，对脑活动的模式和区域进行解释，并与相关的研究文献进行比较。
研究生培训fMRI原理与技术
研究生培训fMRI原理与技术Lei Xu(雷旭)iEmail: xlei@Email:xlei@swu edu cnChongqing, ChinaSouthwest UniversitySchool of Psychology第一讲磁共振成像原理与实验设计磁共振谱仪系统常用的成像模态磁共振实验设计主磁场线圈空间定位线圈(梯度线圈)yZx射频线圈发射射频信号和接收成像信号的装置常用的成像模态Anatomical imagingDTI, fiber tractography (纤维素追踪)Structural imagingSt t l i i3D-T1像, Voxel-based morphometry (VBM)Voxel-based morphometry(VBM)g g()Functional imaging (fMRI)回波平面成像(Echo-Planar Imaging，EPI)→血氧水平依赖(Blood Oxygenation Level Dependent,BOLD)Blue: up-down Green: fwd-bwd Yellow: right-left分子在各个方向扩散不同分子在各个方向均匀扩散沿着柱体扩散更多值各向异性分数反映分子在间位移的程度变化范围FA值：各向异性分数，反映分子在空间位移的程度，变化范围从0～1。
0代表弥散不受限制(脑脊液)；1代表只能沿着某一方向弥散(白质纤维)MD值：平均弥散率，反映分子整体的弥散水平，与弥散的方向值平均弥散率反映分子整体的弥散水平与弥散的方向无关。
MD 越大，组织内所含自由水分子则越多3D-T1采用对纵向弛豫(T1)敏感的成像序列特点：1.成像时间长；2.空间分辨率高；结合基于体素的形态学测量，可以发现解剖结构在局部的改变1TMaguire et al., (2000). "Navigation-related structural change inthe hippocampi of taxi drivers". PNAS 97 (8): 4398–4403.3D-T1: 形态学测量VBM (voxel-basedmorphometry):基于体素的形态学测量灰质皮层厚度/白质密度灰质/白质体积皮层曲率fMRI采用对横向弛豫(T2)敏感的快速回波平面成像(EPI)序列特点：1.成像时间短；2.空间分辨率能到毫米级；结合实验设计，fMRI技术使我们可以观察活动中的大脑fMRI目前取得了诸多成果，如前得诸多成如◆发现感知人脸的特异性脑区Kanwisher et al1997J.Neurosci◆找到负责道德权衡的核团Greene et al2001Science◆静息状态下的大脑实际上忙碌于各种任务Smith et al2009PNAS◆和“医学”植物人交流Monti et al2010N.Engl.J.Med.等fMRI HemodynamicsMore deoxygenated blood = more inhomogeneity more inhomogeneity faster relaxation (shorter T2) more inhomogeneity=faster relaxation(shorter T2*)神经活动的间接测量HRFhaemodynamic response function血氧动力学响应函数fMRI slice and volumeRLFront Back24slices every 1.5 seconds8-16 subjectFriston et al 1999 NeuroimageTR: Repetition TimeTE: Echo TimeFA:Flip Angle FA: Flip AngleTI: Inversion TimeNA: Number Of Acquisitions MX: Matrix FOV: Field Of View ST Sli Thi kSG Sli G ST: Slice Thickness SG: Slice GapExamplefMRI data were acquired using a 3T Siemens Trioscanner. Each scan contains 200 functional volumes, using an EPI sequence with the followingparameters: TR/TE=1500/29 ms, flip angle=90°,acquisition matrix= 64×64, in-plane resolution3.0×3.0 mm2, FOV=192×192 mm2, axialslices=25, thickness/gap=5 mm/0.5 mm.准备实验如何设计出合理的实验?实验总体构思信号的敏感度需有利于预期效果的最佳呈现不同的假设可以建立不同的实验设计。
