SPM/VBM

体素形态计量学

VBM 的批评

VBM 存在许多批评。特别是，SPM 使用的空间归一化准确性是许多人感到不满的问题。SPM 中的空间归一化仅使用约 1000 个参数，并且仅拟合整体大脑形状。它无法扭曲一个大脑使其完全匹配另一个大脑。为了弥补这种不准确性，数据被平滑，其中平滑量应部分取决于跨主体配准的准确性。有许多方法可以评估空间归一化的“准确性”。一种方法是查看不同组织类别之间的重叠程度。这表明，例如，灰质与灰质匹配。它并不表示，例如，不同受试者的各种脑沟处于对齐状态。例如，使用具有过多自由度的配准模型，一个受试者的脑沟可能会被扭曲，使其看起来成为另一个受试者的不同脑沟。为了将脑图像与总体单变量统计数据进行比较，空间归一化的目标不应该是使不同受试者的脑部看起来相同，而应该是尽可能地将同源区域对齐。有迹象表明，具有过多自由度的模型可能比具有较少自由度的模型更糟糕。例如，Hellier 等人的评估，比较了不同方法的配准准确性，表明 SPM2 的空间归一化与任何其他方法一样准确。其他方法注册脑沟之间的平均距离分别为 9.9、10.3、11.5、10.7 和 10.8 毫米。SPM2 中简单方法获得的平均距离为 8.7 毫米。显然，仍有很大的改进空间，但对于几乎完全自动化的方法而言，它做得还不错。目前存在许多跨主体配准和组织分割程序。如果发现 SPM 中的功能不足，这些程序也可以用于预处理。特别是，基于表面的方法可能被证明更有效。

另一个批评是，形状是多变量的，因此任何形态计量学都应该基于多变量统计，而不是总体单变量检验。我（John Ashburner）大体上同意这一点。不幸的是，多变量分析的结果在脑成像社区中无法轻易传播——特别是如果结果仅限于论文所需的 2D 图片。社区希望定位有限数量的离散体积差异（而不是对差异进行全面表征）。

另一个批评是，不同的分析方法会产生不同的结果。原因是不同的分析问的是不同的问题，答案可能不同。特别是，“全局归一化”方法的选择会极大地改变生成的斑点模式。还要注意，不同的预处理也会产生不同的结果。最“准确”的预处理将给出最准确的结果解释和最高灵敏度。不太准确的预处理将给出不太准确的解释。不同的配准或分割算法产生不同结果这一事实与使用不同的地标对其他形态计量分析产生不同结果这一事实完全相同。配准永远不可能完美，因此会发现一些虚假的体积差异。如果对更大的区域进行平均（即使用更大的 FWHM 进行平滑），那么误配准的影响就会降低。因此，可以确信任何差异都是真正的体积差异。如果人们认真对待反对 VBM 的论点，那么所有手动体积分析都是错误的，因为结构永远不可能以 100% 的精度勾勒出来。

t 检验的非平稳残差方差也是解释结果的一个问题。这会导致斑点朝向残差方差低的脑区移动，远离残差方差高的脑区；MASCOI 可能有助于解决此问题。许多人看到大脑外存在显著差异，因为当人们向没有灰质的区域移动时，残差方差接近于零；这是使用某种掩模的动机之一（另一个动机是降低多重检验问题的严重程度）。请咨询您当地的统计学家以获取更多解释。

解释结果

最一般的解释是，在该区域的预处理图像中，强度存在显著差异。难点在于确定是什么可能导致了这些差异。有两种可能的解释：

1) 一个组的结构比另一个组小。

2) 组的解剖结构之间存在一些其他显著差异，这些差异在该区域的分析中表现出来。这里有许多可能性。

通常，我们希望预处理能够使检验对第一个解释更敏感，但其他原因永远不能排除。例如，一个组的脑室更大，这会系统地影响空间归一化。另一种可能性是存在对比度差异，并且结构在一个组中比另一个组表现得更好（因此被更好地分割为灰质）。

t 统计量与组之间的差异成正比，除以残差变异的平方根。如果存在相同的体积差异，但灰质的变异性更大，那么灰质中的统计数据将不那么显著。估计的残差平滑也可能存在问题。如果残差更平滑，则校正的程度更小，因此校正后的统计数据更显著。

