【project】estimate Aβ-PET pattern

news2024/11/16 1:46:42

1.17

1.16

1.14

  • 写一个函数，输入是每个文件的地址，然后能做这一系列的操作
  • 用AFM0095进行bbr的配准
  1. 方法一，间接配准，frmi先到str，再到mni（str2fmri后再fmri2str）

    • fmri2str
      只需要dof 6,6个自由度进行刚性变换
      在AFM0367上str2fmri线性要比bbr配的好在这里插入图片描述
      在这里插入图片描述
      反用逆矩阵将fmri2str，也是线性的更好（AFM0367）
      同AFM070也是线性更好（dof=6）
      在这里插入图片描述
      在这里插入图片描述

    • t12mni

    • fmri2mni

  2. 方法二，间接配准，frmi先到str，再到mni（直接fmri2str）
    • fmri2str
      在subjectAFM0224（非常坏的情况下）6个自由度要比12个好
      在这里插入图片描述
      在这里插入图片描述
      但是在AFM0367（Good）上6个自由度要比12个差
      在这里插入图片描述
      在这里插入图片描述
    • t12mni 用的是ants的多模态配准，就差将矩阵应用在fmri上进行转换了
    • fmri2mni
  • 查看merg的日志，看哪些没有被merge然后手动查看是不是没有单帧配准
  • 重新配AFM0006
    • fmri2str
    • t12mni
    • fri2mni

线性插值要比最近邻看起来平滑
在这里插入图片描述

333的右上角变形了
在这里插入图片描述

在这里插入图片描述

  1. merge 是将原来线性插值得到的merge在一起
  2. fmri2MNI是使用最近邻插值
    但是用最近邻插值配的也不准【只是针对AFM0006】

在这里插入图片描述
用线性插值得到的结果不对，先将mergekill掉

AFM0208
AFM0120
AFM0124
AFM0122
AFM0203
AFM0121
AFM0278
AFM0204
AFM0092
AFM0492
AFM0202
AFM0123
657 669
这些是没有得到配准的文件，没有fmri

rAFM0062MNI 到后面的时间点看起来不好的可能是因为没有merge好，看每一帧的qc图没有问题

  • /public_bme/data/yuanhy/Pet_center/Huashan/meanfMRI2MNIQC_ants 个体的meanfmri到个体的T1 tissue去看看哪个好配，哪个不好配
  • /public_bme/data/yuanhy/Pet_center/Huashan/fMRI2MNIQC_ants每一帧配准后的到标准空间的T1 tissue上去看看配的好不好;
  1. 1.15-10：49目前看来，fmri每一帧配准到MNI上的维度没有问题
  2. 【1.15-10：49】等merge完就可以画每一帧
  • /public_bme/data/yuanhy/Pet_center/Huashan/meanfmri2strQC_ants fmri2T1,

需要查看fmri与T1的差异，直接用fmri与T1 的Tissue放在一块看，找一个比较简单的，一个比较难的去用bbr配一下
/public_bme/data/yuanhy/Pet_center/Huashan/meanfmri2tissueQC_ants 这个地址就是

check data
AFM0084d，AFM0385质量不好
在这里插入图片描述
在这里插入图片描述

1.13

还要做的

  1. merge 正在测试
  2. 画出每一帧配准后的QC图，之前的不对 也就是把这个路径填满/public_bme/data/yuanhy/Pet_center/Huashan/fMRI2MNIQC_ants
  • 正在重新跑每一帧的配准文件，因为之前的第0镇有4多个数据点，不对

/public_bme/data/yuanhy/Pet_center/Huashan/meanf2MNIQC_ants meanfMRI配准到MNI空间的QCmap，为了方便查看，将标准的T1tissue作为mask【基于ants】这个需要重新生成，因为插值的方法变了×
/public_bme/data/yuanhy/Pet_center/Huashan/meanfmri2tissueQC_ants meanfMRI配准到T1上的QCmap, 为了方便查看，将T1 tissue 作为mask【基于ants】 得到了，这个也不对，改变了插值方法×
/public_bme/data/yuanhy/Pet_center/Huashan/fMRI2MNIQC_ants fmri每一帧配准到标准空间的QCmap，为了方便查看，将标准的T1tissue作为mask【基于ants】

  • merge的代码正在重跑，之前的有9百多帧，将没有配准的的也合并到了一起去，第0帧的问题
    在这里插入图片描述

之前配的fmri到T1有一个问题，就是插值应该是线性插值而不是最近邻

1.12

  • 拿到每一个mean与T1的map找一个差别比较大的和差别比较小的分别配一下
    fmri和T1不一样大怎么合到一起 fmri更小，把他放到中间，其他的作为0

