【正文】 能像(EPI)和解剖(SE)像，選擇square(即x=y,需填寫z方向體素大小)。 需要指定一些參數才能運行，命令行如下：to3d –time:zt nz nt TR tpattern(. to3d –time:zt 20 299 2s altplus)*筆者注：層面通常先以space (z)排序，再以time (t)排序；time:zt就表示如此，20為全腦的層面數，299為時間序列的幀數(時間點數或TRs)；根據實驗具體參數略有不同。altplus為數據獲取方式，可分為正向間隔獲取(altplus/alt+z)、逆向間隔獲取(altminus/altz)、正向順序獲取(seqplus/seq+z)、逆向順序獲取(seqminus/seqz)和同時獲取(simult)等。其中alt為alternatively, seq為sequentially。AFNI并不能識別左右側，因此對新機器或左右側信息對研究具有重要意義的數據，在采集時做標記，如在左側貼上幾顆魚肝油丸。 功能像層面時間校正和運動校正(1) 時間校正對于一個給定的腦體積，每個層面圖像獲取時間稍有不同。通常，層面以順序獲取，或以隔行獲取(偶數行先獲取，然后再奇數行)的方式進行。雖然，這樣的差異不會影響個別的體素分析，但任何涉及層面間功能時間序列平均、插值的處理過程將會受層面時間差異的影響。當對功能數據集進行任一上述處理時，就需要對層面時間差異進行校正。時間校正在運動校正前進行，因為運動校正涉及鄰近層面的插值，如果鄰近層面存在時間差異會使插值不準確。默認地，使用頭文件中的層面間移位信息(slicewise shifting information)(由to3d程序輸入的”tpattern”信息)。 插值(interpolate) 224。注意：* 請注意混疊(aliasing)現(xiàn)象：超過1/(2*TR)以上的頻率不能被正確的插值。* 對于高速fMRI 成像的開始的圖像通常與較后的圖像具有不同的質量，因為縱向磁化至穩(wěn)態(tài)值之間的瞬時效果(如前所述的outlier)。舉例，如果你希望排除剛開始的4個圖像，那么輸入的數據集應按’prefix+orig[4..$]’形式指定。* 最好在3dvolreg之前使用3dTshift。 ddd39。可以附后綴 39。 或 39。 分別表示秒和毫秒tzero zzz = 配準每個層面的時間們移為 39。 39。 值必須介于最小和最大位移之間注: 默認配準時間為39。 值均值(來自數據集頭信息或tpattern選項)slice nnn = 配準每個層面的位移為 39。 層面的時間位移 注：選項tzero或slice只能用1個prefix ppp= 用 39。 作為輸出文件的前綴。tshift39。 ii39。最初的ii個值在輸出文件中不發(fā)生改變 (不管rlt選項)；也不會用于detrending 和time shiftingrlt or –rlt+ = 在位移前，去除每個時間序列的均值和線性趨勢。 rlt表示在輸出中去除這些值；而rlt+表示在輸出中只加回均值。 ttt39。 tpatter的定義可以為altplus(=alt+z), altminus(=altz), seqplus(seq+z), seqminus(seqz), filename舉例：如果nz = 5, TR = 1000, 那么interslice time為dt = TR/nz = 200。 輸入數據集可以是：39。 {subbrick selector}39。 {subrange selector}39。 {both selectors}39。 {calculation}(2) 運動校正將不同方式和不同時間獲取的圖像進行對齊，從而利于體素體素(voxelbyvoxel)比較。絕大多數圖像校正都使用pairwise alignment方法。T[x]依賴于一些參數：目標是尋找一些參數使得變換后的I與J最擬合。絕大多數圖像校正都需進行3種算法選擇：如何測量I(T[x])和J(x)之間的誤差E？如何調正T[x]的參數使得E最小？如何對I(T[x])進行插值至J(x)的網格(grid)？在fMRI圖像處理過程中，剛體模型配準問題可以分為兩步：(1)剛體模型：首先通過迭代法估計出描述空間坐標之間變換參數的最佳值，然后用這些參數對需要配準的圖像進行空間變換和必要的內插處理。經過變換之后的體元位置大多數情況下不是正好一個體元位置，所以需要通過插值法重新取樣。幾種插值方法可以使用，默認的是Fourier，最準確但速度最慢。目前的AFNI程序通過灰度(強度)值進行圖像的配準。224。所以只對類似的圖像可以進行配準，如SPGR□ 3D Registration224。3dvolreg或Define Datamode 用來對3D volume(subbrick)進行對齊。常用于session內(intrasession)和session間(intersession)的對齊。Usage: 3dvolreg [optinos] dataset. 3dvolreg base 4 heptic clipit zpad 4 prefix fred1_epi_vr dfile fred1_vr_dfile fred1_epi+origbase 4 222。 可以使用不同的圖像作為基準圖像，但大多數情況下， 但最好使用最靠近解剖像掃描的時間點，因為這時描掃參數相似。 選擇7次拉格郎日多項式插值方法(見前述)clipit 222。 在進行shift/rotation前，將每個耙圖像(target image, 即I(x))墊0四層(Zero padding)，最后再去掉。同樣多項值插值方法也適合，因為如果有較大的旋轉，如果不墊0的話將會有數據丟失prefix fred1_epi_vr 222。 將估計的運動參數輸出至指定的1D 文件(以后可使用1dplot繪圖顯示) 為查看是否有較大的平移和旋轉，可以查看運動參數文本文件： 1dplot volreg dx 5 xlabel Time ‘fred1_vr_dfile[1..6]’ ( [1..6] 指出運動參數文件中6 列包括平移和旋轉的估計值) ( KB)2007915 23:39 可以看出，在160s附近有最大的運動，因為被試在此時刻頭動了一下?？