SPM/VBM

體素形態計量學

VBM 的批評

VBM 存在許多批評。特別是，SPM 使用的空間歸一化準確性是許多人感到不滿的問題。SPM 中的空間歸一化僅使用約 1000 個引數，並且僅擬合整體大腦形狀。它無法扭曲一個大腦使其完全匹配另一個大腦。為了彌補這種不準確性，資料被平滑，其中平滑量應部分取決於跨主體配準的準確性。有許多方法可以評估空間歸一化的“準確性”。一種方法是檢視不同組織類別之間的重疊程度。這表明，例如，灰質與灰質匹配。它並不表示，例如，不同受試者的各種腦溝處於對齊狀態。例如，使用具有過多自由度的配準模型，一個受試者的腦溝可能會被扭曲，使其看起來成為另一個受試者的不同腦溝。為了將腦影像與總體單變數統計資料進行比較，空間歸一化的目標不應該是使不同受試者的腦部看起來相同，而應該是儘可能地將同源區域對齊。有跡象表明，具有過多自由度的模型可能比具有較少自由度的模型更糟糕。例如，Hellier 等人的評估，比較了不同方法的配準準確性，表明 SPM2 的空間歸一化與任何其他方法一樣準確。其他方法註冊腦溝之間的平均距離分別為 9.9、10.3、11.5、10.7 和 10.8 毫米。SPM2 中簡單方法獲得的平均距離為 8.7 毫米。顯然，仍有很大的改進空間，但對於幾乎完全自動化的方法而言，它做得還不錯。目前存在許多跨主體配準和組織分割程式。如果發現 SPM 中的功能不足，這些程式也可以用於預處理。特別是，基於表面的方法可能被證明更有效。

另一個批評是，形狀是多變數的，因此任何形態計量學都應該基於多變數統計，而不是總體單變數檢驗。我（John Ashburner）大體上同意這一點。不幸的是，多變數分析的結果在腦成像社群中無法輕易傳播——特別是如果結果僅限於論文所需的 2D 圖片。社群希望定位有限數量的離散體積差異（而不是對差異進行全面表徵）。

另一個批評是，不同的分析方法會產生不同的結果。原因是不同的分析問的是不同的問題，答案可能不同。特別是，“全域性歸一化”方法的選擇會極大地改變生成的斑點模式。還要注意，不同的預處理也會產生不同的結果。最“準確”的預處理將給出最準確的結果解釋和最高靈敏度。不太準確的預處理將給出不太準確的解釋。不同的配準或分割演算法產生不同結果這一事實與使用不同的地標對其他形態計量分析產生不同結果這一事實完全相同。配準永遠不可能完美，因此會發現一些虛假的體積差異。如果對更大的區域進行平均（即使用更大的 FWHM 進行平滑），那麼誤配準的影響就會降低。因此，可以確信任何差異都是真正的體積差異。如果人們認真對待反對 VBM 的論點，那麼所有手動體積分析都是錯誤的，因為結構永遠不可能以 100% 的精度勾勒出來。

t 檢驗的非平穩殘差方差也是解釋結果的一個問題。這會導致斑點朝向殘差方差低的腦區移動，遠離殘差方差高的腦區；MASCOI 可能有助於解決此問題。許多人看到大腦外存在顯著差異，因為當人們向沒有灰質的區域移動時，殘差方差接近於零；這是使用某種掩模的動機之一（另一個動機是降低多重檢驗問題的嚴重程度）。請諮詢您當地的統計學家以獲取更多解釋。

解釋結果

最一般的解釋是，在該區域的預處理影像中，強度存在顯著差異。難點在於確定是什麼可能導致了這些差異。有兩種可能的解釋：

1) 一個組的結構比另一個組小。

2) 組的解剖結構之間存在一些其他顯著差異，這些差異在該區域的分析中表現出來。這裡有許多可能性。

通常，我們希望預處理能夠使檢驗對第一個解釋更敏感，但其他原因永遠不能排除。例如，一個組的腦室更大，這會系統地影響空間歸一化。另一種可能性是存在對比度差異，並且結構在一個組中比另一個組表現得更好（因此被更好地分割為灰質）。

t 統計量與組之間的差異成正比，除以殘差變異的平方根。如果存在相同的體積差異，但灰質的變異性更大，那麼灰質中的統計資料將不那麼顯著。估計的殘差平滑也可能存在問題。如果殘差更平滑，則校正的程度更小，因此校正後的統計資料更顯著。

