脑结构和功能分析学习建议

《脑结构和功能分析学习建议》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、口境冷只振麺电/銅■»-•-—■1.脑网络连接软件：BrainConnectivityToolbox(BCT)HumanConnectomeProject(HCT)2.脑网络分析与结果显示BrainNetViewerfMRI_Functional_connectivity_toolboxSurfStatThenetwork-basedstatistic记隶电ttJ/iSifi二信矩埠皮层L度脑区分創艾承矩蹲堤取时闾序列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；(1)了解并主要的三个步骤

2、，即数据预处理、网络连接与网络分析和显示，它们各门的目的、任务与重点解决的主要问题；(2)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，并了解口前使用的主流软件，如脑结构、DTI,NRI,EEG/MEG分析的软件，并能对它们进行比较。(3)理解脑网络连接模型的原理、网络连接计算方法；(4)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

3、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。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SPM的统计分析棊础一一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，与功能强人、界而丑陋、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在医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Z后，进入统计模型的建立及估计坏节。理论上，经过预处理的数据可

4、以直接进行统汁分折，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应）包含冇多方面的因索。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托项，这样以来，一方面可以用于复杂问题的研究，另一方面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（用丫来表示，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表示）的线性组合（用B表示）。这些未知参数与任务或时间有关、但与具体脑区（像素）无

5、关的已知参数.它组成的矩阵通常乂称为设计矩阵。在经过GLM描述Z后，分析的对彖就发生了转变。原木是对Y的统计分析，现在转向了拟合得到的仇,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P的统计推断究竟是怎么一回事？首先,是检杳设计矩阵I?•J正确性■■其次,使用M小•■乘法法拟合出参数P再次,对3系数做t检验或者F检验最后，根据t检验或者F检验统计量和阈值，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

6、统计参数图。与阈值对应的t或F值记为SPM{t},SPM{F}0SPM还提供了与t或F值及E们相应的自市度所对应迸信度的{0,1}正态分布的参数值乙这样也得到关于z图像，记为SPM{z}3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（3系数的关系Nullhypothesis：B=0•假泄如果某-体素的检验结果达到显著性水¥，我们有理由拒绝Nullhypothesis。这就意味着这个点的卩系数在组间存在界常差界，因此就表明该体素的实验数据Y值存在显著性差异。这里在

7、逐个体素逐体素地进行t检验、方差分析等统计之后，SPM会进行一个多元校正的分析，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本所提供的信息，対未知总体分布某些力血的假设做出合理解释。假设检验的程序是，先根据实际问题的要求捉出一个论断，称为零假设（nullhypothesis）或原假设，记为HO（一般并列的有一个备择假设（altern

8、ativehypothesis），记为H1）然后根据样本的有关信息,对H0的真伪进行判断，做!l!拒绝H0或不能拒绝H0的决策。假设检验的基本思想是概率性质的反证法。概率性质的反证法的根据是小概率事件原理。该原理认为"小概率事件在一次实验中几乎是不可能发生的〃。在原假设H0下构造一个事件(即检验统计量)