对SPM12的认识（二）

四、Segment

Data

指定不同通道的数量（用于多光谱分类）。如果你有每个受试者的不同对比度的扫描，那么可以将它们的信息结合起来，以提高分割的准确性。请注意，只有数据的第一个通道用于与组织概率图进行初始仿射配准。

Channel

指定用于处理的通道。如果使用多个通道（例如PD和T2），则每个通道必须按照相同的顺序指定受试者，并且它们必须对齐（位置、大小、体素维度等相同）。不同的通道可以在不均匀性校正等方面采取不同的处理方式。你可能希望校正某些通道并保存校正后的图像，而对于其他通道则可能不进行此操作。

体积（Volumes）

从该通道中选择要处理的扫描。如果使用多个通道（例如T1和T2），则每个通道必须按照相同的顺序指定受试者，并且它们必须对齐（位置、大小、体素维度等相同）。

偏差正则化（Bias regularisation）

MR图像通常受到平滑的、空间变化的伪影的影响，这种伪影会调制图像的强度（称为偏差）。这些伪影虽然通常不影响视觉检查，但会妨碍图像的自动处理。
一个重要的问题在于区分由于MR扫描的物理特性引起的偏差伪影造成的强度变化和由于不同组织特性引起的强度变化。目标是通过不同的组织类别对后者进行建模，同时使用偏差场对前者进行建模。我们事先知道，由MR物理引起的强度变化往往是空间平滑的，而不同组织类型引起的变化往往包含更多高频信息。通过包含关于纠正算法可能遇到的场分布的先验知识，可以获得更准确的偏差场估计。例如，如果已知几乎没有强度不均匀性，那么对强度不均匀性参数的大值进行惩罚是明智的。这种正则化可以放在贝叶斯框架下，其中所承担的惩罚是任何特定不均匀性模式的先验概率的负对数。
了解什么效果最佳应该通过经验探索。例如，如果你的数据几乎没有强度不均匀性伪影，那么应该增加偏差正则化。这有效地告诉算法你的数据中几乎没有偏差，因此它不会尝试对其建模。

偏差的FWHM（Bias FWHM）

偏差的高斯平滑度的全宽半高（FWHM）。如果你的强度不均匀性非常平滑，则选择较大的FWHM。这将防止算法试图对由于不同组织类型引起的强度变化进行建模。强度不均匀性的模型是一个独立同分布的高斯噪声，在取指数之前经过了一定程度的平滑。还要注意，更平滑的偏差场需要更少的参数来描述。这意味着对于平滑的强度不均匀性，算法的运行速度会更快。

保存偏差校正图像（Save Bias Corrected）

选项用于保存来自该通道的偏差校正版本图像或/和估计的偏差场。MR图像通常受到平滑的、空间变化的伪影的影响，这种伪影会调制图像的强度（称为偏差）。这些伪影虽然通常不影响视觉检查，但会妨碍图像的自动处理。偏差校正后的版本在不同组织类型内应具有更均匀的强度。

Tissues

每个受试者的数据被分类为若干不同的组织类型。组织类型是根据组织概率图定义的，这些概率图定义了在特定位置找到某种组织类型的先验概率。通常，组织的顺序是灰质、白质、脑脊液（CSF）、骨骼、软组织和空气/背景。

组织

每种组织都有一些选项可供选择。你可以选择保存某些组织的图像，而不保存其他组织。如果计划使用Dartel工具，请确保生成灰质和白质（以及可能的其他组织）的“导入”组织类别图像。不同的组织可能需要不同数量的高斯分布来建模其强度分布。

组织概率图（Tissue probability map）

这些图像应为灰质、白质或脑脊液的概率图。通过估计一个非线性变形场，使得这些组织概率图与个体受试者的图像最佳叠加。与基于混合比例假设的静态先验概率不同，还使用了基于其他受试者脑图像的额外信息。先验通常通过将大量受试者的图像进行配准、将体素分配给不同的组织类型，并对不同受试者的组织类别进行平均来生成。通常使用三类组织：灰质、白质和脑脊液。还使用了第四类，其值是前三类之和的补集。这些概率图提供了注册图像中任何体素属于任一组织类别的先验概率，而与其强度无关。
该模型通过允许根据一组估计参数对组织概率图进行变形来进一步优化。这使得空间配准和分割可以在同一个模型中结合起来。