統計資料在離變異性更大區域越遠的地方越敏感。在 VBM 中，這意味著最顯著的差異往往會從結構的中心移開。

使用 VBM 估計的對比度影像（con_*.img）與您採用未平滑的預處理資料、製作差值影像，然後平滑此差值影像的情況相同。初始差值主要在邊緣，但被模糊（透過平滑），因此覆蓋更大的區域。

"調製"

空間歸一化會擴充套件和收縮一些腦區。調製涉及按收縮量進行縮放，以便調製後的 GM 的總灰質量與原始影像中的總灰質量相同。

如果您採用極其精確（不一定極其準確）的配準和分割的極限情況，則預處理的濃度影像很可能完全相同。對這些資料的分析將不會向您展示任何內容。因此，我傾向於將未調製的資料解釋為配準誤差的表示，而不是嘗試預處理資料以使 t 檢驗對更有意義的體積差異更敏感。

形狀是多變數的。一個結構的體積可能與另一個結構的體積相關。例如，較小的腦部可能具有較小的殼核。如果您透過比例縮放在模型中包含“全域性變數”，那麼可以對此進行解釋。類似地，殼核的大小可能與周圍結構的大小相關，也可能不相關。調製分析試圖校正空間歸一化期間區域性膨脹/收縮的體積。未調製分析實際上是在比較縮放出相鄰區域體積變化後的體積。相鄰區域的定義含糊不清，並且取決於空間歸一化的精度。

例如，假設空間歸一化只能配準到顳葉的解析度，並且該腦區內的所有內容都以大致相同的量進行擴充套件或收縮。如果一個組的海馬體相對於顳葉的體積很大，那麼此過程對這種差異將更敏感。不幸的是，不容易準確地說出空間歸一化的尺度是什麼，因此這種分析的結果有點任意。

VBM 實踐

基礎知識

啟動 MATLAB，確保 SPM 在您的路徑中（例如，執行 pathtool 並新增 SPM 目錄），然後鍵入spm pet 以啟動 GUI。

SPM5 中的統一分割

預備工作

(編輯：新增有關 DICOM 匯入的內容？)

首先確保您的影像與模板大致對齊：單擊檢查配準，轉到SPM5/templates/目錄並選擇T1.nii，然後轉到包含您的資料集的目錄並選擇影像。如果它們未大致處於配準狀態，則需要使用顯示按鈕，然後調整值（上、俯仰等），然後單擊重新定向並重新選擇影像。

分割

點選Segment按鈕將彈出一個選項頁面；您必須選擇您的檔案（在Data下），並且您可能需要更改Output Files選項。除非您有理由這樣做（這些說明適用於初學者！），否則為感興趣的組織選擇modulated normalised，不要儲存偏差校正，也不要進行清理。將所有Custom選項保留為預設狀態。如果您需要，可以現在儲存作業（為.mat檔案），或者點選Run來分割影像。作為非常粗略的估計，每張影像需要30分鐘。

平滑

點選Smooth，選擇影像（Modulated normalised/Warped tissue Class影像以mwc為字首），將data type選項保留為same，並選擇平滑寬度。這是一個困難的決定... 常用的寬度為8到12 mm，您可能需要進行試驗才能決定什麼最適合您的掃描/受試者，儘管有人認為核寬度應該與您要搜尋的差異的預期大小相匹配。除非您有充分的理由這樣做，否則請三次輸入相同的數字，因為通常希望在所有方向上（即使用各向同性核）進行相同的平滑。

統計

這很難給出簡短的介紹，因為它在很大程度上取決於您的實驗，但為了給出未配對雙組t檢驗的一個非常簡單的示例：點選GUI左上角附近的Basic Models，然後選擇雙樣本t檢驗因子設計。輸入掃描，並輸入您想要的任何協變數（例如，年齡，顱內總體積等。請參見下面的#Obtaining Covariates）。現在關於掩碼... 如果這是您第一次嘗試VBM，最好選擇絕對閾值掩碼並輸入值0.05。但與平滑非常類似，究竟使用什麼掩碼是一個比較困難的決定。設定輸出Directory，您希望將結果寫入其中。在第一次嘗試時最好將其他選項保留為預設狀態，儘管可能需要檢查下面的#Globals部分...

