- DTI介绍
弥散张量成像(DTI)，是一种描述大脑结构的新方法，是核磁共振成像(MRI)的特殊形式。举例来说，如果说核磁共振成像是追踪水分子中的氢原子，那么弥散张量成像便是依据水分子移动方向制图。弥散张量成像图（呈现方式与以前的图像不同）可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术。
弥散（diffusion）是指分子的随机不规则运动，是人体重要的生理活动，是体内的物质转运方式之一，又称布朗运动（brownian motion）。弥散是一物理过程，其原始动力为分子所具有的热能。在溶液中，影响分子弥散的因素有：分子的重量、分子之间的相互作用（即粘滞性）和温度。
弥散是一个三维过程，分子沿空间某一方向弥散的距离相等或不相等，可以将弥散的方式分为两种：一种是指在完全均匀的介质中，分子的运动由于没有障碍，向各个方向运动的距离是相等的，此种弥散方式称为各向同性（isotropic）弥散，例如在纯水中水分子的弥散即为各向同性弥散，在人脑组织中，脑脊液及大脑灰质中水分子的弥散近似各向同性弥散。另一种弥散具有方向依赖性，在按一定方向排列的组织中，分子向各个方向弥散的距离不相等，则称为各向异性（anisotropic）弥散。
b为弥散敏感系数，b=γ2G2δ2(△-δ/3)。γ—旋磁比，G—梯度场强，δ—每个梯度脉冲施加时间，△—脉冲施加时间间隔。b 值为常数，由施加的梯度场强的参数来控制。b 值越大对水分子的弥散运动越敏感，可引起较大的信号衰减。
在人体生理环境中D值受多种因素影响，所以常用表观弥散系数（apparent diffusion coefficient，ADC）来衡量水分子在人体组织环境中的弥散运动，即把影响水分子运动的所有因素（随机和非随机）都叠加成一个观察值，反映弥散敏感梯度方向上的水分子位移强度。根据Stejiskal-Tanner公式，ADC=ln(S2/S1)/(b1-b2) ，S2与S1是不同b 值条件下的信号强度。磁共振DWI即利用ADC值分布成像。ADC值越高，组织内水分子弥散运动越强，在DWI图上表现为低信号，相反ADC值越低，DWI图上表现为高信号。
axial diffusivity (AD)
fractional anisotropy (FA)
mean diffusion (MD)
radial diffusivity (RD)
- DTI数据预处理
- bvecs: 3xN的ASCII文本文件，代表DTI图片采集时的磁场参数之一
- bvals: 1xN的ASCII文本文件，代表DTI图片采集时的磁场参数之一
- 原始数据dcm
从命令行键入“FSL＆”启动FSL；
- 格式转换：将后缀名为dcm的原始数据转换为后缀名为nii.gz格式的数据；
命令：dcm2nii *.dcm/ dcm2nii raw_data_dir output_dir
转换完成后, 将生成三个文件: 压缩后的原文件、o开头、co开头的文件。其中o开头的文件主要是进行了reorient的，而co是经过切割了neck的。一般用于空间normalize都选用co开头的文件。
参考卷通常为0（这是b值为0的卷，dcm2nii应该自动确保初始卷是b值为零的卷，但是你应该确保这对你的数据是正确的用MRIcron观察音量）。
Gedit
FSL提供了NifTI格式处理工具查看数据结构和可视化工具，例如fslinfo可以用来查看转换后NifTI的基本信息:
fslinfo 052212_s09_dti.nii
fslview 052212_s09_dti.nii
- 提取b0图像
fslroi file2 b0 0 -1 0 -1 0 -1 0 1
- 为DTI数据制作一个大脑掩码。这确保我们只计算大脑内的张量而不是周围的空气
bet2 b0.nii.gz nodif_brain -m -f 0.3
- 失真修正
失真有很多种 主要是 eddy currents distortion, EPI/fieldmap distortion.
试验期间的测量原理\或者被试状态等等形成了多种可能的误差,比如头动, 比如核磁涡流等等.
1.0 registration 对齐
对齐修正对于structural MRI, functional MRI和diffusionMRI来说都非常重要.如果registration不准确,那么后面对结构核磁的统计分析或者group level的分析都是不准确的.
