高原脱习服期大脑结构变化

1、SPM8的处理流程及算法原理介绍本文处理数据用的是 SPM8这个软件，SPM也就是我们所知道的统计参数图，也是本文所使用的主要软件，经过这个软件处理的磁共振成像的数据最终得出的就是统计参数图,SPM这个软件是由Friston教授等人在Matlab的基础上做出的一款数据处理以及统计功能非常强大的软件，他们设计这个软件最初是为了用统计的方法对 SPECT , PET和fMRI的数据进行处理和分析，最后得到统计参数图。在使用SPM对数据进行处理和分析的时候主要分为两大部分：一、对数据的预处理过程；二、对数据的统计分析过程。那么下面就会比较详细的将 SPM8的数学原理及操作步骤呈现出来。SPM8的处理

2、流程及算法原理.头动校正(realignment)因为脑成像所持续的时间比较长，而且需要测量的次数比较的多，由于被试者的呼吸和血流脉动等本身内部原因，所以头动是无法避免的，因此进行头动校正。头动校正指对每一幅图像以一副图像(一般的为第一副图像)为标准进行的变换从而来抵偿未知的差异。简要说来，对象图像向目标图像的配准是我们需要处理的问题。头动校正只针对同一被试者的图像数据，通过刚性变换来描述两张不同的图像之间所存在的位移关系。刚性变换分为平移和旋转这两种坐标变换过程，表征变换的未知量是使用自动图像匹配法”求出来的。这种算法认为假如有两副图像能完全重合,那么这两幅图像相对应的像素灰度值的比将会在任

3、意的位置上都会呈现出接近于一个常量，所以它是按照最小化的两幅图灰度值比方差来求取的位移参数。采用刚性变换时，头部运动可以分解成头部旋转和平移两个部分5。如果是在三维空间内，则可以用6个参数对这种变换进行表示。原始的图像和目标图像分别用f和g来表示，图像的变换第利用矩阵相乘来计算，以便于计算机实现。设在变换之前的空间坐标是，经过变换之后的空间坐标是，则可以得出：其中是坐标原点平移之后的变换，,，分别是绕x,y和z轴旋转了角之后的变换。则其变换矩阵可表示为：目标图像为g=Mrf,由这三个平移的参数和三个旋转的参数所构成的变换被称之为刚体变换，从而使原始的图像和目标图像之间灰度值的平方差的和达到最小

4、，可以通过估计得到6个最优参数。不同的个体同一模式图像的配准，还需另外6个参数，为三个缩放参数和三个剪贴参数，用矩阵表示为：是根据这12个参数共同决定的图像变换被称之为仿射变换。头动校正分为两步，第一部是需要求出方程中的十二个未知的且相对独立的参数，第二步再做重切片reslice ,这其中包含重新分割空间以及计算新像素的灰度值。主要是根据三线性插值法、正弦插值法和 最近相邻法这三种方法来计算新像素的灰度值，那么选择哪一种方法就需要根据计算的精度和能力来进行 选择。.配准(coregistration)较低分辨率的功能图像需要叠加到高分辨率的解剖图像上来进行对功能区的辨认的，可以用过配准 这一功

5、能激活解剖图像以及映射图来进行实现。因为效应以及磁敏感效应导致了图像的几何和精度发生了 变形，因此需要对已经变形的图像进行反卷积的校正。这就是一个单体多模态配准。等人提出了以联合头部形态和尺寸的贝叶斯最大后估量的方法,以及利用中间图像呈现出多种类型 的功能数据及解剖数据来进行精确配准。如果对数据进行空间归一化，那么这些变形都可以得到很好解决。.标准化由于被试者之间的大脑结构存在着一些区别，当对不同被试者采用相同的成像的方法而获得的图像进行空间统一的时候.那么刚性变换就不再适用了.所以就必须用带有总体形变的仿射变换以及局部非线 性变换把它们统一化到标准脑上。由于软件中选用了和所定义的脑图谱空间作

6、为了变换的基础.因此制作 了、和及其他几种不同的成像方法的标准脑基准图像.所以当用户在做图像标准化的时候.可以根据自己 所需要选择的成像方法来选择软件自带的相应的基准图像。因为软件原本只带有人类大脑的标准图像，所以如果想要做其他动物的功能成像等其他的研究，那么用户可以为了便于完成图像标准化而自己制作标准脑。在进行图像标准化的过程中则首先需要做的是带有整体形变的仿射变换，在软件中被采用的就是前 述的方法，然后为了消除扔久存在的局部的细微的差异则需要通过非线性变换这种方法来获得。当非线性 变换时则需要增加约束，则需要其形变函数是光滑的，所以它就选择了预先已经定义好聊天的光滑的基本 空间函数的线性组

