StatisticalAnalysesonFunctionalMagneticResonanceImaging(fMRI)

fMRI數(shù)據(jù)的統(tǒng)計(jì)分析張寒研究員napoleon1982@hanzhang@QQ:35455688

假設(shè)檢驗(yàn)原理

各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例Outline假設(shè)檢驗(yàn)原理分布零假設(shè)一類(lèi)錯(cuò)誤和二類(lèi)錯(cuò)誤構(gòu)造統(tǒng)計(jì)量小概率事件不可能發(fā)生各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例Additionalcalculations假設(shè)檢驗(yàn)原理：分布概率密度分布，累積概率分布標(biāo)準(zhǔn)正態(tài)分布（z分布）假設(shè)檢驗(yàn)原理：零假設(shè)我們想檢驗(yàn)病人組和正常人組是否有差異，但是無(wú)法得到病人組的總體分布，只有正常人組的總體分布。假設(shè)病人是正常人，是從正常人總體里抽樣出來(lái)的。零假設(shè)：病人組均值和正常人組沒(méi)有差別。Example:inttest,ifwewanttotestifmeanofgroup1isdifferentfromthatofgroup2,H0isu1=u2.一類(lèi)錯(cuò)誤和二類(lèi)錯(cuò)誤一類(lèi)錯(cuò)誤：報(bào)假警，falsepositive,本來(lái)沒(méi)有激活但是你判斷出來(lái)是激活的。p值就是一類(lèi)錯(cuò)誤概率(α)。二類(lèi)錯(cuò)誤：不報(bào)警，falsenegative,本來(lái)有激活可是你沒(méi)有檢測(cè)出來(lái)(β)。兩類(lèi)錯(cuò)誤是此消彼長(zhǎng)的！當(dāng)然，理想情況是：既要降低TypeIerror,又要降低TypeIIerror.降低了TypeIerror,少報(bào)假警，減少了p值，就提高了specificity=1-α降低了TypeIIerror,報(bào)警都正確了，就提高了sensitivity=1–β=power構(gòu)造統(tǒng)計(jì)量假設(shè)檢驗(yàn)的根基：小概率事件不可能發(fā)生如果想檢驗(yàn)P組和C組是否有差異，先假設(shè)兩組無(wú)差異（H0）構(gòu)造統(tǒng)計(jì)量發(fā)現(xiàn)處于H0下參數(shù)分布的小概率處根據(jù)“小概率事件不可能發(fā)生”的原則，認(rèn)為樣本不是來(lái)自于總體拒絕H0，拒絕H0冒了多大風(fēng)險(xiǎn)？（p值）A說(shuō)：下一組面試的人都是男生！B說(shuō)：ok！下一個(gè)請(qǐng)進(jìn)來(lái)?。▉?lái)了個(gè)女生）B對(duì)A說(shuō)：下一組肯定不都是男生！