统计数据在离变异性更大区域越远的地方越敏感。在 VBM 中，这意味着最显著的差异往往会从结构的中心移开。

使用 VBM 估计的对比度图像（con_*.img）与您采用未平滑的预处理数据、制作差值图像，然后平滑此差值图像的情况相同。初始差值主要在边缘，但被模糊（通过平滑），因此覆盖更大的区域。

"调制"

空间归一化会扩展和收缩一些脑区。调制涉及按收缩量进行缩放，以便调制后的 GM 的总灰质量与原始图像中的总灰质量相同。

如果您采用极其精确（不一定极其准确）的配准和分割的极限情况，则预处理的浓度图像很可能完全相同。对这些数据的分析将不会向您展示任何内容。因此，我倾向于将未调制的数据解释为配准误差的表示，而不是尝试预处理数据以使 t 检验对更有意义的体积差异更敏感。

形状是多变量的。一个结构的体积可能与另一个结构的体积相关。例如，较小的脑部可能具有较小的壳核。如果您通过比例缩放在模型中包含“全局变量”，那么可以对此进行解释。类似地，壳核的大小可能与周围结构的大小相关，也可能不相关。调制分析试图校正空间归一化期间区域性膨胀/收缩的体积。未调制分析实际上是在比较缩放出相邻区域体积变化后的体积。相邻区域的定义含糊不清，并且取决于空间归一化的精度。

例如，假设空间归一化只能配准到颞叶的分辨率，并且该脑区内的所有内容都以大致相同的量进行扩展或收缩。如果一个组的海马体相对于颞叶的体积很大，那么此过程对这种差异将更敏感。不幸的是，不容易准确地说出空间归一化的尺度是什么，因此这种分析的结果有点任意。

VBM 实践

基础知识

启动 MATLAB，确保 SPM 在您的路径中（例如，运行 pathtool 并添加 SPM 目录），然后键入spm pet 以启动 GUI。

SPM5 中的统一分割

预备工作

(编辑：添加有关 DICOM 导入的内容？)

首先确保您的图像与模板大致对齐：单击检查配准，转到SPM5/templates/目录并选择T1.nii，然后转到包含您的数据集的目录并选择图像。如果它们未大致处于配准状态，则需要使用显示按钮，然后调整值（上、俯仰等），然后单击重新定向并重新选择图像。

分割

点击Segment按钮将弹出一个选项页面；您必须选择您的文件（在Data下），并且您可能需要更改Output Files选项。除非您有理由这样做（这些说明适用于初学者！），否则为感兴趣的组织选择modulated normalised，不要保存偏差校正，也不要进行清理。将所有Custom选项保留为默认状态。如果您需要，可以现在保存作业（为.mat文件），或者点击Run来分割图像。作为非常粗略的估计，每张图像需要30分钟。

平滑

点击Smooth，选择图像（Modulated normalised/Warped tissue Class图像以mwc为前缀），将data type选项保留为same，并选择平滑宽度。这是一个困难的决定... 常用的宽度为8到12 mm，您可能需要进行试验才能决定什么最适合您的扫描/受试者，尽管有人认为核宽度应该与您要搜索的差异的预期大小相匹配。除非您有充分的理由这样做，否则请三次输入相同的数字，因为通常希望在所有方向上（即使用各向同性核）进行相同的平滑。

统计

这很难给出简短的介绍，因为它在很大程度上取决于您的实验，但为了给出未配对双组t检验的一个非常简单的示例：点击GUI左上角附近的Basic Models，然后选择双样本t检验因子设计。输入扫描，并输入您想要的任何协变量（例如，年龄，颅内总体积等。请参见下面的#Obtaining Covariates）。现在关于掩码... 如果这是您第一次尝试VBM，最好选择绝对阈值掩码并输入值0.05。但与平滑非常类似，究竟使用什么掩码是一个比较困难的决定。设置输出Directory，您希望将结果写入其中。在第一次尝试时最好将其他选项保留为默认状态，尽管可能需要检查下面的#Globals部分...

