Fsl Dti Bewegungskorrektur In Forex

NeuroWiki: Verarbeitung DTI (FSL) Diffusion Tensor Imaging DTI (Diffusion Tensor Imaging) ist eine Technik mit der Menge der Diffusion wird in einer bestimmten Richtung in einem bestimmten Voxel gemessen. Durch Messung einer Vielzahl von kollinearen Richtungen ist es möglich, einen Tensor auf die Stärke dieser Längen einzustellen. Daraus folgt eine Reihe von praktischen Parametern: die Richtung der Konnektivität und der Grad, in dem es eine bevorzugte Richtung gibt. Dieser spätere Wert wird als fraktionale Anisotrophie (FA) bezeichnet. Die Richtung der Konnektivität kann für die Faserverfolgung verwendet werden (z. B. Festlegung, wie weiße Materialabschnitte laufen). Der FA-Wert kann verwendet werden, um verschiedene Gruppen miteinander zu vergleichen, um zu sehen, ob sie sich in der Dichte der weißen Substanz unterscheiden. FA - und Konnektivitätswerte werden mit FDT kalkuliert. FA-Werte können zwischen Gruppen mit TBBS verglichen werden. Vorverarbeitung Um die Wirbelstrom - und Bewegungskorrektur anwenden zu können, werden während der DTI-Sitzung b0-Scans aufgezeichnet. Für jeden DTI-Scan wird ein Volumen ohne b-Puls erzeugt. Welches Volumen das b0 ist, kann in der Scaninfo. mat gesehen werden, wobei Scaninfo. bvals den b-Wert pro Volumen anzeigt. Diese Volumina, die einen an sie angelegten b-Puls haben, haben einen Wert größer als 0 (z. B. 1000 für die meisten Zwecke), während die Referenzabtastung einen Wert von 0 hat. Meistens ist b0 das letzte oder das erste aufgezeichnete Volumen. Die Wirkung des b1-Pulses ist auch beim Betrachten der Volumes mit fslview zu sehen (siehe Abbildung 14). Beim Scripting zu einem späteren Zeitpunkt werden alle Volumes nicht-linear in das b0-Referenzbild transformiert. Abbildung 14. Lautstärke ohne B-Puls (links) und mit einem b-Puls (rechts) Diese Lautstärke muss mit der fslroi-Funktion als Einzelbild gespeichert werden. Wir müssen auch dieses Volumen für die Schaffung einer Ganz-Hirn-Maske verwenden, damit wir wissen, welche Voxel in unsere Analyse einbezogen werden müssen. Diese Maske kann mit der Option - m der BET-Funktion erstellt werden und muss für den späteren Scripting nodif. nii. gz genannt werden. Erhalt des b0-Referenzbildes Ein Bild wird mit der Funktion fslroi isoliert. Im Beispiel unten ist das b0-Bild auf Position 32 lttmingt und wir wollen 1 lttdurationgt Bild zu isolieren. Wenn mehrere DTI-Sessions desselben Objekts aufgenommen werden, empfiehlt es sich, das b0-Volumen zu verwenden, das in der Mitte aller Läufe aufgezeichnet wird. Auf diese Weise wird der Betrag der Bewegungskorrektur minimiert. Zum Beispiel, wenn mit drei Sitzungen von 32 Volumes mit dem 32. aller Volumes wird das b0-Bild, wird die zweite b0, im Durchschnitt bringen Ihnen die besten Registrierungsergebnisse. Erzeugen einer Hirnmaske aus dem b0-Bild Wir laden nun dieses Bild in fslview und wetten das Gehirn mit der Option - m, um eine zusätzliche Maske der betten Region zu erstellen. Seien Sie sicher, dass diese Maske das ganze Gehirn enthält, da wir unsere Analyse auf diese Voxel beschränken werden. Dies wird wahrscheinlich bedeuten, dass Sie mit einem niedrigeren Bruchteil Schwelle wie 0,30 oder 0,20. Wenn wir mit unserem Beispiel fortfahren, finden wir, dass der folgende Befehl schöne Ergebnisse liefert: Wir müssen den Vorgang wiederholen, um diese Referenzmaskenbilder für alle Subjekte zu machen. Am Ende enthält jedes Betreff-Verzeichnis ein (und nur ein) nodif. nii. gz-Bild in einem (und nur einem) der Sitzungsordner. Automatisierung