一、TBSS处理数据大致流程
1. 经过mriconvert转换之后，得到每个被试的4D数据，b值以及向量
2. fslroi data nodif 0 1
%choose a no weighted imaging,named nodif
从4D图像中选出一张需要的图像,0表示选择从第几个volume开始，1表示选择图像的个数
3. bet nodif nodif_brain -m -f 0.2
%generate binary brain mask（-m）,fractional intensity threshold is 0.2（-f）,result in the file nodif_brain_mask 去除头盖骨
4. eddy_correct data eddy_unwarped 0
eddy_correct <4dinput><4doutput> [] Choose interp from {trilinear,spline} def - trilinear %时间大概是10分钟
5. Dtifit
使用ctrl+alt+t调出终端，输入fsl，选择fdt*下的dtifit，在option中手动加入对应文件，包括data的输入、输出，b值文件，梯度方向（矢量）文件，共4个。运行完成后，就可以得到FA图，MD图等
6. 打开生成的FA文件所在的目录
7. tbss_1_preproc*.nii.gz
将每个人的FA图依次处理为tbss可处理的格式
Ps：可能需要新建两个文件夹（一个为FA，一个为origdata）
8. tbss_2_reg -T
将FA图抽样到1x1x1空间，空间标准化
9. tbss_3_postreg –S
把所有的FA图叠加到一起，生成4D文件mean_FA_skeleton
10. tbss_4_prestats
使骨架上包含所有的点
二、TBSS处理数据详细步骤
TBSS处理步骤
一、预处理
Any study or scanner-specific pre-processing (e.g., conversion from DICOM to NIFTI, removal of images affected by large artifacts).任何研究首先都是预处理
1、 转换数据格式：把DICOM格式的原始数据转换成NIFTI的.nii数据处理格式。（利用
MRIcroN\dcm2niigui.exe进行转换，格式选择为FSL （4D NIfTI nii））；
转化过有用的处理数据包括T1（一般选截取脖子后的成像，原文件名称前一般有co两个字母），T2，rest（分辨率低，volume 240左右）,DTI（分辨率高,一般文件比较大，volume 65左右）四种类型，各自包括nii,bvecs,bvals三个文件，四中数据单独提出来放在各自被试文件夹中。
注：用matlab中的dicominfo函数可以查看源数据内容。
Tips：在建病人文件夹时，可以利用原始数据批量建文件夹。利用Windows的批处理命令：
例如：在E盘的BP 文件夹中放有BP病人的原始数据压缩包，可以利用创建一个文本文档完成建文件夹批处理操作。
（1） 新建一个文本文档list.txt.
（2） 在文档中编辑dir E:\BP\*.tar.gz/on/b/s>>BPlist.txt,然后保存。
（3） 将list.txt的扩展名改为list.bat，然后双击运行，生成BP的列表BPlist.txt。 （4） 有了这个列表，就可以使用UltraEdit来进行进一步编辑成mkdir BP_XXX，保
存，运行步骤和第三步一样。
（5） 接下来可以使用MATLAB代码来一次性完成每个被试中的四种类型数据文件夹
生成，见下面代码：
（6） path='F:\wangm\xinxiang_data\BP\';
（7） folder=textread('listfolder.txt','%s');
（8） for sh=1:length(folder)
（9） subpath=strcat(path,folder{sh});
（10） cd (subpath);
（11） mkdir T1
（12） mkdir T2
（13） mkdir DTI
（14） mkdir REST
（15） cd ..