（有男有女）Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹單樣本t檢驗(yàn)雙樣本t檢驗(yàn)配對(duì)t檢驗(yàn)F檢驗(yàn)REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例Additionalcalculations單樣本t檢驗(yàn)假設(shè)要求：樣本來(lái)自正態(tài)總體且兩兩獨(dú)立比較樣本均值是否顯著不等于0樣本均值零假設(shè)總體均值（一般是0）樣本std樣本數(shù)量H0下，這個(gè)構(gòu)造出的統(tǒng)計(jì)量服從df=n-1的t分布單樣本t檢驗(yàn)：對(duì)r的檢驗(yàn)相關(guān)系數(shù)rtot轉(zhuǎn)化公式自由度=n-2雙樣本t檢驗(yàn)檢驗(yàn)兩組獨(dú)立樣本均值是否有差異。兩組必須獨(dú)立。組1樣本均值組2樣本均值一般為0兩組std相等的情況，s為兩組共同的std，n為每組各自的樣本數(shù)H0下，這個(gè)構(gòu)造出的統(tǒng)計(jì)量服從df=2n-2的t分布配對(duì)t檢驗(yàn)單樣本t檢驗(yàn)的擴(kuò)展，但是檢測(cè)對(duì)象變?yōu)椤皟山M配對(duì)樣本觀測(cè)值的差”比較差值和0是否有顯著差異。配對(duì)樣本觀測(cè)值差異的平均數(shù)配對(duì)樣本觀測(cè)值差異的標(biāo)準(zhǔn)差H0下，這個(gè)構(gòu)造出的統(tǒng)計(jì)量服從df=n-1的t分布F檢驗(yàn)假設(shè)各組數(shù)據(jù)均服從正態(tài)分布，相同標(biāo)準(zhǔn)差可以用于三組或這多組之間的均值比較對(duì)于one-wayANOVA,F檢驗(yàn)可以寫(xiě)成：組數(shù)總樣本數(shù)每組人數(shù)每組均值H0下，這個(gè)構(gòu)造出的統(tǒng)計(jì)量服從df=K-1,N-K的F分布Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例單樣本t檢驗(yàn)交集制作mask內(nèi)雙樣本t檢驗(yàn)mask內(nèi)被試間ANOVA分析提取z分和量表相關(guān)并對(duì)相關(guān)系數(shù)做假設(shè)檢驗(yàn)SPM/AFNI:方差分析實(shí)例AdditionalcalculationsREST:StatisticalAnalysisForFCandVMHC,twosamplettestshouldbeperformedinone-samplettestcombinationmask(acrossallgroups).ForReHo,ALFF,DegreeofCentrality,don’tneedtouseonesamplettest-basedmask.REST:One-sampleT-test0form*-1images1form*images除了可以加圖像協(xié)變量之外（一定要注意對(duì)應(yīng)順序！包括組序和被試序！在這里順序是指matlab讀數(shù)據(jù)的順序），還可以加數(shù)字協(xié)變量，這里加入方式是加入兩個(gè)txt，分別對(duì)應(yīng)好組序和被試序，里面放列向量（可以多列）。REST:Two-sampleT-testREST:PairedT-test一定要注意對(duì)應(yīng)順序！REST:ANOVAorANCOVA注意協(xié)變量文件的寫(xiě)法！一定要注意對(duì)應(yīng)順序！REST:CorrelationAnalysis一定要注意對(duì)應(yīng)順序！一個(gè)具體例子：老年癡呆癥半球間功能連接異常研究三組被試：AD，MCI，HCVMHC/FC/ICAAim:todetectthebrainareaswithgroupdifferenceinanypairoftwogroups,anddecidethedirectionofthedifference.putthoseresults“zROI#FCMap_####”intoonefoldertodogroup-levelresultifmorethan1group,usedifferentfoldersFCstats:fromasavedclustertoa0-1maskRESTonesamplettestAlphaSimcorrectionSaveclustersBinarization(i1>0)可以用RESTsliceviewer放在一起比較usenewlygeneratedcombinationmaskCombinationmaskgenerationOne-waybetween-subjectANOVA