der Gehirn-Extraktion und Maskierung BET hat die Option, die Mitte des Gehirns automatisch mit der Option - R. Dies geschieht durch rekursive Einstellung der Mitte des Gehirns auf die geometrische Mitte des extrahierten Gehirns. Wenn sich dieses Zentrum nach einer neuen Iteration nicht ändert, wird es nach 10 Iteration beendet oder gestoppt. Dies wird, die meiste Zeit, Ergebnis ist eine gute Annäherung und erlaubt den gesamten Prozess für mehrere Themen gechartert werden. Das Matlab-Skript PrepareDTI legt fest, dass der b0-Scan lokalisiert ist, trennen Sie dieses Volume und BET und maskieren es automatisch. Darüber hinaus bestimmt es die bvecs und bval Dateien. In jedem Fachverzeichnis werden folgende Dateien erzeugt: Process DTI Die Funktion PrepareDTI generiert auch ein Batch-Skript mit dem Namen DTIbatchscript. Dieses Skript führt die FSL-Funktion Fdt aus, die die Wirbelkorrektur und die Bewegungskorrektur übernimmt und die Fraktionalanisotropie (FA) berechnet. Diese Dateien werden in den Betreffverzeichnissen des DTIFA-Verzeichnisses abgelegt. Tract-Based Spatial Statistics White-Materie-Traktate haben eine hohe räumliche Auflösung. Dies kann durch Laden von DTIV1 (siehe oben) und Betrachten der Traktate gesehen werden. Wie Sie sehen können, haben die Traktate eine sehr lokale Struktur. Wenn Sie FA-Karten auf der Grundlage der globalen Auflösung ausrichten, erhalten Sie eine erhebliche Diskrepanz zwischen den Traktaten zwischen den Themen. Aus diesem Grund ist es besser, das Gehirn auszurichten, wenn Sie die FA Unterschiede zwischen den Probanden, auf der Grundlage der White-Materie-Trakt (vs das gesamte Gehirn) mit nicht-lineare Registrierung zu analysieren. Vorbereitung und Prüfung Die TBSS-Analyse wird durch mehrere FSL-Funktionen ausgeführt. Bevor wir diese ausführen können, muss die Matlab-Funktion PrepareTBSS ausgeführt werden, um die Dateien an den richtigen Stellen zu sortieren, vorausgesetzt, PrepareDTI wurde bereits erfolgreich ausgeführt. Diese Funktion muss aus dem DTIFA-Verzeichnis ausgeführt werden. Beispiel mit Matlab im DTIFA-Verzeichnis: Es wird nun ein Verzeichnis mit dem Namen DTITBSS erstellt. Die nächsten Schritte werden über FSL über die Konsole ausgeführt. Das muss hinzugefügt werden, damit das Skript weiß, welche Dateien in diesem Fall alle Bilder im Verzeichnis zu verwenden sind. Die Funktion erzeugt die für die nächsten Schritte benötigte Verzeichnisstruktur. Ein Verzeichnis mit dem Namen origdata mit den Originaldateien und einem zweiten Verzeichnis mit dem Namen FA. Dieses Verzeichnis enthält die DTI-Daten, ohne dass die verrauschten Außenkanten entfernt wurden, die Teil des CSF sind. Weiterhin enthält das Unterverzeichnis FA ein Verzeichnis mit dem Namen slicesdir. Überprüfen Sie in diesem Verzeichnis, ob alle FA-Dateien korrekt generiert wurden. Registrierung in einer Vorlage Das nächste TBSS-Skript findet die nichtlineare Registrierung, die notwendig ist, um alle FA-Bilder auf einen 1x1x1mm-Standardraum auszurichten. Der Zweck davon ist, die FA-Werte von verschiedenen Themen miteinander zu vergleichen. Das in den Registrierungen verwendete Zielbild kann entweder ein vordefiniertes Ziel sein oder automatisch als das typischste Subjekt in der Studie gewählt werden. Es wird empfohlen, das FMRIB58FA-Standardraumbild als Ziel in TBSS zu verwenden. Dabei geht es nur darum, pro Subjekt nur eine Registrierung zu finden und generell gute Ausrichtungsergebnisse zu liefern. Diese Option wird mit dem Flag - T angewendet. Beispiel (unter linux von der