本文主要是介绍Resting State fMRI Data Processing，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
拿到数据之后会有三种处理选择：（可以在dpabi的模板里面选择）
1.
2.
3.
dpabi的运用以及各个选项的含义
timepoint ：eg（扫描时间是8min =8*60=480s，TR=2（扫描一个全脑的时间） timepoint=480/2=240）
Slice Timing(时间层校正)：因为扫描的时候一般是先奇数再偶数，如何拼成一张图，校正到同一个时间上
Reference Slice 一般是时间中点的层
Realign 头动校正
标标准位置reorent。：标到ICPC的位置
AutoMask：有的人头大有的人头小，有的地方可能覆盖不到
Bet:Brain extraction(Skullstrip),为了更好的coregistration
bet 会把结构像的头皮和头骨去掉 这样和功能像看起来大致差不多然后在
Normalize的集中方法
1.EPI模板
2.T1 image unified segmentation
3.DARTEL(用的最多)
（1）先把结构像变到平均校正头动的功能像上
（2）变化之后的结构像分割成灰质白质脑脊液
（3）DARTEL：create template
（4）配到MNI空间上来
4.T1 templates(hidden)
Smooth:平滑 可以提高信噪比，减少effects of bad normalization
Mask：（好像是有个阈值，默认50%）
ALFF和fALFF：可以计算低频振幅
ReHo（Regional homogeneity）:(一个体素 和所有邻居之间肯德尔系数）局部一致性
Degree Centrality Calculation ：一个体素和全脑所有的体素的连接系数
Functional Connectivity:存在FC中 你会得到每个roi的voxel-wise 功能连接结果
eg：zROI。。。。.img z是更符合正态分布的一种
不同的roi之间的结果 存在\results\FC
prepare for vmhc：nomarlized to sym template ：对称体素的相关性，两个区域有比较好的对称性，这个就是把他们配置到一个对称的模板上面
VMHC：(Voxel-mirrired homotopic connectivity)：
具体：1.被试的T1 images会配置到mni空间，all subjects创建一个平均的T1 image template
2.把这个平均的T1 iamge 左右翻转一下求一个平均，得到一个对称的T1 template
3.T1 template 把all subjects的T1配到这个对称的 template上，然后apply the transformations 到功能像上
function session：multiple functional sessions：会对每个相应的session进行处理，出结果图
Starting Directory Name:最开始是FunRaw
之后会得到中间结果的文件夹，可以从中间文件接着跑，不用重复跑
A：slice timing slice timing的目的是保证同一个TR内的每一层都是在同一个时间点采集的，以保证采集每一层时大脑都在同一状态，同一个TR脑活动情况相同；
R：Realign(头动校正)
W:Normalize （空间标准化）
S:Smooth （平滑）
D:Detrend （处理可以消除传感器在获取数据时产生的偏移对后期计算产生的影响）
F:Filter
C:Covariates Removed
B:ScruBBing
CWAS:做MDMR，做多元回归，耗资源，1-2-3-4
这篇关于Resting State fMRI Data Processing的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