withthemaskAlphaSimcorrectionGeneratedifferentclustersbasedonANOVAresultsforpost-hocanalyses(pairwisecomparisons)Extracttimeseriesin2ndlevelanalysis(forderivatives)相關(guān)分析的例子：音樂(lè)家大腦功能連接和首次練琴年齡的相關(guān)1.ExtractROIsignal2.Gotomatlab3.Plotscattermap4.Plotfittedline5.Calculaterandp6.MCCifnecessary.Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例被試間ANOVA(fullfactorial)被試內(nèi)one-wayANOVA(withinsubject)被試內(nèi)two-wayANOVA(flexibledesign)MixedeffectANOVA(AFNI3dANOVA3)方差分析后的posthocanalyses以及多重比較校正AdditionalcalculationsLevel1Level2Level1Group1Group2Level2Group3Group4FactorBTwo-wayANOVA2x2ANOVA2x2repeatedmeasurementANOVALevel1Level2Level1Subj.1….12Subj.1….12Level2Subj.1….12Subj.1….12FactorAFactorBFactorAMixedDesignDrugPlaceboPatientSubj.1…12Subj.1…12ControlSubj.13...24Subj.13...24FactorAWithin-subjectFactorFactorBBetween-subjectFactorTwo-waywithin-subjectANOVA數(shù)據(jù)的組織結(jié)構(gòu)，模型000001111100000000000000000000111110000000000000000000011111111110000000000000001000000000000000000001000000000000000000001000000000000000000001000000000000000000000000000000000000111111111111111111111234Drug1Drug2Drug3PlaceboLevel1Level2Level1Subj.1….12Subj.1….12Level2Subj.1….12Subj.1….12FactorAFactorBu?F檢驗(yàn)的兩種contrast如果要比較某個(gè)水平和0的差異，不用常數(shù)項(xiàng)那一列，contrast用[100;010;001]，即eye(N)。零假設(shè)是：u1×u2×u3=0如果要檢測(cè)水平之間兩兩差異是否存在（maineffect），需要加常數(shù)項(xiàng)那一列（用covariate加一列1）contrast用[1-10；01-1].零假設(shè)是：u1=u2=u3Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例被試內(nèi)one-wayANOVA(withinsubject)被試間ANOVA(fullfactorial)被試內(nèi)two-wayANOVA(flexibledesign)MixedeffectANOVA(AFNI3dANOVA3)方差分析后的posthocanalyses以及多重比較校正AdditionalcalculationsOne-wayANOVAwithin

subject(2levels,thesameaspairedttest)(twocontrastsatthe1stlevel,thenstatsanalatthe2ndlevel)一個(gè)subject一個(gè)subject地建立，condition寫(xiě)1，2，……表示水平的編號(hào)IndependenceNOVarianceUnequal(non-sphericitycorrection)如果要加協(xié)變量，在Covariates里面新建各個(gè)covariate兩種contrast設(shè)置方式，來(lái)做F檢驗(yàn)，衡量是否有主效應(yīng)Example:olfactiontaskactivationImportantinfofromSPMlist單獨(dú)看兩兩的比較結(jié)果，做多個(gè)配對(duì)t檢驗(yàn)，或者如上圖所示:contrast=[1-1]or[-11]Onewaywithin-subjectANOVA(3levels)Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例被試內(nèi)one-wayANOVA(withinsubject)被試間ANOVA(fullfactorial)被試內(nèi)two-wayANOVA(flexibledesign)MixedeffectANOVA(AFNI3dANOVA3)方差分析后的posthocanalyses以及多重比較校正AdditionalcalculationsTwo-waybetween-subjectANOVASimplyuseFullFactorialSpecifycellsFactorlevel,e.g.,2AddfactorsKeepdefault!Keepdefault!AddnewcellsSpecifycellposition(1,2)meansFactor1level1andFactor2level2.Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例被試內(nèi)one-wayANOVA(withinsubject)被試間ANOVA(fullfactorial)被試內(nèi)two-wayANOVA(flexibledesign)MixedeffectANOVA(AFNI3dANOVA3)方差分析后的posthocanalyses以及多重比較校正AdditionalcalculationsTwo-waywithin-subjectANOVALikethewaytospecifyone-waywithin-subjectANOVA,butusingFlexibleFactorial.Completelywithin-subjectfactor(e.g.,4conditionsforeachsubject,2*2).Twofactors:subject,conditionCondition[1:4]Subject[n](n=1,2,3…orN)Youdon’thavetoexplicitlymodelmaineffectandinteraction,justaddressthemincontrastmanager.Two-waywithin-subjectANOVAFromWillPennyOutline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例被試內(nèi)one-wayANOVA(withinsubject)被試間ANOVA(fullfactorial)被試內(nèi)two-wayANOVA(flexibledesign)MixedeffectANOVA(AFNI3dANOVA3)方差分析后的posthocanalyses以及多重比較校正AdditionalcalculationsTwo-waymixedmodelANOVAMostcommon,butmorecomplex.Onefactorisbetweensubjectfactor,i.e.,group.Theotherfactoriswithinsubjectfactor,i.e.,conditions.“Subject”isnestedin“Group”Solution：InSPM,addsubjectasafactorinadditiontofactor“group”andfactor“condition”(notrecommended!).InAFNI,use3dANOVA3(detailedbelow),butneedsequalsize!Andalsoneedcategoricalfactors!GLM_FlexusesGLM-basedANOVA(notsuitableforANCOVA),whichissimilarasAFNI-based3dRegAna(allowANCOVA).Doesnotneedequalsize!(notrecommended!).………………type5ismixedcase!設(shè)置不同factor的level數(shù)86個(gè)被試C(A)表示CnestedinA,subjectnestedingroupFactorA的主效應(yīng)，第一個(gè)subbrick是MS，第二個(gè)是FFactorAB的交互效應(yīng)