Eingabeaufforderung): Alternativ können Sie Ihr eigenes Zielbild mit der Option - t zur Verfügung stellen. Die dritte Option ist, jedes FA-Bild zu jedem anderen auszurichten, das repräsentativste zu identifizieren und dieses als Zielbild zu verwenden. Dieses Zielbild wird dann affin-ausgerichtet in den MNI152-Standardraum, und jedes Bild wird in einen 1 × 1 × 1-Mn MNI 152-Raum transformiert, indem die nichtlineare Transformation mit dem Ziel-FA-Bild kombiniert wird, wobei die affine Transformation von diesem Ziel zum MNI 152-Raum erfolgt. Diese Option wird unter Verwendung des Flags - n gewählt und ist die empfohlene Option, wenn Sie eine Studienspezifikation generieren müssen, beispielsweise wenn die Versuchspersonen alle kleinen Kinder sind (und daher das von Erwachsenen abgeleitete FMRIB58FA-Ziel unangemessen ist). Direkte Registrierung zum hochaufgelösten FMRIB58FA-Bild dauert etwa 5 Stunden x N Themen (bei der Ausführung auf einem einzigen Computer). Im Vergleich dazu dauert die Option all-subjects-to-all-subjects etwa 20 Minuten x N x N. Damit kann der letztere Ansatz viel länger dauern als der erste. Hinweise zur Verwendung der Option - n Die Verwendung der Option - n als Option ist sehr zeitaufwendig. Dieser Schritt muss auf so vielen Computern wie möglich gleichzeitig ausgeführt werden. Dies kann durch die Auswahl von 1 Rechner erfolgen, der die Daten hostet (im Beispiel die IP-Nummer: 111.111.153.132) Das Home-Verzeichnis des Benutzers willem auf diesem Rechner enthält das Verzeichnis FSLTBSS Computer, den Sie für die Vorverarbeitung zu verwenden. Es setzt das FSLTBSS-Verzeichnis auf das Verzeichnis homecnsstudentMount. Hier wird die zweite tbbs Verarbeitung Schritt ausgeführt. Dieses Verfahren sollte für so viele Computer wie möglich wiederholt werden. mount - t cifs 111.111.153.132FSLTBSS homecnsstudentMount - o userwillem Aufrufen der Registrierungen Das nächste TBSS-Skript wendet die nichtlinearen Transformationen, die in der vorherigen Stufe gefunden wurden, auf alle Objekte an, um sie in den Standardraum zu bringen. Wenn die vorherige Stufe mit der Option - n ausgeführt wurde (finden Sie das typischste Subjekt als Ziel) , Dann muss dieses Skript zuerst die Entscheidung treffen, welches Ihrer FA-Bilder das typischste ist, für die Auswahl als Zielbild alle nichtlinearen Transformationen in den Raum von anzuwenden (das Skript tut dies, indem man jedes FA-Bild nacheinander und Schätzung der durchschnittlichen Menge an Warping, die notwendig war, um alle anderen Bilder an sie dann findet es diejenige, die die kleinste Menge an durchschnittlichen Warping, wenn als Ziel verwendet.) Offensichtlich, wenn Sie das FA-Ziel-Image vorgegeben, dann dieser Schritt ist Automatisch übersprungen. Das Skript nimmt dann das Ziel und affine-aligns es in 1x1x1mm MNI152 Raum - diese Auflösung wird gewählt, wie die späteren Skelettierung und Projektionsschritte bei dieser Auflösung gut funktionieren, und die Wahl der Arbeit im MNI152 Raum wird für die Bequemlichkeit der Anzeige und Koordinatenberichterstattung gewählt später. Sobald dies geschehen ist, hat jedes Subjekt-FA-Bild die nichtlineare Transformation zum Ziel und dann die affine Transformation in den MNI152-Raum, was zu einer Transformation des ursprünglichen FA-Bildes in den MNI152-Raum führt. Dies führt zu einer Standard-Space-Version der einzelnen Themen FA-Bild als nächstes werden alle zu einer einzigen 4D-Image-Datei namens allFA, die in einem neuen Unterverzeichnis mit dem Namen stats erstellt. Als nächstes wird der Mittelwert aller