高斯数（Num. Gaussians）

用于表示每个组织类别强度分布的高斯分布数量可以超过一个。换句话说，一个组织概率图可能由多个簇共享。假设每个类别的强度分布为单一高斯分布并不总是成立，原因包括：
一个体素可能并不完全属于某种单一组织类型，而是包含来自多种不同组织的信号（部分容积效应）。一些部分容积体素可能位于不同类别的边界，或者位于如丘脑这样的结构中间，既可以被认为是灰质，也可以被认为是白质。许多其他图像分割方法使用额外的簇来建模这些部分容积效应。通常假设纯组织类别的强度分布为高斯分布，而部分容积体素的强度分布更宽，介于纯类别强度之间。与这些基于部分容积效应的分割方法不同，这里采用的模型简单地假设每个类别的强度分布不一定是高斯分布，并根据这些非高斯分布分配体素的归属概率。常见的高斯数量设置可能包括：灰质2个，白质2个，脑脊液2个，骨3个，其他软组织4个，空气/背景2个。
请注意，如果高斯数量设置为非参数，则会使用非参数方法来建模组织强度分布。这种方法可能适用于某些图像（如CT），但不适用于其他图像，并且尚未针对多通道数据优化。特别是对于由于混叠效应导致强度直方图行为异常的图像，可能会出现问题。

原始组织（Native Tissue）

可以生成与原始图像保持一致的组织类别图像（标记为c*）。这意味着生成的组织图像与最初的图像在空间上是对齐的，不会经过空间变换。此外，它还可以将这些图像转换为一种格式（标记为rc*），这种格式可以用于Dartel工具箱中进行进一步处理，比如更精确的图像配准和形态分析。

变形组织（Warped Tissue）

允许你生成空间归一化后的组织类别版本，分别标记为有调制（mwc*）和无调制（wc*）。这些图像可用于体素基础的形态测量。你只需对它们进行平滑处理，然后进行统计分析。“调制”是为了补偿空间归一化的影响。当将一系列图像扭曲以匹配模板时，必然会在扭曲的图像中引入体积差异。例如，如果一个受试者的颞叶体积是模板的一半，那么在空间归一化过程中，其体积将被加倍，这也会导致标记为灰质的体素数量加倍。为了消除这种混淆，空间归一化的灰质（或其他组织类别）会通过在扭曲前后乘以其相对体积进行调整。如果扭曲导致某个区域的体积加倍，那么这个校正将使组织标签的强度减半。整个过程的效果是保持在归一化部分中的灰质信号总量。
实际上，在这个版本的SPM中，生成“调制”数据时不会通过雅可比行列式对变形数据进行缩放。相反，原始体素会投影到变形图像中的新位置。这将准确保留组织数量，但会引入混叠伪影，尤其是在原始数据的分辨率低于变形图像的情况下。不过，平滑处理可以减少这种伪影。
此外，在这个版本的SPM中，“无调制”数据的生成方式略有不同。在此版本中，投影数据使用一种平滑程序进行校正。虽然这不是严格按照应有的方法执行（为了节省计算时间），但效果相当不错。它还会导致超出原始数据范围的变形组织类别图像的外推。虽然这种外推并不完美，因为它只是一个估计，但仍然可能是有益的。

变形与马尔可夫随机场

MRF参数（MRF Parameter）

当组织分类图像输出时，会进行几次简单的马尔可夫随机场（MRF）清理操作。此参数控制 MRF 的强度。如果将该值设置为零，则不会进行清理操作。

清理（Clean Up）

此操作使用了一种粗略的算法从分割图像中提取大脑。首先，它从白质开始，进行两次腐蚀以去除任何异常的体素。然后算法继续进行条件膨胀，条件基于灰质或白质的存在。识别出的区域随后用于清理灰质和白质的分区。需要注意的是，液体类也会被清理，眼球中的水状体和玻璃体以及其他各种液体区域（除了脑脊液）将被移除。
如果在数据中发现部分大脑被切除，可以选择禁用或降低清理过程的强度。还要注意，此过程基于对每种组织类型的若干假设。如果使用了不同的组织先验，那么应禁用此例程。