點選Run，檢查出現的實驗設計矩陣，然後點選左側的Estimate，並選擇您剛剛為輸出選擇的目錄中的SPM.mat檔案。然後點選Results，並再次選擇此檔案。

現在您需要擔心一般線性模型對比，這可能是一個相當複雜的部分。對於沒有協變數的簡單未配對雙組t檢驗，[-1 1]的t對比將給出右尾（組2 > 組1）t檢驗；[1 -1]將給出左尾（組1 > 組2）t檢驗，而[-1 1]或[1 -1]的F對比將給出F檢驗（組2 $\neq$ 組1），相當於雙尾t檢驗。

在定義和選擇對比後，您將被詢問是否要使用其他對比對其進行掩碼（說不，除非您知道自己想要這種分析）。接下來，您將被問及如何校正/調整多重比較。如果您沒有想法，我會選擇FDR，並將預設值保留為0.05；更好的是，閱讀Genovese和Nichols關於FWE和FDR的文章。然後，您應該會看到顯著區域的標準最大強度投影（MIP）圖。點選左側的p值按鈕之一（可能需要volume）將生成一個結果表，而選擇overlays... sections並選擇例如T1模板將允許您在腦部中移動以檢視顯著區域。

SPM2和SPM99中的最佳化VBM

對於SPM5來說，這不是必需的，因為Segment按鈕應該在一個統一模型中完成所有操作。"最佳化VBM"是一個半成品程式，大約在10分鐘內發明，目的是為改進SPM中的空間歸一化提供一個快速短期解決方案。它確實改善了空間歸一化，並且還應該為fMRI資料提供更好的受試者間配準（因此獲得更好的結果）。如果您想在SPM2或SPM99中執行最佳化VBM，則程式如下

分割原始影像

這涉及到將模板隱式配準到影像。這裡估計的變換用於疊加先驗機率圖，這些圖有助於分割。在執行此步驟之前，您可能需要透過Display重新定向影像。這樣是為了使仿射配準有更好的初始估計。在[1]中搜索關鍵詞reorient Display將為您提供有關此方面的所有提示。

清理灰質。

這僅適用於SPM99。在SPM2中，此過程與分割相結合。將seg1和seg2影像輸入程式，結果是brain_*.img，該影像對腦部具有1的值，對非腦部具有0的值。生成的brain_*.img用於從*_seg1.img檔案中刪除一些錯誤分類的體素。這是使用ImCalc完成的，選擇seg1_、seg2_、seg3_和brain_影像，輸入輸出檔名，以及以下表達式

       i1.*i4./(i1+i2+i3+eps)

從GM估計形變。

進行第一次分割和清理的原因是為了透過匹配GM與GM來估計一組空間歸一化引數。在SPM99中，您將停用"Mask brain when registering?"，並將空間歸一化影像的解析度設定為高於當前預設值。模板將是灰質影像，可能是apriori目錄中的影像，也可能是自定義製作的模板。

將這些形變應用於原始T1影像。這將為您提供一個空間歸一化的T1影像，其解析度應約為1mm各向同性。在此時，可以刪除原始的*_seg*和brain_*影像。

分割空間歸一化的T1。

告訴分割程式影像已進行空間歸一化，因此不需要進行仿射配準。

清理灰質。

與上面相同（僅適用於SPM99）。

調製

空間歸一化會擴充套件和收縮一些腦區。調製涉及按收縮量進行縮放，以便調製後的 GM 的總灰質量與原始影像中的總灰質量相同。

平滑。

最好透過約12mm進行此操作。

統計。

預處理的整個想法是，t檢驗對GM中的體積差異敏感。請記住，您的結果可能反映了影像之間的其他差異。

自定義模板

SPM5之前的SPM版本中的空間歸一化需要與要與其匹配的影像具有類似對比的模板。原因是目標函式基於影像之間的均方差。只有當不同組織型別的強度在影像之間對應時（還有一個估計的縮放因子，它重新縮放整體強度），這才有意義。在SPM5中，Segment按鈕允許使用不同的目標函式來實現空間歸一化，該目標函式不依賴於影像對強度之間的簡單關係。有關機制的完整詳細資訊，我建議您檢視Ashburner & Friston. Unified segmentation. NeuroImage 26(3):839-851 (2005).