点击Run，检查出现的实验设计矩阵，然后点击左侧的Estimate，并选择您刚刚为输出选择的目录中的SPM.mat文件。然后点击Results，并再次选择此文件。

现在您需要担心一般线性模型对比，这可能是一个相当复杂的部分。对于没有协变量的简单未配对双组t检验，[-1 1]的t对比将给出右尾（组2 > 组1）t检验；[1 -1]将给出左尾（组1 > 组2）t检验，而[-1 1]或[1 -1]的F对比将给出F检验（组2 $\neq$ 组1），相当于双尾t检验。

在定义和选择对比后，您将被询问是否要使用其他对比对其进行掩码（说不，除非您知道自己想要这种分析）。接下来，您将被问及如何校正/调整多重比较。如果您没有想法，我会选择FDR，并将默认值保留为0.05；更好的是，阅读Genovese和Nichols关于FWE和FDR的文章。然后，您应该会看到显着区域的标准最大强度投影（MIP）图。点击左侧的p值按钮之一（可能需要volume）将生成一个结果表，而选择overlays... sections并选择例如T1模板将允许您在脑部中移动以查看显着区域。

SPM2和SPM99中的优化VBM

对于SPM5来说，这不是必需的，因为Segment按钮应该在一个统一模型中完成所有操作。"优化VBM"是一个半成品程序，大约在10分钟内发明，目的是为改进SPM中的空间归一化提供一个快速短期解决方案。它确实改善了空间归一化，并且还应该为fMRI数据提供更好的受试者间配准（因此获得更好的结果）。如果您想在SPM2或SPM99中执行优化VBM，则程序如下

分割原始图像

这涉及到将模板隐式配准到图像。这里估计的变换用于叠加先验概率图，这些图有助于分割。在执行此步骤之前，您可能需要通过Display重新定向图像。这样是为了使仿射配准有更好的初始估计。在[1]中搜索关键词reorient Display将为您提供有关此方面的所有提示。

清理灰质。

这仅适用于SPM99。在SPM2中，此过程与分割相结合。将seg1和seg2图像输入程序，结果是brain_*.img，该图像对脑部具有1的值，对非脑部具有0的值。生成的brain_*.img用于从*_seg1.img文件中删除一些错误分类的体素。这是使用ImCalc完成的，选择seg1_、seg2_、seg3_和brain_图像，输入输出文件名，以及以下表达式

       i1.*i4./(i1+i2+i3+eps)

从GM估计形变。

进行第一次分割和清理的原因是为了通过匹配GM与GM来估计一组空间归一化参数。在SPM99中，您将禁用"Mask brain when registering?"，并将空间归一化图像的分辨率设置为高于当前默认值。模板将是灰质图像，可能是apriori目录中的图像，也可能是自定义制作的模板。

将这些形变应用于原始T1图像。这将为您提供一个空间归一化的T1图像，其分辨率应约为1mm各向同性。在此时，可以删除原始的*_seg*和brain_*图像。

分割空间归一化的T1。

告诉分割程序图像已进行空间归一化，因此不需要进行仿射配准。

清理灰质。

与上面相同（仅适用于SPM99）。

调制

空间归一化会扩展和收缩一些脑区。调制涉及按收缩量进行缩放，以便调制后的 GM 的总灰质量与原始图像中的总灰质量相同。

平滑。

最好通过约12mm进行此操作。

统计。

预处理的整个想法是，t检验对GM中的体积差异敏感。请记住，您的结果可能反映了图像之间的其他差异。

自定义模板

SPM5之前的SPM版本中的空间归一化需要与要与其匹配的图像具有类似对比的模板。原因是目标函数基于图像之间的均方差。只有当不同组织类型的强度在图像之间对应时（还有一个估计的缩放因子，它重新缩放整体强度），这才有意义。在SPM5中，Segment按钮允许使用不同的目标函数来实现空间归一化，该目标函数不依赖于图像对强度之间的简单关系。有关机制的完整详细信息，我建议您查看Ashburner & Friston. Unified segmentation. NeuroImage 26(3):839-851 (2005).