扭曲正则化（Warping Regularisation）

配准过程中同时最小化两个项：一个是图像之间的相似度（在此情况下为均方差），另一个是形变的粗糙度。粗糙度的度量包括以下几个部分的总和：
绝对位移需要受到轻微的惩罚（第一个元素编码了这些惩罚的量）。虽然理想情况下不应惩罚绝对位移，但出于技术原因这是必要的。
膜能量的形变会被惩罚（第二个元素），通常惩罚较小。这会惩罚速度场导数的平方和（即雅可比矩阵元素的平方和）。
弯曲能量被惩罚（第三个元素），这会惩罚速度场二阶导数的平方和。
线性弹性正则化也包括在内（第四和第五个元素）。第一个参数（μ）类似于线性弹性，惩罚的是对称化后的雅可比矩阵的平方和（通过与转置求平均）。这一项本质上是惩罚长度的变化，而不会惩罚旋转。
最后一项与线性弹性有关，表示惩罚速度场散度变化的权重（λ）。散度是体积扩张或收缩的度量。
正则化的量决定了各项之间的权衡。更多的正则化会产生更平滑的形变，其平滑度由形变的弯曲能量来衡量。

仿射正则化（Affine Regularisation）

该过程是一种局部优化，因此需要合理的初始估计。图像应在开始前使用SPM的Display功能进行大致对齐。通过使用与组织概率图的互信息仿射配准（D’Agostino等，2004）来实现大致对齐。需要注意的是，这一步骤不包括任何关于强度非均匀性的模型，因此如果使用仿射配准进行初始化，数据不应受到严重的强度非均匀性伪影的影响。如果强度非均匀性严重，可以手动调整图像以获得更接近的起始估计，并关闭仿射配准。
通过正则化（惩罚过度的拉伸或缩小）可以使仿射配准到标准空间更加稳健。了解所需拉伸的大致量可以获得最佳解决方案（例如，ICBM模板比典型大脑略大，因此可能需要更大的缩放）。例如，如果要配准到ICBM/MNI空间的图像，则选择此选项。如果配准到一个大小接近的模板，则选择相应的选项。

平滑度（Smoothness）

该参数用于推导一个调整因子，以考虑相邻体素之间的相关性。更平滑的数据具有更多的空间相关性，使得模型的假设不够准确。对于PET或SPECT图像，将该值设置为约5毫米，如果图像的噪声更平滑，可以设置更大值。对于MRI图像，通常可以使用0毫米的值。

采样距离（Sampling distance）

该参数表示在估计模型参数时采样点之间的近似距离。较小的值会使用更多数据，但处理速度较慢且需要更多内存。选择“最佳”设置需要在速度和准确性之间进行权衡。

变形场（Deformation Fields）

变形场可以保存到磁盘，并用于“Deformations Utility”工具。要将图像空间标准化到MNI空间，需要保存正向变形场；而要标准化（例如）GIFTI表面文件，则需要反向变形场。也可以将MNI空间中的数据转换到个体受试者空间，这也需要反向变形。变形场会保存为 .nii 文件，文件中包含三个体积，分别编码x、y和z坐标。

体素大小（Voxel sizes）

体素大小指的是写入的标准化或导入图像的各向同性体素的大小，单位为毫米 (mm)。

边界框（Bounding box）

边界框指的是将要写入的体积在毫米 (mm) 单位下的空间范围，它是相对于前联合 (anterior commissure) 来定义的。这用于确定图像在标准化处理后所覆盖的三维空间。