  • 得到每一帧的QC,一个一个去看，看看配的怎么样

  • merge，与上面一步同时进行 已经在跑了
    在这里插入图片描述

  • 通过QC查看AFM0019为什么配的不好，应该是T12MNI的时候不太好

正在跑fmri2mni ，没有加merge步骤
分割的差值用最近邻，图像插值用线性的，之前我的配准都是用最近邻（fmri配到t1）
全部需要重新来过 没有做错
- [ ] T1和Tissue一起配准到MNI空间
- [ ] fmri利用T1和Tissue一起配准
海峰给的代码

echo "Running BBR"
flirt -ref ${T1_bet} -in ${OutputDC}/SBRefAP_dc_jac.nii.gz 
	  -dof ${dof} -cost bbr -wmseg ${T1_WM} -init ${OutputF2S}/${voutAP}_init.mat 
	  -applyxfm -omat ${OutputF2S}/${voutAP}.mat -out ${OutputF2S}/${voutAP} -schedule ${FSLDIR}/etc/flirtsch/bbr.sch

1.11

在这里插入图片描述
在这里插入图片描述
上面这个图是将AFM0019 的T1 mask上AFM0019 的原始fmri，可以发现这个人的脑袋本来就是歪的。

原来的可视化的脚本就需要更改，因为现在的图像是4D的，需要抽一些进行查看

  • 调整一下结构，把fMRI2MNI放在2_shellssubject目录下
    -[ ] 跑一下fmri2T1brain的

  • 生成AFM006 和AFM009 的QCdata

  • 做一下AFM0019 看一下是不是原来的T1 Tissue配准有问题，如果没有问题可以直接批处理fmri2MNI，同时跑bbr处理fmri到T1的配准

    • 配mean没有问题 除了脑子是歪的配不上去没有大问题
    • 配所有的time point fmri

  • 删除不需要的文件

  • 配一个fmri所有time_point

  • warp的时候 fmri脑子会变得很大，不确定是不是 -r没选好,成功配到了T1MNI上面，而且比之前配的要好
    排除一下：
    √使用T1配到MNI+Tissue配到Tissue的MNI，都warp到T1和Tissue上是没有问题的

  • 用T1 做中间
    T1配准到标准空间没有问题

  • 用Tissue做中间
    单独使用Tissue配准到Tissue的MNI是不对的，越配越差

  • 检查一下T1和Tissue的模板是否匹配 是重合的

1.9

集群上：AFM0600 6
AFM0006 16
AFM0326 6
AFM0181 6
AFM0462 6
本地：
AFM0594
AFM0600
AFM0682
AFM0190 5
AFM0600 6
AFM0682 11

1.8

画图要记得该透明度看配的好不好
bbr配准，fsl
Boundary-Based Registration (BBR) 是一种用于图像配准的方法，特别是在脑部 MRI 图像处理中。BBR 通常用于对比不同模态的图像（例如，将结构 MRI 和功能 MRI 图像对齐），它依赖于找到脑组织边界（通常是灰质和白质之间的边界）上的对应点。

在 FSL (FMRIB Software Library) 中，BBR 是通过 flirt 命令行工具实现的，具体是通过 -B 选项来启用 BBR 功能。BBR 配准通常需要一个权重图像，这通常是从功能 MRI 中提取的，以及一个初始的对齐估计，这通常是通过线性配准得到的。

一个基本的 BBR 配准命令可能看起来像这样：

flirt -in func.nii.gz -ref struct.nii.gz -out func_to_struct.nii.gz -omat func_to_struct.mat -cost bbr -wmseg wmseg.nii.gz

在这个例子中：

  • -in func.nii.gz 是要配准的图像（例如，功能 MRI）。
  • -ref struct.nii.gz 是参考图像（例如，结构 MRI）。
  • -out func_to_struct.nii.gz 是配准后的输出图像。
  • -omat func_to_struct.mat 是输出的仿射变换矩阵。
  • -cost bbr 指定了使用 BBR 作为成本函数。
  • -wmseg wmseg.nii.gz 是白质分割图像，用于帮助找到灰质和白质之间的边界。

在实践中，您可能还需要提供额外的选项，例如设置 BBR 用于配准的点的数目、设置搜索范围以及提供初始配准矩阵等。同时，实施 BBR 之前，通常需要进行一些预处理步骤，如脑提取（brain extraction）、线性配准（linear registration）和白质分割（white matter segmentation）。

  • 正在跑原来的fmri2MNI 跑完了但是错了，4d的要拆成一帧一帧跑
    在这里插入图片描述
    在这里插入图片描述
  1. fmri使用多模态配准：T1 以及T1 template，Tissue 以及Tissue Template，使用mean获得转换，但是还是要warp到全部的bold signal上
  2. 怎么抠出来每个roi的bold signal，将fmri配到各个脑区的template上，然后每个脑区是一个值，得到每一个脑区的bold signal，MNI配到fMRI上，要记得resample

