基于FSL的DTI数据预处理流程

《基于FSL的DTI数据预处理流程》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于FSL的DTI数据预处理流程最近在学习处理DTI数据，总结了一份应用FSL做DTI数据预处理的流程与大家交流交流。如果有错误的地方欢迎大家指正！我用的数据是Philips的数据，如果是GE或者西门子的数据可能会有所不同。原始数据：包括3DT1数据和高分辨率DTI数据，均是dicom格式。工具：MRICRON和FSL，所有的命令均在Linux的终端中运行。1.格式转换：将后缀名为dcm的原始数据转换为后缀名为nii.gz格式的数据。nii.gz格式的数据不损失原始数据信息，并且能节省大量空间。FSL能够处理的是nii.gz格式的数据。命令：dcm2nii*.dcm需处理的文件包括：3D

2、T1数据和DTI数据输出文件说明：1）3D结构像生成原文件、o开头、co开头的文件。其中o开头的文件主要是进行了reorient的，而co是经过切割了neck的。一般用于空间normalize都选用co开头的文件。为了便于说明，此处生存的文件名记为file1。2）对于DTI数据，Philips的数据选用已x开头的.nii.gz文件。文件名记为file2.转换完成后需要检查bvals和bvecs文件。可以在matlab中查看所有被试的bvlas文件，检查b值是否一致，方向数是否相同；检查bvecs文件，查看不同被试的DTI方向差别是否太大。2.提取b0图像需处理的文件为：.nii.gz格式

3、的DTI数据命令：fslroifile2b00-10-10-101输出文件：b0.nii.gz3.剥脑命令：bet2b0.nii.gznodif_brain-m-f0.3bet2file1-m-f0.3需处理的文件包括：.nii.gz格式的3DT1数据和DTI数据输出文件：nodif_brain.nii.gz和nodif_brain_mask.nii.gz需要检查剥脑效果，后面如果想做TBSS的话，个别被试的剥脑结果不好的话会影响整个骨架的mask。4.涡流校正命令：eddy_correctfile2data0输入文件：.nii.gz格式的DTI数据输出文件：data.nii.gz此处生

4、成的文件data.nii.gz就是包含后面一系列处理需要使用的文件了。5.计算张量，FA，MD值等命令：dtifit--data=data.nii.gz--out=data--mask=nodif_brain_mask.nii.gz--bvecs=bvecs--bvals=bvals输入文件：eddy_currect生成的文件data.nii.gz，nodif_brain_mask.nii.gz，bvlas，bvecs输出文件：data_FA.nii.gzdata_L1.nii.gzdata_L2.nii.gzdata_L3.nii.gzdata_MD.nii.gzdata_MO.nii

5、.gzdata_SO.nii.gzdata_V1.nii.gzdata_V2.nii.gzdata_V3.nii.gzDTI数据的预处理基本上就包括上面这些内容，此时计算出来的各项数据均是个体空间下的，没有配准到标准空间里，不能直接做组间对比。后续还可以依据data.nii.gz文件在dtk上做确定性纤维跟踪，也可以继续在FSL上进行概率性纤维跟踪或者TBSS。基于TBSS的DTI数据处理流程Linux系统，安装好FSL，DTI数据完成预处理后可进行TBSS处理，比较各组间FA骨架的差异。1.数据准备：在研究目录下，创建一个叫’TBSS’,并且把所有被试个体空间下的FA图像（data_F

6、A.nii.gz）拷贝到该目录中。mkdirTBSScdTBSSlsAD_N00300_dti_data_FA.nii.gzAD_N00302_dti_data_FA.nii.gzMCI_N00499_dti_data_FA.nii.gzMCI_N00373_dti_data_FA.nii.gzNC_N00422_dti_data_FA.nii.gzNC_N03600_dti_data_FA.nii.gz2.TBSS预处理：scalingtheimagevalues、convertingthemtoAnalyzeformat,，这两步都是alignmentstage必需的命令：tbss_

7、1_preproc*.nii.gz这一步生成两个新的目录：‘FA’包含新的转换过的图像；‘origdata’包含原始图片。origdata目录下的slicedir文件夹下有各被试预处理后的FA图，可以检查一下是否有数据问题。3.运用非线性配准将所有被试的FA图像对齐。命令：tbss_2_reg1）最准确的方法是把每个被试的图像与其他被试的图像进行一一对齐，然后选出整个数据中最有代表性的图像，其他的图像都与它对齐。这个方法需要数天的时