想法是，SPM5的分割會形變一組組織機率圖，使它們疊加到要分割的影像上。形變後，它們將代表每個體素屬於特定類別的先驗機率（的一部分）。

理想情況下，這些組織機率圖應該代表所研究人群的先驗機率，並且是透過對大量不同受試者（wc*.img）的空間歸一化組織類別影像進行平均得到的。我懷疑如果您沒有大量受試者，那麼與SPM5一起釋出的組織機率圖將比僅包含大約20個受試者的平均值更具代表性。

全域性

大規模單變數檢驗方法假設影像中的所有體素都是獨立的（除了GRF校正部分）。使用"全域性"是一種折衷方案，用於對每個體素與某些全域性度量之間的依賴關係進行建模。

大多數研究形狀的人使用多變數框架。形狀基於對應特徵的位置之間的關係，在考慮大小、位置和方向後得出。不幸的是，我們沒有足夠的受試者進行完整的multi-variate分析，因此我們將分析限制為mass-univariate分析，並可能使用"全域性"作為混雜因素，或使用某種比例縮放。我們試圖透過將研究範圍限制在識別灰質增加或減少的區域來回答更具臨床意義的問題。

"全域性"是一種折衷方案（欺騙），需要將某種多變數性引入分析中。人們通常希望看到一個顯著斑點的圖，因此通常採用大規模單變數方法（SPM）。實際上，形狀（以及因此的相對體積）確實是多變數的。一個結構的體積與另一個結構的體積相關。更大的大腦可能（平均而言）具有更大的海馬體。具有全域性更厚灰質的大腦更有可能在特定溝回處具有更厚的灰質。此外，分割（出於某些原因）高估了灰質數量的大腦，也可能看起來在特定區域具有更多的灰質。

不幸的是，這種多變數性不是簡單的線性關係。例如，更大的大腦更有可能具有比灰質更多比例的白質。對於全域性不同的腦部，在大量單變數方法中，究竟要解釋這些差異的含義變得非常困難。基本上，不清楚對於任何特定實驗應使用什麼作為全域性。這將取決於您對受試者的理論。

比例縮放將體積轉換為總腦/GM體積的一部分的值。例如，您可能能夠說某個點周圍的區域包含總GM體積的3%。如果您對這種度量的差異感興趣，那麼比例縮放模型可能更可取。或者，如果您想要定位灰質體積趨勢與總灰質體積趨勢不同的區域，那麼ANCOVA模型可能更可取。

使用"無全域性"和"調製"分析旨在顯示灰質中絕對體積差異的區域。使用總灰質作為混雜因素將顯示不能透過總灰質差異解釋的絕對差異區域。

您可以在實驗設計矩陣中包含額外的列，這些列對各種無關緊要的影響進行建模（例如，對某些全域性度量的ANCOVA校正）。這允許您定位不能透過這些無關緊要的影響解釋的差異。

例如，在一個組比較中，一組的大腦可能比另一組的大腦更大。在這種情況下，您可能只對與總腦容量不同的體積差異模式感興趣。

使用與總灰質的比例縮放將顯示差異，即某個區域包含不成比例的大或小的總灰質區域。例如，一個結構可能通常佔總腦灰質的 2%，但在患者中，它可能佔 1.5%。

男性與女性測試是一個棘手的測試。男性通常比女性體型更大，頭部也更大。如果您要對鼻子大小進行分析，那麼男性很可能鼻子更大。也許您想知道，在考慮了頭部大小後，這種額外的尺寸是否仍然顯著，無論是將頭部大小建模為協變數，還是將鼻子按比例縮放，使其與頭部總大小成比例（給我們一個鼻子佔頭部體積的百分比的度量）。