在这里插入图片描述

  • 将区分左右脑的tissue改成一个值

“D:\yhy\data\template\intensity-tissue_hemisphere.nii.gz” 使用这个区分左右脑的tissue template去配准，需要先转换一下
先copy数据

  • tissue转换
    fslmaths mrbrain/intensity-tissue_hemisphere.nii.gz -thr 1 -uthr 2 tmp/gm_msk.nii.gz fslmaths mrbrain/intensity-tissue_hemisphere.nii.gz -thr 3 -uthr 4 tmp/wm_msk.nii.gz fslmaths mrbrain/intensity-tissue_hemisphere.nii.gz -thr 5 tmp/csf_msk.nii.gz fslmaths tmp/gm_mask.nii.gz -add tmp/wm_mask.nii.gz -add tmp/csf_mask.nii.gz tmp/tissue.nii.gz
  • ants多个模态配准
    antsRegistrationSyNQuick.sh -d 3 -m $t1_sub -f $t1_tmp -m $t2_sub -f $t2_tmp -m $tiss_sub -f $tiss_tmp -o $proc_folder/tmp_odf_reg/sub2tem_b -n 50 -t s # -m $sub -f $temp

1-7

使用T1带脑壳和不带脑壳的一起去配fMRI
把分左右脑的tissue 变成灰质白质脑积液
bbr配准
用不同ROI atlas 扣脑网络

模版大小为 193, 229, 193
他的大小为227, 272
使用刚性变换进行配准后只有656个 subject
/public_bme/data/yuanhy/Pet_center/Huashan/fMRI2MNI
-t: transform type (default = ‘s’)
t: translation (1 stage)
r: rigid (1 stage)
a: rigid + affine (2 stages)
s: rigid + affine + deformable syn (3 stages)
sr: rigid + deformable syn (2 stages)
so: deformable syn only (1 stage)
b: rigid + affine + deformable b-spline syn (3 stages)
br: rigid + deformable b-spline syn (2 stages)
bo: deformable b-spline syn only (1 stage)
在这里插入图片描述
rigid 要配的比translation 好，trans有部分都没有盖上
在这里插入图片描述
a: rigid + affine (2 stages) 会把颅骨也当做brain

stu to MNI
antsRegistrationSyN.sh -d 3 -f MNI_T1_2mm_brain.nii.gz -m brain.nii.gz -o rega2t

rega2t0GenericAffine.mat ，
rega2t1warp.nii.gz 分别表示线性变换和非线性变换估计出的映射关系
rega2twarped.niigz 表示配准后的图像，通过比较这个图像与标准大脑的差异，可以检查配准的质量

fmri to stu
antsRegistrationSyN.sh -d 3 -f brain.nii.gz -m example_func_brain.nii.gz -t ‘r’ -o regf2a

regf2a0GenericAffine.mat 表示从个体功能像到结构像的映射关系regf2awarped.nii.gz 表示配准后的功能像，按照结构像检查的相同的步骤进行功能像配

antsApplyTransforms -d 3 -i example_func_brain.nii.gz -o example_func2standard.nii.gz
-r MNI_T1_2mm_brain.nii.gz -t rega2t1Warp.nii.gz
-t rega2t0GenericAffine.mat -t regf2a0GenericAffine.mat

 antsRegistration call:
--------------------------------------------------------------------------------------
/public/software/apps/ants/bin/antsRegistration 
--verbose 0 
--dimensionality 3 --float 0 
--collapse-output-transforms 1 
--output [ -n,-nWarped.nii.gz,-nInverseWarped.nii.gz ] 
--interpolation Linear --use-histogram-matching 0 
--winsorize-image-intensities [ 0.005,0.995 ] 
--initial-moving-transform [ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2/AFM0006/AFM0006.nii.gz,1 ] 
--transform Rigid[ 0.1 ] 
--metric MI[ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2/AFM0006/AFM0006.nii.gz,1,32,Regular,0.25 ] 
--convergence [ 1000x500x250x0,1e-6,10 ] 
--shrink-factors 8x4x2x1 
--smoothing-sigmas 3x2x1x0vox

/public/software/apps/ants/bin/antsRegistration
--verbose 0 
--dimensionality 3 --float 0 
--collapse-output-transforms 1 
--output [ -n,-nWarped.nii.gz,-nInverseWarped.nii.gz ] 
--interpolation Linear --use-histogram-matching 0 
--winsorize-image-intensities [ 0.005,0.995 ] 
--initial-moving-transform [ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2/AFM0006/AFM0006.nii.gz,1 ]
--transform Rigid[ 0.1 ] 
--metric MI[ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2/AFM0006/AFM0006.nii.gz,1,32,Regular,0.25 ] 
--convergence [ 1000x500x250x0,1e-6,10 ] 
--shrink-factors 8x4x2x1 
--smoothing-sigmas 3x2x1x0vox --transform Affine[ 0.1 ] 
--metric MI[ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2/AFM0006/AFM0006.nii.gz,1,32,Regular,0.25 ] --convergence [ 1000x500x250x0,1e-6,10 ] 
--shrink-factors 8x4x2x1
--smoothing-sigmas 3x2x1x0vox --transform SyN[ 0.1,3,0 ] 
--metric MI[ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2/AFM0006/AFM0006.nii.gz,1,32] 
--convergence [ 100x70x50x0,1e-6,10 ] 
--shrink-factors 8x4x2x1 
--smoothing-sigmas 3x2x1x0vox

