静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（8）：Statistical Analysis

最新推荐文章于 2025-06-05 22:18:28 发布
最新推荐文章于 2025-06-05 22:18:28 发布
阅读量4.9k 收藏 74
点赞数 6
CC 4.0 BY-SA版权
分类专栏： fMRI学习笔记 文章标签： 学习 笔记 分类 图像处理 数据分析 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Sherlily/article/details/131967314
该文详细介绍了fMRI数据的质量控制流程，包括dpabi软件的操作，如QC步骤、阈值设定等。接着，文章阐述了统计分析的各种方法，如One-SampleT-Test、Two-SampleT-Test、ANOVA等，并提到了多重比较矫正的重要性和不同策略。最后，讨论了结果查看和可靠性测试。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

视频来自：8_StatisticalAnalysis_哔哩哔哩_bilibili

pdf：The R-fMRI Course | The R-fMRI Network

目录

1. 质量控制（Quality Control）

1.1. 软件操作

2. 统计分析（Statistical Analysis）

2.1. 软件操作

2.2. 多重比较矫正（Multiple Comparison Correction）

2.3. Different Multiple Comparison Correction Strategies

2.4. Test-retest Reliability

3. 结果查看（Results Viewing）

3.1. Viewer

1. 质量控制（Quality Control）

1.1. 软件操作

（1）dpabi→Quality Control（⭐这些应该是进行了数据处理之后才有的文件，不是原始数据集）

（2）QC：Raw T1

        ①打开的要是如下.tsv文件，可以修改tsv文件中的数值

（3）QC：Raw Fun：会打开功能影像

（4）QC：Normalization

        ①黄色的线条是白质灰质的边界

        ②在中间QC Comment可以给对于白质灰质分界判断好坏的分数

        ③第二次点QC：Normalization的时候会生成分数框

（5）Threshold QC Score

        ①这个设定得到是分数的下界，所得数据要大于这分数才能进入被统计分析数据

        ②设定完后左边框中小于这些分数的被试都会被排除掉

（6）Generate Group Masks

        ①wAutoMask是MI空间，且根据它可以生成GroupMask

        ②可以在这个文件中输入值，此例为要求90%的被试都cover这个voxel才进入GroupMask（即进入统计分析）

（7）Threshold Coverage

        ①先选择GroupMask

        ②再次对比阈值，如果达到了就保留，否则舍去

（8）Motion Report

        ①显示MeanFD

        ②再点击view显示被试头动大小

 （9）Threshold Motion

        ①被试的平均值和被排除的阈值设置

 （10）最后会生成一个SubjectList把所有不合格的被试都排掉

2. 统计分析（Statistical Analysis）

2.1. 软件操作

（1）dpabi→Statistical Analysis

（2）可以做的统计

（3）One-Sample T-Test

        ①可以看看患者和普通人ALFF的图像差异

        ②在左边栏加入被试，右边是协变量，可以不添加

        ③生成的结果示例

 （4）Two-Sample T-Test

        ①One Sample是没有实际意义的，一般要使用Two-Sample来进行数据分析

        ②在左方添加两个文件夹（值第一组减去第二组的值，所以顺序很有关系）

        ③上图中Covariate Images添加的灰质密度图像，Covariate Images为图像协变量

        ④功能上一般是3*3*3的voxel size，但结构上一般是1*1*1或1.5*1.5*1.5。此时用Utilities→Image Reslicer可以将结构像变成功能像的大小，否则在这不一样大会报错

        ⑤上图中Text Covariates添加了头动，Text Covariates是文本协变量

（5）Paired T-Test

        ①对同一个被试的重复测量，此图是同一被试睁眼闭眼的图像

        ②被试内设计具有很高的说服力，因为排除了组间差异。因此在小样本分析时，尽量用被试内分析

        ③个人一般不需要加协变量，除非加头动

（6）ANOVA or ANCOVA

 

        ①有三组的时候就需要ANOVA，即推断三组之间有两组具有显著差异，避免多重比较

        ②可以直接做ANOVA，也可以在做的时候先做多重比较矫正。看结果可以用Z值

（7）Correlation Analysis

        ①用于有更多组的时候

        ②Correlation Seed Series：和什么做相关

（8）Mixed Effect Analysis

        ①做混合设计，既有被试内因素，也有被试间因素

        ②得到的文件，最重要的是中间那个

 （9）最后在Run左边有Permutation test（PALM）可以勾画上，会跳出来选参框，一般选默认参数就好（但是5000可能太高了）

 