（16） End
（17）
2、 服务器处理部分
（1） 将整理好的DTI数据转移到服务器上，直接拖拽过去就可以。
（2） 头动矫正
eddy_correct 文件夹名/dti.nii 文件夹名/data 0 & （0代表参考层，&表示后台运行）
（3） 提取b0
fslroi 文件夹名/data.nii.gz 文件夹名/nodif 0 1 &
（4） 确定mask
bet 文件夹名/nodif.nii.gz 文件夹名/nodif_brain -f 0.2 –m &
（5） 计算DTI指标：可用fsl可视化界面，dtifit步骤：
在命令行输入fsl，打开界面->FDT diffusion->DTIFIT Relonstruct->diffusion tensor->specify input files manually->选择文件
Diffusion weighted data: data.nii.gz
BET binary brain mask: nodif_brain_mask.nii.gz Gradient directions : bvecs b values : bvals
第一个用fsl可视化界面，看运行后的结果，把命令复制后，进行批处理。dtifit -k data -m nodif_brain_mask -r bvecs -b bvals -o dti 生成
dti_FA.nii.gz ：fractional anisotropy部分各向异性 dti_MD.nii.gz ：mean diffusivity平均扩散系数 dti_MO.nii.gz ：mode of the anisotropy各向异性模型 dti_L1.nii.gz ：1st eigenvalue 第一特征值 dti_L2.nii.gz :2nd eigenvalue 第二特征值 dti_L3.nii.gz :3rd eigenvalue 第三特征值 dti_V1.nii.gz :1st eigenvector 第一特征向量 dti_V2.nii.gz :2nd eigenvector 第二特征向量 dti_V3.nii.gz :3rd eigenvector 第三特征向量
linux下的批处理操作：利用shell命令 1) touch 文件脚本名.sh （创建.sh文件） 2) vi 文件脚本名.sh（编辑文本）
3) 进入编辑界面，Insert->Enter（一般第一行不进行文本输入，
最好可以空一行）->编辑文本->编辑好后，换行->ESC->”shift”+”;”->wq（保存并退出） 4) sh 文件脚本名.sh （运行脚本文件.sh）
注：进行脚本批处理时，在命令后面最好带上&，可以在服务器后台运行，及时电脑关闭也可以运行，还可以用ssh node2进行节点选择。
linux后台运行和关闭、查看后台任务
fg、bg、jobs、&、nohup、ctrl+z、ctrl+c 命令 一、&
加在一个命令的最后，可以把这个命令放到后台执行，如
watch -n 10 sh test.sh & #每10s在后台执行一次test.sh脚本
二、ctrl + z
可以将一个正在前台执行的命令放到后台，并且处于暂停状态。
三、jobs
查看当前有多少在后台运行的命令
jobs -l选项可显示所有任务的PID，jobs的状态可以是running, stopped, Terminated。但是如果任务被终止了（kill），shell 从当前的shell环境已知的列表中删除任务的进程标识。
四、fg
将后台中的命令调至前台继续运行。如果后台中有多个命令，可以用fg %jobnumber（是命令编号，不是进程号）将选中的命令调出。
五、bg
将一个在后台暂停的命令，变成在后台继续执行。如果后台中有多个命令，可以用bg %jobnumber将选中的命令调出。
六、kill
法子1：通过jobs命令查看job号（假设为num），然后执行kill %num
法子2：通过ps命令查看job的进程号（PID，假设为pid），然后执行kill pid 前台进程的终止：Ctrl+c 七、nohup
如果让程序始终在后台执行，即使关闭当前的终端也执行（之前的&做不到），这时候需要nohup。该命令可以在你退出帐户/关闭终端之后继续运行相应的进程。关闭中断后，在另一个终端jobs已经无法看到后台跑得程序了，此时利用ps（进程查看命令）
二、TBSS流程：
准备工作：首先新建一个自己的文件夹mkdir mytbss 进入新建的文件夹中cd mytbss
将所需要的DTI数据dti_FA.nii.gz拷贝到当前文件夹中： 批拷贝
a) 进入放被试文件夹的文件夹中
b) ls>>list.txt得到被试的列表
c) touch copyfile.sh
d) vi copyfile.sh
e) path=/mnt/ps4000e/home/lcao/wmz/BP
f) for file in `cat list.txt` g) do
h) cp $path/$file/DTI/dti_FA.nii.gz $path/mytbss/${file}.nii.gz &
i) echo $file
j) done
k) sh copyfile.sh
显示当前文件夹中的内容ls
1. tbss_1_preproc *:获得数据的正确格式，创建文件夹FA和origdata，
将所有处理过的FA图像放入FA文件夹中，把原始的数据放入origdata文件夹中.