1-5

量表-》MRI看形变-》PET（FDG代谢，AV45 Aβ）
使用语言模型 agent 引导 判断加某种模态
cost 如何衡量
T1 看萎缩，用得少
T2用于判断是否是其他疾病影响的认知衰退，从而判断是否可能是AD（加一个encoder即可）
fMRI用的少，临床上不怎么用

MTP 模态间不需要配准，一次性获得多个模态的数据

1-4

展示的subject选择
fold1 23
fold2 9
fold3 18
fold4 3
fold5 29

orig l 1.649
orig r 1.737
pre l 1.8252
pre r 1.93265
dis l 0.355846
dis r 0.307583

目前拿到的华山数据是116个ROI，时间点是488个
使用的是AAL atlas 116个

  • Raw data
    HUASHAN (T1, fMRI, PET, DTI)
    /public_bme/share/HUASHAN/PET_center
    全景(AFM1-AFM43):

Dimension（尺寸）: 64 * 64 * 42 * 220
Voxel Size（体素大小）: 3.4375 * 3.4375 * 3.4
TR（重复时间）: 2250ms
TE（回波时间）: 30ms
Slice Thickness（层厚）: 3.4
Flip Angle（翻转角度）: 77度
六院:

Dimension（尺寸）: 104 * 104 * 72 * 488
Voxel Size（体素大小）: 2 * 2 * 2
TR（重复时间）: 800ms
TE（回波时间）: 37ms
Slice Thickness（层厚）: 2
Flip Angle（翻转角度）: 52度

要用的应该是这两个序列
EP2D_BOLD_SMS_AP_HCP_2MM_IPAT12_0002 488个time point
李老师文章中用的是AP，FDG-PET
EP2D_BOLD_SMS_PA_HCP_2MM_0003 60个time point

  • AFM，AKM，AM分别是什么意思？
    不用管它没有特殊含义

  • 没有插值，用于单模态

  1. 第一步：功能向配准到结构向（可以得到非线性变换的矩阵+刚性变换矩阵）->标准空间配准到结构向（可以得到非线性变换的矩阵）
  2. 用标准空间配准到结构向 的逆矩阵 +功能向配准到结构向的逆矩阵和刚性变换（一共3个）反配回去功能向
  • 有插值，用于多模态，都配到结构向去
  1. 第一步：功能像配准到结构像（可以得到非线性变换的矩阵+刚性变换矩阵）->标准空间配准到结构像（可以得到非线性变换的矩阵）
  2. 用标准空间配准到结构向 的逆矩阵 +功能向配准到结构向的矩阵和刚性变换（一共3个）反配回去结构像

可以先用这个做一整套，也可以用这个做到配准前，然后再接着用飞鸿老师给的脚本配准，之后再进行一些滤波平滑等操作。
数据处理加配准的dpabi 参考链接

Abbreviations
A - Slice Timing
R -Realign
W Normalize
S - Smooth
D Detrend
F - Filter
C - Covariates Removed
B - ScruBBing
sym - Normalized to a sym metric template

Rawdata中
FunRaw 每一个subject有488个timepoint
T1Raw 每一个subject有192或者208slice（分别代表三个不同方向的切片）

Dimension（尺寸）: 104 * 104 * 72 * 488
Voxel Size（体素大小）: 2 * 2 * 2
TR（重复时间）: 800ms
TE（回波时间）: 37ms
Slice Thickness（层厚）: 2
Flip Angle（翻转角度）: 52度

TR-0.8s
slice num 72

更正一下：
我要做的是先将T1配到FUN（A变换），T1配到标准空间（B变换）
再FUN->标准空间（ A − 1 A^{-1} A−1B）

apps/ants
salloc --cpus-per-task=8 --mem=32G --time=02:30:00 -p bme_cpu --exclusive