FDR校正將校正好的結(jié)果從AFNI格式轉(zhuǎn)為NIFTI格式factorAlevel1,factorBlevel1,factorC(subject)level1~86factorAlevel1,factorBlevel2,factorC(subject)level1~86factorAlevel2,factorBlevel1,factorC(subject)level1~86factorAlevel2,factorBlevel5,factorC(subject)level1~86–cind表示voxel間p值獨(dú)立小結(jié)及注意！用SPM做onewayANOVA時(shí)，注意區(qū)分被試間設(shè)計(jì)和被試內(nèi)設(shè)計(jì)，不同的分析模塊！Within-subjectANOVA不能用Fullfactorialdesign去做！也不能僅僅在因素A下面的independent選No就了事！（但是within-subjectANOVA一定要選No）Two-waywithin-subjectANOVA要用SPMFlexiblefactorial去建模！Twowaywithin-subjectANOVA建模的時(shí)候也需要把subject建為factor，然后選equalvariance！Two-waymixedANOVA推薦AFNI去做(但是要求每組被試數(shù)目相等，而且都是分類(lèi)變量)！當(dāng)被試數(shù)不一致時(shí)，可以用AFNI的3dRegAna或者基于MATLAB/SPM的GLM_Flex來(lái)做（within/mixedANOVA的模型非常復(fù)雜，模型擬合困難，見(jiàn)后）！

GLM_Flex只適合Linux系統(tǒng)！輸入數(shù)據(jù)第一步：建模GLM第二步：GLM模型估計(jì)第三步：Contrast設(shè)置第四步：產(chǎn)生Contrast

image例子：三組不等被試，兩個(gè)頻率段的ALFF，交互效應(yīng)（G×F），mixedeffectANOVAScans=dir_wfp(‘C:\Users\sony\Desktop\mixed_between_within_anova\glm_flex_test\data\*.nii’);%數(shù)據(jù)存放位置

clearIN;clearF;clearI;IN.N_subs=[482635];%被試數(shù)IN.Between=[13];%1不變，3是組數(shù)IN.BetweenLabs={{'All'}{'Group1','Group2','Group3'}};IN.Within=[2];%2是被試內(nèi)因素的水平數(shù)IN.WithinLabs={'Slow4''Slow5'};IN.FactorLabs={‘F1’‘F2’‘F3’};%F1是All，F(xiàn)2是組，F(xiàn)3是freqIN.Interactions={[23]};%關(guān)注F2和F3的交互IN.EqualVar=[100];%除了第一個(gè)1，后面都0IN.Independent=[110];%除了被試內(nèi)因素為0，其他都1

F=CreateDesign(IN);

figure;imagesc(F.XX);shg

I.OutputDir=pwd;I.F=F;I.Scans=Scans;I.RemoveOutliers=0;%保持默認(rèn),likespmI.minN=2;%一個(gè)voxel上每個(gè)條件最少要有多少個(gè)observation才納入計(jì)算I.DoOnlyAll=1;%在所有數(shù)據(jù)都有的voxel上算,

notallowmissingdata,likeSPMI.CompOpt=0;%是否也做一個(gè)標(biāo)準(zhǔn)的two-wayflexibledesignspm8分析，不用!