2.2. 多重比较矫正（Multiple Comparison Correction）

（1）概念：尽管一个被试的正确率可能高达0.95，但要保证在极大量下全部被试的全部正确率却会因为0.95^n（n极大）而显著降低

（2）优化

        ①Bonferroni：将p值（一般是0.05或0.01）缩小为p/n（n为检验次数）。但这样p值太小了，即算出来的significant值要＜p/n才算显著。这样很难有显著的差异的样本

        ②False Discovery Rate（FDR）：有很多种方法（太多且复杂就不一一例举，仅给出严老师PPT里给的方法），比Bonferroni更为温和实用。在DPABI_VIEW里Cluster可选FDR矫正

 

 

        ③Family-Wise Error（FWE）：也有很多种办法，如下

        ④Gaussian Random Field Theory Correction（GRF Correction）

        ⑤AlphaSim Correction：不是很推荐

        ⑥Threshold-Free Cluster Enhancement（TFCE）：

 

2.3. Different Multiple Comparison Correction Strategies

 

2.4. Test-retest Reliability

 

3. 结果查看（Results Viewing）

3.1. Viewer

（1）Overlay

（2）Overlay Configure：是阈值设置，可以滑动也可以输入 

（3）Position上面XYZ是坐标，下面IJK是对应代码矩阵的位置

（4）Time Course：显示时间序列

（5）Atlas：看点击的区域是在大脑的什么位置

 

（6）Structure

 