7、合，比如低空间频率的三维离散余弦函数变换（）。其具体算法如下：在已经采用 12个参数的仿射变换将原始图像同模板图像外形配准以后，采用局部非线性决定图像和模板问的参数。采用一组 周期是低频的基本函数的线性组合来表达非线性，从坐标到坐标丫的空间变换为：（5）在这里代表的意思是在第 k维上的第j个系数，所表示的是位置处与的第j个偏差函数。偏差函数的选择是基于所需变换的分布及其边界形状来进行选择的。仅仅使用低频离散正弦变换（DST）就可以做到边界在各个方向上都不会做移动；假如说对边界王权没有约束的话，则使用三维离散余弦变换变换（DCT）是最合适的选择。这两种方法都使用同一组基本函数来表达各个方向的变换

8、。另外，DST及DCT巧妙结合起来则可以完成一些非常灵活的变换：如过使三维图像上拐角处的点固定不动，而图像表面上其他的点 则可以在任意的方向上移动；或者图像上的点只是在平行于图像表面上任意运动。尽管有比较多的种方法都能来做图像标准化，但还没有哪一种能够做到将一个被试大脑上的每个沟 回都可以准确地对应到另一个大脑上，这一方面是因为要将结构变化很大的不同大脑变换成一样的本身就 非常困难，需要很多的参数；另外的一方面，由于计算能力的限制，不太可能实现非常复杂的非线性变换 以考虑细微差别。从这点上说，如果实验研究可以单个被试、单个被试去做其结果将更可靠些，对于由于 需要通过分组方法做的研究，理解结果时

9、需要考虑到标准化方面的这个特点。4.平滑平滑是以一个光滑的空间核函数对图像进行卷积。实际上，这仅仅是个滤波过程，起作用是可以降 低在图象重建的过程中所引入的误差，及由于被试者与模板间的很小的差异所带来的匹配存在误差的现象。单单从空间频率的这个角度来看的话，产生误差一般为高频域，然而低频信号这是能反映出神经活动的测 量信号，由此可以看出,仅仅只需要一个低通滤波器就可以起到提高信噪比的作用，同时基于对空域和频 域内局部平滑特性的考虑， 作为核函数的通常都是半高宽 （FWHM）为410mm 的高斯函数， 式6是二维 高斯分布函数的表达式。式6中，表示从中心远点的半径，式中的被称为高斯函数的半高宽。通

10、过高斯滤波器进行图像的 平滑处理，可以有效消除尺度远小于空间常数的图像结构。在真正进行高斯平滑化处理的过程中，应该首 先确定半高宽参数，然后再构造离散型高斯模版的图像，然后通过脑功能图像与模板图像之间的卷积运算 实现平滑化滤波处理。.统计分析在实验研究中非常重要且存在争议的部分就是对数据分析的部分。在处理某类问题上，如运动探测 和运动校正算法等，都已经得到了共识。但是在其他的很多问题上，比如合适的统计检验、对不同病人之 间的数据比较、经过数据分析得出的结果的观察以及报告等，到目前为止还没有统一的认识和观点。因此,就目前的许多软件工具来说，各自有各自的优缺点。在数据分析中最重要的步骤是数据重排、

11、立体的数据 标准化和进行统计学推论。激活模式通常对应于实验设计。确定每个被试序列任务的时间流程和回归类型，进行去线性漂移、高低通滤波等去噪音操作，最后指定并估计模型。现在一般采用t分布进行统计检验，在软件中给定显著性 水平，当大于临界值时就认为该体素点的脑激活信号变化符合组块设计参考函数，那么就认为该点就是实 验设计任务想要寻找的激活点。将得到的结果分别对每个任务进行单样本检验，得到有统计意义的平均结果。如果事先并不知道或不了解大脑的特定功能或者某种病变的解剖学定位，那么必须对实验数据作统 计分析，确定和实验相关的激活效应。在数据经过预处理的各个步骤之后，就可以对逐象素点同时进行统 计分析。统

12、计分析可以分为有参变量统计分析和非参变量统计分析这两类，由于目前对每个体元的数据进 行估计的主要方法是参变量方法，所以本文中只对参变量统计分析这一方法展开介绍。参变量统计分析方 法，即：假定得到的数据是服从于某一个确定的概率分布的，则根据一直的模型来确立假设，并且对模型 中的未知参数进行估计，就能够得到服从于某种分布的统计量，最后要进行假设检验，这是典型的参变量 统计分析过程。参变量统计分析包括两个步骤：第一，建立模型并计算统计量，这个统计量表明零假设(所有三维象素都没被激活)是否成立，经过计算形成了每个象素点的统计量图像。第二，估计统计量，限制假设检验的第一类错误（即弃真错误）的发生，可靠定位脑内被激活的象素的部位。而参变量统计分析使用的统计模型绝大多数是基于一般线性模型 （,）的框架6-7 o. 一般线性模型在某种程度上，进行统计分析和推断的基础是一般线性模型（，）。假如做了一次实验，在试验中得到了一个响应变量（比如某个象素的局部脑血流量或者脑组织成分的灰度值），表明扫描的次数，在统计意