FA-Bilder erzeugt, die als meanFA bezeichnet werden, und diese wird dann in das FA-Skelettierungsprogramm eingegeben, um ein meanFAskeleton zu erzeugen. All dies geschieht einfach durch Ausführen des Skripts (von der Linux-Eingabeaufforderung): Alternativ, wenn Sie Zeit sparen möchten, können Sie das FMRIB58FA-Mittel-FA-Bild und das abgeleitete Skelett anstelle des Mittelwerts Ihrer Themen in der Studie verwenden , Können Sie die Option - T verwenden, obwohl dies zu schlechteren Ergebnissen führen wird. Das Skript beendet, indem Sie sagen, ob eine geeignete Schwelle für das mittlere FA-Skelett 0,2 beträgt (d. h. Mittelwert FA von 0,2 im Skelett - der Standard, der von dem nächsten Skript verwendet wird). Laden Sie zum Beispiel die 4D-FA-Daten (allFAmean) und das Skelett (allFAskeleton) in FSLView. Ändern Sie dann die Farbzuordnung für das Skelett zu Grün und setzen Sie den Anzeigebereich auf 0,2: 1. Nun schalten Sie die Filmschleife sehen Sie das mittlere FA-Skelett auf jeder einzelnen Themen ausgerichtet FA-Bild. Wenn alle Verarbeitung bisher funktioniert hat, sollte das Skelett wie die hier gezeigten Beispiele aussehen. Wenn die Registrierung gut funktioniert hat, sollten Sie sehen, dass im Allgemeinen jedes Thema großen Traktate sind angemessen gut auf die relevanten Teile des Skeletts ausgerichtet. Wenn Sie die Skeleton-Schwelle (in FSLView, die untere der Anzeigebereichseinstellungen) viel niedriger als 0,2 einstellen, wird sie sich in extreme Situationen erstrecken, wo es zu viel übergreifende Variabilität gibt und wo die nichtlineare Registrierung nicht gut gelingen konnte Ausrichtungen. Allerdings ist dies auch der einzige Weg, um Projektionen direkt in die graue Substanz zu proben. Denken Sie daran, die Skelettschwelle für die nächste Stufe. Erzeugung von Einzelthema-Skeletten Das letzte TBSS-Skript führt die letzten notwendigen Schritte aus, bevor Sie die Voxel-Cross-Subjektstatistik ausführen. Es schwankt das mittlere FA-Skelettbild an der gewählten Schwelle - ein gemeinsamer Wert, der gut funktioniert, ist 0,2 (siehe oben). Geben Sie Folgendes ein (in der linux-Eingabeaufforderung): Ersetzen Sie die 0.2 durch einen anderen Wert, wenn Sie sie ändern müssen (es könnte sein, dass Sie an Fasern interessiert sind, die unterhalb dieses Bereichs liegen oder nur Fasern, die im Durchschnitt eine höhere haben FA-Wert). Die resultierende Binärskelettmaske definiert den Satz von Voxeln, die bei jeder nachfolgenden Verarbeitung verwendet werden. Als Nächstes wird eine Abstandskarte aus der Skelettmaske erstellt. Dies wird in der Projektion von FA auf das Skelett (siehe TBSS-Papier für mehr Details). Schließlich nimmt das Skript das 4D allFA-Bild auf (das alle Themen enthält, die FA-Daten ausrichten) und projiziert für jeden Zeitpunkt (das heißt die Subjekt-ID) die FA-Daten auf das mittlere FA-Skelett. Dies führt zu einer 4D-Bilddatei, die die (projizierten) skelettierten FA-Daten enthält. Es ist diese Datei, die Sie in voxelwise Statistiken in den nächsten Abschnitt zu füttern. Skripten der TBSS-Schritte Um diese Befehle (die tbss-Kommandos) in einem Durchlauf ausführen zu können, kann ein Skript erstellt werden. Dies geschieht in kwrite. Öffnen Sie kwrite im TBSS-Verzeichnis, das von DTITBSS erstellt wurde, und geben Sie jeden Befehl in einer separaten Zeile ein. Speichern Sie die Datei im TBSS-Verzeichnis. Bash das Skript in diesem Verzeichnis. Laufende Statistiken zu TBSS-Daten TBSS-Daten werden statistisch ausgewertet (ein Modell wird an diese Daten angepasst) mittels Randomize (Permutationstests). Nach dem letzten Schritt enthält das DTITBSSstats-Verzeichnis die folgenden Dateien Nützliche Zusatzlinks Link zur FDT-Website 1. Link zur TBBS-Website 2.FSL Motion Outliers Das Tool fslmotionoutliers dient dazu, Zeitpunkte in einem fMRI-Dataset zu erkennen, die durch große Bewegung beschädigt wurden . Es erzeugt eine verwechselbare Matrix, die im GLM verwendet werden kann, um die Auswirkungen dieser Zeitpunkte vollständig auf die Analyse zu entfernen, ohne irgendwelche nachteiligen Auswirkungen in der Statistik. Dies ist beabsichtigt, mit den Effekten zwischen mittleren und großen Bewegungen umzugehen, die Bilder über alles hinaus beschädigen, das die linearen Bewegungsparameter-Regressionsmethoden beheben können. Es wird dringend davon abgeraten, dass die Zeitsteuerung nur mit Hilfe von verwechselten Matrizen durchgeführt wird, wie beispielsweise die Ausgabe durch dieses Skript, so als ob Zeitpunkte gelöscht werden, dann werden Teile der Analyse, insbesondere die zeitliche Filterung und Autokorrelationsschätzung, negativ beeinflusst. Die aktuelle Verwendung des Skripts ist: Grundlegende Operation Die einfachste Methode, um dieses Skript auszuführen ist nur, um die Eingabe 4D-Dataset (vor jeder Verarbeitung, einschließlich Bewegungskorrektur) und den Namen der Ausgabe verwechseln Datei angeben. Das Skript wird dann: (i) eine Bewegungskorrektur durchführen, (ii) Berechnen von Metrikwerten für jeden Zeitpunkt (der angibt, wie durch eine Bewegung beeinflußt wird), (iii) Schwellenwert der Metrikwerte, um nach Ausreißern zu suchen, und (iv) Verwechseln. Das Format der verwechselten Matrix ist eine separate Spalte für jeden Zeitpunkt, der als Ausreißer gilt. Innerhalb jeder Spalte sind die Werte alle Nullen außer für einen Wert von eins zum Zeitpunkt, der als Ausreißer betrachtet wird. Der Effekt des Hinzufügens dieses zum GLM ist, dass es den gesamten Einfluss dieses Zeitpunktes vollständig mit einer separaten Parameterschätzung (PE oder beta) modelliert, was bedeutet, dass die Intensitäten zu diesem Zeitpunkt (in jedem Voxel) keinen Einfluss auf einen der beiden haben Andere Parameter-Schätzungen, wodurch die Wirkung dieses Zeitpunktes effektiv aus der Abschätzung aller Effekte von Interesse entfernt wird. Wenn keine Zeitpunkte den Schwellenwert überschreiten, wird keine Ver - teilungsmatrix ausgegeben. Verwenden der Ausgabe in FEAT Die confound-Matrix sollte auf der Registerkarte Stats über die Schaltfläche Add additional confound EVs eingegeben werden. Die von fslmotionoutliers erzeugten Verwechslungen können mit anderen Bewegungsparameterregressionen kombiniert werden, um große und kleine Bewegungseffekte zu berücksichtigen und können von Vorteil sein. Dies liegt daran, dass die Verwendung von Bewegungsparameter-Regressoren nur für lineare (und möglicherweise quadratische) Änderungen der Intensität korrigiert wird, die durch kleine Bewegungen induziert werden, wohingegen fslmotionoutliers für irgendwelche Veränderungen verantwortlich ist, die jedoch stark sind, die durch große Bewegungen induziert werden. Daher sind diese Verwechslungen in der Lage, die nicht-linearen Artefakte und Slice-by-Slice-Bewegungen zu behandeln, die entstehen, wenn große, schnelle Bewegungen stattfinden. Jedoch kann das Standardproblem der Bewegungsparameterregression, die alle Aktivierung bei starker Reizkorrelationsbewegung beseitigt, noch existieren, obwohl das Hinzufügen von Ausreißerverstimmungen in einigen Fällen helfen könnte. Es gibt verschiedene Arten von Metriken: refrms: RMS-Intensitätsdifferenz