fMRI数据分析处理原理及方法
近年来，血氧水平依赖性功能磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展，除了与扫描硬件、扫描技术的进步有关外，更得力于以图形图像等计算机科学为核心的相关学科的支持：图像数据的后处理技术成为fMRI中的关键环节。
➢fMRI data collecting and preprocessingThe fMRI data were collected during a sensorimotor task, a block-design motor response to auditory stimulation. During the on-block, 200 ms tones presented a 500 ms stimulus onset asynchrony (SOA). A total of 16 different tones were presented in each on-block, with frequency ranging from 236 Hz to 1318 Hz.The fMRI images were acquired on Siemens 3 T Trio Scanners and a 1.5 T Sonata with echo-planar imaging (EPI) sequences using the following parameters (TR = 2000 ms, TE =30 ms (3.0 T)/40 ms (1.5 T), field of view = 22 cm, slice thickness =4 mm, 1 mm skip, 27 slices, acquisition matrix = 64 × 64, flip angle =90°) . Four scanners were used and we have roughly equal numbers of patients and controls at all sites. Data were pre-processed in SPM5 (/spm) and were realigned, spatially normalized and re-sliced to 3 × 3 × 3 mm 3 , smoothed with a 10 × 10 × 10 mm 3 Gaussian kernel to reduce spatial noise, and analyzed by multiple regression considering the stimulus and their temporal derivatives plus an intercept term as repressors.Finally the stimulus-on versus stimulus-off contrast images were extracted with 53 × 63 × 46 voxels and all of the voxels with missing measurements were excluded.重复时间（TR）回波时间（TE）一、功能图像数据的性质功能磁共振数据包括解剖（结构）像和功能像两类。
fMRI基础知识入门
fMRI基础知识入门
fMRI，即功能磁共振成像，是目前最常用的神经生物学研究中的一种
影像技术，它的特点是能够测量功能性变化，并刻画出行为任务和认知活
动时大脑的形状变化。
fMRI可以通过检测神经元如何不断变化而产生的信号变化来评估大
脑活动，从而更清楚地理解大脑结构、功能和行为之间的关系。
fMRI技
术可以帮助研究人员在脑细胞级别观察行为和认知过程，从而更好地了解
脑的功能和功能结构。
fMRI技术主要利用磁共振成像（MRI）来测量大脑在其中一种活动或
任务时发生的变化。
在磁共振成像中，运用强磁场将水分子的极致态振荡，真正使核磁共振成为可能。
磁共振波在不同磁化率的组织中传播的不同速率，由此可以重建出大脑结构的影像。
在fMRI中，运用氧气弥散核磁共振技术，可以测量大脑活动时的变化，比如，在抓苹果任务中，一旦水分子受到强磁场的影响，便产生了与
动作有关的氧气弥散反应，而这些反应可以通过特定的算法计算而得到定
量的结果，从而获得更详细的脑活动信息。
在fMRI过程中，主要有三种方法来研究大脑活动：一是氧气弥散曲
线（BOLD），二是功能性连接，三是功能上有区别的模式。
功能磁共振成像(fMRI)原理与应用
人工智能在fMRI图像重建中的 应用