想法是，SPM5的分割会形变一组组织概率图，使它们叠加到要分割的图像上。形变后，它们将代表每个体素属于特定类别的先验概率（的一部分）。

理想情况下，这些组织概率图应该代表所研究人群的先验概率，并且是通过对大量不同受试者（wc*.img）的空间归一化组织类别图像进行平均得到的。我怀疑如果您没有大量受试者，那么与SPM5一起发布的组织概率图将比仅包含大约20个受试者的平均值更具代表性。

全局

大规模单变量检验方法假设图像中的所有体素都是独立的（除了GRF校正部分）。使用"全局"是一种折衷方案，用于对每个体素与某些全局度量之间的依赖关系进行建模。

大多数研究形状的人使用多变量框架。形状基于对应特征的位置之间的关系，在考虑大小、位置和方向后得出。不幸的是，我们没有足够的受试者进行完整的multi-variate分析，因此我们将分析限制为mass-univariate分析，并可能使用"全局"作为混杂因素，或使用某种比例缩放。我们试图通过将研究范围限制在识别灰质增加或减少的区域来回答更具临床意义的问题。

"全局"是一种折衷方案（欺骗），需要将某种多变量性引入分析中。人们通常希望看到一个显着斑点的图，因此通常采用大规模单变量方法（SPM）。实际上，形状（以及因此的相对体积）确实是多变量的。一个结构的体积与另一个结构的体积相关。更大的大脑可能（平均而言）具有更大的海马体。具有全局更厚灰质的大脑更有可能在特定沟回处具有更厚的灰质。此外，分割（出于某些原因）高估了灰质数量的大脑，也可能看起来在特定区域具有更多的灰质。

不幸的是，这种多变量性不是简单的线性关系。例如，更大的大脑更有可能具有比灰质更多比例的白质。对于全局不同的脑部，在大量单变量方法中，究竟要解释这些差异的含义变得非常困难。基本上，不清楚对于任何特定实验应使用什么作为全局。这将取决于您对受试者的理论。

比例缩放将体积转换为总脑/GM体积的一部分的值。例如，您可能能够说某个点周围的区域包含总GM体积的3%。如果您对这种度量的差异感兴趣，那么比例缩放模型可能更可取。或者，如果您想要定位灰质体积趋势与总灰质体积趋势不同的区域，那么ANCOVA模型可能更可取。

使用"无全局"和"调制"分析旨在显示灰质中绝对体积差异的区域。使用总灰质作为混杂因素将显示不能通过总灰质差异解释的绝对差异区域。

您可以在实验设计矩阵中包含额外的列，这些列对各种无关紧要的影响进行建模（例如，对某些全局度量的ANCOVA校正）。这允许您定位不能通过这些无关紧要的影响解释的差异。

例如，在一个组比较中，一组的大脑可能比另一组的大脑更大。在这种情况下，您可能只对与总脑容量不同的体积差异模式感兴趣。

使用与总灰质的比例缩放将显示差异，即某个区域包含不成比例的大或小的总灰质区域。例如，一个结构可能通常占总脑灰质的 2%，但在患者中，它可能占 1.5%。

男性与女性测试是一个棘手的测试。男性通常比女性体型更大，头部也更大。如果您要对鼻子大小进行分析，那么男性很可能鼻子更大。也许您想知道，在考虑了头部大小后，这种额外的尺寸是否仍然显著，无论是将头部大小建模为协变量，还是将鼻子按比例缩放，使其与头部总大小成比例（给我们一个鼻子占头部体积的百分比的度量）。

