fMRI数据处理_预处理_1_流程及脚本
1.1 数据准备
本次数据采用从openneuro下载的公共数据集ds000102,下载地址:OpenNeuro(网页下载失败,可采用命令行下载,详见下载页面介绍)是在执行flanker任务期间进行fmri扫描,详情可在网站上查看。
我们浏览一下下载的数据类型,符合BIDS - Brain Imaging Data Structure文件组织要求
:
lvqiuyu@ubuntu20-04:/media/lvqiuyu/DATA/OpenNeuro/ds000102$ pwd
/media/lvqiuyu/DATA/OpenNeuro/ds000102
lvqiuyu@ubuntu20-04:/media/lvqiuyu/DATA/OpenNeuro/ds000102$ ls
CHANGES sub-01 sub-07 sub-13 sub-19 sub-25
dataset_description.json sub-02 sub-08 sub-14 sub-20 sub-26
derivatives sub-03 sub-09 sub-15 sub-21 T1w.json
fMRIprepAFNI.txt sub-04 sub-10 sub-16 sub-22 task-flanker_bold.json
participants.tsv sub-05 sub-11 sub-17 sub-23
README sub-06 sub-12 sub-18 sub-24
lvqiuyu@ubuntu20-04:/media/lvqiuyu/DATA/OpenNeuro/ds000102$ cd sub-01
lvqiuyu@ubuntu20-04:/media/lvqiuyu/DATA/OpenNeuro/ds000102/sub-01$ ls
anat func
lvqiuyu@ubuntu20-04:/media/lvqiuyu/DATA/OpenNeuro/ds000102/sub-01$ cd anat
lvqiuyu@ubuntu20-04:/media/lvqiuyu/DATA/OpenNeuro/ds000102/sub-01/anat$ ls
sub-01_T1w.nii.gz
其中:task-flanker_bold.json 包含了扫描参数包括TR、TE、扫描仪牌子、任务介绍等
participants.tsv文件包含被试基本信息
vim task-flanker_bold.json
###output"RepetitionTime": 2.0,"TaskName": "Flanker","TaskDescription": "On each trial (inter-trial interval (ITI) varied between 8 s and 14 s; mean ITI=12 s),participants used one of two buttons on a response pad to indicate the direction of a central arrow in an array of 5 arrows. In congruent trials the flanking arrows pointed in the same direction as the central arrow (e.g., < < < < <), while in more demanding incongruent trials the flanking arrows pointed in the opposite direction (e.g., < < > < <). Subjects performed two 5-minute blocks, each containing 12 congruent and 12 incongruent trials, presented in a pseudorandom order.","CogAtlasID": "tsk_4a57abb949a4f","Manufacturer": "Siemens","ManufacturerModelName": "Allegra","MagneticFieldStrength": 3.0,"ScanningSequence": "Echo Planar","MRAcquisitionType": "2D","EchoTime": 0.030,"FlipAngle": 80.0
}
被试文件夹包含结构像/功能像
注意:标准化目录结构(BIDS)可以使脚本分析变得更加容易
1.2 fMRIprep工作流程
1.2.1 解剖像预处理
结构像预处理
1 发现BIDS中的结构像进行平均,生成一个参考模板,使用脚本:FreeSurfer’s mri_robust_template.
2 平均结构图像/T1w的结构图像,进行颅骨剥离:ANTs’ antsBrainExtraction.sh
3 结构像的大脑组织分割:FSL fast
4 空间标准化(spatial normalization),把结构向以非线性的方法匹配到一个标准模板(ICBM 2009c Nonlinear Asymmetric template (1×1×1mm)): ANTs’ antsRegistration
功能像预处理
5 参考图像评估
6 头动评估
7 时间层校正
8 T2*的配准
9 失真校正
10 重采样(raw space)
11 EPI 到 T1 的配准
12 EPI到MNI转换(依据 4 参数)
13 干扰评估(Confounds estimation) :那些将被 "激进的 "去噪策略去除的成分
14 非激进的策略执行
1.2.2 主要应用的子处理
T1:ANTs、FSL_FAST
EPI:FSL_MCFLIRT、nilearn、 FSL FLIRT with BBR / FreeSurfer bbregister if Freesurfer run、nipype
1.3 单被试运行脚本
注:其中最主要的参数为
fmriprep-docker inputdir outputdir \ participant \##分别是输入目录(BIDS格式)、输出目录、分析水平
脚本如下:
#!/bin/bash#User inputs:BIDS目录、被试编号、运行cpu数量、内存大小、容器名字
bids_root_dir=/media/lvqiuyu/DATA/OpenNeuro/ds000102
subj=02
nthreads=2
mem=16 #gb
container=docker #docker or singularity#Begin:#Convert virtual memory from gb to mb
mem=`echo "${mem//[!0-9]/}"` #remove gb at end
mem_mb=`echo $(((mem*1000)-6000))` #reduce some memory for buffer space during pre-processingexport TEMPLATEFLOW_HOME=$HOME/.cache/templateflow
export FS_LICENSE=/home/lvqiuyu/fmriprep_license/license.txt#Run fmriprep
#参数 输入的BIDS目录、输出目录、以及分析水平,fmriprep-docker $bids_root_dir $bids_root_dir/derivatives/fmriprep \participant \### --participant-label $subj \### 假设输入的文件为BIDS格式,跳过验证文件格式的步骤--skip-bids-validation \### 跳过生成HTML和LaTeX格式的引文--md-only-boilerplate \###路径license--fs-license-file /home/lvqiuyu/fmriprep_license/license.txt \###不使用表面预处理--fs-no-reconall \####用于对解剖和功能图像重新取样,
####和模板空间保持一致,其中参数MNI152NLin2009cAsym为模板的采样率,
####可采用自定义模板(指定path),res-2 代表resample的分辨率--output-spaces MNI152NLin2009cAsym:res-2 \###cpu个数--nthreads $nthreads \###第一次报错后暂定--stop-on-first-crash \###最大内存数量--mem_mb $mem_mb \###清空工作目录(临储存)#--clean-workdir###工作目录-w /media/lvqiuyu/DATA/OpenNeuro/ds000102/WorkSpace
注:运行时清空参数之间的注释
fMRI数据处理_预处理_1_流程及脚本相关推荐
- fMRI数据处理_预处理_3_批处理和结果解读
1.输出结果解读 根据电脑性能差异,我们上一篇文章运行单个被试的时间大概需要2-4个小时,现在让我们打开输出文件夹看看都有那些输出: 1.1fmriprep文件夹 可以看到输出文件夹里除了每个被试的输 ...
