FreeSurfer漢化教程

介紹FsFAST的預處理

根據官網的英文進行翻譯，並在使用過程中所犯的錯誤進行解決的過程

介紹Tutorial Data 下載以及安裝

安裝

安裝Tutorial Datasets 從教程數據，創建文件tutorial_data在自己的工作路徑中。

curl https://surfer.nmr.mgh.harvard.edu/pub/data/tutorial_data.tar.gz -o tutorial_data.tar.gz
tar -xzvf tutorial_data.tar.gz
rm tutorial_data.tar.gz

配置

爲了能夠運行tutuorials用於需要設置環境變量TUTORIAL_DATA設置爲 tutorial_data的根目錄，文件夾中必須包含提取出來的數據(目錄有’buckner_data’,‘long-tutorial’,'fsfast-functional’等)，由於教程中頻繁使用環境變量TUTORIAL_DATA，需要對他進行適當的設置才能正常運行

export TUTORIAL_DATA=/path/to/your/tutorial/dir
ls $TUTORIAL_DATA

buckner_data                    fsfast-functional
diffusion_recons                fsfast-tutorial.subjects
diffusion_tutorial              long-tutorial

如果出現類似上面的輸出，則可以進行教程的學習了

FSFAST 預處理介紹

一旦數據存放在適當的目錄結構和命名約定中，可以對數據執行預處理步驟，預處理包括：
a) Template Creation
b) Brain Mask Creation
c) Registration with FreeSurfer Anatomical
d) Motion Correction
e) Slice Timing Correction
f) Spatial Normalization
g) Masking
h) Spatial Smoothing
在FSFAST中，假設每個數據集將在三個歸一化空間中進行分析：

1. Left cortical Hemisphere 左半球大腦皮層
2. Right cortical Hemisphere 右半球大腦皮層
3. Subcortical Structures 皮層下結構(Volumed-based)
   判斷多大的平滑和是否需要進行Slice Timing Correction。在這個分析中使用FWHM=5mm對數據進行平滑處理，然後需要進行Slice Timing Correction。 Slice Timing對於特殊的數據集是升序的(“Ascending”)，即first slice是最先得到的，second slice是第二個得到的。
   執行一下命令，對數據執行預處理部分，首先切換到目標目錄中.

export SUBJECTS_DIR=$TUTORIAL_DATA/fsfast-tutorial.subjects
cd $TUTORIAL_DATA/fsfast-functional

然後執行preproc-sess具體命令如下

preproc-sess -s sess01 -fsd bold -stc up -surface fsaverage lhrh -mni305 -fwhm 5 -per-run

這條命令有幾個參數：

• -s sess01:進行預處理的session是哪個
• -fsd bold:表示functional subdirectory(FSD)
• -stc up:執行slice-timing correction的順序是 ascending(‘up’)
• -surface fsaverage lhrh:數據應該被採樣到 "fsaverage"受試者的左右半球
• -mni305:將數據採樣到 mni305 volume(2 mm 各向同性體素大小)
• -fwhm 5:在重採樣之後使用 5mm FWHM進行平滑處理
• -per-run：分別配準每個run

上面的了命令做的步驟比較多，如果是包含多個被試時，將花費比較長的時間執行。
產看其中一個運行目錄的內容

ls $TUTORIAL_DATA/fsfast-functional/sess01/bold/001

你將看到呈現出很多的文件，但是有三個比較重要的文件:

• fmcpr.up.sm5.fsaverage.lh.nii.gz -左半球的 fsaverage
• fmcpr.up.sm5.fsaverage.rh.nii.gz -右半球的 fsaverage
• fmcpr.sm5.mni305.2mm.nii.gz - volume的fsaverage - 用於皮層下分析

這些是時間序列的數據，並且他們的名稱表明他們執行的過程

• fmcpr - 每個run的頭動校正
• up - 使用升序的時間層校正(slice-timing correction)
• sm5 - 使用 5mm FWHM進行平滑處理。
• fsaverage.lh - 左側半球的表面進行採樣
• fsaverage.rh - 右側半球的表面進行採樣
• mni305.2mm - 在2mm各向同性的 fsaverage (MNI305)volume中採樣
  