Handbook of Functional MRI Data Analysis[手册中文笔记]第一期：introduction
weixin_46132811的博客
05-20 1353
Handbook of Functional MRI Data Analysis[手册中文笔记]第一期：introduction
磁共振脑成像成像基本原理《handbook of functional mri data analysis>
04-15
磁共振成像入门书，脑成像的基础内容，内含很多数据处理方法
DPABI_StatisticalAnalysis_stiff3ai_DPABI_dpabi统计流程_统计分析_
09-30
代码基于matlab的DPABI软件包，用于对预处理结果进行统计分析，包括t检验，ANOVA等
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（3）：R-fMRI Data Processing DPARSFA
Sherlily的博客
07-21 6173
计算机与人工智能-脑科学与类脑智能-磁共振功能成像（functional magnetic resonance imaging, fMRI）
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（7）：Dynamic Analysis
Mithlos的博客
06-05 404
指的是大脑活动信号随时间的变化特征和模式。
matlab 重复测量方差分析,DPABI重复测量方差分析时，在permutation test或后续的多重比较校正时报错...
weixin_30199299的博客
03-23 2456
各位老师们：你们好！最近在使用DPABI进行单因素重复测量方差分析(ANCOVA,Repeated Measures)时，可以生成F图，但在点击DPABI重复测量方差分析的permutation test，或用生成的F图放到viewer后，做后续的多重比较校正(GRF)时均报错，报错信息如下：Convert F to Z...Undefined function or variable 'lgam...
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（1）：Resting-State fMRI
Sherlily的博客
07-19 7450
计算机与人工智能-脑科学与类脑智能-功能性磁共振成像（functional magnetic resonance imaging，fMRI）
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
热门推荐
cc1609130201的博客
10-09 1万+
自诞生之初，人类就对大脑中发生的事情充满好奇。功能磁共振成像是一种重要的工具，它有助于无创地检查、定位和探索大脑的语言、记忆等功能。近年来，神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在活动。对静息态下大脑功能连接的分析揭示了不同的静息态网络，这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中，但得到了一致的结果。在本文中，我们详细介绍了静息态功能磁共振成像的概念，然后讨论了三种最广泛使用的分析
使用SPM12对fMRI数据进行预处理和统计分析
Doris.Liu的博客
03-17 5208
使用基于Matlab的SPM12来处理fMRI数据，对数据进行预处理和统计分析。
fMRI预处理和统计分析
u011661076的博客
04-16 7932
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。 fMRI类型 传统的功能性磁共振成像有两种类型：任务态和静息态。后者有时也被称为无任务fMRI。 任务态功能磁共振成像(tfMRI)的重点是研究人员用来探测局部大脑激活或连接的感兴趣的条件或事件。fMRI记录是对神经元活动的连续和间接测量。因此，BOLD信号的绝对值无意义。相反，在两个或多个条件之间BOLD信号的差异被用来推断与任务相关的有意义的神经关联或基质。这种对比(即两个或多个条件之间的比较)也可以帮助减少来自非特定源的噪声，随机噪声
功能磁共振成像技术及数据
12-16
中国科院心理研究所 脑高级功能研究实验室 马力飞教授 讲的功能磁共振成像技术及数据
fmri的基本原理
12-17
功能磁共振成像简称fMRI，是使用磁共振成像技术来观察活体功能代谢活动的实验技术方法。这篇文档讲述了fmri的基本原理和相关的磁共振技术。
mvpa:用于功能磁共振成像数据的Multivoxel模式分析（MVPA）工具
03-29
MVPA mvpa是用于fMRI数据的多体素模式分析（MVPA）工具。 它允许用户识别包含多变量表示的大脑区域，从中可以解码出一对条件。 这类似于nilearn提供的 集，但它基于逐个体素关联而不是SVM分类。 与SVM探照灯所需的时间不同，这种相关性的计算速度要快得多，并且全脑扫描的结果可在10分钟内在笔记本电脑上生成。 该工具是根据描述的方法改编而成的，除了分析探照灯球体而不是解剖ROI之外。 Haxby等人的图3。 （2001年） 安装 mvpa可以从PyPI将被安装： $ pip install mvpa 使用范例 加载Haxby数据集 import pandas as pd from nilearn . datasets import fetch_haxby # We fetch 2nd subject from haxby datasets (which is def
RS-fMRI统计分析及作图入门
upyours00的博客
07-05 5760
获取统计图 要做统计分析需要以下数据文件 第二个检查空间变准化效果，一张一张图片打开，看配准效果好不好，肉眼可见配的不好的就可以直接排除掉。细微的差错视自己的数据要求来抉择。 第三个检查头动效果，文件夹打开之后，看文本文档“ExcluedeSubjects.txt”，里面会给出头动大于3.0， 2.5 … 的都有哪个被试 可以把以上数据分别存入case/control组里面 接下来可以用RESTplus做t检验： 打开RESTplus —— statistics analysis —— Two sampl
静息态功能磁共振及其在精神疾病诊断中的应用
cc1609130201的博客
01-03 2191
静息态功能磁共振能够用于测量各种大脑属性，包括功能连接和图论法测量等。通过这些测量，我们可以更好地理解一系列精神疾病中大脑功能连接的改变。在这篇文章中，我们讨论了如何更好地理解rs-fMRI在多动症、自闭症谱系障碍、双相障碍、精神分裂症和抑郁症精神疾病方面的一些作用。通过使用静息态功能连接、局部一致性、低频振幅和图论法等指标，研究人员更好地了解了精神疾病人群中不同的脑功能网络是如何偏离常态的，以及特定的药物干预是否有助于恢复特定的脑功能属性。