2. tbss_2_reg -T：将所有FA图像配准到TBSS中默认的标准空间
FMRIB58_FA standard-space
或者也可以配准到自己设定的标准空间tbss_2_reg -t MNI152_T1_1mm
3. tbss_3_postreg -S：每个subject的FA非线性变换到target，再放射变换到MNI标准空间。
The above results in a standard-space version of each subject's FA image; 将所有被试的FA图像合并成一个 all_FA,并且放在一个新建的stats文件夹中. 还产生一个平均的all FA 图像mean_FA, 从而产生mean_FA_skeleton平均FA骨架。
4. tbss_4_prestats 0.2：对mean_FA_skeleton进行阈值（0.2）限制，
获得mask
5. Voxel_wise statistics:进行统计分析,design检验矩阵，
randomise实现统计分析，用fslview查看统计分析结果
6. cd ./stats
7. design_ttest2 design 3 7
8. randomise -i all_FA_skeletonised -o tbss_FA -m
mean_FA_skeleton_mask -d design.mat -t design.com -n 500 --T2 -V
9. fslview $FSLDIR/data/standard/MNI152_T1_1mm
mean_FA_skeleton -l Green -b 0.2,0.8 tbss_tstat1 -l
Red-Yellow -b 3,6 tbss_tstat2 -l Blue- Lightblue -b 3,6
也可以用tbss_fill来代替第9步：
tbss_fill tbss_tfce_corrp_tstat1 0.95 mean_FA tbss_fill 将all_FA.nii.gz和tbss_fill.nii.gz弄到桌面上，用MRICRON打开all_FA.nii.gz，点overlay->add->选择tbss_fill.nii.gz查看差异。
关于非FA指标的计算：
1) cd mytbss
2) mkdir L2，将被试的dti_L2.nii.gz都拷进去，并且命名要跟FA的完全
一样，例如，an image origdata/subj005_FA.nii.gz then you need an image L2/subj005_FA.nii.gz
3) Run: tbss_non_FA L2，得到stats/all_L2_skeletonised
4) 然后是统计，randomise -i all_L2_skeletonised -o tbss_L1 -m
mean_FA_skeleton_mask -d design.mat -t design.com -n 500
--T2 -V
5) MD,L1,L3方法都一样。
6) RD=(L2+L3)/2
所以要经过下面的计算：
fslmaths dti_L2.nii.gz –add dti_L3.nii.gz L2heL3 fslmaths L2heL3 –div 2 L2heL3chu2
VBA分析
选TBSS分析工程中产生的BP001_FA_to_target.nii.gz等所有被试的该数据，弄到一个文件夹中，要解压。
1、利用Rest进行重采样
Rest->utilities->reslice image->[2 2 2] 2、然后用SPM进行平滑
SPM->smooth(FWHM [8 8 8]不用改)
3、统计specify 2nd-level->Design->two t-test->新建输出路径NCVSBP Group1正常，Group2病人
4、Estimate->select SPM.mat
5、Result->nc vs bp->1 -1->none->0.001
6、SPM8 toolbox 中Xjview查看结果
注：
基于体素的统计分析--VBA（SPM实现） 基于白质骨架的空间统计--TBSS 统计分析前需先进行图像配准
SPM中的Normalize+Smooth将FA配准到模板EPI.mnc，
TBSS中tbss_2_reg -T将FA图像配准到FMRILIB58_FA，或tbss_2_reg -t MNI152_T1_1mm 将FA配准到MNI标准空间
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
