基于cat12和SPM12进行SBM数据分析笔记

前言——小白二顿操作猛如虎，搞定SBM

期末考试结束了，可以安心干活了，纠结了好久，还是选择放弃一些，舍得舍得，有舍才有得。给自己立个小flag，下周三之前把所有的培训作业再重新完完整整做完，并写下这些堆积已久的blog。还是那句话，初心不改，继续向前，简单就好。言归正传，回到小编被折磨良久的SBM，当然深受折磨也是因为这将是我接下来几个月里面的主要工作。老规矩，初学者，在这记录自己的学习笔记总结，也看过一些文献，所以引用出处均已注明，而且记得比较通俗，不够专业化，如有不妥之处及任何问题都可以随时提问，欢迎指正。

一、SBM简介及其常用指标数据介绍

1、简介
SBM（Surface-based Morphometry），全称译为基于表面的形态学测量分析。研究人员发现，针对某些大脑认知问题用目前VBM的发现很难解释，因为它们可能是由大脑皮层中的皮层厚度、表面积、皮质体积和折叠的差异或这些指标的任何组合造成的。换句话说，虽然像VBM这样的经典形态测量方法使用图像强度来提供表观灰质密度或体积的综合测量，但它们无法分离皮层这种变化的几何基础。这意味着局部灰质密度的变化可能是由于厚度的区域变化，或仅由表面积，或这些指标的任何可能组合。此外，通过VBM测量的表观灰质密度可能会受到局部回转指数(即皮层折叠)的影响，这是一种进一步的复杂维度，如果不明确重建皮质几何结构，就无法提取出来。而SBM方法可以使研究人员能够克服这些限制并解开皮质厚度，表面积和折叠，以检查这些指标中的每一个如何导致皮质解剖结构的变异性。

简介引用：
Riccelli, Roberta et al. “Surface-based morphometry reveals the neuroanatomical basis of the five-factor model of personality.” Social cognitive and affective neuroscience(2017). doi:10.1093/scan/nsw175

2、常用皮层指标
（1）皮层厚度（Thickness），其示意图如下图所示：

下图引用出处：
Dahnke, R., et al., Cortical thickness and central surface estimation, NeuroImage (2012), http://dx.doi.org/10.1016/j.neuroimage.2012.09.050

（2）沟深（Sulcus depth）其示意图如下图所示：

下图引用出处：
Lyu, Ilwoo et al. ，Sulcal Depth-based Cortical Shape Analysis in Normal Healthy Control and Schizophrenia Groups，Proceedings of SPIE–the International Society for Optical Engineering(2018).doi:10.1117/12.2293275

简易图如下所示：1是回，2是沟，黑色双箭头线长度代表的就是沟深。这是小编自己手画的

（3）皮层褶皱（Gyrification index）如下图A中所示（当然图B中的红色线段也形象地解释了沟深），皮层褶皱表示的就是在相同的区域内皮层折叠数的多少，小编是这么理解的，如有疑问欢迎指出。

下图引用出处：https://fenix.tecnico.ulisboa.pt/downloadFile/1970719973967693/Tese_Margarida_Silva_final.pdf

（4）皮层复杂度，分形维数（Fractal dimension），这个指标较为复杂，小编看了多篇文献，也没有明白，比较模糊，分形维数虽然师姐给小编讲过她的理解，但还是不太懂，所以就不强行加buff了。

二、SBM统计分析基本操作步骤

@copyright：小编原创不易，转载注明出处哦！https://blog.csdn.net/Sophia2023/article/details/109993539

1、数据准备
SBM所利用的数据是小编之前VBM预处理分割步骤中生成的surf文件夹里面生成的文件，分为四种（lh和rh分别代表左脑和右脑）如下图所示：

PS：出现彩色图标是因为小编之前以为gii图像也能用MRIcron打开，所以选了默认打开，忘改了，正常应该都跟最后一个厚度那个图标一样。那gii图像到底可以用什么工具包打开呢，莫急，请继续向下阅读。
所以在做指标计算前，请先确认以上四种数据是否齐全。
2、流程
（1）第一步，简介部分介绍了几种常用指标，所以现在就应该想怎么去计算这些指标呢。cat12显然能够出色地完成这项任务。首先找到cat12如下图所示菜单选项，

双击红色方框，弹出batch界面，在上面便能找到除厚度以外（PS:厚度在做VBM的时候已经获得）三种常用指标的数据导入选项。双击Central Surfaces选项导入数据，注意红框选项，只有选yes才能计算相应的指标。小编此处全部计算。

Central Surfaces导入数据如下图所示：

点击运行，等待计算完成，便会生成如下图所示地数据：

（2）第二步：重采样&平滑。选择如下图所示菜单选项，双击，

得到如下图所示的batch界面，每一个选项的详细信息介绍均在图中标注，可依据信息导入数据并选择对应的选项。

此时可将每个被试的四种左脑surface指标分别导入，之后一起运行。至于为什么只需要导入左脑数据，合并左右脑又选yes，最后出来的结果是合并的全脑皮层数据，问题来了，右脑数据没有导入，从何而来的右脑数据，以前小编猜想的是cat12有算法利用对称性，将右脑重建，后来小编的小伙伴用大脑左右脑实际上不对称，这样得出的数据不可靠否定了小编的猜想，嗯嗯，小编觉得合理。于是小编又有第二种猜想，便是根据导入的左脑数据路径去匹配对应得右脑数据，大家都觉得这个猜想更可靠，可行性也更高，读者觉得如何呢？想讨论皆可留言哦，不过小编觉得答案应该在cat12背后得脚本中，这也是小编未来需要做的一项工作。（：四种指标一起重采样&平滑操作技巧如下图：

四种指标导入，其他选项与之前保持一致，注意只有高斯核要根据需要调整，接下来便可以点击运行，得到如下图所示的结果文件：

(3)第三步：接下来就是统计分析了。由于统计分析的种类有多种，对于双样本T检验，小编在上一篇blog关于VBM的统计分析中已经提过，操作基本一致，都是采用SPM12来分析。所以本文便不再重复工作了，其他统计分析，小编暂时还未接触，也就只能至此了。而结果嘛，小编做了一组，通过SPM12可视化如下图所示，这是小编当初交的培训报告，如有不对之处，欢迎提出指正，相互学习。

（4）gii图像展示。接下来便回答本文中提到的gii图像到底如何打开。找到如下图所示菜单选项，双击。

便可以出现以下界面，点击红色方框进入选择想要展示的gii图像，并且可以通过下方的gui按钮显示将一些细节信息进行可视化。不得不说，matlab的配色真的让人折服。

小编选择了一个gii文件可视化如下图所示，作为小白，也就只能欣赏这美丽的颜色喽。加油，争取知其然，并知其所以然。用这么漂亮的图结尾，是小编的荣幸，继续学习，希望能最终学会SBM处理。