$app/q_ants.sh -d 3 -f $temp_path_fmri/$temp -m 5tt/tissue_pe.nii.gz -o 5tt/Str2MNIAnt_pe -n 10
把 5tt/tissue_pe.nii.gz配到 t e m p _ p a t h _ f m r i / temp\_path\_fmri/ temp_path_fmri/temp
个体空间的结构像配到个体空间的功能像
输出的后缀为5tt/Str2MNIAnt_pe
去看一下这个命令的输出
在这里插入图片描述

antsApplyTransforms -d 3 -i 5tt/tissue_pe.nii.gz -r $temp_path_fmri/$temp -o 5tt/Str2MNIAnt_peWarped_NN.nii.gz -t 5tt/Str2MNIAnt_pe1Warp.nii.gz -t 5tt/Str2MNIAnt_pe0GenericAffine.mat --interpolation NearestNeighbor
将刚刚的转换矩阵应用到5tt/tissue_pe.nii.gz 【182,218,182】
参考是 t e m p p a t h f m r i / temp_path_fmri/ tempp​athf​mri/temp

（0是线性转换的文件，1是非线性转换的文件）
非线性转换的数据：5tt/Str2MNIAnt_pe1Warp.nii.gz 【193,229,193】
线性转换的文件：5tt/Str2MNIAnt_pe0GenericAffine.mat
在这里插入图片描述
输出是 Str2MNIAnt_peWarped_NN.nii.gz 【193，229,193】
得到了每一个subject的结构像
/public_bme/data/yuanhy/Pet_center/Huashan/2_shells

在这里插入图片描述

5TT.nii.gz, 5TT_bbr_pe.nii.gz, 5TT_pe.nii.gz, 5tt_vol0.nii.gz: 这些文件可能代表5组织类型（5 Tissue Types）的图像，通常包括白质、灰质、脑脊液、血管和背景。5tt是这些组织类型的缩写。不同的后缀可能代表不同的处理步骤或参数。
ROIs.nii.gz, ROIs_bbr_pe.nii.gz, ROIs_pe.nii.gz: 这些文件包含感兴趣区域（Regions of Interest）的信息。ROI通常是研究者特别关注的大脑区域。

Str2MNIAnt_peInverseWarped.nii.gz, Str2MNIAnt_peWarped.nii.gz, Str2MNIAnt_peWarped_NN.nii.gz, Str2MNIAnt_pe1InverseWarp.nii.gz, Str2MNIAnt_pe1Warp.nii.gz: 这些文件看起来像是经过某种空间变换（warping）的图像，可能是为了将图像从一个空间对齐到另一个空间，例如从原始扫描空间到MNI（Montreal Neurological Institute）标准空间。

grey_matter.nii.gz, white_matter.nii.gz: 这些文件分别代表灰质和白质的图像。

har_pe.nii.gz, hoa_pe.nii.gz, csf.nii.gz, peaks.nii.gz, tissue_pe.nii.gz: 这些文件可能包含其他类型的大脑图像数据，如HARDI（High Angular Resolution Diffusion Imaging）数据、HOA（High Order Angular）数据、脑脊液（Cerebrospinal Fluid）图像、扩散峰度图像等。

s_100_7_pe.nii.gz, s_1000_7_pe.nii.gz, …: 这些文件可能代表不同参数或不同处理步骤下的图像数据。具体的含义需要查阅相关的文档或询问数据提供者。

RF_voxels.nii.gz: 这个文件可能包含与随机森林（Random Forest）或其他机器学习算法相关的体素（voxel）信息。
z1024_pe.nii.gz, z980_pe.nii.gz: 这些文件可能是某种特定层面或切片的图像数据。

请注意，以上解释都是基于文件名和常见的医学图像处理实践给出的推测。要准确理解这些文件的含义和内容，最好是查阅相关的文档或询问提供这些数据的研究者或机构。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
5tt time point
time1+time2 是GM
time3 就是WM
time4 脑脊液
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
“bbr” 可能表示 Boundary-Based Registration（基于边界的注册）。这意味着生成 “5TT_bbr_pe.nii” 文件时可能使用了基于图像边界的注册算法。
bbr的边界确实不一样，5tt_vol0只有灰质（只有一个时间点，没有中间那个东西，也就是只有Time1的）
在这里插入图片描述
在这里插入图片描述
84个ROI

fMRI 【112,112,66】

在这里插入图片描述
以上十三个是有bold signal信号，但是看时间点不是488个，是976个或者更少

在这里插入图片描述
更新如下在这里插入图片描述
huashan raw data /public_bme/share/HUASHAN/PET_center
更新以下是2_shell有的但是fMRIAP没有
{‘AFM0121’, ‘AFM0124’, ‘AFM0202’, ‘AFM0204’, ‘AFM0120’, ‘AFM0122’, ‘AFM0203’, ‘AFM0278’, ‘AFM0092’, ‘AFM0123’, ‘AFM0492’, ‘AFM0208’}
s_shell 669个subject
fMRI 657个subject
/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImgbackup 原始数据
/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg 做好了头动矫正
在这里插入图片描述

