前言

最近在学习FSL处理DTI数据，发现网上的几篇博客都写的不太完整，也不太具体。自己花了好几天时间看了FSL的官方指导，才有了一个完整的处理流程方法

一、格式转换和提取b0图像

1.格式转换：
      将后缀名为dcm的原始数据转换为后缀名为nii.gz格式的数据。nii.gz格式的数据不损失原始数据信息，并且能节省大量空间。FSL能够处理的是nii.gz格式的数据。

命令：

dcm2nii *.dcm

• 1

生成nii.gz文件，此外还会生成两个文本文件，分别表示磁场梯度施加的强度和方向，这两个文件分别为 .bval 和 .bvec

比如我处理这个数据，bval共1行36列，表示总共采集了36个图像，第1个图像的b-value是 0，后面图像的b-value有1000和2

.bvec共有3行36列，表示在每个图像上所施加的梯度方向

2.提取b0图像
需处理的文件为：.nii.gz格式的DTI数据
命令：

fslroi dti_data.nii.gz b0.nii.gz 0 1

• 1

后面的0 1代表从0个图像开始，提取出1张
所以输出文件：b0.nii.gz，包含了第一张图像b值为0的图像

二、脑提取BET

脑提取的目的就是为了获得一个去除颅骨后脑的掩模
基本用法是：
bet [options]
-o 生成覆盖在原始图像上的脑表面轮廓
-m 生成二进制脑掩码
-S 生成粗糙的头骨图像
-n 不生成默认的脑图像输出
-f 分数强度阈值(0,1)；默认为0.5；较小的值给出更大的脑轮廓估计
-g 分数强度阈值的垂直梯度(-1,1)；默认为0；正值在底部给出更大的
脑轮廓，在顶部给出更小的脑轮廓。
-r 头部半径(毫米)
-c 初始网格表面的重心(体素)。
-t 分割的脑图像和掩模中的应用阈值
-e 以.vtk格式生成大脑表面
-R 该选项运行更“稳健”的大脑中心估计；反复调用BET，每次使用相同的输入图像和相同的主要选项，但-c选项(设置大脑估计的起始中心)每次都被设置为先前估计的大脑提取的重心。通过这样的迭代，重心每次都应该上升到真正的中心，从而得到一个更好的最终估计。
-S 清除残留的眼睛和视神经体素，在运行Siena或SIENAX时有用
-B 减少图像的偏倚，和残留的颈部体素，在运行Siena或SIENAX时有用
-Z 如果数据中只有几个切片，这可以改善大脑的提取。这是通过在两个方向填充结束切片，多次 复制结束切片，运行bet2，然后删除添加的切片来实现的。
-F 这主要用于fMRI数据，例如移除眼球。使用Bet2根据4D数据集中的第一个卷确定大脑掩膜，并将其应用于整个数据集。
-A2 还将t2注册到t1输入图像

命令：

bet2 b0.nii.gz b0_brain.nii.gz -R -m -f 0.3

• 1

经过我测试-f设为0.3比较好，0.5有点把脑组织也剥了

输出：去除颅骨后脑图像b0_brain.nii.gz和掩码b0_brain_mask.nii.gz

三、涡流矫正eddy

纠正涡流引起的扭曲和主体的运动，它可以处理比eddy_correct(早期版本)更高的b值数据

–imain一个图像文件。
–mask用1和0指定大脑(1)和非大脑(0)的单个卷图像文件。通过在第一个b=0的图像上运行BET获得。
–acqp描述imain中不同图像的采集参数的文本文件
–index一个文本文件，它决定acqp和imain两者之间的关系
–bvecs描述扩散加权的方向的文本文件。
–bvals具有b-values的文本文件
–repol 删除任何被认为是异常值的切片，并用高斯过程的预测来替换它们。默认情况下不做异常值替换。
–topup 运行topup的——out参数。
–field 运行topup的——fout参数。

–acqp
acqp用来告诉eddy什么方向的畸变可能进入。
每行首先由一个向量(三个值)组成，它指定相位编码(PE)轴是什么，以及沿着该轴意味着更高频率的方向。比如向量[0 1 0]和[0 -1 0]暗示PE是沿y方向
(0 1 0)表明以更高的频率向着更高的位置 (即正向信号)
(0 -1 0)表明以更低的频率向着更高的位置 (即负面信号)
每行中的第四个元素是从读取第一个echo的中心到读取最后一个echo的中心之间的时间(以秒为单位)。
根据官方文档，他告诉我们如果没有扫描仪制造商足够的经验，使用中几乎不需要去设置真的该参数，只需要对topup和eddy使用相同的文件：
Does the brain jump up and down?使用
0 1 0 0.05
0 -1 0 0.05
Does the brain bounce from side to side? 使用
1 0 0 0.05
-1 0 0 0.05

-topup
对于两个不同的获取，b=0扫描的形状是不同的。使用topup来计算磁化引起的非共振场（the susceptibility induced off-resonance field），然后将结果场将应用于所有图像。
通常输入的图像是从原始b=0和扩散加权图像组合中提取一组b=0的扫描。

-index
它决定acqp和imain两者之间的关系
acqp只有1行 0 1 0 0.05

所以我用以下代码生成index

indx=""
for ((i=1; i<=36; i+=1)) do
indx="$indx 1"; done
echo $indx > index.txt

• 1
• 2
• 3
• 4

最后的命令：

eddy_openmp       --imain=dti_data.nii.gz --mask=b0_brain_mask.nii.gz--acqp=acqparams.txt --index=index.txt --bvecs=bvec --bvals=bval --out=eddy_corrected_data

• 1
• 2
• 3
• 4
• 5
• 6
• 7

四、张量计算

输入：
-k,–data dti 数据
-o,–out 输出的名字
-m,–mask BET二进制掩码文件
-r,–bvecs b vectors file
-b,–bvals b values file
其他选项：
–sse 输出误差的平方和
-w,–wls 用加权最小二乘法拟合张量
–kurt 输出平均峰度图
–kurtdir 输出平行/垂直峰度图

输出：
• _V1 - 1st eigenvector第一特征向量
• _V2 - 2nd eigenvector
• _V3 - 3rd eigenvector
• _L1 - 1st eigenvalue第一特征值
• _L2 - 2nd eigenvalue
• _L3 - 3rd eigenvalue
• _MD - mean diffusivity平均扩散率
• _FA - fractional anisotropy 分数各向异性
• _MO - mode of the anisotropy (oblate ~ -1; isotropic ~ 0; prolate ~ 1) 各向异性的模式(扁形~ -1;各向同性~ 0;扁长的~ 1)
• _S0 - raw T2 signal with no diffusion weighting无扩散加权的原始T2信号

写出的命令

dtifit
--data=eddy_corrected_data.nii.gz
--out=dti
--mask=b0_brain_mask.nii.gz
--bvecs=bvec --bvals=bval

• 1
• 2
• 3
• 4
• 5

总结

以上就是我的整个处理流程，以后有后续再补充