严老师好!
我在处理fRMI数据的时候,通过ReHo和fALFF计算得到显著的区域,打算将其作为ROI进行功能连接分析。
但我不是很明白functional connectivity和ROI time courses的区别。按照视频中的内容,FC是voxel-wise seed based的相关分析,
而ROI time courses是ROI-wise的功能连接分析,则应该选择ROI time courses才对。但这样说的话,FC又是在什么情况下才使用呢?
另外就是在使用两种方法之后,发现ROI time courses中提取时间序列的数值,就是对应的种子点的均值,这个是可以理解的;而FC得到的
SeedSeries则不是简单的均值(虽然数值上很接近,但确定是不一样的)。关于这个问题,实际上严老师17年就在
http://rfmri.org/content/difference-between-time-series-extracted-functional-connectivity-analysis-and-extract-roi
做了解释,但我在计算的时候,实际上就是使用模板去过滤,然后求其均值,所以从这个角度来讲,FC跟ROI time courses的本质依旧是一致的。
而且在18年的时候 PengyuZhang 也提出过二者的区别的问题,
http://rfmri.org/content/dpasfa%E5%81%9A%E5%8A%9F%E8%83%BD%E8%BF%9E%E6%8E%A5%E6%97%B6%E7%9A%84%E8%BE%93%E5%87%BA%E6%96%87%E4%BB%B6
所以能不能请严老师详细介绍下二者的区别?
恳请严老师在百忙之中抽空答疑解惑,不胜感激!
您好:
您好:
功能像每隔一个TR(一般为2秒)会记录一次全脑的BOLD信号,这样持续数分钟后会形成一系列具有先后顺序的全脑图像序列。如果我们考虑某个脑区,取这个脑区平均BOLD信号数值的话,就会形成这个脑区随着时间进展BOLD信号的变化情况,这就是ROI time course。
随后有两种处理方法,一种是计算这个脑区的time course的本身的特征(ALFF),或者计算这个脑区的time course与其它脑区的time course的相关,也就是FC。
可能会引起困惑的是对ALFF也可以提取“ROI time course”, 这只是软件起的一个名字,这个“time course”只有一个时间点,实际上是这个脑区ALFF的平均数值。
祝好!
非常感谢您如此迅速的回复!
非常感谢您如此迅速的回复!
ROI time course的概念是理解了,但是dpabi GUI设置里面,有一个是functional connectivity,有一个是ROI time courses(如下图所示)。
我自己也提取了部分点的数据,求了整个时间窗口的信号的均值,然后进行皮尔森相关分析,得到的结果与ROI time courses中的
一致,但是这两个的结果,跟functional connectivity得到的结果稍微不同,而且可以肯定不是精度引起的问题。所以我的问题
可以简单理解为,红色框内的两个有何不同?以及什么时候选择哪一个?
functional connectivity
functional connectivity 主要是计算种子点到全脑的功能连接图。
可是我选择后者,time course之后,定义ROI时
可是我选择后者,time course之后,定义ROI时,选择的如果是AAL模板,那其实也是一种种子点到全脑的功能连接了。
而且如果二者都是计算的皮尔森相关系数,选择的ROI又都是一样的,那理论上来讲,二者的结果应该是一致的吧?
选择后者的话你得到的是一个.mat文件(所有脑区的时间序列
选择后者的话你得到的是一个.mat文件(所有脑区的时间序列),而选择前者得到的是许多.nii文件(每个脑区和全脑其它位置的功能连接图)
是的,得到的结果确实如此,例如我使用的是3个ROI
是的,得到的结果确实如此,例如我使用的是3个ROI,再加上AAL116的模板,则相应的每个被试都会有119个ROI对应的nii格式的图,再加上Z变换,就是119*2=238个nii文件,还有1个mat,1个txt,1个tsv文件。这里的tsv文件记录对应的ROI信息,mat文件与txt文档都是一个230*119的矩阵,对应时间点数乘以ROI的个数,所以其实这一步我就不是很懂,因为理论上来讲得到的结果应该是119*119的矩阵才是,而这里却成了时间乘以种子点数,230*119)而time course就有这样的矩阵结果,即ROIcorrelation的序列,对应的是119*119的矩阵;而且time course正如视频中以及您所讲的,也会提取出每个脑区的时间序列信息。
所以230*119的矩阵是怎么来的?而如果是做的FC,那么,后续的分析是否只能根据nii图像,进行119次ANCOVA?
您应当使用那个ROIcorrelation开头的119
您应当使用那个ROIcorrelation开头的119*119的矩阵进行后续的FC分析。
是的,理论上来讲就应该使用119
是的,理论上来讲就应该使用119*119的矩阵进行连接分析。
可是下图选项中的functional connectivity,得到的seed series又是什么呢?即前面提到的230个时间点119个ROI的矩阵。ROI signal那里应该就是一个ROI所在区域所有点的均值的时间序列,而ROI signal跟seed series又不同。
你用了全脑mask,有一些ROI在全脑mask外面
你用了全脑mask,有一些ROI在全脑mask外面,所以会造成差别。你在计算Functional Connectivity时,如果不选dafault mask,而是选no mask或61*73*61全是1的mask,他们提取出来的数值就会一致。
好的,明白严老师这个意思,非常感谢!
好的,明白严老师这个意思,非常感谢!