人工智能在fMRI图像分类中的 应用
无创脑刺激技术： 通过电磁场刺激 大脑，实现无创 治疗
功能连接研究： 研究大脑不同区 域之间的功能联 系
未来发展：无创 脑刺激技术在精 神疾病治疗中的 应用
未来发展：功能 连接研究在认知 科学和人工智能 领域的应用
汇报人：XXX
操作复杂，需要专业人员操 作
fMRI设备价格昂贵，维护成 本高
扫描时间长，患者舒适度低
数据处理和分析难度大，需 要专业人员处理
更高分辨率的fMRI技术 更准确的图像重建算法
更快的扫描速度
更广泛的应用领域，如脑科学 研究、临床医学等
深度学习在fMRI图像识别中的 应用
机器学习在fMRI数据分析中的 应用
信号来源：神经 元活动、血管血 流、细胞代谢等
信号处理：使用 各种算法和模型， 提取有效信息， 进行图像重建和 可视化
fMRI技术可以实时监测大脑活 动，从而实现脑功能区的定位。
通过fMRI研究，科学家可以了 解大脑不同区域的功能，以及它
们在认知过程中的作用。
fMRI技术可以帮助科学家研究 各种认知过程，如记忆、注意力、
fMRI在神经退行 性疾病研究中的作 用：揭示疾病机制 、寻找新的治疗靶 点
fMRI技术可以实时监测药物对大脑活动的影响 通过fMRI数据，可以了解药物对特定脑区的作用机制 fMRI技术可以帮助研究人员发现新的药物靶点 fMRI技术可以评估药物的安全性和有效性
fMRI在脑部手术 前的应用：帮助医 生了解脑部结构， 制定手术方案
fMRI信号的多样 性：包括血流、代 谢、组织结构等多 种因素
信号解读的难度： 需要结合多种技术 和方法，如统计分 析、机器学习等
fsl预处理流程
fsl预处理流程FSL（FMRIB Software Library）是一套用于功能性磁共振成像（fMRI）数据分析的软件包，它提供了一套完整的fMRI数据预处理流程。
下面将详细介绍FSL预处理流程的各个步骤。
1. 数据校准和切片定时校正（Data calibration and slice timing correction）：在这个步骤中，首先需要校准fMRI数据，使其与解剖数据吻合。
然后进行切片定时校正，调整每个切片的开始采样时间，以纠正切片采样期间的时间延迟。
2. 运动校正（Motion Correction）：fMRI数据会收集到人体的运动，这会导致图像的模糊或伪影。
通过计算每个时间点的图像与参考图像之间的相对运动，可以对数据进行运动校正，减少由运动引起的伪影。
3. 头颅去除（Skull Stripping）：头颅去除是通过将脑部分剥离出来，去除头皮、颅骨和其他非脑组织的部分。
这个步骤可以提高后续分析的准确性和效率。
4. 核对空间正则化（Spatial Normalization）：在这一步骤中，使用线性或非线性的变换来将每个被试的图像对齐到标准空间。
通常使用脑图像作为参考图像，将每个被试的fMRI数据转换为MNI（Montreal Neurological Institute）空间。
5. 噪声去除（Noise Removal）：fMRI数据包含了许多噪声源，如运动、心跳和呼吸等。
这些噪声会干扰数据的解释和分析。
在这个步骤中，通过使用线性回归模型去除相关的噪声，提高数据质量。
6. 时序滤波（Temporal Filtering）：针对fMRI数据的低频和高频噪声，可以应用滤波器进行时序滤波。
常用的滤波器包括带通滤波器和高斯滤波器。
这个步骤可以增强信号特征，提高结果的可靠性。
7. 空间平滑（Spatial Smoothing）：空间平滑通过应用高斯滤波器对数据进行平滑处理，减少数据中的高频噪声。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
将
模
版
内
RO
I区
值
转
换
成
AAL模版，不同颜色具有
根据ROI区域对应颜
转换模版体素大小（与预处理
1
不同的值
色得到模版
之后图像体素大小相同）
ROI选择
3、通过MRIcro软件手动绘制；
4、采用WFU toolbox选择ROI脑区；
干扰信号提取
目的：相邻体素信号之间存在一定的干扰，所以需要将对灰质信号存在干扰的信 号提取出来，并通过回归分析的方法去除这些信号的影响。
fMRI图像处理
ZhiweiGuo 2013-03-18
内容提纲：
fMRI图像预处理；
Seed-based（基于种子点）的功能网络分析 方法；
ICA-based（基于独立成分分析）的功能网 络及网络间连接性分析方法；
fMRI图像预处理
1. 数据类型转换
（1）MRI仪器上获取的图像格式：.dcm，.IMA，.SR等(DICOM)； （2）spm软件可以处理的图像格式：.nii 或 .img;
Normalization
