基于TBSS的DTI資料處理流程

Linux系統，安裝好FSL，DTI資料完成預處理後可進行TBSS處理，比較各組間FA骨架的差異。

1.資料準備：

在研究目錄下，建立一個叫’TBSS’,并且把所有被試個體空間下的FA圖像（data_FA.nii.gz）拷貝到該目錄中。

mkdir TBSS

cd TBSS

ls

  AD_N00300_dti_data_FA.nii.gz

  AD_N00302_dti_data_FA.nii.gz

  MCI_N00499_dti_data_FA.nii.gz

  MCI_N00373_dti_data_FA.nii.gz

  NC_N00422_dti_data_FA.nii.gz

  NC_N03600_dti_data_FA.nii.gz

2.TBSS預處理：scaling the image values、converting them to Analyzeformat,，這兩步都是alignment stage必需的

指令：tbss_1_preproc *.nii.gz

這一步生成兩個新的目錄： ‘FA’包含新的轉換過的圖像；‘origdata’包含原始圖檔。origdata目錄下的slicedir檔案夾下有各被試預處理後的FA圖，可以檢查一下是否有資料問題。

3.運用非線性配準将所有被試的FA圖像對齊。

指令：tbss_2_reg

1）最準确的方法是把每個被試的圖像與其他被試的圖像進行一一對齊，然後選出整個資料中最有代表性的圖像，其他的圖像都與它對齊。這個方法需要數天的時間（12人資料量）。最後每個被試的圖像會配準到MNI152标準模闆上。選擇-n參數。

2）第二種方法就是實作指定一張目标圖像，然後把其他的所有的圖像都與它對齊，這個方法也能得到很好的結果，并且能夠節省很多時間。作為指定的目标圖像，我們可以浏覽所有被試的資料，然後選擇一張我們認為最有代表性的圖像，也可以在fsl提供的模闆中選擇一張。将選擇的模闆拷貝到FA目錄下。選擇-t參數。

3）直接使用FSL的FMRIB58模闆。使用-T參數。

比較簡單的是直接使用-T參數，如果被試是兒童等特殊群體，那麼就不适合用标準模闆了，這種情況下建議使用-n參數。

4.建立平均FA圖像和FA骨架

指令：tbss_3_postreg

參數： -S ：配準到MNI152标準空間（推薦）

          -T ：配準到FMRIB58标準空間

這一步會在tbss目錄下生成一個新的名為stats的目錄，裡面有一個檔案名為 ‘all_FA.nii.gz’。這是一個4D圖像，包含所有對齊過的FA圖像。建立的平均FA骨架為mean_FA_skeleton.nii.gz 。

為了确定下一步分析所用的FA骨架的門檻值，此處需要通過修改FA骨架的-b值做一些嘗試。

指令：

cd stats

fslview all_FA -b 0,0.8 mean_FA_skeleton -b 0.2,0.8 -l Green

5.将每個被試的FA值配準到平均FA骨架上。基于被試的骨架化FA圖可以做體素水準的統計分析。

指令：tbss_4_prestats 0.2

此處0.2應該修改為上一步确定的值。一般情況下0.2就可以了。

這一步會在stas檔案夾下生成一個4D圖像，檔案名為‘all_FA_skeletonised.nii.gz’，裡面包含每個被試骨架化的FA圖像。

6.基于骨架FA資料的體素水準統計分析，使用工具randomise

需要準備的檔案有：一個設計矩陣，指令為design.mat，一個對比檔案，命名為design.con。（兩組被試用指令design_ttest2建立，三組及以上用GlmGUI來設計，具體可參照FSL的網站），設計矩陣的行的條目順序必須與FA圖像的順序相同。檢視方法：

cd FA

imglob *_FA.*

兩組情況下建立設計矩陣和對比檔案的指令：

cd ../stats

design_ttest2 design 7 11

randomise分析指令：

randomise -i all_FA_skeletonised -o tbss -m mean_FA_skeleton_mask-d design.mat -t design.con -n 500 --T2

其中，7為對照組被試數目，11為病人數目。組間對比的結果1是對照組>病人，2是病人>對照組。

原始對比結果儲存為stats檔案夾下的tbss_tstat1和tbss_tstat2檔案。

--T2參數表示randomise使用了TFCE（Threshold-Free Cluster Enhancement）

-n參數表示蒙特卡洛模拟次數

校正後的TFCEp-value圖像儲存在tbss_tfce_corrp_tstat1和tbss_tfce_corrp_tstat2檔案中。此處給出的1-p的圖。

觀察結果：

fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.8 tbss_tstat1 -l Red-Yellow -b 3,6 tbss_tstat2 -lBlue-Lightblue -b 3,6

fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.7 tbss_tfce_corrp_tstat1 -l Red-Yellow -b0.95,1

對結果進行填充及顯示：

tbss_fill tbss_tfce_corrp_tstat1 0.95 mean_FA tbss_fill1

fslview mean_FA -b 0,0.6 mean_FA_skeleton -l Green -b 0.2,0.7tbss_fill1 -l Red-Yellow

7.使用非FA圖像進行tbss分析

1）運作上述1-4步

2）在tbss檔案夾下建立一個新的檔案夾，如L2，将所有被試的L2圖像拷貝到該目錄下。注意L2圖像的名稱必須與origdata目錄下的檔案名稱一模一樣！！！例如，origdata目錄下有一個檔案名為sub005_FA.nii.gz，那麼這個被試的L2圖像名必須也是sub005_FA.nii.gz。

3）運作tbss_non_FAL2指令，将被試的L2圖像配準到平均FA骨架上，這一步會在stats檔案夾下建立兩個4D的檔案all_L2.nii.gz和all_L2_skeletonised.nii.gz

4)基于體素水準的統計分析方法與第6步相同。

8.tbss結果顯示

fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.8 tbss_tstat1 -l Red-Yellow -b 3,6 tbss_tstat2 -lBlue-Lightblue -b 3,6

fslview $FSLDIR/data/standard/MNI152_T1_1mm mean_FA_skeleton -lGreen -b 0.2,0.7 tbss_tfce_corrp_tstat1 -l Red-Yellow -b 0.95,1tbss_tfce_corrp_tstat2 -l Blue-Lightblue -b 0.95,1

對結果進行填充及顯示：

tbss_fill tbss_tfce_corrp_tstat1 0.95 mean_FA tbss_fill1

fslview mean_FA -b 0,0.6 mean_FA_skeleton -l Green -b 0.2,0.7tbss_fill1 -l Red-Yellow