afni中文教程_全版1教程帮助afni中文教程

afni中文教程_全版1教程帮助afni中文教程内容摘要：

5]39。 {subbrick selector}39。 r1+orig39。 {subrange selector}39。 r1+orig[3..5]100..20039。 {both selectors}39。 3dcalc( a r1+orig b r2+orig expr *(a+b) )39。 {calculation}(2) 运动校正将不同方式和不同时间获取的图像进行对齐，从而利于体素体素(voxelbyvoxel)比较。 这样功能时间序列将更少地受被试运动的影响；如果图像正确的校正的话，可以比较不同session的结果。 绝大多数图像校正都使用pairwise alignment方法。 即给出一个基准图像(base image)J(x)和一个要进行校正的图像(target image)I(x)，寻找一种几何变形(geom. transformation)T[x]，使得I(T[x])≈J(x)。 T[x]依赖于一些参数：目标是寻找一些参数使得变换后的I与J最拟合。 为校正整个时间序列，每个3D Volume In(X)都通过自己的变换Tn[X]进行与J(x)配准，n=0,1,…；所以结果也是一个时间序列In(Tn[X])，用户必须选择基准图像J(x)。 绝大多数图像校正都需进行3种算法选择：如何测量I(T[x])和J(x)之间的误差E。 如何调正T[x]的参数使得E最小。 如何对I(T[x])进行插值至J(x)的网格(grid)。 在fMRI图像处理过程中，刚体模型配准问题可以分为两步：(1)刚体模型：首先通过迭代法估计出描述空间坐标之间变换参数的最佳值，然后用这些参数对需要配准的图像进行空间变换和必要的内插处理。 (2) 图像重取样(resample)：图像重取样是决定变换到新的空间坐标之后每个体元的值。 经过变换之后的体元位置大多数情况下不是正好一个体元位置，所以需要通过插值法重新取样。 方法包括取最相邻体元的值(0阶重取样)或多点线性插值(一阶重取样)。 几种插值方法可以使用，默认的是Fourier，最准确但速度最慢。 其它的有1, 3, 5, 7次拉格郎日多项式插值(linear, cubic, quintic and heptic)。 目前的AFNI程序通过灰度(强度)值进行图像的配准。 E=平方差的加权和= Sx w(x) • {I(T[x]) J(x)}2EPI, 但SPGR和EPI之间不行。 224。 SPGR, EPI224。 所以只对类似的图像可以进行配准，如SPGR□ 3D Registration224。 Plugins224。 3dvolreg或Define Datamode 用来对3D volume(subbrick)进行对齐。 T[x]有6个参数：RL, AP, IS轴的位移及沿IS, RL, AP轴的旋转(分别对应于Roll, Pitch, Yaw)。 常用于session内(intrasession)和session间(intersession)的对齐。 对于发生在单个TR(23s)内的运动则无法校正。 Usage: 3dvolreg [optinos] dataset. 3dvolreg base 4 heptic clipit zpad 4 prefix fred1_epi_vr dfile fred1_vr_dfile fred1_epi+origbase 4 222。 选择输入数据集(fred1_epi+orig)的子数据块(subbrick) 4作为基准图像J(x) 也可以写成base fred1_epi+orig[4]。 可以使用不同的图像作为基准图像，但大多数情况下， 但最好使用最靠近解剖像扫描的时间点，因为这时描扫参数相似。 heptic 222。 选择7次拉格郎日多项式插值方法(见前述)clipit 222。 将负的体素值设为0(注：负值是由于高次插值方法导致的伪影)zpad 4 222。 在进行shift/rotation前，将每个耙图像(target image, 即I(x))垫0四层(Zero padding)，最后再去掉。 对于Fourier插值法，Zero padding非常需要。 同样多项值插值方法也适合，因为如果有较大的旋转，如果不垫0的话将会有数据丢失prefix fred1_epi_vr 222。 指定输出文件的前缀dfile fred1_vr_dfile 222。 将估计的运动参数输出至指定的1D 文件(以后可使用1dplot绘图显示) 为查看是否有较大的平移和旋转，可以查看运动参数文本文件： 1dplot volreg dx 5 xlabel Time ‘fred1_vr_dfile[1..6]’ ( [1..6] 指出运动参数文件中6 列包括平移和旋转的估计值) ( KB)2007915 23:39 可以看出，在160s附近有最大的运动，因为被试在此时刻头动了一下。 3dvolreg可以相当好地处理小的运动(motion)，但是较大的运动 ( 1mm) 不能被正确地校正。 可以用AFNI查看运动校正后的数据集看是否是这样。 时间序列会显示什么样(. 是否有运动有关的数据不连续点)? 沿着时间轴是否还有明显的运动? 3D224。 Plugins224。 同样的操作，可以通过点击Define DateMode Registration完成，界面如下： ( KB)2007915 23:39 Datasets用于选择输入和输出数据集；Parameters用于选择基准图像和Resampling插值方法；Outputs用于指出1D输出文件名称。 填写完毕，点击Run+Close即可。 □ 2D224。 Plugins224。 2dImReg或Define Datamode Registration2dImReg用于对齐2D层面图像。 T[x]有3个参数(x, y轴的位移和z轴的旋转)。 对于矢状面的EPI扫描，如果被试点头的运动快于TR，则无法被3dvolreg校正，所以只能用2dImReg校正。 如果有可能的话，在3dvolreg之后再运行2dImReg去除点头运动非常有意义。 