五、Normalise

空间归一化分为两个部分： 首先，通过调整标准模板（通常是大脑的标准图像）使其与某个个体的扫描数据相匹配，估计出一种变形，这个过程类似于“扭曲”模板数据以适应个体的图像。然后使用估计出的变形，对个体的图像进行空间归一化处理，把它变换到标准空间中去。这是一种基础的空间归一化方法。通常不推荐用于形态学研究或其他比较不同群体差异的研究。原因是标准的模板图像和你研究的实际数据之间会有系统性的差异（比如种族、年龄等因素的不同）。这种差异可能会导致结果产生偏差，从而影响研究结论的准确性。因此，对于群体差异或形态学的研究，建议使用更高级的归一化方法来避免这些问题。

Normalise: Estimate

通过分割程序进行的空间归一化。如果在空间归一化过程中遇到问题，建议使用 Check reg 按钮查看原始数据与 SPM 附带的 MNI 标准模板的对齐情况。如果错位超过大约 3 厘米或 15 度，可以在对齐之前尝试手动重新定位图像。这可以通过 Display 按钮完成。

Data

空间归一化或其他图像处理过程中，每个受试者的图像需要独立处理，不能对所有受试者的图像使用相同的变形。换句话说，不同个体的图像有各自的差异，因此变形（如空间归一化）的参数和方法需要根据每个受试者的图像单独调整。

Subject

在对某个受试者的所有图像进行处理时，同一受试者的所有图像会使用相同的处理参数。

Image to Align

选择的图像将作为基准，与标准模板对齐。通过这个对齐过程，生成的变形参数可以用来调整该图像，或者其他与该图像已经对齐的图像。
要把哪一个像配准到标准空间上去，选择结构像。

Estimation Options

偏差正则化（Bias regularisation）

MR 图像通常会受到一种平滑的、空间上变化的伪影影响，这种伪影会调制图像的强度（称为偏差）。虽然这些伪影通常不会影响视觉检查，但它们会妨碍图像的自动处理。
一个重要的问题是区分两种强度变化：一种是由于 MR 扫描物理特性引起的偏差伪影，另一种是由不同组织属性引起的。目的是通过不同的组织分类来建模后者（组织属性的变化），而通过偏差场来建模前者（MR 扫描的物理偏差）。我们预先知道，由 MR 物理特性引起的强度变化通常是空间平滑的，而由不同组织类型引起的强度变化通常包含更多的高频信息。通过将算法可能遇到的偏差场的分布作为先验知识，可以更准确地估计偏差场。例如，如果已知图像中的强度不均匀性很小或没有，那么应该惩罚强度不均匀性参数的较大值。这种正则化可以置于贝叶斯背景下，惩罚项是任何特定不均匀性模式的先验概率的负对数。最好的选择应通过实际探索来确定。例如，如果数据中几乎没有强度不均匀性伪影，那么应该增加偏差正则化。这相当于告诉算法，数据中的偏差很小，因此它不需要对偏差进行建模。

偏差的全宽半高（Bias FWHM）

偏差的高斯平滑程度的全宽半高 (FWHM)。如果你的强度不均匀性非常平滑，那么可以选择较大的 FWHM。这将防止算法试图建模由于不同组织类型导致的强度变化。强度不均匀性的模型是独立同分布的高斯噪声，在进行指数计算之前经过一定程度的平滑处理。还要注意，较平滑的偏差场需要较少的参数来描述。这意味着对于较平滑的强度不均匀性，算法运行速度更快。

组织概率图（Tissue probability map）

选择组织概率图谱。这些图谱应该包含图像数据中所有不同组织的概率图（概率值大于或等于零，并且在每个体素上的概率之和等于一）。通过估计一个非线性变形场，能够最佳地将这些概率图与个体受试者的图像重叠。

仿射正则化（Affine Regularisation）

该过程是一个局部优化，因此需要合理的初始估计。在开始之前，应该使用SPM的显示功能将图像大致对齐。使用与组织概率图的互信息仿射配准来实现大致对齐。请注意，此步骤不包括任何强度不均匀性的模型。这意味着，如果程序以仿射配准初始化，则数据不应受到过多此伪影的影响。如果强度不均匀性较大，则应手动调整图像位置，以获得更接近的初始估计，并关闭仿射配准。
通过正则化（惩罚过度拉伸或缩小）可以使标准空间的仿射配准更加稳健。了解所需的近似拉伸量可以获得最佳解决方案（例如，ICBM模板比典型的大脑稍大，因此可能需要更大的缩放）。例如，如果要注册到ICBM/MNI空间的图像，则选择此选项。如果注册到大小接近的模板，则选择适当的选项。