梢杂肁FNI查看運動校正后的數據集看是否是這樣。Plugins224。 填寫完畢，點擊Run+Close即可。Plugins224。T[x]有3個參數(x, y軸的位移和z軸的旋轉)。如果有可能的話，在3dvolreg之后再運行2dImReg去除點頭運動非常有意義?！?同被試不同session之間的校正(對同一被試進行持續(xù)多日的研究) ( KB)2007915 23:39如果進行縱向研究或對長時期神經行為(如Learning)的研究，則需進行intersession registration。因為to3d可以定義1個session內EPI和SPGR之間關系；而3dvolreg可以計算不同session間的關系；所以可以將EPI數據集從session 2轉換至sessoin 1的軸向。(如下圖，Day 1和Day 2的層面位于同一體素的并非同一組織，需進行旋轉，然后進行平移。c. EPI和SPGR之間的幾何關系在不同session之間不同。如下圖，進行旋轉時還需要注意一個問題，即旋轉的原點應該相同(以SPGR 中心)，否則需要先進行中心平移。 ( KB)2007915 23:39進行intrasubject S2toS1變換的步驟a. 計算S2toS1的變換關系3dvolreg –twopass –clipit –zpad 4 –base S1+orig –prefix S2reg S2+origb. 旋轉/位移參數保存在S2reg+c. 如果以前沒有做(. in to3d)，對E1數據集進行Zero pad3dZeropad –z 4 –prefix E1pad E1+origd. 對E1數據集進行intrasession校正3dvolreg –clipit –base ‘E1pad+orig[4]’ –prefix E1reg E1pad+orige. 對E2數據集進行intrasession校正，同時進行大的旋轉/位移校正至Session的坐標系(需要的信息存在S2reg+)3dvolreg –clipit –base ‘E2+orig[4]’ –rotparent S2reg+orig –gridparent E1reg+orig –prefix E2reg E2+orig注：rotparent 告知intersession變換關系從哪獲得 gridparent 定義輸出的新數據集的網格位置及大小 輸出數據集將取決于E1reg+orig的需要進行平移和Zero padded上面討論的步驟沒有考慮不同層面厚度(EPI and/or SPGR)時的問題。上面的步驟也沒有考慮存在頭信息內(from to3d, . ‘alt+z’)的層面依賴的時間位移。在做空間插值之前，首先對數據集進行時間位移至共同的時間原點非常有意義。 功能像的時間域濾波數據可以在線性模型擬合前使用 3dFourier進行時間域的過濾，將會對時間序列進行相當嚴格的頻率域過濾。 例：3dFourier prefix run_1_vr_lp lowpass retrend run_1_vr+orig低通(low pass)濾波界值(cutoff value)是基于輸入刺激模型的頻率譜(. the 1D files)，如下圖(圖像經過反轉色彩)。在選擇頻率界值時應該保守一點，并在時間濾波后用AFNI查看時間序列。因為兩個原因。二是集合被試間的數據之前，需要進行空間模糊(blurring)，因為腦解剖結構即使在標準化至標準腦空間(Talairach)后也存在差異，因此它們的功能激活區(qū)有可能并不精確重疊。數據在重建(如使用hamming或fermi filter選項)時可被平滑。然而，在重建過程中的空間平滑是層面內的(inplane)。第2個可以進行空間平滑的時間是恰在第1次各被試內數據統(tǒng)計分析前。在各被試內統(tǒng)計分析后，進一步的處理是應用統(tǒng)計匯總數據，而對統(tǒng)計匯總數據進行空間平滑具有較低的有效性?？臻g平滑使用3dmerge程序：Usage: 3dmerge [options] datasets ...□ 為每個輸入數據集指定編輯選項：1thtoin = 拷貝閾值數據覆蓋(over)強度數據(這樣，是否即對閾值數據進行平滑 ?)僅在數據集附有閾值統(tǒng)計值時有效。2thtoin= 同1thtoin，但處理時不改變閾值(from shorts to floats)。1noneg = 將負值改為01abs = 取強度值的絕對值1clip val = 將在(val val)范圍內的強度值改為02clip v1 v2 = 將在(v1,v2)范圍內的強度值改為01uclip val = 這些選項與上述的相似，但不在數據集后附上任何解剖的縮放因子(scaling facor 2uclip v1 v2 tors)。(‘u’意為‘unscaled’，3dinfo程序可以用來查看縮放因子)注：這些clip選項只能使用1個。 fith39。fico39。fitt39。閾值39。為浮點型，39。 和 39。數據 thr ，39。 thr 1blur_sigma bmm = Gaussian blur with sigma(總體標準差) = bmm (in mm)1blur_rms bmm = Gaussian blur with rms(均方根) deviation = bmm1blur_fwhm bmm = Gaussian blur with FWHM(半高全寬窗) = bmmt1blur_* bmm，同上述選項，只不過是對閾值數據進行blur操作。 CLUSTERING ( KB)2007915 23:47rmm為連接距離(connection distance)Clustering的步驟：先發(fā)現(xiàn)一些非0體素，與指定像素距離小于rmm(中心中心距離)的像素被包括在cluster內，然后再向外擴展。 將共享一個面的體素連接L rmm L 222。