Li‘s 核磁共振影像数据处理-27-使用FSL进行基于白质骨架的弥散统计分析（Tract-Based Spatial Statistics，TBSS）分析流程

讲解视频内容请移步Bilibili：
https://space.bilibili.com/542601735
入群讨论请加v hochzeitstorte
请注明“核磁共振学习”
公众号：美好事物中转站
公众号回复“itksnap”获取测试文件。

使用FSL进行基于白质骨架的弥散统计分析（Tract-Based Spatial Statistics，TBSS）分析流程

FSL 官方地址：
https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/TBSS/UserGuide

TBSS概述

利用磁共振扩散成像，测量白质纤维束中水的各向异性扩散，来提供大脑解剖连接的信息。
扩散数据最常用的测量方法之一是各向异性分数(FA)，它量化了局部区域结构的方向性有多强。许多影像学研究开始在体素统计分析中使用FA图像，来定位与发育、退化和疾病相关的大脑变化。然而，使用标准的配准算法会影响优化分析；如何配准多被试的FA图像，使得后续的基于体素的分析能够得到有效结果，这一问题还没有令人满意解决方案。此外，空间平滑程度选择的随意性问题还没有解决。
TBSS的目标是通过a)仔细调整的非线性配准，然后b)投影到对齐不变的纤维束表示(即“平均FA骨架”)来解决这些问题。 TBSS旨在提高多被试扩散成像研究的敏感性、客观性和可解释性。
小李说：多被试FA图像的配准总是不大准，TBSS就是来解决这一问题的。而TBSS解决这一问题的思路是a)精细调整非线性配准，b)把每个被试的FA影像配准到“平均FA骨架”上。

TBSS步骤：

0. 通过扩散影像计算FA图像
1. 按要求，准备FA数据并进行预处理（tbss_1_preproc）
2. 将所有FA图像非线性配准到标准空间（tbss_2_reg）
3. 创建平均FA图像骨架（tbss_3_postsreg）
4. 将所有受试者的FA数据投射到平均FA骨架上（tbss_4_prestats）
5. 统计分析

TBSS实践：

数据情况展示，所有被试的FA图像放在了tbss_test文件夹内。（如图）
【公众号：美好事物中转站，回复“TBSS”获取测试文件。】

预处理（tbss_1_preproc）

将终端路径调整到tbss_test文件夹，输入：

tbss_1_preproc *.nii.gz

脚本将把所有处理过的FA图像移动到一个名为FA的新子目录中，还将创建另一个名为origdata的子目录，并将所有原始图像移动到其中以供后续使用。


在FA/slicesdir/slicesdir路径下，将生成index.html文件，通过浏览器打开该文件，可以快速检查每一例情况。

非线性配准（tbss_2_reg）

将所有FA图像对齐到1x1x1mm的标准空间。在配准中使用的目标图像可以是一个预定义的目标，也可以自动选择为研究中最“典型”的。通常我们建议使用FMRIB58_FA标准空间图像作为TBSS的目标。这只涉及对每个被试进行一次配准，通常会得到良好的配准结果。这个选项通过使用-T来实现。或者，您可以使用-t选项提供自己的目标映像。
第三种选择是将每一个FA图像与其他图像对齐，找出“最具代表性”的图像，并将其作为目标图像。然后将该目标图像仿射对齐到MNI152标准空间，将目标FA图像的非线性变换与该目标到MNI152空间的仿射变换相结合，将每幅图像转换到1x1x1mm的MNI152空间。这个选项是通过使用-n来选择的，如果您需要生成特定于研究的选项，例如，如果受试者都是幼儿(因此成人派生的FMRIB58_FA目标是不合适的)，这个选项是推荐的选项。
小李总结：-T：配准到FMRIB58_FA标注空间图像；-t 自定义图像；-n 配准到转换到MNI152空间的“最具代表性”个体影像。
命令举例：

tbss_2_reg -T

配准后处理（tbss_3_postreg）

将在前一阶段的非线性转换应用于所有被试，将它们带入标准空间。
如果前一个阶段是运行-n选项(找到最典型的主题作为目标)，该脚本首先需要决定哪些你的足总图像是最“典型”，将所有其他被试转换到该空间。（脚本通过依次获取每个FA图像，并估计将所有其他图像对齐所需的平均扭曲量来实现这一点；然后，当它作为目标时，它会找到平均弯曲量最小的那个。）显然，如果您预先指定FA目标图像，那么这一步将自动跳过。然后脚本将目标和仿射-对齐到1x1x1mm MNI152空间-这个分辨率，因为稍后的骨架化和投影步骤在这个分辨率下工作得很好，选择在MNI152空间工作是为了方便以后的显示和坐标报告。一旦做出了选择,每个被试的FA图像非线性变换到目标然后MNI152空间应用仿射变换,导致原始FA的形象转变成MNI152空间（实际上先对这两个转换进行了合并,以避免对图像重采样两次）。
上述过程创建了标注空间的每个被试FA图像；接下来，将这些合并到一个名为all_FA的4D图像文件中，创建在一个名为stats的新子目录中。接下来，创建所有FA图像的均值，称为mean_FA，然后将其输入FA骨架化程序以创建mean_FA_skeleton。

tbss_3_postreg -S

或者，如果你希望使用FMRIB58_FA均值FA图像及其骨架，而不是研究中受试者的均值，请使用-T选项:

tbss_3_postreg -T

一般来说，建议使用-S选项。
脚本最后告诉您检查平均FA框架的合适阈值是否为0.2（下一个脚本使用的典型值）。例如，加载4D FA数据和骨架到FSLView:

cd stats
fslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green

这里也可以手动打开读图软件（如我这里的fsleyes），通过UI界面操作进行查看。

基于体素的统计准备

它在选定的阈值处对平均FA骨架图像进行阈值处理——常用的值是0.2(见上)。

tbss_4_prestats 0.2

生成的二进制骨架掩模定义了所有后续处理中使用的体素集。接下来，从骨架蒙版创建一个“距离地图”。这用于FA在骨架上的投影（更多细节请参阅TBSS论文）。最后，脚本获取4D all_FA图像（包含所有受试者对齐的FA数据），并且，对于每个“时间点”(即，被试ID)，将FA数据投射到平均FA骨架上。这就产生了一个包含（投影）FA数据骨架的4D图像文件。在后续分析中，您可以使用这个文件提供体素统计数据。

讲解视频内容请移步Bilibili：
https://space.bilibili.com/542601735
入群讨论请加v hochzeitstorte
请注明“核磁共振学习”
公众号：美好事物中转站
公众号回复“itksnap”获取测试文件。