跳转到内容

神经影像数据处理/处理/步骤/平滑

来自维基教科书,开放的书籍,开放的世界
神经影像数据处理/处理/步骤
时间滤波 平滑 表面提取


空间平滑

[编辑 | 编辑源代码]

基本上,信号流可以分别分解为时域、空域或频域,而“平滑”的故事发生在信号的频域。想象一批信号可以表示为频率向量与每个点的功率。曲线在达到最大值之前可能遵循一个跳跃的周期,然后峰值之后是一个长尾。平滑只是为了滤除高频区域,目的是提高图像的信噪比。通常,所谓的低通滤波器会去除高频信号,同时保留低频部分,而高通滤波器则相反。所以在平滑中,需要的是一个低通滤波器。最流行的平滑方法是用三维高斯滤波器对三维图像进行反卷积。平滑程度与高斯分布的半高全宽 (FWHM)成正比,FWHM 与标准差 (σ) 的关系为 FWHM = 2σ2ln(2)。标准差 (σ) 越大,曲线越平滑,平滑程度越大。

什么是好的平滑 ?

[编辑 | 编辑源代码]

直观地说,平滑程度越大,图像越模糊,同时丢失的信息也越多。那么什么样的平滑程度才能在保留高分辨率和去除伪影之间取得平衡呢?根据平滑的目的,可能会有不同的答案。首先,如果目的是降低图像中的噪声,那么平滑的明智选择不应大于要找到的激活信号。这很容易理解,因为如果使用一个洞口像海豚一样大的网,就不会捕捉到蝌蚪。然后,平滑的目的可能在于减少解剖结构变异性的影响,这种变异性在空间标准化过程中未能得到校正。在这种情况下,最佳平滑将取决于您要比较的图像系列的变异程度。最后但并非最不重要的是,平滑可能是统计分析的先决条件(例如,高斯随机场需要一定程度的空间平滑),在这种情况下,选择一个两倍于体素维度的 FWHM 是合适的。[1]


静息态 fMRI

[编辑 | 编辑源代码]

在基于图的分析中,空间平滑的应用存在争议。有人认为,平滑引入的空间依赖性增加可能会混淆局部连接强度,特别是对于体素级配准中使用的小 ROI 来说[2]

SPM(统计参数映射)

通过 GUI

点击 FEAT FMRI 分析,选择预统计并设置平滑核

启动 FSL GUI,点击 FEAT FMRI 分析 并选择 预统计。在 空间平滑 FWHM (mm) 字段中,您可以设置平滑核。默认情况下,它设置为 5 毫米。如果您根本不想平滑,请将值设置为 0。请记住,平滑的程度(有意义)取决于潜在激活区域的大小。因此,如果您正在寻找一个大的激活区域,您可以增加核(例如,到 10-15 毫米的值);如果您正在寻找一个小激活区域,您应该将核从默认值 5 毫米降低。

3dmerge 函数包含一个用于空间平滑的选项,即 -1blur。您可以调整不同的参数(例如,使用 rsm 或 sigma 阈值),查看手册页面[3]。对于应用于整个数据集的 4 毫米 FWHM 高斯平滑核(默认值),命令将是

3dmerge -1blur_fwhm 4.0 -doall -prefix OUTPUTFILE INPUTFILE

afni_proc.py 中,模糊是默认块,具有以下设置,但是可以更改

-blur_filter -1blur_fwhm
-blur_size 4
-blur_in_mask no

参考文献

[编辑 | 编辑源代码]
  1. Poldrack, Russell A. Mumford, Jeanette A. Nichols, Thomas E. 功能性磁共振成像数据分析手册。2011
  2. Satoru Hayasaka, Paul J. Laurienti, 静息态 fMRI 数据中区域和体素级网络分析特征的比较,神经影像,第 50 卷,第 2 期,2010 年 4 月 1 日,第 499-508 页,ISSN 1053-8119,http://dx.doi.org/10.1016/j.neuroimage.2009.12.051.
  3. http://afni.nimh.nih.gov/pub/dist/doc/program_help/3dmerge.html
华夏公益教科书