尊敬的老师：
有文献使用用拟合度分析方法来研究某种疾病的默认网络与正常人的默认网络的差异。基本思路是：首先使用ROI-based方法得到默认模式网络模板；然后对预处理后的数据进行ICA 分析，使用拟合度分析方法挑选出与之前得到的默认模式网络模板最匹配的成分。拟合度分析主要通过模板匹配程序来完成，即计算每个成分中落在模板内体素的z 值的平均值与模板外体素的z 值的均值之差，选择差值最大的成分作为最匹配的成分。为了便于进行组分析，将每个被试的最适成分的时间序列作为回归量输入到SPM 的设计矩阵中，回归分析得到与最适成分相似的脑区激活图, 即默认模式网络。
我想问上述的这个方法可以用rest做吗？特别是 计算每个成分中落在模板内体素的z 值的平均值与模板外体素的z 值的均值之差具体 怎么做？还有 将每个被试的最适成分的时间序列作为回归量输入到SPM 的设计矩阵中 具体应该如何操作呢？
有文献使用用拟合度分析方法来研究某种疾病的默认网络与正常人的默认网络的差异。基本思路是：首先使用ROI-based方法得到默认模式网络模板；然后对预处理后的数据进行ICA 分析，使用拟合度分析方法挑选出与之前得到的默认模式网络模板最匹配的成分。拟合度分析主要通过模板匹配程序来完成，即计算每个成分中落在模板内体素的z 值的平均值与模板外体素的z 值的均值之差，选择差值最大的成分作为最匹配的成分。为了便于进行组分析，将每个被试的最适成分的时间序列作为回归量输入到SPM 的设计矩阵中，回归分析得到与最适成分相似的脑区激活图, 即默认模式网络。
我想问上述的这个方法可以用rest做吗？特别是 计算每个成分中落在模板内体素的z 值的平均值与模板外体素的z 值的均值之差具体 怎么做？还有 将每个被试的最适成分的时间序列作为回归量输入到SPM 的设计矩阵中 具体应该如何操作呢？
Forums
Re: 拟合度分析方法来识别默认网络的成分
得到IC的timecourse之后，将之与全脑时间序列进行相关分析，得到的高相关脑区，应该基本上就是IC吧？这个问题，张寒比较清楚。goodness of fit，REST似乎不支持这个功能。
Re: 拟合度分析方法来识别默认网络的成分
谢谢臧老师。
Re: 拟合度分析方法来识别默认网络的成分
1. 提供你预先定义好的default mode network （DMN） 模板，该模板我假设你已经有了。
2. 在REST目录下找到“brain mask 61 73 61”这个全脑模板。
3. 利用REST的image calculate功能（在utilities里面），获得“DMN外”这个模板。为此，你输入1和2两个模板图像，然后用这个表达式进行计算：“(i1==0).*i2”。
4. 将所有被试的z变换后的默认网络结果（这是你的结果，如zFCmap等），利用REST的extract ROI time series 和1和3生成的模板，分别提取模板内均值。
5. 将4生成的两个txt文件对应位置做差，即可求得GOF。
Re: 拟合度分析方法来识别默认网络的成分
谢谢张老师的耐心解答，我想问如何利用REST的image calculate功能获得“DMN外”这个模板呢？