von Volumen N zum Referenzvolumen dvars: RMS-Intensitätsdifferenz von Volumen N zu Volumen N1 (siehe Power et al., NeuroImage, 59 (3), 2012) refmse: square of (Mittelwert der Rotations - und Übersetzungsparameterunterschiede - unter Verwendung der gewichteten Skalierung wie bei Power et al.) Fdrms: Rahmenverschiebung (Mittelwert der Rotations - und Translationsparameterunterschiede - Matrix-RMS-Formulierung verwenden , Wie in Jenkinson TR99MJ1) Die Wahl der Metrik ist willkürlich und es ist nicht bekannt, welche überlegen ist, und wahrscheinlich unwahrscheinlich, dass eine Metrik unter allen Umständen überlegen wäre. Es gibt einen großen Unterschied zwischen den beiden letzteren Metriken, die auf den Bewegungskorrekturparametern beruhen, und die anderen, die auf Intensitätsunterschieden innerhalb der neu ausgerichteten Zeitreihen basieren. In dem Fall, dass die Bewegungskorrektur nicht genau ist, ist die Verwendung von Bewegungskorrekturparametern (Rotationswinkel und Translationen in mm) ein schlechter Weg, die Ausreißer abzuschätzen. Wenn es eine große Bewegung in der Reihe gibt, ist es möglich, daß die Bewegungskorrektur nicht korrekt ist (aufgrund der Anwesenheit von physikalischen Artefakten und signifikanten Schicht-zu-Scheiben-Bewegungsänderungen). Aus diesem Grund wird allgemein empfohlen, dass eine der beiden ersten Metriken (als refmse und refrms äquivalent) verwendet werden, um das Vorhandensein von Ausreißern abzuschätzen. Thresholding Standardmäßig ist der Schwellenwert, der verwendet wird, um einen Ausreißer zu definieren, der obere, der bei der Erstellung von Boxplots verwendet wird (das 75. Perzentil des 1,5-fachen InterQuartile Range). Die Option --threshold kann verwendet werden, um einen Absolutwert anzugeben, der als Schwellenwert anstelle der Boxplotschwelle verwendet werden soll. Zurzeit sind keine anderen Optionen verfügbar, wenngleich die unbeschränkten Metrikwerte bei Bedarf mit der Option - s für alternative Schwellwertbildung und Erzeugung von verwechselter Matrix gespeichert werden können. Es ist möglich, eine Maske anzugeben, um den räumlichen Bereich zu beschränken, über den die Berechnungen durchgeführt werden (für die drei obersten Metriken). Dies ist, wenn verwendet, gewöhnlich eine Hirnmaske, um Berechnungen auf der Grundlage von Nichthirnregionen zu vermeiden. Es ist nicht notwendig, zu verwenden und die Ergebnisse sind in der Regel sehr gut ohne Maskierung. Bewegungskorrektur Um die drei obersten Metriken zu berechnen, müssen die Zeitpunkte neu ausgerichtet werden (d. h. Bewegung korrigiert). Dies wird normalerweise automatisch durch das Skript ausgeführt, indem mcflirt ausgeführt wird (die ursprüngliche Datei wird nicht geändert). Wenn die Bewegungskorrektur bereits erfolgt ist, kann die Option --nomoco verwendet werden. Beachten Sie, dass die Option --nomoco nicht mit einem der Frame-Verschiebungs-Metriken verwendet werden kann, da sie Parameterwerte aus dem mcflirt-Lauf benötigen. Dummy-Scans Wenn Sie einen Eingangs-Timeeries verwenden, der Dummy-Scans enthält, sollten Sie die --dummy-Option verwenden, um sie aus den Berechnungen hier zu entfernen. Die Anzahl der Dummy-Scans, die Sie hier angeben, sollte dieselbe sein, die Sie in der FEAT-GUI beim Analysieren dieses gleichen Datasets angeben würden. Andere Ausgänge Wenn gewünscht, kann das Skript auch Plots der Metrikwerte (nützlich für QA) oder Textdateien mit den numerischen Metrikwerten (unbeschränkt) für andere Analysearten speichern. FSLMotionOutliers (MarkJenkinson 15:01:54 14-11-2012)