脑结构和功能分析学习建议.docVIP

脑结构与脑功能分析前期学习建议 下图为脑结构与功能分析的流程、部分软件工具示意图； 了解并主要的三个步骤，即数据预处理、网络连接与网络分析和显示，它们各自的ri的、 任务与重点解决的主要问题； 熟悉每一步需要的主要软件工具，它们的功能、特点及使用方法。下图只列出了儿种软 件工具，还需要进一步调研，并了解H前使用的主流软件，如脑结构、DTI,fMRI,EEG/MEG 分析的软件，并能对它们进行比较。 理解脑网络连接模型的原理、网络连接计算方法； 在了解主要软件工具的特点后，初步学会使用这些软件，并通过Demo、实例与操作， 掌握软件的使用方法，理解三个步骤之间的内在关系，以及软件之间的接口。 总之，通过上述内容的学习，预期目标为基本掌握脑结构和功能分析的原理、软件使用 方法，时间为1?2个月，即6月底一8月中旬。为下一阶段的课题研究工作作好充分准 备。口變田兴振二遇链囚The network-based statistic2?脑网络分析与结果显不BrainNet Viewer堤取时腥序列厢电慣■ - ? 备。 口變田兴振 二遇链囚 The network-based statistic 2?脑网络分析与结果显不BrainNet Viewer 堤取时腥序列 厢电慣 ■ - ? flL___I 3.数据预处理 软件：SPM或AFNI 功能：头动校正、配准、 标准化、平滑、分割、统 计分析等 1.脑网络连接 软件：Brain Connectivity Toolbox(BCT)Human Connectome Project(HCT) fl\/IRI_Fun ctional_c onn ectivity_toolboxSurf Stat SPM的统计分析基础一一GLM模型 SPM的统计分析，操作相对简单，但其背后的原理却不容易。从这个角度上说，与功能强大、界面丑陋、 操作复杂的的AFNI相比，SPM的设计无疑是很成功，也许这就是SPM在咲学图像处理领域独领风骚的 原 因 之 一 吧。 在一系列的图像预处理之后，进入统计模型的建立及估计环节。 理论上，经过预处理的数据可以宜接进行统汁分折，但是这样做会有很大的局限胜。我们需要考虑到实 际信号（探测到的神经生理响M）包含有多方而的因素。如果我们可以把它分成感兴趣的部分、不感兴 趣的部分以及谋斧项，这样以来，…方曲可以用于复杂问题的研究，另…方曲使有用信息更加突出。为 了达到这个目的，SPM采用一般线性模型（GLM ）对采集到的信号进行统计分析。 通俗的说，GLM基于这样一种假设：每个像素上的实验数据（丿IJY来表示，同一任务的时间序列或不同 任务序列的），是一些未知参数（用x表不）的线性组介（用B表不）。这些未知参数与任务或时间有关、 但与具体脑区（像索）无关的已知参它组成的矩阵通常又称为设计矩阵。 但与具体脑区（像索）无关的已知参 它组成的矩阵通常又称为设计矩阵。 在经过GLM描述Z后，分析的对象就发生了转变。原木是对Y的统计分析，现在转向了拟合得到的（3。, SPM得到的脑功能激图实际上就是根据对参数p的统计推断而得到的。 那 么， 对参 数卩的 统计 推断 究竟是怎 么 一回事 ? 首 先 , 是 检 杳 设 计 矩 阵 的 正 确 性 ■ 其 次 , 使 用 最 小 二 乘 法 法 拟 合 出 参 数 P 再 次 , 对 3 系 数 做 t 检 验 或 者 F 检 验 最麻，根据t检验或者F检验统计址和阈值，对B系数做统计推断。 根据t或F值以及相应的阈值，可以得到该阈值对应置信度的脑功能激活图。由于它是对模型的参数做 统计分析而得到的，所以被称为统计参数图。与阈值对应的t或F值记为SPM{t}, SPM{F}o SPM还提 供了与t或F值及它们相应的自由度所对应置信度的{0, 1}正态分布的参数值z,这样也得到关于z图 像，记为SPM{z}a此外，根据这些激活图，SPM还可以输出脑血流等生理信号的响应曲线以及不同状 态的响应特性等。 t检验、F检验与B系数的关系 Null hypothesis： B=0.假是如果某一体索的检验结果达到显著性水平，我们有理由拒绝Null hypothesis。 这就意味着这个点的p系数在组间存在异常弟异，因此就表明该体索的实验数据Y值存在显著性差异。 这里在逐个体素逐体素地进行t检验、力茅分析等统计Z后，SPM会进行…个多元校正的分析，常用的 方法就是FDR、FWE校正。 在这里，想说一下，自己把概率论学的东西都还给老师了，惭愧！其实我们的概率论里面有两个主要的 研究内容，参数估计和假设检验。这里用到的是假设检验的内容。 这 里 补 充 一 点 假 设 检 验 的 基 础 知 识 假设检验的基本任务是根据样木所提供的信息，对未知总体分布某些方血的假