  想要了解更多，看Preprocessing Details

Quality Assurance 質量保證

Functional-Anatomical Cross-modal Registration

功能-結構交叉模態配準
通過以下命令獲得配準質量的總結

tkregister-sess -s sess01 -s sess02 -s sess03 -fsd bold -per-run -bbr-sum

輸出爲每一個session的每一個run的值

sess01     001 0.5740
sess01     002 0.5776
sess01     003 0.5813
sess01     004 0.5740
sess02     001 0.5159
sess03     001 0.6021

• 第一列表示Session的ID
• 第二列表示每個Session中的每次Run
• 第三列表示quality assurance (QA)值。他是從0到1的值，0表示完美，1表示糟糕。

實際值取決於您如何獲取數據。一般來說，任何超過0.8的值都表示可能出了問題，比如:

• 功能和結構像的個體不匹配
• 功能像的左右顛倒
• 初始化失敗(部分FOV(Field-of-View)時有發生)

使用以下命令查看registrations的圖像

tkregister-sess -s sess02 -fsd bold -per-run

• 這將在Freeview中每次Run中顯示registration。
• 現在只需要看一下配準的結果並確定他看起來結果不錯
• 退出Freeview

如果你想知道更多的關於registration使用tkregister和Freeview，看多模態教程

Preprocessing Details

您不需要執行下面的步驟來理解本教程的剩餘部分。這部分可以使你深入理解FS-FAST預處理的內部工作原理.
回到其中一個運行的目錄，看看preprocess產生了什麼

cd $TUTORIAL_DATA/fsfast-functional/sess01/bold/001
ls

在進行預處理之前，目錄中只有 f.nii.gz, workmem.par和wmfir.par。現在裏面有許多文件，每個文件都表示不同的預處理階段，現在輸入：

ls -ltr

這個命令將最早創建的文件放在最上面，最晚創建的文件放在最下面

Template

這個階段創建 template.nii.gz 。這是原始功能數據的中間的時間點(f.nii.gz)。這是一個參考用於頭動校準和配準到運行的結構圖像。也被用作創建大腦的mask。

使用 mri_info驗證Template與原始數據具有相同的維數和分辨率:

mri_info template.nii.gz
mri_info f.nii.gz

注意:本條命令的意思是通過mri_info之後對模板文件(template.nii.gz)與原始數據文件(f.nii.gz)進行比較，以下分別是template與f的緯度和分辨率的信息

Masking

運行期間產生的Mask存放於masks目錄之下。運行ls -ltr masks。（注意： ls -ltr masks 表明羅列出masks文件夾中的文件按照創建時間進行排列）您能夠發現一個名稱爲brain.nii.gz的文件。他是通過使用FSL BET程序產生的二進制mask，還有一個由三個體素嵌入的mask名稱爲brain.e3.nii.gz的文件。這個eroded mask只能通過從腦組織中計算得到（減少邊緣效應）。這些文件和template文件有着相同的維度。查看masks命令：

freeview -v template.nii.gz masks/brain.nii.gz:colormap=heat:opacity=0.75 -viewport cornonal

freeview -v template.nii.gz mask/.brain.e3.nii.gz:colormap=heat:opacity=0.75 -viewport coronal

您可以通過移動不透明的滑塊或者輸入一個新的值來調整mask的不透明度。現在，mask的不透明度設置的是0.75(這是通過在freeview的命令行中設置 opacity=0.75)，這樣您就能看到哪裏與template的volume重疊。brain.nii.gz是用於約束體素的操作步驟。利用eroded mask計算強度歸一化和全局平均時間過程的平均功能值。其他的masks之後會講到。

Intensity Normalization and Global Mean Time Course.