I=GLM_Flex(I);

I.Cons(1).name=‘All’;%這個(gè)Contrast照抄I.Cons(1).Groups={1};I.Cons(1).Levs=[1];I.Cons(1).ET=[];I.Cons(1).mean=0;

I.Cons(2).name='GroupEffect';I.Cons(2).Groups={234};%數(shù)“組”在第幾列I.Cons(2).Levs=[3];%一共多少列I.Cons(2).ET=[];I.Cons(2).mean=0;

I.Cons(3).name='frequencyEffect';I.Cons(3).Groups={56};%數(shù)freq在第幾列I.Cons(3).Levs=[2];%一共幾個(gè)freqI.Cons(3).ET=[];I.Cons(3).mean=0;

I.Cons(4).name='Groupbyfrequency';I.Cons(4).Groups={789101112};%數(shù)交互作用在哪I.Cons(4).Levs=[32];%幾×幾？I.Cons(4).ET=[];I.Cons(4).mean=0;I=GLM_Flex_Contrasts(I);另外一個(gè)例子：2×2mixedeffectANOVA兩組（病人，正常人），學(xué)習(xí)前后兩次測(cè)量。是不是可以用個(gè)簡(jiǎn)單的方法？有！P2-P1(或者P2/P1)one-sample-t(P2-P1)tmaptomaskC2-C1(或者C2/C1)two-sample-t(P2-P1,C2-C1)withinthemaskSaveclustersROIanalysisPlotP1C1P2C2訓(xùn)練/學(xué)習(xí)/治療Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例被試間ANOVA(fullfactorial)被試內(nèi)one-wayANOVA(withinsubject)被試內(nèi)two-wayANOVA(flexibledesign)MixedeffectANOVA(AFNI3dANOVA3)方差分析后的posthocanalyses以及多重比較校正Additionalcalculations多重比較校正何為多重比較校正BonferroniprocedureThemostwidelyapplicablefamilywisecontrolprocedureforsmallfamilies.aFW<c