目的：将个体脑标准化到标准脑模版空间（MNI空间），便于统计分析； Source Image: 选择mean*.img 用于估计标准 化仿射变换参数； Image to Write: 选择ra*.img图像，mean图像 的估计参数对头动校正后的图像进行变换； Template Image：标准模版图像，选择EPI.nii; Voxel Size: 标准化之后的图像体素大小，这里 输入3 3 3（太小计算过程中可能会溢出）；
Slice order: 扫描顺序，我们一把采用间隔 扫描的方法扫描顺序为1,3,5…(SliceNumber1) , 2,4,6…SliceNumber
Reference slice: 时间校正的参考层（一般时 菜单栏：Import->D间isp中la点y/h对id应e 的层数,即TR/2时对应的层数） 结fo果re：ign生h成eaad开er头的img，hdr及mat文件
图4. spm软件界面及转换结果
2. fMRI图像预处理
（1）spm软件实现预处理；
（2）预处理前将数据格式转换之后的前5个.img 和.hdr （001-005）图像删除；
（3）预处理步骤： ✓ 时间校正-Slice timing； ✓ 头动校正-Realignment； ✓ 标准化-Normalization； ✓ 平滑滤波-Smooth；
Slice timing
目的：将一个volume中所有层的信号校正到同一个时间点上；
Data: 导入需要时间校正.img数据
Number of Slice: 一次全脑扫描的fMRI图像 的层数
菜单栏：Header->InTfRo:r一m次ati全on脑扫描时间 TA: 一次全脑扫描第一层与最后一层时间间 隔TA=TR-TR/(Number of Slices)
因此，需要对采集图像进行数据类型转换层
图2 一个图像文件为一个volume（一 次全脑扫描）
数据类型转换工具
1. Dcm2niigui(MRIcroN软件提供)
2. Spm软件-> Dicom Import
图3. dcm2niigui软件界面及转换结果
结果：生成swra开头的img及hdr文件以及spm*.ps文件
图像质量控制
1、查看图像，视觉判断是否有伪迹，伪迹包括，信号缺失，图像扭曲等；
2、根据预处理结果： ➢ Realign结果Translation 大小不能超过体素大小（比如，采集图像体素
3.75*3.75*4），不能超过3.75；Rotation不能超过1°； ➢ Normalization结果图像基本上能与标准模版匹配，不能出现明显变形的情况； ➢ 保证同组数据预处理过程中设置的各项参数保持一致，比如，Normalization
MultiRegression & filtering Pearson correlation Two Sample t-test
ROI选择
1、根据已有坐标（一般为文献提供），DMN中后扣带回PCC（0, -52, 30）。然 后以给定坐标为中心点取其周围（包括自身）27个体素作为ROI；
2、根据给定大脑分区模版图像（AAL模版，Brodmann模版）
结果：生成wra开头的img及hdr文件以及spm*.ps文件
Smooth
目的：对图像进行空间平滑滤波，提高图像的信噪比；
Images to Smooth: 选择wra*.img图像，对标 准化之后的图像进行平滑处理； FWHM: （Full Wave at Half Maximum高斯半高 宽），高斯核滤波器的半高宽，其大小影响 滤波效果。一般选标准化后图像体素大小 （上一步3*3*3）的2-3倍。
Realign
目的：估计采集过程中被试头动的参数，并根据参数对所有图像进行空间调整； Data: 导入时间校正之后的图像；其他参数 不变； Num Passes: 参考图像MRI一般选Register to first，PET一般选Register to mean； 平动参数曲线
转动参数曲线
结果：产生ra开头的img，hdr，mean*.img，mean*.hdr，spm*.ps以及rp_a*.txt
Preprocessed Data
Extraction of Timeseries
Nuisance Covariates • Global • White Matter • CSF • Signal Drift • Motion Components
Seeds signals
Individual
Group
中的Voxel size 大小，Smooth中FWHM大小； ➢ 组水平的统计结果与预期结果是否一致，如果不一致首先要查看组内所有被
试的结果是否有个别比较异常的情况出现。
Preprocessing
Seed-based功能网络分析
EPI Data
• Slice Time Correction • Motion Correction • Normalization • Spatial Smoothing