AFNI 步骤4-命令和预处理

第一部分　　AFNI命令和uber_subject.py的使用

　　略

第二部分　　时间矫正

　　在扫描过程中，从第一个切片到最后一个切片之间存在一定的时间差，导致采集到的数据并不是一个时间点的。

　　在扫描过程中，MRI有两种扫描方法，  顺序切片采集，按照顺序从上到下、从下到上进行采集    交错切片采集，每采集一张切片后隔一张再采集，然后第二遍进行间隙填充。

　　脚本：3dTshift

第三部分    配准和标准化

　　我们每个人的大脑都是相似的，但是也存在一定的差别，在进行组分析时这些差别会产生影响，所以我们要保证每个人的大脑体素都对应到相同的大脑模板上。比如让每个被试的视觉皮层与其他人是相互一致的。

　　这需要用到配准和标准化，大脑模板是具有标准的坐标和维度，许多研究者一致认可的数据。

　　仿射变换：包括缩放、裁减、平移和旋转四种线性变换。而对于非线性变换，比如一边放大，另一边缩小。

　　我们最终的目的是把功能像配准到标准模版，有两个途径： 直接将功能像配准到标准模版，这样效果较差 先将结构像配准到标准模版，保存配准过程中的变换参数，再将功能像配准到结构像。在实际的配准过程中，功能像因为分辨率较低，变换会引起较大的误差，我们一般倾向于将结构像进行配准。

　　问题：我们是将结构像配准到标准空间，再将功能像与结构像配准，那么上述说的将结构像配准到功能像就与之矛盾！！！

　　A：在这个过程中，我们首先将功能像配准到结构像（实际操作是结构像配准到功能像，保存变换矩阵，然后反向操作就实现了功能-结构），然后再把结构像配准到标准空间，也保存了一个变换矩阵。最后将两个变换矩阵进行合并，就实现了功能像到标准空间的配准。

　　使用align_epi_anat.py脚本执行。

第四部分   对准和运动矫正

　　在扫描过程中受试者的头部可能会有轻微的扰动，对于成像结果来说会产生影响，我们需要对头动进行矫正。

　　刚体变换：采用刚体变换来解决头动问题，如果我们设定一个参考点，然后检测到受试者的头部向哪个方向移动了，那么我们只需要将图像的切片向相反的方向移动同样的距离即可，当然，不只是平移，包括旋转等。

　　在volreg部分执行上述操作。

第五部分　　平滑

　　平滑就是用周围体素的平均值代替当前体素，这对使得图像变得模糊，分辨率降低。但是平滑对与fMRI来说是非常有效的，因为fMRI的噪音较大，平滑后可以显著降噪，同时增强信号。平滑核函数一般包括两个：4mm和10mm，越大的核函数平滑程度更大，当然图像分辨率也越低。

　　

　　脚本：blur部分

第六部分　　mask和体素缩放

　　设置一个掩膜只把头部纳入进来，其余部分都去掉。去结构像的mask，然后应用到功能像上。

　　脚本：3dAutomask

　　不同受试者的图像之间像素强度可能存在差异，这样的分析结果不会有任何意义，所我我们将每个体素的时间序列缩放为100的平均值（范围0-200）。

第七部分   检查预处理结果

　　通过afni查看处理后的图像，每一步的图像都有保存。有部分sub的图像会出现缺失，这是因为结构像和功能像的图像中心差距过大。

　　解决办法：进入带有三个代码文件的目录，删除预处理结果文件夹。  rm -r sub01.result

　　手动编辑proc.sub01脚本，该脚本就是通过uber_subject.py  GUI界面产生的预处理脚本。在

　　@auto_tlrc -base MNI_avg152T1+tlrc -input sub-08_T1w_ns+orig -no_ss    后面加上

　　-init_xform AUTO_CENTER，然后tcsh proc.su01重新进行预处理。

　　到此，预处理步骤就全部结束！