aChoosethesignificancelevel(e.g..05or.10dependingonourpreference).最嚴(yán)格的校正，當(dāng)比較次數(shù)較多時(shí)不適合Sidák-BonferroniprocedureInBonferronicorrection,aFW=1–(1–a)c,c:numberofcomparisons.a=1–(1–aFW)1/cisareverseversionofit.Sidak-BonferroniresultwillbequitesimilarasBonferroniresult.When0.1isa,c=6,Bonferronicorrectedresultis0.1/6=0.167,Sidakis0.174.和Bonferroni差不多，原理一樣，就是略微寬松一點(diǎn)只適合少的comparison次數(shù)，多了以后和Bonf一樣了限制比較次數(shù)N為組數(shù)，按理post-hocpairwisecomparisons的數(shù)目為N*(N-1)/2，如果能通過(guò)某些假設(shè)，只進(jìn)行plannedcomparisons,并將comparison的數(shù)目限定在N-1以?xún)?nèi)：人們將對(duì)FWE的增加不會(huì)太擔(dān)憂。即還能夠用uncorrectedthreshold卡所有的comparisons。但是，plan必須有理有據(jù)，basedontheoreticalconcerns,并在experiment之前就定好，否則編輯可能不信（還是認(rèn)為你做了exploratory分析）是一種不校正的方法，但是需要將比較次數(shù)限定在N-1以?xún)?nèi)，因?yàn)檫@樣可以減輕人們對(duì)TypeIerrorrate增加的擔(dān)憂FisherLSDFisher,1935.Leastsignificantdifference(LSD).Findthesmallestsignificantdifference(p<0.05)betweentwomeansasiftherewereonlytwomeanstobecompared,anddeclaresignificanceforanydifferencelargerthantheLSD.找個(gè)所有pair里顯著性正好高于你的閾值的，把所有其他高于這個(gè)difference的全部視作顯著。Actually,thismethoddoesnotcorrectforMC.就是簡(jiǎn)單的t檢驗(yàn)的變形，方便直接做差的檢驗(yàn)，但是不適合做MCC的情況。Tukey-Kramertesta.k.a.Tukey’stest,Tukeyrangetest,Tukey’shonestsignificancetest,Tukey’sHSD.Aim:compareallpairsofmeanstoseeifthereissignificantdifferencebetweenanyofthem.適用于所有的組分別都要兩兩比較的情況，可以是每組人數(shù)相同，還可以用于每組樣本不同的情況，對(duì)每組不同數(shù)目的情況，要更加conservativeFirstly,accordingtodf(df=總樣本數(shù)N-組數(shù)A),criticalp校正后閾值,每組的人數(shù)或觀測(cè)數(shù)(n，當(dāng)人數(shù)不等時(shí)用調(diào)和平均數(shù)),findthecriticalqa(↑whenA↑)Then,calculateMS(std),在被試間設(shè)計(jì)里是被試內(nèi)均方差，Next,calculateqby(ui-uj)/sqrt(MS/n),compareqwithqaTukey方法需要用到Studentizedrangestatisticq(后面會(huì)講).qa

和a即校正后閾值有關(guān)，和A即組數(shù)有關(guān)，和自由度N-A有關(guān)。這就是為何要用它來(lái)做MCC的原因，因?yàn)閝a

↑whenA↑

。Fisher-HayterprocedureModificationofFisherLSDconsideringMC.UseamodifiedLSD(MLSD),whichusesastudentizedrangedistributionqinsteadoft.studentizedrange指std等于1的一組樣本最小值和最大值的差異，這個(gè)值可以作為統(tǒng)計(jì)量，計(jì)算分布，叫studentizedrangedistribution,可以用于MCC。因?yàn)椋寒?dāng)只有兩個(gè)組要比較時(shí)，studentizedrangedistribution=studenttdistribution,當(dāng)比較的pairs多起來(lái)的時(shí)候，themoremeansunderconsideration,thelargerthecriticalvalueis.Studentizedrange的統(tǒng)計(jì)量是q，q根據(jù)(max-min)/std計(jì)算，和t計(jì)算很像（也是均值相減再除std），但t只有兩組，而q可在多組均值上計(jì)算，組數(shù)越多，q越大，越不容易顯著。和Tukey法基本上一樣，只不過(guò)稍微寬松些，因?yàn)樵摲ㄒ笫紫仍贏NOVA主效應(yīng)上拒絕H0（主效應(yīng)顯著）Aisgroupnumber.和Tukey法的不同在于，qa的一個(gè)參數(shù)是A-1而不是A。Other

methodsDunnett’sTest:適用于一組(controlgroup)分別和多組(treatmentgroups)比較的情況。Newman-Keulstest:現(xiàn)在已經(jīng)很少用了。Scheffe’stestisthemostconservativeposthoctest,itcontrolsfortheFWerrorthatwouldoccurifyouweretoconducteverypossiblecomparison.Duncan'sstepdownprocedure.Keepinmindthatmostexperimentsreflectsometreatmenteffect(i.e.,H0isfalse).Thatis,youarerarelydealingwithasituationinwhichthetreatmenthasnoeffect.Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例AdditionalcalculationsImageCalculatorinREST/SPM將t值轉(zhuǎn)化為z值在閾值過(guò)高時(shí)，結(jié)果出不來(lái)怎么辦協(xié)變量剔除InSPM,it’smoredifficultImagecalculatorNeedcombinedifferentmaskstogether(AAL1,2,4)(i1+i2+i3)>0NeedtoproducegroupspecificT1templatemean(X)Needtooverlap(i1.*i2)Needtothreshold(i1>5)Needtoflip(flipud(i1))注意，onlySPM2*(abs(i2)>3.7)+(abs(i1)>3.7)???GenerategroupspecificT1mask例子：使用imagecalculator的方便之處：?jiǎn)枺何矣幸粋€(gè)mask，想用它對(duì)1批功能像（150張）打mask，能批處理嗎？答：使用REST的imagecalculator,使用表達(dá)式“g1.*i1”,