FSL的Bet命令可以进行简单registration修正
* 1.1 Eddy current correction(可选)* 涡流校正
FSL提供了专门的eddy correction工具, 使用终端命令
eddy_correct 052212_s09_dti.nii 052212_s09_dti_eddy.nii 0
命令：eddy_correct file2 data 0
输入文件：.nii.gz格式的DTI数据
输出文件：data.nii.gz
生成神经纤维张量（.计算张量，FA，MD值等）
dtifit --data=eddy_unwarped_images --mask=hifi_nodif_brain_mask --bvecs=bvecs --bvals=bvals --out=dti
命令：dtifit --data=data.nii.gz --out=data--mask=nodif_brain_mask.nii.gz --bvecs=bvecs --bvals=bvals
输入文件：eddy_currect生成的文件data.nii.gz，nodif_brain_mask.nii.gz bvlasbvecs
输出文件：data_FA.nii.gz data_L1.nii.gz data_L2.nii.gz data_L3.nii.gzdata_MD.nii.gz data_MO.nii.gz data_SO.nii.gz data_V1.nii.gzdata_V2.nii.gz data_V3.nii.gz
dti_FA.nii.gz : the anisotropy map 各项异性图
dti_L1.nii.gz ?
dti_L2.nii.gz ?
dti_L3.nii.gz ?
dti_MD.nii.gz : Mean Diffusivity map
dti_MO.nii.gz
dti_S0.nii.gz
dti_V1.nii.gz the principal eigenvector map
dti_V2.nii.gz secondary eigenvalue
dti_V3.nii.gz third eigenvalue
用fsleyes打开dti_FA.nii.gz,如下:
打开 主特征向量图 principal eigenvector map: 得到下面的三维彩色图, 颜色表示了Diffusion direction .
调整一下两附图片的对比度和透明度, 显示出叠加效果.
选择工具栏上的modulate by 为 dti_FA, 可以得到下面的显示效果
Quantitative Results
现在我们要从上面的分析中得到定量的指标。需要用到fsl的另两个简单的程序： avwstats 和avwmaths. 利用这两个简单的程序，我们可以得到定量指标。
当得到FA后，我们想要看看是否某些脑区的FA值是否和某一行为或测量指标相关。这就要求被试间的图像空间可以比较，即需要被试间对齐。Fsl提供了TBSS进行被试间对齐。
具体操作：
打开LINUX系统；
Ctrl+alt+T 打开终端；
Shell 批处理。
接下来，使用4D的DTI数据和FA数据进行确定性的纤维束追踪。工具为Diffusion Toolkit和TrackeVis.( https://blog.csdn.net/u013576018/article/details/73732525)
命令行：dti_tracker
dti_tracker data tracker.trk -it nii.gz -m nodif_brain_mask.nii.gz 0.2 -at 45
cd 至DTK文件夹内
dti_tracker E:\SCD_APOE4_SY\data_process\NC_new\10009_20180611\DTI\data tracker.trk -it nii.gz -m E:\SCD_APOE4_SY\data_process\NC_new\10009_20180611\DTI\nodif_brain_mask.nii.gz 0.2 -at 45
（选用FACT算法进行确定性的纤维跟踪，将跟踪角度设为45°，FA阈值为0.2作为终止条件进行全脑纤维跟踪）
确定bounding box
[BB, vx] = spm_get_bbox(‘aal.nii’)；
如果一个图像（VG）的voxel size是[1, 1, 1], 图像大小是[109, 91, 109]的，想要变换成voxel size是[2, 2, 2]，图像大小[128, 128, 64]。首先看物理空间变换了多少，也就是[128*2, 128*2, 64*2]-[109*1, 91*1, 109*1] = [x, y, z]。
然后通过bounding box = BB+[-x/2, -y/2, -z/2; x/2, y/2, z/2];
取最接近的整数即可。
脑网络构建
节点的确定：
经过上述预处理后，将个体的FA图像线性配准到T1图像上(co文件)，把得到配准后的T1图像非线性配准到MNI空间下的MNI152模板上，得到形变场，再把形变场进行逆变换，把逆变场应用到AAL模板上，从而得到个体空间上的脑分区，以大脑分区作为网络的节点。使用fsl的fleirt、fnirt、inwarp和pplywarp命令。
边构建：
一般来说，确定性轨迹成像假设在跟踪过程中每个位置都有一个确定的纤维方向，通常以重建的WM轨迹的3D轨迹结束。在这里，调用了扩散工具包（http://trackvis.org/dtk/）中的dti-recon和dti-tracker命令，通过从所有wm体素中植入来重建大脑中所有可能的纤维。对于以上定义的每一对脑节点/区域，在各自的掩模中有两个端点的纤维被认为连接着两个节点。基于链接纤维，计算了三个基本加权矩阵：数字加权矩阵（mn）、fa加权矩阵（mfa）和长度加权矩阵（ml）。在矩阵中，每一行或每一列代表一个脑区/节点。元素m（i，j）n、m（i，j）fa和m（i，j）l的值分别表示节点i和节点j之间连接纤维的数量、平均fa和平均长度。所得矩阵保存为Matlab数据文件，可直接用于图论方法的拓扑分析。