fMRI 分析

从原始 BOLD 扫描分析我的 fMRI 数据。我会附上 BIDS 数据集或带事件文件的 4-D NIfTI 扫描(或静息态扫描),必要时附上 participants.tsv。请给我一份报告,包含图像质量与头动、头动校正与 MNI 配准、任务激活(一般线性模型)或静息态功能连接、含 FDR 校正团块的全脑组水平图、含效应量和图表的网络水平比较,另附指标表。每一步都显示所运行的代码。

fMRI 分析: 正在提取和分析数据

请上传原始BOLD影像(BIDS·NIfTI)。我们会检查质量和头动,经过头动校正和标准脑配准后,求出任务激活(GLM)或静息态连接,并为你提供包含全脑组水平图和网络比较的报告和指标表。每一步运行的代码也可以直接在聊天中查看。

适合这些人

  • 没有SPM、FSL、fMRIPrep环境,也想快速查看任务fMRI激活图的研究者
  • 想在正式实验前确认预实验数据质量(tSNR、头动)和效应方向的研究生
  • 想用静息态fMRI进行网络连接组间比较的研究者
  • 想拿到fMRIPrep结果(space-MNI)后一次完成组分析的研究者

你会得到这些结果

结果有两份。报告里是解释,指标表里是数字。生成这些数字的代码会以代码框的形式保留在聊天的每个步骤中。

  • fMRI分析报告 本次分析的全过程和结果 · 数据(run、TR、事件)、影像质量和头动、可直接用于论文的方法段落、网络指标、网络比较检验、全脑组分析(FDR簇表: 峰值MNI坐标、大小、最近网络)、图(质量、头动、设计矩阵、玻璃脑图或连接矩阵、网络比较)、解释与局限、报告清单、参考文献 · MD(可用PDF·PNG转换智能体生成用于分享的PDF)
  • fMRI指标表 参与者 × 对比·网络的数字 · 各网络的平均激活和连接、簇表、质量(tSNR、FD、配准)、描述统计、检验结果、单位 · XLSX(可直接导入SPSS、R、JASP)

报告中包含的内容

聊天的每个步骤都会以代码框保留当时运行的代码。点击后可在右侧查看代码和运行结果。

  • 质量 tSNR、DVARS异常volume、头动(平移、旋转)、帧位移(FD)、标准脑配准重叠度(Dice)
  • 任务 各条件及条件间对比的个体效应图、全脑二级单样本t(FDR q < .05,簇≥10个体素)及簇表
  • 静息态 300个感兴趣区之间的连接(Fisher z)、网络内连接、整体平均连接、连接矩阵
  • 网络 Seitzman的13个网络(听觉、视觉、默认模式、额顶等)的平均激活或连接
  • 统计 符合设计的网络比较、效应量、Holm校正、排除标准

这样提出请求

用附件中的fMRI({任务或静息态})分析{想看的内容}。 — 把下划线部分替换成你的内容。

  • 任务或静息态: 如果是任务,直接写事件文件(*_events.tsv)中的条件名即可。
  • 想看的内容: 各条件的激活、条件间差异(例: faces - houses)、组间网络连接等。留空则计算每个条件相对基线的对比以及各条件对。

建议一起上传

  • BIDS文件夹(ZIP)或四维BOLD NIfTI(.nii/.nii.gz) 重复时间从BIDS sidecar(.json)或NIfTI头文件读取
  • 事件文件(*_events.tsv: onset·duration·trial_type) 用于任务GLM。没有时按静息态处理并计算连接
  • participants.tsv(participant_id·group) 用于组间比较

也可以这样请求

  • 在BIDS任务数据中,用组水平图展示面孔与房子条件的差异(faces - houses)。 → 条件对比的FDR簇表和玻璃脑图
  • 比较患者组和对照组的静息态默认模式连接。 → 网络内连接的Welch t检验、连接矩阵
  • 只快速看一下这一个run的质量和激活。 → Lite: 质量和头动、个体水平z图

我的指引

每个实验室的平滑核大小、头动标准和对比都不同。只需设定你关心的项目,其余按默认值运行。命名保存后,下次也能继续使用。 报告首页会写明采用了哪些指引以及做了哪些假设。