2dImReg使用比较简单：2dImReg input fred2_epi+orig basefile fred1_epi+orig base 4 prefix fred2_epi_2Dreg2dImReg的功能同样可由Plugins来完成，点击2D Registration, 出现界面如下： ( KB)2007915 23:39同3D Registration，分别选择输入和输出数据集有基准图像，点击Run+Close即可。 □ 同被试不同session之间的校正(对同一被试进行持续多日的研究) ( KB)2007915 23:39如果进行纵向研究或对长时期神经行为(如Learning)的研究，则需进行intersession registration。 Session之间的变换通过计算每个Session高分辩率的解剖像来实现。 因为to3d可以定义1个session内EPI和SPGR之间关系；而3dvolreg可以计算不同session间的关系；所以可以将EPI数据集从session 2转换至sessoin 1的轴向。 Intersession校正存在的问题：a. 被试的头放置位置不同(方向和定位都不同)；所以xyz坐标和解剖位置都不对应。 (如下图，Day 1和Day 2的层面位于同一体素的并非同一组织，需进行旋转，然后进行平移。 ( KB)2007915 23:39b. 扫描覆盖的解部结构不同。 c. EPI和SPGR之间的几何关系在不同session之间不同。 d. 层面厚度也可能不同(不过可以尽量避免此点)。 如下图，进行旋转时还需要注意一个问题，即旋转的原点应该相同(以SPGR 中心)，否则需要先进行中心平移。 ( KB)2007915 23:39上述问题的解决方案：a. 在旋转后再加上适当的平移(on top of熟练掌握, 在...之上, 另外, 紧接着)；允许不同天进行的实验(E1E2)之间进行xyz方向的平移，以及EPI和SPGR之间(E1S1和E2S2)的中心平移(center shifts)b. 将EPI数据集垫加(pad)额外的层面(zeros slices)，这样进行对齐的数据集可以包含所有session的所有数据c 对数据集进行Zero padding可在to3d(创建数据集)时进行，也以后使用3dZeropad进行d 3dvolreg和3drotate可以进行zero pad 从而使输出符合网格父数据集(“grid parent” dataset)的大小和位置。 ( KB)2007915 23:39进行intrasubject S2toS1变换的步骤a. 计算S2toS1的变换关系3dvolreg –twopass –clipit –zpad 4 –base S1+orig –prefix S2reg S2+origb. 旋转/位移参数保存在S2reg+c. 如果以前没有做(. in to3d)，对E1数据集进行Zero pad3dZeropad –z 4 –prefix E1pad E1+origd. 对E1数据集进行intrasession校正3dvolreg –clipit –base ‘E1pad+orig[4]’ –prefix E1reg E1pad+orige. 对E2数据集进行intrasession校正，同时进行大的旋转/位移校正至Session的坐标系(需要的信息存在S2reg+)3dvolreg –clipit –base ‘E2+orig[4]’ –rotparent S2reg+orig –gridparent E1reg+orig –prefix E2reg E2+orig注：rotparent 告知intersession变换关系从哪获得 gridparent 定义输出的新数据集的网格位置及大小 输出数据集将取决于E1reg+orig的需要进行平移和Zero padded上面讨论的步骤没有考虑不同层面厚度(EPI and/or SPGR)时的问题。 最好的解决方案是在扫描时尽量对同一类型图像使用相同的层面厚度；当然，如果没有做到这一点，可以使用3dZregrid对数据集进行线性插值，从而具有相同的厚度。 上面的步骤也没有考虑存在头信息内(from to3d, . ‘alt+z’)的层面依赖的时间位移。 在插值至新的旋转后的网格时，体素的值再也不能说来自某一特定的时间位移，因为来自不同层面的数据集将集合在一起。 在做空间插值之前，首先对数据集进行时间位移至共同的时间原点非常有意义。 时间位移可以使用3dTshift或3dvolreg –tsihft完成。 功能像的时间域滤波数据可以在线性模型拟合前使用 3dFourier进行时间域的过滤，将会对时间序列进行相当严格的频率域过滤。 Usage: 3dFourier [options] dataset (Afni 3d+time 数据集)prefix 新的输出3d+time数据集名称[默认为fourier]lowpass f 低通滤波的界值(f Hz)highpass f 高通滤波的界值(f Hz)ignore n 忽略最开始的n个图像[默认为1]retrend 任何均值和线性趋势在滤波前去除，在滤波后再恢复注: lowpass和highpass可以一起用，构建成bandpass。 例：3dFourier prefix run_1_vr_lp lowpass retrend run_1_vr+orig低通(low pass)滤波界值(cutoff value)是基于输入刺激模型的频率谱(. the 1D files)，如下图(图像经过反转色彩)。 ( KB)2007915 23:45时间滤波在线性模型拟合前平滑数据，而提供更好的模型拟合。 在选择频率界值时应该保守一点，并在时间滤波后用AFNI查看时间序列。 功能像的空间平滑在一些时间点，你可能想对你的数据进行空间平滑(smooth)或模糊(blur)。 因为两个原因。 一是许多平滑操作及空间平滑趋向于平均图像中的较高空间频率噪声，因此，具有较大范围的激活区域仍然保存，但一些较小范围的激活被去除。 二是集合被试间的数据之前，需要进行空间模糊(blurring)，因为脑解剖结构即使在标准化至标准脑空间(Talairach)后也存在差异，因此它们的功能激活区有可能并不精确重叠。 在数据处理过程中主要有三个步骤可以进行空间平滑。 数据在重建(如使用hamming或fermi filter选项)时可被平滑。 这样做具有优势：在它们进行进一步处理前消除不需要的噪声或伪影。 然而，在重建过程中的空间平滑是层面内的(inplane)。 也就是说，它为每个脑层面独立应用平滑，因此不考虑层面间的不需要的较高空间频率噪声，也没有。