通常，一個大腦的體積是另一個大腦的兩倍，並不意味著它的灰質也是兩倍。灰質和白質體積之間的關係大約遵循冪律，指數為 4/3（Zhang & Sejnowski, PNAS 97(10):5621-5626, 2000）。如果我們使用基於全腦體積的比例縮放模型，我們的零假設是灰質體積隨腦體積線性變化。這顯然不正確，儘管它可以作為有用的第一個近似值。

模型的選擇取決於研究人員，並且確實取決於您想要測試的內容。我確實不願意給出任何明確的建議。當 VBM 實驗寫成論文時，模型應該被準確地描述。不同的模型會給出不同的結果，這些結果似乎相互矛盾。

在痴呆的情況下，通常使用總顱內體積來按比例縮放資料。因此，每個結構/區域都被視為顱內體積的一部分。頭部大小各不相同，因此這種標準化應該減少模型的殘差方差。

獲取協變數

全域性變數（總分段組織體積）

spm_global 不是計算 VBM“全域性變數”的好方法，因為它旨在透過排除“非大腦”體素（假設這些體素低於預排除平均值的某個分數）來計算一種平均大腦強度，並計算剩餘部分的平均值。

函式 spm_get_volumes 可用於對組織分段進行積分，以升為單位返回體積。原生空間 (c)、DARTEL 匯入 (rc)、調製標準化 (mwc) 和平滑調製標準化 (smwc) 分段體積之間的差異通常非常小。主要區別在於脊髓包含在白質段中的量，這取決於影像的視野。手動分段協議（例如，如 Whitwell 等人，2001 年）通常設定一個任意截止點，例如包含小腦的最下部切片（在 MNI 空間中）；這可能最接近 mwc 或 smwc 影像的結果。

總顱內體積

為了獲得 TIV，一種選擇是將 GM、WM 和 CSF 的體積相加，例如，對每個組織類別使用 spm_get_volumes，然後將這些結果相加。與手動或其他自動測量相比，在 SPM8 中使用來自新分段工具箱的 mwc 段進行此方法的效能非常好 (Ridgway 等人，2011 年)。

其他協變數（例如，來自電子表格/文字檔案）

您可以在 MATLAB 工作區中指定任何變數作為協變數。如果您在文字檔案中擁有協變數，您可以先將其讀入 MATLAB，例如使用 textscan 或 textread。從電子表格（例如 Microsoft Excel）匯入的一種方法是使用該程式儲存為 .csv（逗號分隔值），然後使用 MATLAB 的 csvread 從 CSV 檔案獲取變數。

來自不同掃描器的資料

您通常可以透過在設計矩陣中建模混雜效應來消除使用不同掃描器或掃描序列的影響。請注意，如果您要進行一組與另一組的比較，其中一組在一臺掃描器上收集資料，另一組在另一臺掃描器上收集資料，那麼對掃描器效應進行建模也將對兩組之間的差異進行建模。參見 Stonnington 等人 2008 [2]

參考文獻和連結

論文、教程、背景等。

Wright 等人 1995 年 --- 最初的 VBM 論文
Ashburner 和 Friston 2000 年 --- 關於該方法的極具影響力的權威論文
Ashburner 和 Friston 2005 年 --- 關於 SPM5 的統一分割模型的最新論文
人腦功能（第二版） --- 非常有用的教程式資料，尤其是第 6 章
John Ashburner 的博士論文 --- 比 HBF 更全面，但不太新
大腦扭曲 --- 由 A. Toga 編輯，包含一些有用的章節
JHU-PNI VBM 方法頁面 --- 教程資訊、參考資料和指向討論的連結
西北大學 CBGM --- 許多簡短的筆記、教程、討論

工具箱、輔助指令碼和其他軟體

Christian Gaser 的 VBM 工具箱，包括針對 SPM2 和 SPM5 的最佳化 VBM
西北大學 CBGM 包含許多有用的指令碼
John's Gems 由 Tom Nichols 編譯
Ged Ridgway 的 VBM 指令碼包括 resize_img、get_totals、make_diffs
掩碼工具箱