在这里插入图片描述
DIM=3
FIXEDIMAGES=()
MOVINGIMAGES=()
INITIALTRANSFORMS=()
OUTPUTNAME=output
NUMBEROFTHREADS=0
SPLINEDISTANCE=26
SYNGRADIENTSTEP=0.1
TRANSFORMTYPE=‘s’
PRECISIONTYPE=‘d’
NUMBEROFBINS=32
MASKIMAGES=()
USEHISTOGRAMMATCHING=0
COLLAPSEOUTPUTTRANSFORMS=1
RANDOMSEED=0
REPRO=0

/public/software/apps/ants/bin/antsRegistration 
--verbose 0 --dimensionality 3 --float 0 
--collapse-output-transforms 1 
--output [/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/Str2MNIAnt_pe,
/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/Str2MNIAnt_peWarped.nii.gz,
/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/Str2MNIAnt_peInverseWarped.nii.gz ] 
--interpolation Linear 
--use-histogram-matching 0 
--winsorize-image-intensities [ 0.005,0.995 ] 
--initial-moving-transform [ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImgTest/AFM0006/meanAFM0006.nii,
/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/tissue_pe.nii.gz,
1 ] 
----------------------------------------------------------
--transform Rigid[ 0.1 ] 
--metric MI[/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImgTest/AFM0006/meanAFM0006.nii,
/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/tissue_pe.nii.gz,
1,32,Regular,0.25 ] 
--convergence [ 1000x500x250x0,1e-6,10 ] 
--shrink-factors 8x4x2x1 
--smoothing-sigmas 3x2x1x0vox 
----------------------------------------------------------
--transform Affine[ 0.1 ] 
--metric MI[/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImgTest/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/tissue_pe.nii.gz,1,32,Regular,0.25 ] 
--convergence [ 1000x500x250x0,1e-6,10 ] 
--shrink-factors 8x4x2x1 
--smoothing-sigmas 3x2x1x0vox 
----------------------------------------------------------
--transform SyN[ 0.1,3,0 ] 
--metric MI[ /public_bme/data/yuanhy/Pet_center/Huashan/fMRIImgTest/AFM0006/meanAFM0006.nii,/public_bme/data/yuanhy/Pet_center/Huashan/2_shellsTest/AFM0006/5tt/tissue_pe.nii.gz,1,32] 
--convergence [ 100x70x50x0,1e-6,10 ] 
--shrink-factors 8x4x2x1 
--smoothing-sigmas 3x2x1x0vo

将三个tissuemap加在一起得到概率图（做一个带权的）
tissue 是个体空间的，老师给我的脚本是将

在这里插入图片描述
要预测的是AV45-PET

处理PET

在这里插入图片描述
大部分主流的就是FBP、OSEM3D和TrueX三种
统计一下每个方法都有多少个被试
在这里插入图片描述
https://aramislab.paris.inria.fr/clinica/docs/public/dev/Pipelines/PET_Surface/
在这里插入图片描述
PetSurfer 这个工具可以做PETROI的提取
白医生推荐
https://alz-journals.onlinelibrary.wiley.com/doi/full/10.1002/alz.045455
https://www.researchgate.net/figure/Translation-results-of-early-PET-image-according-to-the-reconstruction-method-Every_fig3_374223115

数据

处理好的数据 /public_bme/data/liumx/Huashan3/Preproc
原始数据 /public_bme/share/HUASHAN/PET_center
dmri /public_bme/data/FeihongLiu/Test/Pet_center/Huashan/

/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImgbackup 原始数据
/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2 第二次做dcm2nii的原始数据
/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg 做好了头动矫正
tissue tamplate D:\Projects\p#001DTI2PET\label_template_mni_sym_addsymsubcort_masked.nii

s_shell 669个subject
fMRI 657个subject
{'AFM0204', 'AFM0120', 'AFM0121', 'AFM0122', 'AFM0278', 'AFM0492', 'AFM0124', 'AFM0203', 'AFM0208', 'AFM0202', 'AFM0123', 'AFM0092'}
以上为有smri但是没有fmri
The number of time points in the :AFM0165 NIfTI file is: 486
The number of time points in the :AFM0047 NIfTI file is: 486
这两个subject timepoint不是488
在这里插入图片描述
这三个应该是重复数据
所以实际有用数据是657-3 = 654个

这些分别是什么文件？
在这里插入图片描述
/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2 对这个进行realign 预计 完成√
/public_bme/data/yuanhy/Pet_center/Huashan/T1_tissue2进行stc2MNI 完成√

/public_bme/data/yuanhy/Pet_center/Huashan/fMRIImg2/AFM0006/fun2MNI_r.nii.gz mean 配准到白质MNI上（单模态：T1白质和T1的template）
/public_bme/data/yuanhy/Pet_center/Huashan/2_shells/AFM0054/T1/T1_acpc_proc_brain.nii.gz T1brain [182,218,182]