- 医学影像:静息态fmri数据的预处理
文章目录 引言 静息态fmri数据的预处理 数据预处理的理论部分 静息态数据预处理的一般步骤(参考) 常用的工具 数据预处理的实践部分 引言 本文主要详细介绍了静息态fmri数据的预处理,什么是静息态 ...
- 基于SPM12对fMRI数据进行预处理及其批处理
对fMRI数据进行预处理 博主最近在做fmri数据的预处理,原理并不是很难,但是过程中很多细节容易被忽略导致失败,特此记录一些细节以供参考! 一.数据说明 1.原始数据(格式:.dcm) (1)功能像 ...
- docker 定时重启脚本_使用 Go 添加启动脚本
简介 实践 困惑 总结 当前部分的代码 简介 虽然 Makefile 能很好的整合各种命令, 是一个非常方便的工具. 但启动脚本也是必不可少的, Makefile 更多用于开发阶段, 比如编译, 单元 ...
- 基于WF设计业务流程平台_权限在流程模板外部映射
基于WF设计业务流程平台_权限在流程模板外部映射 前面的几篇文章我介绍了一种权限与流程模板相结合的设计方式,今天我介绍一种权限在流程模板外部映射的计方式. 限在流程模板外部映射,主要的实现思路是: 在 ...
- rdlc报表 矩形高固定_固定资产管理系统_简化资产管理流程
随着企业经营范围的不断拓展,企业每年都投入大量费用来购置各种资产,但随时间推移,企业在资产管理中往往会出现下列情况: 1.不清楚资产的使用状态.位置.使用人,资产利用效率低,重复购置现象严重. 2.资 ...
- Python +大数据-知行教育(四)-意向用户主题看板_全量流程
Python +大数据-知行教育(四)-意向用户主题看板_全量流程 5. 意向用户主题看板_全量流程 5.1 需求分析 主要分析什么内容:1) 每一个需求涉及到那些维度, 那些直白2) 每一个需求涉及 ...
- 地理数据处理_矢量图处理_python_OGR
OGR 简单要素库是地理空间数据抽象库(Geospatial Data Abstraction Library,GDAL)的一部分,它是一个非常流行的用于读写空间数据的开源库 环境 python 2. ...
- python文本数据处理_从 App 描述介绍文字中发掘 Python 文本数据预处理实例
本文为 AI 研习社编译的技术博客,原标题 What App Descriptions Tell Us: Text Data Preprocessing in Python,作者为 Finn Qiao ...
最新文章
- 星期和工作日计算,你会了吗?
- 快速排序 python菜鸟教程-NumPy 排序、条件刷选函数
- SqlServer索引的原理与应用
- Clinicast让癌症治疗不那么昂贵
- linux 根据ip查机器名
- sqlalchemy 聚合
- 手机APP移动应用开发
- Shell命令打包Android apk
- 单片机(ISIS 7 Professional):简易LED警报灯代码项目
- 计算机局域网地址设置方法,怎么设置局域网电脑的ip地址和DNS?
- 图片批量加边框,详细操作步骤
- 虚拟机跑服务器网速慢,VMware虚拟机上网速度慢怎么办-解决VMware打开网页缓慢的方法 - 河东软件园...
- 11.Null和Underfined
- 什么是arXiv.org?
- 扩展点系列之ApplicationContextAwareProcessor普通类获取Spring Bean - 第433篇
- 网上银行系统5:系统登陆
- maven 打包打出带依赖的和不带依赖的jiar包
- 淘系页面详情API调用展示
- 深入XSLT第一章序言—什么是XSL
- 双目立体图像矫正方法简述