通常，一个大脑的体积是另一个大脑的两倍，并不意味着它的灰质也是两倍。灰质和白质体积之间的关系大约遵循幂律，指数为 4/3（Zhang & Sejnowski, PNAS 97(10):5621-5626, 2000）。如果我们使用基于全脑体积的比例缩放模型，我们的零假设是灰质体积随脑体积线性变化。这显然不正确，尽管它可以作为有用的第一个近似值。

模型的选择取决于研究人员，并且确实取决于您想要测试的内容。我确实不愿意给出任何明确的建议。当 VBM 实验写成论文时，模型应该被准确地描述。不同的模型会给出不同的结果，这些结果似乎相互矛盾。

在痴呆的情况下，通常使用总颅内体积来按比例缩放数据。因此，每个结构/区域都被视为颅内体积的一部分。头部大小各不相同，因此这种标准化应该减少模型的残差方差。

获取协变量

全局变量（总分段组织体积）

spm_global 不是计算 VBM“全局变量”的好方法，因为它旨在通过排除“非大脑”体素（假设这些体素低于预排除平均值的某个分数）来计算一种平均大脑强度，并计算剩余部分的平均值。

函数 spm_get_volumes 可用于对组织分段进行积分，以升为单位返回体积。原生空间 (c)、DARTEL 导入 (rc)、调制 标准化 (mwc) 和平滑调制标准化 (smwc) 分段体积之间的差异通常非常小。主要区别在于脊髓包含在白质段中的量，这取决于图像的视野。手动分段协议（例如，如 Whitwell 等人，2001 年）通常设置一个任意截止点，例如包含小脑的最下部切片（在 MNI 空间中）；这可能最接近 mwc 或 smwc 图像的结果。

总颅内体积

为了获得 TIV，一种选择是将 GM、WM 和 CSF 的体积相加，例如，对每个组织类别使用 spm_get_volumes，然后将这些结果相加。与手动或其他自动测量相比，在 SPM8 中使用来自新分段工具箱的 mwc 段进行此方法的性能非常好 (Ridgway 等人，2011 年)。

其他协变量（例如，来自电子表格/文本文件）

您可以在 MATLAB 工作区中指定任何变量作为协变量。如果您在文本文件中拥有协变量，您可以先将其读入 MATLAB，例如使用 textscan 或 textread。从电子表格（例如 Microsoft Excel）导入的一种方法是使用该程序保存为 .csv（逗号分隔值），然后使用 MATLAB 的 csvread 从 CSV 文件获取变量。

来自不同扫描仪的数据

您通常可以通过在设计矩阵中建模混杂效应来消除使用不同扫描仪或扫描序列的影响。请注意，如果您要进行一组与另一组的比较，其中一组在一台扫描仪上收集数据，另一组在另一台扫描仪上收集数据，那么对扫描仪效应进行建模也将对两组之间的差异进行建模。参见 Stonnington 等人 2008 [2]

参考文献和链接

论文、教程、背景等。

• Wright 等人 1995 年 --- 最初的 VBM 论文
• Ashburner 和 Friston 2000 年 --- 关于该方法的极具影响力的权威论文
• Ashburner 和 Friston 2005 年 --- 关于 SPM5 的统一分割模型的最新论文
• 人脑功能（第二版） --- 非常有用的教程式资料，尤其是第 6 章
• John Ashburner 的博士论文 --- 比 HBF 更全面，但不太新
• 大脑扭曲 --- 由 A. Toga 编辑，包含一些有用的章节
• JHU-PNI VBM 方法页面 --- 教程信息、参考资料和指向讨论的链接
• 西北大学 CBGM --- 许多简短的笔记、教程、讨论

工具箱、辅助脚本和其他软件

• Christian Gaser 的 VBM 工具箱，包括针对 SPM2 和 SPM5 的优化 VBM
• 西北大学 CBGM 包含许多有用的脚本
• John's Gems 由 Tom Nichols 编译
• Ged Ridgway 的 VBM 脚本 包括 resize_img、get_totals、make_diffs
• 掩码工具箱