2_shells : 原始的T1 5tt 文件
2_shellsbackup 原始的5tt文件中的tissu文件
fMRIAP fMRIdcm 文件
fMRIImg fMRI转成nifti文件（第一次转换）
fMRIImgbackup fMRI转成nifti文件（第一次转换 备份
fMRIImg2 进行了头动矫正的fMRI
FunImg 只有609个fMRI转成nifti文件（不是现在所需要用的）
T1_tissue T1 tissue文件（命名带tissue）
T1_tissuebackup T1 tissue文件（命名带tissue）备份
T1_tissue2 T1 tissue配准到了标准空间的tissue（命名不带tissue）
T1_tissuebackup2 T1 tissue文件（命名不带tissue）备份
PET_crecmt.csv
PET_crecmt2.csv

template中没有框起来的是我自己生成的
intensity_brain 是去了脑壳的template
gm_msk wm_msk,csf_msk 是分左右脑的tissue 拿出来的
gm_mask wm_mask,csf_mask 是不区分左右脑的tissue
intensity_tissue3v是不区分左右脑的灰质白质脑脊液的mask
在这里插入图片描述
"D:\yhy\data\huashan\2_shells\AFM0006\tmp_odf_reg2" 新跑了一下多模态配准
D:\yhy\data\huashan\2_shells\AFM0006\mrbrain是配准后的tissue 而不是原始的

展示的subject选择
fold1 23
fold2 9
fold3 18
fold4 3
fold5 29

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1390987.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

[足式机器人]Part2 Dr. CAN学习笔记-Advanced控制理论 Ch04-17 串讲

[足式机器人]Part2 Dr. CAN学习笔记-Advanced控制理论 Ch04-17 串讲

本文仅供学习使用 本文参考： B站：DR_CAN Dr. CAN学习笔记-Advanced控制理论 Ch04-17 串讲
阅读更多...
爬虫之Cookie获取：利用浏览器模拟一个cookie出来、面对反爬虫、加密的cookie的应对方法

爬虫之Cookie获取：利用浏览器模拟一个cookie出来、面对反爬虫、加密的cookie的应对方法

爬虫之Cookie获取：利用浏览器模拟一个cookie出来、面对反爬虫、加密的cookie的应对方法 在爬虫或模拟请求时，特别是获取验证码的时候，反爬虫的网站的cookie或定期失效，复制出来使用是不行的为了应对这种方式，我们可能…
阅读更多...
Qt 状态机框架:The State Machine Framework (一)

Qt 状态机框架:The State Machine Framework (一)

一、什么是状态机框架 状态机框架提供了用于创建和执行状态图/表[1]的类。这些概念和表示法基于Harel的Statecharts：一种复杂系统的可视化形式，也是UML状态图的基础。状态机执行的语义是基于状态图XML（SCXML）的。 状态图提供了一…
阅读更多...
实人认证（人像三要素）API：加强用户身份验证

实人认证（人像三要素）API：加强用户身份验证

前言 在当今数字化时代，随着互联网应用的广泛普及，用户身份验证的重要性日益凸显。实人认证（人像三要素）API作为一种新型的身份验证方式，凭借其高效、安全和便捷的特性，正在成为加强用户身份验证的强大工具…
阅读更多...
八、K8S metrics-server

八、K8S metrics-server

下载yaml文件 wget https://github.com/kubernetes-sigs/metrics-server/releases/latest/download/high-availability.yaml 改名：mv high-availability.yaml metrics-server.yaml 查看镜像地址 查看镜像地址 grep -rn image high-availability.yaml 150: …
阅读更多...
深入浅出Spring AOP

深入浅出Spring AOP

第1章：引言 大家好，我是小黑，咱们今天要聊的是Java中Spring框架的AOP（面向切面编程）。对于程序员来说，理解AOP对于掌握Spring框架来说是超级关键的。它像是魔法一样，能让咱们在不改变原有代码的…
阅读更多...
kylin集群负载均衡(kylin3,hbaseRIF问题)

kylin集群负载均衡(kylin3,hbaseRIF问题)

hbase历险记 目录 hbase历险记 寻找问题 分析原因 解决方案 方案1（资源问题、失败） 方案2（成功） 寻找问题 不知道你是不是有这样的疑惑。我kylin是个单机，我使用的hbase是个集群，但内存全在某一台机…
阅读更多...
虚拟机 以及 Centos 7的 安装全过程

虚拟机 以及 Centos 7的 安装全过程

目录 安装VMwere Workstion 虚拟机的操作过程 CentOS 7 安装过程 install CentOS 7 安装操作系统 安装VMwere Workstion 虚拟机的操作过程 更改安装位置 到下面图片中的这一个步骤，可以点击许可证，输入密钥就可以使用了， 密钥可以去某度或…
阅读更多...
【保姆级教程|YOLOv8添加注意力机制】【2】在C2f结构中添加ShuffleAttention注意力机制并训练