其中，g1是那組fMRI數(shù)據(jù)（150個(gè)圖像），i1是mask圖像。OverlapUsingSPMImgCalctogenerateoverlapbetween3FCmapsOutline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例AdditionalcalculationsImageCalculatorinREST/SPM將t值轉(zhuǎn)化為z值在閾值過(guò)高時(shí)，結(jié)果出不來(lái)怎么辦協(xié)變量剔除ImagecalculatebasedonscriptandSPMandREST例子：如何將t值轉(zhuǎn)化為z值？[datahead]=rest_ReadNiftiImage([‘D:\spmT_0001.img’]);%用REST的讀圖像的函數(shù)t=data;%這是讀出來(lái)的數(shù)據(jù)，存在matlab里df=228;%這是自由度，自由度可以在RESTsliceviewer里面看[z,t1]=spm_t2z(t,df);%利用spm的函數(shù)從t值轉(zhuǎn)成z值data_z=z;imageOUT=[‘D:\z_0001.img'];rest_WriteNiftiImage(data_z,head,imageOUT);%用REST的寫(xiě)圖像的函數(shù)Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例AdditionalcalculationsImageCalculatorinREST/SPM將t值轉(zhuǎn)化為z值在閾值過(guò)高時(shí)，結(jié)果出不來(lái)怎么辦協(xié)變量剔除在閾值過(guò)高時(shí)，很多想要的結(jié)果出不來(lái)，這怎么辦？在這種情況下，是可以使用更加寬松的threshold的。但是要注明：Weusedamoreliberalthresholdthatdoesnotallowstrongcontroloffalsepositives.However,weaimedtoreport'suggestive'ratherthan'significant'results.http://imaging.mrc-cbu.cam.ac.uk/imaging/PrinciplesMultipleComparisons那什么是moreliberalthreshold呢？MatthewBrett給出了最適合的建議：Aperfectlyreasonableoptionistouseareducedthreshold,stillcorrectingformultiplecomparisons.比如，我用0.1做趨勢(shì)性的閾值，但是，還是要經(jīng)過(guò)多重比較校正。其次，可以采取reportyour

UnthresholdedEffectMaps.這個(gè)map是你的不加任何閾值（但是需要給出colorbar）的t圖。如果你同時(shí)想給出卡過(guò)閾值后的結(jié)果，可以用這種形式：

Outline假設(shè)檢驗(yàn)原理各種參數(shù)統(tǒng)計(jì)介紹REST:FC/ICA后處理分析實(shí)例SPM/AFNI:方差分析實(shí)例AdditionalcalculationsImageCalculatorinREST/SPM將t值轉(zhuǎn)化為z值在閾值過(guò)高時(shí)，結(jié)果出不來(lái)怎么辦協(xié)變量剔除涉及到協(xié)變量剔除的地方有兩個(gè)：FCanalysisGroupanalysis(twosample,ANOVA,correlationanalysis)FCanalysisSTEP1:Howtogeneratecovariates:RESTUtilitiesExtractROIsignalsInputallsubjectsdata(recursivelyselected)DefineROI:REST/mask里面選擇BrainMask05_61_73_61,CsfMask07_BrainMask05_61_73_61,WhiteMas