默認情況下，FS-FAST將按比例改變所有voxel的強度和時間點，以確保他們在不同的run,session,subject有相同的值。通過除以大腦中所有voxel和時間點的平均值，然後乘100，確保不同run, session, subject有相同的值。這些數據存儲在globl.meanval.dat。 您可以看到這是一個簡單的text文件，將值存儲起來稍後再用。每個時間點的平均值也能構成waveform(text文件是 global.waveform.dat)。這個可以作爲一個nuisance迴歸

• runs 1，2，3，4的整體意義是什麼？

Functional-Anatomical Cross-modal Registration

將之後的六個文件(init.register.dof6.dat, register.dof6.lta, register.dof6.dat.sum, register.dof6.dat.param, register.dof6.dat.mincost, register.dof6.dat.log)進行配準從功能像到相同被試FreeSurfer的結構像之上。這裏只有兩個文件是真正重要的:register.dof6.ltaheregister.dof6.dat.mincost

• register.dof6.lta - 包含配準矩陣的text文件
• register.dof6.mincost - is a text file that contains a measure of the quality of the registration

Motion Correction

motion correction階段產生了這些文件: fmcpr.aff12.1D, fmcpr.nii.gz, mcprextreg, mcdat2extreg.log, fmmcpr.nii.gz.mclog, fmcpr.mcdat。其中只有三個比較最重要的文件：

• fmcpr.nii.gz – 這是motion correction的功能數據。他和原始的功能數據有着相同的維度和大小。
• fmcpr.mcdat – 每個時間點的全部頭動數據的text文件
• mcprextreg – 文本文件的運動校正參數組成一個正交矩陣，可以作爲 nuisance迴歸
• 通過命令 mri_info 確認 fmcpr.nii.gz 和f.nii.gz有相同的維度

Slice-Timing Correction

Slice-Timing Correction對在2s內獲得30張slice進行時間層校正。通過在時間點之間進行插入來使每個Slice與TR中間層的時間進行對齊來進行Slice-Timing Correction。通過 fmcpr.up.nii.gz進行生成.

• 使用命令mri_info確認 fmcpr.nii.gz與f.nii.gz有着相同的維度

Resampling to Common Spaces and Spatial Smoothing

功能數據保留在native functional space。現在將其採樣到公共空間。公共空間是一個geometry，即所有被試要進行體素與體素之間的配準。在FS-FAST有這樣的三個空間：

• fsaverage的左半球(fmcpr.up.sm5.fsaverage.lh.nii.gz)
• fsaverage的右半球(fmcpr.up.sm5.fsaverage.rh.nii.gz)
• fsaverage的volume(MNI305 space) - 用於皮層下分析(fmcpr.sm5.mni305.2mm.nii.gz)

每一個都是將整個4D功能數據集重採樣到公共空間中。進行重採樣之後要進行空間平滑處理，基於2D表面的平滑處理用於表面，3D的用於Volume。查看MNI305空間volume的維度：

mri_info --dim fmcpr.up.sm5.mni305.2mm.nii.gz # 查看數據的維度和slice數量
mri_info --res fmcpr.up.sm5.mni305.2mm.nii.gz # 查看數據的分辨率

76 列76行 93slice的數量 142時間點的數量

2.000 2.000 2.000表示voxel的三個座標軸上的大小 2000.000=TR。

這個空間的轉換是基於 FreeSurfer重建過程中創建的12 DOF talairach.xfm。產看左側大腦半球的Volume

mri_info --dim fmcpr.up.sm5.fsaverage.lh.nii.gz
mri_info --res fmcpr.up.sm5.fsaverage.lh.nii.gz

1.00 1.00 1.00 2000.000

前三個沒有什麼意義，因爲在surface中沒有行，列以及slice。最後一個2000.000表示2s。這個空間的轉換時基於FreeSurfer重建過程中產生的基於表面的被試之間的配準。

First Level分析

First Level (Time Series) Analysis

這個教程描述通過 configuring 分析(設計矩陣)和對照如何分析時間序列數據。有兩個不同的階段：

1. Configuring analyses and contrasts
2. 通過擬合時間序列到模型上以及計算contrast的p值分析數據。

在Project的母目錄下進行教程

export SUBJECTS_DIR=$TUTORIAL_DATA/fsfast-tutorial.subjects
cd $TUTORIAL_DATA/fsfast-functional

Configure an Analysis