【保姆级教程|YOLOv8添加注意力机制】【2】在C2f结构中添加ShuffleAttention注意力机制并训练

《博主简介》 小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~ 👍感谢小伙伴们点赞、关注！ 《------往期经典推…
阅读更多...
【SpringBoot框架篇】35.kafka环境搭建和收发消息

【SpringBoot框架篇】35.kafka环境搭建和收发消息

kafka环境搭建 kafka依赖java环境,如果没有则需要安装jdk yum install java-1.8.0-openjdk* -y1.下载安装kafka kafka3.0版本后默认自带了zookeeper，3.0之前的版本需要单独再安装zookeeper,我使用的最新的3.6.1版本。 cd /usr/local wget https://dlcdn.apache.…
阅读更多...
SpringBoot Redis入门（四）——Redis单机、哨兵、集群模式

SpringBoot Redis入门（四）——Redis单机、哨兵、集群模式

单机模式：单台缓存服务器，开发、测试环境下使用；哨兵模式：主-从模式，提高缓存服务器的高可用和安全性。所有缓存的数据在每个节点上都一致。每个节点添加监听器，不断监听节点可用状态，一旦主节点…
阅读更多...
x-cmd pkg | public-ip-cli - 公共 IP 地址查询工具

x-cmd pkg | public-ip-cli - 公共 IP 地址查询工具

简介 public-ip-cli 是一个用 Javascript 编写的命令行工具，用于获取当前计算机或网络所使用的公共 IP 地址。 它可以让用户在命令行界面上查询 OpenDNS、Google DNS 和 HTTPS 服务的 DNS 记录以获取与互联网通信时所分配的公共 IP 地址。 首次用户 使用 x env us…
阅读更多...
成功解决VScode进入到内置函数中调试

成功解决VScode进入到内置函数中调试

主要有两个关键步骤， 第一步 将launch.json中的"justMyCode"设为false 可通过使用ctrlshiftP搜索lauch.json找到次文件 如果找不到的话，可点击debug按钮，然后找到点击create a launch.json file创建 创建得到的launch.json如下&am…
阅读更多...
四大软件架构：掌握单体、分布式、微服务、Serverless 的精髓

四大软件架构：掌握单体、分布式、微服务、Serverless 的精髓

四大软件架构：掌握单体、分布式、微服务、Serverless 的精髓 简介： 如果一个软件开发人员，不了解软件架构的演进，会制约技术的选型和开发人员的生存、晋升空间。这里我列举了目前主要的四种软件架构以及他们的优缺点，…
阅读更多...
isis小实验

isis小实验

要求: 1.合理规划level1-2 2.r1访问r5走r6且走上面 3.全网可达 个人理解:以重发布的视角:is-level level1即L1可以看做rip,L2可以看做OSPF,L1-2可以看作是既要rip又要OSPF,优点:isis只用在每个路由器上宣告一次 缺点:isis需要每个接口上输isis enable 1(序号)特点:L1-2会自动下…
阅读更多...
Java、C#、Python间的Battle

Java、C#、Python间的Battle

一、编译原理和开发效率 编译速度： C# （约大于等于） JAVA > Python python的编译原理 前提：python 3.6 python不会直接编译源码 而是把源码直接扔给解释器，这种方式 使得python非常灵活，让它的开发效…
阅读更多...
Docker Consul详解与部署示例

Docker Consul详解与部署示例

目录 Consul构成 Docker Consul 概述 Raft算法 服务注册与发现 健康检查 Key/Value存储 多数据中心 部署模式 consul-template守护进程 registrator容器 consul服务部署（192.168.41.31） 环境准备 搭建Consul服务 查看集群信息 registrato…
阅读更多...
uniCloud ---- uni-captch实现图形验证码

uniCloud ---- uni-captch实现图形验证码

目录 用途说明 组成部分 目录结构 原理时序 云端一体组件介绍 验证码配置（可选）： 普通验证码组件 公共模块 云函数公用模块 项目实战 创建云函数 创建注册页 创建云函数 关联公用模块 uni-captcha 刷新验证码 自定义实现 验…
阅读更多...
Go新项目-为何选Gin框架？（0）

Go新项目-为何选Gin框架？（0）

先说结论：我们选型Gin框架 早在大概在2019年下旬，由于内部一个多线程上传的需求，考虑到Go协程的优势； 内部采用Gin框架编写了内部的数据上传平台BAP，采用GinVue开发，但前期没考虑到工程化思维，导…
阅读更多...
用LED数码显示器伪静态显示数字1234

用LED数码显示器伪静态显示数字1234

#include<reg51.h> // 包含51单片机寄存器定义的头文件 void delay(void) //延时函数&#xff0c;延时约0.6毫秒 { unsigned char i; for(i0;i<200;i) ; } void main(void) { while(1) //无限循环 { P20xfe; …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023