变形正则化（Warping Regularisation）

用于将组织概率图注册到待处理图像的目标函数涉及最小化两个项的总和。一个项给出了在变形参数给定的情况下数据的概率函数。另一个是参数的概率函数，并对不太可能的变形施加惩罚。较平滑的变形被认为更为可能。正则化的程度决定了这两个项之间的权衡。选择一个大约为1的值。然而，如果你的标准化图像看起来扭曲，则可以考虑增加正则化的程度（增加一个数量级）。更多的正则化会导致更平滑的变形，其中平滑度的度量由变形的弯曲能量决定。

平滑度（Smoothness）

这用于推导一个修正因子，以考虑相邻体素之间的相关性。平滑的数据具有更高的空间相关性，从而使模型的假设变得不准确。对于PET或SPECT，建议将该值设置为约5毫米，如果图像噪声较平滑，则可以设置更大。对于MRI，通常可以使用0毫米的值。

采样距离（Sampling distance）

这编码了在估计模型参数时采样点之间的近似距离。较小的值会使用更多的数据，但过程较慢且需要更多内存。确定“最佳”设置涉及速度与准确性之间的折衷。

Normalise: Write

应用先前估计的变形（存储在“y_”imagename“_sn.mat”文件中）到一系列图像。默认前缀是“w”。

Data

被试列表。每个被试的图像应以不同方式进行变形处理。

Subject

在同一被试内使用相同的参数。

Deformation Field

变形场可以被看作向量场，并用三个体积图像表示。在SPM中，变形场以NIfTI格式保存，尺寸为 xdim x ydim x zdim x 1 x 3。每个体素包含变形指向的 x、y 和 z 毫米坐标。

Images to Write

这些图像将根据估计的参数进行变形处理。它们可以是与用于生成变形的图像对齐的任何图像。
要配准的那些功能像。先选择一个平均的功能像，再选择其他的功能像。

Writing Options

边界框(Bounding box)

要写入的体积的边界框（以毫米为单位），相对于前连合（anterior commissure）的位置。

体素大小（Voxel sizes）

已归一化图像的体素大小（x, y 和 z，以毫米为单位）。

插值（Interpolation）

插值是指在将图像写入不同空间时，对图像进行采样的方法（注意，无穷大或NaN值被视为零，而不是缺失数据）。
最近邻插值：最快，但通常不推荐使用。
三线性插值：适合PET、对齐的fMRI或分割数据。
B样条插值：质量更高（但速度较慢）的插值方法，尤其是在使用高阶样条时。可能会产生超出原始范围的值（例如，从原本全为正值的图像中可能产生少量负值）。

六、Smooth

对图像体积进行平滑处理（即与指定宽度的高斯核进行卷积）。该操作作为预处理步骤，用于抑制噪声以及在跨被试平均过程中由于功能和脑回解剖残差差异所产生的影响。默认前缀为“s”。

Images to smooth

指定要进行平滑处理的图像。平滑处理后的图像将被写入与原始图像相同的子目录，并带有可配置的前缀。
做过空间配准后的数据是以wr开头的文件。

FWHM

高斯平滑核的全宽半高（FWHM）值，以毫米为单位。应输入三个值，分别表示在 x、y 和 z 方向上的 FWHM。
如果你的ROI脑区非常小，那么不建议做程度比较高的平滑。

Data Type

输出图像的数据类型。'同样’表示与原始图像具有相同的数据类型。

Implicit masking

“隐式掩膜”是由特定体素值（对于整数类型的图像为0，对于浮点类型的图像为NaN）隐含的掩膜。如果设置为“是”，则输入图像的隐式掩膜将在平滑图像中保留。