老师,想请教您2个关于ALFF的问题

Submitted by cappuccinoxt on
老师,你好! 我现在在学习ALFF,在数据处理过程中遇到了一些问题,希望得到答案。谢谢您答疑解惑。 1. 被试数据扫描时间不同,在一次扫描过程中,有的被试是185volumes,而有的是200volumes。臧老师07年发的Brain Development文章中在遇到此类问题时的处理办法是:将具有200个volumes的被试的最后15个volumes去除,将所有被试的volume数保持相同,都为185volumes,然后进行下一步的分析。我想问的是,不去除这15个volumes可以嘛直接计算每个个体的ALFF map可以嘛?如果必须去除,原因又是什么? 2. 关于smooth的问题:现有关于ALFF分析的文献中,在数据预处理步骤中,有的文献做了smooth,有的没有,请问smooth是在什么情况下做;还有就是,ReHo要求进行统计分析前必须对mReHo进行smooth,在对ALFF统计分析前,还需要对mALFF平滑吗?

ZHANG_RESTadmin

Tue, 12/27/2011 - 12:48

时间点不同,得到的频谱的分辨率也不同,但是这种差不多时间点的情况,频谱分辨率差不太多。 我认为去不去对做ALFF结果影响不大,因为ALFF计算0.01-0.08Hz内的振幅的平均值。 去除前面几个时间点是有必要的,因为要考虑到fMRI信号的稳定和被试的稳定。 但是没有必要为了保证一致而去除不同的时间点————当然,一致的话最好。 预处理现在smooth不smooth没有定论。 有的人说不平滑也能达到和平滑一样的好处(高斯性假设) 但是平滑可以将配准误差减小,而且可以去噪。建议在预处理里还是做一下。 建议先平滑,mALFF图像应该大体服从正态性假设(REST今后版本会有验证是否服从正态性这个功能)因此没有必要再平滑了。

 老师,您好!
 非常感谢您之前的解答。我对ALFF的理解是,ALFF可用于衡量每个体素在0.01~0.08Hz频率段的平均振幅的波动大小,实现的过程是通过FFT变换将时间域信号变化到频率域计算功率谱得到。我的疑问是,既然是计算信号的振幅,直接对时间域经过滤波(0.01~0.08Hz)的信号序列做积分是否也可以得到相类似的结果,因为积分不是“相当于求和”?
谢谢老师。

这是一个非常好的问题。我请教了刘东强博士:FFT的时候,均值被减掉了,这样,与对原始序列积分似乎有不同。我认为,对原始时间序列的每一个时间点,减去时间序列的均值之后求绝对值、然后求和,似乎与ALFF是一样的。这与标准差非常相似。我们当时提出ALFF的概念时,对这些问题没有仔细考虑。由于BOLD信号是一个相对值,因此,当时我们考虑用ALFF的全脑均值进行标准化。

 求绝对值积分与标准差会有差异。即直接累加绝对值,还是先求平方和再开方。
另位,如果关心标准差的话,可以看一下RSFA -- Kannurpatti & Biswal (2008)
本质上是很相关的,对于某个频率成份来说,
x1=0.7*sin(2*pi*t*5)
std(x1) is 0.7*sqrt(2)/2 = 0.495.
但更复杂的情况,可能会复杂一些。

被试与被试的时间点不同,是一个混杂因素,应该尽量保持一致。 平滑通常是要做的,一方面是分布更正态化,另一个是减小被试之间空间的变异,因为空间标准化或空间配准之后,被试之间的空间变异仍然是有的。对于ReHo,由于计算ReHo时考虑到了相邻体素的相似性,也就是说,得到的某个体素的ReHo值,是27个体素的值,相邻体素的ReHo值显然有相似性,相当于一种平滑效果,所以,在ReHo图上平滑,与不平滑相比,差异可能不如ALFF的平滑与否的差异那么大。

谢谢您的回复。 1.我现在使用的dparsf 版本为:DPARSF_V1.0_100510,在进行“regress out nuisance covariance”处理数据时,并没有对白质、全脑和脑积液模板进行重切,直接使用dparsf的默认模板,matlab运行时也没有报错。我的疑问是:dparsf会自动按照预处理图像的维数自动重切白质、全脑和脑积液模板吗? 2.我在进行Functinonal analysis时,根据已有文献研究定义了8个ROI,现在想对这个8个ROI做ROI-wise analysis。阅读文献时我注意到voxel-wise anasis分析前通常都会去除数据的confounding effects (regress out nuisance covariance)。想请问老师,在做ROI-wise analysis时,还需要对数据去除confounding effects 吗? 感谢您耐心的解答。 cappuccinoxt

1. 如果是用的DPARSF2.0以上的advanced edition,才会自动重采样。如果没有报错,那么可能本身你的数据维数与mask一致(61x73x61。 2. 做ROI-wise与做Voxel-wise的前处理基本是一致的。
Forums