深度学习在静息态功能磁共振成像中的应用
cc1609130201的博客
06-02 1654
对从人脑功能磁共振成像(fMRI)数据中获得的丰富的动态的时空变化特性进行建模是一项具有挑战性的任务。对大脑区域和连接水平进行分析为fMRI数据提供了更直接的生物学解释，并且到目前为止一直有助于描述大脑中的特征。在本文中作者假设，与之前研究广泛使用的预先进行的fMRI时变信息转换以及脑区之间的功能连接特征相比，直接在四维(4D)fMRI体素级别空间中进行时空特征的学习可以增强大脑表征的鉴别性。基于这个目的，作者对最近提出的结构MRI(sMRI)深度学习(DL)方法进行扩展，以额外获得时变信息和在预处理好的f
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（11-12）：Utilities and Brain Imaging Programming
Sherlily的博客
07-30 2152
计算机与人工智能-脑科学与类脑智能-磁共振功能成像（functional magnetic resonance imaging, fMRI）
dpabi Paired T-rest
最新发布
07-22
<think>我们正在处理的是关于DPABI中配对T检验（Paired T-test）在静息态fMRI分析中的教程请求。注意：用户之前的问题是关于单样本T检验，现在转向配对T检验。配对T检验用于同一组受试者在两种不同条件下的比较（例如，治疗前vs治疗后）。 根据DPABI的操作流程，配对T检验需要两组数据（每个受试者有两个数据文件，分别对应两个条件）。我们将按照以下步骤进行： 1. **数据准备**：需要两个文件夹，分别存放两种条件下所有受试者的数据（例如，PreTreatment和PostTreatment）。每个受试者在两个文件夹中应该有对应的数据文件（按相同顺序排列）。 2. **协变量**：如果需要，可以准备协变量文件（如年龄、性别等），但注意配对T检验中，受试者内因素不需要将受试者变量作为协变量（因为自身配对已经控制了受试者内变异）。 3. **启动DPABI**：选择配对T检验模块。 注意：在DPABI中，配对T检验是通过“Two-sample T-test”模块来实现的，但需要选择配对选项。具体步骤如下： 步骤： 1. 在MATLAB中运行`dpabi`，选择“Statistical Analysis” -> “Two-sample T-test”。 2. 在“Group1 Images”中添加第一组数据（例如，治疗前）的文件夹。 3. 在“Group2 Images”中添加第二组数据（例如，治疗后）的文件夹。注意：两个文件夹中的文件必须按相同的受试者顺序排列（即第一个文件夹的第一个文件与第二个文件夹的第一个文件是同一个受试者）。 4. 勾选“Paired”选项（这是关键，将两样本T检验转换为配对T检验）。 5. 其他选项（如协变量、掩膜、输出目录等）与单样本T检验类似。 下面详细说明：</think>### DPABI配对T检验(Paired T-test)静息态fMRI分析指南 #### 1. **数据准备** - **输入数据**：需要两组**配对数据**（如治疗前vs治疗后） - **数据组织**： - `Group1`文件夹：存放条件1的所有受试者数据（如`pre_treatment`） - `Group2`文件夹：存放条件2的所有受试者数据（如`post_treatment`） - **关键要求**：两组数据**受试者顺序必须严格对应**（第1个文件夹的第1个文件对应第2个文件夹的第1个文件）[^1] - **文件格式**：预处理后的指标文件（如ReHo/fALFF的`*.nii`文件） - **协变量**（可选）：TXT文件（每行一个受试者，每列一个协变量） #### 2. **操作流程** ```mermaid graph TD A[启动DPABI] --> B[选择 Statistical Analysis > Two-sample T-test] B --> C[设置Group1 Images] C --> D[设置Group2 Images] D --> E[勾选Paired选项] E --> F[设置Output Directory] F --> G[点击Run] ``` #### 3. **参数设置详解** 1. **Group1/Group2 Images** - 分别添加两组数据的文件夹路径 - 示例： - Group1: `D:\rsfMRI\pre_treatment` - Group2: `D:\rsfMRI\post_treatment` 2. **配对设置**（关键步骤） - **必须勾选**"Paired"选项（默认不勾选） - 验证数据配对：确保两组文件数量相同且排序一致 3. **协变量设置** - 格式示例（3个受试者，2个协变量）： ``` 28 0.15 35 0.09 42 0.12 ``` 4. **高级选项** - `Mask File`：建议使用灰质掩膜提高灵敏度 - `Permutation test`：推荐勾选（默认5000次置换） - `Prefix`：结果文件前缀（如`PairedT_`） #### 4. **统计原理** 配对T检验公式： $$ t = \frac{\bar{d}}{s_d/\sqrt{n}} $$ 其中： - $\bar{d}$：配对差异的均值 - $s_d$：配对差异的标准差 - $n$：受试者数量 检验假设： $$ H_0: \mu_1 = \mu_2 \quad vs \quad H_1: \mu_1 \neq \mu_2 $$ #### 5. **结果解读** 1. **输出文件**： - `spmT_0001.nii`：T统计图 - **正值**：Group1 > Group2 - **负值**：Group1 < Group2 - `con_0001.nii`：对比图像（Group1 vs Group2） 2. **结果查看**： ```matlab dpabi_viewer % 启动查看器 ``` - 加载`spmT_0001.nii`，设置阈值（推荐$p<0.001$，簇大小>20体素） - 示例：治疗前vs治疗后fALFF比较，正激活区=治疗后活动增强脑区 3. **结果报告**： - 使用`xjview`或`DPABI_VIEW`生成激活簇表格 - 包含：脑区坐标(MNI)、簇大小、峰值T值、p值 > **注意事项**：配对T检验要求差异值近似正态分布，建议预先检查差异值的分布特征。对于纵向研究，建议添加头动参数作为协变量[^1]。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值