  • 采集信息 (数据) 文件中没有时的重复时间(TR)和要丢弃的起始体积 · 例如: TR 2秒 · 丢弃前4个体积 · 默认: 采用BIDS附带文件或NIfTI头文件中的TR,不丢弃体积
  • 输入空间 (数据) 是原始数据,还是已预处理到MNI空间的数据 · 例如: fMRIPrep输出(space-MNI152NLin2009cAsym) · 默认: 视为原始数据,文件名含space-MNI则视为已预处理
  • 组别 (数据) 被试间组别(如有) · 例如: sub-01–sub-15为患者组,sub-16–sub-30为对照组 · 默认: 如附有含group列的participants.tsv则使用该表
  • 平滑与头动标准 (处理) 平滑核大小和逐帧位移阈值 · 例如: 8 mm FWHM · FD > 0.9 mm · 默认: 6 mm FWHM · 标记FD > 0.5 mm的体积,超过20%的被试排除
  • 对比 (处理) 要计算的比较(用事件名) · 例如: faces - houses · faces + houses · 默认: 每个条件与基线对比,条件为2–4个时比较所有配对
  • 主要网络 (统计) 用于条件或组别比较的网络 · 例如: 仅默认模式网络和额顶网络 · 默认: 全部13个Seitzman网络(作为一个族进行Holm校正),全脑用FDR q < .05
  • 显著性水平 (统计) 网络比较的α · 例如: α = .01 · 默认: α = .05
  • 报告语言 (结果格式) 撰写语言 · 例如: 用英语撰写 · 默认: 请求的语言

工作方式

模型不会猜测数字。每一步都会实际运行分析脚本,并把代码以代码框保留在聊天中。模型只负责把指引转换为参数以及解释结果。

  • 数据确认 做什么: 将BOLD run、参与者、任务、重复时间、事件整理成表 · 可设定的内容: TR、丢弃起始volume、组别 · 需要确认的内容: 事件的条件名
  • 原始数据质量检查 做什么: 按tSNR、DVARS异常volume、volume数判定通过/注意/不可用 · 可设定的内容: — · 需要确认的内容: 注意和不可用的run
  • 预处理 做什么: 头动校正(刚体)、MNI配准(仿射)、6 mm平滑、标记FD高的volume · 可设定的内容: 平滑、FD标准、输入空间 · 需要确认的内容: 头动和配准重叠度
  • 个体水平分析 做什么: 任务GLM对比、静息态感兴趣区连接、网络汇总 · 可设定的内容: 对比 · 需要确认的内容: 设计矩阵
  • 组分析 做什么: 全脑二级(FDR、簇)、网络比较(Pro及以上) · 可设定的内容: 主要网络、显著性水平 · 需要确认的内容: 簇的位置
  • 图 做什么: 质量、头动、设计矩阵、玻璃脑图和连接矩阵、网络比较 · 可设定的内容: — · 需要确认的内容: 图的分布
  • 解释与局限 做什么: 不改变数字地解释,避免反向推理 · 可设定的内容: — · 需要确认的内容: 解释的范围
  • 报告 做什么: 保存报告和指标表 · 可设定的内容: 报告语言 · 需要确认的内容: 清单中的填写项
  • 每个run的预处理约需1–3分钟(与volume数成正比)。

不同级别的差异

支持的文件格式

  • BIDS(ZIP) sub-XX[/ses-YY]/func/_bold.nii(.gz)、_events.tsv、*_bold.json(包括从上级文件夹继承)、participants.tsv
  • 四维NIfTI .nii·.nii.gz,事件来自事件表(按participant·run·file列对应到run)
  • fMRIPrep结果 文件名含space-MNI…时跳过配准,并使用desc-confounds_timeseries.tsv中的头动值
  • 目前还不能直接读取DICOM。请用dcm2niix等工具转换为NIfTI后上传。上传每个文件最大1GB。

关于方法

  • 直接分析原始数据的方式 头动校正(逐volume刚体配准)和标准脑配准(将平均影像仿射配准到MNI152)通过一次重采样完成。这足以快速查看结果,但比fMRIPrep的非线性配准、磁场畸变校正和层时间校正要粗糙。用于论文的最终分析,建议放入fMRIPrep结果重新运行 — 届时会跳过配准,执行相同的GLM和组分析。
  • 网络指标 除全脑图外,还会把预先定义的300个感兴趣区(Seitzman et al., 2020)归为13个网络,给出平均激活或连接。这是为了避免从结果中挑选区域再次检验的循环分析(double dipping)。
  • 提示 请直接使用事件文件中的trial_type名称来请求对比(例:「faces - houses」)。
  • 头动大的run,请在质量表中查看FD和标记volume的比例。
  • 收到结果后可以在聊天中继续提出请求。例如:「把平滑改为8 mm」「不用FDR,改为加大簇大小」

常见问题

和用SPM、FSL得到的结果一样吗?
使用相同的原理(头动校正、配准、平滑、GLM、二级t),但配准方式和默认设置不同,图可能略有差异。所有设置都写在报告的方法部分和步骤代码框中。
也会使用结构像(T1)吗?
目前不使用。直接把平均EPI配准到标准脑。
可以用于诊断吗?
不可以。这是研究用分析。
需要多长时间?
每个run 1–3分钟(预处理),20名参与者、每人2个run大约1小时左右。Lite只处理1个run。